楽観論と懐疑論、その狭間で疲弊していませんか?
ニュースを開けば「AIで業務革命」、SNSを見れば「AIで仕事が消える」。かと思えば「結局AIなんて使えない」「導入したけど現場は混乱しただけ」という声も流れてくる。
いま世の中のAIに関する情報は、2つの極端な主張に分かれています。「AIで何でも解決できる」という楽観論と、「AIなど実務では役に立たない」という懐疑論です。どちらも声が大きく、どちらも自分のポジションを強く主張するので、聞いているほうは疲れてきます。
そして中小企業の事務の現場にいる人ほど、この両極端の思想の狭間で消耗しています。上司は「うちもAIで効率化しろ」と号令をかける。けれど実際に触ってみると、思ったほど一筋縄ではいかない。プロンプトを毎回考えるのは面倒だし、出てきた答えを直すのに結局時間がかかる。
本当に必要なのは、楽観でも懐疑でもありません。「自分の業務のどこがAIに向いていて、どこが向いていないのか」を冷静に切り分ける視点です。この記事は、その見極めをするための助けとして書いています。読み終えるころには、「うちのあの業務はAIに任せられる」「これはまだ人間がやるべきだ」という線引きが、自分の言葉でできるようになっているはずです。
まず結論：「AIに向かない」の9割は「準備不足」だった
最初に、この記事でいちばん大事な話をします。
多くの人が「この業務はAIに向かない」と感じるとき、その多くの場合はAIの能力が足りないのではなく、AIに渡すデータや判断基準が整っていないことが原因です。つまり、壁はAIの中ではなく、AIの手前にあります。
具体例で考えます。「営業3人がバラバラの書き方で報告書を書くから、AIでは集計できない」とよく言われます。確かに、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、稟議待ち中」と書き、また別の営業は「〇〇製造、接触」とだけ書く。粒度も項目も、まるで揃っていません。
しかし、いまのAIはこのバラバラな文章から「訪問日」「商談内容」「進捗度」「次のアクション」を統一フォーマットで抜き出すことが、実際にはできます。報告のフォーマットを事前に揃えなくても、出力の段階で揃えてくれるのです。「この3つの報告は同じ顧客についてのもので、最も進んでいる情報を採用すると進捗度70%」といった統合まで含めて処理できます。
ではボトルネックはどこにあるのか。それは「AIが集計できない」ことではなく、「出力された結果を人間が一度確認する手間」です。問題は能力ではなく、運用の設計にありました。
この構図は、世間で「AIに向かない」とされる業務の多くに共通します。少し前のAIなら本当に難しかったことも、モデルが賢くなった結果、いまでは「やり方さえ整えればできる」領域に移っています。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る可能性を、まず疑ってみてください。
ボトルネックは3つのタイプに分けられる
「AIに向かない」と感じる業務を分解すると、本当の課題はほぼ次の3タイプのどれかに収まります。自分の業務がどのタイプに当てはまるかを考えながら読んでみてください。タイプがわかれば、打つべき手も自然に見えてきます。
タイプA：データが社内に散らばっている
最も多いのがこのパターンです。AIは賢いのに、渡すべき情報がExcelやメール、紙の書類、そして人の頭の中にバラバラに存在している。
たとえばクレーム対応で「どこまで丁寧に謝罪すべきか」という判断。これは一見、ベテランの経験則がすべてで、AIには絶対無理だと思われがちです。相手の怒りの度合いを読み、取引の歴史を踏まえ、業界の力関係まで考慮する——そんな繊細な判断は機械にはできない、と。
しかし実際には、その顧客の過去の取引履歴、これまでのメールのやり取り、業界の慣習——これらをまとめてAIに渡せば、「この顧客はこれまで何度も納期遅延を待ってくれた相手で、今回の遅延も不可抗力だった。関係を長く続けたい相手なので、誠意ある対応を続けるべき」といった難しい判断の整理もできるようになっています。
最新のAIは数10万字を一度に読めるので、過去3年分のメール履歴と社内の対応ガイドラインを丸ごと渡したうえで、先ほどのクレームへの返信案を作らせることも可能です。
問題はその「過去のメール履歴」や「取引の経緯」が一つの場所にまとまっていないこと。担当者の受信トレイの奥や、別のシステム、前任者の記憶の中に散らばっている。AIの能力ではなく、データを集めてくる手間が壁になっているのです。
このタイプは、裏を返せば社内のデータ整理が進めば一気にAI化できる業務です。そして「データを整理する」という作業自体が、AIの有無にかかわらず、もともとやるべき業務改善でもあります。
ここで一つ、実際のイメージを持っていただくために、指示の組み立て方の例を示します。
以下は悪い例です。
「この顧客への返信を書いて」
上記とだけ頼むのではなく、以下のようにメールの意図や背景も考慮して詳細な支持を出します。
「以下に①この顧客との過去2年のメールのやり取り、②わが社のクレーム対応の基本方針、③今回届いた苦情メールを貼ります。これらを踏まえ、過去の経緯と相手の重要度を考慮した返信案を、丁寧さの度合いを変えて2パターン作ってください。最後に、特に注意すべき点があれば指摘してください」
この差が、出力の質を決定的に変えます。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、答えの質を決める——この一点を押さえるだけで、「AIは使えない」という印象の多くは覆ります。
タイプB：判断基準が言語化されていない
二つ目は、ベテランの勘で回っている業務です。
「この赤字気味の顧客との取引は今後も続けるべきか？」という採算判定を考えてみましょう。利益率の計算だけならAIで一瞬で出来ます。しかし現実には、利益率15%で目標を下回る顧客であっても、「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、あそこが採用すると『あそこが使うなら』という信頼の連鎖が生まれる」「代表どうしの長い付き合いで、経営判断として続けると決まっている」といった理由で、取引を続けるべき場合があります。
これを「AIには経営判断ができないから無理」と片づけるのは早計です。判断基準そのものをAIに教えれば、対応できます。「テスト市場になる顧客」「業界リーダー」「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『継続検討』に分類し、理由を添えよ——そうプロンプトで指示すれば、AIは単なる赤字リストではなく、「この顧客は利益率は低いが業界リーダーのため継続検討」という、判断の根拠つきのリストを返してくれます。
社員の残業時間の異常検知も構造は同じです。単に「80時間の人が問題」と数字の大小だけで見るのではなく、「一時的な繁忙によるものか、半年以上続く常態化か」「同じ部門の平均と比べて突出しているか」という基準をあらかじめ与えれば、本当に手を打つべき人を的確に挙げてくれます。「Aさんの80時間は緊急案件による一時的なもので翌月は解消、むしろBさんの50時間が半年連続で常態化しており要注意」といった具合にです。
つまりこのタイプの壁は、頭の中にある判断基準を言葉にする作業です。これは手間ではありますが、一度やってしまえば資産になります。しかもこの言語化は、ベテランが異動・退職したときの属人化対策そのものでもあります。
タイプC：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。
在庫の発注予測がわかりやすい例です。「去年の3月は30個売れたから今年も30個」という過去データの当てはめは危険です。今年は競合の新製品が出たかもしれない、仕入先の納期が伸びているかもしれない、SNSで話題になって需要が跳ねるかもしれない。これらは過去のデータには載っていません。
ですがこれも、いまのAIは「過去データ」と「人間が補足する外部情報」を組み合わせて、複数のシナリオを提示することができます。
「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発売されたという情報を加味すると、20個に落ち込むシナリオも想定すべき。逆に貴社のキャンペーンが重なるなら35個も視野に入る」
このように、判断の分かれ道を整理してくれます。
最終的に「今年は20個でいく」と決めるのは人間です。しかしAIは、その決断に必要な選択肢と根拠を、抜け漏れなくそろえてくれる。ここでのボトルネックは、AIの予測能力ではなく、競合動向や自社の営業計画といった社外・部門外の情報を、その都度AIに入力する手間です。逆に言えば、その情報さえ渡せば、人間一人で考えるより多くの可能性を検討できます。
「一度試してダメだった」を、能力の限界と勘違いしない
ここで、すでにAIを試して失望した経験のある方に向けて、一言添えておきます。
「うちでもChatGPTを使ってみたけど、結局うまくいかなかった」——この声は本当によく聞きます。そして多くの場合、その失敗は「AIの能力の限界」ではなく、「使い方と準備の問題」でした。具体的には以下の4つのいずれかです。
- 指示が曖昧すぎた。
- 必要な情報を渡していなかった。
- 一発で完璧を求めすぎた。
- 向いていない業務にいきなり挑んだ。
さらにひとつ見落とされがちなのが、AIの進化のスピードです。半年前、一年前に「できなかった」ことが、いまのモデルでは普通にできるようになっている、というのは珍しくありません。長い文書を一度に読む能力、複雑な条件を整理する能力、手書き文字を読み取る能力——これらはこの一、二年で大きく伸びました。過去に一度試した結果を「AIとはこういうものだ」と固定してしまうと、いま使える便利さを取り逃します。
ですから、もしAIに苦い経験があるなら、その記憶を「AIは使えない」という結論ではなく、「あのときはうまくいかなかった」と持ち直してみてください。同じ業務でも、この記事のチェックリストで整理し直せば、結果が変わる可能性は十分にあります。
それでも「本当に向かない」業務はある
ここまで「向かないと思われた業務の多くは、実は準備の問題だ」と述べてきました。では、AIが本当に向かない業務は存在しないのか。いえ、あります。ただしその理由は「能力不足」ではなく、別のところにあります。ここを正しく区別できると、見極めの精度がぐっと上がります。
1. 個人情報・企業秘密が中心の業務（規制とセキュリティの問題）
顧客の氏名・住所・電話番号、それに営業担当の個人的なメモ——こうした個人情報をそのまま一般向けの無料AIに入力するのは避けるべきです。これはAIが「分析できない」からではなく、入力したデータがAIの学習に使われる可能性があるというセキュリティと規制の問題だからです。
データ学習を行わない法人向けプランや、社内に閉じた専用環境を使うならば、こうした問題はありません。つまり、ここでの判断は「AIに向くか向かないか」ではなく、「どの種類のAIを、どの環境で使うか？」という問いに変わります。個人情報を扱うなら、まず環境を整えることが必要です。
2. ルールが流動的すぎる業務（運用設計の問題）
「今月だけ請求書を早めに出す」「決算期だからこの処理は前倒し」「この新規顧客だけ特別な条件で対応」——こうした例外が毎週のように発生する業務は、注意が必要です。
ただしこれも、AIに毎回ルールを学習させ直すのではなく、「今月の新ルールをその都度プロンプトに書き加える」という運用に切り替えれば、ある程度は回ります。問題は、その更新作業があまりに頻繁だと、かえって人間の手間が増えてしまう点です。ルール変更が月に何件も発生し、しかも毎回内容が読めないような業務なら、無理にAI化せず人間が柔軟に対応したほうが速いこともあります。こういったケースでは「AI化しない」という判断も立派な選択肢です。
3. 最終的な法的・経営責任を負う判定
契約書を結ぶかどうかの最終判断、与信の最終決定、人事評価の確定。これらは「AIが下書きや候補を出す」ところまでは大いに有効でも、最後に責任を持って決めるのは人間でなければならない業務です。「AIがそう言ったので」は、後でトラブルが起きたときに通用する説明にはなりません。
ただし誤解しないでください。これは「これらの業務でAIを使うな」という意味ではありません。契約書なら、過去の修正事例集と社内ポリシーを読ませて「注意すべき条項の候補」を挙げさせる。そこまではAIにやらせて、最終的に法務担当が確認・決定する。この役割分担なら、AIは極めて優秀な下調べ係として機能します。
自社業務をふるい分ける見極めチェックリスト
では実際に、目の前の業務がAIに向いているかをどう判断するか。次のチェックリストを使ってみてください。多く当てはまるほうが、その業務の現在地です。
AIに向いている業務の特徴
- 判断基準が明確に言葉で定義できる（金額の閾値、優先度のルールなど）
- ほぼ同じパターンの繰り返しで、例外は全体の数％程度にとどまる
- 必要なデータが一か所にまとまっている、または比較的集めやすい
- 出力が正しいかどうかを、見た瞬間に判断できる
- 月に数十件以上発生し、効率化の効果が目に見えて測れる
AIに向かない、または準備に大きな労力が必要な業務の特徴
- 判断基準がベテランの勘に依存し、誰も言葉にできていない
- 「通常はこうだが、この場合は別」という例外が日常的に発生する
- 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、安全な利用環境が用意できない
- 出力の正しさを検証する手間が、削減できる時間を上回ってしまう
ここで最も大切なのは、「AIに向かない」に当てはまったからといって、すぐに諦めないことです。「判断基準が言語化されていない」なら、まずベテランに聞いて基準を言葉にしてみる。「データが散在している」なら、まず一か所に集める仕組みを作ってみる。その準備こそが、実はAI活用の本体であり、同時にAIがあろうとなかろうと価値のある業務改善でもあります。準備を終えた瞬間、その業務は右側から左側へと移動します。
まずどこから手をつけるか——小さく始める順序
見極めができたら、次は実践です。ここで失敗しがちなのが、いきなり一番大きくて複雑な業務をAI化しようとすること。上司の期待に応えようと「月20時間削減」のような大物から手をつけ、準備の重さで足踏みしてしまう——これがAI導入失敗の典型的なパターンです。
おすすめは逆です。チェックリストで「向いている」に多く当てはまった、小さくて低リスクな業務から始めること。たとえば定型メールの文面作成、社内通知の下書き、議事録の要点整理。失敗しても大事に至らず、結果の良し悪しがすぐわかる業務です。ここで「月3時間でも業務が減った」という小さな成功を一つ作る。その実感が、次の一歩への燃料になります。
「完璧」を目指さないことも大切です。AIの出力は叩き台と割り切り、人間が仕上げる前提で使う。最初から100点を求めると、修正の手間ばかりが目について嫌になります。60点の下書きが数秒で出てくる、それだけでも十分に価値がある、と考えてみてください。
もう一つ、見落とされがちな視点があります。AI活用の成果は「削減できた時間」だけで測るものではない、ということです。たとえば判断基準を言語化してAIに教える過程で、これま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。報告フォーマットをAIで統一する過程で、そもそもの報告のあり方が見直されます。
AI化に向けた準備そのものが、属人化の解消や業務の標準化を同時に進めてくれるのです。時短という直接効果の裏で、こうした副次的な効果がじわじわ効いてきます。だからこそ、最初の成果が小さく見えても、焦らず続ける価値があります。
結論：「AIか人間か」ではなく「役割分担」を設計する
この記事を通してお伝えしたかったのは、たった一つのことです。
問うべきは「この業務はAIにできるか、できないか」という二択ではありません。本当に問うべきは、「この業務のどの部分をAIに任せ、どの部分を人間が担うか」という役割分担の設計です。
クレーム対応
AI : 過去の経緯の整理と返信案の作成
人間 : 最終的な謝罪の温度感の決定
採算判定
AI : 利益率の計算と候補の抽出
人間 : 続けるか否かの経営判断は人間
在庫発注
AI : シナリオの提示
人間 : 最終的な数量の決定は人間
どれも「全部AI」でも「全部人間」でもなく、その間に最適な分担線があります。
AIは年々賢くなっており、「できないこと」のリストは確実に短くなっています。今日「向かない」と感じた業務も、技術の進歩に伴い「向く」業務へと変わるかもしれません。だからこそ、世間の楽観論にも懐疑論にも乗らず、自分の業務を一度冷静に分解してみてください。
「AIに向かない」と感じたその壁の正体が、AIの能力なのか、それとも自社の準備不足なのか。あるいは、能力でも準備でもなく、安全性や責任という別次元の問題なのか。そこを見極めることが、遠回りに見えて、いちばん確実な第一歩になります。
※本記事は2026年時点の生成AIの一般的な性能を前提としています。実際の導入にあたっては、自社で扱うデータの機密性に応じて、データ学習を行わない法人向けプランや社内専用環境の利用をご検討ください。
コメント