AI PoCのテーマ選定で投資対効果を測れる業務を選ぶ4条件
参照したAIgram
目次
概要
AIの試験導入（PoC）を始めるとき、「どの業務で試すか」で迷われる方は多いと思います。事例を見ていくと、成果につながっている取り組みは、テーマ選びの段階で共通の条件を満たしています。
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、データ収集と実証を集中的に行う方針を取っています。タスク選定と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ています STATION Ai Data Foundryの製造業AI実証。KDDIアジャイル開発センターは、「2,000TPSを5分間、p95で100ms以内で応答する」は検証する手段がなければ単なる願望だとして、性能要件をk6の閾値としてコード化しています KDDIのOpenSpec・Claude Codeガードレール。デンソー工機部は、案件・担当者・コスト・取引先を紐づけてDataverseに格納し構造化することでCopilotやAIエージェントの回答精度を上げ、「小さくアジャイルにスタートできること」をAI DX構想の1つ目のポイントに挙げ、作業工数約20%削減と年間約8万時間の創出を見込んでいます デンソー工機部のDynamics 365によるAI DX。enveddedは、現場を把握し仮説を立て小さく試し、結果を次の改善につなげるサイクルを、現場で働く人自身が回すことにフォーカスしています fireflakeのenveddedが農業現場改善を支援。
PoCのテーマは、省人化や生産性向上に直結すること、成功基準と検証手段を先に用意できること、AIが読める形でデータを出せること、現場の担当者が試行錯誤を回せることの4条件で選びます。
投資対効果が期待できる業務を先に選定する
STATION Ai株式会社は、製造業におけるフィジカルAIの社会実装を加速させるため、データ収集センター「STATION Ai Data Foundry」を設立し、2026年12月の稼働開始を目指しています。このセンターの特徴は、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点にあります 。
なぜ選定が先に来るのか。同センターは、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を社会実装の課題として整理しています。特に、現場ごとのばらつきや扱う部品の多様性に対応できず、組み立てやピッキングなどの自動化は極めて困難でした。対象を絞らずにデータを集めても、量が増えるだけで実証に届かない、という前提が置かれています。
集められるデータから始めるのではなく、効果を測れる業務を決めてから、そこに必要なデータを集めます。
条件1は省人化と生産性向上への直結
1つ目の条件は、その業務を改善したときに、人手や時間の削減として数えられることです。
STATION Ai Data Foundryは、タスク選定や課題整理で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ています 。「実課題ベース」という言葉が示すのは、思いついたユースケースではなく、現場がすでに困っている作業から選ぶという順序です。
デンソー工機部の例は分かりやすいです。同部では、部品メーカーからの納期情報を紙で受け取り、担当者がExcelに手入力していました。人手に頼る運用のため手間がかかり、情報の更新にも時間を要していたことを課題として挙げています。Dynamics 365で納期管理フローを自動化するには、部品メーカーからの納期回答をデジタル化する必要があり、現在はAIビルダーを使って各メーカーとの納期確認メールを構造化データに変換して活用することを検討中です デンソー工機部、Dynamics 365で工数20%削減へ。誰が、どれだけの時間をかけているかがはっきりしている作業です。
同部はマイクロソフト製品を活用したAI DXにより、作業工数を約20%削減、年間約8万時間の創出を見込んでいます 。これは実績値ではなく見込みですが、数字として置けること自体が、その業務を選んだ理由の裏づけになっています。
条件2は成功基準と検証手段の事前用意
2つ目の条件は、「うまくいった」と言える基準と、それを確かめる方法を、始める前に用意できることです。
KDDIアジャイル開発センターは、OpenSpecによる仕様駆動開発で、AIが一度に1つずつ質問し、目的・制約・成功基準を引き出してから仕様を生成しています。この段階では実装方法を書きません 。何を作るかより先に、何をもって達成とするかを固める進め方です。
さらに同センターは、非機能要件を「テスト可能」にするため、Requirementsの性能要件をk6の閾値としてコード化し、ECS Fargateで性能試験を行っています。95パーセンタイルの応答時間を100ミリ秒未満、失敗率を0.001未満といった形で、機械が判定できる数値に落としています。
同センターは、AIは与えられたものを増幅する装置であって、ゼロから正解を当てる装置ではないとしています。増幅する元となる目的・制約・仕様がなければ出力はギャンブルになり、改善ができません。
検証する手段のない目標は願望のままです。PoCのテーマは、達成の判定方法まで書ける業務から選びます。
条件3はAIが読める形でのデータ出力
3つ目の条件は、その業務の状況を、AIが扱える形のデータとして取り出せることです。
デンソー工機部は、構築における最初の課題を「AI-Readyなかたちで、いかにデータを整えるか」としました。案件、担当者、コスト、取引先などをすべて紐づけてDataverseに格納し、Dynamics 365で流しています。データが構造化されているため、CopilotやAIエージェントが活用しやすく、精度の高い回答が返ってくると説明されています 。
データの鮮度も条件に含まれます。同部では従来、夜間バッチ処理で前日のデータが入る運用でしたが、意思決定のスピードと正確性を高めるにはそれでは遅いと判断し、必要なデータについて基幹システムの更新がリアルタイムでDynamics 365に反映されるようにしました 。
数値データだけがAI-Readyの対象ではありません。
- enveddedは、現場のIoTデータをクラウドに収集し、データだけでは表せない「人間が感じたこと」や「実施した作業・対策」のメモを加えて、AIが読み取りやすいファイルとして出力します
- STATION Ai Data Foundryは、入居する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モデルの検証を推進します
- デンソー工機部は、メールやTeamsの会話に含まれる情報を活用対象と位置づけ、ベテランの引退時にTeamsの録画機能で語ってもらった内容を構造化してDataverseに入れることで有益な財産になると見込んでいます
条件4は現場担当者による試行錯誤
4つ目の条件は、現場の担当者自身が仮説を立てて試し、結果を見て次の手を打てることです。
enveddedは、農業の現場でデータの取得は可能になったものの、改善や判断に十分生かしきれていない状況を前提にしています。自動化や機械化ではなく、「現場を把握し、仮説を立て、小さく試し、その結果を次の改善につなげる」というサイクルを、現場で働く人自身が回すことにフォーカスした設計です。現場で実証した効果は再びデータとして蓄積され、次の改善につながります。さらに、新しい環境データの計測や制御方法の変更に必要な知識は「DIYガイド」として提供され、思いついた仮説をすぐ試せるようになっています 。
デンソー工機部も、現場を変革するのは現場自身であるという考えから、部内の合意形成に最初に取り組みました。ベテラン・中堅・若手と語り合うグループミーティングを重ね、1,000名を超える部員から現場の声を直接聞いています。実務者は熱意をもって思いを伝え、要望を聞くボックスも設けました 。
担当者が回せる状態にするには、学ぶ機会も必要です。AIZUSは、使い方は理解していても業務で活用できない、情報が多く何から始めればよいか分からないという課題を背景に、2ヶ月間・全8回（週1回×2時間）の少人数ワークショップと講師の伴走、1年間の継続コミュニティで、業務への定着を図るプログラムです AIZUSで13種AIを業務へ定着する研修。
4条件を満たす業務は小さく始めて拡大できる
4つの条件を満たす業務は、規模の小さいところから着手し、あとから広げられます。
デンソー工機部は、1つのプロジェクトでAIエージェントを開発・導入した後に、Dynamics 365が伴走しながらデータを貯めて活用していくアプローチを取りました。本社の基幹システムを改修せず、必要なデータ連携だけでAI活用を行うことで、手間も工数も構築期間も大幅に削減できたとしています 。現在は6つのプロジェクトが同時に進行し、すでに現場へ導入されたアプリもあります。
- 進捗遅れ案件の自動フォローチャット。AIエージェントがTeamsのチャットでフォローメッセージを送り、担当者が即時に対応方針を回答する
- AIによる受注予測。顧客や投資区分などの特徴を踏まえて傾向を予測し、営業活動に生かす
- AIによる設計担当者のマッチング。プロジェクトに対する最適な設計者を選び、主観や属人性を排除する
- 熟練設計者の暗黙知の組織知化。過去トラブルを含むリスク情報をもとに、懸念と対策をAIが推奨する
拡大の計画も、事例では明示されています。STATION Ai Data Foundryは単発の実証にとどまらず、2026年12月の稼働開始に向けて東海地区の企業と連携して実証を進め、将来的なユースケースの創出と、その成果の全国展開を目指しています 。fireflakeは、農業生産者とのenveddedを用いた実証実験を継続しつつ、現場での活用方法の検証と改善、仕組みや考え方の普及を進める方針です 。いずれも現時点では計画であり、確定した成果ではありません。
結論
AIのPoCで投資効果を測れる業務は、次の4条件で選べます。
- 省人化や生産性向上に直結する。STATION Ai Data Foundryは投資対効果が期待できるタスクを選定して実証を集中させ、選定と課題整理は生産性向上や省人化に直結する実課題ベースで行っています
- 成功基準と検証手段を先に用意できる。KDDIアジャイル開発センターは目的・制約・成功基準を先に固め、性能要件をk6の閾値としてコード化して検証可能にしています
- AIが読める形でデータを出せる。デンソー工機部はデータをAI-Readyな構造で整えたうえで小さく始め、現場の合意形成を経て複数のアプリを導入し、作業工数約20%削減と年間約8万時間の創出を見込んでいます
- 現場の担当者が試行錯誤を回せる。enveddedは、現場の人自身が仮説を立てて小さく試し、結果をデータとして蓄積して次の改善につなげるサイクルを支える設計です
難しい発想は必要ありません。自分の職場で、時間がかかっている作業を挙げ、その4条件に当てはまるかを一つずつ確かめていくことが、テーマ選定の実際の進め方です。