AI導入の問題解決シナリオ — 問題解決パターン

問題を定義し、ツールを探索する方法についてお話ししました。 ここからは、そのプロセスが実際にどう機能するのかをお見せします。

理論はもう十分。現場の話をしよう。

前の2回で、私たちは2つのことを押さえました。

1つ目は、AIに答えを求める前に、まず問いを立てなければならないということ。2つ目は、ツールはソフトウェアに限らず、素早く探索し、軽く検証すべきだということです。

しかし現場では、いまだにこんな声が返ってきます。

「で、具体的にどうすればいいんですか？」

おっしゃる通りです。フレームワークは実践で機能して初めて意味があります。そこで今回は、3つのリアルなシナリオを通じて、問題定義 → ツール探索 → AI/AX適用までの全プロセスを最初から最後まで追いかけてみましょう。

シナリオ1：「見積書の作成に丸一日かかる」

よくあるアプローチ

営業チームが悲鳴を上げています。見積書の作成に時間がかかりすぎると。通常、ここですぐ「見積自動化ソリューション」を検索し始めます。

問題定義からやり直す

「誰が、どんな状況で、何が原因で、どんな結果に陥っているのか？」

営業担当者が顧客からの依頼を受けた後、製品仕様・単価・割引率・納期情報をERP、スプレッドシート、過去のメールからそれぞれ収集し、それを手作業で見積書のフォーマットに転記するため、見積送付まで平均6時間かかり、緊急案件の40%は当日対応に失敗しています。

これで問題がはっきりしました。「見積書の作成が遅い」ではなく、情報が散在しており、手作業での集約がボトルネックになっているということです。

ツール探索：4つの問い

① 排除できるか？ 見積書そのものをなくすことはできません。しかし、見積書に含まれる項目のうち、顧客が実際に見る情報と社内慣行で入れている情報を分ければ、フォーマットを半分に減らせるかもしれません。

② 判断が核心か、繰り返し作業が核心か？ 割引率の決定は判断です。しかし、製品仕様・単価・納期情報を集めるのは純粋な繰り返し作業です。問題の80%は繰り返し作業の側にあります。

③ 今すぐ使えるものは？ ERPにAPIがあれば、スプレッドシートとの連携は開発なしでも実現できるかもしれません。また、過去の見積データが蓄積されていれば、類似案件を検索するだけでも時間は短縮できます。

④ 検証コストは？ 最も手早い実験はこれです — 直近の見積50件のパターンを分析し、生成AIに「顧客の依頼メールを入力すると見積書の下書きを作成する」プロンプトをテストすること。1日あれば十分です。

AI/AX適用

1日目: 生成AI（Claude、GPT等）に過去の見積書フォーマットと製品カタログを学習させ、顧客の依頼メールを入力すると見積書の下書きを生成するワークフローを構築します。担当者は下書きを確認し、割引率だけを判断します。

1週目: ERPデータを自動照会する連携を追加します。製品コードを入力すると、最新の単価と納期が自動で埋まるようになります。

1か月目: 蓄積されたデータから「この顧客にはこの割引率が受注確率を高める」というパターンを分析します。判断の領域までAIが補助し始めます。

結果: 見積書の作成時間が6時間から40分に短縮。人が変わったわけではありません。プロセスが変わり、その上にAIが載ったのです。

シナリオ2：「新入社員のオンボーディングに1か月かかる」

よくあるアプローチ

HR部門がAIチャットボットを作ろうと提案します。新入社員の質問に自動で答えてくれるボットです。もっともらしく聞こえます。

問題定義からやり直す

新入社員が入社後の最初の1か月間、業務システムの使い方・社内規程・チームごとのプロセスを把握するために、平均12人の同僚に個別に質問しなければならず、その過程で既存メンバーの業務時間が新入1人あたり月40時間消費され、新入本人も実質的な業務開始まで平均4週間かかっています。

問題の核心が見えてきました。情報が人の頭の中にしかなく、体系的に整理されていないということです。

ツール探索

① 排除できるか？ オンボーディング自体はなくせませんが、「12人に個別質問」というパターンは排除できます。質問が繰り返されているなら、答えが一か所にあればいいのです。

② 判断 vs 繰り返し？ 新入社員が尋ねる質問の大半は事実確認です。「休暇申請はどこからですか？」「コードレビューのプロセスはどうなっていますか？」これは判断ではなく情報検索です。

③ 今すぐ使えるものは？ 最も手早いツールはAIではありません。退職予定者や最近入社した社員に「入社1か月目に最もよく聞いたこと」を20個書き出してもらうことです。このリストが、後続のすべてのツールの土台になります。

④ 検証コストは？ その20の質問と回答を1つのドキュメントにまとめるのに2日。これだけで効果があるかどうかを次の新入社員で検証するのに1か月。

AI/AX適用

即時: 頻出質問リストを作成し、チームごとのプロセスを1つのドキュメントに統合します。これはAIではなく人の作業であり、プロセスツールです。

2週目: 統合されたドキュメントをベースに社内AIアシスタントを構築します。Notion、Confluence、社内Wikiなど既存のドキュメント上にRAG（検索拡張生成）ベースのチャットボットを載せます。新入社員が自然言語で質問すると、関連ドキュメントから回答を見つけてくれます。

1か月目: チャットボットが回答できなかった質問のログを収集します。このログが「まだドキュメント化されていない暗黙知」のリストになります。これを再びドキュメント化すれば、組織全体のナレッジ体系が整備されていきます。

結果: オンボーディング期間が4週間から2週間に、既存メンバーの消費時間が40時間から10時間に短縮。しかし本当の成果は別のところにあります。このプロセスで構築されたナレッジベースは、新入社員だけでなく既存の社員にも役立つものになりました。オンボーディングの課題を解決したら、組織全体の情報アクセシビリティが向上したのです。

シナリオ3：「マーケティングの成果がわからない」

よくあるアプローチ

マーケティングチームがAI分析ダッシュボードを導入しようと提案します。データを一目で把握できるスタイリッシュな画面です。ベンダーとのミーティングをセッティングします。

問題定義からやり直す

マーケティングチームが月5つ以上のチャネル（検索広告、SNS、メール、コンテンツ、オフライン）でキャンペーンを運営しているが、各チャネルの成果データがそれぞれ異なるプラットフォームに分散しており、統合レポートの作成に毎月3日を要し、レポートが完成する頃にはすでに意思決定のタイミングを逃して、次のキャンペーンにインサイトが反映されていません。

核心は「分析が不足している」ではありません。データ統合が遅いために、インサイトの賞味期限が切れているということです。

ツール探索

① 排除できるか？ 5つのチャネルすべてが本当に必要か？ 成果が微々たるチャネルを整理すれば、統合すべきデータそのものが減ります。チャネル数を3つに絞るだけで、レポート作成時間が40%削減される可能性があります。

② 判断 vs 繰り返し？ データを各プラットフォームからダウンロードし、フォーマットを揃え、結合するのは純粋な繰り返し作業です。しかし「今月の検索広告のコンバージョン率が下がった理由」を読み解くのは判断です。繰り返しを自動化すれば、人は判断に集中できます。

③ 今すぐ使えるものは？ Google Ads、Meta、GA4など、ほとんどの広告プラットフォームはすでにAPIを提供しています。Looker StudioやスプレッドシートとのAPI連携だけでも、手動ダウンロードをなくせます。これはAIではなく、既存ツールの正しい活用です。

④ 検証コストは？ スプレッドシートにAPIを接続するのに1日。既存の手動レポートと比較するのに1週間。

AI/AX適用

1日目: 各広告プラットフォームのデータを1つのスプレッドシートまたはデータウェアハウスに自動収集します。これはAIではなくデータエンジニアリングです。しかし、このステップなしにAIを載せると、整理されていないデータの上にAIが座ることになります。

1週目: 統合されたデータの上に生成AIを接続します。「今週の検索広告のパフォーマンスを要約して」「コンバージョン率が最も高いクリエイティブ3つを教えて」といった自然言語での問い合わせが可能になります。レポートを「作る」時間がなくなり、レポートを「読む」時間だけが残ります。

1か月目: AIが異常兆候を自動検知するようになります。「昨日のCPCが通常比35%上昇しました。推定原因：①競合の入札増加 ②キーワード品質スコアの低下。」人が聞く前にAIが先に知らせてくれる段階です。

結果: レポート作成が3日からリアルタイム自動生成に、意思決定のスピードが月1回から週1回以上に変わります。マーケティングチームの役割が「データを整理する人」から「インサイトで判断する人」へと変わるのです。

3つのシナリオが示す共通パターン

振り返ってみると、3つの事例はすべて同じ構造をたどっています。

ステップ1 — 問題を具体的に定義する。 「遅い」「わからない」「難しい」を超えて、誰が・状況・原因・結果に分解します。

ステップ2 — AIの前にまずツールを探す。 プロセスの整理、不要なステップの排除、既存システムの活用 — これだけで問題のかなりの部分が縮小します。

ステップ3 — 縮小した問題の上にAIを載せる。 AIは整理されたデータと明確なプロセスの上で最も力を発揮します。混乱の上にAIを載せれば、より速く混乱を生み出すだけです。

ステップ4 — 小さく始めて、結果で次を決める。 1日の実験 → 1週間のパイロット → 1か月の検証。このリズムを守れば、失敗してもコストは小さく、成功すれば確信を持って拡大できます。

AI転換は技術プロジェクトではない

この3回の記事を貫くメッセージは1つです。

AI転換（AX）とは、技術の導入ではなく、問題解決のアプローチそのものを変えることです。

問題を定義する力、ツールを柔軟な視点で探索する習慣、そして小さな実験で素早く検証する実行力 — この3つが備わった組織は、どんな技術が登場しても適応できます。AIはその上に載るアクセラレーターにすぎません。

技術は絶えず変わります。しかし、良い問いを立て、適切なツールを見つけ、素早く実行する力 — これはどの時代にも通用するものです。