1. これは何の話？
生成AIを導入した多くの企業が「使えない」と疲弊している現状について、深津貴之氏がその根本原因を解説しています。問題はAIの性能不足ではなく、企業側の業務設計がAIの特性に合っていないことにあります。
企業のAI導入担当者や業務改善を検討するマネジメント層に向けて、どのような業務にAIを適用すべきか、どのような業務は避けるべきかという判断基準を示す内容です。
2. 何がわかったか
AIの苦手な問いには大きく2つのパターンがあります。第一に「完璧性を要求する業務」で、厳密な計算、医療・法務の最終判断、細部の破綻が品質事故になる制作などが該当します。第二に「ステップが長く連鎖する業務」で、精度90%の作業を10回連鎖させると成功率は34%まで低下します。
逆にAIが得意なのは「全体感が正しければ成果になる仕事」です。イベント進行案の作成、企画書へのフィードバック、ポートフォリオ運用原則の策定など、厳密さより筋の良さや網羅性が価値になる領域です。
3. 他とどう違うのか
従来の「AIは精度が低い」という批判とは異なり、本稿はAIの確率的な特性を前提として業務側の設計を変えるべきと主張しています。AIの弱点を克服しようとするのではなく、AIの強みを活かせる業務に問いを再構成する発想への転換を促しています。
4. なぜこれが重要か
多くの企業がAI導入に失敗する理由は、技術ではなく設計にあることを明確化しています。この視点の転換により、無理な精度向上の努力を止め、適切な業務選定に投資を集中できます。結果として導入コストの削減と効果の最大化が期待できます。
5. 未来の展開・戦略性
「AIが考えて、人間が完璧に執行する」という役割分担が主流になる可能性があります。経営判断のような確率論が重要な処理にAIを使い、細部の決定論的な作業は人間やプログラムが担う分業体制です。皮肉にも「現場を見ずに数字だけで判断する経営者」が最もAIで代替しやすい人材になるという示唆も含まれています。
6. どう考え、どう動くか
例えば、社内のAI活用プロジェクトで「精度が出ない」と停滞しているなら、まず対象業務が「完璧性を要求しない」「ステップが短い」という条件を満たすか再検討すべきです。
指針：
- 自社のAI導入案件を「完璧性」「連鎖の長さ」の2軸でスクリーニングする。
- 精度が必要な処理にはPythonや計算機など確定的なツールを組み合わせる。
- 試行回数を増やして平均で品質を出す運用設計に切り替える。
次の一歩：
- 今日やること：停滞しているAI案件の業務特性を2軸で分類する。
- 今週やること：「全体感で価値が出る業務」を3つリストアップして優先度を見直す。
7. 限界と未確定
- 具体的な業界別の適用事例は本稿には含まれていません。元記事は考え方のフレームワークを示すものです。
- 「大数の法則で精度を出す」運用には追加コストがかかる可能性がありますが、コスト試算の方法は示されていません。
- 各企業の業務特性によって適用可否は異なるため、個別の判断が必要です。
8. 用語ミニ解説
- わざと外して様子を見ることです。（アブレーション / ablation）以後は「外して様子を見る」と記載します。
9. 出典と日付
note・深津貴之（公開日：2026-01-10、最終確認日：2026-01-10）：https://note.com/fladdict/n/na45a57c572c8
