ストーリー
田
田中VPoE
「ペインポイントが特定できたら、次はそれぞれについて『どの程度AIで自動化できるか』を評価する。これが自動化ポテンシャル評価だ。」
あなた
「すべてのペインポイントがAIで解決できるわけではないんですよね。」
あ
田
田中VPoE
「その通り。定型的な業務はAIとの相性が良いが、高度な判断が必要な業務はAI単独では難しい。定型度と判断複雑度の2軸で評価するんだ。」
あなた
「業務の性質によってAIの適用レベルが変わるということですね。」
あ
田
田中VPoE
「そうだ。完全自動化、半自動化、AI支援、人間主導の4段階で適用レベルを分類し、適切な導入方法を検討しよう。」
定型度×判断複雑度マトリクス
2軸の定義
| 軸 | 説明 | 低い場合 | 高い場合 |
|---|---|---|---|
| 定型度 | 作業手順がどの程度決まっているか | ケースバイケースで対応が異なる | ルール通りに処理できる |
| 判断複雑度 | 判断に必要な情報量や考慮事項の多さ | 単純な条件分岐で判断可能 | 多数の要因を総合的に考慮 |
マトリクス
判断複雑度（高）
↑
[AI支援] │ [人間主導]
定型×複雑 │ 非定型×複雑
─────────┼─────────→ 定型度（低）
[完全自動化] │ [半自動化]
定型×単純 │ 非定型×単純
│
判断複雑度（低）4段階のAI適用レベル
| レベル | 定型度 | 判断複雑度 | AI適用方法 | 例 |
|---|---|---|---|---|
| 完全自動化 | 高 | 低 | AI/RPAで全工程を自動処理 | 定型メール応答、データ転記 |
| 半自動化 | 低 | 低 | AIがドラフトを作成し人間が確認 | 問い合わせ回答案の生成 |
| AI支援 | 高 | 高 | AIが情報収集・分析し人間が判断 | 在庫発注量の提案 |
| 人間主導 | 低 | 高 | 人間が主導しAIは補助的な役割 | クレーム対応の方針決定 |
NetShop社各部門の自動化ポテンシャル
CS部
| 業務 | 定型度 | 判断複雑度 | 適用レベル | AI活用案 |
|---|---|---|---|---|
| FAQ既出の質問回答 | 高 | 低 | 完全自動化 | AIチャットボットで自動回答 |
| 配送状況確認 | 高 | 低 | 完全自動化 | 配送APIと連携した自動応答 |
| 返品可否判断 | 高 | 中 | 半自動化 | AIが判定案を提示し担当者が確認 |
| 個別クレーム対応 | 低 | 高 | 人間主導 | 過去事例の検索をAIが支援 |
| 顧客感情の読み取り | 中 | 高 | AI支援 | 感情分析AIが顧客の状態を判定 |
EC運営部
| 業務 | 定型度 | 判断複雑度 | 適用レベル | AI活用案 |
|---|---|---|---|---|
| 商品説明文の作成 | 中 | 中 | 半自動化 | 生成AIでドラフト作成、人間が編集 |
| 商品カテゴリ分類 | 高 | 低 | 完全自動化 | 画像認識＋テキスト分析で自動分類 |
| 価格調整 | 中 | 高 | AI支援 | 競合価格分析AIが提案、担当者が決定 |
| レビュー管理 | 高 | 中 | 半自動化 | 不適切レビューをAIが検出、人間が判断 |
物流部
| 業務 | 定型度 | 判断複雑度 | 適用レベル | AI活用案 |
|---|---|---|---|---|
| 在庫数の確認 | 高 | 低 | 完全自動化 | WMS連携で自動チェック |
| 需要予測 | 中 | 高 | AI支援 | MLモデルが予測値を提示、担当者が調整 |
| 配送ルート最適化 | 高 | 高 | AI支援 | 最適化AIがルート提案、ドライバーが判断 |
| 出荷検品 | 高 | 低 | 完全自動化 | 画像認識による自動検品 |
マーケティング部
| 業務 | 定型度 | 判断複雑度 | 適用レベル | AI活用案 |
|---|---|---|---|---|
| 広告コピー作成 | 中 | 中 | 半自動化 | 生成AIでバリエーション生成 |
| レポート作成 | 高 | 低 | 完全自動化 | BI連携で自動レポート生成 |
| ターゲティング分析 | 中 | 高 | AI支援 | セグメンテーションAIが提案 |
| キャンペーン企画 | 低 | 高 | 人間主導 | 過去の成果データをAIが分析・提示 |
自動化ポテンシャルスコアの算出
スコア計算式
自動化ポテンシャルスコア = 定型度スコア × 0.4 + (5 - 判断複雑度スコア) × 0.3 + データ準備度 × 0.3各指標は1-5の5段階で評価。
NetShop社の自動化ポテンシャル上位10業務
| 順位 | 業務 | 部門 | 定型度 | 判断複雑度 | データ準備度 | スコア |
|---|---|---|---|---|---|---|
| 1 | FAQ質問の自動回答 | CS | 5 | 1 | 5 | 4.7 |
| 2 | 配送状況確認の自動応答 | CS | 5 | 1 | 5 | 4.7 |
| 3 | 定型レポート自動生成 | マーケ | 5 | 1 | 4 | 4.4 |
| 4 | 商品カテゴリ自動分類 | EC | 5 | 2 | 4 | 4.1 |
| 5 | 在庫数自動チェック | 物流 | 5 | 1 | 3 | 3.8 |
| 6 | 注文ステータス通知 | EC | 5 | 1 | 4 | 4.4 |
| 7 | 不適切レビュー検出 | EC | 4 | 2 | 4 | 3.7 |
| 8 | 商品説明文ドラフト生成 | EC | 3 | 3 | 4 | 3.0 |
| 9 | 返品可否判定支援 | CS | 4 | 3 | 3 | 2.9 |
| 10 | 広告コピー生成 | マーケ | 3 | 3 | 3 | 2.7 |
自動化ポテンシャルマップ
部門別に自動化ポテンシャルを可視化する。
部門別 自動化ポテンシャル分布
CS部: ████████████████████ 45%（完全自動化可能な業務が多い）
EC運営部: ██████████████ 30%
物流部: █████████████ 28%
マーケ部: ████████████ 25%
管理部: ████████ 18%注意点
| 注意点 | 説明 |
|---|---|
| 自動化＝無人化ではない | AI導入後も人間の監視・判断は必要 |
| 段階的に進める | いきなり完全自動化を目指さず、半自動化から開始 |
| 例外処理の考慮 | 通常業務は自動化できても例外対応は人間が必要 |
| 効果の定量化 | 自動化による時間削減・コスト削減を事前に試算 |
| 現場の合意 | 自動化対象の業務担当者と事前に合意を形成 |
まとめ
| 項目 | ポイント |
|---|---|
| 2軸評価 | 定型度と判断複雑度でAI適用レベルを判断 |
| 4段階 | 完全自動化、半自動化、AI支援、人間主導 |
| スコアリング | 定型度×0.4 + 判断単純度×0.3 + データ準備度×0.3 |
| 部門差 | CS部は完全自動化候補が多く、AI活用の効果が高い |
| 段階的導入 | 半自動化から始めて段階的に自動化レベルを上げる |
チェックリスト
- 定型度×判断複雑度マトリクスを使いこなせる
- 4段階のAI適用レベルを説明できる
- 自動化ポテンシャルスコアの算出方法を理解した
- 段階的導入の重要性を把握した
次のステップへ
次は演習として、NetShop社の業務プロセスを実際に分析し、AI活用候補を特定してみよう。
推定読了時間: 30分