その課題は生成AIで解けるのか｜予測・識別AIとの守備範囲の違い

「AIで何とかならないか」という一言には、需要予測、検品、異常検知、需給調整、文書作成と、性質の違う課題がまとめて入っています。出口は一つではありません。必要な投資はその課題がどの種類のAIの担当かで変わり、同じ言葉で持ち込まれた相談が、研修とシステム開発に分かれていきます。

投資先を分けるのは、求める出力の形

自社の課題が生成AIで解けるかどうかは、求める出力が「人が読んで直す文章・案」なのか「そのまま業務へ流す確定した数値・判定」なのかで切り分けられます。文章・案であれば、投資の中心は人の使い方を変える研修です。確定した数値・判定であれば、予測AI・識別AIを使ったシステム開発と、その前提になるデータ整備が要ります。後者へ生成AIの研修を当てても、数値や判定を出す工程の手順は変わらないため、稟議に掲げた指標は動きません。

需要予測、外観検査による検品、設備の異常検知、需給調整は、過去データから数値や判定を返す予測AI・識別AIが担当します。文書作成、要約、問い合わせ回答の下書き、手元データの読み解きと資料化は生成AIの側にあり、成果は人がどう使うかで決まります。

判断が割れるのは、どちらも同じデータを扱っているように見える仕事です。分かれ目は扱うデータではなく、出てきた値を人が確認してから使うのか、確認を挟まずに発注や検査へ流すのかにあります。

生成AI・予測AI・識別AIの守備範囲はどこで分かれるか

3種類を見分けるのに、技術の中身を理解する必要はありません。何を入力に受け取り、何を出力し、その良し悪しをどう測り、使い始める前に何を用意するのか。この4点を揃えて並べると、人の使い方を変えれば動く範囲と、システムとデータを用意しなければ動かない範囲の境目が見えます。

同じ線引きは、公的資料の分類にも表れています。総務省の令和5年版 情報通信白書は、機器の故障の予兆検知や不正・スパムの検出、将来予測といったデータ分析目的で使われるAIをAnalytical AIとして位置づけ、情報を生成・創造する目的で用いられる生成AIと区別しています（生成AIを巡る動向）。Microsoftの解説も、従来型のAIがデータを分析してパターンを見つけるのに対し、生成AIは学習した構造をもとに新しい内容を作る点で働きが異なると説明しています（生成 AI と他の種類の AI）。呼び方は資料によって違っても、線の引かれる場所は変わりません。

各AIが向く課題と、向かない課題

生成AIが向くのは、入力が文章や資料で、出力を人が読んで直したうえで使う仕事です。逆に、出力をそのまま数量や合否として次工程へ流す仕事には向きません。理由は精度の測り方にあります。同じ指示でも出力は揺れることがあり、その揺れ幅を継続して測る仕組みは、生成AIを使うだけでは手に入りません。

予測AIの前提は、過去の実績が行と列で揃っていて、当たり外れを誤差で採点できることです。裏返せば、参照できる実績のない領域は引き受けられません。新商品のように、過去がそもそも存在しない場合がこれに当たります。制度や需要の構造が入れ替わった直後も、残っている実績が今の状況を説明しないため、同じ扱いです。

識別AIは、良否や正常・異常の基準を実例で示せる仕事なら引き受けられます。基準が担当者の感覚に委ねられていて実例に落とせない場合や、撮影・計測の条件が毎回変わる場合は、判定の土台そのものを作れません。導入後は人が逐一見ずに結果を流す運用になりやすく、見逃しをどこまで許容するかは着手前に決めておく必要があります。

よくある課題はどのAIの担当か

現場から上がってくる言い方のまま並べても、担当は入力と出力の形で分かれます。難しい課題が予測AI、易しい課題が生成AIという分かれ方ではありません。

経済産業省は中小企業向けのAI導入ガイドブックを、需要予測、予知保全、外観検査といったテーマごとに分けて公開しています（中小企業のDXに役立つ「手引き」と「AI導入ガイドブック」）。需要予測（小売り、卸業）と予知保全は別々の導入テーマとして立てられ、必要なデータも精度の確かめ方も個別に整理されています。揃えるものが課題ごとに違う以上、生成AIの使い方を学ぶ研修で、この準備を肩代わりすることはできません。

需要予測を生成AIで代替できない理由

生成AIに来月の出荷数を尋ねれば、数字は返ってきます。問題は、その数字が実績と突き合わせて検算された値とは限らないことです。同じ条件で二度尋ねれば違う値が出ることもあり、外れたときに何を直せばよいのかを切り分ける手掛かりも残りません。発注や生産計画のように、外した幅がそのまま欠品や過剰在庫として跳ね返る工程では、誤差を測って合格ラインを決められる仕組みが要ります。

検品も同じです。良品と不良の実例から基準を作り、見逃し率を数字で管理できることが、検査工程へ組み込む条件になります。不良の特徴を文章で説明できることとは、別の要件です。

生成AIが数字を扱ってよい範囲

生成AIが数字をまったく扱えないわけではありません。売上の推移を読み解いて傾向をまとめる、購買データを分類して販促の候補を出すといった作業は、生成AIでも進められます。ただしそれは、担当者が結果を見て採否を決める前提での話です。

同じ業務を二つの領域へ振り分けるのは、人の確認を挟むかどうかという運用の形です。人が定期的に行っている分析や資料づくりを短縮する使い方なら生成AI側、数値や判定を人手を介さず流し続けるなら予測AI・識別AI側になります。確認を外して自動で流す運用に変えた時点で、必要な投資はシステム開発へ移ります。

自社の課題を振り分ける4つの問い

社内で課題を口頭で説明できる粒度のまま、次の順に答えてください。技術の知識は要りません。答えるのは、その業務を知っている人です。

1. 求める出力の形：確定した数値・判定ですか、それとも人が読んで直す文章・案ですか。数値・判定なら予測AI・識別AI寄り、文章・案なら生成AIです。
2. 採点の可否：その出力の当たり外れを、人の解釈なしに採点できますか。実績と突き合わせて誤差や見逃し率を出せるなら、予測AI・識別AIの領域です。読む人によって良し悪しが変わるなら、生成AI側に寄ります。
3. 過去データの有無：判断の材料になる過去データが、行と列の揃った形でどれだけありますか。同じ定義で継続して残っているなら、予測AIの検討に入れます。紙やExcelに分散し、項目の定義もばらついているなら、AIの種類を選ぶ前にデータ整備が先の投資になります。
4. 外れに気づく人：出力が外れたとき、誰がどこで気づきますか。人が必ず目を通してから使うなら生成AIで回せます。人が見ないまま発注・出荷・支払いへ流れるなら、精度を測って管理できるシステムが必要です。

振り分け結果で変わる投資

振り分けの結果で変わるのは、金額よりも投資の種類です。誰が動くか、着手前に何を揃えるか、いつ成果が出るか。三つとも入れ替わります。

研修は、人が使うから成果が出る投資です。対象が生成AI側の仕事であれば、受講した担当者が使い始めたところから順に効きます。逆に、予測AI・識別AIの担当課題を目的に掲げていると、受講しても数値や判定を出す工程の手順は変わらないまま、費用だけが確定します。

予測AI・識別AIの開発は、人手を介さずシステムが回り続けて初めて元が取れる投資です。精度が合格ラインに届かなければ、運用には乗りません。着手前に「どの水準なら使うか」を決めておかないと、検証の途中で採否を判断できなくなります。

データ整備は、それ単独では業務の数字を動かしません。それでも省けない工程です。学習させる材料と精度を測る材料は同じ記録から取るため、ここが欠けたままでは予測AIの精度を議論する土台ができません。

あわせて読みたい

法人AI研修の効果とROIの測り方｜経営者が投資判断で見る指標

取り違えたまま生成AI研修を入れると何が起きるか

課題と手段が合っていない場合でも、研修そのものは問題なく進みます。演習では成果物が動きますし、受講者の手応えが悪くなるとも限りません。ずれが表に出るのは、全員が自席へ戻ってからです。

現場に残るのは、演習で扱った題材は使えるのに、元の困りごと（来月の必要数、不良の流出、設備の停止）には手が届かない、という受け取り方です。その状態が続くと、利用は議事録や資料作成といった日常の文書業務にだけ残り、当初の課題からは離れていきます。

経営側では、稟議に書いた目的の指標が動きません。欠品率や不良率、稼働率を効果指標に置いていた場合、数字は据え置きのまま報告の時期を迎えます。起きているのは課題と手段の不一致ですが、ここで研修の質を疑う議論に入ると、原因の所在を取り違えたまま次の発注を判断することになります。

気づいた時点で研修を止める必要はありません。対象業務を生成AI側の仕事へ置き換えれば、投資は生きます。元の課題のほうは、「データ整備とシステム開発」という別枠の案件として立て直せます。二つを一つの発注に混ぜたままにすると、どちらの成否も切り分けられません。

生成AIと予測・識別AIの両方が関わる課題

一つの業務の中に、数値を当てる工程と、それを人に伝える工程の両方がある場合は、片方だけでは終わりません。需給調整では、需要の数値を出す部分が予測AI、その結果を各部門への説明資料や発注理由書へ落とす部分が生成AIです。検品でも、良否の判定は識別AIで、不良の傾向をまとめて是正報告にする作業は生成AIの側にあります。

着手順は、外したときの損失がどちらに集中しているかで決まります。数値の精度が業務の中心で、外れがそのまま欠品や停止につながるなら、データ整備と予測システムを先に据え、生成AIは周辺の文書工程へ並行して入れます。数字はあるのに誰も読み解けていないことが問題なら、順番は逆です。生成AIによる分析支援を先に置いたほうが、早く動きます。

法人AI研修が引き受ける範囲と、別の投資になる範囲

当社の法人AI研修は、Claude・ChatGPT・Geminiなどの生成AIを自社の業務課題に合わせて学び、部門別演習からAI成果物の実装、研修後の定着支援まで伴走する法人向けサービスです。カリキュラムは4レベルの体系と部門別テーマを掛け合わせて設計し、受講前に現在地を確認したうえで、自社に合う段から始められます。研修後アンケートでは、80%以上の受講者が業務でAIを活用しています。

研修内で作る成果物には、分析の下ごしらえを担うものも含まれます。店舗・小売ならPOSデータからの顧客セグメント分析、営業・インサイドセールスなら架電データからの接続しやすい時間帯の分析、データ分析ならアンケート自由記述のポジネガ分類と要約です。いずれも人が行う分析と資料化を支援する範囲で、この記事で引いた線でいえば生成AI側に入ります。

一方、この記事の判定で予測AI・識別AIの領域だと分かった課題は、研修とは別の投資になります。高精度な需要予測を常時自動で回す仕組みや、検査ラインへ組み込む判定システムそのものの開発が、そこに当たります。4つの問いで生成AIの担当外と判断できた課題は、研修ではなくシステム開発・データ整備の検討へ回してください。初回のヒアリングは無料です。現状の課題や時間のかかっている業務を伺ったうえで、研修プランを立てます。

振り分けが済んだら、どちらへ進むか

生成AIで解ける課題だと判定できた場合、次に決めるのは対象業務の粒度です。「営業を効率化する」では題材になりません。「どの作業の、どの工程を、誰が使うか」まで具体化して、はじめて研修の題材にも効果測定の単位にもなります。そこまで下ろす手順は、業務の棚卸しを扱った記事にまとめてあります。

あわせて読みたい

生成AIで効率化できる業務の見極め方｜自社業務の棚卸しと優先順位づけ

担当外だと判定できた場合、止めるのは研修の発注であって、AI活用の検討ではありません。進める順は三つです。過去データが同じ定義でどの期間残っているかを調べ、当てたい値と合格ラインを言葉にし、そのうえで開発を任せる先を探します。

データが足りない段階なら、最初に話す相手はシステム開発会社ではありません。記録のルールを決められる自社の現場と情報システムです。経済産業省のAI導入ガイドブックは、需要予測や予知保全といったテーマ別に検討の進め方を整理しているため、社内で枠組みを作る材料になります。

どちらとも決めきれない課題を抱えている場合は、課題整理から研修・伴走の進め方までをご提案します。