AI業務改善における判断記録と結果分析の進め方
参照したAIgram
目次
概要
AIを業務に入れたあと、「なんとなく便利になった気がする」で止まってしまうことは少なくないと思います。事例を見ると、そこから先に進んでいる取り組みには共通点があります。判断とその結果を記録し、両者を突き合わせているという点です。
AIデータの「AI SCM Loop」は、調達判断と在庫結果のデータを突合し、欠品や過剰在庫が生じた要因を継続的に学習して、次回以降の発注・調達判断への改善提案につなげます AI SCM Loopが発注と利益の関係を分析。突き合わせる前提として、データの意味をそろえる作業も必要です。ヤンマーホールディングスは「Quollio Data Intelligence Cloud（QDIC）」で実績計上のタイミングや洋上在庫などの在庫区分のデータ定義を明文化・公開し、データ分析者が迷わず正しい分析を行える環境が整いつつあります ヤンマーHD、QDIC採用と生成AI自動化を一部運用。
対象を絞ることも共通しています。STATION Ai Data Foundryは、単にデータを集めるのではなく、投資対効果が期待できるタスクを選定してデータ収集と実証を集中的に行います STATION Ai Data Foundryの製造業AI実証。結果が毎回同じとは限らないものについては、繰り返し測る必要があります。エコテックは、AIの回答が変動し毎回引用されるとは限らないため、定点観測で継続確認しています エコテックAIO対策で3AI引用を確認。
そして蓄積した記録は、次回の判断に回されます。バクラクではAIが過去の仕訳との一貫性を考慮して仕訳を推薦し、人は自動入力された仕訳を確認するだけで、会計ソフトや振込に対応したデータを出力できます バクラクAIによる請求書処理工数90%削減。OpenAIはGPT-5.6 Solで提供ソフトウェアを最適化し、モデル提供のエンドツーエンドコストを20％削減、投機的デコーディングの改良でトークン生成効率を15％以上高めています OpenAI GPT-5.6 Solの最適化とコスト削減。
AI業務改善は、判断とその結果を記録して突き合わせ、対象を絞って測定し、蓄積を次回の判断に回すという流れで進みます。記録がなければ、何が効いたのかを判断する材料も残りません。
判断と結果を突き合わせて記録する
まず記録するのは、AIや人が「何を判断したか」と、その判断が「どうなったか」の両方です。片方だけでは、次に生かせません。
AIデータが挙げる調達・購買部門の状況が分かりやすい例です。発注した結果が利益にどうつながったかを把握しにくく、発注ごとに欠品なく在庫の回転が良好で粗利が改善する例もあれば、納期遅延や過剰在庫、値引き販売で粗利が悪化する例もあります 。同じ「発注」という判断でも、結果は分かれます。判断だけを記録しても、結果だけを記録しても、どちらが良い判断だったのかは分かりません。
そこでAI SCM Loopの調達・在庫データ突合AIは、調達、発注、在庫、販売、粗利の各データを自動でひも付け、どの調達判断が在庫や利益に影響したかを可視化します
。判断と結果がひも付いた状態になって、はじめて振り返りの材料になります。
同じ考え方は、AIを提供する側にも見られます。OpenAIはChatGPT、ChatGPT Work、Codex、APIの利用状況から、利用者が価値を見いだす点と課題を把握し、研究開発へ反映しています 。作ったものがどう使われたかを見て、次の開発につなげる形です。
記録するのは判断と結果の両方です。ひも付いていない記録は、振り返りの材料になりません。
突合の前にデータ定義を統一する
判断と結果を突き合わせようとすると、多くの場合その手前でつまずきます。同じ言葉が、部署やシステムごとに違うものを指しているためです。
ヤンマーホールディングスは、事業会社ごとにビジネスモデルが異なるため、基幹システムを単一に統一せず、各事業に適したシステムの選択を認める方針をとっています。この方針は各事業の機動力を高める一方で、システムごとにデータ形式が異なるという課題を生みました。現場では複数システムから抽出したデータをExcelで手作業で突き合わせる運用もあり、データの抜け漏れや誤りのリスクがあったといいます 。
同社が採用したQDICは、企業内に分散するデータの所在や構造を示すシステム面でのメタデータに加えて、業務ルールや背景といった業務文脈のメタデータを管理します。実績をいつ計上するのか、洋上在庫をどの区分として扱うのか、といった取り決めまでを明文化して共有する仕組みです
。
データがそろわないという課題は、業界単位でも起きています。製造業では、フィジカルAIの開発に必要な環境データが企業ごとに分散して管理され、業界全体で十分に蓄積・共有されていないことが社会実装の課題になっています 。
自分の職場に置き換えるなら、記録を始める前に次のあたりを確認しておくと後の手戻りが減ります。
- 記録する項目の名前と意味を書き出し、関係者で同じ理解になっているか確認する
- 数値をいつの時点で計上するのかを決める
- 例外的な扱いをするケースを明記する
- 決めた内容を、後から参照できる場所に置く
記録して測定する対象を先に絞る
すべてを記録しようとすると、集める作業そのものが負担になります。事例では、対象を先に絞り込んでいます。
STATION Aiが設立したSTATION Ai Data Foundryは、単にデータを集めるのではなく、投資対効果が期待できるタスクを選定し、データ収集と実証を集中的に行うことを特徴としています。データ収集やモデル開発ではトロン株式会社と連携し、作業者のマルチモーダルデータの収集・加工やロボットデータとの連携、AIモデルの検証を進めます。タスク選定や課題整理では株式会社ブーステックと連携し、生産性向上や省人化に直結する実課題ベースのユースケース設計を進めます 。何を収集するかの前に、どのタスクを対象にするかを決めている構成です。
範囲を段階的に広げる進め方も参考になります。ヤンマーホールディングスのPSI（生産・販売・在庫）分析は現在1事業部で先行しており、これを全事業へ展開する方針です 。まず一つの範囲で成立させてから広げる形になっています。
記録の対象は、効果が期待できる業務を選んでから決めます。範囲は一つの部署や工程から始め、成立を確認してから広げます。
変動する結果は定点観測を継続する
記録した結果が毎回同じとは限らない領域もあります。その場合、一度の確認では判断できません。
株式会社エコテックは、自社グループの商材であるフロアコーティング「エコプロコート」に特許出願中の技術でAIO対策を施し、ログインも履歴もない状態のChatGPT・Gemini・Claudeが回答の中で同商材を引用することを、2026年7月20日の当社計測で確認しました。同社は、AIの回答は変動し毎回引用されるとは限らないため、定点観測で継続確認しているとしています 。
もう一つ、条件の切り分けについても触れています。エコプロコートには長年積み上げた自社ドメインがあるため、既存ドメインで検証すると、AIO対策が効いたのか元々ドメインが強かったのかを切り分けられません。そこで同社は、強さのない新しいドメイン「AIO-LLMO.jp」で一から検証していく過程を公開する予定としています 。
自社で測定するときも、同じ二点が効いてきます。
- 結果が変動するものは、1回の測定で結論を出さず、同じ条件で繰り返し測定する
- 測定の条件（誰が、いつ、どの状態で）を記録に残す
- 効果が施策によるものか、元々の条件によるものかを切り分けられる形にする
蓄積した記録を次回の提案に使う
記録がたまってくると、それ自体が次の判断の材料になります。事例では、AIがその蓄積を読んで提案を出す形をとっています。
AI SCM Loopは、調達判断と在庫結果のデータを突合して欠品や過剰在庫が生じた要因を継続的に学習し、学習結果をもとに成功パターンと失敗パターンを分析して、次回以降の発注・調達判断への改善提案につなげます 。
バクラクでは、AIが仕訳ルールを学習し、過去の仕訳との一貫性を考慮して最適な仕訳を自動で推薦します。さらにコスト削減エージェントが、仕訳や取引データから削減余地を分析し、施策・効果金額・リスクまで整理します 。過去の処理が、次の処理の推薦材料と、コストの見直し材料の両方になっている構成です
。
記録は、後から見返すためだけのものではありません。次回の判断への提案を作る材料になります。
人は提案の確認と判断を担当する
AIが提案を出すようになると、人の仕事は無くなるように思えるかもしれませんが、事例では人の役割が明確に残っています。位置が「入力」から「確認と判断」へ移っています。
バクラクでは、人は自動入力された仕訳を確認するだけで、お使いの会計ソフトや振込に対応したデータ形式で仕訳・振込・消込データを出力できます 。入力そのものではなく、出てきた内容が妥当かを見ることが人の作業になっています。
AI SCM Loopに備わる「AI SCM参謀」は、SCM責任者や購買部長に対し、調達や在庫、サプライヤー、発注、物流で改善すべきアクションを提案します 。提案を受け取って実行するかを決めるのは、責任者側です。
この分担が成立するには、AIが読める形でデータが整っている必要があります。ヤンマーホールディングスの常務取締役で経営戦略、技術、DXを担当する奥山博史氏は、「人間がBIツールで分析するだけでなく、AIが統合的にデータ基盤を横断して必要なデータを取ってきてインサイトを提示する時代が必ず来る。AIが正しく理解できる、AIフレンドリーなデータ基盤になっていなければならない」とコメントしています 。
見込みと実測値を分けて扱う
最後に、記録を扱ううえで大事な区別があります。「これから期待できること」と「すでに確認できたこと」を混ぜないことです。事例の書かれ方も、この二つが分かれています。
- AI SCM Loopの欠品削減、在庫回転率の向上、粗利改善、キャッシュフロー改善は、見込める効果として示されています
- STATION Ai Data Foundryは2026年12月の稼働開始を目指す段階にあり、東海地区の企業と連携して実証を進めます
- OpenAIは、提供ソフトウェアの最適化によるエンドツーエンドコスト20％削減と、投機的デコーディングの改良によるトークン生成効率15％以上の向上を、実施済みの結果として示しています
- ヤンマーホールディングスは生成AIを活用したワークフローの自動化を一部で運用開始しており、対象業務や定量的な効果は明確にされていません
社内で報告するときも、この区別をそのまま持ち込むと話がぶれません。見込みは見込みとして書き、確認できた数値は測定条件とあわせて書く形です。
見込みを実績として扱うと、次の判断を誤ります。記録には、確認済みの数値なのか期待値なのかを併記します。
結論
AI業務改善を進めるうえで、事例から読み取れる進め方を整理します。
- 判断と結果の両方を記録し、ひも付けて突き合わせる
- 突き合わせる前に、記録する項目の定義を明文化して共有する
- 記録と測定の対象を、効果が期待できる業務に絞る
- 結果が変動するものは、条件をそろえて定点観測を続ける
- 蓄積した記録を次回の提案の材料にし、人は提案の確認と判断を担当する
- 見込みと実測値を分けて記録する
AI SCM Loopは、調達、発注、サプライヤー、在庫、需要予測、原価、粗利など20以上のデータ項目を統合的に分析し、判断と結果の関係を可視化します 。ヤンマーホールディングスでは、QDICによるデータ定義の明文化・公開が、PSI分析で正しい分析を行える状態につながっています 。エコテックは、AIの回答が変動するため、1回の確認ではなく定点観測で継続確認しています 。バクラクでは蓄積した過去の仕訳がAIの推薦に使われ、人の作業は確認に移り、請求書処理工数90%削減を掲げています 。OpenAIは利用状況から利用者が価値を見いだす点と課題を把握して研究開発へ反映し、GPT-5.6 Solによる提供ソフトウェア最適化で、モデル提供のエンドツーエンドコストを20％削減しました 。
特別な発想は必要ありません。判断と結果を記録し、定義をそろえ、対象を絞って測り続ける。その積み重ねが、次回の判断の材料になります。