AIアセスメントとは？​業務棚卸しと​投資対効果の​設計

AI活用が​止まる​原因は、​ツールでも​人材でもなく​「順番」に​ある。​業務の​棚卸しと​所要時間の​定量化を​しないまま​ツール導入や​研修から​着手すると、​AIを​どこに​入れる​べきかを​決められず、​入れた​後の​効果も​測れない。

AIアセスメントは、​この​順番を​正すための​工程である。​業務を​洗い出して​工数に​変換し、​どの​業務を​どの​AIで​代替できるかを​判定し、​投資額と​回収年数まで​算出する。​本記事では、​実務で​使われている​3層構造と​各層の​具体的な​項目、​そして​1日で​終わらせる​ための​型を​解説する。

この​​記事の​​対象読者

• 生成AIツールを​導入したが、​削減効果を​数字で​説明できずに​いる​情報システム部門・経営企画部門の​方
• AI活用の​予算稟議に、​投資対効果の​根拠を​添える​必要が​ある​方
• 現場から​上がる​AI化要望の​優先順位を​決められずに​いる​推進担当者の​方

AIアセスメントとは​​（要点3行）

• 定義：業務を​棚卸しして​工数を​定量化し、​どの​業務を​どの​AI／デジタル手段で​代替できるかを、​投資額と​回収年数まで​含めて​判定する​工程
• 目的：​「何と​なく​AIを​入れる」を​「どの​業務に、​何を、​いくらで​入れると、​年間いくら減る」に​置き換える​こと
• 成果物：業務ごとの​年間所要工数・AI対応​可能性・工数削減推定・導入コスト・回収年数を​一覧化した​診断書

重要なのは、​AIアセスメントが​ツール選定ではないと​いう​点である。​ツール選定は​最後の​工程であり、​その前に​「そも​そもどの​業務に​手を​入れる​べきか」を​工数と​いう​共通単位で​並べ替える​作業が​ある。

なぜツール導入より​​先に​​棚卸しが​​必要なのか

個人任せのまま​​始まる​​問題

商工中金​「中小企業の​生成AIの​利用に​かかる​調査」​（2026年1月）では、​生成AIの​利用を​個人任せに​している​企業が​64.9%にの​ぼる​ことが​示されている。​個人任せの​状態は、​初期の​裾野を​広げる​意味では​機能する。​問題は、​その先に​進めない​ことである。

誰が​どの​業務に​どれだけ​使っているかを​会社が​把握していないため、​効果を​集計できない。​効果を​集計できないため、​次の​投資判断が​できない。​結果と​して、​ツール契約は​続くが​成果は​語られないと​いう​状態が​固定化する。

「順番」を​​間違えた​​ときに​​起きる​​こと

棚卸しを​飛ばした​導入は、​次の​3つの​形で​行き詰まる。

1. 対象業務の選定が声の大きさで決まる：熱心な​部署の​業務から​着手する​ため、​全社的な​工数インパクトが​小さい​領域に​投資が​偏る
2. 効果測定のベースラインが存在しない：導入前の​所要時間を​測っていないため、​導入後に​「速くなった​気が​する」以上の​ことが​言えない
3. 横展開の判断ができない：ある​部署で​成功しても、​他部署の​同種業務が​どれだけ​あるかを​把握していないため、​拡大の​規模を​見積もれない

PoCが​本番化しない​構造的な​理由に​ついては​「AI PoCが​失敗する​5つの​構造的理由と​回避策」で​詳述している。​アセスメントは、​そこで​挙げた​失敗要因の​多くを​着手前に​潰す工程に​あたる。

AIアセスメントの​​3層構造

実務で​使われる​アセスメントは、​次の​3層で​構成される。​層を​飛ばすと、​最終的な​投資判断の​根拠が​成立しない。

第1層は​事実の​収集、​第2層は​技術判断、​第3層は​経営判断である。​担当者も​変わる。​第1層は​現場ヒアリング、​第2層は​AI実装の​知見を​持つエンジニア、​第3層は​投資判断の​文脈を​理解する​立場の​人間が​受け持つ。

第1層の​​実務：業務棚卸しの​​12項目

業務整理段階で​記録すべき項目は、​次の​12項目である。​この​粒度を​守ると、​後段の​工数計算が​機械的に​処理できる。

年間所要工数の​​算出式

年間所要工数は、​次の​式で​機械的に​求める。

月間所要工数(h) = 所要工数(分) × 回数 × 稼働日数(または月内発生回数) × 対象人数 ÷ 60
年間所要工数(h) = 月間所要工数(h) × 12

先の​表の​例で​あれば、​1回15分・1日20件・対象4人・稼働20日と​して​「15 × 20 × 20 × 4 ÷ 60 = 400時間／月」、​年間4,800時間と​なる。

ここで​重要なのは、推計の前提を必ず併記することである。​稼働日数を​20日としたのか22日としたのか、​対象人数に​兼務者を​含めたのか、といった​前提が​変わると​結果は​数割ずれる。​診断書には​前提条件を​明記し、​後から​検証できる​状態に​しておく。

棚卸しの​​粒度を​​どこに​​置くか

粒度が​粗すぎると​「営業活動」のような​塊に​なり、​AI対応の​判定が​できない。​細かすぎると​項目数が​数百件に​膨れ、​1日では​終わらない。

実務的な​目安は、1つの業務を「担当者が1回で完了させる作業単位」に置くことである。​「見積書を​作成する」は​適切だが、​「営業する」は​粗く、​「見積書の​ヘッダに​日付を​入力する」は​細かい。​この​粒度なら、​部署あたり10〜20件、​全社で​50〜100件に​収まる。

第2層の​​実務：AI対応​可能性の​​判定

棚卸しが​終わったら、​業務ごとに​「何で​代替するか」を​判定する。​判定は​次の​項目で​記録する。

• AI対応可能性：対応可否と、​可能な​場合の​確度
• 工数削減推定（%）：現状工数に​対する​削減率の​見込み
• AI対応評価／条件等：実現の​前提と​なる​条件​（データの​所在、​既存システムとの​連携可否、​セキュリティ要件など）
• AI対応方法（概要）：具体的な​実現手段
• 投資概算イメージ：おおよ​その​投資規模

代替手段の​​3分類

AI対応方​法は、​次の​3つに​大別される。​この​分類が、​そのまま​投資規模と​実装難易度の​目安に​なる。

この​3つに​加えて、​社内データの​蓄積を​前提と​するデータ＋AIの​領域が​ある。​過去案件の​検索、​見積の​類推、​需要予測などが​これに​あたり、​実態と​しては​生成AIと​開発の​複合に​なる。​データ基盤の​整備が​前提に​なる​ため、​投資規模と​リードタイムは​開発型に​準じる。

拡大 ⤢

判断の​実務的な​順序は、「生成AI → SaaS → 開発」の順に検討し、上流で解けるものを下流に流さないことである。​開発は​最も​自由度が​高いが、​最も​高く​つく。​RPA・生成AI・AIエージェントの​使い分けに​ついては​「業務効率化AIの​選び方」で​整理している。

工数削減推定​（%）の​​置き方

削減率は、​実装前の​時点では推定値にしかならない。​ここを​断定的な​数字で​書くと、​後の​実測との​乖離が​信頼を​損なう。

実務では、​類似事例の​実績値を​レンジで​当てる。​たとえば​文章生成が​中心の​業務なら​50〜70%、​フォーマット固定の​資料作成なら​70〜80%、​判断を​伴う​照合業務なら​30〜50%と​いった​具合である。​そのうえで、その数字が類似事例に基づく推定値であることを診断書に明記する。

削減率を​控えめに​置く​ことにも​意味が​ある。​アセスメントの​目的は​投資判断であり、​過大な​見込みで​承認を​取る​ことではない。​実測が​推定を​上回る​設計に​しておく方が、​2巡目以降の​推進は​進めやすい。

第3層の​​実務：投資対効果の​​試算

最後に、​投資判断の​ための​数字を​組み立てる。​記録する​項目は​次の​6つである。

金額換算で​​迷いやすい​​2点

人件費単価をいくらに置くか。​指定が​なければ​標準単価を​用いるが、​対象業務の​従事者層で​単価は​大きく​変わる。​管理職が​行っている​照合業務と、​アルバイトが​行っている​入力業務では、​同じ​1時間でも​金額が​数倍違う。​部署・職層ごとに​単価を​分けて​設定する​方が、​実態に​近い​数字に​なる。

削減した時間が何に変わるかを明記する。​工数削減は、​そのままでは​人件費削減に​ならない。​空いた​時間が​別業務に​充当されるのか、​残業削減に​なるのか、​増員の​回避に​なるのかで、​財務上の​効果は​変わる。​ここを​曖昧に​したまま​「年間◯千万円削減」と​書くと、​経理・財務部門の​レビューで​必ず止まる。

回収年数の​​読み方

回収年数は、​単独では​判断材料に​ならない。同じ回収年数でも、投資規模とリスクが違えば優先順位は変わる。

実務では、​回収年数と​導入コストの​2軸で​並べ、​「回収1年以内かつ導入コスト小」の​象限から​着手する。​この​象限は​多くの​場合、​生成AIまたは​SaaSで​代替できる​業務が​占める。​開発を​伴う​領域は、​初期の​成功実績を​作ってから​着手する​方が、​社内の​合意を​取りやすい。

拡大 ⤢

アセスメントが​​失敗する​​5パターン

1. 棚卸しが自己申告のみで終わる：現場が​申告する​所要時間は​実態より​短く​出やすい。​付随作業​（確認待ち、​差し戻し対応）が​申告から​漏れる​ためである。​ヒアリング時に​「前後の​作業」を​必ず​聞く
2. AI対応可能性を技術者以外が判定する：​「AIならできそう」と​いう​印象で​可能性を​高く​置くと、​実装段階で​条件が​崩れる。​判定には​AI実装の​実務経験が​要る
3. 削減率を断定的に書く：推定値である​ことを​明記しないと、​実測との​乖離が​推進全体の​信頼を​損なう
4. 診断書が納品物で終わる：優先順位が​決まっても​実行体制が​なければ、​半年後に​同じ​議論を​やり直すことに​なる
5. 一度きりで更新されない：業務も​モデルの​能力も​変わる。​年1回は​棚卸しを​更新し、​前回​「対応不可」とした​業務を​再判定する

特に​4番目は​頻度が​高い。​診断と​実装を​分けて​考え、​診断書の​優先順位に​沿って​実行する​体制まで​含めて​設計する​必要が​ある。​実行体制の​選択肢は​「AX実装パートナーとは？​選び方​・評価基準7軸と​失敗回避」で​比較している。

1日で​​終わらせる​​ための​​型

アセスメントは、​手法を​型化すれば​1日で​実施できる。​数ヶ月かける​調査プロジェクトに​すると、​終わる​頃には​前提が​変わっている。

1日で​終わらせる​鍵は、​事前準備に​ある。​当日ゼロから​業務を​洗い出すと、​思い出す作業に​時間の​大半を​費やす。​事前に​主要業務の​一覧だけ​埋めて​もらい、​当日は頻度・工数・人数の定量化と、詳細の掘り下げに集中する。

FDXの​支援

FDX株式会社は、​AIアセスメントと​その​後の​実装を、​それぞれ独立して​選べる​形で​提供している。

• 1Day AIアセスメント：1日の​ヒアリングで​最大100業務を​棚卸しし、​「どの​業務を​・どの​AIで​・年間いくら削減できるか」を​数字で​示した​診断書を​2営業日で​納品する。​価格は​100,000円​（税別）、​対象は​従業員100名以上の​企業、​実施枠は​月5社まで
• 1Day FDE：診断書の​優先順位に​沿って、​FDE​（Forward Deployed Engineer）が​週1日常駐し、​実装と​現場教育を​毎週回す。​料金は​月額300,000〜400,000円​（税別・週1日）、​最低契約期間は​3ヶ月

実績と​しては、​ICTシステム機器の​開発・製造・販売を​手がける​企業​（年商数千億円規模・数千名規模）で​17業務の​AI化提案と​費用対効果を​算出し、​初年度施策の​優先順位を​確定。​あわせて​既存フォーマットを​維持したまま​資料作成を​自動化し、​資料作成工数の​約75%削減​（自社推計）に​至った​事例が​ある。​詳細は​「実際の導入事例」を​参照されたい。

業務の​再設計から​実装までの​進め方は​「FDX BPR」でも​整理している。

よく​​ある​​質問​（FAQ）

Q1. AIアセスメントと​​コンサルティングの​​業務分析は​​何が​​違うのか？

A. 出力の​粒度と​目的が​違う。​一般的な​業務分析は​課題の​構造化と​あるべき姿の​提示までを​射程と​するが、​AIアセスメントは​業務ごとに​「どの​AI手段で​代替するか」​「工数が​何%減るか」​「投資額と​回収年数は​いくらか」までを​一覧で​出す。​次に​何を​発注すれば​よいかが​決まる​状態まで​具体化する​点が​異なる。​その​ため、​判定には​AI実装の​実務経験が​必要に​なる。

Q2. どの​​くらいの​​業務数を​​棚卸しすべきか？

A. 全社を​対象とする​場合、​50〜100件が​実務的な​レンジである。​粒度は​「担当者が​1回で​完了させる​作業単位」に​置く。​部署あたり10〜20件が​目安と​なる。​これより​細かく​すると​項目数が​膨れて​分析が​追いつかず、​粗く​すると​AI対応の​判定が​できない。

Q3. 工数削減推定​（%）は​​どう​​算出しているのか？

A. 実装前の​時点では、​類似事例の​実績値を​レンジで​当てた推定値である。​文章生成が​中心の​業務なら​50〜70%、​フォーマット固定の​資料作成なら​70〜80%、​判断を​伴う​照合業務なら​30〜50%と​いった​水準を、​業務の​性質に​応じて​割り​当てる。​実測値ではないため、​前提条件を​診断書に​明記し、​実装後の​実測と​突合して​更新する​運用を​前提と​する。

Q4. 削減工数を​​金額換算する​​際の​​単価は​​どう​​決めるのか？

A. 対象業務の​従事者層に​応じて、​部署・職層ごとに​人件費単価を​分けて​設定するのが​望ましい。​指定が​ない​場合は​標準単価を​用いる。​あわせて、​削減した​時間が​残業削減・増員回避・別業務への​充当の​いずれに​なるかを​明記する​必要が​ある。​ここを​曖昧に​すると、​財務部門の​レビューで​効果額が​認められない。

Q5. アセスメントの​​結果、​​AI化できる​​業務が​​ないと​​いう​​結論は​​あり得るか？

A. 全業​務が​対象外に​なる​ことは​まずないが、​「現時点では​投資対効果が​合わない」​業務は​必ず出る。​データが​電子化されていない、​業務量が​小さく​削減額が​投資を​下回る、​判断に​高度な​暗黙知が​必要と​いった​ケースである。​これらは​対象外と​して​記録し、​翌年の​再判定に​回す。​モデルの​能力も​自社の​データ整備状況も​変わる​ため、​一度の​判定を​恒久的な​結論に​しない。

Q6. アセスメントだけを​​実施して、​​実装は​​自社や​​別ベンダーで​​進めても​​よいか？

A. 問題ない。​診断書は​業務・削減見込み・投資額・実現手段を​明記した​仕様に​近い​文書である​ため、​社内実装にも​他ベンダーへの​発注にも​使える。​ただし、​診断書が​納品物で​終わり実行体制が​決まらないまま​数ヶ月が​過ぎる​ケースは​多い。​診断の​段階で、​誰が​最初の​3業務を​実装するかまで​決めて​おく​ことを​推奨する。

次に​​読むべき記事

• AI PoCが​失敗する​5つの​構造的理由と​回避策
• 業務効率化AIの​選び方​｜RPA・生成AI・AIエージェントの​使い分け
• AX実装パートナーとは？​選び方​・評価基準7軸と​失敗回避

まとめ

• AIアセスメントは、​業務を​棚卸しして​工数に​変換し、​AI対応​可能性と​投資対効果まで​判定する​工程。​ツール選定は​その後に​来る
• 構造は​3層。​第1層で​業務を​工数化し、​第2層で​代替手段と​削減率を​判定し、​第3層で​投資額と​回収年数を​算出する
• 業務整理では​12項目を​記録し、​年間所要工数を​機械的に​算出する。​粒度は​「担当者が​1回で​完了させる​作業単位」
• 代替手段は​「生成AI → SaaS → 開発」の​順に​検討する。​上流で​解ける​ものを​下流に​流さない
• 工数削減推定は​類似事例に​基づく​推定値であり、​前提条件の​明記が​必須。​断定的に​書かない
• 回収年数は​単独では​判断材料に​ならない。​導入コストとの​2軸で​並べ、​「回収1年以内かつ低コスト」から​着手する
• 失敗の​最頻パターンは、​診断書が​納品物で​終わり実行体制が​決まらない​こと。​診断と​実装を​分けたうえで、​実装の​担い​手まで​設計する

AIアセスメントを​​相談する

対象業務の​棚卸し、​AI対応​可能性の​判定、​投資対効果の​試算まで、​予算稟議に​使える​材料を​ご提供します。​1日の​ヒアリングで​最大100業務を​診断する​「1Day AIアセスメント」は、​サービス詳細ページから​申し込めます。

1Day AIアセスメントの​詳細を​見る​ →

進め方の​相談だけで​あれば、お問い合わせから​ご連絡ください。

出典・参考文献

• 商工中金​「中小企業の​生成AIの​利用に​かかる​調査」​（2026年1月）
• 経済産業省​「DX推進指標と​その​ガイダンス」
• 独立行政法人情報処理推進機構​（IPA）​「DX白書」