その業務、AIで「できる」けど「最適」ですか？

YouTubeやSNSを開けば、AIの便利な機能を紹介する情報を毎日のように目にします。「こんなこともAIでできるんです」「実はこんな使い方もあるんです」。実際、どれも間違ってはいません。デモとして見せられれば、確かにその通りにAIは動きます。

ただ、実際の現場に立つと、少し見方を変える必要があると感じています。それは、「できること」と「最適な選択であること」は、まったく別の問題だということです。

AIにその処理をやらせることは、確かにできます。デモの通り、確かに動きます。でも、それが今その業務にとって最も理にかなったやり方かどうかは、また別の話です。「できる」と「やるべきだ」の間には、本来もう一段階、検討のステップがあるはずなのですが、そこが飛ばされてしまうケースをよく見かけます。

なぜこの飛躍が起きやすいのでしょうか。理由は単純で、デモというものは条件が整った理想的な環境で「できる」ことだけを見せるために作られているからです。サンプルデータはきれいに整形されていますし、想定外の入力もほとんど登場しません。処理にかかる時間やコストも、動画の中では都合よくカットされています。しかし実際の現場には、コスト、保守のしやすさ、判断根拠の説明責任、処理速度といった、デモの画面には決して映らない制約がたくさん存在します。この見えない制約の存在を無視したまま「できるから使う」と判断してしまうと、後になって「思ったより費用がかかる」「精度が安定しない」といった問題に直面することになります。

最近、多くの企業様でAI導入がどんどん進んでいます。それ自体はとても良い流れです。ただその裏で、「AIにできること」を見た瞬間に「だからAIを使うべきだ」と、業務のあらゆる部分を「AIを組み込む前提」で考えてしまう傾向も同時に広がっているように感じます。

このブログでも、AI導入にかかるコストの問題や、思ったほど効果が出なかったという話題を何度か取り上げてきました。そうした失敗の多くを振り返ってみると、原因はAIの性能ではなく、そもそもAIを使う必要がなかった業務にAIを当てはめてしまっていたことにあります。「できる」ということ自体は嘘ではありません。ただ、その業務にとって最適な手段であるかどうかは、また別の基準で判断しなければならなかった、というだけの話です。

この記事はAIを否定するものではありません。AIが本当に力を発揮する場面を知った上で、逆に「ここはAIを使うべきではない」と判断できる目を持つこと。それが今回のテーマです。

ルールベースとAI、そもそも何が違うのか

まずは基本的な違いを整理してみましょう。従来のシステム（ルールベース）は、人間があらかじめ設定した条件式に従って判断や処理を行う仕組みです。顧客対応の自動化やマーケティング施策では、チャットボットやレコメンド機能などで広く活用されています。

一方でAI、特に機械学習やLLM（大規模言語モデル）は、大量のデータから特徴を抽出し、予測モデルを構築するという仕組みで動いています。人間がルールを一つひとつ書くのではなく、AIが過去のデータから自ら規則性を見つけ出すのです。

この違いを、もう少し身近な例で見ていきましょう。

「料理のレシピ」と「部屋の掃除」で考えるAIの本質

ルールベースが得意なのは「料理のレシピ」

決まった時間に決まった温度でオーブンを使う。決まったフォーマットの請求書を機械的に処理する。こうした業務は、入力が決まっていて手順も明確なため、ルールベースのシステムが非常に得意とする領域です。

ただし弱点もあります。それは、レシピに書かれていない出来事が起きたときに対応できないという点です。「卵がなかったらどうするか」「火力が弱いときはどうするか」といった例外は、すべてのパターンを人間が事前に想定してコードに書き込んでおかなければなりません。

AIが得意なのは「部屋の掃除」

散らかった机の上を思い浮かべてください。どこに何が置かれているかは、毎回まったく違います。従来の仕組みであれば「ペンを拾って箱に入れる」という動作をすべて事細かに教え込む必要がありますが、AIを搭載したロボットであれば「これはペンだ」「これはゴミだ」「ここが箱だ」と、その場の状況を見て自ら判断し、最適な動きを組み立てることができます。

この「決まった正解が一つではない」状況に強いことこそが、AIならではの価値なのです。

AIを組み込むことで、できるようになる3つのこと

1. プロセスの「例外処理」を自動化できる

これまでのシステムは、想定内の入力しか処理できませんでした。例えば問い合わせメールへの対応を考えてみましょう。従来はキーワード検索で「返品」という言葉があれば返品フォームを自動送信する、という単純なロジックが中心でした。

しかしAIエージェントであれば、文面から怒りの感情を読み取って先に謝罪文を提示したり、質問があいまいであれば逆に聞き返したり、添付された画像から製品の型番を特定したりすることができます。こうした対応は、条件分岐だけで書き切るにはパターンが無限に近く、事実上不可能です。だからこそAIがパターンそのものを学習し、柔軟に対処するのです。

2. 「暗黙知」をロジック化できる

工場のベテラン職人は、部品のわずかな振動音の違いから異常を感知できると言われます。この「感覚」は、これまで数値の閾値としてルール化することが困難でした。

AIであれば、過去の正常時・異常時の振動データを大量に学習させることで、「なぜそう判断するのかは明確に言語化できないが、とにかく異常を検知できる」というモデルを内部に構築します。実際、ある工場ではAIによる画像検査を導入した結果、見逃し率0%・過検出率2%を達成し、目視検査員ゼロでの量産対応を実現したという事例も報告されています。人間が言葉にできなかったノウハウを、データから逆算して形にできる。これはAIならではの強みです。

3. プロセスを「その場で生成」できる

これは、LLMをベースにしたAIエージェントがもたらす最大のインパクトといえるでしょう。

従来は、人間が「A→B→C」というプロセスをあらかじめ設計し、それをシステムに教え込む必要がありました。しかしAIエージェントには「〇〇を達成する」というゴールだけを与えれば、AI自身が「今の状況はこうだから、まずAを試して、うまくいかなければBに切り替えよう」と、プロセスそのものをリアルタイムで考えながら実行してくれます。

たとえば倉庫の中で「割れやすい卵」「重い米」「細長い傘」を同じロボットに扱わせたいとします。従来のやり方であれば、卵専用のプログラム、米専用のプログラム、傘専用のプログラムをそれぞれ個別に開発しなければならず、数ヶ月単位の開発期間がかかります。一方でAIであれば、大量の把持データを学習させた画像認識モデルを搭載するだけで、対象物を見た瞬間に「これはそっと掴む」「これは重心を支えて持つ」と自ら推論して動くことができます。学習にかかる期間は、数日単位まで短縮できる場合もあります。

ここまで見てきた通り、AIは「決まった仕事を速くする」ためのものではなく、「決まっていない仕事」や「変化に対応し続けなければならない仕事」を、人間が逐一介在しなくても回せるようにするための技術です。

では、AIを使うべきではないのはどんな場面か

ここからが本題です。AIにこれだけの力があるからといって、あらゆる業務にAIを組み込むべきかというと、話は別です。AIが持つ「確率的に判断する」という性質は、強みであると同時に、特定の場面では明確な弱点にもなります。

1. コストが逆転する

シンプルなif文数行で終わるはずの判定処理に、わざわざLLMのAPIコールを組み込んでいる現場は少なくありません。「メールの件名に『請求書』という文字があれば経理フォルダに振り分ける」といった処理は、従来のロジックであれば一瞬・ほぼ無料で終わります。

これをAIにやらせると、API利用料、推論にかかる時間、そしてモデルの挙動を監視・調整し続ける運用コストが発生します。入力と出力が一対一で決まっている業務にAIを使うのは、電卓で済む計算のために会計士を雇うようなものです。得られる効果に対してコストが見合いません。

2. 精度・再現性が下がる

ルールベースの最大の利点は、同じ入力には必ず同じ出力を返すという再現性です。しかしAIは確率的に動作するため、同じ入力でも出力がわずかに揺れることがあります。

例えば「所定のフォーマットの申請書から、決まった位置の数値を転記する」といった、本来100%の精度が求められる作業にAIを使うと、まれに読み取りミスや解釈のブレが発生します。ルールベースなら絶対に起きなかったはずのミスを、わざわざAIが持ち込んでしまうケースです。

3. 説明責任が果たせなくなる

機械学習型のAIは内部構造が複雑であるため、なぜその判断に至ったのかを明確に説明することが難しいという課題があります。与信審査、採用選考、契約書のリスク判定など、「なぜその結論になったのか」を第三者に説明できることが求められる業務にAIを使うと、判断根拠がブラックボックス化してしまいます。

こうした領域では、ルールベース型のシステムであれば「この条件に該当したためこの結果になった」と明確に説明できます。判断の透明性が業務上の要件であるなら、AIを使うこと自体がリスクになり得ます。

4. 運用・保守がかえって重くなる

ルールベースのシステムは、ルールを追加・修正すればそのまま反映されます。一方でAIは、モデルの精度が時間とともに劣化する「ドリフト」が起こるため、継続的な監視、データの再収集、再学習が必要になります。

「一度作ったら終わり」ではなく、作った後も専門知識を持った人が面倒を見続けなければならないのがAIの特性です。単純な業務であればあるほど、この継続コストは割に合わなくなります。

5. 応答速度が業務要件に合わない

ルールベースの判定はミリ秒単位で完了しますが、AI、特に生成AIによる推論には数百ミリ秒〜数秒かかることが珍しくありません。リアルタイム性が求められる業務（在庫チェック、決済の可否判定など）にAIを組み込むと、単純な処理速度の面でユーザー体験を悪化させてしまうことがあります。

「AIを使うべきではない」業務の見分け方

ここまでの内容を、業務にAIを組み込む前のチェックリストとして整理します。以下に一つでも当てはまる場合は、ルールベースのままにしておく、あるいは慎重に検討することをおすすめします。

• 入力と出力の組み合わせが、あらかじめすべて洗い出せる（例外がほぼない）
• 判断の根拠を、第三者に明確に説明できる必要がある
• 同じ入力に対して、100%同じ結果が求められる
• 処理速度がミリ秒単位で求められる
• ルールの変更頻度が低く、メンテナンスの負担が小さい

逆に言えば、AIが本来の価値を発揮するのは、入力にバラつきがあり、正解が一つに定まらず、人間が言語化しきれない判断が必要な業務に限られます。顧客対応の文脈理解、画像からの異常検知、曖昧な要望の解釈などがその代表例です。

注意点：AIがすべてを解決するわけではない

実務の現場では、ルールベースと機械学習を組み合わせるハイブリッドな運用が一般的になってきています。生成AIやAIエージェントが台頭する2026年現在でも、判断根拠の透明性や説明可能性が求められる業務ではルールベース型AIが不可欠とされており、両者は対立するものではなく、適材適所で組み合わせるべき技術だといえます。

まとめ：「AI前提」で考えることをやめてみる

AI導入のコストがかさむ、思ったほど効果が出ない、という話をよく耳にしますが、その根っこには「AIを組み込む前提で業務設計を始めてしまっている」ことが多くあります。

本来は逆で、業務の中に「書ききれないロジック」や「言語化できない暗黙知」がどれだけあるかを見極めてから、そこにAIを当てはめるのが正しい順番です。むしろ多くの業務は、今でもシンプルなルールベースの仕組みで十分に機能します。

「AIを入れるかどうか」ではなく、「この業務は、そもそもAIが解決すべき曖昧さを抱えているのかどうか」。まずはその問いから始めてみることが、コストをかけずにAIの効果を引き出す第一歩になるはずです。