③AIに丸投げしても、人がやり直すだけ｜成果を出す企業が実践する役割分担の設計

人とAIで"業務を再設計する"

─ 役割分担を決めない限り、AIは宙に浮く

はじめに

前回、こんな話をした。

「AIは判断支援装置であり、確定装置ではない」 「何%なら業務に乗るかを先に決める」 「人間をベンチマークに、閾値で役割を分担する」

概念としては理解できた。 では、実際の業務にどう落とし込むのか。

ここで止まる人が多い。 「うちの業務に当てはめると、どうなるんだろう」 「具体的に何をAIに任せて、何を人間がやればいいのか」

今回はその問いに答える。 ユースケースの具体例は次回⑤で紹介するとして、この回では「業務をどう再設計するか」の思想と手順を整理する。

1｜よくあるNGパターン

業務にAIを組み込もうとするとき、だいたい3つの失敗パターンがある。

NGパターンA｜丸投げ

「AIに任せれば全部やってくれる」という前提で設計する。 人間のチェックを入れない。判断プロセスを省く。 結果、②で話した「丸投げトラップ」に落ちる。 品質が担保できず、問題が起きてから「やっぱりAIは使えない」になる。

NGパターンB｜結局人がやる

「AIの出力が信用できないから、全部人間が確認する」という設計になる。 AIが出力する。人間が全部チェックする。必要なら全部書き直す。 作業量はむしろ増える。 「AIを入れた意味がなかった」という結論になる。

NGパターンC｜どちらも中途半端

AとBの間で迷った結果、役割分担が曖昧なまま運用が始まる。 AIも使う。人間もやる。でも何をどちらが担うかが定義されていない。 現場が混乱する。AIが宙に浮く。

3つに共通する根本原因はひとつだ。 役割分担が設計されていない。

2｜業務再設計の考え方

AIを業務に組み込むとき、最初にやるべきことがある。

業務をプロセス単位で分解することだ。

「この業務にAIを使う」ではなく、「この業務のこのプロセスにAIを使う」まで解像度を上げる。

分解したプロセスごとに、役割を定義する。

AIが担うこと
　→ 処理・生成・網羅・パターン認識
　→ 大量データの一括処理
　→ 構造化された情報からの出力

人間が担うこと
　→ 判断・精査・文脈理解
　→ 業務知識・経験に基づく補正
　→ 最終承認・責任の担保

この役割定義が明確になって初めて、AIは業務の中で機能し始める。 逆に言えば、この定義がないまま「とりあえずAIを使ってみる」では、どこかで必ず詰まる。

3｜プロセス分解の具体的なやり方

「業務をプロセスに分解する」と言っても、実際にどうやるかがわからないと手が動かない。

手順はシンプルだ。

まず、対象の業務を「動詞」で書き出す。

例えば「提案資料を作る」という業務なら、こう分解できる。

① 顧客情報を収集する
② 業界・競合を調査する
③ 課題を仮説立てする
④ 構成を考える
⑤ 資料を書く
⑥ 内容を確認・修正する
⑦ 顧客に説明する

次に、各プロセスに対して「これはAIが得意か、人間が得意か」を判断する。

① 顧客情報を収集する　→　AIが得意（情報整理・要約）
② 業界・競合を調査する　→　AIが得意（情報収集・整理）
③ 課題を仮説立てする　→　人間が主、AIが補助（文脈理解が必要）
④ 構成を考える　→　AIが得意（構造化・網羅）
⑤ 資料を書く　→　AIが得意（初稿生成）
⑥ 内容を確認・修正する　→　人間が主（判断・精査）
⑦ 顧客に説明する　→　人間のみ（関係構築・文脈対応）

この分解をやることで、「どこにAIを差し込めるか」が一気に見えてくる。 「AIを使う」という漠然とした話が、「③と⑥以外はAIが一次案を出す設計にする」という具体的な設計に変わる。

重要なのは、最初から完璧に分解しようとしないことだ。 まず粗く分解して、小さく試す。 やってみてから「ここは人間じゃないと無理だった」「ここはAIの精度が十分だった」を学習して、設計を磨いていく。

4｜役割定義の3つの軸

プロセスを分解した後、役割を定義するときに使える判断軸が3つある。

軸1｜ミスのインパクト

そのプロセスでAIが間違えたとき、どれだけ影響が大きいか。

顧客への最終回答・契約判断・コンプライアンス対応など、ミスが直接問題につながるプロセスは、人間のチェックを厚くする。 情報の一次整理・ドラフト作成・データ分類など、ミスがあっても後で修正できるプロセスは、AIに任せる範囲を広げる。

軸2｜文脈理解の必要性

そのプロセスで「背景・関係性・空気感」の理解が必要か。

顧客との関係性・組織の力学・過去のやりとりの文脈など、データになっていない情報が判断に必要なプロセスは、人間が担う。 構造化されたドキュメントの処理・データの整理・パターンの抽出など、文脈よりも情報の処理量が重要なプロセスは、AIが得意だ。

軸3｜処理量とコスト

そのプロセスの処理量が多く、人間がやるとコストが高いか。

大量のデータ処理・繰り返し作業・網羅的な情報収集など、量が多いほど人間のコストが上がるプロセスは、AIへの移行効果が高い。 少量だが判断の質が重要なプロセスは、人間が担う価値が高い。

この3軸で各プロセスを評価すると、「AIに任せる」「人間が主でAIが補助」「人間のみ」の3段階で役割が整理できる。

5｜設計は一度で完成しない

ここまで読んで、こう感じた人もいるかもしれない。

「設計が複雑そうで、どこから手をつければいいかわからない」

正直に言う。最初から完璧な設計はできない。

重要なのは、小さく始めることだ。

一つの業務、一つのプロセスから試す。 AIを使ってみて、どこが機能してどこが機能しなかったを記録する。 その学習をもとに設計を修正する。 うまくいったら横展開する。

この繰り返しが、組織のAI活用を「検索どまり」から先に進める唯一の道だ。

そして、その設計を動かすためには、業務もわかりAIもわかる翻訳者の存在が鍵になる。 ①で述べた通り、業務側とIT側のギャップを埋めて、「この業務のこのプロセスにAIをこう使う」という設計に落とし込める人間が、AI活用の推進を担う必要がある。

具体的にどんな業務でこの設計が機能するのか。 次回⑤では、11のユースケースを設計の観点から整理して紹介する。 自分の職場に当てはめながら読んでほしい。

6｜AIを入れると、人がやる仕事の「質」が変わる

ここまでの話を通じて、一つの本質が見えてきたはずだ。

AIを業務に組み込むと、人間がやる仕事の「中身」が変わる。

Before　AIなし
　処理・生成・網羅　→　人間がやる
　判断・精査・承認　→　人間がやる

After　AI導入後
　処理・生成・網羅　→　AIがやる
　判断・精査・承認　→　人間がやる

単純処理や網羅的な作業はAIが担う。 人間は判断・文脈理解・関係構築に集中する。

これは「人間の仕事がなくなる」ということではない。 人間がやるべき仕事の「質」が上がるということだ。

ルーティンワークに追われていた時間が、思考と判断に使える時間に変わる。 これが、AIが「業務の一部を効率化する」のではなく、「業務の構造そのものを変える」ということの意味だ。

ただし、この変化を起こすには条件がある。 AIに渡す情報の質が担保されていることだ。

どれほど優れた設計をしても、入力する情報が古ければ、出力も古くなる。 次回④では、この「データの品質管理」という観点を掘り下げる。

おわりに──次回予告

「AIに何を渡すか」の問題は、単なる入力の話ではない。

企業が持つ情報資産をどう管理するか、という組織レベルの問いだ。

古い情報が混在したナレッジベース。 更新されないマニュアル。 誰も整理していない社内データ。

これらをAIに渡すと何が起きるか。 そしてどう設計すれば、AIが正しく機能し続けるか。

次回④では、「データが腐ると、AIも腐る──AI時代の"情報資産管理"という新常識」を掘り下げる。

このシリーズは全5回です。
① AI導入したのに現場が使わない理由｜ツール展開だけでは業務は変わらない
② AIが「たまに間違える」のは欠陥じゃない｜現場担当者が知っておくべきAIの本質
③ AIに丸投げしても、人がやり直すだけ｜成果を出す企業が実践する役割分担の設計（本ページ）
④ 社内データをAIに入れるだけでは危ない｜メンテナンス設計なきAI活用が招く静かな失敗
⑤ 今日から使えるAI活用11選｜現場支援で見えた、業務を変えるユースケース実例

#創作大賞2026 #ビジネス部門