
「なんとなく良い感じに」で生成AI導入が迷走する理由――要件定義という抜け落ちがちな工程
生成AIの導入プロジェクトでは、こんな会話から始まることがよくあります。
「まずはAIに触らせてみよう」
「プロンプトを作って、良い感じになるか試してみよう」
「使いながら完成形を考えればいい」
生成AIは、従来のシステム開発と比べて、圧倒的に早く試せます。
だからこそ、この進め方自体が間違っているわけではありません。むしろ、最初から何ヶ月もかけて仕様を固めるより、まず触ってみることには大きな意味があります。
問題は、その「まず触ってみる」が、いつまでも続いてしまうことです。
数週間、数ヶ月と検証を続けているのに、
「結局、どこまでできれば成功なのか分からない」
「人によって良い・悪いの判断基準が違う」
「プロンプトは増えたが、業務にどう組み込むか決まっていない」
「デモでは良かったのに、本番業務では使えない」
という状態になる。
生成AI導入の相談を受けていると、こうしたケースは珍しくありません。
原因を辿っていくと、AIの性能よりも前に、一つの工程が抜け落ちていることがあります。
それが、要件定義です。
生成AIは「すぐ動く」から、要件定義が抜け落ちやすい
従来のシステム開発では、要件定義をせずにいきなり開発を始めることは、基本的にはありません。
何を実現したいのか。
誰が使うのか。
どんなデータを使うのか。
どんな処理を行うのか。
最終的に何が出てくればよいのか。
こうしたことを整理してから、設計や開発に入ります。
一方、生成AIはプロンプトを書けば、その場ですぐに結果が返ってきます。
この手軽さによって、
「まず作ってみればいい」
「細かいことは後で考えよう」
となりやすい。
経営層やPMOから見ても、スピード感があるため、最初は非常に良い進め方に見えます。
しかし、検証が進むにつれて問題が出てきます。
担当者Aが考える完成形と、担当者Bが考える完成形が違う。
事業部が期待していることと、開発側が作ろうとしているものが違う。
AIの回答精度ばかり評価していて、実際の業務で誰がどう使うか決まっていない。
つまり、技術検証は進んでいるのに、業務要件は曖昧なままなのです。
要件定義が曖昧になる3つの理由
生成AI導入で要件定義が抜け落ちやすい理由は、大きく3つあります。
1つ目は、手軽さの罠です。
プロンプト一つで結果が返ってくるため、「要件を整理してから作る」という工程そのものが不要に見えます。
2つ目は、担当の空白です。
事業部は「要件定義はシステム側の仕事」と考える。
一方で開発側は「何を実現するかは業務側が決めること」と考える。
その結果、両者の間にある要件整理を、誰も十分に担わないまま進んでしまいます。
3つ目は、完成形の不在です。
生成AIは、同じ指示でも出力に幅があります。
そのため、「100点の回答とは何か」を定義しづらく、いつの間にか
「なんとなく良い」
「前より賢くなった気がする」
という感覚的な評価になりがちです。
これらは、生成AIそのものが難しいから起きているのではありません。
「何を作るのか」を言葉にする工程を、プロジェクトの中に置いていないことが原因です。
私たちがまず整理するのは、Input・Process・Output
NariConでは、生成AI活用の業務要件を整理するとき、まず
Input / Process / Output
の3つに分解して考えます。
これは複雑な方法論ではありません。
むしろ、AIに何をさせたいのかを、できるだけシンプルに整理するための考え方です。
以下は、説明のための架空の例です。
ある企業の経理部門が、
「請求書チェックを生成AIで効率化したい」
と考えたとします。
このままでは、かなり曖昧です。
「請求書をAIに読ませてチェックする」というところまでは想像できますが、それ以上の認識は人によって違う可能性があります。
そこで、3つに分解します。
Input:AIに何を渡すのか
・PDFの請求書
・取引先マスタ
・契約条件
・過去の承認履歴
・社内の確認ルール
など。
Process:何を基準に、どう判断させるのか
・取引先名とマスタが一致しているか
・請求金額が契約条件と一致しているか
・支払期限に不自然な点がないか
・過去の請求と比べて大きな差異がないか
など。
Output:最終的に何を出させるのか
・承認可否の一次判定
・確認が必要な項目の一覧
・差異がある箇所と理由
・担当者が確認すべき優先順位
など。
ここまで整理できると、
「AIで請求書チェックをする」
という曖昧なテーマが、
「どの情報を使い、何を確認し、どのような結果を返す仕組みを作るのか」
という具体的な検証テーマに変わります。
最初に考えるべきは「Output」
Input・Process・Outputは、Inputから順番に考える必要はありません。
実務では、むしろOutputから考えた方が整理しやすいことが多いです。
例えば、
「AIに請求書を読ませたい」
から考え始めると、使えそうなデータやAI機能を次々に試したくなります。
一方で、
「最終的に、担当者が何を見て判断できればよいか」
から考えると、必要なものがかなり絞られます。
まずOutputを決める。
そのOutputを作るためには、どんなProcessが必要か。
そのProcessを成立させるためには、どんなInputが必要か。
つまり、
Output → Process → Input
の順で逆算します。
この順番にすると、「AIで何ができるか」ではなく、「業務として何を実現したいか」から検討できるようになります。
これは、生成AI導入ではかなり重要な違いです。
さらに重要なのは「誰が判断するか」
実際のプロジェクトでは、Input・Process・Outputを整理するだけでは足りないこともあります。
特に重要なのが、
AIが判断するのか、人が判断するのか
を決めることです。
例えば請求書チェックでも、
AIが「承認・否認」を確定するのか。
AIは「確認が必要そうな箇所」だけを抽出し、最終判断は人が行うのか。
この違いによって、必要な精度も、リスク対策も、システム設計も大きく変わります。
生成AI導入では、「AIに何をさせるか」だけでなく、
どこまでAIに任せ、どこから人が判断するか
まで決めて初めて、業務要件になります。
要件定義は「最初に全部固めること」ではない
ここで一つ誤解されやすいことがあります。
生成AI導入に要件定義が必要だと言うと、
「最初に全部仕様を固めてから作るべきなのか」
と思われるかもしれません。
私は、そうは考えていません。
生成AIは、実際に触ってみないと分からないことが多い技術です。
だから、
試す → 学ぶ → 要件を修正する
という進め方自体は必要です。
ただし、
何を検証しているのか分からないまま試し続けること
と、
仮の要件を置いたうえで、検証結果をもとに要件を更新すること
はまったく違います。
重要なのは、完璧な要件定義を最初に作ることではありません。
検証を始める時点で、
「今は何を実現しようとしているのか」
を言語化しておくことです。
要件定義は、一度作って終わる資料ではなく、生成AIの検証とともに更新していく「設計図」に近いものだと思います。
生成AI導入が迷走したら、プロンプトより先に要件を見る
生成AI導入がうまく進まないとき、
「もっと良いプロンプトを書こう」
「別のAIモデルを試そう」
「RAGを入れよう」
「エージェント化しよう」
と、技術側に解決策を探しがちです。
もちろん、それらが必要なケースもあります。
ただ、その前に確認しておきたいことがあります。
・最終的に、何が出てくれば成功なのか
・そのために、AIはどんな判断をする必要があるのか
・その判断に必要な情報は揃っているのか
・AIと人の役割分担は決まっているのか
ここが曖昧なままでは、どれだけAIの性能を上げても、導入プロジェクトは前に進みません。
生成AI導入を「なんとなく良い感じに」から抜け出させるために必要なのは、派手な技術ではなく、こうした地道な要件整理です。
もし今、生成AIを使った業務改善を検討しているのであれば、一度対象業務を一つ選び、
Output → Process → Input
の順番で書き出してみてください。
それだけでも、「何を検証すべきか」はかなり明確になるはずです。
NariConでは、生成AI導入・業務改革において、構想整理から業務要件・Input / Process / Outputの具体化、PoC設計まで支援しています。
「生成AIを導入したいが、何から要件を決めればよいか分からない」
「PoCを続けているが、方向性が定まらない」
「事業部と開発部の認識がうまく揃わない」
といった段階からでもご相談いただけます。
NariConへのご相談:
https://nari-con.com/contact/