門 正仁

[門 正仁 @kadoman78n]

【金曜日｜AI導入の完成形は「自動化」ではなく「学習する業務」】

今週は、
月曜：AI導入ではなく「AI業務設計」へ
火曜：AIに仕事を任せる前に、仕事を「分解」する
水曜：AI・人・BPO・KPO、仕事を最適な場所へ配置する
木曜：AIが迷ったときの「例外の入口」をつくる
という話を書いてきました。
そして最後に考えたいのが、
「AIを入れたあと、その仕事は成長しているか？」
ということです。
私は、AI導入の完成形は、
自動化ではない
と思っています。
自動化したあとも、
仕事そのものが学び、
少しずつ良くなっていく。
そんな、
「学習する業務」
をつくることが、本当のゴールではないでしょうか。
例えば、
これまで人が1,000件処理していた業務にAIを入れる。
AIが800件を処理できるようになった。
人は残り200件だけを見る。
これだけでも、
かなり大きな効率化です。
でも、
ここで止まってしまえば、
来月も、
AI800件。
人200件。
再来月も、
AI800件。
人200件。
のままかもしれません。
私は、
ここからがAI活用の本番だと思っています。
人が確認した200件を見る。
なぜAIでは処理できなかったのか。
どんな例外だったのか。
どこを修正したのか。
なぜその判断をしたのか。
同じパターンはないか。
これを記録する。
すると、
例えば200件のうち、
80件が同じ理由で人へ戻っていた、
ということが分かるかもしれません。
そこで、
ルールを変える。
プロンプトを変える。
参照するデータを増やす。
前工程を変える。
すると翌月、
AIが880件処理できるようになる。
人が見るのは120件になる。
さらに、
その120件を分析する。
また改善する。
すると、
AI900件。
BPO80件。
KPO15件。
日本側5件。
という形になるかもしれません。
つまり、
AI導入の価値は、
最初に何％自動化できたかだけではありません。
運用するほど、仕事の配置が変わり、品質と効率が上がっていくこと。
ここに大きな価値があると思っています。
私は、
この状態を、
「業務が学習している」
と考えています。
人が学習する。
AIも学習する。
でも、
それだけではありません。
会社のルールも変わる。
マニュアルも変わる。
判断基準も変わる。
業務フローも変わる。
つまり、
仕事そのものが学習する。
昨日書いた、
「例外の入口」
も、このためにあります。
AIが迷う。
人へ戻す。
人が判断する。
理由を残す。
KPOが分析する。
Knowledgeへ変える。
そして、
AIと業務へ戻す。
私は、この循環を、
AI
↓
BPO
↓
LOG
↓
KPO
↓
Knowledge
↓
AI
と考えています。
この矢印が一周して初めて、
AI活用が単なる自動化から、
継続改善の仕組み
へ変わります。
例えば、
AIがミスをした。
普通なら、
「AIが間違えたので人が直しました」
で終わります。
でも学習する業務なら、
「なぜ間違えたのか」
を残します。
そして、
「次からどうすれば間違えないか」
まで考える。
すると、
一つのミスが、
一つの改善になります。
10件のミスなら、
10個の改善材料になる。
100件の例外なら、
100個の会社固有のKnowledgeになる可能性がある。
だから私は、
AIのエラーや例外を、
単なる失敗だとは思っていません。
むしろ、
会社の仕事を理解するためのデータ
だと思っています。
AIがどこで迷ったのか。
人は何を見て判断したのか。
その判断は言語化できるのか。
ルールにできるのか。
次回はAIへ任せられるのか。
ここを考えることで、
これまで人の頭の中にしかなかった仕事が、
会社のKnowledgeになっていきます。
そして、
この循環が回ると、
人の仕事も変わります。
最初は、
作業する。
次に、
AIの結果を確認する。
さらに、
間違いの理由を考える。
そして、
改善策を考える。
最後には、
仕事そのものを再設計する。
Operator
→ Evaluator
→ Analyst
→ Improver
→ Designer
へ。
AIが仕事を奪うというより、
AIによって、
人がより高いレベルの仕事へ移る。
そんな設計ができると思っています。
これは、BPOの考え方も変えると思います。
従来のBPOでは、
受け取った仕事を、
正確に。
安定して。
期限内に。
処理することが大切でした。
もちろん、
これはこれからも変わりません。
でもAI時代には、
そこからさらに、
「仕事をすればするほど、その仕事が良くなる」
という価値を加えたい。
AIの結果を確認する。
例外を記録する。
判断理由を残す。
KPOで分析する。
改善案を出す。
Knowledgeとして残す。
そして、
翌月の業務へ反映する。
そうすると、
BPOは、
仕事を処理する場所
だけではなく、
会社のKnowledgeが生まれる場所
になります。
私は、
これがこれからのBPO・KPOの大きな価値になると思っています。
そして海外BPOも同じです。
「日本の仕事を安い国へ移す」
だけではありません。
AIが大量処理する。
ミャンマーチームが確認する。
例外を発見する。
理由を記録する。
KPOとして分析する。
日本側が品質・顧客・責任の視点を加える。
そして、
またAIと業務へ戻す。
そうすれば、
日本とミャンマーのチームが一緒に、仕事を育てる
ことができます。
A CAN SOLUTIONSが目指したいのも、
単に、
「この仕事をAI化できます」
でも、
「この仕事をミャンマーで安くできます」
でもありません。
日本品質 × ミャンマー人材 × AI
で、
仕事そのものが、
毎月少しずつ良くなっていく仕組みをつくる。
AIの精度が上がる。
人材が成長する。
例外が減る。
判断基準が明確になる。
Knowledgeが蓄積する。
そして、
会社全体の仕事が強くなる。
私は、
AI導入の成果を見るとき、
「何％自動化できましたか？」
だけではなく、
もう一つ質問したいと思っています。
「先月より、この仕事は良くなりましたか？」
AIに任せられる範囲は増えたか。
人の確認は減ったか。
例外は減ったか。
ミスは減ったか。
判断基準は増えたか。
人材は成長したか。
改善スピードは上がったか。
ここまで見えると、
AIは、
単なる効率化ツールではなく、
会社を成長させる仕組み
になります。
だから私は、
AI導入の完成形は、
「自動化された仕事」
ではなく、
「学習する仕事」
だと思っています。
仕事をする。
データが残る。
人が判断する。
理由が残る。
会社が学ぶ。
AIが改善する。
そして、
また仕事が良くなる。
使えば使うほど、会社が賢くなる。
そんな業務をつくること。
それが、
AI時代の業務設計で目指したい姿なのではないでしょうか。
#生成AI #AI活用 #AI業務設計 #AI導入 #業務改善 #DX #BPO #KPO #HumanInTheLoop #業務自動化 #ナレッジマネジメント #人材育成 #ミャンマー #AcanSolutions

[門 正仁 @kadoman78n]

【木曜日｜AI業務設計で重要なのは「例外の入口」をつくること】

AI導入を考えるとき、

どうしても目標にしたくなる数字があります。

「自動化率100％」

です。

人が確認しなくても、

AIだけで最後まで処理できる。

確かに理想的に見えます。

でも私は、

業務によっては、

100％自動化を目指さない方が、結果的にAIを安心して使える

と思っています。

そのために重要なのが、

「例外の入口」

です。

例えば、

AIが1,000件のデータを処理する。

950件は、

ルール通りに判断できる。

残り50件は、

少し条件が違う。

過去事例がない。

顧客固有のルールがある。

数字に違和感がある。

判断材料が不足している。

この50件まで、

無理にAIへ判断させる。

ここに、

大きなリスクがあります。

私は、

AI業務設計では、

AIに、

「分からない時に、分からないと言わせる」

ことが非常に重要だと思っています。

AIが迷った。

条件に合わない。

信頼度が低い。

過去事例がない。

その瞬間に、

人へ戻す。

これが、

「例外の入口」です。

つまり、

AI業務設計で大切なのは、

AIが仕事を完了するルート

だけではありません。

同じくらい、

AIが仕事を人へ返すルート

を設計する必要があります。

例えば、

通常ケース
↓
AIが処理
↓
自動完了
だけではなく、
例外ケース
↓
AIが検知
↓
BPO確認
↓
必要ならKPO
↓
最終判断
という別の道をつくる。
この二つの道があって初めて、

AIを安心して業務へ入れられると思っています。

例えば、
請求書処理なら、
通常金額の範囲内。
取引先情報も一致。
過去と同じ形式。
契約条件にも問題がない。
この場合は、
AIがそのまま処理してもいい。
でも、

金額が通常の2倍。

初めて見る取引先。

契約条件と一致しない。

手書き修正がある。

過去と異なる項目がある。

こうした場合は、

人へ戻す。

重要なのは、

AIにすべて判断させることではなく、

「ここから先は人が見る」という境界を決めること

です。

昨日、

仕事を配置するときには、

処理量
判断難易度
責任
例外性

の4つを見る、

という話を書きました。

実は、

この中でも、

例外性

はとても重要です。

なぜなら、

通常ケースは、

AIがどんどん得意になっていくからです。

でも、

企業の仕事では必ず、

「いつもと違う」
が発生します。
そして、
その「いつもと違う」に、

会社固有のKnowledgeが隠れています。

例えば、

AIが、

「この案件は処理できません」

と人へ戻した。

BPOチームが確認する。

すると、

顧客固有のルールだった。

理由を記録する。

同じケースが何度か発生する。

KPOが分析する。

そして、

「この条件なら、次からAIでも判断できる」

というルールをつくる。

AIへ戻す。

すると、

これまで例外だったものが、

次から通常処理になる。

私は、

この流れがとても重要だと思っています。

つまり、

例外をなくしてからAIを導入する

のではありません。

AIを使いながら、

例外を集める。

分析する。

ルールにする。

そして、

AIが処理できる範囲を少しずつ広げていく。

この方が、

現実的です。

例えば最初は、

AI処理率70％。

BPO確認20％。

KPO判断8％。

日本側判断2％。

だったとします。

運用する。

例外を記録する。

改善する。

3か月後、

AI処理率80％。

BPO15％。

KPO4％。

日本側1％。

になるかもしれません。

さらに半年後、

AI85％。

BPO12％。

KPO2％。

日本側1％。

になる。

つまり、

例外の入口をつくることが、結果的にAIへ任せられる範囲を広げる。

ということです。

逆に、

最初から、

「全部AIでやりましょう」

とすると、

何か問題が起きる。

AIが間違える。

怖くなる。

結局、

人が全部確認する。

すると、

AIを導入したのに、人の確認作業が減らない

ということが起きます。

私は、

これは非常にもったいないと思っています。

AIへ仕事を任せるとき、

大切なのは、

AIを信じるか、信じないか

ではありません。

どの条件なら信じてよいのかを決めること。

だと思っています。

通常ケースは任せる。

迷ったら戻す。

重大案件は最初から人へ。

この設計ができれば、

AIを怖がる必要もなくなります。

そして、

ここでBPOの価値が出てきます。

AIが処理した中から、

例外だけを人へ戻す。

BPOチームが、

決められた基準で確認する。

OKなら処理。

NGなら修正。

判断できないならKPOへ。

つまり、

BPOは、

単にAIの結果を全部チェックするのではなく、

AIが迷った仕事を受け止める場所

になります。

さらに、

KPOは、

その例外を処理するだけではありません。

なぜ例外になったのか。

同じパターンはあるか。

ルールへ変えられないか。

前工程を改善できないか。

AIへの指示を変えられないか。

を考える。

つまり、

例外をKnowledgeへ変える場所

です。

そうすると、

業務は、

AI
↓
通常処理
↓
完了

と、

AI
↓
例外
↓
BPO
↓
KPO
↓
Knowledge
↓
AI

という二つの流れを持つことになります。

私は、

この構造が、

AI時代の非常に重要な業務設計になると思っています。

そして、

この考え方は人材育成にもつながります。

通常ケースはAIが処理する。

すると、

人に残るのは、

少し難しい案件です。

その案件を見ることで、

人は、

なぜ違うのか。
何が判断ポイントなのか。
どんなリスクがあるのか。
を考えるようになる。
結果として、

人材も、

Operator
→ Evaluator
→ Analyst
→ Improver
へ成長していく。
つまり、
例外処理は、
単なる面倒な仕事ではありません。
人材を育て、会社のKnowledgeを増やす仕事
でもあります。
A CAN SOLUTIONSでも、
AIを導入するとき、
最初から、
「100％自動化できます」

という設計ではなく、

AIが安心して働ける範囲

と、

人へ戻す入口

を一緒に設計していきたいと思っています。

AIが大量処理する。

ミャンマーBPOが例外を確認する。

KPOが分析する。

日本側が高難度判断と品質を担う。

そして、

例外から得たKnowledgeを、

またAIへ戻す。

日本品質 × ミャンマー人材 × AI

で、

AIに任せる範囲を、

少しずつ、

安全に広げていく。

AI業務設計で重要なのは、

「どうすれば人をゼロにできるか」
ではないと思っています。
それよりも、
「どの瞬間に、人へ仕事を戻すか」

を設計すること。

AIが迷ったら、

ちゃんと人へ戻れる。

人が理由を残す。

会社が学ぶ。

そして、

次はAIができるようになる。

その循環があれば、

AIは、

使えば使うほど、

安心して任せられる仕事のパートナーになっていきます。

100％自動化を目指すより、
100％安全に例外を拾える仕組みをつくる。

私は、

そこから本当のAI業務設計が始まると思っています。

#生成AI #AI活用 #AI業務設計 #業務改善 #DX #BPO #KPO #HumanInTheLoop #業務自動化 #AIガバナンス #品質管理 #ナレッジマネジメント #ミャンマー #AcanSolutions

[門 正仁 @kadoman78n]

【水曜日｜AI・人・BPO・KPO、仕事はどこに置くべきか】

昨日は、

「AIに仕事を任せる前に、まず仕事を分解する」

という話を書きました。

読む。

抽出する。

分類する。

照合する。

判断する。

確認する。

承認する。

改善する。

仕事をここまで細かくすると、次に考えるべきことがあります。

それは、

「この仕事を、誰に任せるのが一番いいのか？」

ということです。

AIなのか。

BPOなのか。

KPOなのか。

日本側なのか。

私は、AI時代の業務設計では、

仕事を最適な場所へ配置する力

が、とても重要になると思っています。

例えば、1,000件の処理がある。

全部人が処理する。

全部AIに任せる。

どちらも、少し極端です。

本当に考えるべきなのは、

どの仕事を、どこへ置けば最も品質と効率が高くなるのか。

です。

そこで私は、仕事を配置するときに、

少なくとも4つの軸で見ると分かりやすいと思っています。

① 処理量

件数が多いか。

繰り返しが多いか。

同じルールで処理できるか。

大量で定型的なら、

AIや自動化との相性が良くなります。

② 判断の難易度

明確なルールで判断できるのか。

それとも、

過去事例。

顧客事情。

経験。

専門知識。

を必要とするのか。

判断が複雑になるほど、

BPOからKPOへ、

そして必要に応じて日本側へ、

仕事を上げる必要があります。

③ 責任の重さ

間違えたときの影響はどれくらいあるか。

例えば、

社内資料の要約と、

契約内容に関する判断では、

同じ「AIの回答」でも重みが違います。

金額。

契約。

個人情報。

顧客への最終回答。

法務。

安全性。

こうしたものが関係する仕事は、

人が責任を持つ設計

が必要になります。

④ 例外の多さ

毎回ほぼ同じパターンなのか。

それとも、

顧客ごと。

案件ごと。

時期ごと。

条件ごとに、

例外がたくさん発生するのか。

例外が少なければAIに向きます。

例外が多くなるほど、

人の確認やKPO的な分析が必要になります。

この4つを見ると、

仕事の配置が少し見えてきます。

例えば、

処理量：多い
判断：簡単
責任：低い
例外：少ない
なら、
AIがかなり得意です。
データ抽出。

分類。

定型文作成。

一次チェック。

大量のデータ整理。

などです。

逆に、

処理量：多い
判断：比較的簡単
責任：中程度
例外：ある

なら、

AI＋BPO

が使いやすい。
AIが一次処理する。
BPOが確認する。
間違いを修正する。

例外を分ける。

品質を安定させる。

これまで人だけで行っていた大量業務を、

AIとBPOで分担できます。

さらに、

判断：難しい
例外：多い

となると、

KPOの領域が増えてきます。

なぜAIが判断できなかったのか。

過去事例と何が違うのか。

顧客固有の条件は何か。

ルールを変えられないか。
前工程を改善できないか。

ここでは、

単純に処理するのではなく、

考える仕事

になります。

そして、

責任が非常に重い仕事

は、

最終的に日本側や責任者が判断する。

私は、

ここを無理にAI化する必要はないと思っています。

AIは、

判断材料を集める。

候補を提示する。

過去事例を探す。

リスクを整理する。

そこまではできる。

でも、

最終責任を持つ判断

は、人が行う。

これも立派なAI活用です。

つまり、

仕事を、

単純に、

「AIにできる／できない」

で分けるのではなく、

AIに任せる仕事。
AI＋BPOで回す仕事。
KPOで考える仕事。
日本側が責任を持つ仕事。

と段階的に配置する。

私は、こちらの方が現実的だと思っています。

例えば、

あるバックオフィス業務が10,000件あるとします。

その中で、

7,500件は、

ルールが明確で定型的。
ここはAI。
2,000件は、
AIで処理できるけれど人の確認が必要。

ここはBPO。

400件は、

過去事例や専門判断が必要。

ここはKPO。

残り100件は、

顧客への影響や責任が大きい。

ここは日本側。

こう設計すると、

AI：7,500
BPO：2,000
KPO：400
日本側：100

となる。

重要なのは、

この比率を最初から固定しないことです。

運用していくと、

BPOが確認していた仕事の中に、

「もうAIだけでも大丈夫」

というものが出てきます。

逆に、

AIへ任せていた仕事の中から、

「この条件は人が確認した方がいい」
というケースも出てくる。
KPOが分析して、
判断基準をつくれば、

これまでKPOで見ていた仕事を、

BPOやAIへ下ろせることもあります。

つまり、

仕事の配置も、学習しながら変えていく。

ということです。

私は、

ここがAI業務設計で大切だと思っています。

最初から、

「AIはここ」

「人はここ」

と完全に固定するのではなく、

ログを見る。

例外を見る。

修正理由を見る。

品質を見る。

そして、

仕事の配置を少しずつ最適化する。

これは人材育成にもつながります。

昨日、

Operator

→ Evaluator

→ Analyst

→ Improver

→ Designer

という話を書きました。

人が成長すれば、

担当できる仕事も変わります。

最初は、

BPOとして確認する。

次に、

AIの間違いを評価する。

さらに、

例外を分析する。

そして、

業務改善を提案する。

最終的には、

「この仕事はAIへ移せる」

「これは人が残した方がいい」

と、

仕事そのものを設計できる。

つまり、

業務配置と人材育成は、

別々の話ではありません。

そして海外BPOでも、

これからは、

「何人配置しますか？」

だけではなくなると思っています。

AIに何を任せるのか。

ミャンマー側で何を確認するのか。

どこまで判断を任せるのか。

どの仕事をKPOとして育てるのか。

日本側は何に集中するのか。

ここまで設計する。

そうすれば、

海外BPOは、

単なる人件費差を使ったアウトソーシングではなく、

会社全体の仕事を最適化する仕組み

になります。

A CAN SOLUTIONSが目指したいのも、

まさにこの形です。

AI

大量処理。

定型判断。

一次生成。

ミャンマーBPO

確認。

修正。

安定運用。

ログ記録。

KPO

例外分析。

原因特定。

改善提案。

日本側

顧客理解。

品質基準。

高難度判断。

最終責任。

この4つを組み合わせる。

そして、

運用すればするほど、

Knowledgeが蓄積する。

AIの精度が上がる。

BPOの判断力が上がる。

KPOの分析力が高まる。

日本側は、

より価値の高い仕事へ集中できる。

私は、

これがAI時代のアウトソーシングの形だと思っています。

仕事を分解した後に、

次に考えるのは、

「この仕事は誰がやるべきか？」

です。

でも、

その答えは、

「AIか人か」

ではありません。

AI。
BPO。
KPO。
日本側。

それぞれに、

最も適した仕事を置く。

そして、

運用データを見ながら、

配置を変えていく。

AI時代の業務設計は、

人をAIに置き換えることではなく、
仕事を最も適した場所へ配置すること。

私は、その考え方がこれからますます重要になると思っています。

#生成AI #AI活用 #AI業務設計 #業務改善 #DX #BPO #KPO #HumanInTheLoop #アウトソーシング #業務自動化 #人材育成 #ミャンマー #AcanSolutions

[門 正仁 @kadoman78n]

【火曜日｜AIに仕事を任せる前に、その仕事を「分解」できていますか？】
AI導入の相談をしていると、

「この業務をAI化できますか？」

と聞かれることがあります。

請求書処理をAI化したい。

メール対応をAI化したい。

データ入力をAI化したい。

資料作成をAI化したい。

もちろん、考え方として間違いではありません。

でも私は、

「業務」という大きな単位のままAI化を考えると、うまくいかないことが多い

と思っています。

なぜなら、

一つの「業務」の中には、

実はまったく性質の違う仕事が混ざっているからです。

例えば、

「請求書処理」

という仕事があります。

一言で言えば簡単ですが、実際には、

書類を受け取る。

文字を読む。

項目を抽出する。

金額を確認する。

取引先を確認する。

過去データと照合する。

ルールに合っているか判断する。

例外があれば確認する。

システムへ入力する。

承認する。

保存する。

という複数の工程があります。

このすべてを、

「請求書処理」

という一つの仕事として見てしまう。

すると、

「AIで全部できますか？」

という話になります。

でも、

仕事を分解してみると、

見え方が変わります。

例えば、

文字を読む。

項目を抽出する。

分類する。

過去データを検索する。

ここはAIが得意です。

一方で、

「この金額は通常より高いけれど問題ないか」

「この取引先だけ特別ルールがある」

「契約条件と違う気がする」

といった判断は、

人やKPOが見た方がいいかもしれません。

つまり、

業務全体をAI化するのではなく、
工程ごとに最適な担当を決める。
という考え方です。

私は、AI業務設計の最初の仕事は、

自動化ではなく、分解

だと思っています。

例えば仕事を、

読む
抽出する
分類する
照合する
判断する
確認する
承認する
記録する
改善する

と分ける。
すると、
どこをAIへ任せられるか。
どこをBPOへ任せるか。
どこをKPOで考えるか。
どこを日本側が判断するか。
が見えてきます。
例えば、1,000件の業務がある。
従来は、

1,000件すべてを人が処理していた。

でも仕事を分解すると、

AIだけで完了できるものが700件。

AIの結果を人が確認すればよいものが200件。

専門的な判断が必要なものが80件。

最終責任を伴うものが20件。

という形になるかもしれません。

すると、

AI：700件
BPO：200件
KPO：80件
日本側：20件

という設計ができます。

ここで重要なのは、

AIの性能を無理に100％へ近づけることではありません。

それぞれが得意な仕事を担当すること。

です。

私は、

AI導入でよくある失敗の一つが、

「人がやっていた仕事を、そのままAIへ渡そうとすること」

だと思っています。
人は、
無意識にたくさんの判断をしています。
少し違和感がある。

いつもと違う。

このお客様なら確認した方がいい。

この数字はおかしい。

こうしたことを、

マニュアルに書かれていなくても判断している。

その仕事を、そのままAIへ渡して、

「人と同じようにやってください」

と言っても難しい。

だから、

人が何をしているのかを、

一度細かく分ける必要があります。

例えば、

「メール対応」

という仕事も同じです。

AIに、

「メールを返信してください」

だけでは曖昧です。

実際には、

内容を読む。

問い合わせの種類を分類する。

必要な情報を探す。

回答案を作る。

過去の対応を確認する。

送ってよい内容か判断する。

必要なら上司へ確認する。

送信する。

という工程があります。

この中で、

AIに任せるところ。

人が確認するところ。

自動化してはいけないところ。

を決める。

それだけで、

AI活用の安全性も品質も大きく変わります。

そして仕事を分解すると、

もう一つ大きなメリットがあります。

それは、

「本当に必要な仕事なのか？」

まで考えられることです。

例えば、

人が毎回、

AのデータをBへコピーして、

BをCと照合して、

最後にDへ転記している。

仕事を分解してみると、

そもそも、

Bを経由する必要がない

と気づくこともあります。

つまり、

AI導入は、

今ある仕事を速くするだけではなく、

仕事そのものを減らすきっかけ

にもなります。

私は、

ここがAI業務設計の面白いところだと思っています。

「AIで何ができますか？」

ではなく、

「この仕事、本当は何をしていますか？」

から始める。

そして、

「この工程、本当に必要ですか？」

まで考える。

すると、

AI以前からあった、

無駄な確認。

二重入力。

属人的判断。

古いルール。

意味のない承認。

が見えてきます。

これは、BPO移管でも同じです。

よく、

「この業務をそのまま海外へ移管したい」

という話があります。

でも、

日本で非効率な仕事を、

そのまま海外へ持っていけば、

非効率な仕事を安くやるだけ

になります。

私は、

それでは少しもったいないと思っています。

せっかく移管するなら、

一度仕事を分解する。

AIでできるところはAIへ。

定型運用はBPOへ。

判断や分析はKPOへ。

最終責任は日本側へ。

そうすれば、

海外BPOは単なるコスト削減ではなく、

業務を作り直す機会

になります。

そして、

この分解をすると、

人材育成の方向も見えてきます。

例えば、

「入力する仕事」

だけを担当していた人が、

AIによって入力から解放される。

次に、

AIの入力結果を評価する。

次に、

間違いの原因を分析する。

さらに、

「そもそも、この確認工程は必要なのか？」

と考える。

つまり、

Operator
→ Evaluator
→ Analyst
→ Improver
→ Designer

へ進んでいく。

AIが単純作業を担当するからこそ、

人には、

仕事を理解し、改善する役割

が残っていくと思っています。

A CAN SOLUTIONSでも、

お客様から業務をお預かりするときに、

単純に、

「マニュアルをください」

だけではなく、

実際の業務を見ながら、

どこで判断していますか。
どこで例外が発生しますか。
どこはAIでもできますか。
どこは人が確認すべきですか。
この確認は本当に必要ですか。

というところまで整理していきたいと思っています。

そして、

AI × BPO × KPO × 日本側

で、

仕事を最適な場所へ配置する。

AI導入を考える前に、

まず、

仕事を小さく分解する。

すると、

AIに向いている仕事。

人に残す仕事。

BPOで安定運用する仕事。

KPOで分析する仕事。

そもそもなくしていい仕事。

が見えてきます。

だから私は、

AI業務設計の最初の質問は、

「この仕事をAI化できますか？」

ではなく、

「この仕事を、どこまで分解できますか？」

なのではないかと思っています。

仕事を分解できれば、

AIの使い方が見える。

人の役割が見える。

そして、

本当に必要な仕事だけが残る。

そこから、

AI時代の業務改善が始まるのだと思います。

#生成AI #AI活用 #AI導入 #AI業務設計 #業務改善 #DX #BPO #KPO #HumanInTheLoop #業務自動化 #業務効率化 #人材育成 #ミャンマー #AcanSolutions

[門 正仁 @kadoman78n]

【月曜日：
AI時代に必要なのは「AI導入」ではなく「AI業務設計」】

今までのAI導入は、

「この仕事にAIを使えませんか？」

から始まることが多かったと思います。

例えば、

メール作成にAI。

OCRにAI。

議事録にAI。

データ分析にAI。

もちろん、それでも効果はあります。

でも私は、AI活用が本格化するほど、

既存業務にAIを足すだけでは限界がある

と思っています。

なぜなら、

今の業務フローそのものが、

人が仕事をすることを前提に作られている

からです。

例えば、

書類を受け取る。

人が読む。

人が入力する。

人が確認する。

上司が承認する。

お客様へ送る。

という仕事がある。

ここで、

「入力だけAIにしましょう」

とすると、

確かに入力時間は減ります。

でも、

人が読む。

人が確認する。

人が承認する。

という流れは、そのまま残ります。

すると、

AIを導入したのに、

思ったほど仕事が変わらない。

ということが起きます。

だから私は、

AI時代には、

「今の仕事のどこにAIを入れるか」

だけではなく、

一度、

仕事そのものを分解して考える

必要があると思っています。

読む。

抽出する。

分類する。

照合する。

判断する。

確認する。

承認する。

記録する。

改善する。

こうして分ける。

すると、

「読む・抽出する」はAI。

「定型的な確認」はBPO。

「例外判断」はKPO。

「責任を伴う承認」は日本側。

といった形で、

仕事を最適な場所へ配置できます。

これが、

私が考える

AI業務設計

です。

つまり、

人の仕事をAIに置き換える

のではなく、

AIと人が最初から一緒に働く前提で、仕事を組み直す。

ここが重要だと思っています。

例えば1,000件の仕事なら、

AIが800件処理する。

BPOが150件確認する。

KPOが40件分析する。

日本側が10件判断する。

そして、

その10件、40件、150件から得られた情報を、

またAIへ戻す。

すると、

翌月には、

800件だったAI処理が850件になるかもしれない。

それでも、

無理に1,000件すべてをAI化する必要はありません。

重要なのは、

最も良い場所に、最も適した仕事を置くこと。

です。

そして、

AI業務設計で大切なのは、

「AIに何ができるか」から考えないこと

だと思っています。

先に考えるのは、

この仕事の目的は何か。

何が品質なのか。

どこにリスクがあるのか。

どんな例外があるのか。

誰が責任を持つのか。

その上で、

AI。

BPO。

KPO。

人。

を配置する。

AIありきではなく、

業務ありき

です。

A CAN SOLUTIONSも、

単に、

「AIを導入します」

「ミャンマーへ業務を移管します」

という会社ではなく、

AI・人・BPO・KPOを組み合わせて、仕事そのものを設計する会社

へ進化していきたいと思っています。

AIが大量処理する。

ミャンマーチームがBPOとして運用する。

KPOが例外を分析する。

日本側が品質と責任を担う。

Knowledgeを蓄積する。

そしてまたAIへ戻す。

AI
→ BPO
→ KPO
→ Knowledge
→ AI
この循環を、
最初から業務に組み込む。
AI時代に必要なのは、
「AIを使っています」

ではなく、

「AIを含めて仕事そのものを設計できています」

という会社なのかもしれません。

AI導入から、

AI業務設計へ。

私は、ここが次の企業DXのテーマになると思っています。

#生成AI #AI活用 #AI導入 #AI業務設計 #DX #業務改善 #BPO #KPO #HumanInTheLoop #業務自動化 #ナレッジマネジメント #ミャンマー #AcanSolutions

[門 正仁 @kadoman78n]

【金曜日｜AIを使える会社から、「AIを統治できる会社」へ】

AIを使える会社は、これからどんどん増えていくと思います。

ChatGPTを使う。

AIエージェントを使う。

OCRとAIを組み合わせる。

文章を作る。

データを分析する。

プログラムを書く。

今では、AIを使うこと自体は特別なことではなくなりつつあります。

でも私は、その次に企業が考えなければならないことがあると思っています。

それは、

「会社として、AIをどう管理するか」

です。

例えば、社員それぞれが自由にAIを使っている。

AさんはChatGPT。

Bさんは別のAI。

Cさんは自分で作ったプロンプト。

それぞれ便利に使っていて、仕事も速くなった。

一見すると、

AI活用が進んでいる会社に見えます。

でも、

どんな情報を入力していいのか。

どこまでAIの回答を信じていいのか。

誰が確認するのか。

間違った場合はどうするのか。

どのAIを使ってよいのか。

判断基準は何か。

責任は誰が持つのか。

が決まっていなければ、

それは、

「AIを使っている会社」ではあっても、
「AIを管理できている会社」とは言えない
と思います。

今週、私はずっと、

AIを個人のスキルから、

会社の仕組みへ変えること

について書いてきました。

月曜日は、

「AIをできる人に任せない」

と書きました。

AI活用を一部の得意な人だけのものにすると、

新しい属人化が起きます。

火曜日は、

「責任の境界」

について書きました。

どこまでAIに任せるのか。

どこから人が確認するのか。

どこでエスカレーションするのか。

水曜日は、

AIのミスを、

「直して終わり」にしない

という話でした。

間違いと修正理由を残し、

Knowledgeへ変える。

そして昨日は、

マニュアルも、

「どう作業するか」だけではなく、

「何を基準に判断するか」

を残す必要があると書きました。

これらは、すべて一つにつながっていると思っています。

つまり、

AIを会社で使うためには、

単にツールを導入するだけでは足りない。

ルールが必要です。

ただし、私は「ルール」と言っても、

AIを使わせないためのルールではなく、

安心してAIを使うためのルール

が必要だと思っています。

例えば、

AIに入力してよい情報。

入力してはいけない情報。

AIだけで完了してよい業務。

人が確認すべき業務。

必ず上位者へ確認する条件。

使ってよいAI。

保存すべきログ。

判断基準。

責任者。

こうしたことが整理されていれば、

現場も安心してAIを使えます。

逆に、

何も決まっていない会社では、

二つの極端な状態が起きやすいと思います。

一つは、

「怖いからAIを使わない」

という状態。

もう一つは、

「便利だから何でもAIに任せる」

という状態。

どちらも、あまり良い状態ではありません。

重要なのは、

どこなら安心してAIを使えるのかを、会社として決めること。

です。

私は、これからのAI活用では、

「禁止する」より、

「境界を明確にする」

ことの方が重要だと思っています。

例えば、

社外公開情報なら使える。

顧客情報は匿名化してから使う。

契約に関する判断は人が確認する。

一定金額以上は自動処理しない。

AIの回答はログとして残す。

高リスク案件は日本側へ上げる。

このように、

AIが自由に動く範囲と、

人が責任を持つ範囲を整理する。

そうすると、

AIを使う側も迷いません。

そして、AIを統治するというと、

少し堅い言葉に聞こえるかもしれません。

でも私は、

それほど難しいことではないと思っています。

まずは、

誰が使うのか。

何に使うのか。

何を正解とするのか。

何を記録するのか。

どこで人が確認するのか。

を決める。

そして、

実際に運用する。

問題が起きたらログを見る。

判断基準を変える。

AIへの指示を変える。

マニュアルを変える。

つまり、

ルールもAIと一緒に育てる。

という考え方です。

ここでBPO・KPOの役割も大きいと思っています。

AIが大量処理する。

BPOが確認する。

判断理由を残す。

KPOが分析する。

日本側が品質・責任・顧客視点から判断する。

改善した内容をKnowledgeとして残す。

そしてAIへ戻す。

AI
↓
BPO
↓
LOG
↓
KPO
↓
Knowledge
↓
AI

この循環そのものが、
AIを統治する仕組みの一つになると思います。
特に海外BPOでは、
「現地チームにどこまで判断を任せるか」
という問題があります。
全部日本側が判断するなら、
スピードは上がりません。
一方で、
全部現地へ任せればいいわけでもありません。
だから、
判断のレベルを分ける。

通常ケースはAI。

確認はBPO。

例外はKPO。

高リスク案件は日本。

というように、

判断と責任を階層化する。

これは、

AI活用にも海外BPOにも、

非常に相性の良い考え方だと思っています。

私は、

これからAI導入が進むほど、

企業の差は、

「どのAIを使っているか」

ではつきにくくなると思っています。

同じAIは、

競合も使えます。

同じモデルも、

同じツールも使える。

では、

どこで差がつくのか。

私は、

AIを会社の仕事にどう組み込んでいるか。

だと思っています。

どんな基準があるか。

どんなKnowledgeを持っているか。

どんな例外を蓄積しているか。

どのように人が評価しているか。

どの速度で改善しているか。

ここには、

その会社でしか作れない差があります。

つまり、

AI時代の競争力は、

AIそのものではなく、

AIを使う「会社の仕組み」

に移っていく。

そう考えています。

A CAN SOLUTIONSも、

単にAIツールを導入したり、

BPO人材を提供したりするだけではなく、

日本品質 × ミャンマー人材 × AI

で、

AIが安心して働ける範囲をつくる。

人が判断すべき場所を決める。

ログを残す。

例外を分析する。

Knowledgeを蓄積する。

そして改善を続ける。

そんな、

AIを使える会社から、AIを統治できる会社へ進むための仕組み

をつくっていきたいと思っています。

AIを使えることは、

これから当たり前になる。

その先で重要になるのは、

「会社として、安心してAIを任せられるか」

なのではないでしょうか。

そして私は、

そこまでできて初めて、

AIが本当の意味で、

会社の力になる

のだと思っています。

#生成AI #AI活用 #AI導入 #AIガバナンス #DX #業務改善 #BPO #KPO #HumanInTheLoop #品質管理 #ナレッジマネジメント #業務設計 #人材育成 #ミャンマー #AcanSolutions

[門 正仁 @kadoman78n]

【木曜日｜AI時代のマニュアルは「手順書」から「判断基準書」へ】

AIが仕事の中に入ってくると、これまで使ってきた**「マニュアル」の役割も変わる**と思っています。

従来のマニュアルでは、

「この画面を開く」
「この項目を入力する」
「次のボタンを押す」
「最後に確認する」
といった、仕事の手順を書くことが中心でした。
もちろん、こうした手順書はこれからも必要です。
でもAIが、

読む。
入力する。
分類する。
文章を作る。
候補を出す。

といった作業を担当するようになると、人に必要なのは「どう操作するか」だけではなくなります。

むしろ重要になるのは、

「その結果を、何を基準に正しいと判断するのか」
だと思っています。
昨日、
「AIのミスを個人の対応で終わらせない」
という話を書きました。

AIが間違えた。

人が直した。

そこで終わらず、

「なぜ直したのか？」

を残す。

例えば、

AIは「A」と判断した。

人は「B」に修正した。

理由は、

「このお客様の場合は、過去の契約条件によってBになるから」

だったとします。

これを一件だけ見れば、単なる修正です。

でも同じようなケースが10件、20件と集まると、

会社としての判断基準

が見えてきます。

そして私は、この判断基準こそ、これからのマニュアルに残すべき情報だと思っています。

例えばAI時代のマニュアルには、単なる作業手順だけではなく、次のような情報が必要になります。

何をOKとするのか

何をNGとするのか

どんな場合に人が確認するのか

どんな場合に上位者へエスカレーションするのか

過去にどんな例外があったのか

なぜ、その判断をするのか

つまり、

「How＝どう作業するか」から、
「Why / When＝なぜ、いつ、どう判断するか」へ。
マニュアルの中心が変わっていくと思います。
例えば、請求書を確認する業務があるとします。
従来なら、
「請求書を開く」
「金額を入力する」
「日付を確認する」
「保存する」
というマニュアルになります。

でもAIが読み取りと入力を担当するなら、人に必要なのは、

「金額が一定以上なら承認が必要」
「過去3か月と大きく金額が違えば確認する」

「この取引先は特別な処理ルールがある」

「契約書と条件が違う場合は自動処理しない」

といった、

判断のルール
です。
つまり、
AIが作業を担当するほど、

人のマニュアルは、

操作説明書ではなく、判断基準書

に近づいていく。

私はそう考えています。

そして、この変化は新人教育にも大きいと思います。

これまで新人には、

「この通りにやってください」

と教えることが多かった。

でもこれからは、

「なぜ、この確認が必要なのか？」

まで教える必要があります。

なぜこのケースはOKなのか。

なぜこのケースはNGなのか。

何を見ると違和感に気づけるのか。

どの条件なら上司へ相談するのか。

ここまで理解して初めて、AIの結果を正しく評価できる。

つまり、AI時代の教育では、

作業方法を覚えることより、判断の考え方を理解すること

の価値が高くなります。

これはBPOでも同じです。

BPOチームに、

「この作業を、この順番でしてください」

だけを渡す。

それでは、通常ケースは処理できても、例外が出た瞬間に止まります。

だから、

通常ルール

だけではなく、

判断基準・例外事例・エスカレーション条件

まで共有する。

するとミャンマーチームでも、

「これは通常ケース」

「これは確認が必要」

「これは日本側へ上げる」

と判断できるようになる。

ここまでできれば、

海外BPOは単なる作業移管ではなく、

判断の一部まで共有できるチーム

へ変わります。

そして、ここからKPOにつながります。

BPOが日々の業務で、

「マニュアルにはないケース」

を見つける。

理由を記録する。

KPOが分析する。

同じ例外が繰り返されているなら、

判断基準を追加する。

マニュアルを更新する。

AIへの指示も変える。

つまり、

AI
→ BPO
→ LOG
→ KPO
→ 判断基準
→ AI

という循環です。

マニュアルも、一度作って終わりではありません。

仕事をするほど、育っていく。

そんなものになっていくと思っています。

私は、これからの会社では、

マニュアルの厚さよりも、

「判断基準がどれだけ共有されているか」

の方が重要になると思っています。

100ページの手順書があっても、

例外が起きるたびにベテランへ聞かなければならない。

それでは、まだ属人化しています。
一方で、
OK／NG。
確認条件。
過去事例。
判断理由。

エスカレーション条件。

が整理されていれば、新しいメンバーでも仕事を理解しやすい。

AIにも教えやすい。

BPOにも移管しやすい。

改善にも使える。

つまり、

判断基準そのものが、企業のKnowledgeになる。

ということです。

A CAN SOLUTIONSも、

単に「マニュアルを作ってください」とお願いするBPOではなく、

実際の業務を見ながら、

どこで判断しているのか。

どんな例外があるのか。

なぜ、その対応をしているのか。

を整理し、

仕事をしながら判断基準をつくっていくBPO/KPO

を目指したいと思っています。

日本側が品質基準を持つ。

ミャンマーチームが業務を運用する。

例外を記録する。

KPOとして分析する。

判断基準としてKnowledge化する。

そして、AIと次のメンバーへ戻す。

日本品質 × ミャンマー人材 × AI

で、マニュアルそのものも進化させていく。

AI時代のマニュアルは、

「この通りに作業してください」

から、

「この基準で考えてください」

へ。

手順を伝えるものから、

会社の判断を伝えるものへ。

この変化は、AIを会社の正式な業務にしていくうえで、とても重要になると思っています。

#生成AI #AI活用 #AI導入 #業務改善 #DX #BPO #KPO #マニュアル #ナレッジマネジメント #HumanInTheLoop #品質管理 #人材育成 #ミャンマー #AcanSolutions

[門 正仁 @kadoman78n]

【水曜日｜AIのミスを「個人の対応」で終わらせない】

AIを業務で使っていると、

当然ですが、

間違うことがあります。

数字を読み違える。

条件を見落とす。

過去の経緯を反映できない。

顧客固有のルールを理解できない。

もっともらしいけれど、少し違う回答を出す。

そんなとき、

人が気づいて直す。

そして仕事は無事に完了する。

一見すると、

それで問題はないように見えます。

でも私は、

ここで終わらせてしまうのは、

とてももったいない

と思っています。

例えば、

AIが100件処理した。

そのうち5件を人が修正した。

担当者は、

「AIが間違っていましたので直しておきました」

と言う。

これだけなら、

確かに業務品質は守られています。

でも翌月、

同じような5件が出てきた。

また人が直す。

さらに翌月も、

同じようなケースを人が直す。

これでは、

AIを使っているのに、会社は何も学習していません。

私は、

AIのミスが起きたときに大切なのは、

「誰が直したか」ではなく、
「なぜ間違ったのかを会社として残せたか」
だと思っています。

例えば、

AIの回答：A

人の修正：B

だけではなく、

なぜBなのか。

まで記録する。

「この顧客の場合は、○○という条件がある」

「金額が一定以上の場合は承認が必要」

「この表現は社内ルール上使わない」

「通常ケースと違い、過去契約を確認する必要がある」

こうした理由です。

すると、

単なる修正が、

会社のKnowledge

に変わります。

私は、

AIの間違いには、

会社の仕事を理解するヒントが詰まっていると思っています。

AIが間違えるということは、

その場所に、

曖昧なルールがある。

例外がある。

経験による判断がある。

顧客固有の事情がある。

あるいは、

そもそも業務フローに無理がある。

という可能性があります。

つまり、

AIのミスは、業務の弱点を見せてくれる。

とも言えます。

例えば、

毎月同じ種類の間違いが20件出ている。

これまでなら、

担当者が20件直して終わる。

でも、

その20件を分類してみる。

すると、

15件が、

同じ条件で発生していた。

そこで、

AIへの指示を変える。

参照データを追加する。

確認ルールを変える。

あるいは、

前工程そのものを見直す。

翌月、

20件だった修正が5件になる。

ここまでいけば、

AIのミスが、

業務改善につながった

と言えます。

だから私は、

AIのミスを見つけたとき、

現場で、

「直しておきました」

だけではなく、

もう一歩進んで、

「なぜ間違えましたか？」

と聞くことが大切だと思っています。

そして、

「次に同じケースが来たら、どうしますか？」

まで考える。

この問いが、

人の仕事も変えていきます。

最初は、

間違いを直す人。

次に、

なぜ間違ったのか説明できる人。

そして、

同じパターンを見つけられる人。

さらに、

再発を減らす方法を考えられる人。

つまり、

Operator
→ Evaluator
→ Analyst
→ Improver

へ。
AIのミスを扱うこと自体が、
人材育成になると思っています。
これは、

BPOの役割にも関係します。

これまでのBPOでは、

「正しい成果物を納品する」

ことが大きな役割でした。

もちろん、それは今後も変わりません。

でもAI時代には、

さらに、

AIの回答を確認する。

修正する。

修正理由を残す。

例外を分類する。

同じミスを集める。

という仕事が加わる。

つまり、

BPOの現場は、

AIの品質を守る場所

であると同時に、

AIを改善するためのデータが生まれる場所

になっていくと思っています。

そして、

そのデータをKPOが分析する。

なぜ間違いが多いのか。

どの条件で発生しているのか。

プロンプトの問題なのか。

参照データが足りないのか。

人の判断基準が曖昧なのか。

業務そのものに問題があるのか。

そこまで考える。

そして、

改善案を出す。

ルールを変える。

AIを変える。

業務フローを変える。

こうして、

BPOの修正が、KPOの改善につながる。

私は、

この流れを、

AI
↓
BPO
↓
LOG
↓
KPO
↓
Knowledge
↓
AI

と考えています。

AIが間違う。

人が直す。

ログを残す。
KPOが分析する。
Knowledgeにする。
AIと業務へ戻す。
この循環が回れば、
AIが賢くなるだけではありません。
会社の仕事そのものが、少しずつ良くなっていきます。
逆に、
AIのミスを毎回、
個人がその場で直して終わると、
その人はどんどん詳しくなります。

でも、

会社には残らない。

担当者が変わる。

また同じミスに対応する。

これは、

AIを導入する前にあった、

「ベテランしか分からない仕事」

と同じ構造です。

AIを導入したのに、

また属人化してしまう。

それでは意味がありません。

だから、

AIのミスは、

人の頭の中で処理するのではなく、会社の仕組みで処理する。

これが重要だと思っています。

具体的には、

少なくとも、

① AIが何を出したか

② 人が何を直したか

③ なぜ直したか

④ どの種類のミスか

⑤ 次回どうするか

を残す。

これだけでも、

AI活用は大きく変わると思います。

そして私は、

AIのミスを、

単に、

「AIの精度が悪い」

で終わらせないことも大切だと思っています。

実は、

AIが間違えたのではなく、

会社のルールが曖昧だった。

入力データが不足していた。

マニュアルが古かった。

例外条件が整理されていなかった。

ということもあります。

AIが仕事に入ることで、

これまで見えなかった問題が、

表に出てくる。

だから、

AIのミスを見ることは、

会社自身の仕事を見直すこと

でもあると思っています。

A CAN SOLUTIONSも、

AIを導入して終わりではなく、

AIが間違ったときに、

その間違いを会社の資産へ変える仕組み

までつくっていきたいと考えています。

日本側で品質基準をつくる。

ミャンマーチームがBPOとして確認する。

修正理由を残す。

KPOとして分析する。

Knowledgeにする。

そして、

またAIへ戻す。

日本品質 × ミャンマー人材 × AI

で、

AIを使えば使うほど、

会社にKnowledgeが残る。

人材が成長する。

業務が改善する。

そんな仕組みをつくりたいと思っています。

AIが間違えること自体は、

それほど怖いことではありません。

怖いのは、

同じ間違いを、会社が何度も繰り返すこと。

AIのミスを、

「担当者が直した」で終わらせない。

ミスを、次の改善に変える。

それが、

AIを会社の力に変えていくために、

とても大切なことではないでしょうか。

#生成AI #AI活用 #AI導入 #業務改善 #DX #BPO #KPO #HumanInTheLoop #LLMEvaluation #AIアノテーション #品質管理 #ナレッジマネジメント #人材育成 #ミャンマー #AcanSolutions

[門 正仁 @kadoman78n]

AIを業務に入れると、

よく出てくる言葉があります。

「ここはAIに任せましょう」

とても便利な言葉です。

でも私は最近、

この言葉を使うときほど、

「どこまで任せるのか」

を明確にしなければいけないと思っています。

なぜなら、

AIは仕事をすることはできますが、

最終的な責任まで引き受けてくれるわけではない

からです。

例えば、

AIにお客様への返信文を作ってもらう。

文章をまとめてもらう。

帳票から数字を読み取ってもらう。

資料を分類してもらう。

データを分析してもらう。

ここまでは、かなりできるようになっています。

でも、

その内容をそのままお客様へ送っていいのか。

数字をそのままシステムへ登録していいのか。

AIの分析結果だけで意思決定していいのか。

ここになると、

話は変わります。

つまり、

「AIに作業を任せること」と、
「AIに判断を任せること」は違う。
私は、この区別がとても大切だと思っています。

例えば、

100件の処理があるとします。

AIが90件を問題なく処理できる。

残り10件は人の確認が必要。

このとき、

「AIで90％自動化できました」

という見方もできます。

でも同時に、

「どの条件ならAIだけで完了してよいのか」

「どの条件なら必ず人へ戻すのか」

を決める必要があります。

金額が一定以上。

過去事例と異なる。

顧客固有ルールがある。

契約内容に関係する。

個人情報を含む。

最終承認が必要。

こうした条件です。

これを決めずに、

ただ、

「AIでやってください」

とすると、

現場では人によって判断が変わります。

ある人は、

そのまま進める。

別の人は、

念のため全部確認する。

別の人は、

AIだから正しいだろうと判断する。

すると、

せっかくAIを導入しても、

品質が安定しません。

だから私は、

AI導入では、

「責任の境界線」

をつくる必要があると思っています。

例えば、

AIが担当すること。

読み取る。

分類する。

候補を出す。

文章案を作る。

一次判定する。

人が担当すること。

正しさを確認する。

例外を判断する。

顧客事情を考える。

リスクを判断する。

最終承認する。

この境界を決める。

さらに、

AIが自動で完了していい条件

と、

必ず人へ戻す条件

も決める。

ここまで設計して初めて、

AIが会社の業務として使えるようになると思っています。

昨日書いた、

「AIをできる人に任せない」

という話にもつながります。

もし、

責任の境界が決まっていなければ、

結局、

AIに詳しい人が、

毎回、

「これは大丈夫」

「これは確認した方がいい」

と判断することになります。

すると、

またその人に仕事が集中する。

AIを導入したのに、

別の形で属人化してしまいます。

だから、

個人の判断ではなく、

会社のルールとして境界を決める。

ことが重要です。

ここで、

BPOの役割も大きいと思っています。

AIが大量に処理する。

その中で、

人の確認が必要なものをBPOチームが見る。

決められた基準で、

OK。

NG。

要確認。

を判断する。

そして、

判断できないものは、

KPOや日本側へ上げる。

例えば、

AI
↓
自動完了
or
BPO確認
↓
例外
↓
KPO分析
↓
日本側最終判断

という流れです。
こうしておけば、
誰が担当しても、
同じルールで仕事が進みます。
そして、
ここで重要なのが、
エスカレーション条件
だと思っています。
「分からなかったら聞いてください」
では曖昧です。
例えば、

金額が○円以上。

過去事例がない。

顧客固有条件に該当する。

AIの信頼度が一定以下。

複数の判断候補が出た。

契約・法務・個人情報に関係する。

こうした場合は、

必ず上位判断へ回す。

と決める。

これだけでも、

AI活用の安全性と品質は大きく変わると思います。

そして、

この境界は、

一度決めたら終わりではありません。

運用していると、

「このケースは人が見なくても大丈夫だった」

というものも出てきます。

逆に、

「ここはAIに任せすぎた」

というケースも出ます。

だから、

ログを見る。

例外を見る。

修正理由を見る。

そして、

AIと人の境界を少しずつ変えていく。

これが大切です。

つまり、

AI導入では、

AIに任せる範囲を決めること

よりも、

AIに任せる範囲を継続的に見直せる仕組みをつくること

の方が重要なのかもしれません。

私は、

これから企業がAIを本格的に使うようになるほど、

「AIができるかどうか」

より、

「誰が最終的に責任を持つのか」

が重要になると思っています。

AIは、

とても優秀な作業者になれる。

優秀なアシスタントにもなれる。

場合によっては、

かなり高度な判断もできる。

でも、

会社として、

お客様に何を約束するのか。

どこまで自動化するのか。

どんなリスクを許容するのか。

これは、

人と会社が決める必要があります。

だから、

AI時代の業務設計では、

AIの能力を考えるだけでは足りない。

責任の設計

が必要になります。

A CAN SOLUTIONSも、

単に、

「この作業はAIでできます」

という提案だけではなく、

どこまでAIに任せるか。
どこからBPOが確認するか。
どこからKPOへ上げるか。
どこを日本側が最終判断するか。

まで含めて、

業務を設計していきたいと思っています。

AIを業務に入れるなら、

最初に決めるべきことの一つは、

「AIに何をさせるか」ではなく、
「AIにどこまで責任を持たせるのか」

なのではないでしょうか。

そして、

その境界を明確にすることで、

AIは、

怖い存在ではなく、

安心して任せられる仕事のパートナー
になっていくと思っています。
#生成AI #AI活用 #AI導入 #AIガバナンス #業務改善 #DX #BPO #KPO #HumanInTheLoop #品質管理 #業務設計 #ナレッジマネジメント #ミャンマー #AcanSolutions

[門 正仁 @kadoman78n]

【AI活用を「できる人」に任せてはいけない】

会社でAI活用が始まると、

必ずと言っていいほど、

「AIを使うのが上手な人」

が出てきます。

プロンプトを書くのが上手い。

ChatGPTを使いこなしている。

資料作成が速い。

新しいAIサービスにも詳しい。

こうした人が社内にいることは、とても良いことです。

でも私は、

AI活用が次の段階へ進むと、

「AIが得意な人に任せておけばいい」では危ない

と思っています。

例えば、

AさんだけがAIを使って、

これまで3時間かかっていた仕事を1時間で終わらせられるようになった。

素晴らしい成果です。

でも、

Aさんが休んだらどうなるでしょうか。

異動したら？

退職したら？

別の人が同じプロンプトを使ったら、同じ品質になるでしょうか。

ここまで考えると、

これは、

会社がAIを使えるようになったのではなく、
AさんがAIを使えるようになっただけ
かもしれません。

私は、AI導入でも、

これまでの業務と同じように、

属人化

が起きると思っています。

これまでは、

「この仕事は○○さんしか分からない」

でした。

これからは、

「このAIの使い方は○○さんしか分からない」

が起きる。

ツールが新しくなっただけで、

会社の課題は変わっていません。

では、

AI活用を会社の力にするには何が必要でしょうか。

私は、

プロンプトそのものより、

「なぜ、その指示をしているのか」

を残すことが重要だと思っています。

どんなデータを入力するのか。

何を正解とするのか。

どこまでAIに任せるのか。

どのケースは人が確認するのか。

どんな場合は使ってはいけないのか。

間違ったとき、どう修正するのか。

誰が最終判断するのか。

これを、

会社の仕組みとして残していく。

例えば、

AIに100件のデータを処理させる。

90件は自動処理。

10件は人が確認する。

その10件について、

「なぜ人に戻したのか」

まで残す。

すると、

個人のAI活用が、

会社のKnowledge

に変わります。

さらに、

BPOチームが同じ基準で確認できる。

ミャンマーチームにも展開できる。

新人にも教えられる。

日本側も品質を確認できる。

つまり、

誰が担当しても、同じ仕組みでAIを使える。

ここまで来て、

初めてAIが会社の業務になります。

私は、

AI導入で本当に重要なのは、

「AIを使える人を増やすこと」

だけではないと思っています。

それよりも、

「誰が使っても、一定の品質で仕事ができる仕組みをつくること」

の方が重要です。

AIを個人のスキルから、

会社の能力へ変える。

そのためには、

プロンプト。

評価基準。

ログ。

例外条件。

Knowledge。

役割分担。

こうしたものを、

組織として整えていく必要があります。

これは、

BPOやKPOにも非常に関係します。

AIが大量処理する。

BPOが決められた基準で確認する。

例外を記録する。

KPOが分析する。

日本側が品質基準を更新する。

そして、

またAIへ戻す。

AI
↓
BPO
↓
KPO
↓
Knowledge
↓
AI

この循環ができれば、
AIの使い方は、
特定の一人のノウハウではなくなります。
A CAN SOLUTIONSが目指したいのも、
「AIに詳しい人を貸します」
ではありません。
AIを会社の仕事として回せる仕組みをつくること。
日本品質。
ミャンマー人材。

AI。

BPO。

KPO。

それぞれを組み合わせて、

担当者が変わっても、

AIツールが変わっても、

会社にKnowledgeが残り、

改善が続く。

そんな仕組みをつくりたいと思っています。

AI活用が進めば進むほど、

最後に差になるのは、

「誰がAIを使えるか」ではなく、
「会社としてAIを使えるか」

なのではないでしょうか。

#生成AI #AI活用 #AI導入 #DX #業務改善 #BPO #KPO #属人化 #ナレッジマネジメント #HumanInTheLoop #人材育成 #ミャンマー #AcanSolutions

[門 正仁 @kadoman78n]

【金曜日｜AI導入のROIは「何時間減ったか」だけでは測れない】
AI導入の効果を考えるとき、

最初に見たくなるのは、

「何時間削減できたか」

だと思います。

例えば、

これまで月100時間かかっていた仕事が、

AIを使うことで60時間になった。

40時間削減できた。

これは、とても分かりやすい成果です。

もちろん、

工数削減はAI導入の大切な効果

です。

でも私は、

AI導入のROIを、

削減時間だけで評価するのは、少しもったいない

と思っています。

例えば、

100件の仕事をAIが処理する。

これまで人が100件処理していたものを、

AIが80件担当し、

人は20件だけ確認する。

確かに、

人の作業時間は減ります。

でも、

本当に価値があるのは、

その先かもしれません。

その20件を確認した人が、

「なぜAIでは判断できなかったのか？」

を記録する。

例外を分類する。

共通する条件を探す。

ルールを見直す。

AIへの指示を変える。

翌月、

AIが85件処理できる。

さらに改善して、

90件になる。

すると、

単なる一度きりの時間削減ではなく、

業務そのものが継続的に良くなっていく。

ここまで含めて、

AI導入のROIを見るべきだと思っています。

私は、

AI導入の成果には、

少なくとも5つの視点があると思っています。

① 時間が減ったか

まずは、分かりやすい効果です。

処理時間が短くなった。

残業が減った。

人が他の仕事に使える時間が増えた。

これは重要です。

② 品質が上がったか

AI導入で、

ミス率が下がった。

チェック漏れが減った。

表現が揃った。

判断基準が明確になった。

品質が安定した。

ここも大きな価値です。

例えば、

10分短縮できたことより、

重大なミスを1件防げたことの方が価値が大きい

業務もあります。

③ Knowledgeが残ったか

今週、

「正解の基準」

と

「ログ」

について書きました。

AIが何を答えたか。

人が何を直したか。

なぜ直したのか。

どんな例外だったのか。

これを残せば、

日々の業務が、

会社のKnowledge

になります。

そして、

新人教育に使える。

マニュアル改善に使える。

AI改善に使える。

担当者が変わっても判断基準が残る。

これは、

単純な工数削減では測りにくいですが、

長期的には非常に大きな価値だと思っています。

④ 人材が成長したか

AIを入れると、

人の仕事も変わります。

単純に処理する仕事から、

AIの結果を評価する仕事へ。

さらに、

原因を分析する仕事へ。

そして、

改善を考える仕事へ。

Operator
→ Evaluator
→ Analyst
→ Improver
→ Designer
へ。
もしAI導入によって、
人材がより高度な仕事へ移れるのであれば、
これも立派なROIです。

私は、

AI導入によって人件費を減らすことより、
人材の価値を上げること

にも注目したいと思っています。

⑤ 改善速度が上がったか

これも重要です。

AI導入前は、
問題が起きても、

「いつものこと」

として処理して終わっていた。

AI導入後は、

ログが残る。

傾向を分析する。

改善案を出す。

翌月に反映する。

すると、

改善のサイクルそのものが速くなる。

1年に一度マニュアルを見直す会社と、

毎月ログを見て改善する会社。

数年後には、

大きな差が生まれると思います。

つまり、

AI導入のROIは、

単純に、

削減時間 × 人件費

だけではない。

私は、

こんな見方が必要だと思っています。

時間削減
＋ 品質向上
＋ Knowledge蓄積
＋ 人材成長
＋ 改善速度

です。

例えば、

AIを導入して、

月40時間しか削減できなかった。

一見すると、
「思ったほど効果がない」
と判断されるかもしれません。
でも、
ミス率が半分になった。

属人化していた判断基準が言語化された。

新人教育が早くなった。

毎月の例外件数が減っている。

ミャンマーチームから改善提案が出るようになった。

AIの精度も毎月上がっている。

ここまで起きているなら、

私は、

十分に成功したAI導入

だと思います。

逆に、

月100時間削減できても、

AIの結果を誰も確認していない。

判断基準がない。

ログも残らない。

担当者しか使い方が分からない。

同じミスを繰り返している。

担当者が退職したら使えなくなる。

という状態なら、

長期的には、

あまり強いAI活用とは言えないかもしれません。

だから、

AI導入を評価するときは、

「何時間減りましたか？」

だけではなく、

「会社に何が残りましたか？」

と聞くことが大切だと思っています。

新しいKnowledgeは残ったか。

人材は成長したか。

判断基準は整理されたか。

例外は減ったか。

改善スピードは上がったか。

AIの精度は上がったか。

この問いの方が、

AI導入の本当の価値を見やすいと思います。

そして、

ここでBPO・KPOの役割も重要になります。

AIが大量処理する。

BPOが確認・修正する。

ログを残す。

KPOが分析する。

改善案を出す。

Knowledgeとして蓄積する。

そしてまたAIへ戻す。

AI
↓
BPO
↓
LOG
↓
KPO
↓
Knowledge
↓
AI

この循環が回る。

すると、

AIだけではなく、

人も、

業務も、

会社も、

少しずつ良くなっていく。

A CAN SOLUTIONSが目指しているのも、

単に、
「AIで何時間削減できます」
という提案だけではありません。
日本品質 × ミャンマー人材 × AI
を組み合わせて、
AIを現場で運用する。
品質を守る。
人の判断をKnowledgeとして残す。
業務を改善する。
人材を育てる。
そして、

お客様の会社そのものを強くしていく。

そこまで含めて、

AI活用の価値だと考えています。

AI導入のROIは、

「どれだけ人の時間を減らしたか」

だけではなく、

「どれだけ会社の能力を高めたか」

で見る。

私は、

これからAI導入がPoCから本格運用へ進むほど、

この考え方が重要になると思っています。

AIを導入して、何時間減ったか。

その次に、

AIを導入して、会社は何ができるようになったか。

そこまで見られる会社が、

AIを本当の競争力に変えていくのではないでしょうか。

#生成AI #AI活用 #AI導入 #ROI #DX #業務改善 #業務自動化 #BPO #KPO #HumanInTheLoop #LLMEvaluation #人材育成 #ナレッジマネジメント #ミャンマー #AcanSolutions

[門 正仁 @kadoman78n]

【木曜日｜AI時代の現場リーダーは「人を管理する人」から「仕事を設計する人」へ】

AIが仕事の中に入ってくると、

現場リーダーの役割も変わる

と思っています。

これまでの現場リーダーに求められてきたのは、

誰に仕事を振るか。

進捗は遅れていないか。

ミスは出ていないか。

人員は足りているか。

納期に間に合うか。

といった、

「人と作業を管理する力」

でした。

もちろん、これからも必要です。

でもAIが業務の一部を担うようになると、それだけでは足りなくなると思っています。

例えば、100件の仕事がある。

これまでは、

Aさんに30件。

Bさんに30件。

Cさんに40件。

と割り振ればよかった。

でもAI時代は違います。

AIに何件任せるのか。

どこまで自動で進めるのか。

どの条件なら人に戻すのか。

誰がAIの結果を確認するのか。

どのケースをKPOへ上げるのか。

何をログとして残すのか。

改善結果をどこへ戻すのか。

つまり、

「誰に仕事をさせるか」だけでなく、
「仕事そのものをどう流すか」
を考える必要があります。

私は、ここが大きな変化だと思っています。

昨日、

「AI活用の成否は、ログを残せるかで決まる」

という話を書きました。

では、

誰がそのログを見て、

「最近、このエラーが増えている」

「この判断は毎回人が直している」

「この工程はAIに任せない方がいい」

「逆に、この作業はもうAIに任せられる」

と判断するのでしょうか。

ここで重要になるのが、

現場リーダー

だと思っています。

例えば毎月1,000件の処理がある。

AIが800件を担当する。

BPOチームが150件を確認する。

50件をKPOとして分析する。

現場リーダーは、

単に、

「全部終わりましたか？」

を見るだけではありません。

AIの自動処理率はどうだったか。

どこで人に戻ったか。

どのエラーが多かったか。

修正理由は何だったか。

同じ例外が繰り返されていないか。

人の確認が本当に必要か。

まで見る。

そして、

仕事の流れそのものを変えていく。

ここまでが、これからのリーダーの仕事になっていくと思っています。

私は、この役割を、

「人の管理者」から「仕事の設計者」へ

という変化だと考えています。

仕事を、

AIに任せる。

BPOに任せる。

KPOへ上げる。

日本側で判断する。

自動化する。

人が確認する。

Knowledgeとして残す。

それぞれの強みを理解し、

最も良い場所へ仕事を配置する。

これが、AI時代のマネジメントになるのではないでしょうか。

ここで大切なのは、

AIの専門家でなければリーダーになれない、

ということではありません。

むしろ必要なのは、

業務を理解していること

だと思います。

この仕事の目的は何か。

どこでミスが起きるのか。

どの判断が重要なのか。

どこまでなら自動化できるのか。

何が起きたら危険なのか。

お客様は何を品質と考えているのか。

これを理解している人だからこそ、

AIをどこに入れるべきか判断できます。

だから私は、

これからAI時代に価値が高くなるのは、

単に、

「AIを使える人」

だけではなく、

「仕事を理解し、AIと人を組み合わせられる人」

だと思っています。

例えば、

AIのプロンプトを書く。

それだけではなく、

AIの結果を確認する人を決める。

確認基準を決める。

例外条件を決める。

ログを残す。

改善サイクルを設計する。

ここまで考える。

するとAIは、

個人の便利ツールではなく、

組織の業務システム

になっていきます。

これは、BPOの現場でも同じです。

今までのBPOリーダーなら、

スタッフ10人の作業量と品質を見る。

これからは、

AIが処理した量。

人が確認した量。

例外の種類。

修正理由。

エラー傾向。

人材ごとの判断力。

改善提案。

まで見る必要がある。

つまり、

人だけを管理するのではなく、
AIと人が一緒に働く現場を管理する。

ということです。
そして、その先には、

KPOがあります。

BPOで安定運用する。

ログを残す。

KPOで分析する。

Knowledgeとして整理する。

AIへ戻す。

業務フローを変える。

この循環を、

現場リーダーが理解している。

そうすれば、

AI → BPO → KPO → Knowledge → AI

が、本当に回り始めます。

この考え方は、私たちがミャンマーで人材を育てるうえでも、とても重要だと思っています。

スタッフを、

Operatorとして育てる。

次にEvaluatorへ。

さらにAnalystへ。

そしてImproverへ。

その先に、

私はもう一つ役割があると思っています。

Designer

です。

ここで言うDesignerとは、

デザインをする人ではありません。

仕事の仕組みを設計できる人。

AIに何を任せるか。

人に何を残すか。

どう評価するか。

どこでエスカレーションするか。

何をKnowledgeとして残すか。

そこまで考えられる人材です。

つまり、

Operator
→ Evaluator
→ Analyst
→ Improver
→ Designer

へ。

AI時代の人材育成は、ここまで進められるのではないかと思っています。
日本側のリーダーにも、
ミャンマー側のリーダーにも、
この視点を持ってほしいと思っています。
「今日、何件処理しましたか？」

だけではなく、

「今日、何が分かりましたか？」

「どこでAIが迷いましたか？」

「人はなぜ修正しましたか？」

「来週は何を変えますか？」

と聞く。

そうすると、

日々の業務が、

単なる作業ではなく、

改善活動

になります。

AIが普及すると、

管理職の仕事も変わると思います。

人を監視する。

作業を割り振る。

進捗だけを見る。

そこから、

仕事を分解する。
AIと人の役割を決める。
品質基準をつくる。
ログを見る。
改善する。

へ。

AI時代のリーダーは、

「人を動かす人」より、
「仕事がうまく流れる仕組みをつくる人」

になっていくのかもしれません。

A CAN SOLUTIONSも、

単にAIやBPOのリソースを提供するだけではなく、
AI・人・BPO・KPOをどう組み合わせれば、その会社の仕事がもっと良くなるのか
を一緒に考えられる会社を目指しています。
AIを導入する。
人を配置する。

それだけではなく、

仕事そのものを設計する。

これからのAI活用で、
私はこの力が非常に重要になると思っています。

AI時代の現場リーダーは、
人を管理する人から、仕事を設計する人へ。

この変化が始まっているのではないでしょうか。

#生成AI #AI活用 #AI導入 #AIマネジメント #業務改善 #DX #BPO #KPO #HumanInTheLoop #人材育成 #ナレッジマネジメント #ミャンマー #AcanSolutions

[門 正仁 @kadoman78n]

【水曜日｜AIの間違いを、会社の学びに変える】

昨日は、AI導入では「正解の基準」を決めることが大切だと書きました。

その次に大切にしたいのが、「なぜ直したのか」を残すことです。

例えば、AIが100件の文章を作り、5件を人が修正したとします。

95件をそのまま使えたことも成果ですが、私は、修正した5件にも学ぶことがあると思っています。

どこが違ったのか。
なぜ、そのように直したのか。
そこには、会社のルールや、お客様への配慮があるはずです。

その理由を残し、AIへの指示や業務の進め方を見直す。同じ修正を減らせますし、新しいスタッフに仕事を伝える際にも役立ちます。

これからのBPOでは、確認して直すことに加え、その理由を次の改善につなげる役割も大切になると感じています。

私たちもミャンマーチームと一緒に、
「なぜ直したのか」
「次から減らすにはどうすれば良いか」
を考えていきたいと思っています。

AIを使いながら、人も学ぶ。
その日々の積み重ねが、会社の力になるのではないでしょうか。
#AI活用 #業務改善 #BPO #ACANSOLUTIONS

[門 正仁 @kadoman78n]

【火曜日｜AI導入で最初に決めるべきは「正解の基準」】
AIを業務に入れようとすると、最初に考えたくなるのは、

「どのAIを使うか？」

だと思います。

ChatGPTなのか。

Geminiなのか。

Copilotなのか。

AIエージェントなのか。

OCRと組み合わせるのか。

もちろん、ツール選びは大切です。

でも私は、

AI導入で本当に最初に決めるべきなのは、ツールではなく「何を正解とするか」

だと思っています。

例えば、AIにメールの返信案を作らせるとします。

AIが、とても自然な文章を書いた。

日本語としても問題ない。

丁寧でもある。

でも、

その会社にとって本当に正しい回答でしょうか。

お客様との過去のやり取りを踏まえているか。

社内ルールに合っているか。

言ってはいけない表現が入っていないか。

この案件では、誰かに確認すべき内容ではないか。

文章としては正しくても、

仕事としては間違っている

ということはあります。

ここがAI活用の難しいところです。

AIは、

「それらしい答え」

を出すことができます。

でも会社が必要としているのは、

「その会社にとって正しい答え」

です。

では、

その「正しい」とは何でしょうか。

例えば、

誤字がないこと。

数字が合っていること。

ルールを守っていること。

過去事例と矛盾しないこと。

顧客の意図に合っていること。

リスクがないこと。

最終的に人が承認できること。

業務によって、正解の条件は違います。

つまり、

AIの精度を上げる前に、会社側が「正解」を定義しなければならない。

ということです。

これは、AIだけの話ではありません。

実は人の仕事でも同じです。

新人に仕事を教えるとき、

「ちゃんとやってください」

と言っても、

人によって「ちゃんと」の意味は違います。

だから、

チェックリストを作る。

マニュアルを作る。

良い例を見せる。

悪い例を見せる。

判断基準を教える。

こうして品質を揃えていきます。

AIも同じです。

むしろAIを使うからこそ、

今まで曖昧だった品質基準を、言葉にする必要が出てくる。

ここに、AI導入の大きな価値があると思っています。

例えば、AIに100件の文章を作らせる。

人が評価する。

そのとき、

「なんとなく良い」

「なんとなく違う」

だけでは、改善できません。

必要なのは、

なぜ良いのか。
なぜ違うのか。
を残すことです。

例えば、

NG理由を、

① 事実誤認
② 条件漏れ
③ 顧客意図とのズレ
④ 社内ルール違反
⑤ 表現品質
⑥ 要確認案件

のように分類する。
すると、
AIがどこで失敗しているのかが見えてきます。
そして、
プロンプトを改善する。
参照データを追加する。

ルールを変更する。

AIに任せる範囲を調整する。

人の確認工程を変える。

といった改善ができます。

つまり、

「正解の基準」があるから、AIを改善できる。

のです。

私は、AI導入において、

「正解をつくる仕事」

が非常に重要になると思っています。

AIは答えを大量につくれます。

でも、

その答えが正しいのか。

どこまでなら使っていいのか。

どんなケースでは人に戻すのか。

最終的に何をOKとするのか。

これは、人が決める必要があります。

だからこれからは、

AIを使える人

だけではなく、

AIの答えを評価できる人

が必要になります。

例えば、

AIが100件処理した。

95件は問題ない。

5件だけ人が修正した。

ここで、

「5件直して終わり」

なら単なるチェックです。

でも、

なぜ5件が間違ったのか。

共通点は何か。

どんな条件でミスが出るのか。

その判断をルール化できないか。

まで考える。

すると、

その5件が、

次の改善データ

になります。

AIが95点だったものを、

96点。

97点。

98点。

へ上げていく。

そのために必要なのが、

評価基準です。

そして、この仕組みはBPOとも非常に相性が良いと思っています。

AIが大量処理する。

BPOチームが評価する。

NGを修正する。

理由を記録する。

KPOが傾向を分析する。

品質基準を見直す。

Knowledgeとして残す。

そして、AIへ戻す。

AI
↓
BPO
↓
Evaluation
↓
KPO
↓
Knowledge
↓
AI

この循環です。

ここで重要なのは、

BPOチームに、

「正解だけを教えない」

ことだと思います。

「これはBです」
だけではなく、
「なぜBなのか？」
まで理解してもらう。
どこを見たのか。
何が違ったのか。
どういう条件なら別の答えになるのか。
こうした判断を積み重ねることで、
人材も、
Operator
↓
Evaluator
↓
Analyst
↓
Improver
へ成長していきます。

これは、私たちがミャンマーで人材を育てるうえでも大切にしたいことです。

単に、

「この作業をしてください」

ではなく、

「何をもって正しいとするのか？」

を共有する。

そして、

「なぜ？」

を考える。

AIが普及するほど、

人に必要なのは、

作業速度だけではなく、

正しさを判断する力

になると思っています。

AI導入がうまくいかないと、
つい、
「AIの精度が低い」
と思ってしまいます。
でも時には、
AIの問題ではなく、
会社側が正解を定義できていない

こともあります。

何をOKとするのか。

どこからNGなのか。

どんなケースなら人に戻すのか。

誰が最終判断するのか。

これが決まっていない状態で、

AIだけに正確さを求めるのは難しい。

だから私は、

AI導入の最初に、

「この仕事の正解は何ですか？」

と聞くことが大切だと思っています。

その答えを、

ルール。

事例。

チェック項目。

評価基準。

判断理由。

として整理する。

そこまでできれば、

AIは一気に使いやすくなります。

そしてその過程で、

会社の仕事も見えるようになります。

A CAN SOLUTIONSも、

単にAIを導入するのではなく、

正解の基準を整理し、AIと人が同じ品質基準で働ける仕組み

をつくっていきたいと思っています。

AIが答えを出す。
人が正しさを判断する。
理由を残す。
会社のKnowledgeになる。
またAIが賢くなる。

この循環をつくる。

AI導入で最初に考えるべきなのは、

「どのAIを使うか？」ではなく、
「私たちは、何を正解とするのか？」

なのではないでしょうか。

#生成AI #AI活用 #AI導入 #DX #業務改善 #業務自動化 #BPO #KPO #LLMEvaluation #HumanInTheLoop #AIアノテーション #品質管理 #ナレッジマネジメント #ミャンマー #AcanSolutions

[門 正仁 @kadoman78n]

【月曜日｜AI導入が「PoC」で終わる会社、「業務」になる会社】

最近、企業のAI活用について話をしていると、

「生成AIはすでに試しています」

という会社が本当に増えました。

ChatGPTを使っている。

Copilotを使っている。

社内でAIの勉強会をした。

一部の業務でPoCも実施した。

ここまでは進んでいる。

でも、

「では、毎日の業務として使われていますか？」

と聞くと、

急に答えが難しくなることがあります。

私は、

AIを試すことと、AIを仕事にすることは、まったく別の話

だと思っています。

例えば、

「議事録をAIで作ってみた」

「メール文をAIに書かせてみた」

「資料をAIにまとめてもらった」

これはAI活用です。

でも、

誰が使っても、

同じ品質で、

決められた手順で、

毎日安定して使われる。

そこまでいけば、

初めて、

AIが会社の“業務”になった

と言えるのではないでしょうか。

AI導入がPoCで止まってしまう理由は、

AIの性能ではないことも多いと思います。

むしろ、

仕事の仕組みが決まっていない。

例えば、

AIに何を入力するのか。

どのAIを使うのか。

どこまでAIに任せるのか。

誰が結果を確認するのか。

間違っていた場合どうするのか。

どこまでなら自動で進めていいのか。

どんなケースを人へ戻すのか。

誰が最終責任を持つのか。

こうしたことが決まっていない。

すると、

「使える人だけが使う」

状態になります。

そして、その人が忙しくなると使われなくなる。

担当者が変わると使われなくなる。

最終的に、

「AI、前に試しましたよね」

で終わってしまいます。

だから私は、

AI導入で本当に重要なのは、

AIツールを選ぶことより、AIを組み込んだ業務フローをつくること

だと思っています。

例えば、

これまで人が100件処理していた仕事を、

AIが80件処理する。

BPOチームが15件確認する。

難しい5件はKPOとして分析する。

その結果を日本側が確認する。

そして、

AIが間違えた理由を記録する。

改善する。

またAIへ戻す。

こうすれば、

AIは単なる「便利なツール」ではありません。

仕事の一部になります。

私は、AI導入を考えるとき、

次の5つを決めることが重要だと思っています。

① AIに何を任せるか

② 人が何を確認するか

③ 何を正解とするか

④ 例外をどう扱うか

⑤ 改善結果をどう次へ戻すか

ここまで設計して、

初めてAIが継続的に使えるようになります。

そして、ここでBPOが重要になります。

AIを導入したからといって、

人の仕事がゼロになるわけではありません。

むしろ、

AIの結果を確認する。

間違いを修正する。

例外を記録する。

品質を安定させる。

こうした、

日々の運用

が必要になります。

AI導入で意外と難しいのは、

AIを作ることではなく、

AIを毎日使い続けること

なのかもしれません。

だから、

AI × BPO

という組み合わせには大きな意味があります。

さらに、その運用から、

「なぜ間違えたのか？」

「どのケースで失敗するのか？」

「どうすれば例外を減らせるのか？」

を分析する。

ここから、

KPO

になります。

そして、

判断理由。

例外事例。

品質基準。

改善履歴。

をKnowledgeとして残していく。

すると、

AI
↓
BPO
↓
KPO
↓
Knowledge
↓
AI
という循環ができる。
この循環が回り始めると、
AIを使えば使うほど、
AIの精度が上がる。
人材が成長する。
会社に知識が残る。
業務そのものが良くなる。
私は、

AI導入のゴールは、

「AIを導入しました」

ではないと思っています。

もっと重要なのは、

「AIを使った仕事が、普通に毎日回っています」

という状態です。

担当者が変わっても使える。

新人でも使える。

品質が安定している。

例外が出ても対応できる。

そして改善が続く。

ここまでいけば、

AIは、

「新しいツール」ではなく、

会社の仕事の仕組み

になります。

A CAN SOLUTIONSが目指しているのも、

単にAIツールを紹介することではありません。

日本品質 × ミャンマー人材 × AI

を組み合わせて、

AIが処理する。

BPOが運用する。

KPOが分析する。

Knowledgeを残す。

そして改善し続ける。

そんな、

AIが現場に定着する仕組み

をつくっていきたいと思っています。

AIを試す会社から、

AIが仕事として動いている会社へ。

AI活用の次のテーマは、ここではないでしょうか。

#生成AI #AI活用 #AI導入 #DX #業務改善 #業務自動化 #BPO #KPO #HumanInTheLoop #AIアノテーション #LLMEvaluation #ミャンマー #AcanSolutions

[門 正仁 @kadoman78n]

アンドエスティに｢会いに行く｣　従業員4400人がインフルエンサー - 日本経済新聞 https://t.co/nrIfSeO2d1

インフルエンサーからアクティブユーザーを獲得する。
弊社事業でも取り組んでみたい。

[門 正仁 @kadoman78n]

【金曜日｜安いBPOではなく、「会社を強くするBPO」を選ぶ】
海外BPOの話になると、今でも最初に出てくるのは、

「いくら安くなりますか？」

という質問です。

もちろん、コストは重要です。

日本国内で行っていた業務を海外へ移管すれば、人件費を抑えられるケースは多い。

それ自体は、海外BPOの大きなメリットです。

でも、AIが急速に普及している今、

私は、

「安いから海外へ出す」だけでは、もう十分ではない

と思っています。

なぜなら、

単純な作業であればあるほど、

これからは人件費の安い国ではなく、

AIが最も安く処理する

ようになるからです。

つまり、

海外BPO会社同士で、

「1時間いくら」

「1件いくら」

だけを競争していると、

その先にはAIとの価格競争が待っています。

これは、人が勝てる競争ではありません。

だからこそ、海外BPOの価値を、

「安く作業する」

から、

「会社を強くする」

へ変えていく必要があると思っています。

例えば、毎月1万件の業務がある。

これまでなら、

10人で処理していました。

海外へ移管して、

同じ10人で、より安く処理する。

これが従来型のBPOです。

でもAI時代なら、

AIが8,000件を処理する。

BPOチームが1,500件を確認・修正する。

残り500件の難しい例外を分析する。

「なぜAIが間違えたのか？」

「なぜ、この例外が発生したのか？」

「共通する条件は何か？」

を整理する。

そこから、

ルールを改善する。

プロンプトを変える。

マニュアルを変える。

前工程そのものを見直す。

すると翌月は、

AIが8,500件処理できるようになるかもしれません。

さらに改善して、

9,000件になる。

つまり、

仕事をすればするほど、業務そのものが良くなっていく。

私は、これがこれからのBPOの価値だと思っています。

では、

これからBPO会社を選ぶとき、

何を見ればいいのでしょうか。

私は、単価だけではなく、

例えば、

AIを使えるか。

例外を正しく判断できるか。

なぜそう判断したのかを説明できるか。

問題を分析できるか。

改善提案ができるか。

現場で得た知識を会社へ戻せるか。

こうした力を見る必要があると思っています。

つまり、

「何人いますか？」

ではなく、

「そのチームは、何を考えられますか？」

です。

さらに重要なのが、

Knowledgeが残るかどうか。

だと思っています。

BPO会社へ業務を出す。

毎月問題なく納品される。

一見すると、それで十分です。

でも5年経ったとき、

会社には何が残っているでしょうか。

もし、

作業した結果しか残っていなければ、

BPO会社を変更した瞬間、

また一から業務を教えなければなりません。

一方で、

例外事例。

判断理由。

顧客ごとの注意点。

AIの間違い。

改善履歴。

品質基準。

こうした情報まで蓄積されていれば、

それは、

企業のKnowledge

になります。

そして、

そのKnowledgeをAIにも戻す。

新しいメンバーの教育にも使う。

日本側の業務改善にも使う。

そうすれば、

アウトソーシングを使えば使うほど、

会社のノウハウが増えていく。

これは単なるコスト削減とは、まったく違う価値です。

私は、BPOの評価軸も変わると思っています。

これまでなら、

処理件数。
納期。
ミス率。
単価。
もちろん、これらも必要です。
でも今後は、
そこに、

AI精度はどれだけ上がったか。

例外はどれだけ減ったか。

改善提案はいくつ出たか。

属人化はどれだけ減ったか。

人材はどれだけ成長したか。

という指標が加わってくる。

つまり、

「どれだけ作業したか」ではなく、
「どれだけ仕事を良くしたか」

を評価するBPOです。

これは、ミャンマーBPOにとっても大きなチャンスだと思っています。

「日本より人件費が安い」
だけでは、

長期的な競争力にはなりません。

だから私たちは、

メンバーを、

Operator
↓
Evaluator
↓
Analyst
↓
Improver

へ育てていきたい。

最初は、

正確に作業できる。

次に、
AIや他のメンバーの成果を評価できる。
そして、
なぜ問題が起きたか分析できる。
最後には、
お客様の業務を改善できる。
ここまで成長すれば、

海外人材の価値は「安さ」ではなくなります。

そして日本側にも重要な役割があります。

ミャンマーチームだけですべてを判断するわけではありません。

日本側は、

顧客との関係。

業界特有の考え方。

品質基準。

最終判断。

改善設計。

を担う。

AIは大量処理。

ミャンマーチームは運用・評価・分析。

日本チームは品質・顧客・高度判断。

それぞれの強みを組み合わせる。

AI × Myanmar × Japan

です。

私は、アウトソーシングを、

「自社ではやりたくない仕事を外へ出すこと」

だけにしたくありません。

むしろ、

外部の力を使うことで、自社だけではできなかった改善を実現すること。

それが、本来のアウトソーシングの価値ではないでしょうか。

AI。

BPO。

KPO。

人材。

Knowledge。

これらを一つの仕組みとして設計する。

そして、

AIが賢くなる。
人が成長する。
業務が改善する。
会社にKnowledgeが残る。

そんな循環をつくる。

だから、

これからBPOを選ぶとき、

私は、

「一番安い会社はどこですか？」

だけではなく、

ぜひ、

「この会社と5年間仕事をしたら、自社は今より強くなっているだろうか？」

と考えてみてほしいと思います。

その答えが、
BPO会社を選ぶ新しい基準になるのではないでしょうか。
A CAN SOLUTIONSも、
日本品質 × ミャンマー人材 × AI

で、

単なる作業代行ではなく、

仕事をするほど、お客様の会社が強くなっていくBPO・KPO

を目指していきます。

安いBPOから、会社を強くするBPOへ。

AI時代のアウトソーシングは、ここから大きく変わっていくと思っています。

#生成AI #AI活用 #BPO #KPO #アウトソーシング #業務改善 #DX #人材育成 #HumanInTheLoop #LLMEvaluation #AIアノテーション #ミャンマー #AcanSolutions

[門 正仁 @kadoman78n]

【木曜日｜BPOからKPOへ──作業するチームから、考えるチームへ】

AIが仕事をするようになると、

BPOの仕事はなくなるのでしょうか？

私は、むしろ逆だと思っています。

ただし、

BPOに求められる仕事の「レベル」は変わる。

そう考えています。

これまでBPOで重要だったのは、

決められた手順を守る。

正確に入力する。

大量のデータを処理する。

納期を守る。

品質を安定させる。

こうした、

「決められた仕事を、正確に行う力」

でした。

もちろん、これは今後も大切です。

でも、AIがこの領域をどんどん担当するようになると、人に残る仕事は変わってきます。

例えば、1,000件のデータ処理がある。

これまでなら、人が1,000件処理していた。

AIを導入すると、

900件をAIが処理できるようになるかもしれません。

すると、人が見るのは残り100件。

でも、その100件は簡単ではありません。

AIが判断できなかった。

通常ルールでは処理できなかった。

過去事例を確認する必要がある。

顧客固有の条件がある。

何か違和感がある。

つまり、

簡単な仕事ほどAIへ移り、
難しい仕事ほど人に残る。
ということが起きます。

昨日書いた、

「例外処理こそ、これからのBPOの価値になる」

という話にもつながります。

では、その100件を人が処理して終わりでいいのか。

私は、ここからもう一段進めたいと思っています。

例えば、

AIが間違えた。

人が正しい答えに修正する。

ここまでなら、

BPO

です。

でも、

「なぜAIは間違えたのか？」

「この100件に共通点はないか？」

「どの条件で間違いが増えるのか？」

「ルールを変えれば減らせないか？」

「プロンプトを改善できないか？」

「そもそも業務フローを変えられないか？」

まで考える。

ここから、

KPO

になっていきます。

私は、BPOとKPOの違いを、

単純に、

BPO＝単純作業
KPO＝難しい仕事

とは考えていません。
むしろ、

BPOは「安定して運用する力」

そして、

KPOは「運用から学び、改善する力」

だと考えています。

この二つは対立するものではありません。

BPOで日々仕事をしているからこそ、

例外が見える。

ミスの傾向が見える。

お客様ごとの違いが分かる。

非効率な工程に気づく。

そして、その現場の情報をKPOにつなげる。

だから、

BPO → KPO

は、自然な進化なのだと思います。

例えば毎月、同じ例外が30件発生している。

これまでなら、

毎月30件、人が対応する。

それで業務は完了します。

でもKPOの視点なら、

「なぜ毎月30件発生するのか？」

を考える。

原因を調べる。

すると、

入力方法に問題があるかもしれない。

マニュアルが分かりにくいのかもしれない。

AIへの指示が足りないのかもしれない。

そもそも前工程を変えれば、例外自体をなくせるかもしれない。

そして改善する。

翌月、

30件が10件になる。

さらに改善して、

5件になる。

これが、

「作業する会社」と「改善する会社」の違い

だと思っています。

そして、この変化は人材育成にも大きく関係します。

これまでなら新人に、

「この作業は、この手順でしてください」

と教える。

これからは、それだけでは足りません。

「なぜ、この手順なのか？」

「どこを見て判断するのか？」

「通常と違う場合、何に気づくべきか？」

「もっと良い方法はないか？」

まで考えてもらう。

人材を、

Operator
↓
Evaluator
↓
Analyst
↓
Improver

へ育てていく。

最初は作業する人。
次に、正しいか評価できる人。
そして、原因を分析できる人。
最後は、
仕事そのものを改善できる人。
ここまで成長できれば、AI時代でも人の価値はむしろ高くなります。
これは、私たちがミャンマーで10年以上、人材と仕事をしてきた中でも大切にしてきたことです。

私は、メンバーに単に、

「言われた通りにやってください」

だけを求めたくありません。

なぜ？

何かおかしくない？

相手はどう思う？

次に何が起きる？

もっと良くできない？

こうした問いを持てる人材を育てたい。

AIが普及すればするほど、この力は重要になると思っています。

そして海外BPOも、

「安い人件費で作業する場所」

という考え方から変わっていく必要があります。

AIが大量処理する。

ミャンマーチームが評価・確認する。

例外を記録する。

その理由を分析する。

日本側が顧客・業界・品質の視点を加える。

改善策を考える。

そしてAIや業務へ戻す。

AI
↓
BPO
↓
KPO
↓
Knowledge
↓
AI

この循環を回す。

そうすると、

AIの精度が上がる。

例外が減る。

業務品質が上がる。

人材が成長する。

会社にKnowledgeが残る。

つまり、
仕事をすればするほど、チームと会社が賢くなる。
そんなアウトソーシングが可能になります。
私は、これからのBPO会社に必要なのは、
「何人いますか？」
だけではないと思っています。
「その人たちは、何を考えられますか？」
そして、
「日々の仕事から、どんな改善を生み出せますか？」

が重要になる。

AI時代だからこそ、

人には人にしかできない、

気づく。
考える。
判断する。
説明する。
改善する。

という仕事を任せる。

A CAN SOLUTIONSも、

日本品質 × ミャンマー人材 × AI

で、

「作業するチーム」から「考え、改善できるチーム」へ。

BPOからKPOへ、人材とサービスの両方を進化させていきたいと思います。

#生成AI #AI活用 #BPO #KPO #業務改善 #アウトソーシング #人材育成 #AI人材 #HumanInTheLoop #LLMEvaluation #ミャンマー #AcanSolutions

[門 正仁 @kadoman78n]

【水曜日｜例外処理こそ、これからのBPOの価値になる】
昨日、

「AIに任せる仕事、人に任せる仕事をどう決めるか」

という話を書きました。

例えば100件の仕事があって、

80件をAIが処理できる。

残り20件を人が確認する。

AI導入では、

「80％自動化できた」

という数字に目が向きがちです。

もちろん、80％を自動化できたことには大きな価値があります。

でも私は最近、

残った20％の方が、実は重要なのではないか。

と考えています。

なぜなら、その20％には、

「なぜAIでは判断できなかったのか？」

という情報が詰まっているからです。

例えば請求書をAIで処理するとします。

100件のうち90件は問題なく処理できた。

でも10件だけ、人の確認が必要になった。

その理由を見てみると、

「いつもの書式と違う」

「数字は合っているけれど、過去の取引と比べるとおかしい」

「この取引先だけ処理ルールが違う」

「備考欄の内容まで読まないと判断できない」

「金額によって承認ルートが変わる」

といったケースが出てくる。

こういうものは、

単なる、

「AIの間違い」

ではありません。

むしろ、

会社が長年仕事をする中で身につけてきた判断基準

なのだと思います。

これまで、この判断は多くの場合、

ベテラン社員の頭の中にありました。

「この場合はこうする」

「このお客様の場合は確認する」

「数字は合っているけど、なんとなくおかしい」

こうした判断です。

そして非常に興味深いのは、

本人に、

「なぜそう判断したのですか？」

と聞くと、

すぐには説明できないことも多いことです。

長年の経験によって、

無意識に判断しているからです。

私は、これこそ企業の大切なノウハウだと思っています。

AIが仕事をするようになると、

この「暗黙の判断」が表に出てきます。

AIが間違える。

人が直す。

そこで終わらず、

「なぜ直したのか？」

を記録する。

すると、

人の頭の中にあった判断が、

少しずつ言葉になります。

例えば、

AIの回答：A

↓

人の判断：B

↓

理由：この取引先では○○の場合、Bとして処理する

ここまで残せば、

単なる修正履歴ではありません。

Knowledgeです。

だから私は、

AI導入では、

「正しく処理できた90件」だけを見るのではなく、
「人が修正した10件」を大切にした方がいい
と思っています。

その10件を集める。

分類する。

なぜ間違えたのかを見る。

人は何を見て判断したのかを聞く。

共通点を探す。

すると、

会社の仕事の「本当のルール」が見えてきます。

ここでBPOの役割も変わります。

これまでなら、

BPO＝決められたルール通りに大量処理する

ことが重要でした。

もちろん、これからも正確な運用は必要です。

でもAIが大量処理を担当するようになると、

BPO側に残る仕事は、

「普通ではないケース」

が増えていきます。

つまり、

例外処理です。

AIが処理できなかった。

通常ルールでは判断できない。

過去事例を確認する必要がある。

顧客ごとの条件がある。

人の判断が必要になる。

こうしたケースを、

ただ人が処理して終わるのではなく、

記録する。
分類する。
理由を残す。

ここまでがBPO。
さらに、
なぜ発生したのか？
共通する条件は何か？
ルールを変えられないか？
AIに判断させる方法はないか？
業務そのものを変えられないか？

まで考える。

ここからがKPOです。

つまり、
BPO
＝例外を正しく処理する
から、
KPO
＝例外から改善を生み出す
へ。

この流れが重要になってくると思っています。

例えば、毎月1,000件の処理があるとします。

AIが900件を処理。

人が100件を確認。
その100件を分析すると、

実は、

30件は同じ理由。
20件も別の同じ理由。

15件もまた同じパターン。

だったとします。

すると、

100種類の例外があるわけではありません。

実際には、

いくつかの「例外パターン」

なのかもしれません。

そこまで分かれば、

ルールを追加する。

プロンプトを変更する。

参照データを追加する。

ワークフローを変える。

次の月には、

AIが950件処理できるかもしれません。

そして残った50件を、また分析する。

900
↓
950
↓
970

と改善していく。

これが、

AI × BPO × KPO

の面白いところだと思っています。

ただし、私は最終的な目標を、

「AI化率100％」

にする必要はないと思っています。

人が判断した方がいい仕事はあります。

責任を伴う判断。
顧客との関係を考える判断。
倫理的な判断。
複雑な例外。
最終承認。

そうした仕事まで、無理にAIへ渡す必要はありません。

重要なのは、

AIにできることを増やすことではなく、
AIと人の最適な境界を見つけること。

です。

そして、この考え方は人材育成にもつながります。

例外処理をする人に、

「正解だけ教える」

のではなく、

なぜ？

を考えてもらう。

なぜAIは間違えたのか。

なぜ自分は違うと思ったのか。

何を見て判断したのか。

次からどうすればいいのか。

これを繰り返すことで、

人は、
Operator
↓
Evaluator
↓
Analyst
↓
Improver

へ成長していく。

単純作業をする人から、

仕事を理解し、改善できる人

へ変わっていきます。

これは、私たちがミャンマーで人材を育成していく上でも、とても重要な考え方です。

AIが普及すると、

「人の仕事がなくなる」

と言われます。

私は少し違うと思っています。

普通の仕事をAIが担当するようになるほど、
人には「普通ではない仕事」が残る。

そして、その「普通ではない仕事」の中に、

会社固有のノウハウや、

顧客への理解や、

長年積み重ねてきた経験があります。
だから、
例外は邪魔なものではない。
例外は、
会社を賢くするためのデータ
なのだと思います。
AIが処理する。

人が例外を判断する。

BPOが記録する。

KPOが分析する。

Knowledgeとして残す。

そして、もう一度AIと業務へ戻す。

AI
↓
Human / BPO
↓
Exception
↓
KPO
↓
Knowledge
↓
AI

この循環をつくる。

これからのBPO会社に必要なのは、

「何件処理できるか」だけではなく、
「例外から、どれだけ改善を生み出せるか」

なのかもしれません。
A CAN SOLUTIONSも、

日本品質 × ミャンマー人材 × AI

で、作業を代行するだけではなく、

仕事をするほどKnowledgeが蓄積され、業務そのものが良くなっていくBPO/KPO

をつくっていきたいと思います。

#生成AI #AI活用 #BPO #KPO #業務改善 #業務効率化 #DX #HumanInTheLoop #LLMEvaluation #AIアノテーション #ナレッジマネジメント #ミャンマー #AcanSolutions

[門 正仁 @kadoman78n]

【火曜日｜AIに任せる仕事、人に任せる仕事をどう決めるか】
AIを導入すると、よく出てくる質問があります。

「この仕事はAIに任せられますか？」

もちろん、とても大切な質問です。

でも私は最近、少し違う聞き方をした方がいいのではないかと思っています。

それは、

「この仕事の、どこまでをAIに任せるべきか？」

です。

AIか、人か。

どちらか一方を選ぶ必要はありません。

むしろこれから重要になるのは、

AIと人の仕事を、どう分けるか。

だと思っています。

例えば、100件の書類を確認する仕事があるとします。

これまでなら、

人が100件すべて確認する。

これが普通でした。

生成AIやOCR、画像認識などを組み合わせれば、

AIが書類を読み取り、

必要な情報を抽出し、

分類し、

チェックし、

異常と思われるものだけを人に渡す。

そんな業務設計ができるようになっています。

仮に100件のうち、

80件をAIが処理し、20件を人が確認する。

これだけでも、人の仕事量は大きく変わります。

でも、私はここで、

「AI化率80％を達成しました」

だけで終わってはいけないと思っています。

大切なのは、

残った20％は、なぜ人の判断が必要だったのか？

を見ることです。

AIに向いている仕事には、ある程度共通点があります。

ルールが明確。

大量に発生する。

繰り返しが多い。

正解のパターンを定義しやすい。

データとして扱える。

こうした仕事は、AIとの相性が非常に良い。

一方、人に残りやすい仕事は、

例外が多い。

背景を理解する必要がある。

相手の意図を考える必要がある。

過去の経緯を踏まえる必要がある。

正解が一つではない。

最終的な責任を伴う。

こうした仕事です。

つまり、

AIは「処理」が得意で、
人は「判断」が得意。
と考えると、業務を整理しやすくなります。

ただし、もう一つ重要なことがあります。

今日AIにできない仕事が、

ずっと人の仕事とは限らない

ということです。

例えば、AIがある仕事で80％まで処理できたとします。

残り20％を人が確認する。

そのとき、

ただ修正して終わるのではなく、

「なぜAIでは判断できなかったのか？」

「人は何を見て判断したのか？」

「このケースに共通する条件は何か？」

を記録していく。

すると、

人が判断した20％が、次のAI改善データになります。

そして、

80％
↓
85％
↓
90％

とAIが担当できる範囲が広がっていく可能性があります。
ここで重要なのは、
AIが人の仕事を奪っているわけではない
ということです。
AIが担当できる範囲が広がるにつれて、

人は、

処理する仕事

から、

評価する仕事

へ。

さらに、

分析する仕事

へ。

そして、

改善する仕事

へ移っていく。

私は、これからのAI導入では、

業務を丸ごとAI化しようとしないこと

も重要だと思っています。

例えば一つの業務を、

① 読む
② 抽出する
③ 分類する
④ 判断する
⑤ 確認する
⑥ 顧客へ返す

というように細かく分解してみる。

すると、

①〜③はAI。

④はAI＋人。

⑤はBPO。
難しい例外はKPO。
⑥は最終確認後に自動化。
というように、
AI × Human × BPO × KPO
で役割を設計できます。

この考え方は、海外BPOでも非常に重要です。

これまで海外BPOでは、

「この業務を全部ミャンマーへ移管する」

という考え方が中心でした。

これからは、

「この工程はAI」
「ここはミャンマーチーム」
「ここは日本側」

と分けて考える。

例えば、

AI
→ 大量処理・一次生成・分類

ミャンマーチーム
→ 確認・評価・修正・一次QA

日本チーム
→ 顧客判断・高難度例外・品質基準・改善設計

という役割分担です。

すると海外BPOは、

単なる「作業移管」ではなく、

AIを含めた業務再設計

になっていきます。
そして、ここで私が一番大切だと思っていることがあります。
最初から完璧な役割分担をつくらなくていい。

ということです。

まずAIにやらせてみる。

人が確認する。
間違いを集める。

理由を分析する。
AIに戻す。

もう一度やってみる。
この繰り返しで、

AIに任せる範囲と、人が判断する範囲を少しずつ変えていけばいい。

AI導入は、

「AIに任せる仕事を決めるプロジェクト」

というより、

「AIと人の最適な役割分担を探し続けるプロジェクト」

なのかもしれません。

私たちA CAN SOLUTIONSも、

AIですべてを自動化することを目指しているわけではありません。

AIに任せた方がいい仕事はAIへ。

人が見た方がいい仕事は人へ。

大量の確認や安定運用はBPOへ。

分析・判断・改善はKPOへ。

そして、人の判断をKnowledgeとして残し、またAIへ戻す。

AI
↓
Human / BPO
↓
KPO
↓
Knowledge
↓
AI

この循環をつくる。

そうすることで、

AIの精度が上がる。

人の仕事の価値も上がる。

会社にノウハウが残る。

そして、業務そのものが少しずつ良くなっていく。

AI時代に重要なのは、

「人をAIに置き換えること」ではなく、
「AIによって、人がより価値の高い仕事に集中できる仕組みをつくること」。

私は、そう考えています。

AIか、人か。ではない。

AIに何を任せ、人に何を残すのか。

そして、

その境界を、運用しながら進化させ続けられるか。

これからのAI活用、そしてBPO/KPOでは、この設計力が大きな差になるのではないでしょうか。

#生成AI #AI活用 #業務効率化 #業務改善 #DX #BPO #KPO #アウトソーシング #HumanInTheLoop #AIアノテーション #LLMEvaluation #ミャンマー #AcanSolutions