生成AI導入前の業務棚卸しと現場定着の進め方｜対象業務の選び方・KPI・運用テンプレート
DX推進
生成AIの社内定着・業務効率化のご相談を承っています
戦略策定から現場研修まで、Mojiが一貫して支援します。
生成AIの導入で最初に決めるべきことは、製品名ではありません。どの業務の、どの工程を、誰が、どの条件で支援に使うかです。
いきなり全社展開や高度な自動化を目指すと、現場の実際の作業と合わない、入力してよい情報が不明確、効果を判定できない、といった理由から利用が続きにくくなる場合があります。本記事では、中小企業の導入担当者向けに、ツール選定前の業務棚卸しから、限定試行、横展開、利用停止・見直しまでを一続きの運用として整理します。
なお、ここで紹介する優先順位スコア、KPI、会議体、テンプレートはMojiによる設計提案です。自社の業務特性、入力データの品質、利用するモデル・ツール、許容できない誤りによって調整してください。AIリスク管理では、導入文脈と想定利用を把握し、測定・管理を継続する考え方が重要です。NIST AI RMF 1.0でも、GOVERN・MAP・MEASURE・MANAGEの4機能を通じたリスク管理が示されています。
結論：導入の順番は「業務→条件→試行→定着→ツール」にする
生成AI導入を継続利用につなげるための基本順序は、次のとおりです。
- 業務を一覧化する：部署名だけでなく、作業単位まで分解する
- 対象外・制約を先に決める：個人情報、機密情報、対外確定、法務・会計上の判断などを分類する
- 優先順位を付ける：効果、標準化度、リスク、検証しやすさで候補を比較する
- 少人数・短期間で試す：本番の成果物に近い条件で、人の確認を残して検証する
- 利用と成果を分けて測る：利用回数だけで成功とせず、手戻りや処理時間、品質を確認する
- 継続・拡大・停止を判断する：基準を事前に決め、利用されない仕組みを惰性で残さない
この順序なら、特定ツールの機能に業務を無理に合わせるのではなく、業務上の課題を満たすツールや実装方法を比較できます。生成AIの全体像や基本的な用途は、生成AIとは？種類や使い方・活用事例から問題点までも参照してください。
Step 0：棚卸し前に決める「導入の境界線」
棚卸しを始める前に、経営・業務責任者・情報システムまたはセキュリティ担当で、最低限の境界線を決めます。ここでの目的は、完璧な規程を作ることではなく、現場が試行中に迷わない状態を作ることです。
確認項目 | 最初に決める内容 |
|---|---|
目的 | 削減したい作業時間、改善したい品質、増やしたい処理量を業務単位で書く |
利用者 | 試行に参加する部署、担当者、業務責任者、最終承認者 |
入力可能な情報 | 公開情報、社内一般情報、個人情報、営業秘密、要配慮情報などの扱い |
出力の扱い | 下書きまでか、社内共有までか、対外送信前に誰が確認するか |
禁止または保留する業務 | 人事評価、採用・与信など権利利益に大きく関わる判断、不可逆な更新・送信など |
記録 | 利用ツール、対象業務、入力区分、確認者、事故・ヒヤリハットの残し方 |
個人情報取扱事業者が個人情報を含むプロンプトを入力する場合、個人情報保護委員会は、特定された利用目的を達成するために必要な範囲内かを十分に確認するよう注意喚起しています。また、本人の同意なく個人データを入力し、そのデータがプロンプトへの応答結果の出力以外の目的で扱われる場合には、個人情報保護法に違反する可能性があるため、サービス提供事業者が当該個人データを機械学習に利用しないことなどを十分に確認するよう示しています。個人情報保護委員会「生成AIサービスの利用に関する注意喚起等」
参考資料として、IPAサイトで公開されている「テキスト生成AIの導入・運用ガイドライン」は、生成AIの導入、運用、リスク管理、組織ヒアリング分析を章立てに含みます。同ページは、本書の内容がIPAまたは産業サイバーセキュリティセンターの意見を代表するものではなく、プロジェクトメンバーの見解に基づくものと明記しています。
入力データの扱い、承認、ログの設計は、試行を始める前に定めておくと、運用中の判断をそろえやすくなります。管理外のAI利用を防ぐ観点も含め、利用可能なサービスと情報区分を早めに明文化してください。シャドーAIとは？生成AIへの機密情報入力で起こるリスクと企業の対策も併せて確認するとよいでしょう。
Step 1：業務を「部署」ではなく「作業の流れ」で棚卸しする
「営業で生成AIを使う」「バックオフィスを効率化する」だけでは、導入対象を比較できません。業務を、開始条件から成果物が確定するまでの小さな流れに分けます。
たとえば「提案書作成」は、情報収集、構成案作成、初稿作成、事実確認、社内レビュー、顧客向け調整、送付という別々の作業の集合です。このうち、生成AIが下書き支援に向く工程と、人の判断が中心となる工程は同じではありません。
業務一覧テンプレート
以下はMojiによる提案テンプレートです。スプレッドシートで1作業1行として記録します。
項目 | 記入内容 |
|---|---|
業務名 | 例：定例会議の議事要約（架空の例） |
担当部署・役割 | 実施者と最終責任者を分けて記載 |
開始条件 | 何が発生したら作業を始めるか |
入力 | 文書、音声、表、社内システムの情報。情報区分も併記 |
作業手順 | 人が行っている操作・判断を時系列で書く |
成果物 | 要約、メール案、見積説明、登録データなど |
頻度・量 | 週・月あたりの件数、1件あたりの所要時間。未計測なら「未計測」と書く |
品質要件 | 誤字の許容、事実確認の要否、表現ルール、期限 |
失敗時の影響 | 社内の手戻り、顧客影響、法令・契約・信用への影響 |
現在の困りごと | 待ち時間、転記、属人化、検索不能、レビュー負荷など |
AIの想定役割 | 分類、抽出、要約、下書き、検索補助、実行補助のいずれか |
現場ヒアリングで聞くべき8項目
現場へのヒアリングは「AIで何をしたいですか」から始めません。回答がツールの印象に引っ張られることを避けるため、直近の実作業を再現してもらいます。
- 直近1週間で、最も時間がかかった定型作業は何か
- その作業で、毎回探している情報は何か
- どこで判断が止まり、誰に確認しているか
- 誤ると困る箇所はどこか。困る相手は誰か
- 過去の良い成果物は、どこにあり、誰が使えるか
- 作業ごとに入力形式や品質がどの程度ばらつくか
- 成果物を出す前に、必ず人が見ている観点は何か
- 作業が速くなっても、増やしたくない確認作業は何か
このヒアリングで得るのは「便利そうな機能の要望」ではなく、業務の入力、判断、出力、責任の境界です。NIST AI RMF PlaybookのMAPでは、意図した目的、利用者、想定される利用環境、文脈固有の法令・規範・期待、影響、前提・制約を理解し文書化することが示されています。NIST AI RMF Playbook：MAP
Step 2：対象業務を4軸で優先順位付けする
最初の対象業務は、「最も難しい業務」ではなく、効果を検証しやすく、失敗時に戻せて、現場が試せる業務を選ぶという考え方があります。
次の評価表は、初期候補を比較するためのMojiによる一般的な設計上の目安です。モデル性能、入力データの整備状況、既存業務の品質、評価指標、許容誤差によって結論は変わります。点数の絶対値で決めず、候補間の議論をそろえるために使ってください。
評価軸 | 1点の目安 | 3点の目安 | 5点の目安 |
|---|---|---|---|
効果 | 頻度・負荷が低い | 一部の担当者で負荷がある | 頻度または負荷が高く、改善対象が明確 |
標準化度 | 担当者ごとに進め方が大きく異なる | 骨格は共通だが例外が多い | 入力・出力・判断基準が概ね共通 |
検証可能性 | 良し悪しを判定しにくい | レビューで判定できる | 正解例、チェックリスト、比較対象がある |
リスクの低さ | 外部影響・個人情報・確定判断を含む | 人の最終確認で抑えられる | 社内下書き中心で、誤りを戻しやすい |
優先順位の計算例は、優先スコア = 効果 + 標準化度 + 検証可能性 + リスクの低さです。ただし、個人情報・機密情報・対外確定などの「実施不可条件」がある場合、合計点が高くても試行対象にしません。
初期試行に向きやすい業務・慎重に扱う業務
分類 | 例 | 進め方 |
|---|---|---|
初期試行に向きやすい | 社内会議メモの要約、公開情報を基にした構成案、定型メールの下書き、既存文書の分類 | 人が確認して社内で使う範囲から始める |
条件付きで試行 | 顧客向け提案の下書き、社内規程の検索支援、問い合わせ回答案 | 入力区分、根拠確認、承認者、対外送信前の確認を定義する |
初期段階では避けるまたは厳格に設計する | 採用・評価・与信などの重要判断、支払・発注の確定、顧客データの自動更新、対外的な自動送信 | 影響評価、権限設計、監査、承認・停止条件を先に整える |
AIに外部ツールの操作や更新まで任せる場合は、文章生成の導入とは別に、委任範囲と承認・停止条件を設計してください。AIエージェントはどこまで任せるべきか｜委任範囲・人の承認・停止条件を設計する実務ガイドで、操作権限を含めた設計の考え方を解説しています。
Step 3：限定試行は「便利か」ではなく「業務として成立するか」を検証する
試行は、デモを見る期間ではありません。実際の業務に近い入力と成果物で、品質・時間・安全性・再現性を確かめる期間です。利用ツールの比較だけでなく、プロンプト、参照する資料、確認者、作業手順も試行対象に含めます。
試行計画の最小テンプレート
- 対象業務：1つの作業に限定する
- 参加者：実務担当者、業務責任者、導入担当者を置く
- 期間：業務の発生サイクルを少なくとも1回含む期間にする
- 比較対象：従来手順とAI利用手順を同じ品質要件で比較する
- 人の確認：確認箇所、確認者、差し戻し条件を明記する
- 記録：入力区分、出力、修正内容、処理時間、エラー、利用者コメントを残す
- 終了時の判断：継続・改善して再試行・停止のどれかを選ぶ条件を先に書く
評価では、最終出力だけを見ると原因を切り分けにくくなります。たとえば社内規程を参照する仕組みなら、必要な文書を取得できなかったのか、取得した根拠を回答に反映できなかったのか、利用者が確認しづらかったのかを分けて記録します。RAGの評価データを作る場合は、RAG評価データセットの作り方｜設計・作成・品質確認・更新を実務手順で解説も参考にしてください。
Step 4：現場定着は「利用KPI」と「業務KPI」を分けて追う
ログイン数やチャット回数だけでは、業務改善が起きているかは分かりません。一方、成果だけを見ると、使いにくさや教育不足に気づくのが遅れることがあります。そこで、利用状況と業務成果を分けて追跡します。
区分 | 指標例 | 見る目的 |
|---|---|---|
利用KPI | 対象者の利用率、対象業務での利用件数、継続利用者数、テンプレート利用率 | 導線・教育・利用ルールが機能しているかを見る |
業務KPI | 1件あたりの処理時間、修正回数、期限内完了率、再作業率、処理件数 | 実務の負荷や生産性が変わったかを見る |
品質KPI | 事実誤り率、必須項目の欠落率、レビュー差し戻し率、根拠未確認率 | 速さと引き換えに品質が下がっていないかを見る |
リスクKPI | 禁止情報の入力件数、権限外操作、事故・ヒヤリハット、停止発動件数 | 運用上の危険な兆候を早期に捉える |
測定方法と許容誤差は、対象業務に応じて決めます。たとえば、文章の下書きでは「正答率」だけでなく、レビューで直した箇所とその理由を分類する方が改善に役立つ場合があります。評価対象をモデルだけに限定せず、データ、プロンプト、ワークフロー、人の確認を含めて設計する考え方は、AIの評価とは？評価指標や評価方法、その費用についても参照してください。
定着を促す運用の最小単位
本記事では、対象業務ごとの短い改善サイクルをMojiによる運用提案として採用します。対象業務、利用者、入力条件、品質要件ごとに記録と見直しを行うことで、改善対象を具体化しやすくするためです。
- 利用者が使えるプロンプト・入力例・確認手順を1ページにまとめる
- 週次または隔週で、成功例・失敗例・困った入力を15〜30分で共有する
- 差し戻し理由を「入力不足」「参照情報不足」「指示不足」「モデル出力の問題」「業務ルール不明」に分類する
- 頻出する失敗から、テンプレート、参照資料、入力フォーム、承認フローの順に直す
- 改善後は同じ評価ケースで再測定し、以前の条件と比較する
AIリスクの測定は導入前だけで終わらせず、運用中も定期的に実施する考え方がNIST AI RMFに示されています。同フレームワークは、導入前のテストに加え、運用中の定期的なテスト、リスク指標・影響・人とAIの構成に関する追跡、運用環境での監視を扱っています。NIST AI RMF Core
Step 5：横展開は「部署を増やす」前に「再現可能な型」を作る
1部署で使われた方法を、別部署へそのまま配ると合わないことがあります。業務目的、入力データ、品質要求、責任分界が異なるためです。横展開の単位はツールのアカウント数ではなく、再利用できる業務パターンにします。
次の4点がそろった業務を、横展開候補として検討してください。
- 対象業務、利用目的、成果物、対象外が説明できる
- 入力可能な情報と確認すべき規程・契約条件が決まっている
- 品質評価のケースと、許容できない失敗が定義されている
- 人の承認者、問い合わせ先、停止条件が決まっている
経済産業省のAI事業者ガイドライン検討会ページには、2026年3月31日付のAI事業者ガイドライン第1.2版が掲載されています。全社展開や外部提供へ進む前には、適用する法令、契約、業界固有のルールとあわせて、最新版の資料を確認してください。経済産業省「AI事業者ガイドライン」
利用停止・見直し基準を先に決める
生成AIの導入では、続けること自体を目的にしないことが重要です。停止は失敗の宣言ではなく、対象業務や統制を見直すための判断です。
直ちに停止・エスカレーションする例
- 禁止情報または許可されていない個人情報・機密情報を入力した可能性がある
- 承認なしに、対外送信、データ更新、契約・支払などの操作が実行された
- 重大な誤りが外部へ出た、または出るおそれがある
- サービスの利用規約、データ利用条件、権限設定に変更または不明点が生じた
改善して再試行する例
- 下書きの品質は不足するが、誤りの種類が特定でき、入力・参照情報・テンプレートで改善余地がある
- 利用率が低いが、業務導線や教育不足が原因として確認できる
- 効果はあるが、レビュー負荷が増えたため、対象工程や確認方法を変える必要がある
終了を検討する例
- 定めた期間に、従来手順と比べて時間・品質・リスクのいずれも改善しない
- 業務の標準化や入力データの整備が先決で、AI利用が課題を隠してしまう
- 必要な統制を設けると、得られる効果より運用負荷が大きい
導入担当者向けチェックリスト
棚卸し前
- 導入目的を「業務」と「成果」で説明できる
- 入力可能な情報と禁止情報を仮でも決めた
- 最終判断者と、試行の業務責任者を決めた
対象業務の選定時
- 開始条件、入力、手順、成果物、確認者を1行で記録した
- 効果、標準化度、検証可能性、リスクの低さで候補を比較した
- 失敗した場合に戻せる工程から選んだ
試行中
- 従来手順と同じ品質要件で比較している
- 処理時間だけでなく、修正内容と差し戻し理由を記録している
- 個人情報・機密情報・利用規約の確認を済ませた
- 利用者が迷わない入力例と確認手順を用意した
横展開前
- 継続・改善・停止の判断を数値と定性コメントの両方で行った
- 成功した理由をツール名ではなく、業務条件と運用条件で説明できる
- 別部署でも同じ入力条件、評価条件、承認条件が成立するか確認した
まとめ
生成AIを現場に定着させる起点は、ツール比較ではなく業務棚卸しです。業務を作業単位で可視化し、効果だけでなく標準化度、検証可能性、リスクを比較して、限定的に試します。その後、利用KPIと業務・品質・リスクKPIを分けて確認し、改善・横展開・停止を判断します。
まずは1部署の「下書き・要約・分類」など、戻しやすく評価しやすい1業務を選び、業務一覧テンプレートを埋めるところから始めてください。生成AIを使うことではなく、現場の仕事が安全に改善された状態を成功条件に置くことが重要です。