生成AIを導入したものの、期待した成果が見えてこない――。
本記事では、その原因を3つに整理したうえで、経営課題から「最初に着手すべき業務」と「成果指標（KPI）」を定める手順を解説します。作業時間の削減を売上向上（提案活動）へつなげるシミュレーションや、社内協議ですぐに使えるワークシートも用意しました。
「社員がAIを使っているのはわかった。それで、会社として何が良くなったのか？」
経営会議でこのように問われた際、明確に答えられるでしょうか。
研修の受講者数やツールの利用ログは報告できても、業務効率や業績への具体的なインパクトとなると言葉に詰まってしまうケースは少なくありません。
そうした場合は、導入当初に描いていたゴールを、経営層と現場の間であらためて擦り合わせる必要があります。
日常業務の合間を縫って新しいツールを習得する現場の努力を無駄にしないためにも、正しい順序で導入を進めることが不可欠です。
成果が出ない3つの原因
ツールの性能やデータ環境といった技術的要因もありますが、本記事で焦点を当てるのは「目的・評価・運用プロセスの設計」です。成果が伸び悩んでいる場合、まずは次の3点を確認してみましょう。
1．経営課題と対象業務の乖離
文章要約、メールの下書き、議事録作成など、生成AIの機能を知るほど「試してみたいこと」は次々に浮かんできます。
その好奇心や意欲自体は大切です。
しかし、思いつきの順に導入を進めてしまうと、全社として優先すべき課題が後回しになりがちです。「既存顧客への営業提案を増やしたい」と考えているにもかかわらず、営業活動に直結しない周辺作業ばかりを改善している、といったケースがこれに当たります。
現場から「この作業が面倒だ」という声が上がったら、さらに一歩踏み込んで現状を把握します。
「何人が、どのくらいの頻度で、どのくらい時間をかけているのか」
「その業務負荷が、顧客対応や売上の機会損失にどう影響しているのか」。
この因果関係を把握することが、取り組むべき業務の優先順位を決める基準となります。
2．利用率（ログイン状況）のみでの評価
社員のツール利用率が上がることは前進ですが、利用率から把握できるのは「定着の広がり」までです。業務が実際に迅速化したのか、アウトプットの品質が維持されているのかは、別の指標で検証しなければなりません。
たとえば、AIによって下書き作成の時間を20分短縮できたとしても、不自然な箇所の修正や上司の確認作業が20分増えてしまえば、チーム全体の所要時間は変わりません。
リレーで特定の走者がタイムを縮めても、バトンパスで停滞すれば全体の記録が伸びないのと同様です。AI活用においても、前後の工程を含めた業務全体のリードタイムを見据える視点が欠かせません。
3．現場の担当者任せの運用
「通常業務の合間に、各自で試しておいてほしい」という指示だけでは、日々の業務に追われて取り組みは形骸化してしまいます。
実務の資料を使って検証し、生成物の精度を確かめ、課題を整理する――。研修を受講したあとも、現場が自走するためには検証のための時間が必要です。
経営側は、推進担当者を任命するだけでなく、どの業務を調整して試行時間を確保するのかまで設計する必要があります。あわせて、成果物の品質をチェックする責任者や、不明点を相談できる窓口の設置も求められます。
業務改善を進めるための「時間的な余力」を会社として組織的に生み出すことが重要です。
経営課題から逆算する業務選定
AIの導入を検討する際は、「その業務が効率化された結果、誰が、何に時間を使えるようになるのか」を明確に定義することが出発点となります。
単に「資料作成を効率化する」という目標だけでは、改善後の姿が具体化しません。「既存顧客への提案時間を創出する」という目的まで定めて初めて、経営層と現場の双方が納得感を持って取り組めるようになります。
ここでは、「既存顧客の売上拡大」を目指す企業を例に考えてみましょう。
「提案機会が不足している」という課題を深掘りすると、営業担当者が提案書の作成に多くの時間を取られていることが判明したとします。
さらに細分化すると、文章の執筆そのものよりも「過去の商談履歴や参考資料を探す時間」に大半を費やしているケースがあります。
この場合、最初に着手すべきは資料の保管場所やナレッジの整理です。情報収集に時間がかかっている状態のまま文章生成だけをAI化しても、根本的な時間短縮にはつながりません。
「どの工程に最も負荷がかかっているのか」を正確に突き止めることが先決です。
業務の棚卸しを行う際は、一連の仕事を「探す・考える・作る・確認する・引き渡す」などのプロセスに細分化して書き出します。各プロセスの所要時間、参照する情報、承認者、差し戻しの発生理由を可視化することで、改善すべきボトルネックが明確になります。
業務ごとに必要なインプットや求められる品質基準は異なるため、まずは自社の実務プロセスを具体的に捉え直すことが肝要です。
最初にAIを適用する業務は、次の3つの条件で絞り込むとスムーズに進みます。
- 効果： 経営課題に直結しており、発生頻度が高いこと
- 実現性： 参照すべきデータが整っており、現場でアウトプットの良し悪しを判断できること
- 影響範囲（リスク）： 人によるチェックが可能で、問題発生時にも通常手順へ速やかに復旧できること
あわせて、セキュリティの観点からツールへの入力が許可されている情報の範囲も確認しておきます。単純な集計や転記作業であれば、生成AIを使わずとも表計算ソフトのマクロや既存ツールの標準機能で十分解決できる場合もあります。
最初は、「既存顧客向けの定型提案書の下書き作成」のように、対象を明確かつ小さく設定することで、現場も迷わず検証を進められます。
成果を測定する4つの指標
成果指標（KPI）とは、施策によってどのような変化が生じたかを客観的に判断するための数値です。
提案書作成の効率化であれば、最終的なゴールは「既存顧客からの受注額」や「売上総利益（粗利）」の拡大です。しかし、商談から受注までのサイクルが長いビジネスモデルの場合、最終成果だけを追っていては、途中の施策改善が適切に行えません。
そのため、最終成果に至るプロセスを段階的に分けて測定します。
| 評価のフェーズ | 指標の例 | 確認頻度 |
|---|---|---|
| 事業成果（最終ゴール） | 既存顧客からの受注額・売上総利益 | 月次（商談リードタイムを考慮） |
| 行動量の変化 | 提案面談の実施件数 | 週次 |
| 業務効率の変化 | 提案書1件あたりの総作成時間（作成〜承認） | 案件ごと |
| 定着状況 | 対象業務におけるAIの利用率 | 週次 |
「利用率は高いのに作業時間が短縮されていない」のであれば、AIへのプロンプト（指示文）や成果物のレビュー体制を見直します。「作業時間は減ったのに提案面談が増えていない」のであれば、創出された時間の使い方やアプローチ先リストの再検討が必要です。
定量的な数字を追うことで、改善のための打ち手を具体的に議論できるようになります。
また、スピードと並行して「品質」の維持も欠かせません。提案書であれば、金額・仕様・顧客名などの必須項目の精度や、手戻りによる「差し戻し率」も併せてモニタリングします。
利用率の向上だけを目的に、AIに適さない変則的な案件にまで無理に適用する必要はありません。利用率は、あくまで対象として定めた定型業務の中で測定することが大切です。
4週間の試行運用と判断基準
ここからは、実際のプロジェクトを想定した計画の落とし込み方を解説します。
※以下の数値や期間は、設計手順を示すためのシミュレーションモデルです。実際の運用時は、自社の現状値をもとに無理のない目標を設定してください。
現状把握と目標値の設定
対象業務を「定型提案書の下書き作成」とし、AIが作成したドラフトを人間がレビュー・修正して仕上げる体制を想定します。
| 項目 | 設定内容（記入例） |
|---|---|
| 解決すべき経営課題 | 既存顧客に対する提案機会の不足 |
| 試行対象の業務 | 定型的な提案書の下書き作成 |
| 現状（Before） | 月30件処理。1件あたりの平均所要時間は60分 |
| 目標（After） | 1件あたりの平均所要時間を40分以内に短縮（20分削減） |
| 担保すべき品質基準 | 顧客提出資料における重大な誤り0件。差し戻し率20%以下を維持 |
| 期間・体制 | 4週間。営業担当と承認者が記録し、営業責任者が週次で進捗確認 |
所要時間には、資料探し、プロンプト作成、生成物の確認、修正までのすべての時間を含めます（担当者30分＋上司レビュー10分＝計40分）。上司の承認待ちで翌日に持ち越されるような業務であれば、実作業時間に加えて「着手から完了までの日数」も記録しておくとボトルネックを特定しやすくなります。
また、比較の精度を高めるため、検証対象とする案件の条件を揃え、例外的に難易度の高い案件は集計から除外して別管理にします。
なお、本シミュレーションにおける差し戻し率は「初回確認で修正が発生した件数 ÷ 初回確認を行った総件数」と定義します。目標設定に迷う場合は、先行して数件の実務で試用し、短縮余地を確かめたうえで数値を確定させても問題ありません。
創出した時間の再配分
1件あたり60分から40分へと20分短縮できた場合、月30件で削減できる時間は次のとおりです。
20分 × 30件 = 月間10時間
業務改善においては、時間短縮だけで満足せず、浮いた時間の具体的な使い道まで計画しておきます。たとえば、プロンプトの調整や運用保守に月2時間充当する場合、実質的に営業活動へ再配分できる時間は月8時間となります。
- 新規の提案面談（6時間分）： 月4件の面談を創出（1件あたり準備・商談・記録で90分）
- 顧客フォロー（2時間分）： 既存顧客からの相談対応やヒアリングの充実に充当
このように時間を再配分することで、「何のための時間短縮だったのか」という投資対効果が明確になります。
ただし、チーム全体で削減された時間が、特定の担当者のまとまった空き時間になるとは限りません。「誰の時間が何分削減されたのか」を把握し、マネージャーが商談のためのまとまった枠をスケジュール上に再配置するマネジメントが不可欠です。
この例では、提案面談の実施件数を従来の「月6件」から「月10件」へ引き上げることを中間目標に設定します。顧客都合にも左右されるため、「打診件数」と「実施件数」を分けてトラッキングすると要因分析が容易になります。
商談リードタイムが約2カ月の企業であれば、施策開始から3カ月後に「受注・検討中・失注」の状況を振り返り、最終的な売上や粗利への貢献を検証します。
※初期導入や研修にかかった工数、ツールコストも加味し、「労働時間の削減＝人件費の削減」と短絡的に捉えず、中長期的な付加価値の向上で評価することが重要です。
継続・改善・撤退の判断基準
試行運用の開始前に、評価を行う期日と判断基準をあらかじめ定めておきます。4週間の検証期間が終了した段階で、責任者は以下の3つのいずれかを下します。
- 継続・横展開： 所要時間（40分以内）と品質基準をクリアし、他メンバーへの展開が可能な手順として確立できた場合
- 改善して再検証： 数値目標には届かなかったものの改善の余地がある場合。課題を1点に絞って運用を修正し、2週間の追加検証を行う
- 中止・対象業務の再検討： 再検証でも基準を満たせない場合、またはツールの費用対効果が見合わない場合。現行フローを元の手順に戻し、対象業務や別のアプローチを再検討する
万が一、誤った情報が顧客向け資料に混入した場合は、検証期間の終了を待たずに即座に利用を一時停止し、レビュー体制を見直してください。
成果指標は、現状を肯定するためではなく、「次の一手」を客観的に判断するために設定するものです。
現場への定着を促す研修と運用設計
運用ルールと成果指標が固まれば、社内研修で扱うべき実践内容もおのずと明確になります。
提案書作成を対象とする場合、ダミーデータではなく社内利用が認められた実際の案件資料を題材とし、情報の整理からプロンプト入力、下書きの精査、修正までを一連の流れとして実習します。機密情報のマスキング方法や、AIのアウトプットをそのまま鵜呑みにせず精査する判断基準もトレーニングに含めます。
「座学で理解すること」と「実務で使いこなせること」の間には大きなギャップがあります。そのギャップを埋めるのは、実務に即したハンズオン型の演習です。
社内推進においては、経営層・推進担当・現場の役割分担を明確にしておくことが成功の鍵となります。
- 経営層： 解決すべき経営課題の設定、成果目標の定義、現場の検証時間の確保
- 現場担当者： 通常手順の洗い出し、例外パターンの提示、生成物の品質検証
- AI推進担当： 現場のつまずきや課題の収集、プロンプトや業務マニュアルのアップデート
まずは1〜2名のスモールチームで運用を開始し、週1回の定期ミーティングで「プロンプトに迷ったのか」「確認に手間取ったのか」を振り返りながら、週ごとに運用を1箇所ずつブラッシュアップしていきます。
全社へ展開する前には、入力情報、確認チェックリスト、エラー時の対処法をまとめた運用マニュアルを整備し、別の担当者が同様の品質・速度で再現できるかを確認しておきましょう。
社内協議用ワークシート
AI活用の推進にあたり、最初からすべての項目を完璧に埋める必要はありません。まずは以下のフレームに沿って、経営層と現場で現状を整理してみることをおすすめします。
- 解決したい経営課題： ＿＿＿＿＿＿＿＿＿＿
- 最初に試行する対象業務： ＿＿＿＿＿＿＿＿＿＿
- 現状と達成目標： ＿＿＿＿（現状） → ＿＿＿＿（目標）
- 測定指標・品質基準： ＿＿＿＿＿＿＿＿＿＿
- 推進担当者・確保する検証時間： ＿＿＿＿＿＿＿＿＿＿
- 創出した時間の使い道： ＿＿＿＿＿＿＿＿＿＿
- 検証期日・継続/中止の判断条件： ＿＿＿＿＿＿＿＿＿＿
空欄となる箇所があれば、それこそが「社内で次にすり合わせるべき論点」です。
「何がどう変われば成功なのか」という共通認識が社内に揃ってこそ、研修内容、現場の試行業務、経営への報告数値が一本の線でつながります。
ミチガエルでは、業務プロセスの可視化から、各社に合わせた実務研修、AI定着の伴走支援まで幅広くサポートしています。
「どの業務から着手すべきか」「どのように成果を測定すべきか」でお悩みの際は、ぜひお気軽にご相談ください。
この記事の執筆・監修
執筆
山下 敏樹IT企業勤務。Web制作会社で社内業務改善・DX推進に携わり、code4bizで学んだAIコーディングを活用してさまざまな業務を自動化。半年間の取り組みで、年間約2,500時間相当の業務削減を実現。その後、IT/AIコンサルタントへ転身。DX現場での経験をもとに、AI活用・業務改善・DX・システム開発に関する知識やノウハウを、読者の成果につながる形で発信しています。
生成AI業務整理DX
