定型業務をAIで自動化する — 対象の選び方と最初の一本

なぜ「対象選び」が自動化の成否を分けるのか

自動化の初手として、最も時間がかかっている業務や、成果へのインパクトが大きそうな業務を選びたくなるのは自然なことです。しかし、その種の業務ほど例外パターンが多く、判断基準が言葉になっていないことがほとんどです。結果として最初の自動化が思うように動かず、担当者が手直しに追われ、「AIで自動化しても結局手間がかかる」という評価だけが残ってしまいます。

最初に選ぶべきは、価値の大きさではなく、ルール化のしやすさです。小さく確実に動く一本を作ってから、対象を広げていく方が、結果的に早く成果につながります。

前提 — 始める前に確認すること

着手する前に3つを確認します。対象の業務が現在、人の手で継続的に行われていること。その業務を今行っている担当者に、手順や判断基準を確認できること。そして、自動化を試すためのテスト用の環境やデータが、本番と分離した形で用意できることです。この3つが揃わないまま設計を始めると、後になって「実際の手順と違った」という手戻りが発生します。

手順 — 選定から最初の一本まで

次の順番で進めます。

1. 候補を洗い出す。頻度が高いか、手順がルール化できるか、判断の重さは軽いか、間違えたときの影響範囲は狭いか、の4つの基準で候補を並べます。
2. 選んだ業務の「今の手順」を担当者と一緒に、実際にやっている順番どおりに書き出します。このとき例外パターン（普段と違う入力が来たときにどう対応しているか）も必ず含めます。
3. 自動化する範囲を最小限に絞ります。最初は下書きの作成までにとどめ、送信や確定といった最終判断は人が行うようにします。
4. 入力と出力のフォーマットを固定します。曖昧な自由記述より、決まった形式のほうが検証しやすくなります。
5. 過去の実データで試します。作成したテストケースではなく、実際に発生した事例を使い、担当者が出した結果と突き合わせて精度を確認します。

確認とつまずきやすい点

確認では、実データでの結果を担当者の判断と突き合わせ、一致しない箇所がどのパターンで起きているかを洗い出します。例外ケースが「人の確認に回された」のか「気づかれずに誤って処理された」のかを区別することが特に重要です。

つまずきやすい点はいくつかあります。まず、例外処理を軽視すると精度が落ちる点です。実務では、主要なパターンには対応できても、それ以外は別のルールが必要になる業務が少なくありません。次に、最初から人の確認を挟まない全自動にしてしまい、誤りがそのまま外に出るケースです。もうひとつは、手順を書き出さずに「だいたいこんな感じ」で自動化を始め、モデルの解釈に依存しすぎるケースです。さらに、連携先のツールがバージョンアップし、画面構成やAPIの仕様が変わって動かなくなることもあります。ツールの公式リリースノートは定期的に確認する習慣が要ります。

次の一歩 — 一本が安定したら横に広げる

実データでの検証を一定期間続け、精度が安定してきたら、次の候補に着手するか、対象範囲を広げます。業務が複数のツールをまたぎ、状況に応じて次の行動を判断する必要が出てきた段階では、固定手順の自動化ではなく目的・ツール・境界を設計したAIエージェントとしての組み方を検討する価値があります。また、外部サービスとデータをやり取りする自動化では、認証やAPIの呼び出し方式の設計が要になります。この点は外部ツールと連携する自動ワークフローの作り方で扱っています。一方で、謝罪や補償の可否判断のように、人の裁量と責任が本質的な業務は、効率化の対象にはなじみません。自動化はあくまで、判断基準が言葉にできる範囲にとどめるべきです。