AI活用はどこから始める？費用対効果と難易度で発注テーマを選ぶ

「AIで何ができるか」は、もう十分に分かっている——多くの発注担当者が、いまこの段階にいます。社内ブレストや情報収集を重ねて、「問い合わせ対応の自動化」「需要予測」「帳票入力の自動化」「レポート作成の効率化」と、AIでできそうな候補は5個も10個もリストアップできました。けれど、ここで手が止まります。予算も人手も限られていて、最初に発注できるのは、現実的には1テーマだけだからです。

しかも社内の要望はバラバラです。営業部は「問い合わせ対応を自動化したい」、経営層は「需要予測をやろう」、現場は「まず帳票入力をなんとかしてほしい」。それぞれが自分の困りごとを口にするなかで、優先順位を決める会議は、いつのまにか「声の大きい人」や「とりあえず流行りの生成AIで」という空気で進みかけています。何を根拠に1つ目を選べばいいのか、説明できる物差しが手元にありません。

ここで間違ったテーマを最初に選んでしまうと、痛手は単なる一件の失敗にとどまりません。「やっぱりAIは使えなかった」という空気が社内に広がり、二度目のチャンス——つまり次の予算——が取れなくなる。最初の1テーマ選びは、それくらい重い意思決定です。

この記事では、複数のAI活用候補から「どの業務を最初に発注すべきか」を、費用対効果×実現難易度の2軸でスコアリングして選ぶ意思決定フレームを解説します。失敗しやすいテーマを着手前に機械的に外す「逆フィルタ」、自社の候補を並べ替える優先順位マトリクスの記入例、そして選んだテーマを確実に成功させるスモールスタートの段取りまで、「最初は◯◯業務から、理由はこの2軸でスコアが高いから」と社内に説明できる基準を提示します。

なお、本記事は「どんなAI活用の型があるか」を一覧するカタログでも、「投資対効果をいくらと見積もるか」を数字で詰める稟議書づくりでもありません。その2つの工程の“間”にある、「複数の候補から最初の1つをどう選ぶか」という選定そのものに焦点を当てます。

AI活用は「何ができるか」より「どれから発注するか」で決まる

AI活用プロジェクトでつまずく企業の多くは、技術選びや発注先選びの前段階——「そもそも、どの業務を最初の対象にするか」の選定でつまずいています。候補は出そろっているのに最初の1つを選べない、という手詰まりです。

なぜ「最初の1テーマ」選びでつまずくのか

候補が1つしかなければ悩む必要はありません。難しいのは、候補が複数あって、それぞれ「やる意味はありそう」に見えるからです。問い合わせ対応の自動化にも、需要予測にも、帳票入力の自動化にも、それぞれ別の部署の切実な困りごとが乗っています。どれも「やったほうがいい」ように見えるため、効果の大きさだけを比べても決め手になりません。

さらに厄介なのは、候補ごとに「発注して本当に形になるかどうか」の難しさが大きく違う点です。たとえば「過去のメール文面をもとに問い合わせ返信の下書きを作る」のと、「精度の高い需要予測モデルを構築する」のとでは、必要なデータ量も、求められる精度も、関係する部署の数もまったく異なります。効果の見立てと実現の難しさ、この2つを同じテーブルの上で比べられないと、判断は「印象」と「声の大きさ」に流れてしまいます。

1つ目の失敗が「AI不信」を生む——だから選定基準が要る

最初のAIプロジェクトが期待した成果を出せないと、その影響は技術的な失敗にとどまりません。「結局AIって使えないよね」という空気が社内に残り、次にAI活用を提案しても「前もやってダメだったでしょう」と通らなくなります。

実際、AI・データ活用プロジェクトの多くがビジネス成果に結びつかないまま終わるという指摘は、各種の調査で繰り返し報告されています（たとえばBCGの調査では、AIで明確な価値を得られている企業は一部にとどまると報告されています）。失敗の要因はモデルの精度そのものよりも、「そもそも取り組むテーマの選定」や「目的・指標の不明確さ」にあるケースが少なくありません。

だからこそ、最初の1テーマは「説明できる基準」で選ぶ必要があります。基準があれば、たとえ社内の誰かの要望を後回しにする場合でも、「この2軸で比べた結果、今回は◯◯を優先します」と理由を示せます。逆に基準がなければ、選定そのものが政治的な綱引きになり、選んだ後も「なんであっちじゃなくこっちなんだ」という不満がくすぶり続けます。

本記事の物差し＝費用対効果×実現難易度の2軸

本記事で使う物差しは、たった2つの軸です。

• 費用対効果（リターンの大きさ）: そのテーマを実現できたとき、どれだけの工数削減・ミス削減・機会損失の回復が見込めるか
• 実現難易度（発注して形になりやすいか）: ベンダーに発注したとき、データの有無・既存システム連携・要件の明確さなどから見て、どれだけスムーズに成果が出せそうか

「効果が大きくて、かつ実現しやすい」テーマほど、最初の1つに向いています。逆に「効果は大きいが実現が難しい」テーマを1つ目に選ぶと、成果が出るまでに時間がかかり、その間に社内の期待が冷めてしまうリスクがあります。

このあとの章では、まずスコアリングの前に「そもそも最初に選んではいけない地雷テーマ」を機械的に外す逆フィルタを紹介し、次に2つの軸それぞれの見立て方、最後に候補をマトリクスに並べて1テーマを確定する流れを解説します。AI活用にどんな型があるかをまだ整理しきれていない場合は、先にAI開発の活用パターン5類型で候補の全体像をつかんでおくと、本記事の選定がスムーズになります。

優先順位づけの前に——「先に外すべき」地雷テーマを除く逆フィルタ

スコアリングに入る前に、やっておくべき作業があります。それは「最初の1テーマには向かない候補」を先に落とすことです。点数をつけて並べ替える前に、明らかに地雷になりやすいテーマを機械的に除いておくと、限られた検討時間を有望な候補に集中できます。

ここでは、発注に向かない候補を落とすための3つの逆フィルタを紹介します。3つのうち1つでも引っかかるテーマは、少なくとも「最初の1つ」としては見送る、という使い方をします。

効果を数値で測れないテーマは最初に選ばない

最初のテーマでもっとも大切なのは、「うまくいったかどうかを後から示せること」です。なぜなら1つ目の役割は、技術的な成果そのもの以上に、「AIは自社でも役に立つ」という事実を社内に示し、次の予算を引き出すことにあるからです。

そのため、効果を数字で語れないテーマは、どれだけ魅力的に見えても最初は避けます。たとえば「社内の雰囲気をよくする」「なんとなく業務をスマートにする」といった曖昧な目的のテーマは、成功か失敗かを判定できません。判定できなければ、社内に成果を示せず、次につながりません。「削減できた時間」「減ったミスの件数」「短くなった処理日数」のように、ビフォーアフターを数えられるテーマを優先します。

もとになるデータが無いテーマは後回し

AIの多くは、過去のデータからパターンを学んだり、既存の文書を参照したりして動きます。つまり、判断のもとになるデータが社内に十分なければ、そもそも成立しません。

たとえば需要予測は、過去の販売実績が一定期間ぶん蓄積されていて初めて精度が出ます。問い合わせ対応の自動化も、過去の問い合わせと回答の履歴が残っていれば作りやすくなりますが、記録がほとんど残っていなければ難易度が跳ね上がります。「やりたいこと」は明確でも「学習や参照のもとになるデータ」が手元にないテーマは、データを整える準備期間が必要になるため、最初の1つには不向きです。データ量が少ない場合にどこまで発注できるかは、後述の「よくある質問」でも触れます。

要件が現場で割れているテーマは先に合意形成

3つ目のフィルタは、社内の合意状況です。「何をどうしたいか」が現場で割れているテーマを最初に発注すると、ベンダーに渡す要件そのものが定まらず、開発が空中分解しやすくなります。

たとえば「レポート作成を自動化する」と言っても、A部署が欲しいレポートとB部署が欲しいレポートが別物なら、それは実質2つの別プロジェクトです。こうしたテーマは、発注前に「最初はどの範囲を対象にするか」を社内で合意しておかないと、要件が膨らみ続けて費用も期間も読めなくなります。要件が割れているテーマは、合意形成を済ませてから改めて候補に戻す——この順番を守るだけで、最初の1テーマの失敗確率は大きく下がります。

第1軸「費用対効果」の見立て方——発注前に効果のあたりをつける

逆フィルタを通過した候補について、いよいよ点数をつけていきます。まずは第1軸の「費用対効果」です。

ここで大切なのは、精緻なROI（投資対効果）の計算をこの段階でやろうとしないことです。候補が複数ある段階で全部について厳密な金額計算をするのは現実的ではありませんし、必要もありません。この章でやるのは、候補同士を「相対的に」並べ替えるための、ざっくりとした効果の見立てです。選んだテーマについて発注前に厳密なROIを算出する方法は、AI導入のROI・費用対効果の測り方で別途解説しています。本記事は、その算出の手前——「どのテーマを俎上に載せるか」までを扱います。

効果の大きさは「頻度×1回あたりの負荷」で見る

効果のあたりをつける一番シンプルな方法は、「その業務がどれくらいの頻度で発生し、1回あたりどれくらいの手間がかかっているか」を掛け合わせることです。

毎日何十回も発生する作業を少し楽にするほうが、月に1回しか発生しない作業を完全自動化するよりも、トータルの削減効果は大きくなります。たとえば、1日50件来る定型的な問い合わせに1件5分かけているなら、それだけで1日約4時間、月20営業日で80時間分の負荷です。一方で、月1回の集計作業に2時間かかっているなら削減余地は月2時間。同じ「自動化」でも、効果の桁が違います。まずは候補ごとに「頻度」と「1回あたりの負荷」をざっくり書き出し、その積を比べてみてください。

加えて、工数削減だけでなく「ミスを減らせるか」「取りこぼしていた機会を拾えるか」も効果に含めます。手作業の入力ミスが減れば手戻りや顧客対応のコストが下がりますし、問い合わせへの初動が速くなれば失注を防げることもあります。

効果が測りやすいテーマほど1つ目に向く

費用対効果の軸では、効果の「大きさ」だけでなく「測りやすさ」も評価に加えます。これは逆フィルタとも重なる視点ですが、スコアリングでも改めて重みを置きます。

理由は同じで、最初の1テーマは社内に成果を示せることが最優先だからです。効果が大きくても、それを数字で示しにくいテーマより、効果はそこそこでも「処理時間が30%短くなった」とはっきり言えるテーマのほうが、1つ目としては価値があります。効果の大きさが横並びで迷ったときは、測りやすいほうを上に置く——これを判断のルールにしておくと、選定がぶれません。

費用対効果の採点質問（3段階の例）

候補を相対評価するために、各候補について次の質問に3段階（2点／1点／0点）で答え、合計点を出します。点数の絶対値に意味はありません。あくまで候補同士を並べ替えるための物差しです。

4問の合計（0〜8点）が、その候補の「費用対効果スコア」です。点数が高いほど、効果が大きく、かつ示しやすいテーマだと判断できます。

第2軸「実現難易度」の見立て方——発注して形になりやすいか

第2軸は「実現難易度」です。これは、ベンダーに発注したときに、どれだけスムーズに成果が形になりそうかを表します。効果が大きくても、実現が極端に難しいテーマを1つ目に選ぶと、成果が出るまでに時間がかかり、その間に社内の期待が冷めてしまいます。

実現難易度は「やってみないと分からない」と思われがちですが、発注前にある程度は見立てられます。難易度を左右する要素を分解して、候補ごとにチェックしていきましょう。

データ・既存システム・要件の3点が難易度を決める

実現難易度を大きく左右するのは、次の3点です。

• データの有無と質: 学習や参照のもとになるデータが、どれくらいの量・どれくらいきれいな状態で社内にあるか。記録がバラバラの形式で散らばっていると、整える工数がかかり難易度が上がります
• 既存システムとの連携要否: 基幹システムや業務システムとデータをやり取りする必要があるか。既存システムにつなぐ作業は、データを単発で読み込ませるだけの構成より手間がかかります。AIで扱う前段として「AIの種類と使い分け」も押さえておくと、どの方式が必要かのあたりがつけやすくなります（AIの種類と使い分け）
• 要件の明確さ: 「何を入力して、何を出力したいか」がはっきりしているか。要件が曖昧なほど、開発途中での手戻りが増え、費用と期間が読めなくなります

この3点がいずれも整っているテーマ——データがあり、既存システムとの連携が最小限で、要件が明確——は、発注して形になりやすく、最初の1つに向いています。

精度要求と関係部署の数が難易度を押し上げる

上の3点に加えて、難易度を静かに押し上げる2つの要素があります。

1つは「求められる精度の高さ」です。たとえば、社内向けの下書き生成のように「人間が最後にチェックする前提」なら多少の誤りは許容できますが、顧客に直接届く出力や、金額・在庫に直結する予測のように「外すと損害が出る」用途は、求められる精度が一段高くなります。精度のハードルが上がるほど、開発・検証の難易度も上がります。

もう1つは「関わる部署の数」です。1つの部署で完結するテーマは、要件の合意も運用の定着もスムーズですが、複数部署にまたがるテーマは、要件のすり合わせだけで時間がかかり、運用開始後も「誰が使うのか」「誰が責任を持つのか」が曖昧になりがちです。最初の1テーマは、なるべく関係部署が少なく、完結しやすいものを選ぶのが安全です。

実現難易度の採点質問（3段階の例）

費用対効果と同じく、実現難易度も3段階で採点します。ここでは「難しいほど低い点」になるように設計し、点数が高い＝発注して形になりやすい、と読めるようにします。

5問の合計（0〜10点）が、その候補の「実現しやすさスコア」です。点数が高いほど、発注してスムーズに形になりやすいテーマだと判断できます。

2軸スコアリングで候補を並べ替える——優先順位マトリクスの作り方

費用対効果スコアと実現しやすさスコアが出そろったら、いよいよ候補を1枚のマトリクスに並べます。縦軸に「費用対効果（リターンの大きさ）」、横軸に「実現しやすさ」を取り、各候補をその交点にプロットします。これで、バラバラだった社内の要望が、一目で序列の見える1枚の図になります。

2軸マトリクスの4象限の読み方

2つの軸で区切ると、マトリクスは4つの象限に分かれます。それぞれの読み方は次のとおりです。

基本の考え方はシンプルです。「効果が大きく、実現もしやすい」最優先象限に入った候補が、最初の1テーマの最有力です。ここに複数の候補が入った場合は、前章までのスコアの合計が高いものを選びます。

迷いやすいのは、最優先象限に候補が入らなかったときです。その場合は2つの選択肢があります。1つは、効果は大きいが難しい「分割発注」のテーマを、範囲をうんと小さく区切って着手する方法。もう1つは、効果は小さいが確実に成功できる「クイックウィン」で、まず社内に成功体験をつくる方法です。1つ目で何より避けたいのは失敗による社内のAI不信なので、確実性を優先するならクイックウィンから入るのも有効な戦略です。

サンプル候補を当てはめた記入例

イメージをつかみやすいよう、冒頭で挙げた4つの候補を採点してみます（数値はあくまで一例です。自社の状況で点数は変わります）。

この例では、「問い合わせ対応の自動化（過去の対応履歴をもとにした下書き生成）」が、効果も大きく実現もしやすい最優先象限に入りました。過去の問い合わせ履歴というデータがあり、人がチェックする前提なので精度のハードルも現実的、関わる部署も限定的——という条件が揃うためです。

一方、需要予測は効果は大きい（経営インパクトが大きい）ものの、求められる精度が高く、データの整備や既存システム連携も必要なため、実現しやすさが低くなりました。これは「分割発注」、つまり一部の商品カテゴリや一部の拠点に絞って小さく始める対象です。レポート作成は複数部署の要望が割れているため、逆フィルタの段階で「要件合意が先」として一度外れます。各候補が具体的にどんな業務になるかは、AIの活用事例（業種別）も参考になります。

「最初の1テーマ」を確定する判断の流れ

ここまでをまとめると、最初の1テーマを確定する流れは次のようになります。

1. 候補を5個前後リストアップする
2. 逆フィルタ（効果が測れない／データが無い／要件が割れている）に引っかかる候補を外す
3. 残った候補に費用対効果スコア・実現しやすさスコアをつける
4. マトリクスにプロットし、最優先象限の候補を選ぶ（複数あれば合計スコアが高いもの）
5. 最優先象限が空なら、クイックウィンか、分割発注（範囲を絞った着手）を選ぶ

この流れで選べば、最終的に「最初は◯◯業務から。理由は、効果が大きく数字で示せて（費用対効果スコア◯点）、データも揃っていて発注して形になりやすい（実現しやすさスコア◯点）から」と、誰に対しても同じ言葉で説明できます。選定そのものが社内説明の根拠になる——これが2軸スコアリングの最大の利点です。

選んだテーマを「失敗しにくい発注」にする段取り

最初の1テーマが決まったら、次は「そのテーマを失敗させない発注」の段取りです。せっかく良いテーマを選んでも、発注のしかたを誤ると、1つ目の成功確率は下がってしまいます。ここでは、成功確率を上げるための3つの段取りを紹介します。

スモールスタート（PoC）で1つ目の範囲を絞る

最初の発注は、いきなり全社・全業務に広げず、小さく区切って始めるのが鉄則です。これは一般に「PoC（概念実証）」や「スモールスタート」と呼ばれる進め方で、限定した範囲でまず動くものを作り、効果と実現性を確かめてから広げます。

たとえば問い合わせ対応の自動化なら、「全種類の問い合わせ」ではなく「もっとも件数の多い数パターンの問い合わせだけ」に絞る。需要予測なら「全商品」ではなく「主力の1カテゴリだけ」に絞る。範囲を小さくすると、費用も期間も抑えられ、失敗したときの傷も浅く済みます。そして小さくても成功すれば、それが次の予算を取るための実績になります。

発注前に成功指標を1つ決めておく

発注の前に、必ず「何をもって成功とするか」を1つ決めておきます。指標が曖昧なまま発注すると、納品されたものが「成功なのか失敗なのか」を判定できず、せっかくの成果を社内に示せません。

指標は欲張らず、1つに絞るのがコツです。「問い合わせの初回対応時間を平均◯分から◯分に短縮する」「帳票入力の手作業時間を週◯時間から◯時間に削減する」のように、ビフォーアフターを数字で言える指標を、発注前に関係者で合意しておきます。この成功指標が、後の効果測定や次のROI算出の出発点にもなります。具体的な数値の組み立て方はAI導入のROI・費用対効果の測り方を参照してください。

ベンダーへの伝え方（目的・データ・成功指標をセットで）

発注先のベンダーには、「やりたいこと」だけを伝えるのではなく、「目的・データ・成功指標」の3点をセットで伝えます。

• 目的: なぜこの業務をAI化したいのか（何を解決したいのか）
• データ: 学習・参照のもとになるデータが、どんな形式でどれくらいあるか
• 成功指標: 何をもって成功とするか（前項で決めた1つの指標）

この3点が揃っていると、ベンダーは現実的な提案や見積もりを出しやすくなり、認識のズレによる手戻りも減ります。逆に「AIで問い合わせ対応をなんとかしたい」とだけ伝えると、ベンダーも要件を探り探り進めることになり、費用も期間も膨らみがちです。どんなベンダーに頼めばよいか、選定の観点についてはAI開発会社の選び方も参考にしてください。

よくある質問（FAQ）

最後に、最初のAI発注テーマを選ぶ場面でよく挙がる疑問にお答えします。

AI活用は結局どの業務から始めるのが無難ですか？

無難なのは、「効果を数字で測りやすい定型業務」です。毎日繰り返し発生し、手作業の負荷が大きく、ビフォーアフターを時間や件数で示せる業務は、最初の1テーマに向いています。問い合わせ対応の下書き生成や帳票入力の自動化などが典型例です。どんな型の活用があるかをまだ整理しきれていない場合は、AI開発の活用パターン5類型で候補の全体像をつかんでから本記事の選定に進むと、抜け漏れなく候補を出せます。

自社にデータが少なくてもAIは発注できますか？

データが少ない場合でも、発注できるテーマはあります。たとえば、社内に大量の過去データがなくても、一般的な文書や問い合わせ文面をもとに下書きを作るような用途は、社内データへの依存が比較的小さく着手しやすい傾向があります。一方、需要予測のように「自社の過去実績」が精度のカギを握るテーマは、データが乏しいと難易度が跳ね上がります。データ要件が薄い候補から検討するのが現実的です。需要予測の前提については需要予測AIとはで詳しく解説しています。

費用対効果（ROI）はどう数字にすればいいですか？

本記事で扱ったのは「どのテーマを俎上に載せるか」という選定までで、選んだテーマの厳密なROIを数字にする工程はその次のステップです。削減できる工数の金額換算、導入・運用コストの見積もり、回収期間の考え方などはAI導入のROI・費用対効果の測り方で具体的に解説しています。本記事のスコアリングで選んだ1テーマについて、稟議に向けた数字を組み立てる際に参照してください。

どんなAI開発会社に頼めばいいですか？

テーマが決まったら、次はそのテーマを形にできるベンダー選びです。実績の分野、データやセキュリティの扱い、スモールスタートに付き合ってくれるか、といった観点で見極めます。選定の具体的なチェックポイントはAI開発会社の選び方にまとめています。

まとめ——「説明できる基準」で選べば、最初のAI発注は前に進む

AI活用の最初の1テーマ選びは、「何ができるか」を知ることよりも、「複数の候補からどれを選ぶか」のほうがずっと難しい——多くの発注担当者がここでつまずきます。声の大きい人や流行りで決めてしまい、1つ目で失敗して社内のAI不信を招く、というパターンを避けるために、本記事では2つの道具を紹介しました。

1つは、最初に選んではいけないテーマを機械的に外す逆フィルタ（効果が測れない／データが無い／要件が割れている）。もう1つは、残った候補を費用対効果×実現難易度の2軸でスコアリングし、優先順位マトリクスに並べて最初の1テーマを確定する方法です。この2つを使えば、「最初は◯◯業務から、理由はこの2軸でスコアが高く、失敗リスクが低いから」と、社内の誰にでも同じ言葉で説明できます。

そして選んだテーマは、スモールスタートで範囲を絞り、成功指標を1つ決め、「目的・データ・成功指標」をセットでベンダーに伝える——この段取りで、1つ目の成功確率を上げられます。1つ目が成功すれば、それが次の予算を引き出す実績になり、AI活用は社内で前に進み始めます。

最初の一歩として、まずは自社で挙がっているAI活用の候補を3〜5個、紙やスプレッドシートに書き出してみてください。そのうえで本記事の採点質問に沿って2軸のスコアをつければ、「どれから発注すべきか」の答えが、印象ではなく基準の形で見えてくるはずです。