AIエージェント・生成AIの現実的な能力と限界を、業務別の「できる/できない」で整理します。幻滅と過信の両極を避け、導入前に社内の期待値を揃えるための見取り図。何を任せ、何を人が持つべきかを、経営・推進担当の視点から具体的にまとめます。
AIエージェントや生成AIの導入を検討する現場で、いま最も頻繁に起きているのは技術トラブルではなく「期待値のズレ」だと考えられます。同じツールを使っても、ある人は「これは業務が変わる」と興奮し、別の人は「結局使いものにならない」と離れていく。両者が見ているのは同じ製品でありながら、頭の中にある「AIができるはずのこと」の像がまるで違います。導入の成否は、この像を組織として揃えられるかどうかに大きく左右されると、私たちは考えています。
ニュースやデモ動画で見る生成AIは、流暢に文章を書き、質問に即答し、コードまで書いてしまうように見えます。ここから「人間の担当者を丸ごと置き換えられる」「指示すれば勝手に業務を完結してくれる」という像を持つと、実際の業務に当てはめた瞬間に落差が生まれます。AIは、与えられた文脈の範囲で「それらしい」出力を返すのは得意ですが、社内固有のルール、直近の数字、責任を伴う判断までは、そのままでは背負えないためです。過信から入ると、最初の1つの失敗（誤った回答、的外れな提案）で「使えない」という結論に飛びやすくなります。
逆に、一度触って期待外れだった経験や、「うちの業務は特殊だから」という前提から、AIをはじめから選択肢に入れない諦めもよく見られます。しかし多くの場合、うまくいかなかったのは「AIに向かない使い方」をしていたためであって、業務全体が向いていないわけではないと考えられます。たたき台作りや情報整理のように相性の良い工程を切り出せば、同じ組織でも成果の出る余地は十分にあります。過信と諦めは正反対に見えて、どちらも「AIの得意・不得意を業務単位で分解していない」という同じ根から生まれています。
本記事では、AIエージェントの能力を賞賛も否定もせず、「何が任せられ、何は人が持つべきか」を業務別に整理することを目指します。導入前に社内で期待値を揃えるための見取り図として使っていただく想定です。なお、生成AIが事実と異なる内容をもっともらしく出力する現象については、生成AIの誤回答（ハルシネーション）と業務での付き合い方で別途詳しく扱っていますので、あわせてご覧いただくと限界の理解が立体的になると考えます。
まず、現時点のAIエージェント・生成AIが比較的安定して力を発揮しやすい領域を整理します。共通するのは、「大量のテキストやデータを下敷きに、確からしい候補を素早く出す」タイプの仕事だという点です。ここでは正解が一つに定まらず、人がすぐに良し悪しを判断できる工程ほど、相性が良いと考えられます。
メール文面、議事録のドラフト、企画のたたき台、提案書の骨子、マニュアルの初稿——ゼロから書き起こす負担を大きく減らせる領域です。ポイントは「完成品」ではなく「叩き台」を得る道具として使うことです。白紙から書くより、出てきた案を直す方が速い工程では、体感の生産性が変わりやすいと考えられます。文章の得意・不得意が分かれる担当者間の品質差を、下地を揃えることで縮められる効果も期待できます。
長い文書の要約、問い合わせの内容分類、契約書や仕様書からの項目抽出、アンケート自由記述のタグ付けなど、大量の非定型テキストを「整える」作業も得意な領域です。人が全件を読む前の一次仕分けとして挟むと、対応の優先順位付けが速くなります。ただし抽出結果は必ず原文に当たって確認する運用が前提で、AIの出力を最終値としてそのまま台帳に流し込む使い方は避けるべきだと考えます。
社内に散在するマニュアル・規程・過去案件の記録に対し、自然文で質問して答えを引き出す使い方も広がりつつあります。いわゆる社内ナレッジ基盤に対話の窓口を付ける形です。「どこに書いてあるか分からない情報」を探す時間を減らせる可能性がありますが、根拠となる元文書へのリンクを必ず示し、人が出典を確認できる形にしておくことが実務では重要になります。
決まった手順に沿って複数のシステムを横断し、情報を集めて整形し、次の担当に渡す——こうした定型ワークフローの補助も、エージェント的な使い方が期待される領域です。ここで成果を出すには、手順そのものが明文化されていることが前提になります。属人的で「その人にしか分からない」手順のままでは、AIに渡す設計図が存在しないためです。任せられる範囲と人が承認すべき節目の切り分けについては、AIエージェントに任せる範囲と人の承認ポイントの設計で具体的に整理しています。
次に、現時点で人が主語であり続けるべき領域を整理します。ここを曖昧にしたまま任せると、目に見えにくい形でリスクが蓄積し、あるとき大きな失敗として表面化します。「できない」ではなく「人が最終責任を持つべき」と捉えるのが実務的だと考えます。
与信、採用の合否、品質の合否判定、顧客への正式回答、契約の締結——結果に対して組織が責任を負う判断は、AIの出力を参考情報にとどめ、人が決めるべき領域だと考えられます。AIは判断の材料を素早く揃えるのは得意でも、その判断が及ぼす影響や、例外的な事情の重みづけまでは背負えません。「AIが言ったから」は、対外的にも社内的にも説明責任の根拠になりにくい点に注意が必要です。
請求金額の計算、在庫の増減、会計仕訳のように、1件の誤りが直接損失や信用問題につながる処理は、生成AIに直接やらせる領域ではないと考えます。生成AIは「それらしい数字」を返すことがあり、桁や単位を静かに間違えても、もっともらしい文面で出力してしまうためです。この種の処理は従来型のシステムやルールベースの計算に任せ、AIはその周辺の説明・下書き・チェック補助に回すのが安全だと考えられます。
「この顧客は例年この時期に動く」「この工程は現場の勘所がある」といった、文書化されていない暗黙知や、今日時点の最新在庫・最新価格のような一次情報は、AIの学習範囲の外にあります。社内データと接続していないAIは、それらを知らないまま自信ありげに答えるため、かえって危険です。逆に言えば、暗黙知を言語化し、一次情報にアクセスできる仕組みを整えるほど、任せられる範囲は広がっていくとも言えます。
私たちが軸足を置く産業用画像検査の領域でも同じ構図があります。AIは画像から傷や欠品の候補を高速に挙げるのは得意ですが、「この個体を本当に出荷してよいか」という最終判断は、基準・責任・現物の状態を踏まえた人の確認と一体で設計すべきだと考えます。画面上のもっともらしさと、現物の実際が食い違う可能性は常に残るためです。だからこそ、後述するように現物・現場での検証を欠かせない前提に置いています。
抽象論では自社に引き寄せられないため、代表的な部門ごとに、どこから始め、どこでつまずきやすいかを具体的に見ていきます。いずれも「まず相性の良い工程を1つ切り出す」という共通の型で考えると、社内合意が取りやすくなると考えられます。
提案書のたたき台作成、過去のやり取りからの要点抽出、よくある問い合わせへの回答文の下書きは、比較的入りやすい工程です。つまずきやすいのは、顧客固有の事情や最新の在庫・納期を踏まえない「一般論の回答」をそのまま送ってしまう点です。回答は必ず担当が確認してから送る運用にし、AIは「下書きまで」と線を引くのが現実的だと考えます。まずはサポートのFAQ回答下書きなど、失敗しても社外に直接出ない工程から始めるのが安全です。
規程・マニュアルへの質問応答、契約書からの項目抽出、社内向け文書の整形などが候補です。つまずくのは、数値計算や正式な法的判断まで任せてしまうケースです。金額計算・可否判断は人と既存システムに残し、AIは「探す・整える・下書きする」に集中させると、リスクを抑えつつ効果を出しやすいと考えられます。
作業手順書のドラフト化、過去トラブル記録の検索、教育資料の下地作りなどが入り口になります。一方、外観検査や寸法判定のような物理世界の最終判断は、AIの候補提示と人の確認を組み合わせる設計が前提です。ここは私たちの本業に近い領域で、画像・カメラ・AIがどこまで寄与しうるかは、現物での検証を通じてしか正確には見えてこないと考えています。
共通する判断軸は、(1) 失敗しても社外に直接影響しない、(2) 手順や判断基準が言語化できている、(3) 効果を測る指標が置ける、の3点です。この3つが揃う工程ほど、最初の一歩に向いています。導入時の社内合意の取り方については、AIエージェント導入の社内合意で、関係者の巻き込み方を含めて整理していますので参考にしてください。
できる・できないを二分するだけでは、実務の運用にはやや粗すぎます。多くの業務はその中間、「AIがやって人が確認する」領域にあるからです。そこで、業務を三つの層に仕分けることをお勧めしています。この三層の線引きこそが、幻滅と過信の間に引く運用ラインの正体だと考えます。
失敗しても影響が小さく、やり直しが効く工程です。下書き生成、一次要約、社内向けの情報整理などが該当します。ここは多少の誤りを許容し、スピードを取る領域と割り切ります。ただし「任せる＝放置」ではなく、出力の傾向を定期的に振り返る運用は残しておくべきだと考えます。
AIが案を出し、人が確認・修正してから確定・送信・実行する領域です。顧客への回答、社外文書、台帳への反映など、外部や記録に影響する工程はここに置くのが基本になります。重要なのは「どの節目で人が承認するか」を明文化しておくことです。承認ポイントが曖昧だと、忙しいときに素通りしてしまい、事故につながります。この設計の考え方はAIエージェントに任せる範囲と人の承認ポイントの設計で詳述しています。
責任を伴う最終判断、正確性が絶対の計算、現物の合否判定などです。AIの出力はあくまで参考情報とし、決定の主語は人に固定します。ここを第一層・第二層と混同しないことが、過信による事故を防ぐ最大のポイントだと考えます。
この三層は一度引いたら終わりではありません。社内データとの接続が進み、暗黙知が言語化され、運用の実績が積み上がるにつれ、第二層の一部を第一層へ、第三層の材料集めを第二層へと、少しずつ移していける可能性があります。逆に、想定外の失敗が出れば人側へ戻す。この「線を動かし続ける」運用こそが、AI活用を成熟させていく実態に近いと考えられます。
導入前後で繰り返し見られる、期待値まわりの落とし穴を挙げます。いずれも技術の問題というより、運用・合意形成の設計の問題として捉えると対処しやすいと考えられます。
これらは裏返せば、そのまま導入前チェックリストになります。「相性の良い工程か」「根拠を確認できるか」「効果を測れるか」「人の承認節目があるか」「手順が言語化されているか」——この問いに答えられる工程から始めると、幻滅にも過信にも振れにくくなると考えられます。
最後に、ここまでの整理を実際の進め方に落とし込みます。急いで広く導入するより、期待値を揃えたうえで一つの工程を小さく検証し、そこから線を動かしていく順序を私たちはお勧めしています。
まず本記事の三層モデルのような枠組みを使い、関係者で「何を任せ、何を人が持つか」の像を揃えます。ここでの合意がないまま各自の期待でツールを触ると、評価がバラバラになり、導入判断そのものが迷走します。経営層・推進担当・現場で言葉を合わせることが、意外にも最初の最重要工程だと考えます。
失敗が社外に出ず、手順が言語化でき、効果が測れる工程を1つ選び、小さく試します。目的は「成果を出すこと」と同じくらい「自社の業務でのできる・できないの手触りを得ること」です。この段階で得た肌感覚が、次にどの工程へ広げるかの判断材料になります。
広げる前に、人の承認節目と効果の測り方を必ずセットで設計します。片方だけでは、事故か、あるいは「効果があったのか分からない」状態に陥りやすいためです。うまくいった工程は第一層へ、リスクが見えた工程は人側へ——線を動かしながら、組織としての運用ラインを育てていく発想が有効だと考えます。
ここまで一般論として整理してきましたが、実際にどの工程が自社で「できる／できない」に落ちるかは、業種・データ・現場の状態によって変わります。カタログ的な正解は存在せず、現物・現場での検証を通じてしか正確には見えてこない、というのが私たちの立場です。Nsightは産業用画像検査・VLM/AIに加え、AI研修や社内AIエージェント・業務OSの内製化支援を手がけており、監修には元キーエンス画像処理事業部で現場に立ってきた知見を反映しています。過度な期待にも諦めにも振れず、貴社の業務で「何を任せ、何を人が持つべきか」を、小さな検証から一緒に確かめていければと考えます。まずは相性の良さそうな一工程について、気軽にご相談いただければ幸いです。
責任を伴う最終判断（与信・合否・契約締結・品質の合否など）は、AIの出力を参考情報にとどめ、人が決めるべき領域だと考えられます。AIは判断材料を素早く揃えるのは得意ですが、影響の重みづけや例外事情、説明責任までは背負えないためです。まずは下書き生成や情報整理など、失敗しても影響が小さくやり直しの効く工程から任せ、判断そのものは人に残す設計をお勧めします。
必ずしもそうとは限らないと考えます。うまくいかない多くのケースは、AIに向かない工程（正確な計算や責任を伴う判断など）に当てはめていたことが原因で、業務全体が向いていないわけではない場合が多いためです。たたき台作りや情報整理のように相性の良い工程を切り出して再検証すると、評価が変わることがあります。工程単位で得意・不得意を分けて見直すことをお勧めします。
「任せる／人が承認する／人が持つ」の三層で業務を仕分ける枠組みを、経営層・推進担当・現場で共有することから始めるのが有効だと考えます。各自がばらばらの期待でツールを触ると評価が割れ、導入判断が迷走しやすいためです。言葉を合わせたうえで、相性の良い工程を1つ選び小さく検証すると、共通の手触りが得られます。合意形成の具体策は関連記事も参考にしてください。
生成AIが事実と異なる内容をもっともらしく出力する現象（ハルシネーション）は前提として付き合うものだと考えます。対策の基本は、回答の根拠となる元文書を必ず示し、人が出典を確認できる運用にすること、そして正確性が絶対に要る計算は従来システムに任せることです。詳しくは関連記事「生成AIの誤回答と業務での付き合い方」で整理しています。
AIツールの料金・仕様は変化が速く、細部は変わり得ます。導入判断の前提にする数値や機能は、その時点の公式情報を必ず確認する前提で扱うことをお勧めします。本記事も特定ツールの料金・仕様の細部には踏み込まず、能力と限界の考え方の整理に重点を置いています。最終的な費用対効果は、自社の業務での小さな検証を通じて確かめるのが確実だと考えます。
過度な期待にも諦めにも振れず、どの工程を任せどこを人が持つべきかは、現物・現場での小さな検証を通じてしか正確には見えてきません。元キーエンス画像処理事業部の知見を踏まえ、相性の良い一工程からご一緒に確かめます。
期待値のすり合わせから相談する