前回の「AI導入に立ちはだかる“現場の壁”--業務ユーザーからの反発と乗り越えるための方法」では、精度への不満、異常値への懸念、導入への不信といった業務ユーザーからの反発を乗り越え、システムリリースを実現するためのアプローチを解説した。
しかし、AI活用による業務改善は、システムをリリースして終わりではない。AIの利用が業務プロセスの中で定着し、売上の増加やコスト削減など、狙った投資対効果が創出されて初めて、プロジェクトは成功したといえる。
実際、AI導入後の「業務定着化」に苦労する企業は少なくない。本稿では、需要予測AIを導入して在庫を最適化し、店舗欠品や過剰在庫の削減を目指す小売業のケースを題材に、AIが業務に定着しない要因と、それを克服するための具体的なステップを解説する。
※本記事は、ZDNET「AI導入は“その後”が勝負--業務定着化で成果を出す方法」（2025年12月25日）の内容を転載しています。
なぜAIは受け入れられないのか？
AIが業務に定着しない理由は、主に次の2点に集約される。
1. 予測根拠が説明できない
AIはその特性上、内部のロジックがブラックボックスとなることが多い。特に深層学習モデルを用いた場合は、多層構造や膨大なパラメーターを持つことから、「なぜその予測値になったのか」を明確に説明することが難しくなる。一方で業務ユーザーにとって、判断根拠が説明できない結果は意思決定に使いにくく、受け入れのハードルになりやすい。
例えば現場の担当者は、発注の意思決定を行う際に、その数量の根拠を説明できる状態にしておく必要がある。AIの予測結果を採用するなら、少なくとも「どの要因（例：天候、販促、イベント、価格など）が影響した可能性が高いのか」を示し、説明責任を果たせる形に落とし込まなければならない。これができない場合、最終的に担当者は過去の経験則に基づく発注を行うことになり、AI導入の効果が十分に発揮されなくなる。
2. 予測結果が感覚と合わない
当然ながら、予測精度が低い場合、業務ユーザーによるAIの実利用は進まない。一方で、たとえ全体として高い精度を出していても、現場の直感や経験則と反する結果が続くと、ユーザーはAIを信頼しにくくなる。特に業務に習熟したユーザーほど、違和感を持ちやすい。
例えば、小売業の需要予測AIでは、過去の販売データや天候、イベント情報などを基に予測値を算出するが、現場のベテラン担当者は「この商品は例年、このイベントのタイミングで急激に売れる」「今年は冷夏のため売れ始めが遅いはず」といった経験則を持っている。AIがこうした現場の知見を十分に反映できていない状態が続くと、予測値に対する納得感が得られず、AIの活用が進まない。
業務定着化のためのステップ
上記のようなハードルを乗り越えて、AIシステムを業務ユーザーに定着させるにはどうすればよいか。ポイントは、「共有→対話→改善→再共有」のループを継続的に回すことである。以下、順を追って説明する。
STEP0：精度モニタリング
定着化の前段階として、精度モニタリングの仕組みを整備する必要がある。
AIの予測精度は、導入当初から常に一定とは限らない。例えば需要予測AIの場合、商品カテゴリーや季節要因などによって精度が大きく変動することがある。
（1）商品軸での変動
商品によって、AIが高精度で予測できるものと、そうでないものがある。例えば、過去の販売データが豊富で季節変動が少ないカテゴリーでは精度が高くなる傾向があるが、逆に新商品やトレンドの影響を受けやすいカテゴリーでは精度が不安定になりやすい。
（2）時間軸での変動
予測の期間や予測タイミングによっても、精度は変化する。具体的には、「近い未来は当てやすいが遠い未来は当てづらい」「通常の週は当てやすいが、イベントを実施する週は当てづらい」「商品の販売開始直後の予測は精度が低いが、販売開始後、数週間経過後の予測は精度が高い」など、さまざまな傾向が発生しうる。
このような変動に対応するため、精度を定期的にモニタリングし、傾向を把握できる仕組みを整備することが重要である。精度低下が検知された場合に、ユーザーへ速やかに通知し、再学習やパラメータ調整などの対策を迅速に実施できる体制も併せて用意しておきたい。
STEP1：業務ユーザーへの情報共有
STEP0で把握した精度傾向を、業務ユーザーに共有する。
具体的には、どの分野（商品カテゴリーや予測時期など）でAIの予測が信頼できるか、逆に不得意な分野はどこかを明示し、AI活用の推奨範囲を明確に定める。これにより、AIの得意分野では業務ユーザーの活用を促進し、不得意分野では業務ユーザーが介入して判断するなど、AI活用の範囲を適切に拡大することが可能となる。
例えば、「AカテゴリーはAI予測を積極的に活用」「Bカテゴリーは担当者の判断を優先」といった運用ルールを設けることで、現場の実情に即した柔軟なAI活用が可能となる。
STEP2：業務ユーザーからのフィードバック収集と回答
活用推奨範囲を決定してユーザーの利用を促すことができたら、続いてフィードバックを収集することが重要である。
まずは、業務ユーザーから直接フィードバックを受ける仕組みを整備する必要がある。単なるアンケートの実施にとどまらず、現場の声をリアルタイムで把握できる仕組みの導入が望ましい。例えば、業務システム内にフィードバックボタンを設置し、業務ユーザーが疑問や不満を即座に投稿できるようにすることで、現場課題の迅速な把握と対応が可能となる。
寄せられたフィードバックに対しては、業務ユーザーの違和感を正確に理解した上で、要因を調査し、予測根拠を説明する。ただしAIの予測根拠を完全に説明することは難しいため、主要な特徴量を可視化して要因の当たりをつけ、そのインプットデータまで深掘りしていくことで、妥当性の高い仮説を出すことができる。
フィードバックへの回答を行う際は、調査結果を基に、予測に使用された要素をわかりやすく可視化して説明する。同時に、AIシステムの仕組みの概要も説明することで、業務ユーザーのAIへの理解度を向上させられる。
STEP3：対応課題の抽出と整理
フィードバックへの回答を実施した後は、フィードバック内容や調査結果から「問題が発生する条件」を抽象化し、対応すべき課題を導出する。また、必要に応じて、STEP2のフィードバック内容に関する知見など、業務ユーザーへインタビューを実施し、現場の課題感や、予測・システムのあるべき姿を深掘りすることも効果的である。これらを通じて、単なるモニタリングや机上調査では見えなかった、実態に即した課題抽出が可能となる。
抽出した課題については、影響度や重要度を評価する。ここではAIのユースケースに適した評価軸を設定することが肝要である。需要予測の場合であれば、実績と予測の乖離の大きさだけでなく、どの商品カテゴリーが影響を受けるのか、どの予測タイミングで影響が出やすいか、予測期間のうち何割が影響を受けるのかといった評価軸が考えられる。
STEP4：業務・システムの高度化
課題と解決策の整理が終わったら、AIモデルやシステムの改善（高度化）を行っていく。業務ユーザーと対応優先順位を合意した上で、要件や仕様を継続的に議論し、確定することが重要である。これにより、実業務での利用に向けた最短経路からぶれることなく、高度化を進めることができる。
また、可能であれば業務ユーザーだけでなく、関連システムの担当者も巻き込むことが望ましい。課題の種類によっては、モデルの改善というよりは、業務プロセス自体の見直しや、関連するシステムの仕様変更が最適解となる場合もある。
関連システムの担当者を交えて業務・システムのあるべき姿を議論することで、関連業務・システム全体の最適化を図り、結果的にAI活用の効果を最大化できる。
AIシステムの高度化や改善を行った後には、STEP1に戻り、必ず業務ユーザー向けの説明会やトレーニングを実施することが重要である。「どの課題がどのように解決されたのか」「得意分野や活用推奨範囲がどう変わったのか」を漏れなくアップデートすることで、活用度を高められる。また、繰り返し説明会やトレーニングを実施することで、業務ユーザーのAIに対する理解度と信頼感も高まっていく。
STEP2以降の手順についても、繰り返し対応することで、業務ユーザーに受け入れられやすい、よりよいAIシステムを築き上げていくことができる。
おわりに
AI導入プロジェクトの成功は、システムリリースで終わるものではない。むしろ、リリース後の業務定着化こそが、AI活用の真価を問われるフェーズである。現場の声に耳を傾け、業務ユーザーとともにAIシステムを進化させていくことが、持続的な業務改善とビジネス価値の創出につながる。
本稿で解説した内容が、その一助となれば幸いである。
