ストーリー
田
田中VPoE
「業務プロセス分析でAI活用の候補が見えてきた。次はそれぞれの候補について『本当にAIが適切か』を判断するフェーズだ。」
あなた
「業務量分析と自動化ポテンシャルだけでは不十分なんですか？」
あ
田
田中VPoE
「それらは業務側の視点だ。AI適用判断では、データの有無、定型度、頻度、効果の4軸で総合的に判断する。さらにAIではなくRPAやルールベースの方が適切なケースもある。」
あなた
「技術選択も含めた判断なんですね。」
あ
田
田中VPoE
「その通り。AIは万能ではない。適切な技術を選ぶことが成功の鍵だ。」
AI適用判断の4軸
| 軸 | 評価ポイント | AI適用に有利 | AI適用に不利 |
|---|---|---|---|
| データ有無 | AIに必要なデータがあるか | 大量の構造化データが存在 | データなし・紙のみ |
| 定型度 | 業務のパターン化度合い | パターンが明確 | 毎回異なる対応 |
| 頻度 | 業務の発生頻度 | 日次以上の高頻度 | 年数回の低頻度 |
| 効果 | AI導入の期待効果 | 大幅な時間削減・品質向上 | 効果が限定的 |
4軸スコアリング
各軸を1-5で評価し、総合スコアを算出する。
AI適用スコア = データ × 0.30 + 定型度 × 0.25 + 頻度 × 0.20 + 効果 × 0.25| 総合スコア | 判定 | 推奨 |
|---|---|---|
| 4.0以上 | 強く推奨 | 優先的にAIを適用 |
| 3.0-3.9 | 推奨 | 条件付きでAI適用を検討 |
| 2.0-2.9 | 要検討 | AI以外の手段も含めて検討 |
| 2.0未満 | 非推奨 | AI適用は時期尚早 |
判断のデシジョンツリー
業務にAIは適用できるか？
├── データはあるか？
│ ├── Yes → 十分な量と品質があるか？
│ │ ├── Yes → パターン化可能か？
│ │ │ ├── Yes → AI適用を推奨
│ │ │ └── No → 生成AIの活用を検討
│ │ └── No → データ整備を先行
│ └── No → データ収集の仕組みから構築
├── ルールベースで対応可能か？
│ ├── Yes → RPA・ルールエンジンを検討
│ └── No → AIの判断が必要
└── 人間の判断が不可欠か？
├── Yes → AI支援（人間+AI協働）
└── No → 完全自動化を検討NetShop社の候補業務のAI適用判断
評価結果
| 業務 | データ(×0.30) | 定型度(×0.25) | 頻度(×0.20) | 効果(×0.25) | スコア | 判定 |
|---|---|---|---|---|---|---|
| FAQ自動回答 | 5 (1.50) | 5 (1.25) | 5 (1.00) | 5 (1.25) | 5.00 | 強く推奨 |
| 商品情報更新自動化 | 5 (1.50) | 5 (1.25) | 5 (1.00) | 4 (1.00) | 4.75 | 強く推奨 |
| レビュー自動検出 | 5 (1.50) | 4 (1.00) | 5 (1.00) | 3 (0.75) | 4.25 | 強く推奨 |
| 商品説明文生成 | 4 (1.20) | 3 (0.75) | 4 (0.80) | 4 (1.00) | 3.75 | 推奨 |
| 需要予測 | 4 (1.20) | 3 (0.75) | 3 (0.60) | 5 (1.25) | 3.80 | 推奨 |
| 出荷検品自動化 | 3 (0.90) | 5 (1.25) | 5 (1.00) | 3 (0.75) | 3.90 | 推奨 |
| クレーム対応支援 | 3 (0.90) | 2 (0.50) | 2 (0.40) | 3 (0.75) | 2.55 | 要検討 |
| キャンペーン企画支援 | 2 (0.60) | 1 (0.25) | 1 (0.20) | 3 (0.75) | 1.80 | 非推奨 |
AI vs 他技術の判断基準
| 技術 | 適用条件 | NetShop社での適用例 |
|---|---|---|
| ルールベース | 明確なルールで分岐可能 | 注文ステータスの自動通知 |
| RPA | 定型的なシステム操作の繰り返し | 経理ソフトへのデータ転記 |
| 従来型ML | 大量の教師データあり、予測・分類タスク | 需要予測、不正注文検知 |
| 生成AI | テキスト生成・理解、柔軟な対応が必要 | FAQ回答、商品説明文作成 |
| 画像認識AI | 画像による判定が必要 | 出荷検品、入荷検品 |
判断フローチャート
業務の性質を確認
├── 明確なルールだけで処理可能 → ルールベース / RPA
├── 大量データからのパターン発見が必要 → 従来型ML
├── テキストの理解・生成が必要 → 生成AI（LLM）
├── 画像の判定が必要 → 画像認識AI
└── 複数技術の組み合わせが必要 → ハイブリッドアプローチAI適用判断で陥りがちなミス
| ミス | 説明 | 対策 |
|---|---|---|
| AIの過信 | 「AIなら何でもできる」と思い込む | 4軸で冷静に評価する |
| データ軽視 | データの有無を確認せずに計画を立てる | データ評価を最初に行う |
| 技術選択ミス | ルールベースで十分な業務にAIを適用 | 技術選択フローチャートを使う |
| 効果の過大評価 | 期待効果を楽観的に見積もる | 保守的なシナリオで試算 |
| 全か無かの思考 | 完全自動化できなければ導入しない | 段階的な適用を検討 |
まとめ
| 項目 | ポイント |
|---|---|
| 4軸評価 | データ有無、定型度、頻度、効果の4軸で判断 |
| スコアリング | 重み付きスコアで定量的に優先度を決定 |
| デシジョンツリー | データの有無→パターン化→人間判断の必要性で分岐 |
| 技術選択 | AI以外（RPA、ルールベース）も含めて最適な技術を選択 |
| 段階的適用 | 完全自動化にこだわらず、AI支援から始める |
チェックリスト
- 4軸スコアリングの計算方法を理解した
- デシジョンツリーで判断フローを把握した
- AI vs RPA vs ルールベースの使い分けができる
- AI適用判断で陥りがちなミスを認識した
次のステップへ
次は「データ可用性評価」として、AI活用に必要なデータの量・質・アクセス性を評価する方法を学ぼう。
推定読了時間: 30分