AI化する業務の洗い出し方｜評価表付き5手順

「AIを使えと言われたが、どの業務から手を付ければよいか決められない」「ツールは入れたのに、使われているのは議事録の要約くらい」。AI導入の検討でよく聞かれるのが、この“どこから問題”です。この記事では、社内の業務を洗い出し、手間×頻度×価値で採点して、AI化する順番を決めるまでの手順を、評価表の記入例と「AIに向かない業務」の見分け方を含めてまとめます。

AI導入が「どこから」で止まるのはなぜか

方針は決まっても、対象業務が決まっていない

生成AIを使う方針そのものは、すでに多くの企業で決まりつつあります。総務省「令和8年版情報通信白書」（生成AIの活用方針等）によると、2025年度の企業向け調査で、生成AIを「積極的に活用する方針」または「領域を限定して利用する方針」と答えた日本企業は合計68.9%で、前年度の49.7%から大きく上がりました。企業規模別では大企業74.0%、中小企業58.1%です。

一方で、何に使っているかを見ると偏りがあります。同白書の生成AIの業務利用状況では、活用方針を「わからない」と答えた企業を除くと、何らかの業務で生成AIを使っている日本企業は86.4%に達したものの、業務類型別に最も多いのは「議事録・メール作成補助」（約7割）でした。さらに生成AIの活用により生じうる影響では、日本企業は「業務の効率化」を挙げる割合が61.6%と突出しており、他の3か国（米国・ドイツ・中国）が最も多く挙げた「製品・サービスの質の向上」は32.2%にとどまっています。

つまり、多くの企業は「AIを使うこと」は決めたものの、「どの業務に、どれだけの価値があるから使うのか」までは決め切れていない状態です。議事録のように誰でも始めやすい用途に利用が集まり、その先の、事業の数字に効く業務へは広がっていきません。これが「どこから」で止まる構造です。

ツールから入ると、業務の優先順位が後回しになる

よくある進め方は、先にツールを選び、そのツールでできることを社内で探すという順番です。この順番だと、評価の基準が「そのツールで動くかどうか」になり、業務としての重要度が見えなくなります。結果として、手軽に試せるが効果の小さい用途ばかりが並び、PoC（概念実証）を重ねても本番の投資判断ができません。PoCが本番につながらない原因は、姉妹記事のAI導入がPoCで止まる原因でも詳しく扱っています。

順番を逆にして、まず業務を洗い出し、価値の大きい順に並べてから手段を選びます。これがこの記事の考え方です。

AI化する業務を選ぶ5つの手順

Riizeでは、AI化の対象を次の3つの考え方で決めています。

業務を分解する：時間を要する工程と、売上に直結する工程を見えるようにする
価値で評価する：手間×頻度×価値で、AI化すべき業務を見極める
効果を設計する：コスト削減か売上向上かを、数字で定義してから着手する

これを社内で実行できる形に落とすと、次の5つの手順になります。

手順	やること	主な成果物
1. 洗い出し	部門ごとに業務を工程（タスク）単位まで分解する	業務一覧
2. 採点	各タスクの手間・頻度・価値に数字を付ける	評価表（定量）
3. 適性判定	AIとの相性で「向く・条件付き・向かない」に分ける	評価表（定性）
4. 優先順位付け	価値と実現しやすさの2軸で並べ、最初の1〜3件を決める	候補リスト
5. 効果設計	何を、いつまでに、どれだけ変えるかを数字で決める	効果の定義書

以下、順に説明します。

手順1：業務を工程（タスク）単位まで分解する

最初のつまずきは、業務を大きな単位のまま評価してしまうことです。「営業業務」「経理業務」という粒度では、AIに向く部分と向かない部分が混ざっているため、判断ができません。

たとえば「見積業務」は、次のように分解できます。

顧客からの依頼メールを読み、条件を整理する
過去の類似見積を探す
単価表・原価を参照して金額を計算する
見積書を作成する
上長が承認する
顧客へ送付し、履歴を残す

このうち「過去の類似見積を探す」「依頼メールから条件を整理する」はAIと相性がよく、「承認」は人が責任を持つべき工程です。分解して初めて、どこにAIを入れるかが具体的になります。

洗い出しの方法は、次の3つを組み合わせると漏れが減ります。

担当者ヒアリング：「毎週・毎月必ずやっている作業」「時間がかかる割に気が重い作業」「その人しか分からない作業」を聞きます。
カレンダーと作業ログの棚卸し：1か月分の予定や、業務システム・チャットの記録から、繰り返し発生している作業を拾います。
アウトプットからの逆算：毎月作っている資料・帳票・報告書を並べ、それぞれを作るための作業をさかのぼります。

各タスクについては、少なくとも「名称」「インプット（何を見て）」「処理（何をして）」「アウトプット（何を出すか）」「担当者」「1回あたりの時間」「発生頻度」を1行で記録します。この段階では、AIに向くかどうかは考えず、網羅を優先してください。

手順2：手間・頻度・価値で数字を付ける

次に、洗い出したタスクに数字を付けます。ポイントは、手間と頻度を掛けて「月間の総工数」にすることです。1回は短くても毎日何十回も発生する作業は、1回が長くても年に数回しかない作業より、AI化の効果が大きくなります。

評価軸	測り方	例
手間	1回あたりの作業時間（分・時間）	1件30分
頻度	月あたりの発生回数（担当者全員の合計）	月120件
月間工数	手間×頻度	月60時間
価値	そのタスクが事業に与える影響の大きさ（下の3段階）	3

価値は、時間の大きさだけでは測れない部分を補うための軸です。次のように3段階で付けると、部門をまたいでも比べやすくなります。

3：売上・顧客に直結する（提案・見積の速度、問い合わせ対応の待ち時間、受注率など）
2：品質・リスクに効く（入力ミス、チェック漏れ、属人化による引き継ぎ不能など）
1：社内の作業時間が減る（転記、定型資料の作成など）

月間工数は「どれだけ時間を返せるか」、価値は「その時間の重み」を表します。月間工数が大きく、価値も高いタスクが、AI化の第一候補です。

手順3：AIとの相性でふるいにかける

工数と価値が大きくても、AIに任せにくいタスクはあります。次の5つの観点で「向く」「条件付き（人の確認を前提にすれば向く）」「向かない」に分けます。

観点	AIに向く状態	注意が必要な状態
インプット	データが電子化されている、または紙でも様式が決まっている	情報が担当者の頭の中や口頭にしかない
判断のルール	手順や判断基準を言葉で説明できる	例外が多く、毎回その場で判断している
結果の確かめやすさ	正しいかどうかを人がすぐ確認できる	誤りに気づくまでに時間がかかる
誤りの影響	誤っても手戻りで済む	誤ると法令違反・事故・金銭的損失につながる
情報の扱い	社外に出しても問題ない、または社内環境で処理できる	個人情報・機密情報を外部サービスに渡す必要がある

「条件付き」はAI化をあきらめる区分ではありません。生成AIは事実と異なる内容を出力する（ハルシネーション）ことがあるため、多くの業務では「AIが下書き・候補出しをして、人が確認・確定する」形が現実的です。確認する工程をあらかじめ業務フローに入れておけば、「条件付き」のタスクも対象にできます。

手順4：価値と実現しやすさの2軸で優先順位を決める

手順2の「月間工数×価値」と、手順3の「AIとの相性」を合わせて、タスクを4つの区分に並べます。

区分	価値（工数×価値）	実現しやすさ（相性・データの準備）	進め方
A：最初に着手	高い	高い	最初の1〜3件にする。効果を数字で示し、社内の理解を得る
B：計画的に着手	高い	低い	データ整備やシステム改修とセットで計画する
C：個人の工夫に任せる	低い	高い	汎用の生成AIツールとガイドラインで各自が使う
D：見送る	低い	低い	いまは対象にしない

最初の案件は区分Aから選びます。ここで重要なのは、Aの中でも「効果を数字で確かめやすいもの」を選ぶことです。最初の案件の役割は、社内に「AIで本当に数字が変わる」という実例を作ることだからです。

区分Bは、効果は大きいものの、データが紙のまま、システムが分断されている、といった土台の問題を抱えているタスクです。ここを無理にAIだけで解決しようとすると、PoCは動いても本番で使えないという結果になりがちです。土台から整える必要がある場合は、姉妹記事の基幹システムを止めずに刷新する方法も参考になります。

区分Cは、議事録やメール文面の作成など、個人単位で効果が出るタスクです。全社で汎用ツールの利用環境とルールを整えれば、個別にプロジェクト化する必要はありません。

手順5：効果を数字で定義してから着手する

対象を決めたら、作り始める前に「何が、いつまでに、どれだけ変われば成功か」を決めます。決めておくべき項目は次のとおりです。

効果の種類：コスト削減（工数・外注費の削減）なのか、売上向上（提案件数・受注率・対応速度）なのか
現状の数値：月間工数、処理件数、ミス件数、対応までの時間など、手順2で測った値
目標の数値と期限：例「見積作成の月間工数を3か月で半分にする」
測り方：誰が、どのデータで、いつ測るか
続けるか止めるかの基準：目標に届かなかったときに、改善を続けるのか撤退するのか

コスト削減の効果は、次の式で大まかに見積もれます。

年間の削減効果＝月間工数 × AIで削減できる割合 × 時間あたりの人件費 × 12か月

たとえば月間工数60時間のタスクで、半分をAIで削減でき、時間あたりの人件費を4,000円とすると、60×0.5×4,000×12＝年間144万円になります（数値は説明用の仮のものです）。この金額と、開発・運用にかかる費用を比べることで、作り込むべきか、汎用ツールで十分かの判断ができます。

売上向上が目的の場合は、時間ではなく「その時間で何を増やすか」を定義します。たとえば、提案準備の時間が減った分を訪問件数に回すのであれば、追うべき数字は工数ではなく、提案件数と受注率です。

評価表のテンプレートと記入例

手順1〜4をまとめると、次のような評価表になります。表計算ソフトで1タスク1行にすると、部門をまたいで比較しやすくなります。以下は架空の企業を想定した記入例です。

タスク	手間（1回）	頻度（月）	月間工数	価値	AIとの相性	区分
依頼メールから見積条件を整理する	20分	150件	50時間	3	向く	A
過去の類似提案書を探す	30分	60件	30時間	3	向く（社内文書の検索環境が前提）	A
紙の注文書を基幹システムに入力する	10分	600件	100時間	2	条件付き（読み取り結果を人が確認）	B
月次の売上報告資料を作る	8時間	1回	8時間	1	向く	C
社内会議の議事録を作る	30分	40回	20時間	1	向く	C
取引先との価格交渉	2時間	10回	20時間	3	向かない（AIは事前の情報整理まで）	—
与信の最終判断	1時間	15件	15時間	2	向かない（判断と責任は人）	—

この例では、月間工数が最も大きいのは注文書の入力（100時間）ですが、紙の様式がばらばらで、入力先の基幹システムとの連携も必要なため、区分Bにしています。最初に着手するのは、工数が大きく売上にも直結し、既存のメールや文書を使ってすぐ始められる「見積条件の整理」と「類似提案書の検索」です。

評価表を作るときの注意点は3つあります。

工数は担当者全員分を合計する：1人では月数時間でも、20人が同じ作業をしていれば大きな工数になります。
「価値」は部門長と一緒に付ける：現場だけで付けると、手間の大きさに引っ張られて価値の評価がぶれます。
向かないタスクも消さずに残す：価格交渉のように、タスク全体は人がやるべきでも、その前段の情報整理はAIで支援できることがあります。

AIに向かない業務の見分け方

「向かない業務」を早めに外しておくと、検討の時間を大きく節約できます。次のチェックリストで、2つ以上当てはまるタスクは、いまはAI化の主対象にしないほうが無難です。

誤りが起きたとき、法令違反・人命・多額の損失につながる
正しい答えの基準がなく、担当者ごとに判断が異なる
発生頻度が年に数回で、毎回の条件が大きく違う
判断に必要な情報が電子化されておらず、集める手段もない
相手との信頼関係や感情への配慮が成果の中心になる（交渉、クレームの最終対応、人事評価の面談など）
AIが出した結果を、担当者が確認・修正できる体制がない

ただし、「向かない」はタスク全体の話です。たとえば人事評価そのものは人が行うべきですが、評価面談の前に、期中の記録を要約して論点を整理する作業はAIで支援できます。業務を分解しておけば、「判断は人、準備はAI」という分け方ができます。

総務省情報通信白書（AI導入・活用を効果的に進めていくために重要となる要素）でも、先進企業は業務プロセス全体の中で「どのタスクはAIを人間の思考や判断の補助として用い、どのタスクはAIに自律的に実行させるべきか」を検討していると紹介されています。向く・向かないの二択ではなく、タスクごとに「AIの役割」を決めることが大切です。

業務の洗い出しでよくある失敗

業務を大きな単位のまま評価してしまう

「経理をAI化する」のように大きな単位で考えると、向く工程と向かない工程が混ざり、結論が出ません。必ずタスク単位まで分解してから評価してください。

手間だけで選び、価値を見ていない

工数が大きい作業から選ぶのは自然ですが、削減した時間が別の付加価値の高い仕事に回らなければ、事業の数字は変わりません。「浮いた時間を何に使うのか」まで決めておくことが必要です。

効率化の業務しか候補に入れていない

前述のとおり、日本企業は生成AIを効率化の手段としてとらえる傾向が強く出ています。しかし、AIの使いどころは「守り」の業務だけではありません。提案書を毎回ゼロから作っている、商談前の情報収集に時間がかかってアプローチ件数を増やせない、問い合わせへの一次対応が遅れている、といった「攻め」の業務も候補に入れてください。

Riizeが支援した製造業の営業ナレッジ共有の事例では、ベテランに属人化していた営業ノウハウを整理し、メール返信の下書き、提案骨子の自動生成、商談前の情報整理をAIで支援しました。その結果、若手も提案を早く出せるようになり、提案の量と速度が上がって、商談数と受注率の向上につながりました。工数削減ではなく、売上側の数字を目的に設計した例です。

データの土台を見ずに着手する

AIは、元になるデータが整っていなければ性能を発揮できません。紙・Excel・複数システムに情報が分散したままAIを載せても、精度が出ないか、運用が回りません。医療卸の基幹システム刷新の事例では、分断されていた業務を工程単位で棚卸しして単一のデータ基盤に再構築し、その上でAI-OCRによる入力自動化を追加しました。区分Bの業務は、この順番で進めることが近道になる場合があります。

最初の案件で全社展開を狙う

最初から全社・全部門を対象にすると、要件がまとまらず、効果の測定もあいまいになります。最初は1部門・1〜3タスクに絞り、効果を数字で示してから広げるほうが、結果的に早く進みます。

洗い出しを社内で進める体制

業務の洗い出しは、情報システム部門やDX推進部門だけでは完結しません。業務の実態は現場にしかなく、価値の判断には事業の責任者が必要だからです。

総務省情報通信白書（AI導入・活用による効果創出のステップ）では、まず汎用の生成AIを安全に使える環境とルールを整えて社員の個人作業に浸透させ、そのうえで経営戦略に基づいて優先的に取り組む業務領域を決め、業務プロセス全体をAI前提で変えていく、という段階的な進め方が示されています。また、先進企業では事業部門の現場の課題を起点に、推進部門が技術面や効果測定を伴走して支援していると紹介されています。

これを踏まえると、役割分担は次のようになります。

役割	担うこと
経営層・事業責任者	AI化で優先する業務領域と、目指す効果（コストか売上か）を決める。価値の採点に参加する
現場の担当者	タスクの洗い出し、手間と頻度の記録、試行時の使い勝手の評価
情報システム・DX推進部門	AIとの相性やデータの所在の確認、セキュリティとルールの整備、効果の測定
外部の支援者（必要に応じて）	評価の進め方の設計、効果試算、技術検証から本番運用までの実装

洗い出しから最初の着手判断までは、対象を1部門に絞ると短い期間で一巡させやすくなります。大切なのは、評価表を一度作って終わりにせず、試した結果を反映して四半期ごとに更新することです。最初の案件で得た実測値は、次の候補の効果試算をより正確にします。

業務の棚卸しから効果試算、PoC、本番運用までをどう進めるかは、AI開発サービスの進め方でも紹介しています。また、AI化の対象領域そのものを経営戦略から整理したい場合は、コンサルティングサービスで扱っている論点です。業種ごとの取り組みは実績一覧からご覧いただけます。

まとめ

多くの企業で生成AIを使う方針は決まりつつありますが、利用は議事録やメール作成に集まりやすく、事業の数字に効く業務まで広がっていないのが実情です。
AI化する業務は、ツールからではなく業務から選びます。業務をタスク単位まで分解し、「手間×頻度」で月間工数を出し、「価値」で重みを付けます。
インプットの電子化、判断ルールの有無、結果の確かめやすさ、誤りの影響、情報の扱いの5つの観点で、AIとの相性を判定します。
価値と実現しやすさの2軸で並べ、最初は「価値が高く、すぐ始められ、効果を数字で確かめやすい」1〜3件から着手します。
着手前に、コスト削減か売上向上か、現状値・目標値・測り方・撤退基準を数字で決めておくことが、PoCで止めないための条件です。

どの業務から始めるべきか社内で判断がつかない場合は、業務の棚卸しと効果試算の段階からご相談いただけます。お問い合わせフォームからお気軽にご連絡ください。