「あのベテランがいないと現場が回らない」「売上を左右する設定は、結局あの人の“勘”頼り」——こうした属人ノウハウは、多くの事業者にとって最大の強みであると同時に、最大のリスクでもあります。担当者が辞めれば、長年積み上げた経験とともにノウハウが消えてしまうからです。
そこで近年注目されているのが、経験と勘をデータ化し、AIで予測・再現するアプローチです。本記事では、属人的なノウハウをAI化するための業務AI予測開発の進め方を、実際の開発の考え方に沿って解説します。「ノウハウをデータ化してAIに置き換えたい」と考えている事業者の方は、ぜひ参考にしてください。
「経験と勘」はなぜAIで再現できるのか
そもそも、ベテランの勘とはどういうものでしょうか。たとえばアミューズメント施設で「どんな設定にすると売上がどう変わるか」を判断する場面を考えてみます。熟練の担当者は、いくつかのパラメータを調整しながら、最も売上が上がる設定を経験的に選び取っています。
これを分解すると、実は次のような構造になっています。
- インプット：担当者が選んだ設定値・数字
- アウトプット：その結果として得られた売上などの成果
「この数字を選ぶと、この売上になる」という関係が成り立っているわけです。言い換えれば、勘とは“入力と出力の対応関係を経験的に学習した状態”だと捉えられます。この対応関係をデータとして蓄積できれば、AIが同じ関係を学習し、予測として再現できるのです。
一番大切なのは「システム」ではなく「データ」
属人ノウハウのAI化を考えるとき、多くの人がいきなり高機能なシステムを作ろうとします。しかし、ここで最も重要なのはシステムそのものではなく、設定したデータをとにかく入力してもらうことです。
なぜなら、AIが学習できるのは過去の蓄積データだけだからです。
- どんな設定（インプット）にしたか
- その結果（アウトプット）がどうなったか
この一連のデータが存在しなければ、いくら優れたアルゴリズムを用意しても、勘を再現することはできません。データがない状態で予測ツールを先に作ろうとしても、分析する材料がないため、まず機能しないのです。
そしてもう一つ重要なのが、インプットの質がそのまま精度を決めるという点です。どれだけ優秀なAIモデルでも、入力されるデータが薄かったり、粒度が荒かったり、抜け漏れが多かったりすれば、出てくる予測の精度は上がりません。いわゆる「Garbage In, Garbage Out（質の悪いデータからは質の悪い結果しか出ない）」です。逆に、データさえ良質かつ膨大に蓄積されていれば、「この入力ならこの結果になる」という計算が可能になります。ノウハウのデータ化AIを成功させる第一歩は、地道で良質なデータ収集に尽きると言っても過言ではありません。
開発のステップ
ステップ1：インプットとアウトプットを定義する
最初に行うのは、再現したいノウハウを「何を入れたら（インプット）／何が出るか（アウトプット）」という形に切り分けることです。日々の作業の中で、担当者がどんな情報をもとに、どんな判断を下し、どんな結果につながったのか。この対応を意識的にデータとして残す設計が出発点になります。
ステップ2：データを取得・蓄積する仕組みを作る
次に必要なのが、現場でデータを入力・取得し続ける仕組みです。「今この設定（数字）にした」「写真や音声でこういう状況だった」「その結果こうなった」——こうした記録を継続的に貯められるようにします。
ここで壁になるのが、「そもそもデータをどうやって取り出すのか」という問題です。多くの場合、必要なデータは既存の業務システムや連携済みツールの中に眠っており、それを引き出すこと自体が第一関門になります。毎回手動でCSVやExcelを出力して取り込むのは、担当者の手間が膨大になり、更新も止まりがちになるため現実的ではありません。
そこで考えるのが自動化です。代表的な方法は次の2つです。
- API連携：システム同士をつないで、必要なデータをプログラムから直接取得する
- FTP連携：指定の場所に定期出力されたファイルを自動で受け取る
FTP連携の場合は、「そのデータが毎日何時に更新されるのか」を事前に確認しておくのがポイントです。更新タイミングが分かれば、その直後にファイルを取りに行く処理を組めるので、データを自動で蓄積し続けられます。最初のうちは完璧な予測を目指すのではなく、まずデータを溜める仕組みを作る段階だと考えてください。
ステップ3：データウェアハウスに集約する
データを取得できるようになったら、次はそれを一箇所に集約していきます。バラバラの場所に散らばったCSVを分析のたびにかき集めるのではなく、データウェアハウスのような“溜め場”にまとめていくイメージです。
この土台がしっかりできていると、後の分析やモデル構築が一気にラクになります。逆にここがないと、分析のたびにデータ整備からやり直すことになり、いつまでも前に進めません。属人ノウハウのAI化を継続的に運用するうえで、この基盤づくりは避けて通れない工程です。
ステップ4：初期分析・可視化で“当たり”をつける
データが溜まってきたら、いきなり本格的なモデル構築に入るのではなく、まずは簡単な初期分析から始めます。CSVやExcel、あるいはLooker StudioのようなBIツールを使い、データの傾向をざっくり把握します。
ここで効くのが、早めにデータをグラフ化・ビジュアル化しておくことです。数字を眺めているだけでは気づかなかったポイントが、グラフにした瞬間に浮かび上がってくることがよくあります。「思ってもみなかったところに、結果を左右する要素が隠れていた」という発見は、たいていこの初期可視化から生まれます。
ステップ5：変数を見つけて最適値を予測する
当たりがついたら、いよいよAIによる予測です。基本的な考え方は、入力値に対して何らかの「重み」がかかり、出力が決まるというもの。イメージとしては Y = aX + b のような一次関数に近い構造で、複数の変数とその重みづけによって結果が予測されます。
ここでAIが担うのは、「どの変数が、どれくらい結果に効いているのか」を見極め、最適値を導き出すことです。経験と勘の正体である“効いている要因とその度合い”を、データから定量的に明らかにしていきます。
どんな変数・データを集めればよいのか
属人ノウハウを支えている変数は、業種や業務によってさまざまです。たとえば次のようなものが結果を左右する要因になり得ます。
- 環境要因：気温、湿度などの外部条件
- 人的要因：その日の担当者、担当者の得意・不得意
- 資材・条件：使用するべき材料や、満たすべき前提条件
サービス業のように「プロセス」が重要な業務であれば、特定の工程を経たことで商品提供日数が3日から短縮された、あるいは30分かかっていた作業が10分になった、といった変化も分析対象になります。
そして、これらの分析の元となるデータは、実は日々の業務の中にすでに眠っています。
- 受注データ
- 注文書
- 設定書
- 依頼書
こうした既存の帳票や記録を整理・蓄積していくことで、分析に使えるデータが着実に積み上がっていきます。
精度の問題とどう向き合うか
AI予測を導入するうえで避けて通れないのが精度の問題です。結論から言えば、精度100%を実現するのは現実的にかなり難しいと考えておくべきです。
変数は常に変化し、予測には誤差がつきまといます。そのため、「AIに完全に置き換える」というより、「ベテランの判断を高い精度で支援・再現する」という現実的なゴール設定が重要になります。
経験則として、7〜8割程度の精度なら比較的早く到達できます。しかし、これを9割・95%まで引き上げようとすると、データの取り方を磨き込んだり、モデルを定期的に作り直したりと、継続的なメンテナンスコストが一気に跳ね上がります。だからこそ、費用対効果から逆算して必要な精度を決めることが大切です。「どれくらいの精度があれば現場の判断に使えるのか」というビジネス要件を整理したうえで、目的に見合った精度を設定するのが賢いやり方です。
予測そのものをゴールにしない｜大目的は「精度向上」と「省力化」
ここで一段深い、しかし最も大事な論点に触れておきます。それは、予測（再現）そのものをゴールにしてはいけないということです。
属人ノウハウのAI化において予測は一つの工程にすぎず、その先には必ず「実際の業務」が控えています。たとえば在庫管理であれば、需要を予測したあとには「発注をかけ、在庫を切らさない」という業務が待っています。予測だけが当たっても、発注が手作業のままでは現場の負担は減りません。つまりアプリケーションとして本当に重要なのは、予測をAI化することに加えて、その後の業務プロセスまで省力化することの2つなのです。
そして見失ってはいけない大目的は、突き詰めるとシンプルに2つに集約されます。
- 精度向上：人の勘に頼らず、実用に足る予測ができる状態にすること
- 省力化：予測から実務までを一気通貫で自動化し、現場の負担と属人性を減らすこと
この2つの大目的さえブレなければ、現場は「ラクになった」とハッピーになり、過剰に作り込まずに済むぶんシステム費用も抑えられます。逆に、大目的を忘れて精度ばかりを追いかけると、やるべきことは際限なく増え、コストだけが膨らんでいきます。ちなみに省力化を突き詰めると、必要なデータも増えていきます（在庫管理ならリードタイムや適正在庫数など）。これは“予測のための予測データ”が積み上がっていくイメージで、それ自体が精度向上にもつながっていきます。
成功のカギは「やり切る覚悟」
最後に、属人ノウハウのAI化で最も問われるのは、技術力以上にやり切る覚悟かもしれません。
「データを最後まで取り続ける」と決めて取り組まなければ、途中でデータが途切れ、再現は成立しません。もしすでに担当者が退職してしまっている場合は、残された過去のデータからの再現を目指すことになりますが、その場合もデータの量と質が成否を分けます。
まずインプットとアウトプットを定義し、データを溜める器を作り、地道に蓄積する。そして変数の最適値を予測する——。
この一連の流れをやり切ることが、経験と勘をAIで再現するための王道です。
まとめ
属人ノウハウのAI化は、「優れたシステムを作ること」ではなく、「経験と勘をインプットとアウトプットのデータに変換し、蓄積すること」から始まります。
- 勘の正体は「入力と出力の対応関係」であり、データ化すればAIで再現できる
- 最優先すべきはシステムよりもデータ収集。インプットの質がそのまま精度を決める
- API・FTP連携でデータ取得を自動化し、データウェアハウスに集約する
- 可視化で当たりをつけてから、変数の最適値を予測する
- 精度100%は難しい。費用対効果から逆算し、目的に見合った精度を設定する
- 予測そのものをゴールにしない。大目的は「精度向上」と「省力化」の2つ
- 受注データ・注文書・設定書・依頼書など、既存データの活用が近道
「業務にAI予測を取り入れたい」「属人化したノウハウをデータ化してAI化したい」とお考えの事業者の方は、まず自社の業務における“インプットとアウトプット”を洗い出すことから始めてみてはいかがでしょうか。そのうえで、「精度をどこまで上げ、最終的にどの業務をラクにしたいのか」という大目的を最初に定めておくと、過剰な作り込みを避けながら、現場が本当にハッピーになる仕組みに近づけます。
