目的が「AIを使うこと」になっている
どの事業成果を変えるかが決まらなければ、試した回数だけが増えます。
AIX / AI AGENT IMPLEMENTATION
AIを入れる前に、仕事を分ける。
ツールの導入ではなく、仕事の進め方を変え、成果につなげる。
AIツールを導入しても、仕事の流れが変わらなければ成果は変わりません。Aqshは、業務をタスク単位に分け、人が判断する部分、AIが支援する部分、AIエージェントが実行する部分、ITで固定的に自動化する部分を設計します。実装後は、時間、品質、コスト、事業への影響を確かめます。
- GOAL
- 目的と完了条件
- KNOWLEDGE
- 業務知識とデータ
- TOOLS
- システムと操作手段
- AUTHORITY
- 実行できる権限
- VERIFY
- 検証と記録
- ESCALATE
- 人間への引き継ぎ
BRAND PRINCIPLES FOR AI
企業らしさを、AIが参照できる判断基準へ。
会社の目的や価値観が曖昧なままAIエージェントへ仕事を任せると、処理は速くなっても、会社が守りたい約束から外れる可能性があります。
変えない企業らしさと、変えるべき仕事を分け、目的、禁止事項、承認条件、例外をAIが参照できる形へ整えます。
インナーブランディング支援を見る01 / WHAT IS AIX
AIXは、AIを使うことではありません。
Aqshが使うAIXは、AI Transformationの考え方です。AIを仕事のパートナーとして扱い、仕事の進め方と会社の仕組みを変え、実際の成果につなげることを指します。
研修の受講回数やAIの利用回数ではなく、仕事が完了したか、品質を保てたか、人の確認がどれだけ必要だったか、事業へどんな影響があったかを見ます。
AIは、仕事のパートナー。
AIXは、AIを追加することではなく、人とAIが担当する仕事、権限、確認、引き継ぎを設計し直すことです。AIが人間の責任を引き受ける、という意味ではありません。
対象業務が曖昧
部門や職種のままでは、AIに渡す入力と完了条件を決められません。
元の仕事に無駄や重複がある
整理せず自動化すると、不要な処理まで速くなります。
データや社内知識が整っていない
AIが参照する資料が古い、矛盾している、見つからない状態です。
業務システムへ接続できない
回答は作れても、登録、更新、通知まで仕事がつながりません。
権限が決まっていない
どのデータを読み、どの操作まで許すかが曖昧です。
完了条件と品質基準がない
何ができれば終了か、誰が正しさを判定するかを決めていません。
例外時の引き継ぎがない
分からないときに止まるのか、人へ渡すのかが設計されていません。
利用回数だけを測っている
仕事の完了、品質、費用、顧客への影響が見えません。
人の確認時間を数えていない
AIが速くても、確認と修正が増えれば全体は速くなりません。
02 / DIFFERENCES
業務システム、RPA、生成AI、AIエージェントは役割が違う。
新しい技術が、前の仕組みをすべて置き換えるわけではありません。固定手順はルール型自動化、情報の読解や案の作成は生成AI、複数工程の限定実行はAIエージェントというように、仕事に合わせて組み合わせます。
| 種類 | 主な役割 | 特徴 | 人の主な仕事 |
|---|---|---|---|
| 業務システム | 情報を管理する | 人が入力・操作し、状態を共有する。 | 入力、判断、更新 |
| ルール型自動化・RPA | 決められた処理を実行する | 条件と手順が固定された繰り返しに向く。 | ルール設定、例外対応 |
| 生成AI | 読む、考える、作る | 人の依頼に応じ、文章や案を作る。 | 依頼、確認、修正 |
| AIエージェント | 目標に向けて連続実行する | 限定範囲で判断、ツール操作、確認をつなぐ。 | 目的、権限、監督、例外 |
| ロボット | 物理世界で実行する | センサーと機械を使い、現場で動く。 | 安全管理、整備、例外 |
AIエージェントは、何でも自律実行できる仕組みではありません。業務、権限、データ、検証方法を限定して初めて、担当できる仕事が決まります。
03 / AGENT ANATOMY
AIエージェントは、モデル一つでは動かない。
AIモデルの性能だけで、業務の成否は決まりません。何を目指し、何を知り、どの道具を使い、どこまで操作し、どう確かめるか。仕事を完了するための部品をそろえます。
目的
何を達成し、どの状態になれば完了か。
業務知識
社内ルール、商品、顧客、過去の判断を何から参照するか。
状況認識
現在の案件、期限、相手、例外をどう読み取るか。
計画・判断
複数の手順から何を選び、どの順で進めるか。
ツール
メール、CRM、会計、カレンダー、ファイル等をどう使うか。
実行権限
読む、作る、登録する、送る、発注する範囲をどこまで許すか。
記憶
会話、処理履歴、判断理由を何日・どこへ残すか。
検証
正しさ、重複、送信先、完了を何で確認するか。
人間への引き継ぎ
分からない、危険、権限外のとき、誰へ何を渡すか。
04 / AUTONOMY LEVELS
任せる範囲は、段階で考える。
いきなり自律実行へ進まず、人が作る段階、AIが案を出す段階、人が承認する段階を分けます。L5は将来の自律化水準を含む分類であり、現在あらゆる業務で安全運用できる状態を示すものではありません。
| レベル | 状態 | 人間の役割 | 導入時の考え方 |
|---|---|---|---|
| L0 | 人間だけで実行 | 全工程 | 現状の時間・品質を測る基準。 |
| L1 | AIが情報や案を提供 | 作成、実行、確認 | 調査や下書きから試す。 |
| L2 | AIが成果物や処理案を作成 | 承認、修正 | 人が見てから外部へ出す。 |
| L3 | AIが実行し、人が事後確認 | 監査 | 影響が限定され、記録から戻せる範囲。 |
| L4 | AIが限定範囲で自律実行 | 例外対応 | 権限、停止、引き継ぎが機能する範囲。 |
| L5 | AIが目標から計画・実行・改善まで担当 | 方針、統治、責任 | 将来水準を含む。一般的な安全運用を前提にしない。 |
05 / BUSINESS TASKS
部門名ではなく、任せるタスクを決める。
次は導入を約束する一覧ではなく、検討の入口です。同じタスク名でも、件数、例外、データ、権限、誤ったときの影響によって向き不向きは変わります。
営業
見込み顧客調査、企業情報整理、提案書・見積案、CRM記録、定型フォロー、日程調整。
マーケティング
市場・競合調査、コンテンツ案、メルマガ・SNS下書き、アクセス分析、レポート、改善案。
顧客対応
問い合わせ分類、FAQ案、注文・予約状況確認、担当者振り分け、対応履歴記録。
採用・人事
求人票案、応募受付、日程調整、面接記録、入社案内、社内規程検索。採否、解雇、評価は人が責任を持ちます。
経理・総務
請求書読み取り、仕訳候補、入出金照合、未入金通知、契約期限管理、定型申請。送金や税務判断は別に扱います。
開発・Web運用
要件整理、コーディング、テスト、不具合調査、コンテンツ更新、数値監視。
06 / LIMITS
できない理由も、四つに分ける。
「AIには無理」で終わらせず、技術、システム、制度、社会・心理のどこが止めているかを見ます。条件が変われば再検討できるものと、今は人が担うべきものを分けます。
技術的に難しい
長期間の複雑な自律実行、前例のない危機判断、動的な物理現場など。
システム上難しい
必要データが取れない、APIがない、権限を分けられない、記録が残らないなど。
制度上難しい
法的責任の重い最終判断、契約、送金、資格者判断など。
社会・心理的に難しい
深刻なクレーム、心理的支援、信頼形成、暗黙知や例外の多い仕事など。
07 / FOUR LAYERS
AIXは、四つの層をつなぐ。
研修だけ、エージェントだけ、システム連携だけでは仕事全体が変わらないことがあります。必要な層を見極め、社内で扱える範囲から進めます。
AI活用支援
人がAIを使い、調査、分析、制作、判断準備を改善する。
AIエージェント導入
AIがタスクを受け取り、ツールを使い、完了確認まで進める。
業務自動化・連携
メール、CRM、会計、カレンダー、ファイル、Webアプリをつなぐ。
組織・人材再設計
AI導入後の役割、採用、配置、教育、管理、評価を見直す。
生成AI研修は、四つの層を支える定着手段です。ツール操作を覚えるだけで終わらせず、仕事と責任へつなぎます。
08 / PROCESS
影響を小さく保ち、人の確認から始める。
最初の試行では、AIに処理案を作らせても、外部送信、登録、発注は行わせません。人の処理と比べるシャドー運用から、承認型、限定自律型へ進めます。
- 成果目標を定める
時間、品質、件数、売上等のどれを変えるか決めます。
- 業務を棚卸しする
担当、入力、判断、システム、例外を集めます。
- タスクを分解する
AIへ渡せる大きさと完了条件にします。
- 適合性とリスクを評価する
データ、権限、誤りの影響、監督方法を見ます。
- シャドー運用する
実行せずに処理案を作り、人の結果と比べます。
- 人間承認型で試す
人が確認してから登録や送信を行います。
- 限定的に自律化する
条件内だけ実行し、例外は人へ引き継ぎます。
- 計測し、対象を広げる
品質と確認時間を見て、続ける範囲を決めます。
09 / MEASUREMENT
AIの利用回数ではなく、仕事の完了を測る。
AIが作った量だけを見ると、人が直した時間や事故が隠れます。導入前の人だけの状態と、AI支援、AIエージェント運用を同じ指標で比べます。
| 指標 | 確認すること | 見落としやすい点 |
|---|---|---|
| 処理件数・完了時間 | 一定期間に何件を、どれだけの時間で終えたか。 | 待ち時間や人の承認待ちを含める。 |
| 品質合格率・修正率 | 基準を満たした割合と、人が直した割合。 | 見た目の完成度だけで判定しない。 |
| 無介入完遂率 | 人の操作なしで完了できた割合。 | 無介入を増やすこと自体を目的にしない。 |
| 引き継ぎ率・確認時間 | 人へ渡した件数と、確認・修正に使った時間。 | AI処理時間だけで効果を出さない。 |
| 1件当たり総コスト | AI利用費、開発費、人の確認時間を含む費用。 | 初期構築と継続運用を分ける。 |
| 事故・事業成果 | 誤送信、誤登録等と、売上、粗利、顧客満足への影響。 | 事故ゼロを推測せず、実際の記録を残す。 |
10 / SUPPORT
現在地に合わせて、支援の単位を分ける。
料金と期間は、対象業務、データ、システム、権限、検証範囲を確認して個別にお見積りします。必要な支援と、社内で進められることを分けてご提案します。
AIX現在地確認
AI活用の目的、対象業務、データ、体制、次に確認する条件を整理します。
業務分解ワークショップ
仕事の開始、入力、判断、実行、完了、例外をタスク台帳へまとめます。
1業務AIエージェント実証
限定業務で試作し、人の処理と比較して導入判断材料を残します。
部門AIX支援
一つの部門で、複数業務の配分、連携、権限、計測を整えます。
全社AIX支援
部門をまたぐ優先順位、データ、統治、人材・役割を段階的に見直します。
生成AI研修
利用ルールと実務演習をつなぎ、受講後に試す一つを決めます。研修だけの依頼にも対応します。
11 / FAQ
AIX・AIエージェント導入について、よく聞かれること。
ChatGPT研修との違いは何ですか。
研修は、人が生成AIを安全に使い、実務で試すための支援です。AIXはその先も含み、業務を分け、AIエージェントやシステム連携へ実装し、権限と効果を確かめます。現在地によっては、研修だけで十分な場合もあります。
RPAとの違いは何ですか。
RPAなどのルール型自動化は、条件と手順が固定された繰り返しに向きます。AIエージェントは、情報を読み、限定的な判断や複数ツールの操作が必要な仕事を扱います。安定した処理はRPA、柔軟な部分はAIという組み合わせもあります。
既存システムと連携できますか。
API、データ形式、認証、利用規約、権限を確認して判断します。技術的につなげられても、運用が複雑になる場合や、記録・停止ができない場合は別の方法を提案します。
情報漏洩をどう防ぎますか。
入力禁止情報、利用アカウント、データ保持、外部サービスの利用条件、アクセス権限、操作記録を確認します。初回相談で個人情報や機密データを送っていただく必要はありません。
AIが誤ったときはどうしますか。
誤りを前提に、品質基準、テストケース、停止条件、人への引き継ぎを設計します。初期は外部へ影響しないシャドー運用か、人が承認してから実行する形で試します。
AIには、どこまで権限を与えますか。
閲覧、下書き、登録、送信、発注など操作ごとに分けます。必要最小限から始め、記録と取り消しができる範囲を優先します。送金、契約、採否などは無条件の自律実行を前提にしません。
どの業種に対応できますか。
業種名より、業務の流れ、データ、システム、判断責任、物理作業の有無を見て判断します。対応できない部分や、専門家の確認が必要な部分も先にお伝えします。
導入にはどのくらいの期間がかかりますか。
対象業務、データ、システム連携、社内確認、試行回数で変わります。まず一つの業務を分解し、短い検証範囲を決めたうえで、実装と評価の計画を提示します。
小規模な業務から始められますか。
始められます。むしろ、完了条件を確認でき、人が正解を判定できる小さな業務から試す方が、続けるか止めるかを判断しやすくなります。
研修だけでも依頼できますか。
可能です。受講者と業務に合わせ、利用ルール、実務演習、受講後の試行までを設計します。研修後にシステム実装が必要かは、試した結果から判断できます。
AIで何ができるかより、どの仕事を変えるかから話しませんか。
初回は、困っている業務、処理件数、使用システム、人が判断する場所、誤ったときの影響を伺います。AI導入ありきで進めず、研修、業務改善、ルール型自動化、AIエージェントのどこから始めるかを整理します。