「AIを新規事業に使いたい」と考えたとき、多くの企業は最初にプロンプト研修やチャットボット導入へ向かいます。しかし、そこだけを磨いても事業の速度は大きく変わりません。
変化が起きるのは、AIへの指示を一回で終わらせず、検証と修正を回し、さらに営業・マーケティング・開発をつないだときです。本記事では、AI活用が「指示する→回す→つなぐ」と進化する3段階と、段階ごとに変わる人間の仕事を整理します。
執筆者は、新規事業の共創とAI開発を手がけるアルチェコのYASUです。実案件から得た観察を、他社でも再利用できる設計原則として書きます。
【結論】AI時代の新規事業で、先に設計すること
| 第一段階は「指示する」。成果の上限は、人が考え、確認できる量で決まる第二段階は「回す」。人の仕事はプロンプト作成から、終了条件の設計へ移る第三段階は「つなぐ」。顧客の声、開発、提案、受注を輪にし、学びを次の企画へ戻す新規事業で先に決めるべきは、AIモデルではなく入口・出口・停止条件・責任者・失敗範囲である |
先に、生成AIの活用を、教科書どおりに整理しておきます。何ができて何ができないのか、どの業務に効くのか、どの順番で社内に入れるのか。
生成AIとは
生成AIとは、学習した内容をもとに、文章・画像・音声・動画・コードなどを新しく作り出せるAIです。既存のデータから答えを選ぶのではなく、その場で組み立てて出すところが従来と違います。
従来型AI（推論AI）との違い
| やること | 必要なもの | 外れ方 | |
|---|---|---|---|
| 従来型AI | 過去データから数値や区分を当てる | 自社の正解付きデータ | 確率として外れる |
| 生成AI | 文章や画像を新しく作る | 指示文と参照する資料 | もっともらしく間違える |
右端の列が、運用の設計を変えます。従来型AIの誤りは数値のずれとして見えますが、生成AIの誤りは正しい文章の形で出てきます。気づける仕組みを、別に用意する必要があります。
生成AIの仕組みと、主なモデルの種類
大量のデータから規則性を取り込む学習と、入力を受けて答えを組み立てる推論の2段階で動きます。
- LLM（大規模言語モデル） — 文章・コードを扱う。業務活用の中心
- 拡散モデル — 画像・動画の生成に使われる
- GAN — 2つのモデルを競わせて生成する古典的な方式
業務で使うぶんには、方式の違いを知る必要はほとんどありません。効くのは、指示文の設計と、参照させる社内資料のほうです。
生成AIの種類｜何を作れるのか
| 種類 | 作れるもの | 業務での主な使い道 |
|---|---|---|
| テキスト生成 | 文章・要約・翻訳・分類 | もっとも効果が出やすい |
| 画像生成 | イラスト・写真風の画像・図案 | 広告素材、企画の見本 |
| 動画生成 | 短尺の動画 | 広告、社内向けの説明 |
| 音声生成 | 読み上げ・音声合成 | ナレーション、応対の自動化 |
| コード生成 | 実装・テスト・修正 | 開発、データ処理 |
最初の1件はテキスト生成から選んでください。成果物を人が読んで判定でき、誤っても取り返しがつきます。
生成AIが注目される背景
- モデルの性能が実務水準に達した — 下書きとして使える品質になった
- APIで組み込めるようになった — 業務の流れの中に置ける
- 人手不足が続いている — 定型作業に人を割けない
- 使うのに専門知識が要らない — 文章で指示すれば動く
4つ目が、これまでのAIブームと決定的に違う点です。導入の意思決定を待たずに、現場が先に使い始めます。
生成AIでできること
- 文章を作る・直す — 下書き、要約、翻訳、校正、書式の統一
- 分類する・抽出する — 問い合わせの振り分け、書類からの項目抜き出し
- 調べて整える — 資料を集め、必要な形に並べ直す
- 作る（画像・動画・音声・コード） — 見本と叩き台をつくる
- 相手役になる — 壁打ち、ロールプレイ、質問への一次回答
5つに共通しているのは、「完成品ではなく、下書きが出てくる」ことです。下書きの段階がある仕事では効き、いきなり確定させる必要がある仕事では効きません。
生成AIでできないこと①｜学習データの範囲外
学習した時点より後の出来事や、社内にしか無い情報は知りません。知らないまま、それらしい答えを組み立てます。
手当ては、渡すことです。社内文書を検索して参照させる仕組み（RAG）を使い、「渡した資料に無い場合は、無いと答える」と指示に書きます。
生成AIでできないこと②｜感情の理解と、臨機応変な対応
文面から感情を推定することはできますが、相手の事情を汲んで例外を作る判断はできません。想定していない状況では、いちばん近い型に当てはめて処理します。
だから、例外が来たときに人へ渡す道を残しておく必要があります。問い合わせ対応で失敗する案件の多くは、この道が無い形で作られています。
生成AIでできないこと③｜自主的な創造と、倫理的な判断
自分から目的を立てることはしません。与えられた範囲の中で組み合わせます。
そして、何を出してよいかの判断は担えません。表現の妥当性、公平性、法令や規程との整合。ここは、外に出す手前に人を置くしかありません。
生成AIを活用できる業務
| 業務 | 任せる仕事 | 効かせる条件 |
|---|---|---|
| 文書作成 | 議事録の要約、報告書の骨子、定型メール | 過去の完成品を数本渡す |
| マーケティング | 広告文、記事の下書き、自由記述の分類 | 公開前の事実確認を工程に入れる |
| クリエイティブ・デザイン | 見本の生成、案の量産 | 最終稿には使わない前提で使う |
| カスタマーサポート | 一次回答、FAQ整備 | 過去の回答が検索できる形で残っている |
| 開発 | 実装、テスト、既存コードの説明 | レビューする人が確保されている |
| 企画立案・リサーチ・分析 | 候補出し、資料収集、傾向の説明 | 数字の計算は別の道具でやる |
右の列が満たされていない業務から始めると、「使えない」という結論になります。足りていないのは、たいてい前段の整備です。
業種別に見た活用の広がり
- 製造 — 設計・技術文書の作成、過去トラブルの検索、技術伝承
- 金融・保険 — 照会対応、書類の点検、リスク分析の下ごしらえ
- 小売・流通 — 商品説明の量産、需要予測の補助、店舗向けの案内
- IT・通信 — 開発支援、社内問い合わせの自動応答
- 教育・公共 — 教材の草案、窓口回答の均一化
並べると分かるのは、業種が違っても担当している工程はほぼ同じだという点です。下書きをつくる、探す、整える。事例を読むときは、業種ではなく工程を見てください。
生成AI活用のメリット
- 業務効率化と生産性向上 — 同じ人数で処理できる件数が増える
- コスト削減 — 外注していた下書き・翻訳・素材制作が内側に戻る
- 顧客体験の向上 — 一次回答が速くなり、待たせる時間が減る
- 品質向上と意思決定の高度化 — 判断材料が早く揃い、書き手による差が縮む
- 働き方改革と人材戦略への効果 — 定型作業が減り、経験の浅い人でも一定水準の出力を出せる
4つ目の「書き手による差が縮む」は、地味ですが効きます。上手い人が速くなる効果より、不慣れな人の出力が一定水準に上がる効果のほうが、組織全体では大きくなります。
生成AI活用のリスク
| リスク | 中身 | 手当て |
|---|---|---|
| 精度・ハルシネーション | もっともらしい誤りを出す | 根拠を渡し、無いものは無いと答えさせる |
| 出力の不安定さ | 同じ入力でも毎回形が変わる | 出力形式を指示で固定する |
| 著作権・権利侵害 | 生成物が既存の著作物に似る | 公開物は使った箇所と確認者を記録に残す |
| 情報漏えい | 入力が学習に使われる／社外へ出る | 法人向けの設定で、学習に使われない状態にする |
2行目は、リスクとして語られることが少ない項目です。内容が合っていても形が揺れると、後工程が受け取れません。業務に載せるときは、精度より先にここが壁になります。
ガバナンス整備とセキュリティ対策
- 入力してよい情報の区分（使ってよい例を先に書く）
- 出力を使ってよい範囲と、人の確認が必要な場面
- 利用ログの保存と、確認する担当
- 外部サービスへ送信してよい条件と、データの保管国
禁止事項だけを並べた規程は、把握できない利用を生みます。使ってよい環境を先に用意してください。
生成AIを社内に入れる5ステップ
| やること | 出来上がるもの | |
|---|---|---|
| 1 | 目的設定とユースケースの選定 | 対象業務と、着手前の件数・所要時間 |
| 2 | ガイドラインとPoC環境の整備 | 入れてよい情報の線引きと、試せる場 |
| 3 | データ基盤とAPI連携の設計 | 参照させる資料の範囲と、業務ソフトとの接続 |
| 4 | 人材のリスキリングと継続学習の仕組み | 各部署の相談役と、指示文の共有場所 |
| 5 | 成果測定と次の施策へのフィードバック | 着手前と比べた数字 |
1で記録を取らないと、5ができません。導入前の数字は、着手した後には取れません。
生成AI時代に求められるスキル
- AI・データのリテラシー — 何が得意で何が不得意かを、仕組みから理解している
- プロンプト（指示文）の設計力 — 出力形式まで固定して、同じ結果を何度も出せる
- セキュリティ・法務・ガバナンスの知識 — 入れてよい情報の線を、自分で引ける
- 橋渡しの力 — 業務を工程に割り、技術側と話を合わせられる
4つ目が、いちばん不足しています。技術が分かる人と業務が分かる人はいても、業務を工程に割って渡せる人がいない状態で止まる案件が多くあります。
日本企業と海外企業の活用トレンド
海外では業務プロセスそのものを組み替える使い方が先行し、国内では既存の業務の中の一工程を置き換える使い方が中心です。
どちらが正しいという話ではありません。ただし後者だけを続けると、効率化した分だけ別の作業が増える形になりやすい点は意識しておいてください。
生成AIの活用に関するよくある質問
Q. 生成AIでできること・できないことは何ですか。
できるのは、文章を作る・直す、分類する・抽出する、調べて整える、画像や音声やコードの叩き台をつくる、相手役になることです。できないのは、学習データの範囲外を知ること、相手の事情を汲んだ臨機応変な対応、そして何を出してよいかの倫理的な判断です。
Q. 生成AIは、どの業務から使うと効果が出ますか。
下書きの段階がある業務です。議事録の要約や定型文書の作成が、最初の1件として失敗しにくい領域になります。いきなり確定させる必要がある業務（金額の確定、在庫の更新）には向きません。
Q. 従来型のAIと生成AIは、何が違いますか。
従来型AIは過去データから数値や区分を当て、自社の正解付きデータが要ります。生成AIは文章や画像を新しく作り、指示文と参照する資料があれば動きます。誤り方も違い、生成AIの誤りは正しい文章の形で出てきます。
Q. 生成AI活用のリスクには何がありますか。
精度（ハルシネーション）、出力の不安定さ、著作権、情報漏えいの4つです。実務でいちばん先に壁になるのは、2つ目の出力の不安定さです。内容が合っていても形が揺れると、後工程が受け取れません。
Q. 生成AIの活用は、どんな順番で進めますか。
目的設定とユースケース選定、ガイドラインとPoC環境の整備、データ基盤とAPI連携の設計、人材のリスキリング、成果測定とフィードバックの5段階です。1段階目で着手前の件数と所要時間を記録しないと、5段階目ができません。
Q. 生成AIを使うのに、どんなスキルが要りますか。
AI・データのリテラシー、指示文の設計力、セキュリティと法務の知識、そして業務と技術の橋渡しの力です。最後の1つがいちばん不足しており、業務を工程に割って渡せる人がいないまま止まる案件が多くあります。
ここまでが、生成AI活用の教科書どおりの整理です。できることとできないことを分け、効く業務を選び、リスクに手を打ち、5段階で入れていく。ここまでは、どの解説にも書いてあります。
この記事の後半で扱うのは、その先です。この数年でAIの使い方は三度変わりました。その変化が、システムの内側だけで起きているあいだは、何が起きないのか。
AIの使い方は、この数年で三回変わった
呼び名は人によって違うが、実際に起きている変化は整理するときれいに三段階になる。うまく指示する。回す。繋ぐ。
そして重要なのは、段階が上がるたびに人間の仕事が一段ずつ上に移動していることである。ここを押さえておかないと、次に何が起きるかが読めない。
順に見ていく。
第一段階：うまく指示する
最初にみんなが練習したのは、指示の出し方だった。
前提を書く。役割を与える。出力の形を指定する。例を見せる。こうすると答えの質が上がる、という技術が大量に共有された。プロンプトエンジニアリングと呼ばれたのがこの段階である。
この段階の構造はシンプルだ。人間が入力を作り、AIが出力を返し、人間がそれを見て、また入力を作る。やり取りのたびに人間が挟まる。
そして、ここには明確な天井がある。人間が指示できる範囲を超えられない。 指示がうまい人ほど良い出力を得られるが、その人が思いつかなかったことは出てこない。人間が同時に見られる量が、そのまま処理できる量の上限になる。
この時代、「AIを使える人」とは、指示がうまい人のことだった。
第二段階：回す
次に起きたのは、一回で終わらせないという発想の転換だった。
出力を出させて、それを別の基準で確かめて、駄目なら直させて、また確かめる。この往復をAI自身に回させる。ループエンジニアリングと呼ばれたのがこの段階である。
ここで何が変わったか。人間の仕事が「指示すること」から「止め方を決めること」に移った。
回すこと自体は簡単で、放っておけば無限に回る。難しいのは止めることのほうである。何回やるのか。何が起きたら合格とするのか。何回連続で成果が出なければ打ち切るのか。この設計をしないと、ループは永久にリソースを食い続ける。
そしてこれが最初の断絶だった。人間が全部を見なくても、成果が出るようになった。 中で何往復したかを人間は追わない。追うのは、入口の条件と、出口の判定だけである。
この段階の天井は、一本のループが扱える範囲にある。
第三段階：繋ぐ
- ループが一本なら、止め方を決めれば済む。しかしループが複数になった瞬間、別の問題が出てくる。
どれを先に走らせるか。どこまで並べて同時に走らせられるか。どこで待ち合わせるか。ある一本が失敗したとき、他の何本が巻き込まれるのか。
ここで、仕事を点、受け渡しを線として捉え、その全体を設計するという考え方が出てきた。グラフエンジニアリングと呼ばれているのがこの段階である。
- 扱うことは、だいたい次の4つに整理できる。
- 並べる — 独立した仕事を同時に走らせる
- 束ねる — バラバラの結果を一箇所で突き合わせる
- 確かめる — 出てきたものを、別の目で検証する工程を挟む
- 閉じ込める — 一箇所の失敗が、全体を止めないようにする
- 人間の仕事は、また一段上がった。指示でもなく、止め方でもなく、構造を書くことに移っている。
- この段階の天井は、設計者が構造を書ける範囲である。
ここまでは全部、システムの中の話である
ただし、ここで一度立ち止まりたい。
この三段階は、すべてシステム開発の内側で起きている話である。入力はテキストと仕様とコード、出力もテキストとコード。どちらも同じ世界の中にある。
閉じているから、この世界は速い。失敗してもやり直せる。同じ入力を何度でも試せる。並べて走らせるコストはほとんどゼロに近い。 だから構造の設計が、そのまま成果に直結する。
しかし、閉じているということは、まだ事業には触れていないということでもある。どれだけ美しい構造を組んでも、それだけでは売上にならない。
面白くなるのは、ここからである。
境界が、現実に染み出す
- この構造の入口と出口が、システムの外につながったらどうなるか。
- 入力の側から見ると、扱うものが変わる。
- 顧客が電話の最後にこぼした一言
- 倉庫に実際に残っている在庫
- 商談の場の空気、担当者が言い淀んだ箇所
- まだ誰も文書にしていない現場の判断
- 出力の側も変わる。
- 実際に送られる提案書
- 出稿される広告
- 受注そのもの
- 動いた現場
そして、点の中身が人間になり、線が「約束」になる。 システムの中では、点は処理で、線はデータの受け渡しだった。現実に染み出すと、点は営業担当であり開発者であり現場責任者であり、線は「いつまでに、何を渡すか」という約束になる。
こうなった瞬間、この構造が扱う範囲は、営業・マーケティング・事業開発まで一気に広がる。
染み出すと、輪が閉じ始める
ここからが本題である。範囲が広がると、それまで無かったループが現れる。
事業開発が案件を取ってくる。 その案件の要件が、システムに入る。現実の制約と締め切りの中で作られたものは、机上で作ったものより実用に耐える。システムの価値が上がる。
そして、価値が上がったシステムは、次の案件を取るときの説得材料になる。 「できます」ではなく「動いています」と言える。だから次の商談が通りやすくなる。事業価値が上がる。
事業価値が上がると、次の事業開発がやりやすくなる。輪が一周して、最初に戻る。
事業開発がシステム価値を上げ、上がったシステム価値が事業価値を上げ、それがまた事業開発を押し出す。 この輪が回り始める。
一方向の受発注では、この輪は閉じない。要件をもらって、作って、納めて、終わる。矢印は一方向で、次の企画には戻ってこない。染み出しが起きて初めて、矢印は輪になる。
ボトルネックも、一緒に移動する
- もう一つ、見落とされやすい点がある。
システムの中で閉じている間、詰まる場所はAIの能力だった。もっと賢ければ、もっと長い文脈を読めれば、もっと正確なら。そういう議論になる。
- しかし現実に染み出すと、詰まる場所が変わる。
- 誰が、誰に、何を渡すのか
- いつ立ち止まって評価するのか
- 何を見て合格とするのか
- 失敗したとき、どこまでが巻き込まれるのか
見覚えがあるはずだ。これは、システムの側で解いてきた問題とまったく同じ形をしている。 受け渡しの定義、収束条件、検証の設計、失敗の封じ込め。
つまり、染み出しが起きると、システム設計で使ってきた考え方が、そのまま事業側の道具になる。 逆に言えば、事業側でここを設計していない組織は、AIをいくら賢くしてもボトルネックが動かない。
ただし、比喩には限界がある
正直に書いておくと、この持ち込みには無理が出る箇所がある。
現実の点は、人間である。
人間はリトライできない。三回やり直させれば疲れるし、辞める。同じ入力を渡しても同じ出力は返ってこないし、その日の状態に左右される。並べて同時に走らせるには採用が要るし、時間もかかる。そして、失敗を一箇所に閉じ込めても、その失敗は人の記憶には残る。
だから、システムから持ち込めるのは構造の考え方であって、実行の仕方ではない。「並列に走らせる」を「人を増やす」と読み替えた瞬間に、この比喩は雑になる。
使えるのは、たとえばこういう問いの形である。この受け渡しには、何が書かれているべきか。どこで立ち止まるのか。何を見て終わりとするのか。問いは移植できるが、答えは現実側で作り直す必要がある。
第1部のまとめ
- AIの使い方は、指示する → 回す → 繋ぐと三段階で変わってきた
- 段階が上がるたび、人間の仕事は指示 → 止め方の設計 → 構造の設計へと上に移動している
- ここまでは全部、システムの中で閉じた話である
- 入出力が現実に染み出すと、点は人間になり、線は約束になり、範囲が営業・マーケ・事業開発まで広がる
- そこで初めて、事業開発がシステム価値を上げ、システム価値が事業価値を上げるという輪が閉じる
- ただし現実の点は人間なので、持ち込めるのは構造の考え方であって、実行の仕方ではない
- では、その輪は実際に閉じるのか。閉じるとしたら、何がそれを可能にするのか。
第2部では、一本の線が4週間で実際に輪になった具体的なケースを見ていく。そして第3部で、閉じた輪をどうやって次の輪へ移すのかを扱う。
よくある質問（FAQ）
Q. 新規事業でAI活用を始めるなら、どの業務からですか？
入力と評価条件が明確で、短い周期で結果が返る業務からです。市場調査、問い合わせ分類、提案書のたたき台などを候補にし、単発の出力品質ではなく、検証と修正が一周するかを見ます。
Q. プロンプトエンジニアリングは、もう重要ではないのですか？
入口の品質を上げる技術として重要です。ただし、新規事業の成果を左右するのは、その後の検証・停止・受け渡しまで含む全体設計です。プロンプトだけでは市場の反応を次の企画へ戻せません。
Q. AIエージェントを導入すれば、部門連携も自動で改善しますか？
改善しません。誰が誰へ何を渡すか、どこで評価するか、失敗をどこまで切り離すかを先に決める必要があります。AIは曖昧な業務構造を速くするため、未設計のままでは混乱も速くなります。
この連載を順番に読む
- 第1部｜AI活用で新規事業はどう変わる？「指示・回す・つなぐ」3段階
- 第2部｜新規事業のMVP検証を4週間で回す方法
- 第3部｜新規事業の成功事例を横展開する方法
- 第4部｜AIループインキュベーションとは？
公開順：第1部 → 第2部 → 第3部 → 第4部。4本を公開後、相互リンクの到達確認を行ってください。
アルチェコに相談する
| AI活用を「検証止まり」にしたくない方へ AIを事業プロセスへ接続する設計から始めませんか アルチェコは、経営課題の整理からAI戦略、MVP開発、実市場での検証、グロースまでを一つのチームで支援します。まずは、どの情報を入口にし、何を市場へ返し、どこで止めるかを整理します。 ▶ AI×新規事業について相談する 初回相談では、現状のフェーズ・検証したい仮説・社内の意思決定条件を整理します。相談内容が固まっていなくても問題ありません。 |
この記事を書いた会社について（アルチェコ）
アルチェコ（ARCHECO）は、AI戦略・生成AI導入・AIエージェント開発・UX/UIデザイン・MVP/PoC開発・グロースを横断する新規事業の共創パートナーです。戦略だけ、開発だけで分断せず、仮説設計から実市場での検証まで一貫して支援します。
新規事業支援・MVP/PoC開発のサービスページ | ARCHECOコーポレートサイト
▶ この記事のテーマを実務で相談する: 新規事業コンサル（MVP・PoC）
Yasu
柳田恒平
AI・新規事業戦略大学
Yuki Susai
