「とりあえずAIを入れる」がうまくいかない理由
AIや自動化で業務を改善したい——そう考えたとき、いきなりツール選びから入ってしまうと、たいてい空振りします。効果の小さい業務に高機能なAIを入れてしまったり、本当の詰まりどころは別にあったり、ということが起きるからです。
順番が逆です。まずどこに改善の余地があるか（=ボトルネック）を洗い出し、そのうえでそれぞれに合った手段を当てる。この記事では、その洗い出しから手段選びまでを手順で整理します。
ステップ1：業務を棚卸しして「件数 × 時間」で並べる
最初にやるのは、現状の可視化です。どの業務に、どれだけの件数と時間がかかっているかを一覧にします。
ここで効くのが**80対20の法則（パレートの法則）**です。多くの場合、上位2割の業務が、全体の工数の8割を占めています。すべてを平等に改善しようとせず、まず工数の大きい業務から手をつける。これだけで投資対効果が大きく変わります。
実際に着手する範囲を決めるときは、次のように切り分けると進めやすくなります。
- 業務件数の8割を占める「上位のパターン」を3つほど特定する
- まずはその3パターンだけで、第一弾（Phase1）が成立するかを考える
- 残り2割の例外は「手作業で続ける／後の段階で対応する／そもそも対応しない」のどれかを、最初に決めておく
落とし穴は、金額や件数の1軸だけで切ってしまうことです。件数は少なくても、止まると全体が止まる「戦略的に重要な業務」を見落とさないよう、複数の見方で並べてみてください。
ステップ2：ボトルネックは「人・情報・決裁」のどれかにある
「この業務、なぜか進まない」という詰まりの正体は、だいたい次の3つのどれかです。
- 人 … 担当が一人に集中している／不在がち／優先度が低く後回しになっている
- 情報 … 判断に必要なインプットが揃っていない、探すのに時間がかかる
- 決裁 … 誰が判断するか決まっていない／判断の材料がない
詰まりを「気合い」で動かそうとしてもうまくいきません。どの種類の詰まりかを見分けると、打ち手が決まります。 人の問題なら役割分担や標準化・マニュアル化、情報の問題ならデータの一元化や検索性の改善、決裁の問題なら承認ルートと判断基準の明確化、という具合です。
「あの人が忙しいから遅い」で終わらせず、構造のどこが詰まっているかを名指しできると、対策は具体的になります。
ステップ3：結果から「真因」へさかのぼる
「売上が伸びない」「不良が減らない」といった結果から、いきなり対策を考えると的を外します。結果に至る工程を時系列で並べ、各工程の通過率（歩留り）を出してみてください。
たとえば商談なら、「問い合わせ1000 → 興味600 → 提案300 → 受注120」のように段階ごとの数字を並べます。極端に数字が落ちている段が、真因の候補です。
ここで大事なのは、「人が悪い」で片付けず「仕組み」を見ることです。同じ人が担当しても結果が出るように、工程やルールの側を直せないかを考えます。工程は粗く区切ると真因が見えません。細かく刻むほど、どこで落ちているかがはっきりします。
分析の道具を、目的別に使い分ける
「洗い出し」と一口に言っても、決めたいことによって使う道具は変わります。代表的な4つを押さえておくと、議論が速くなります。
| 決めたいこと | 使う道具 | ひとことで |
|---|---|---|
| どこに集中投資するか | 80対20の法則 | 上位2割に資源を寄せる |
| どの打ち手を先にやるか | 感度分析 | インパクト ÷ 難易度で順位づけ |
| 業界平均との差の理由 | ギャップ分析 | 差を要因別に分解する |
| 複数案を抜け漏れなく評価 | MECE比較 | 観点を並べて表で比べる |
とくに打ち手の優先順位づけ（感度分析）では、効果の大きさ（インパクト）だけを見て、実行の難しさ（難易度）を忘れがちです。「効果が大きく、かつ実行しやすい」打ち手から着手すると、最初の成果が早く出ます。
例：受注処理を題材に洗い出してみる
手順のイメージをつかむために、受注処理を例にたどってみます。
- 棚卸し：受注の入力・確認・在庫引当・出荷指示…と工程を分け、それぞれの件数と時間を出す。すると「電話・FAX受注の転記」に最も時間がかかっていると分かった
- ボトルネックの分類：転記が遅いのは「人」（担当一人に集中）か、「情報」（注文内容がバラバラで読み取りに時間）か、「決裁」かを見分ける。今回は情報の問題だった
- 真因の特定：受注100件のうち、定型フォーマットは60件、残り40件が手書きやメール。詰まっているのは非定型の40件と特定できた
- 手段選び：定型60件はルールで自動取り込み、非定型40件はLLMで読み取り＋担当者の最終チェック、と分ける
「受注をAIで自動化」とひとくくりにせず、工程と件数で分けると、どこにどの手段を当てるべきかが具体的に見えてきます。一気に全部をAI化しようとしないことが、かえって近道になります。
ステップ4：改善余地に「合う手段」を当てる
改善ポイントが見えたら、ようやく手段の出番です。ここで「何でもAI（LLM）に任せる」と考えると失敗します。問題の性質によって、向いている技術は変わります。
| こんな業務は | 向いている手段 | 人の確認 |
|---|---|---|
| ルールが明確（消費税計算・在庫アラート・入力チェック） | ルールベース | 不要 |
| 数値の最小化／最大化（シフト表・配送ルート・生産計画） | 最適化（数理計画） | 原則不要 |
| 過去データから予測（需要予測・解約予測・不正検知） | 機械学習 | 必要 |
| 自然言語・暗黙知が必要（文章作成・要約・問い合わせ対応） | LLM（生成AI） | 必須 |
よくある失敗は次のようなものです。
- 「シフト表をLLMに作らせる」→ 制約が明確なので最適化が正解
- 「最短ルートをLLMに聞く」→ 厳密な答えが出る経路探索アルゴリズムが正解
- 「需要予測をLLMの文章で」→ 数値データで学習する機械学習が正解
- 「税金計算をLLMに任せる」→ 確定計算なのでルールベースが正解
LLMは「曖昧さが本質の問題」のための道具です。答えが一つに決まる問題に使うと、かえって不安定になります。
AIに任せたら「人の確認」をどこに置くか
手段が決まったら、業務フローに「人のチェック」をどこで入れるかをセットで設計します。手段によって必要な確認の重さが違うからです。
| 上流の処理 | 下流に必要な工程 |
|---|---|
| ルールベース | 通知のみ |
| 厳密な最適化 | そのまま実行してよい |
| 機械学習（予測） | 担当者の承認を挟む |
| LLM（文章生成） | 担当者の最終チェック |
| LLM（判断） | 承認フローに載せる |
AIの出力をそのまま流すか、人が一度受け止めるか。ここを曖昧にすると、便利になるどころか手戻りが増えます。
一気に変えない——小さく始めて横展開する
改善ポイントと手段が見えても、全社一斉に変えようとすると、現場の抵抗で頓挫しがちです。進め方にもコツがあります。
- 件数の多い業務（上位2割）から着手する
- 最初の成果は、3か月以内に出せる小さなテーマを選ぶ
- 小さな成功体験を積み重ねながら、隣の部署・似た業務へ横展開する
変化を急がず、着実に積み上げる方が、結果的に組織全体への定着は速くなります。
ボトルネック別の打ち手の例
詰まりの種類が分かれば、打ち手は具体的になります。代表的な対応を挙げておきます。
- 人の詰まり：作業を分解して複数人で回せるようにする、手順をマニュアル化して属人化を解く、定型部分を自動化して人を高度な判断に振り向ける
- 情報の詰まり：データを一か所に集めて二重管理をなくす、検索しやすい形に整える、入力ルールをそろえて集計できるようにする
- 決裁の詰まり：誰が何を判断するかを明文化する、判断基準と必要な材料を先に決める、承認ルートと期限を仕組みにする
「忙しいから遅い」を「この工程のこの種類の詰まり」と言い換えられると、対策は一気に現実的になります。
改善の土台——データとルールが整っているか
AIや自動化を活かすには、土台が要ります。業務フローが整理されておらず、データもバラバラなままでは、AIを入れても一部の人の作業が速くなるだけで、組織には広がりません。
- 業務の流れ（誰がいつ何をして、次に何を渡すか）が整理されているか
- 必要なデータが、決まった形で・決まった場所にたまっているか
- 自社のマニュアルや過去事例を、AIと組み合わせて使える状態か
改善余地の洗い出しと並行して、この土台の状態も点検しておくと、施策が「点の効率化」で終わらず、全体に効いてきます。
「効果が読めない」ものは、小さく試す
改善余地が見えても、効果が読みづらい場合があります。そのときは、いきなり本格開発に進む必要はありません。
- 一部の業務・一部の期間だけで小さく試す（試験導入）
- 効果を測る指標（作業時間がどれだけ減ったか、ミスがどれだけ減ったか）を、始める前に決めておく
- うまくいけば対象を広げ、想定外なら早めに引き返す
「全部いっぺんに作ってから効果を見る」より、試して確かめながら広げる方が、失敗したときの損失は小さく済みます。
分析を始める前に答えたい5つの問い
洗い出しに入る前に、次の5つに答えられるか確かめると、分析そのものが目的化せずに済みます。
- 誰の意思決定のための分析か（受け手は誰で、何を決めるためか）
- いつまでに必要か（期限が分析の細かさを決める）
- 粒度はどこまでか（全社か、部門か、個別の業務か）
- 前提は何か（仮定・除外する条件・データの限界）
- 合格水準は何か（「これが見えたら次に進む」という基準）
そして分析が終わったら、「結論は意思決定につながっているか」「限界や前提を明示したか」「次の一歩は何か」を確認します。表を作って満足して終わり、にしないための歯止めです。
洗い出しの手順まとめ
- 業務を棚卸しし、件数 × 時間で並べる（まず上位2割に注目）
- 進まない業務の詰まりを「人・情報・決裁」で分類する
- 結果から工程をさかのぼり、歩留りが落ちる段＝真因を特定する
- 決めたいことに応じて、80/20・感度分析・ギャップ分析・MECE比較を使い分ける
- 改善ポイントごとに、ルール／最適化／機械学習／LLM を選ぶ
- AIに任せる工程には、人の確認をどこに入れるかもセットで決める
- 上位業務から小さく始め、成果を見て横展開する
関連教材：業務の棚卸しや「業務フローの書き方」、分析フレーム（80/20・プロセス分析など）をさらに深めたい方は、無料公開のITコンサルティング・ガイドブックもどうぞ。
まず「自社の現在地」を知る
ボトルネックの洗い出しは、現状を正しく把握するところから始まります。「どの業務がどのレベルにあるか」「データやルールは整っているか」を、まず可視化してみてください。最初の一歩としては、自社のAI活用度を観点ごとにスコア化してみると、どこに伸びしろがあるかが見えやすくなります。
