業務におけるAIの価値は、判断を丸ごと置き換えようとすることではなく、繰り返しの作業をなくし、判断材料を示すことにあります。データサイエンス部門を持たない中堅企業にとって、実際の問いはもっとシンプルです。どの作業から始め、うまくいったことをどう確かめるか。
ここでは、私たち自身のプロジェクトの数字を交えて、実際に使っている進め方をご紹介します。
ステップ1:量とルールの明確さで作業を選ぶ
マルチエージェント基盤では、候補となる作業を二つの観点で採点しました。どのくらいの頻度で発生するか、そしてルールがどれだけ明確か。この二つが、自動化に価値があるかを決めます。
位置は、考え方を示すための例です。
量が多くルールが明確なら自動化。量は多いがルールがあいまいなら、AIが下書きし人が決める。まれであいまいなものは手作業のままです。
まず、すべての定常業務と、それに本当にかかっている時間を書き出すところから。
ステップ2:変える前に作業時間を測る
米国のレベニューサイクル事業者では、分析チームの定常業務はそれぞれ30分ほどでした。誰もそれを合計していませんでした。合計してから、合計時間の順に25以上のワークフローを自動化し、チームは週約15時間を取り戻しました。
| 作る前に | 理由 |
|---|---|
| すべての定常業務を書き出す | 数えていないものは順位付けできない |
| それぞれの所要時間と頻度を測る | 面倒さではなく合計時間で順位付けする |
| 出力の送り先を書き留める | 配信が作業の半分を占めることも多い |
| 担当者を決める | 失敗したときに気にかける人が必要 |
ステップ3:判断が必要な場面では人を介在させる
自動化は、例外的なケースをはっきりとエスカレーションするべきです。担当者には、ブラックボックスではなく、モデルがなぜそう動いたかが見える必要があります。介護のシフト作成ではAIが提案しコーディネーターが承認し、営業の調査ではAIが下書きし担当者が送ります。
ステップ4:手作業と並行して動かす
すべての自動化は、手作業を終了する前に、1サイクル分その横で動かします。時間はかかりますが、それがチームの信頼を保つ方法です。
ステップ5:すべてを計測する
| 指標 | 判断できること |
|---|---|
| 週あたりに回収した時間 | 広げる価値があるか? |
| 実行の成功率 | 無人で任せられるほど信頼できるか? |
| 上書き・修正の割合 | モデルの弱い場所はどこか? |
| エスカレーションされた例外 | ルールは網羅されているか? |
これらの数字が、広げるか、止めるか、作り直すかを決めます。
最初の90日の目安
01棚卸しと順位付け
2週
すべての定常業務の時間を測り、順位付け
02最初の自動化
3〜4週
上位の作業を手作業と並行稼働
03監視
1〜2週
実行レポートと担当者への失敗アラート
042回目の自動化
4〜6週
次の作業、ルールがあいまいな部分はAIによる下書きで支援
一つ、正直な注意点
取り戻した時間はコスト削減ではなく、使える余力です。その効果は、チームがその時間で何をするかで決まります。始める前にそれを決めておけば、次の段階の正当性は自ずと示されます。
参考資料
- Power Automate adoption: planning a project(Microsoft Learn)
- People + AI Guidebook(Google PAIR)
- AI Risk Management Framework(NIST)
関連ケーススタディ
25以上の業務を自動化し、分析チームに週15時間を取り戻す
