構造的な人手不足を前提に、採用増だけに頼らず業務を回す組織へどう移行するか。人が担う仕事と仕組みに任せる仕事の再設計、教育、段階的な移行を経営視点で整理します。
多くの企業で人手不足は「一時的に採用がうまくいっていない状態」として語られがちです。しかし現場の数字を追っていくと、景気や採用施策の巧拙とは別の、より根の深い変化が背景にあると考えられます。生産年齢人口そのものが継続的に縮小していく局面では、個社がどれだけ採用努力を重ねても、労働市場全体の母集団が細っていくため、従来と同じ人数を同じコストで確保し続けることが難しくなっていきます。
この局面で起きやすいのは、採用単価の上昇と定着率の低下が同時に進むことです。求人を出しても応募が集まらず、条件を上げてようやく採用しても、より良い条件の他社へ移っていく。採用と離職の両面でコストがかさみ、採用担当者は「穴を埋め続ける」ことに追われます。これは担当者の努力不足ではなく、前提条件が変わったことによる構造的な現象だと捉えるべきだと考えます。
従来の事業計画は、売上が伸びれば人を増やし、業務が増えれば人を採る、という増員前提で組まれてきました。この前提の下では、業務量と人員がほぼ比例して増えていくため、一人あたりの生産性を大きく変えなくても事業を拡大できました。しかし母集団が縮む前提に立つと、この比例関係は成り立たなくなります。業務量が増えても採用が追いつかず、既存社員の残業や兼務でしのぐうちに疲弊し、離職がさらに人手不足を深刻化させる、という悪循環に入りやすくなります。
ここで必要になるのが、「採用を増やす」以外の変数を計画に組み込むことだと考えます。具体的には、一人あたりが担える業務量そのものを引き上げる、あるいは人が担わなくてよい業務を仕組みに移すという発想です。前者は教育や標準化で、後者は自動化やAIエージェントの活用で実現していく領域です。人手不足を「足りない人をどう埋めるか」ではなく「その業務は本当に人が担う必要があるか」という問いに置き換えることが、上流での出発点になります。
人手不足の痛みは、欠員という形だけでなく、既存社員の「見えない負荷」として現れることが多いと考えられます。本来の専門業務の合間に、転記・集計・問い合わせ対応・資料探しといった付随作業が積み重なり、一人あたりの実働時間の相当部分がそこに費やされている、という状況です。こうした付随作業は個々には小さく、業務分掌にも明記されていないため、経営からは見えにくい一方で、現場の疲弊とミスの温床になりやすい領域です。
逆に言えば、この「見えない付随作業」こそが、採用に頼らず業務を回すための最初の見直し対象になり得ます。熟練者にしかできない判断や対人対応は人に残し、誰がやっても結果が変わらない定型作業を仕組みに移せれば、同じ人数でより多くの本来業務を担えるようになる可能性があります。次章以降では、この切り分けをどう設計し、どこから着手するかを具体的に見ていきます。関連して、熟練者の判断そのものをどう残すかについては熟練者の暗黙知とAIの記事もあわせてご覧ください。
「採用に頼らず業務を回す」を実現する中核は、業務を人と仕組みに配分し直すことだと考えます。ここで避けたいのは、目立つ業務を丸ごとAIに置き換えようとする発想です。一つの業務は多くの場合、判断・調整・定型処理が入り混じった複合体であり、そのすべてを機械に任せられることは稀です。むしろ業務を工程に分解し、工程ごとに人と仕組みのどちらが適しているかを見ていくほうが、現実的で失敗が少ないと考えられます。
人に残すべきは、大きく分けて三つの領域だと整理できます。第一に、前例のない例外や、複数の要素を天秤にかけて決める最終判断。第二に、顧客や取引先との信頼関係が結果を左右する対人業務。第三に、責任を伴う承認や、倫理・安全に関わる判断です。これらは、間違えたときの影響が大きく、かつ状況依存性が高いため、仕組みに丸投げするとかえってリスクが増える領域だと考えられます。
重要なのは、これらの領域からも「情報を集める」「候補を整理する」といった前段作業は切り出せる、という点です。最終判断は人が下すとしても、そのために必要な過去事例の検索、関連データの集約、選択肢の下書き作成は仕組みに任せられます。人の判断力を、判断そのものに集中させるための下支えとしてAIエージェントを位置づける、という考え方が現実的だと考えます。
仕組みに移しやすいのは、入力と出力の関係が比較的安定していて、繰り返し発生する業務です。具体的には、フォーマット間の転記、複数システムからのデータ集約、定型的な一次回答、書類の内容確認と分類、社内からのよくある問い合わせへの応答などが挙げられます。こうした業務は、判断の余地が小さく、頻度が高く、しかも人がやると単調でミスが起きやすいという特徴を持ち、自動化やAIエージェントの効果が出やすい領域だと考えられます。
ただし、「任せられる」ことと「いきなり無人化する」ことは別だと考えます。当面は、AIエージェントが一次処理を行い、人が結果を確認して承認する、という二段構えから始めるのが安全です。処理の精度と現場の信頼が積み上がってきた業務から、段階的に確認の頻度を下げていく。この線引きは業務ごとに異なるため、どこまで任せ、どこで人が承認するかを明示的に設計しておくことが、後々のトラブルを防ぐ鍵になると考えられます。
再配分の設計は、机上の分類ではなく、実際の業務棚卸しから始めるのが現実的です。ある部門の一週間の業務を、工程・頻度・所要時間・判断の有無で洗い出すと、「頻度が高く判断が少ない工程」がいくつか浮かび上がってきます。これが最初の自動化候補になります。棚卸しは現場のヒアリングを伴うため手間がかかりますが、ここを飛ばして「とりあえずAIを入れる」と、効果の薄い業務に投資してしまいがちです。どこに時間が溶けているかを可視化する工程は、投資の当たり外れを大きく左右すると考えます。
「総論は分かった。ではうちの部門は何から手をつければよいのか」という問いに答えるには、抽象論ではなく部門ごとの具体像が必要だと考えます。ここでは代表的な部門を取り上げ、最初の一歩として現実的な着手点を整理します。いずれも「小さく始めて効果を確かめる」ことを前提にしています。
間接部門は、転記・集計・問い合わせ対応といった定型業務の密度が高く、AIエージェント活用の入口として着手しやすい領域だと考えられます。たとえば、社内規程や過去のやり取りを集約した社内ナレッジ基盤に、経費精算や勤怠のルールに関するよくある質問を答えさせる。あるいは、複数の様式で届く書類の内容を読み取り、所定のフォーマットへ下書きとして転記させる。いずれも最終確認は人が行う前提で、まず一次処理の負荷を下げることから始めるのが現実的です。
この領域で最初に選ぶべきは、「担当者が毎日繰り返していて、かつ判断がほぼ不要」な業務です。効果が実感しやすく、失敗しても影響が限定的なため、社内の理解を得ながら広げやすいという利点があります。どの部門から入れるべきかの考え方はAIエージェントはどの部門から入れるべきかの記事で詳しく整理しています。
営業やサポートでは、対人対応そのものは人に残しつつ、その周辺の情報整理を仕組みに任せる、という切り分けが有効だと考えられます。過去の提案資料や商談記録を集約した基盤から、案件に近い事例を検索して提案の下書きを用意する。問い合わせ履歴を要約し、一次回答の候補を提示する。こうした下支えによって、担当者が顧客との対話や関係構築という本来業務に時間を割けるようになる可能性があります。
現場作業そのものは物理的な制約が大きく、いきなり自動化しにくい一方で、現場を取り巻く事務作業には仕組み化の余地が大きいと考えられます。たとえば、日報や検査記録の集計、伝票や表示ラベルの読み取り、在庫や入出荷情報の突き合わせといった業務です。現場を持つ企業では、熟練者の判断を残しながら周辺事務を軽くすることで、限られた人員を付加価値の高い作業に振り向けられる可能性があります。製造現場に固有の論点は熟練者の暗黙知の記事もあわせて参考にしていただければと思います。
部門は違っても、着手の原則は共通していると考えます。第一に、影響が小さく効果が見えやすい業務から始めること。第二に、最初から完全自動化を目指さず、人の確認を挟んだ二段構えで信頼を積むこと。第三に、着手前後で「何にどれだけ時間がかかっていたか」を記録し、効果を数字で語れるようにしておくことです。この三つを押さえておくと、次の展開に向けた社内合意が取りやすくなると考えられます。
採用に頼らない組織への移行は、システムを入れ替えれば完了する類のものではなく、業務のやり方と人の役割を少しずつ変えていくプロセスだと考えます。ここで急いで全面展開すると、現場が使いこなせないまま形骸化し、「入れたのに使われない」状態に陥りやすくなります。止まってしまったDXをどう動かし直すかという論点は止まったDXをAIで動かし直すの記事で扱っていますが、本質は「現場が使う理由をどう設計するか」にあると考えられます。
移行の基本は、対象業務を一つに絞り、小さく試し、効果を測ってから次へ進むことだと考えます。最初の対象は、前章で述べたとおり「頻度が高く判断が少なく、失敗の影響が小さい」業務が向いています。ここで得た効果と反省を踏まえて、隣接する業務へ横展開していく。一度に多くの業務を並行して変えようとすると、現場の学習負荷が跳ね上がり、どれも中途半端になりがちです。焦点を絞ることが、結果的に早い定着につながると考えられます。
効果測定は、導入の是非を判断するためだけでなく、社内合意を取るための材料として重要だと考えます。「体感で楽になった」だけでは次の投資判断につながりにくいため、着手前に対象業務の所要時間・処理件数・エラー率などを記録しておき、導入後と比較できるようにしておくことをおすすめします。数字は誇張せず、目安として率直に共有することが、経営と現場の信頼を保つうえで有効だと考えられます。
移行を支える教育で見落とされがちなのが、ツールの操作方法よりも「何をどこまで任せ、どこを自分で確認するか」という判断軸の共有だと考えます。AIエージェントは万能ではなく、時に誤った出力を返すこともあります。現場が「便利だが鵜呑みにはしない」という付き合い方を身につけていないと、過信による事故か、不信による不使用のどちらかに振れてしまいます。研修では、できること・できないことの両面を具体例で示し、確認すべきポイントを業務に即して伝えることが重要だと考えられます。
また、研修を受けて終わりにせず、実業務のユースケースへ接続する設計も欠かせません。学んだ内容を自部門のどの業務に当てはめるかを、研修の場で一緒に考え、導入後も一定期間は伴走する。こうした「学びと実装の橋渡し」があってはじめて、教育投資が現場の成果に変わっていくと考えられます。
段階的な移行を続けるには、外部に丸投げするのではなく、社内に推進役を育てておくことが有効だと考えます。業務を最もよく知るのは現場であり、どこを仕組みに任せられるかの目利きは、現場の文脈を持つ人にしかできない面があります。外部の知見を借りながらも、最終的には自社で「次はどこを変えるか」を判断できる状態を目指す。この自走力が、人手不足という長期の課題に継続的に向き合ううえでの土台になると考えられます。導入全体の進め方はAIエージェントを社内に導入するにはの記事にまとめています。
「採用に頼らず回す組織へ」と聞くと、大がかりなシステム刷新を想像しがちですが、実際には既存の資産を活かすほうが現実的で、立ち上がりも早いと考えられます。多くの企業は、過去のやり取りや帳票、マニュアル、基幹システムのデータといった、活用しきれていない情報資産を既に持っています。移行の出発点は、新しいものを作ることよりも、これらを使える形に整えることにあると考えます。
AIエージェントが業務を担うには、参照すべき情報がまとまっていることが前提になります。しかし現実には、情報が担当者ごとのフォルダやメール、紙の書類に散在していることが少なくありません。まずは、業務に必要な情報を社内ナレッジ基盤やデータ集約基盤へ集めることが、地味ですが効果の大きい第一歩だと考えられます。情報が集約されていれば、問い合わせ応答や一次調査といった業務を仕組みに任せやすくなります。
この集約の過程には、副次的な効果もあると考えます。情報を集めて整理する作業を通じて、業務のばらつきや属人化が可視化され、標準化の糸口が見えてくることです。人手不足への対応と業務標準化は本来つながっており、情報の集約はその両方を前に進める土台になり得ると考えられます。
既存の基幹システムやSaaSは、無理に置き換えるより、そこにAIエージェントから橋を架けるほうが現実的な場合が多いと考えます。既存システムはデータの器としてそのまま使い、その入出力や転記といった人手を要していた部分を仕組みに任せる。全面刷新は投資も移行リスクも大きいため、足元の業務から動かすなら、既存資産を活かした部分的な自動化から入るのが妥当だと考えられます。
既存資産を活かす際に注意したいのが、最初から完璧を目指して作り込みすぎないことだと考えます。業務は変わり続けるため、精緻に作り込んだ仕組みほど、変更に弱く、保守が属人化しやすくなります。まずは小さく動くものを作り、現場で使いながら育てていく。この「動かしながら直す」姿勢のほうが、変化の速い環境では結果的に長持ちすると考えられます。速度を優先し、完璧より先に動くものを出すという考え方は、人手不足下の限られたリソースとも相性が良いと考えます。
採用に頼らない組織への移行は、技術よりも組織と進め方でつまずくことが多いと考えられます。ここでは、実務で陥りやすい落とし穴と、その回避の方向性を整理します。いずれも、事前に想定しておけば避けやすいものだと考えます。
これらの落とし穴に共通するのは、技術の巧拙よりも「進め方の設計」に起因している点だと考えます。裏を返せば、目的の明確化・段階的な移行・効果測定・現場との合意という基本を丁寧に押さえれば、多くのつまずきは事前に避けられる可能性が高いと考えられます。
最後に、ここまでの内容を経営視点のロードマップとして整理します。あくまで一つの型であり、業種や規模によって順序や比重は変わり得ますが、大きな流れの目安として参考にしていただければと思います。
まず、主要部門の業務を棚卸しし、どこに時間が費やされ、どの工程が「頻度が高く判断が少ない」かを可視化します。同時に、人が担うべき判断・対人・承認の領域を明確にし、仕組みに任せられる領域と切り分けます。この段階では投資を急がず、現状を正しく把握することに集中するのが良いと考えられます。
切り分けの結果から、影響が小さく効果が見えやすい業務を一つ選び、人の確認を挟む形で仕組み化を試します。着手前後の所要時間や件数を記録し、効果を数字で確認します。ここで得た手応えと反省が、次の展開と社内合意の材料になります。過度な期待も過度な諦めも避け、現実的な期待値を関係者で揃えておくことが重要だと考えます。
実証で効果が確認できたら、隣接業務へ横展開しつつ、社内に推進役を育て、教育を実業務へ接続していきます。既存資産を活かしながら、無理のない範囲で任せる領域を広げていく。この段階を経て、「次はどこを変えるか」を自社で判断できる状態を目指します。人手不足は一度の対策で終わる課題ではないため、継続的に見直せる体制そのものが資産になると考えられます。
ここまで述べてきた内容は、あくまで一般的な考え方の整理です。実際にどの業務から着手し、どこで人が承認し、どのように効果を測るかは、その企業の業種・部門・既存資産によって大きく異なります。私たちNsightは、元キーエンス画像処理事業部で現場の課題と向き合ってきた知見をもとに、机上の理想論ではなく、実際の業務と現場で「何がどこまで仕組みに任せられるか」を一緒に確かめながら進めることを大切にしています。人手不足を経営課題として捉えておられるのであれば、まずは自社の一業務を題材に、現物での小さな検証から始めてみることをおすすめします。導入の進め方全体はAIエージェントを社内に導入するにはの記事もあわせてご覧ください。
採用強化そのものを否定するものではありませんが、生産年齢人口が継続的に縮小していく局面では、労働市場全体の母集団が細るため、個社の採用努力だけで従来と同じ人数を確保し続けることは難しくなっていくと考えられます。採用を続けつつも、「その業務は人が担う必要があるか」を問い直し、仕組みに任せられる部分を移していく両輪の発想が現実的だと考えます。
その懸念は現場でよく生じるものだと考えます。仕組み化の狙いは人を減らすことではなく、転記や集計といった付随作業を減らし、判断や対人対応といった本来業務に人の時間を振り向けることにあります。この位置づけを経営から丁寧に共有し、実際に誰のどの負担が減るのかを具体的に示すことが、協力を得るうえで重要だと考えられます。
主要業務を工程・頻度・所要時間・判断の有無で棚卸しし、「頻度が高く判断が少なく、失敗の影響が小さい」業務を最初の対象に選ぶのが定石だと考えます。バックオフィスの定型処理や、営業・現場周辺の事務作業が入口になりやすい領域です。まず一つに絞り、人の確認を挟む形で小さく試し、効果を測ってから広げることをおすすめします。
操作方法の習得だけでなく、「何をどこまで任せ、どこを自分で確認するか」という判断軸を、自部門の実業務に即して共有することが定着の鍵だと考えられます。研修を受けて終わりにせず、学んだ内容を具体的なユースケースに接続し、導入後も一定期間は伴走する設計にすること。あわせて社内に推進役を育てておくと、継続的な改善が回りやすくなると考えます。
着手する前に、対象業務の所要時間・処理件数・エラー率などを記録しておき、導入後と比較できるようにしておくことをおすすめします。数字は誇張せず、目安として率直に共有することが、経営と現場双方の信頼を保ち、次の投資判断や社内合意の材料になると考えられます。体感の改善だけでなく、比較できる指標を最初に決めておくことが大切だと考えます。
どの業務を人が担い、どこを仕組みに任せるか。自社の一業務を題材に、元キーエンス画像処理事業部出身の知見をもとに現物で小さく検証するところから始められます。まずはお気軽にご相談ください。
業務の再設計について相談する