AI導入で「どの業務から始めるか」が重要な理由
生成AIやAIエージェントの活用が広がる一方で、多くの企業が「どの業務から導入すべきか」という課題に直面しています。
議事録作成、問い合わせ対応、文書検索、需要予測、品質検査など、AIを活用できそうな業務は数多くあります。しかし、目についた作業へ順番にAIツールを導入しても、会社全体の業務時間やコストが改善されるとは限りません。
一つの作業が速くなっても、次の工程に承認待ちや確認待ちが残っていれば、業務全体のリードタイムはほとんど変わらないためです。場合によっては、AIによって作成物が増え、確認担当者の負担が大きくなる可能性もあります。
そこで重要になるのが、業務を個別作業ではなく、顧客への価値提供まで続く一連の流れとして捉えるVSMです。
VSMとは何か
VSMは「Value Stream Mapping」の略で、日本語ではバリューストリームマッピングと呼ばれます。
顧客からの依頼や注文を受けてから、商品やサービスを提供するまでの工程を可視化し、どこで価値が生まれ、どこで待ち時間や手戻りが発生しているかを整理する手法です。
VSMでは、業務時間を主に次のように分けて考えます。
| 評価項目 | 確認する内容 |
|---|---|
| 価値付加時間（VA） | 顧客にとって直接的な価値を生む作業時間 |
| 非価値付加時間（NVA） | 待機、転記、重複確認、手戻りなどの時間 |
| サイクルタイム（CT） | 一つの工程を処理するために必要な時間 |
| ウェイトタイム（WT） | 次の処理が始まるまでの待ち時間 |
| リードタイム | 依頼の開始から完了までにかかる全体時間 |
| 品質指標 | エラー率、手戻り率、再処理率など |
AI導入候補を考える際は、作業時間の長さだけでなく、待ち時間、手戻り、データの受け渡し、判断の遅れまで確認する必要があります。
AI導入で起こりやすい「局所最適化」の問題
AI導入で避けなければならないのが、特定の作業だけを速くする局所最適化です。
例えば、生成AIによって企画書の作成時間を短縮できても、その後の確認や承認に数日かかっている場合、業務全体の完了日はほとんど変わりません。
また、開発部門がAIを利用してコード作成量を増やしても、品質確認やテストの処理能力が変わらなければ、下流工程に未確認の成果物が滞留します。
AIを導入する前に、少なくとも次の点を確認する必要があります。
- 業務全体を制約しているボトルネックはどこか
- AIによって増えた処理量を下流工程が受け止められるか
- AIの出力を誰が確認し、責任を持つのか
- データ入力や承認など、前後工程に問題が残っていないか
- AI導入後に全体のリードタイムが短くなるか
AIは、整理されていない業務を自動的に正常化するものではありません。曖昧なルールや複雑な承認手続きが残ったまま導入すると、その問題をさらに増幅させる可能性があります。
VSMでAI導入候補工程を特定する6つの手順
1．部門横断のチームを編成する
VSMの作成は、経営層や情報システム部門だけで進めるものではありません。
対象業務を実際に担当している現場社員、管理職、システム担当者、データ管理者などを含めた部門横断チームを編成します。
現場担当者が参加しなければ、正式な手順書には書かれていない確認作業や、担当者間の個別連絡、Excelへの再入力などを把握できません。
2．対象となるバリューストリームを選ぶ
次に、改善対象となる業務の流れを一つ選びます。
候補としては、顧客からの注文処理、問い合わせ対応、見積書作成、契約審査、採用手続き、製品検査などが考えられます。
対象は、次の観点から選ぶと整理しやすくなります。
- 顧客への影響が大きい
- リードタイムが長い
- 待ち時間や手戻りが多い
- 処理件数が多い
- 経営課題との関係が明確である
最初から会社全体を対象にせず、開始点と終了点を明確に定められる業務を選ぶことが重要です。
3．現在の業務フローを可視化する
選んだ業務について、現在の状態を示す「As-Is」の業務フローを作成します。
担当者、使用システム、入力データ、成果物、承認者、処理時間、待ち時間などを順番に記録します。
この段階では、理想的な手順ではなく、現場で実際に行われている流れを把握しなければなりません。
「本来はシステムで確認するが、実際には担当者へ電話している」といった例外的な動きも、重要な改善材料になります。
4．時間・件数・品質のデータを収集する
各工程について、可能な範囲で定量的なデータを収集します。
- 1件あたりの処理時間
- 待ち時間
- 月間処理件数
- エラー発生率
- 手戻り件数
- 承認回数
- 問い合わせ件数
- 担当者の作業工数
データが十分にそろっていない場合は、一定期間の記録やサンプル調査から始めます。根拠のない印象だけで優先順位を決めないことが重要です。
5．摩擦点とボトルネックを特定する
業務フロー上の待ち時間、重複作業、転記、検索、確認、手戻りなどに印を付けます。
代表的な摩擦点としては、次のようなものがあります。
- 同じ情報を複数のシステムへ入力している
- 必要な文書を探すために時間がかかる
- 担当者によって判断基準が異なる
- 承認者の不在で処理が止まる
- 入力ミスによる再処理が多い
- 部門間の引き継ぎで情報が欠落する
- 処理状況が見えず、確認連絡が発生する
この中から、業務全体の流れを最も強く制約している工程を特定します。
6．AIによる解決方法を検討する
ボトルネックが明確になった段階で、AIによる改善方法を検討します。
重要なのは、使いたいAIツールから考えるのではなく、解決すべき摩擦や遅延から考えることです。
例えば、文書検索に時間がかかっている場合は、社内文書を検索・要約するRAGの活用が候補になります。入力ミスが多い場合は、異常値検知や入力内容の自動確認が考えられます。
ただし、業務ルールが定まっていない場合や、必要なデータが存在しない場合は、AI導入よりも先に業務標準化やデータ整備が必要です。
リーン生産の「7つの無駄」からAI活用を考える
VSMで発見した問題は、リーン生産で用いられる「7つの無駄」に分類すると、AIの役割を整理しやすくなります。
| 無駄の種類 | デジタル業務での例 | AI活用の方向性 |
|---|---|---|
| 作りすぎ | 不要な資料や機能の大量作成 | 需要予測、利用状況分析 |
| 手待ち | 承認待ち、回答待ち、処理待ち | 優先順位制御、予測保全 |
| 運搬 | システム間の手動転記 | AIエージェント、API連携 |
| 加工そのもの | 過剰な確認、重複した書類作成 | 自動照合、手続きの合理化 |
| 在庫 | 未処理案件、承認待ちの滞留 | キュー分析、動的な担当配置 |
| 動作 | 情報検索、画面移動、複雑な操作 | AI検索、ナレッジ検索 |
| 不良 | 入力ミス、判定誤り、手戻り | 異常検知、AIレビュー |
AIの対象を決める際は、単に「時間がかかっている作業」を探すのではなく、なぜその時間が発生しているのかを確認します。
原因がシステム間の分断にあるなら、生成AIだけでなくAPI連携や業務システムの統合が必要になる可能性があります。
効果と導入容易性でAI候補を優先順位付けする
VSMで候補工程を洗い出した後は、「期待される効果」と「導入の容易性」の2軸で評価します。
| 分類 | 効果 | 導入容易性 | 対応方針 |
|---|---|---|---|
| 最優先 | 大きい | 高い | 短期間の実証や導入を検討する |
| 戦略的投資 | 大きい | 低い | 中長期のロードマップを作成する |
| 低優先 | 小さい | 高い | 既存機能で対応できるか確認する |
| 見送り | 小さい | 低い | 原則として対象外とする |
導入容易性を評価する際は、技術的な開発難易度だけでなく、次の要素も確認します。
- 必要なデータが利用できるか
- データの品質が保たれているか
- 既存システムと連携できるか
- 現場が利用しやすいか
- AIの判断を説明できるか
- セキュリティや法令上の問題がないか
- AI出力を確認する責任者を設定できるか
効果が大きくても、データが存在せず、複数システムの刷新が必要な案件は、すぐに着手できません。反対に、簡単に導入できても効果が小さい案件へリソースを使い続けると、本来取り組むべき改善が遅れます。
便益仮説を立ててAI導入効果を検証する
優先候補を選んだ後は、「AIを入れれば便利になる」という曖昧な目標ではなく、検証可能な便益仮説を立てます。
例えば、次のように定義します。
「社内規程を検索・要約するAIを導入することで、担当者が回答作成に要する平均時間と、上司による修正回数を減らせるか」
便益仮説には、対象工程、AIの役割、期待する変化、測定指標を含めます。
PoCでは、一定期間、従来の業務とAIを利用した業務を並行して動かす方法が有効です。同じ条件で処理時間、品質、修正回数などを比較することで、AIによる効果を判断しやすくなります。
AI導入効果を測る5つのKPI
AIプロジェクトは、モデルの精度だけで評価すると、実際の業務価値を見失う可能性があります。
技術から財務までをつなぐため、次の5段階でKPIを設定します。
財務への影響
売上への貢献、作業コスト、外注費、運用費、ライセンス費、トークン消費額などを確認します。
戦略的成果
顧客満足度、契約維持率、対応速度、コンプライアンスの向上など、事業目標への貢献を評価します。
業務プロセスKPI
処理時間、待ち時間、問題解決率、エラー率、欠陥率、手戻り率などを測定します。
ユーザー採用度
利用人数だけでなく、対象業務の中でAIが実際に使われた割合や、人間による修正・差し戻しの割合を確認します。
技術的性能
回答速度、精度、幻覚や不適切出力の発生率、システム稼働率、トークン消費効率などを測定します。
利用回数が増えていても、修正時間や確認負担が減っていなければ、業務改善につながっているとはいえません。
ステージゲートでAIプロジェクトの拡大を判断する
AI導入は、一度に全社展開するのではなく、段階ごとに継続・修正・中止を判断します。
パイロット段階
少人数で技術的な実現可能性、安全性、データ利用上の問題を確認します。
MVP段階
限定された実業務で利用し、処理時間、品質、利用状況、人間による修正率を測定します。
初期スケーリング段階
対象部門や利用者を広げ、効果が継続するか、運用費が便益を上回らないかを確認します。
本格運用段階
通常予算、業務手順、責任体制、監視、教育、改善活動の中へAIを組み込みます。
各段階で基準を満たさない場合は、無理に拡大せず、原因を確認して修正または中止する判断が必要です。
VSMだけでは把握しにくいデジタル業務の課題
VSMは業務全体の流れを整理するために有効ですが、デジタル業務では限界もあります。
担当者への聞き取りを中心に作成したVSMは、調査時点の静的な状態を表したものです。複数システムを行き来する複雑な処理や、例外処理、時間帯による変化などを完全に捉えることは難しい場合があります。
そのため、必要に応じてBPMやプロセスマイニングを組み合わせます。
BPMでは、部門間の役割、システム、顧客接点、例外処理を含めた詳細な業務設計ができます。プロセスマイニングでは、ERPやCRM、ワークフローシステムなどの操作ログから、実際に行われた処理経路や滞留を分析できます。
VSMで全体像と仮説を整理し、プロセスマイニングで事実を確認することで、より客観的な優先順位付けが可能になります。
まとめ
AI導入の優先順位は、使いたいツールや導入のしやすさだけで決めるものではありません。
まずVSMによって、顧客への価値提供まで続く業務全体を可視化し、待ち時間、手戻り、重複作業、システム間の分断、最大のボトルネックを特定する必要があります。
その上で、効果と導入容易性から候補工程を分類し、便益仮説とKPIを設定して小規模に検証します。成果が確認できた案件だけを段階的に拡大することで、AI導入の失敗や不要な投資を抑えやすくなります。
重要なのは、AIを導入すること自体を目的にしないことです。VSMを活用し、業務全体の価値がどのように変わったかを継続的に確認することが、AIを一時的な実験から経営成果へつなげる基盤になります。
コメント