「DX」という言葉を耳にするようになってから、すでに何年もが経ちました。
言われるがままに勤怠管理システムを導入し、会計業務をクラウドへ移し、生産管理ソフトの検討も進めてきた。それにもかかわらず、「事務の残業が減った」という実感はない。むしろ、毎月届くSaaSの利用料の請求書だけが増えている。そんな状況に頭を悩ませている会社は、決して少なくありません。
しかし、その原因は現場の担当者の努力不足ではありません。選んだ「ツール（手段）」が持つ根本的な性質によるものです。
この記事では、これまでのDX（SaaS導入）と「AI自動化」がそれぞれ何を指しているのかを分かりやすく整理します。あわせて、AI自動化が抱える弱点や課題、そしてそれらを克服するための具体的な対処法についてもお伝えします。
そもそもDXとは何を指していたのか？
まずは、言葉の定義から整理してみましょう。
「デジタル化」とは、紙や口頭でやり取りしていた情報をデータに置き換えることです。手書きの日報をExcelで入力する、FAXで届いた紙をPDFとして保存する、といった作業がこれに該当します。
本来の「DX（デジタルトランスフォーメーション）」は、そのもう一歩先を指します。デジタル技術の活用を前提に、業務フローや組織の仕組みそのものを再構築することです。
しかし、現場で実際に起きたことは、もっと具体的な出来事でした。実態としてのDXとは、「SaaSの導入」だったのです。
勤怠管理、クラウド会計、生産管理、日程調整……。用途ごとに専門のサービスを契約し、それぞれの画面に社員がデータを入力していくスタイルです。
SaaSを導入すること自体は、決して悪い選択ではありません。紙とExcelだけで運用し続けることには限界がありますし、データが一箇所に集まり、社外からでも確認できるようになったメリットは間違いなく存在します。
大きな問題は、「SaaSを入れた段階で変化が止まってしまうこと」にあります。
SaaSを入れても仕事が減らない理由
なぜSaaSを導入しても現場の負担は減らないのでしょうか？そこには、SaaSというツールが持つ構造的な限界があります。
月額コストが重なるように積み上がる
SaaSの料金体系は、基本的に「利用人数 × 利用するサービス数」の掛け算で決まります。1サービスあたりは月額数百円から数千円程度であっても、部署や用途ごとに契約を増やしていくと、合計額は毎月大きな固定費となって重くのしかかります。
さらに、「どの契約が本当に必要なのか」を定期的に判断する担当者がいないため、使われていないアカウントやサービスが放置され続けるケースも多発します。
SaaSの契約の棚卸しや見直し手順については、以下の記事で詳しく解説しています。
使い方を覚える時間がない
もう一つの大きな負担は、ツールの「習得にかかる時間（学習コスト）」です。
SaaSは非常に多機能です。多機能である分、使い方や仕様を覚える必要があります。説明会に参加し、マニュアルを読み込み、実際の業務で試し、エラーが出たら調べる……そうしてようやく使えるようになります。
しかし、人手不足に悩む中小企業の現場では、この時間を十分に確保することができません。
事務担当者は日々の通常業務で手一杯であり、教える側のベテラン社員も片手間での対応になります。その結果、せっかく導入した高機能システムもごく一部の機能しか使われないまま放置されてしまいます。
最悪の場合、ベテランは使い慣れた昔のExcelに戻り、新人だけが新しいSaaS画面を使うという、「運用の二重化」によりかえって業務が煩雑になるケースすら発生します。
「入力」と「判断」は人に残ったままになる
SaaSは、どこまでいっても「人間が操作する道具」です。
システムを開くのは人間です。数値を入力するのも人間です。内容を確認して合否を判断するのも人間です。SaaSは、その一連の作業を「紙の書類よりも速く、正確に行うための道具」にすぎません。
そのため、「作業そのもの」が消えてなくなるわけではないのです。
例えば、「FAXで届いた注文書を目で確認しながら、生産管理ソフトの画面に品番と数量を入力する」という作業。システムを導入しても、この作業は人の手元に残ったままになります。これでは作業を行う「場所」が紙の上からPCの画面の上に移動しただけで、人の手間は変わっていません。
業務システムの方向性は、すでにAIへシフトしている
「SaaS導入からAI活用へ」という流れは、決して当社だけの見立てではありません。国の行政制度やIT製品のトレンドを見ても、すでに明確な変化が現れています。
補助金の名称が「DX」から「AI」へ変化
わかりやすい象徴が、中小企業向けの補助金制度です。
長年親しまれてきた国の「IT導入補助金」は、2026年度から「デジタル化・AI導入補助金」へと名称変更されました。中小企業庁が発行する公募要領のなかでも、支援対象を「AIを含むITツール」と明記しています。
制度の名称変更は、「国が中小企業に対してどのようなIT投資を求めているか」という強いメッセージです。単に「ツールを入れてデジタル化しなさい」というフェーズから、「AIを組み合わせて生産性を飛躍的に高めなさい」という新たなフェーズへ移行したことを意味しています。
大手SaaSにはすでにAI機能が搭載されている
主要なSaaS製品側も同様の進化を遂げています。現在、市場で知名度の高いSaaSのほとんどが、何らかの形でAI機能を組み込んでいます。
| サービス名 | 主な用途 | 搭載されている主なAI機能 |
|---|---|---|
| freee / マネーフォワード クラウド / 弥生 | クラウド会計 | 銀行明細等から勘定科目を推測する自動仕訳機能。仕訳の相談に答える生成AIアシスタント |
| kintone（サイボウズ） | 業務アプリ作成 | 検索AI、アプリ作成支援機能（2026年6月正式提供予定） |
| Microsoft 365 | 文書・表計算・メール | Copilotによる下書き作成、長文要約、データ集計の代行 |
| Google Workspace | メール・表計算・文書 | GmailやGoogleスプレッドシート上でGeminiが文章生成・分析を補助 |
| Sansan | 名刺・帳票管理 | AI-OCRによる手書き文字・複雑な帳票の自動読み取りとデータ化 |
Google Workspaceの具体的な活用術については以下の記事もご参照ください。
ただし、ここで1つ大きな注意点があります。
既存のSaaSに搭載されたAI機能は、どれも「既存ツールの中の便利機能のひとつ」に過ぎません。「人間が画面を開き、AIに命令を出し、結果をチェックする」という基本フローは変わらないのです。便利にはなりますが、「人が毎回操作しなければならない」という前提条件は残ったままです。
「AX」という言葉も普及してきた
最近は「AX」という言葉もよく見かけるようになりました。
AIトランスフォーメーションの略です。AIを前提に、業務や組織、意思決定の仕組みそのものを作り直す取り組みを指します。DXと対立する概念ではありません。DXの次の段階、という位置づけです。
IT事業者が作った宣伝用の言葉ではありません。国の人工知能基本計画にも、AIを基軸とした経営改革として書かれています。
呼び方がDXでもAXでも、やることは同じです。人が画面を操作している前提を外し、AIに実務を進めさせて、人は承認するのみ。本記事では、この中身を指して「AI自動化」と呼びます。
AI自動化は「人が操作する前提」そのものを外す
ここからが、従来のDXと「AI自動化」の決定的な違いです。
AI自動化では、「人間が画面を開いて操作する」という前提そのものを無くします。
AI自動化を実行するには、大きく分けて2つのパターンがあります。
決まった手順を機械的につなぐ「iPaaS」
1つ目は「iPaaS」と呼ばれる仕組みです。あらかじめ決められた手順に従って、異なるWebサービス同士を裏側で連携させます。
例えば、「メールで注文書が届いたら、その内容をGoogleスプレッドシート（在庫表）に自動で転記し、転記が終わったらチャットツールで担当者に通知する」といった流れです。人が画面を操作しなくても裏側で処理が実行されます。
代表的なツールに「Zapier」「Make」「n8n」などがあります。機能や価格の比較は以下の記事を参考にしてください。
自社で組み上げるパターン
もう1つは、業務に合わせて仕組みを作るやり方です。
当社ではLangGraphというフレームワークを使い、工程と分岐を自分たちで設計しています。
こちらを選ぶのは、次のような場合です。
- 一品一様で、注文の書式や言い回しが毎回違う
- 値付けや段取りに、自社なりの判断の型がある
- 例外の分岐が多く、途中で人の確認を挟む場所が複数ある
見積りの案を出すには、過去の実績を参照する必要があります。当社はここにRAG（会社のナレッジベース）を組み込みました。
どちらを選ぶかは、業務の複雑さと、今、使っているシステムの状況などで決まります。
今は「人間による承認」を挟む検証の時期
どちらの手段を導入する場合でも、現場の社員の役割は劇的に変化します。「自ら手を動かして作業する側」から「AIの処理結果をチェックして許可を出す側」へと移るのです。
AIが裏側で処理を進め、結果の一覧を作成する。人間は画面を見て内容に問題がないかを確認し、承認ボタンを押す。承認されたデータだけが次の工程に流れていく。
現在、AI自動化を導入するにあたっては、この「人間の承認」が不可欠な検証フェーズにあります。実務におけるAIの判断精度や安全性を確かめるため、導入初期においては承認を求める範囲をあえて広く設定します。
目指すべきは「デジタル業務の完全な自動化」
しかし、私たちのゴールはさらにその先にあります。
最終的な目標は、事業所における「デジタル業務（デスクワーク）」の完全な自動化です。
受注データの受け取り、見積書の作成、在庫の引き当て、請求書の発行……。パソコン画面の前で人間が手や頭を動かしてきた事務作業は、段階的にAIへ引き継がれていきます。AIの処理精度と実績が積み上がるにつれて、人間が手動で確認する範囲を徐々に狭めていくことができるからです。
その結果として人間に残るもの、それこそが「人間が本当にやるべき本質的な仕事」です。
- 新しい取引先や市場を開拓する
- 製品の加工精度や品質を極限まで高める
- 若手の職人や技術者をじっくり育成する
これらはどれも、AIや機械には決して代替できない、人間固有のクリエイティブな仕事です。
自動化の真の目的は人員削減ではありません。「人間を機械に任せられない本質的な仕事へ戻すこと」にあります。
AI化は日本経済復活に不可欠
AI化への取り組みは、単なる一企業の合理化にとどまらず、日本全体が直面する社会課題の解決にも繋がっています。
日本は深刻な人口減少と少子高齢化の渦中にあります。生産年齢人口が減少し続ける中で、「求人を出しても人が来ない」という悲鳴は、すでに多くの町工場で現実のものとなっています。
限られた人数で日本経済の力を維持・成長させていくためには、1人あたりの労働生産性を劇的に引き上げる以外に道はありません。そのための武器として、AI化と自動化はもはや避けては通れない選択肢なのです。
生産性が上がれば、同じ人員でこなせる案件数や売上が増えます。増えた利益を社員の給与へ還元できれば、魅力的な職場となって自ずと優秀な人材が集まるようになります。この好循環を生み出せるかどうかが、これからの中小製造業の生き残りを分ける境目となります。
AI自動化に存在する3つの壁
ここまでお読みいただくと、「AIさえ導入すればすべて解決する」と思われるかもしれません。しかし、現実の運用においてはまだ分厚い壁があります。
この章では、実際にAI自動化を果たした企業が直面するであろう3つの問題点についてお伝えします。
弱点1：AIが内部で「何をしている」のか見えない
1つ目の弱点は、AIの処理プロセスが見えないことによる「人間の心理的不安」です。
従来のSaaSであれば、人間自身が画面を操作して入力するため、「今なにが起きたか」を完全に把握できます。しかしAI自動化ではこれが逆転します。「気づかないうちに裏側で処理が終わっている」という状態は、極めて便利な反面、強い不安を生み出します。
「勝手に誤った受注内容で確定させていないか？」「取引先に間違った見積金額を送っていないか？」といった不安は、単に「慣れ」だけで解決できる問題ではありません。システムの設計レベルで解決する必要があります。
そのため、当社では導入時に以下の3つの機能を必ず組み込みます。
- 完全な処理履歴の保存
いつ・何を・どのような根拠で判断したかをすべて記録する - 承認待ち案件の可視化
現在止まっている処理や承認待ちの案件を一覧で見せる - 安全な取り消し機能
万が一誤りが見つかった場合、該当の処理だけを即座に取り消せる
「止められる」「見える」「元に戻せる」という3つの安心構造が揃っていない自動化システムは、どれほど高機能であっても実務への導入には不安が残ります。
弱点2：業務のノウハウを知る人が社内から減っていく
2つ目は、中長期的に発生する「ノウハウのブラックボックス化」です。
AIが日々の業務処理を引き受けるようになると、その業務の詳しい中身やロジックを理解している人間が社内から減っていきます。
「この見積もりはどのような原価計算や考え方で作られているのか」「この取引先には過去にどのような特殊な条件を出してきたのか」といった知識は、従来ベテラン担当者の頭の中に蓄積されていました。これをAIに丸投げしてしまうと、数年後には社内の誰も業務ロジックを説明できなくなってしまいます。
当社ではこの課題に対し、「RAG（検索生成拡張：過去データを検索して参照する仕組み）」を活用して対処します。
過去の見積実績、設計図面、取引先とのメールのやり取りを、AIがいつでも瞬時に検索できるデータベースとして蓄積します。AIはそのデータから明確な根拠を探して回答を作成します。人間の側も同じデータベースをいつでも検索できるため、「なぜこの見積金額になったのか」という根拠を後から確認できます。
この仕組みは社内教育にも絶大な効果を発揮します。新人の担当者であっても、過去の熟練者の判断根拠をいつでも検索して学び取ることができるようになるからです。
社内マニュアルを検索可能にする方法については以下の記事を参考にしてください。
弱点3：めったに起きない「例外的な処理」への対応
3つ目は、実務で最も手がかかる「例外的な処理」への対応です。
AIは過去に何度も繰り返されてきた業務には絶大な効果を発揮します。それは判断材料となる実績データが豊富に存在するからです。一方で、めったに発生しないイレギュラーな事態には対応できない事があります。
現場では、以下のような例外が日常茶飯事で発生します。
- 受注が加工工程に入ってからキャンセルになった
- 直前で設計図面が差し替えになり、見積もりの前提条件が崩れた
- 納期の大幅な前倒しを頼まれ、他の案件の生産順序を組み替える必要が出た
こうした例外処理の判断材料は、社内の微妙な事情や取引先との長年の人間関係の中にあります。過去の形式的な数値データには現れにくい部分です。
当社では、導入初期の丁寧なヒアリング段階で、これらの例外パターンを徹底的に洗い出します。
「どんな例外が、どのくらいの頻度で発生しているか」「その時、誰がどのような基準で判断を下してきたか」をヒアリングし、システムの開発期間中にその対処もあらかじめ組み込みます。例外が発生したからといって、すべてを人間に丸投げして終わりにはしません。
DXの先へ進むための最初の一歩
それでは、中小企業がAI自動化を実行する際は、具体的に何から始めればよいのでしょうか？
対象とする業務を「1つだけ」に絞り込みます。選ぶべき基準は、「年間を通じて発生件数が多く、1件あたりの判断ルールがシンプルな業務」です。例えば、「受注データの転記作業」「請求書と注文書の突き合わせ」「日報データの集計処理」などが絶好のスタート地点となります。
運用の初期段階では、AIが出したアウトプットを全件人間が目視チェックするようにしましょう。精度が十分に確認できた段階で、チェックする割合や条件を絞っていけばよいのです。
過去に発生したトラブルやイレギュラー、判断の根拠となるマニュアルや実績データ。これらこそが、高性能なAI自動化システムを作り上げるための貴重な「材料」となります。
「年間で何時間の作業削減につながったか」「何件のデータを自動処理できたか」。当社では導入時にこれらの効果を可視化するダッシュボードを標準提供しています。数値による成果が見えて初めて、次の業務へと自動化の範囲を広げる正しい経営判断が可能になります。
承認するだけで実務が進む仕組みをご相談ください
多くの企業でDXが行き詰まってしまったのは、決して推進者の進め方が悪かったからではありません。「SaaS」というツールそのものが、「人間が画面操作を行うこと」を前提として作られていたからです。
その前提を思い切って外すことで、事務作業のあり方は「データの入力作業」から「AI結果の承認作業」へと劇的に変化します。そして承認に要する手間も、実績の蓄積とともに最小限へと絞られていきます。
当社では、中小製造業の「受注・見積・請求」といったバックオフィス業務を対象に、人間が承認するだけで業務が完了する「承認駆動型AI自動化ソリューション」を提供しています。
現場特有の複雑な例外処理も、丁寧なヒアリングと開発期間、裏付けとなる伴走期間を通じて確実に仕組みへと落とし込みます。
コメント