AIに向いている業務の見極め方｜生成AIの業務効率化チェックリスト

「AIで業務が変わる」という話もあれば、「結局AIは使えない」という話も聞こえてきます。どちらの声も大きいので、中小企業で事務を担当している方ほど、どう受け止めればよいか迷うのではないでしょうか？

上司からは「うちもAIで効率化を」と言われても、実際に触ると、指示を考えるのも出てきた文を直すのも思ったより手間がかかります。

総務省の令和8年版 情報通信白書によると、生成AIを積極的に、または領域を絞って活用する方針を定めている企業は、中小企業で58.1%でした（大企業は74.0%、2025年度の調査）。

中小企業の4割ほどは、まだその方針を持っていないことになります。方針を決めるうえで最初に必要なのは、自社のどの業務がAIに向いていて、どこが向いていないのかを切り分けることです。

先に答えをお伝えすると、AIに向いているのは次の条件がそろった業務です。

• 判断の基準を言葉で書ける
• 同じ形の繰り返しが多く、件数もある
• 必要なデータが一か所にそろっている
• 結果が正しいかを、人がすぐに確かめられる

そして、「AIに向かない」と感じる業務の多くは、AIの力不足ではなく準備不足が原因です。この記事では、その見極め方を記入例つきのチェックリストでまとめます。

AIに向いている業務を見極めるチェックリスト

目の前の業務がAIに向いているかは、次のチェックリストで確かめられます。当てはまる項目が多いほうが、その業務の今の位置です。

AIに向いている業務の特徴

次の項目に多く当てはまる業務は、今すぐAIに任せやすい業務です。

• 判断の基準を言葉で書ける（金額の線引き、優先度のルールなど）
• ほぼ同じ形の繰り返しで、例外は全体の数％程度
• 必要なデータが一か所にある、または集めやすい
• 出てきた結果が正しいかを、見てすぐ判断できる
• 間違えても、送る前や確定する前に人が直せる
• 月に数十件以上あり、減った時間を測れる

中でも大事なのは、結果が正しいかを人がすぐに確かめられることです。確かめるのに元の作業と同じくらいの時間がかかるなら、AIに任せても手間は減りません。

件数も見ておきましょう。件数が多い業務ほど、一件あたりの時短が小さくても合計の効果が大きくなります。

向かない、または準備が要る業務の特徴

次の項目に当てはまる業務は、そのままではAIに任せにくい業務です。ただし、その多くは準備で変えられます。

• 判断の基準がベテランの勘にあり、誰も言葉にしていない
• 「普段はこうだが、この場合は別」という例外が日常的にある
• 必要な情報が紙・人の記憶・複数のシステムに散らばっている
• 個人情報や企業秘密が中心で、安全に使える環境がない
• 結果を確かめる手間が、減らせる時間より大きい
• 間違えると取り返しがつかない（振込や発注の確定など）

最後の項目は、AIが下書きまで作り、確定の前で人が止める形にすれば任せられることがあります。止める位置の決め方は、送る前に止める業務自動化の設計で説明しています。

「向かない」に当てはまっても、すぐに諦める必要はありません。基準を言葉にする、データを一か所に集めるといった準備を終えると、その業務は「向いている」側に移ります。

記入例で判定してみる

チェックリストは、業務ごとに一行ずつ表に書き込むと比べやすくなります。次の表は、事務でよくある業務を当てはめた記入例です（件数は例です）。

業務	月の件数	判断の基準	データ	確かめやすさ	間違えたときの影響	判定
定型の問い合わせへの返信案	約60件	○ 回答集がある	○ 共有フォルダにある	○ 読めば分かる	○ 送る前に直せる	向いている
会議の議事録の要点整理	約8件	○ 決定事項と宿題を拾う	○ 録音と資料がある	○ 出席者が分かる	○ 配る前に直せる	向いている
営業日報の集計	約90件	△ 書き方がばらばら	○ 日報のファイルがある	○ 元の日報と照らせる	○ 社内で直せる	準備すれば向く
クレームへの返信	約3件	× ベテランの勘	× 各自の受信箱にある	△ 経緯を知る人だけ	× 取引に響く	準備が要る
取引を続けるかの判断	年に数件	× 言葉になっていない	△ 会計と営業の記録	× 正解が一つでない	× 経営に響く	材料の整理まで
請求書と入金の照合	約120件	○ 金額と日付が合うか	○ 会計ソフトと通帳	○ 数字で分かる	△ 誤りが後で響く	生成AIは要らない

「向いている」業務は、AIに下書きを作らせ、人が読んでから送る・配る形ですぐに始められます。「準備すれば向く」業務は、集計する項目を先に決めてから任せると、元の書き方がばらばらでも使えます。

「準備が要る」業務は、この後で説明する三つのタイプのどれかに当たります。「材料の整理まで」は、AIに根拠をそろえさせ、決めるのは人という分担です。

請求書と入金の照合のように、ルールが決まった数字合わせは、生成AIを使わない自動化のほうが確実です。この使い分けは、数字合わせと期限チェックにAIは要らないで詳しく説明しています。

「向かない」の多くは準備不足が原因

「この業務はAIに向かない」と感じるとき、原因はAIの力不足とは限りません。AIに渡すデータや判断の基準が整っていないことが、壁になっている場合が多くあります。

つまり、壁はAIの中ではなく、AIの手前にあります。自分の中の「AIはどうせこの程度」という前提が、すでに古くなっていないかを、まず疑ってみてください。

ばらばらの報告もAIはそろえられる

例えば「営業3人がばらばらの書き方で報告書を書くので、AIでは集計できない」という声があります。

ある営業は「進捗60%、〇〇さん不在で後日フォロー予定」と書き、別の営業は「金額感では合意、稟議待ち」、もう一人は「〇〇製造、接触」とだけ書くといった具合です。

しかし、今のAIは、こうしたばらばらの文から次の項目を同じ形で抜き出せます。

• 訪問日
• 商談の内容
• 進み具合
• 次にやること

報告の書き方を先にそろえなくても、出力の段階でそろえられるわけです。同じ顧客についての報告が複数あれば、最も進んだ情報を採るといった整理もあわせて頼めます。

では、どこに手間が残るのかというと、出てきた結果を人が一度確かめる時間です。問題はAIの力ではなく、確かめる手順をどう組み込むかという運用の設計にあります。

一度試してだめだった業務の見直し方

「ChatGPTを使ってみたが、うまくいかなかった」という声もよく聞きます。その多くは、AIの力の限界ではなく、使い方と準備の次のような点に原因があります。

• 指示があいまいだった
• 必要な情報を渡していなかった
• 一度で完璧な結果を求めた
• 向いていない業務にいきなり挑んだ

もう一つ見落とされがちなのが、AIの進み方の速さです。長い文書を読む力や手書きの文字を読み取る力はここ数年で伸びており、以前できなかったことが今のモデルではできることも珍しくありません。

一度の結果で「AIはこの程度」と決めてしまうと、今使える便利さを取り逃します。苦い経験がある業務こそ、チェックリストで整理し直すと結果が変わることがあります。

準備で越えられる壁のタイプ

「AIに向かない」と感じる業務を分けていくと、本当の課題はおおむね次の三つのタイプのどれかに収まります。自分の業務がどれに当たるかを考えながら読んでみてください。

データが社内に散らばっている

最も多いのがこのタイプです。AIに渡すべき情報が、Excel・メール・紙の書類・人の頭の中にばらばらにあります。

例えばクレーム対応で「どこまで丁寧に謝るか」を決める判断は、ベテランの経験がすべてで、AIには難しいと思われがちです。相手の怒りの度合い、取引の歴史、業界の力関係まで考える判断だからです。

しかし実際には、その顧客との取引の履歴、これまでのメールのやり取り、社内の対応方針をまとめて渡せば、AIは判断の材料を整理できます。

例えば「これまで何度も納期の遅れを待ってくれた相手で、今回の遅れも不可抗力だった。長く付き合いたい相手なので、誠意ある対応を続けるべき」といった整理です。

AIが一度に読める量も増えています。例えばClaudeの現行の上位モデルは、一度に100万トークンまでの文章を読み込めます（2026年9月時点、Anthropicの公式ドキュメント）。

問題は、その「過去のやり取り」や「取引の経緯」が一か所にまとまっていないことです。担当者の受信箱の奥、別のシステム、前任者の記憶の中に散らばっていて、集める手間が壁になっています。

裏を返せば、このタイプは社内のデータの整理が進めば、AIに任せやすくなる業務です。データを整理する作業は、AIを使うかどうかにかかわらず、もともとやる価値のある業務改善でもあります。

指示の組み立て方の違いを、悪い例とよい例で比べます。

頼み方	指示の文
悪い例	この顧客への返信を書いて
よい例	以下に、この顧客との過去2年のメールのやり取り、自社のクレーム対応の基本方針、今回届いた苦情のメールを貼ります。過去の経緯と相手の重要度を踏まえた返信案を、丁寧さの度合いを変えて2通り作ってください。最後に、特に注意すべき点があれば指摘してください。

AIは賢くなりましたが、手元にない情報までは読めません。渡す材料の質と量が、回答の質を決めます。

判断の基準が言葉になっていない

二つ目は、ベテランの勘で回っている業務です。例えば「赤字気味の顧客と、今後も取引を続けるか」という判断を考えてみます。

利益率の計算だけなら、AIはすぐにできます。しかし実際には、利益率が15%で目標を下回る顧客でも、次のような理由で取引を続ける場合があります。

• 新商品のテスト販売に毎回協力してくれる
• 業界のリーダー企業で、採用されると他社の信頼につながる
• 代表どうしの付き合いが長く、経営として続けると決めている

これを「AIには経営の判断ができない」と片づけるのは早すぎます。判断の基準そのものをAIに教えれば、対応できるからです。

例えば「テスト市場になる顧客・業界のリーダー・経営方針で継続が決まっている顧客は、利益率が低くても『継続を検討』に分け、理由を添える」と指示します。

するとAIは、単なる赤字の一覧ではなく、「利益率は低いが業界のリーダーのため継続を検討」という根拠つきの一覧を返します。

社員の残業時間の見守りも、同じ形です。数字の大小だけで見るのではなく、次の基準を先に与えると、本当に手を打つべき人を挙げやすくなります。

• 一時的な繁忙によるものか、半年以上続いているか
• 同じ部門の平均と比べて突き出ているか

例えば「Aさんの80時間は急ぎの案件による一時的なもので、翌月には戻っている。むしろBさんの50時間が半年続いていて要注意」といった整理です。

時間外労働には法律の上限があり、特別条項を結んでいても、2〜6か月の平均で80時間以内、単月で100時間未満（休日労働を含む）に収める必要があります（出典：厚生労働省）。基準をAIに渡すときは、この上限も書き添えておきましょう。

このタイプの壁は、頭の中にある判断の基準を言葉にする作業です。一度言葉にすれば会社の財産になり、ベテランが異動・退職したときの属人化の対策にもなります。

社外の情報を毎回入れる必要がある

三つ目は、過去のデータだけでは判断しきれない業務です。分かりやすいのが在庫の発注の予測で、「去年の3月は30個売れたから今年も30個」という当てはめは危険です。

今年は、過去のデータに載っていない次のような変化があるかもしれません。

• 競合が新製品を出した
• 仕入先の納期が延びている
• SNSで話題になって需要が跳ねる

こうした場合も、今のAIは過去のデータと、人が補う外部の情報を組み合わせて、複数のシナリオを示せます。

例えば「過去3年の平均では3月は30個。ただし2月末に競合の新製品が出た点を加えると、20個に落ちるシナリオも考えるべき。逆に自社のキャンペーンが重なるなら35個も視野に入る」といった具合です。

最終的に「今年は20個でいく」と決めるのは人です。ここでの壁はAIの予測の力ではなく、競合の動きや自社の営業計画を、その都度AIに入力する手間にあります。

その情報さえ渡せば、一人で考えるよりも多くの可能性を検討できます。

それでも本当に向かない業務はある

ここまで、向かないと思われる業務の多くは準備の問題だと述べてきました。ただし、準備をしても向かない業務はあり、その理由は力不足とは別のところにあります。

個人情報や企業秘密が中心の業務

顧客の氏名・住所・電話番号や、営業担当の個人的なメモを、個人向けのAIサービスにそのまま入力するのは避けましょう。

AIが分析できないからではなく、入力した内容がAIの学習に使われることがあるという、セキュリティと法令の問題だからです。

例えばChatGPTの場合、個人向けのプランでは設定をオフにしない限り、会話が学習に使われることがあります。

法人向けのChatGPT BusinessやEnterpriseでは、入力と出力は既定で学習に使われません（2026年9月時点、OpenAIのヘルプ）。

ただし、法人向けのプランなら何を入れてもよいわけではありません。

個人情報保護委員会は、個人情報を入力するときは、利用目的の範囲内か、サービス側が学習に使わないかを十分に確認するよう注意を呼びかけています（出典：個人情報保護委員会）。

総務省の同じ白書でも、生成AIの活用で懸念されるリスクとして日本企業で最も多く挙がったのは、社内情報の漏えいなどのセキュリティでした（令和8年版 情報通信白書）。

ここでの判断は「向くか向かないか」ではなく、「どのAIを、どの環境で、どのルールで使うか」という問いに変わります。社内のルールの作り方は、生成AI利用ガイドラインの作り方でまとめています。

ルールが頻繁に変わる業務

「今月だけ請求書を早めに出す」「決算期なのでこの処理は前倒し」「この新規顧客だけ特別な条件」といった例外が毎週のように起きる業務は、注意が必要です。

AIに毎回覚え直させる必要はなく、今月の新しいルールをその都度指示に書き足す運用にすれば、ある程度は回ります。ただ、その書き足しがあまりに頻繁だと、かえって人の手間が増えてしまいます。

ルールの変更が月に何件もあり、しかも毎回内容が読めない業務なら、無理にAIに任せず、人が柔軟に対応したほうが早いこともあります。「AIに任せない」と決めるのも、立派な選択です。

最終的な責任を負う判断

契約を結ぶかどうか、与信の最終決定、人事評価の確定などは、AIが下書きや候補を出すところまでは役に立ちます。しかし、最後に責任を持って決めるのは人でなければなりません。

「AIがそう言ったので」は、後でトラブルが起きたときに通る説明にはならないためです。

これは、こうした業務でAIを使うなという意味ではありません。例えば契約書なら、過去の修正例と社内の方針を読ませて注意すべき条項の候補を挙げさせ、最終的に担当者が確かめて決めます。

この分担なら、AIは頼れる下調べ役になります。

決まった計算や照合は生成AIでなくてよい

AIに向かないというより、生成AIを使う必要がない業務もあります。請求書と入金の照合、勤怠の集計、期限の近い契約の洗い出しのように、ルールが決まっていて答えが一つの作業です。

こうした作業は、会計ソフトや表計算の機能、決まった手順で動く自動化のほうが確実で、費用も抑えられます。生成AIは、文を読む・まとめる・下書きするといった、答えが一つに決まらない作業で力を発揮します。

どの業務から始めるか

見極めができたら、次は実際に試す段階です。ここでつまずきやすいのが、いきなり一番大きく複雑な業務から手を付けることです。

業務を書き出して印を付ける

まず、担当している業務を一つずつ書き出し、チェックリストを当てはめて、記入例の表のように○△×の印を付けていきます。

1. 担当している業務を、一行に一つずつ書き出す
2. 業務ごとに、月の件数とチェックリストの印を付ける
3. 「向いている」の中から、件数が多く確かめやすいものを選ぶ
4. 「準備が要る」業務には、足りない準備を書き添える

最初に選ぶのは、件数が多く、結果を確かめやすい業務です。書き出すときの様式は、属人化の洗い出しで町工場がつまずく理由で紹介している棚卸しの様式も使えます。

小さく、確かめやすい業務から始める

上司の期待に応えようと、例えば「月20時間の削減」のような大物から始めると、準備の重さで足が止まりがちです。おすすめは逆で、小さく、失敗しても困らない業務から始めることです。

例えば、定型メールの文面、社内の通知の下書き、議事録の要点の整理などです。

総務省の白書でも、日本企業で利用が最も多く、効果を感じている割合も最も高いのは、議事録やメールの作成の補助でした（いずれも約7割、令和8年版 情報通信白書）。

ここで「月に数時間でも業務が減った」という小さな成果を一つ作ると、次の業務に進みやすくなります。議事録から始める場合は、議事録AIの比較も参考にしてください。

完璧を求めず、準備の効果も見る

AIの出力は下書きと考え、人が仕上げる前提で使いましょう。最初から100点を求めると、直す手間ばかりが目について続きません。

60点の下書きがすぐに出てくるだけでも、十分に価値があります。

もう一つ、成果は減った時間だけで測るものではありません。判断の基準をAIに教える過程で、一人のベテランしか知らなかったノウハウが文書として社内に残ります。

報告の形をAIでそろえる過程では、そもそもの報告のあり方も見直されます。AIに任せる準備そのものが、属人化の解消や業務の標準化を進めてくれるので、最初の成果が小さく見えても続ける価値があります。

業務ごとにAIと人の役割を分ける

問うべきは「この業務はAIにできるか、できないか」の二択ではありません。業務のどの部分をAIに任せ、どの部分を人が担うかという、役割の分け方です。

この記事で取り上げた業務で分けると、次のようになります。

業務	AIに任せる部分	人が決める部分
クレーム対応	過去の経緯の整理と返信案の作成	謝罪の度合いと、送るかどうか
取引を続けるかの判断	利益率の計算と、基準に沿った候補の抽出	続けるかどうかの経営判断
在庫の発注	過去のデータと外部の情報からシナリオを示す	最終的な発注の数
営業日報の集計	項目をそろえた抜き出しと一覧づくり	抜き出した結果の確認
契約書の確認	注意すべき条項の候補を挙げる	契約を結ぶかどうかの判断

どれも「全部AI」でも「全部人」でもなく、その間に分担の線があります。人の確認をどこに入れるかは、業務ごとに違います。

返信なら送る前、集計なら結果の照らし合わせ、判断なら最後の決定に人が入ります。AIは年々賢くなっているので、今日「向かない」と感じた業務も、自社の準備しだいで「向く」業務に変わるかもしれません。

まとめ

世間の楽観論にも懐疑論にも乗らず、自分の業務を一度分けてみてください。

「AIに向かない」と感じた壁の正体が、AIの力なのか、自社の準備なのか、それとも安全や責任という別の問題なのかを見極めることが、いちばん確実な第一歩になります。

この記事は、2026年9月時点の生成AIの一般的な性能を前提にしています。社内のデータをAIに渡す前に、扱うデータの機密性に合わせて、学習に使われない法人向けのプランや社内の利用ルールを確かめてください。

業務ごとに自動化でできることは、製造・建設・物流の30業務の一覧と始める順番でまとめています。