AIを仕事に組み込むと、「一番賢いモデルはどれか」という性能順の比較から始めたくなります。
しかし、業務で本当に困るのは、モデルの順位を知らないことではありません。目的が曖昧なまま実装を始めること、過去の判断材料を渡せないこと、作ったものを別の視点で検査しないことです。
そこで、モデル名ではなく「不確実性」と「失敗したときの影響」でAIの役割を決めます。この記事では、設計・実装・検査を分け、過去の記録を次の仕事へ渡すためのルーティングを整理します。
1. 「賢いAIを一つ」に寄せると、仕事の境界が消える
一つのAIに、目的の整理、仕様設計、コード作成、資料作成、検査まで任せると、何がうまくいかなかったのか分からなくなります。
出力が不十分だったとき、原因はモデルの能力不足とは限りません。依頼の目的が曖昧だったのか、参照すべき情報が欠けていたのか、実行範囲が広すぎたのか、検査条件がなかったのかを切り分ける必要があります。
モデルを替える前に、仕事を段階へ分ける。これが最初のルールです。
2. 不確実性を4種類に分ける
AIへ依頼する前に、次の4項目を確認します。
- 目的の不確実性: 何を達成すれば成功なのかが決まっていない
- 構造の不確実性: 手順、データの関係、システムの責務が整理されていない
- 実行の不確実性: やることは決まっているが、細部の操作や例外処理が読めない
- 結果の不確実性: 正しくできたか、業務上使ってよいかを判定しにくい
目的や構造が曖昧な仕事は、いきなり成果物を作らせず、質問・分解・選択肢の提示から始めます。実行内容が明確なら、範囲を限定したAIへ渡した方が、速さと費用を管理しやすくなります。
3. 設計・実装・検査を別カードにする
一つの依頼文に全部を詰め込まず、業務を3枚のカードに分けます。
設計カード
目的、対象者、入力、制約、成功条件、やらないことを決めます。ここではAIに結論を急がせず、前提の抜けを見つけさせます。
実装カード
設計カードをもとに、具体的な手順や成果物を作ります。変更範囲、触ってよいファイル、利用してよいデータ、戻し方を先に指定します。
検査カード
完成したと言われた時点で終わりにせず、成功条件を一つずつ確認します。作成担当とは別のAI、または別のセッションに検査させ、見落としを記録します。
この分け方なら、「設計の問題」と「実装の問題」を混同しにくくなります。
4. 高性能モデルを使うのは、曖昧さが大きい仕事だけ
高性能モデルを常用するか、低コストのモデルだけで済ませるかという二択にしないことが重要です。
- 曖昧さも失敗コストも大きい: 設計、例外整理、重要なレビューに重点投入する
- 曖昧さは大きいが失敗コストが小さい: 小さな試作で選択肢を比較する
- 曖昧さは小さいが失敗コストが大きい: 制約を細かく指定し、実装後に独立検査を置く
- 曖昧さも失敗コストも小さい: 定型化し、軽量なAIや既存機能で処理する
この分類では、モデルのブランドよりも「どの判断に思考を使うか」が先に決まります。高価なモデルを使う回数を減らすこと自体が目的ではありません。失敗すると戻せない工程へ、思考資源を集中させることが目的です。
5. 文脈は「保存」ではなく「再利用」まで設計する
過去のログや資料を貯めておくだけでは、AIの能力は自動的に上がりません。必要な記録を見つけ、現在の仕事へ渡せる形にする必要があります。
最低限、記録を次の3種類に分けます。
- 事実: 日付、数値、仕様、顧客から受けた要望
- 決定: なぜその案を選んだか、誰が承認したか、何を採用しなかったか
- 結果: 実行後に何が起きたか、どこで失敗したか、次に何を変えるか
ファイル名や見出しに日付、対象業務、状態を入れ、古い案と現行の正本を区別します。AIに「全部読んで」と渡すのではなく、「この案件の現行決定と、直近の失敗結果だけを抜き出して」と検索条件を付けることが、再利用の入口です。
6. 複数AIを使うなら、回答を重ねるのではなく役割を分ける
複数のAIへ同じ質問を投げて、回答を混ぜるだけでは、情報量が増えるだけです。役割を分けます。
- 設計担当が、問題の分解と確認質問を作る
- 実装担当が、決められた範囲で成果物を作る
- 検査担当が、成功条件と失敗例から反証する
- 人間が、採用する案と停止する案を決める
それぞれの出力に、入力した文脈と未確認点を添付します。検査担当が何を見て判断したのか分からない状態では、AIを増やしても責任の所在が曖昧になります。
7. 最初の1業務で試す手順
明日から試すなら、全社のデータ整理から始めません。
- 過去の記録があり、成果の良し悪しを確認できる1業務を選ぶ
- 成功条件を3つ以内にする
- 設計・実装・検査の3カードを作る
- 参照する文脈を、事実・決定・結果から必要分だけ選ぶ
- 実行後に、AIの出力、修正、人間の判断を記録する
1回目の目的は自動化率ではありません。どの文脈を渡すと手戻りが減るかを確認し、次の業務へ転用できるカードを残すことです。
8. 情報を集めるほど、権限と停止条件が重要になる
AIに社内ファイルを検索させる場合、検索できることと、検索してよいことは別です。
- 顧客情報や契約書は、利用目的と閲覧範囲を分ける
- 現行資料と過去資料を区別し、古い判断を正本として扱わない
- 書き込み、送信、公開、削除は、読み取りと別の権限にする
- 参照元が不明な出力は、業務判断へ進めず人に戻す
文脈を増やすほど、AIが便利になるとは限りません。必要な情報だけを見せ、行動できる範囲を狭く保つことが、現場で使い続ける条件です。
Optiensの見方
モデル選びで迷っている会社ほど、最初に確認すべきなのは「どのモデルを契約するか」ではなく、「どの業務のどの段階で不確実性が高いか」です。
Optiensでは、AI活用診断（無料）で既存業務の候補を整理し、実装前に対象業務、含む範囲、費用前提、5営業日で扱えるかを確認します。無料診断に個別実装や成果保証が含まれるわけではありません。具体的な構築へ進む場合は、導入前スコープ整理で範囲を固めます。
まとめ
AIの性能比較は、導入判断の一部にすぎません。目的と構造が曖昧な仕事、手順が固まった実装、正しさを確かめる検査を分けると、モデルを必要な場所へ配置できます。
さらに、過去の事実・決定・結果を再利用できる形で蓄積すれば、AIを使うたびに同じ説明をやり直す必要が減ります。
賢いAIを探し続ける前に、AIが判断できる文脈と、判断してはいけない境界を作る。そこから始める方が、業務への定着に近づきます。
関連: