AIエージェントが最も活躍できる業務領域の見つけ方：「判断の余白」がある業務とは

企業におけるAI活用は、単なる「対話型AI」の利用から、自律的にタスクを完遂する「AIエージェント」の活用フェーズへと移行しています。しかし、その一方で既存システムや属人的な業務プロセスとの統合に苦慮し、期待した投資対効果（ROI）を得られていないケースも散見されます。

「会社からAI活用を指示されているが、業務効率化のイメージが湧かない」「AIを導入してみたものの、結局現場で使われなくなった」──。
こうしたお悩みは、弊社に寄せられるご相談の中でも特に多く、共通して「ツール導入が目的化し、業務への適合性（目利き）が不足している」という課題を抱えています。

AIの業務活用で確実な成果を上げるためには、現在のAIに何ができるのかを技術的視点から正しく理解し、それが「自社業務のどこに適合するか」を見極める目利き力が求められています。

本セミナーでは、AI導入のよくある失敗パターンを紐解きながら、AIエージェントが最も得意とする「法則はあるが判断の余白がある業務」への適用方法を、具体的な成功事例を交えて解説します。

主な内容
・今のAIエージェントにできること
・AIエージェント導入の失敗パターン
・成功の秘訣：AIエージェントが最も得意な「『判断の余白』がある業務」に導入する
・成功事例の紹介
・業務効率を上げるためのAIとの付き合い方

こんな方におすすめ
・AIエージェントを自社の個別具体的な業務にどう適応させるべきかイメージが湧かない方
・無料版や汎用ツールの導入を試みたが、社内展開に失敗・挫折した経験のある方
・会社からAI活用を指示されているが、現場の非効率化を懸念し、導入領域の選定に悩んでいる担当者

Transcript

1. AIエージェントが最も活躍できる 業務領域の見つけ方 「判断の余白」がある業務とは NCDC Online セミナー 2026 / 04 / 22 NCDC株式会社
2. 本日の内容 l イントロダクション ① AIエージェントの得意/不得意 l 「判断の余白」とは ② AIエージェント導入の失敗/成功事例 ③ 「判断の余白」の見つけ方 l 業務フローを分解して、ルール化できないステップを見つける ④ AIエージェントの導入方法 l AIエージェント選定 l AIエージェントと人の協働 2
3. l DXの戦略立案から、システムの要件定義〜開発〜運用フェーズに わたって、ビジネスとテクノロジーを橋渡しするコンサルタント l 守備範囲：ITコンサルティング、生成AI、機械学習、AWS活用、 AIシステム構築、データサイエンス、PoC 自己紹介 藏原 これはる アーキテクト・ITコンサルタント
4. 本日のセミナーのゴール l 持ち帰っていただきたい内容 l AIエージェントの得意/不得意の理解 l 「AIエージェントに業務のどこを任せるか」という具体的な着眼点 l 目的に応じて適切なAIエージェントを選定できる目利き力 l 本日お話ししないこと l チャット型AIを効率的に利用するコツ l AIエージェントのブランド同士の比較 4
5. パート1:AIエージェントの得意/不得意
6. l AIエージェントは、自分でタスクを自律的に実行できるAIアプリケーション の総称です l 自律的：自分で計画を立て、実行し、結果を確認し、修正ができること AIエージェントとは 6 従来の生成AI 指示されたことを作るのが得意 自律的に考え、行動し、学ぶ チャット型AI なんでも壁打ちできる「相談相手」として利用 AIエージェント タスクを任せる「実行者」として利用 AIエージェント
7. 本日のテーマ l 本日は、「AIエージェント」に業務を任せることがテーマです lまずはAIエージェントに任せられる業務の立ち位置を説明します 7 「AIエージェント」に業務を任せる！
8. AIエージェントの活躍領域 l 「AIエージェント」の得意な領域は「業務ルール」があり、完全にルール化 できない（＝判断の余白がある）領域の業務です 8 RPA・従来システム向き 請求書転記、在庫更新など １. 定型業務 AIエージェントが得意な領域 柔軟な判断が必要 問い合わせ対応、資料レビューなど 2. 半定型業務 チャット型AI（壁打ち）向き 新規事業立案、利害関係調整など 3. 非定型業務 ルール 大枠あり ルール 100％手順化 ルール なし 判断の余白 あり AIエージェント 必要なし 判断の余白 大きすぎる
9. 「判断の余白」とは l 「判断の余白」 ＝ルールだけでは処理しきれない例外や文脈に合わせ た判断が必要な部分 9 完全に ルールで 対処し切れる 部分 ルール化しきれない部分 =判断の余白 ルールが不完全で例外が多い 例）ゴミの分別問い合わせ対応 基準を言語化しづらい 例）資料のレビュー 状況や判断材料が毎回異なる 例）メールの文章作成 一つの業務 AIエージェントが 得意な領域
10. l AIエージェントは一般知識や業務データをもとに、この「判断の余白」を 埋めることができます AIエージェントの得意業務 10 ルール化しきれない部分 =判断の余白 ルールが不完全で例外が多い 例）ゴミの分別問い合わせ対応 基準を言語化しづらい 例）資料のレビュー 状況や判断材料が毎回異なる 例）メールの文章作成 AIエージェントの強み 過去データを参照して判断できる 一般知識でパターンを推測できる 複数条件を組み合わせて判断できる
11. ここまでの整理：AIエージェントが活躍する業務の分類 l AIエージェントに任せられる業務の立ち位置は以下の赤い領域です l 「業務ルールがあるもの」の中の、ルールに不完全な部分がある領域 11 全ての業務 業務ルールがある 定型業務 半定型業務 RPA/従来システム向き AIエージェントに任せる or 人間が最終判断 チャット型AIを壁打ち利用 業務ルールがない 非定型業務 問い合わせ対応 資料のレビュー 請求書処理、転記 新規事業 利害調整 AIエージェントの得意領域 判断の余白 あり
12. ここまでの整理：AIエージェントが活躍する業務の分類 l AIエージェントの得意業務はルールがあり、「判断の余白がある」もの 12 全ての業務 業務ルールがある 「判断の余白」がない 「判断の余白」がある RPA/従来システム向き AIエージェントに任せる or 人間が最終判断 チャット型AIを壁打ち利用 業務ルールがない 「判断の余白」が 大きすぎる 問い合わせ対応 資料のレビュー 請求書処理、転記 新規事業 利害調整
13. パート1のまとめ l AIエージェントは、「判断の余白」がある業務を代行することが得意です l 判断の余白：業務ルールや進め方は決まっているが、文脈に合わせた判断 が必要になる領域 l AIエージェントは一般的な知識や過去のデータをもとに、「判断の余白」を埋 められる l 不得意な業務もあるので、見極めが重要です 13
14. パート2: AIエージェント導入の失敗/成功事例
15. l ケース：請求書の仕訳・転記をAIエージェントで自動化 失敗パターン 請求書の仕訳・転記 15 ① 月1,000件ほどある請求書の 仕訳・転記をAIエージェントに一任 ③ 経理部のメンバー全員で毎月 チェックするルールが追加となる 教訓 ： 「判断の余白」が存在しないルール化可能な処理なら、 AIを使わない従来のシステムの方が確実で早い ② AIエージェントが数十件ほど、 仕訳ミスや数値の桁間違いをする ことが発覚 業務効率化に繋がらず
16. DX推進の停滞・見直し 失敗パターン 自社のDX推進 l ケース：自社のDX推進施策をAIエージェントに任せ、現状分析から 立案まで進めてみようとした 16 l 一般論 l 理想的なケース l 人・モノ・金が十分にないと、 難しい施策 AIエージェントが考えるDX施策 l 自社の文化 l 業界の動向 l 現場の事情 l 意思決定構造や人間関係 実際に考慮しないといけない要素 噛み合わない 反発 教訓 ： 「判断の余白」が業務全体に及ぶと、AIエージェントでは 扱いきれない
17. 判断の余白がどこにあるか ① コメント分類基準を明確に言語化できない ② コメントごとに文脈が異なり、都度判断が必要 成功事例 製造業： 協力企業へのアンケートコメント分析 l 概要：数百社、数万件にも及ぶアンケートコメントを個別にAIで分析・要 約し、分析結果をフィードバックする仕組みを構築 17 大量のコメント集計 AIエージェントで 分析・要約 分析結果を フィードバック 人手で1週間 → 1日に短縮
18. 成功事例（社内） AIエージェントを使った要件定義フレームワークの運用 l 概要：打ち合わせ議事録をもとに、要件定義書のドラフトを作成するAI エージェントを運用 18 議事録 要件定義書 l 議事録から要望抽出 l 変更箇所チェック l ドラフト作成 AIエージェント l レビュー l 清書 担当者 判断の余白がどこにあるか ① 議事録の要望は多様で、抽出基準を明文化できない ② 他の要望や優先度との整合は、議事録の文脈で都度判断が変わる さらにAIエージェントが判断材料を提示し、最終判断は人が行うことで品質を担保
19. 失敗/成功事例の位置付け l AIエージェント導入は、「判断の余白」がある業務を任せるかどうかが鍵 19 全ての業務 業務ルールがある 「判断の余白」がない 「判断の余白」がある RPA/従来システム向き AIエージェントに任せる or 人間が最終判断 チャット型AIを壁打ち利用 業務ルールがない 「判断の余白」が 大きすぎる 問い合わせ対応 資料のレビュー 請求書処理、転記 新規事業 利害調整 完全にルール化可能ならRPAやシステムで十分 ルール・データがないと扱いきれない 議事録の文脈を考慮 コメントに沿って都度判断
20. パート3: 「判断の余白」の見つけ方
21. 「判断の余白」を見つける業務フローの分解 l 業務フローを分解して、各ステップを次の３点で検討します 21 判断の余白 あり 1つでも 「No」があれば 3つの観点でチェック 業務フローを分解したステップ 例外をある程度網羅できているか 判断基準は明文化できるか 都度判断せず、同じルールで処理 できるか
22. 業務分解の例：要件定義業務の場合 l 要件定義業務では、特に中核ステップに「判断の余白」があります 22 要望は多様で 型にはまらない 要件定義業務の業務フロー 議事録を作成 議事録から 要望を抽出 他の要望との 整合チェック 要望を要件化 ドキュメント化 基準を明文化しづらい 他の要望・優先度を踏 まえたチェック 曖昧な要望を具体的な 要件に変換 都度判断が変わる 基準を明文化しづらい 各ステップ中に潜む 「判断の余白」
23. 業務分解の例： 問い合わせ対応の場合 l 問い合わせ対応でも、中核ステップに「判断の余白」があります 23 問い合わせの表現は 毎回異なる 問い合わせ対応の業務フロー 問い合わせを受付 内容を分類 調査・検索 回答を作成・送信 例外が多い 複数の情報源から内容に 該当する回答を探す 都度判断が変わる 各ステップ中に潜む 「判断の余白」
24. 役に立つ視点 l 普段の業務の中で、「判断の余白」があるとこのようなサインが出ます 24 l 判断基準が、担当者の「センス」に依存して いないか l 文章や資料での説明が難しく 、 やって覚 えるのが手っ取り早い作業はないか l 同じ業務なのに、成果物の品質に 差が生 じないか これらのサインが出ている作業には、 「判断の余白」がある可能性があります 「いい感じ」 にやっている作業 例外が尽きない作業 l 「こういう時はこうする！」というノウハウが 増え続けないか 言語化しづらい作業 担当者によってブレる作業
25. チャット型AIを使って「判断の余白」を探す l最初から「判断の余白」を見つけられなくても大丈夫です 25 まずはチャット型AIに相談し、 業務を整理してみましょう
26. チャット型AIを使って「判断の余白」を探す l チャット型AIと壁打ちして、「判断の余白」を探します 26 日報業務を 分解してみました 「判断の余白」を発見 AIエージェント選定 AIエージェント導入 ２ チャット型AIと壁打ちをして 「判断の余白」を調査する １ 業務をチャット型AIに 説明する ３ 「判断の余白」を AIエージェント化 日報業務 毎日やるのが 大変です 日報業務を分解で きませんか？ このステップの判断基準は 言語化できますか？
27. AIエージェントを活躍させる導入のコツ
28. AIエージェント選定の4観点 l AIエージェント選定でまず見るべきなのは、以下の４つです l 動作環境：ブラウザ / デスクトップ l 契約形態：法人契約 / 個人契約 l 入出力形式：テキストのみ / マルチモーダル l 外部連携：あり / なし l この４点で、そのAIエージェントに任せられる業務がほぼ決まります l 製品名より、利用形態が任せたい業務に合うかどうかが重要です 28
29. AIエージェント選定の例 Microsoft 365 Copilot の場合 l Microsoft 365 Copilot は、Microsoft 365製品を用いた日常業務の情報 整理を得意とします 29 観点 Copilotの特徴 向いている業務 向いていない業務 動作環境 ブラウザ デスクトップ Outlookメールの要約・返信 文案作成 契約形態 法人用 守秘義務があるTeams会議 の議事録作成 入出力形式 テキスト中心 要約、議事録作成 CAD設計図面の作成 外部連携 Microsoft 365製品 Officeファイルの作成、 OneDrive検索 社内システムと連携した自 動処理
30. AIエージェントと人間の協働：ヒューマンインザループ l AIエージェントの性能には限界があるので、人間が補完する前提で導入 しましょう 30 l 誤り・表記揺れを完全には無くせない AIエージェントの限界 人間によるチェックと補完 安全な業務利用の原則 l AIエージェントがやった業務をチェックし、ミスを修正 l AIエージェントに修正指示 l 最終的な承認 l 人間のチェックを前提に業務を設計 l 完全自動化は段階的に
31. ヒューマンインザループの設計例：要件定義業務 l 要件定義エージェントを例に、ヒューマンインザループの設計を示します 31 要望を抽出 AIエージェント 担当者チェック 抽出漏れ・ 重複を確認 ドラフト作成 AIエージェント 担当者チェック ハルシネーション・ 言い回しを確認 要件定義書 として確定 関係者
32. セミナー全体のラップ l AIエージェント導入の勝ち筋は、「判断の余白」がある業務に、人 とAIが協働できる形で導入することです 32 AIエージェントを人とAIが協働できる形で導入すること 判断の余白がある業務に こうしたAIエージェントの導入を進めるために NCDCでは2つの支援をご用意しています
33. 法人専用AIエージェント「BizAIgent」 l 弊社サービス「BizAIgent」のご紹介 33
34. AIエージェント選定の観点 BizAIgent の場合 l BizAIgent は、社内で利用しているSaaS製品や独自システムとの連携が できる点が強みです 34 観点 BizAIgentの特徴 向いている業務 向いていない業務 動作環境 ブラウザ メール下書き文案の作成 PC内ファイルの自動操 作 契約形態 法人用 守秘義務がある資料の レビュー 入出力形式 テキスト中心 要約、議事録作成 オンラインミーティングの 文字起こし 外部連携 カスタマイズ可能 社内システムや各SaaSと 連携した自動処理
35. 生成AI活用ワークショップ l 本日お話しした「判断の余白」の見つけ方を、皆さんの業務で実践する ためのワークショップをご用意しています 35 l 自社内のAI活用方法が分からない l 世間での活用方法を知りたい l 社内のスキルや理解を揃えたい 生成AIの業務活用 イメージを掴む 生成AIエージェント Discovery Workshop 課 題 支 援 内 容 実 施 生成AI Kick Starter カスタムAI 業務改善Hands-onサービス 生成AIのカスタム機能で 業務改善ツールを作成する AIエージェント活用先と 投資効果を知る l 生成AIを適用する業務を見極めたい l どの程度の効果が出るか考えたい l 実現に向けたコストを試算したい l 実務で活用するツールを開発したい l AIを用いた開発のスキルを得たい AIや一般的な活用実績について、 実際の生成AIツールを使いながら 学んで頂くワークショップを実施し ます。 ワークショップを通して、業務にお ける課題感を抽出。 対象を洗い出した上で生成AIを適 用した場合の効果を試算。最終的 にレポートとして結果を報告します。 具体的な業務改善シナリオを協働 で検討、生成AIツールを活用した 業務改善プログラム作成を支援し ます。 1日（2時間程度） 1日（2時間程度） 4週間（週に1回、2時間程度） 本日の内容の実践はこちらのワークショップ
36. ３つのメッセージ l AIエージェントは「判断の余白」がある業務の自動化が最も得意 l 業務を分解して３つの観点でチェックして「判断の余白」を特定 l どのステップに「判断の余白」があるかを掘り下げ l 人間のチェックを前提に、段階的に自動化 36