生成AIを「自動化装置」と思ったら、大失敗します。──PDCAの「Do以外」にこそAIを使え

• AI
• 地方中小企業

「生成AIを導入したのに、全然効果が出ない」

最近、こんな相談がめちゃくちゃ増えています。

話を聞いてみると、だいたい同じパターンなんですよ。「ChatGPTにメール返信を自動化させようとした」「AIに請求書の入力作業をやらせようとした」「定型レポートの作成を全部AIに任せたら、数字が微妙に間違っていた」──。

これ、生成AIの使い方を根本的に間違えています。

はっきり言います。生成AIは「自動化装置」じゃない。

じゃあ何なのか？

私は「最強の参謀」だと思っています。

ここを理解しないまま導入すると、MIT Sloan Management ReviewとBCGの共同調査が示すように「AI投資の95%がP&Lへの大きな効果を示せていない」という悲しい結果になります。

今日は、なぜ多くの企業が生成AIで失敗するのか、そしてどう使えば成功するのかを、PDCAサイクルのフレームワークで整理してお伝えします。

みんな「Do」にAIを使おうとしている

まず、生成AI導入で失敗する企業に共通するパターンを見てみましょう。

• メールの返信を自動化しようとした
• データ入力作業をAIに任せようとした
• 定型レポートの生成を全部AIにやらせた
• 請求書の作成を自動化しようとした

気づきましたか？ 全部「Do（実行）」なんです。

PDCAサイクルで言えば、Plan（計画）→ Do（実行） → Check（検証）→ Action（改善）の2番目。つまり、「手を動かすパート」にAIを突っ込もうとしている。

これが、大失敗の元凶です。

なぜ「Do」に生成AIは向かないのか

理由は3つあります。

理由1：ハルシネーション──「嘘をつく」リスク

生成AIの最大の弱点がこれです。

生成AIは「次に来る確率の高い言葉を予測して文章を生成する」仕組みで動いています。つまり、事実を検索しているのではなく、「自然で流暢な文章を作ること」に最適化されている。

だから、もっともらしい嘘をつく。

アメリカでは弁護士が生成AIを使って裁判の準備をした際、AIが出力した「存在しない過去の判例」を事実確認せずに裁判所へ提出してしまった事例が話題になりました。

請求書の金額、データ入力の数値、レポートの統計情報──。「Do」の作業って、1円でもズレたらアウトなものが多いですよね。生成AIに任せるには、リスクが高すぎるんです。

理由2：再現性がない

同じ指示を出しても、毎回違う結果が返ってくる。

これは生成AIの特性上、避けられません。Anthropic社の公式ドキュメントでも「生成AIの挙動は、基盤データやプロンプト、利用パターンの変化によって時間とともに徐々にシフトする」と説明されています。

「Do」の作業って、毎回同じ品質で同じ結果を出すことが求められますよね。請求書のフォーマットが毎回微妙に変わったり、データの入力形式が揺れたりしたら、業務は混乱します。

ここは従来のRPAのほうが圧倒的に強い。RPAはルールベースだから、100回やっても100回同じ結果を出します。

理由3：「実行」は既存ツールのほうが速くて正確

データ入力ならRPA。メール送信ならメール配信ツール。レポート生成ならBI（ビジネスインテリジェンス）ツール。請求書発行なら会計ソフト。

「Do」の領域には、すでに専用のツールが山ほどあるんですよ。それらは長年の実績があり、エラー処理も確立されていて、信頼性が高い。

ある物流企業の事例では、倉庫の入出庫データ入力（月間8,000件）にRPAを導入して処理時間を大幅に削減し、年間数千万円規模のコスト削減を達成したと報告されています（SPONTO「AI導入・業務自動化実践ガイド2025」より）。こうした定型データ入力を生成AIでやる理由は、はっきり言ってありません。

じゃあ、生成AIはどこに使うのか？

答えは明確です。PDCAの「Do以外」──Plan・Check・Actionに使う。

ここに使えば、生成AIの強みが最大限に活きます。

Plan（計画）──「何をすべきか」を考えるパートナー

生成AIが最も輝く場面です。

たとえば、新しいマーケティング施策を考えるとき。

従来なら、市場調査に1週間、競合分析に数日、企画書の作成に数日。合計で2〜3週間かかっていた「Plan」のフェーズが、生成AIを使えば数時間で完了します。

具体的にはこんな使い方です。

• 市場トレンドの分析：「〇〇業界の直近6ヶ月のトレンドを整理して」
• 競合の戦略分析：「A社・B社・C社のWebマーケティング戦略を比較して」
• 施策の立案：「このデータを踏まえて、うちが取るべき3つの施策を提案して」
• リスクの洗い出し：「この計画の潜在的なリスクと対策を教えて」

ここでのポイントは、生成AIの「もっともらしいことを言う」特性が、むしろ強みになるということ。

Planフェーズでは、正確な数値よりも「視点の広さ」「発想の量」「論理の整合性」が重要です。人間が3つしか思いつかないリスクを、AIは10個出してくれる。その中に人間が気づかなかった視点が1つでもあれば、大きな価値になります。

Check（検証）──「うまくいっているか」を客観的に評価

これも生成AIが得意な領域です。

「Do」の結果を分析し、何がうまくいって何がダメだったかを評価する。人間がやると、どうしてもバイアスがかかりますよね。自分が立てた計画には甘くなりがちだし、成功してほしいという気持ちが判断を歪める。

生成AIは容赦なく客観的です。

• KPIの分析：「先月のWebサイトのアクセスデータを分析して、改善点を洗い出して」
• 施策の効果検証：「A/Bテストの結果を見て、どちらが効果的か根拠とともに説明して」
• 顧客フィードバックの分析：「100件のアンケート結果から、主要な不満点をカテゴリ分けして」
• 競合との比較：「うちのLPと競合のLPを比較して、負けているポイントを指摘して」

ここでもハルシネーションのリスクはゼロではありません。でも、「判断の材料を提供してもらう」使い方なら、最終判断は人間が行うので問題になりにくい。

Action（改善）──「次にどうするか」を一緒に考える

PDCAの中で、実は一番おろそかにされがちなのがここです。

Checkで課題がわかっても、「じゃあ具体的にどう直すの？」という部分で止まってしまう企業が非常に多い。

ここで生成AIが力を発揮します。

• 改善案の列挙：「この3つの課題に対して、それぞれ具体的な改善案を5つずつ出して」
• 優先順位づけ：「コスト・効果・実現性の3軸で改善案をランキングして」
• アクションプランの策定：「改善案を実行するためのステップとスケジュールを作って」
• 他社事例の参照：「同じ課題を解決した企業の事例を調べて」

Actionフェーズは「創造性」と「網羅性」が求められるパートです。これ、まさに生成AIの得意分野じゃないですか。

実際の業務で考えてみる

具体例を出しましょう。

例：月次売上レポートの業務

従来の流れ：

1. Plan：何を分析するか決める（人間が1時間）
2. Do：データを集めてレポートを作る（人間が3時間）
3. Check：レポートの内容を確認する（上司が30分）
4. Action：改善点を議論する（会議で1時間）

「Do」にAIを入れた場合（よくある失敗パターン）：

1. Plan：何を分析するか決める（人間が1時間）
2. Do：AIにレポートを作らせる → 数字が微妙に間違っている → 修正に2時間
3. Check：「本当に合ってるのか」不安で全部チェック（上司が1時間）
4. Action：改善点を議論する（会議で1時間）

合計時間、ほとんど変わらないんですよ。むしろ増えてる。

「Do以外」にAIを入れた場合（正しいパターン）：

1. Plan：AIと一緒に分析の切り口を考える（15分）──AIが「前年同月比だけでなく、商品カテゴリ別・顧客セグメント別のクロス分析も有効です」と提案してくれる
2. Do：BIツールで自動集計（5分）──正確な数値、毎回同じフォーマット
3. Check：AIにデータを読ませて異常値や傾向を分析させる（10分）──「カテゴリCの売上が前月比20%減。原因として考えられるのは……」
4. Action：AIと改善案をブレストする（20分）──「競合の動向も踏まえると、次の3つの対策が考えられます……」

合計50分。しかも、分析の質が格段に上がっている。

RPAと生成AI、それぞれの得意分野を整理する

ここで誤解してほしくないのは、「RPAが古い」「生成AIが万能」と言いたいわけじゃないということです。

それぞれに明確な得意分野があります。

	RPA（従来の自動化）	生成AI
得意なこと	定型作業の繰り返し実行	非定型の判断・分析・提案
再現性	100%同じ結果を出す	毎回異なる出力になりうる
正確性	ルール通りに正確	ハルシネーションのリスクあり
適用領域	Do（実行）	Plan・Check・Action（思考）
導入コスト	中〜高（開発が必要）	低（すぐ始められる）
メンテナンス	UIが変わると壊れる	プロンプト調整で対応可能

実際に成果を出している企業の多くが、このRPAと生成AIの「ハイブリッドアプローチ」を採用しています（Retail Insider「Generative AI vs RPA: Key Trends Shaping 2026 Enterprise」）。生成AIが「考える・判断する」役割を担い、RPAが「手を動かす」役割を担う。この役割分担が、業務の質とスピードを大幅に向上させているんです。

カンマンでの実践例

私たちカンマン自身も、この「Do以外にAIを使う」アプローチを実践しています。

ブログ記事制作の場合

Plan（計画）にAIを活用：

• テーマの市場調査、競合記事の分析、SEOキーワードの選定
• 記事の構成案・見出し案の作成
• ターゲット読者のペルソナ設定

Do（実行）は人間＋専用ツール：

• 記事の執筆は人間が責任を持つ（AIはドラフトのサポート）
• WordPress投稿はAPI経由で自動化（RPAと同じ考え方）
• 画像生成は画像生成AIに任せる（用途特化型のツール）

Check（検証）にAIを活用：

• ファクトチェック（記事内の事実関係を検証）
• 読みやすさの評価
• SEO観点での改善点チェック

Action（改善）にAIを活用：

• アクセスデータを元に「なぜこの記事が読まれたか／読まれなかったか」を分析
• 次回のテーマ・構成への改善提案
• 読者のフィードバック分析

この流れで、記事のクオリティを保ちながら制作スピードを3倍以上に引き上げることができました。

クライアントのWeb改善の場合

あるクライアント（地方の製造業、従業員30名）のWebサイト改善プロジェクトでも、同じフレームワークを適用しました。

Plan： AIに現在のサイトを分析させ、競合10社との比較レポートを作成。改善の優先順位を提案させた。

Do： サイトの修正作業はWebデザイナーとコーダーが実施。ここは人間の仕事。

Check： 改善後のアクセスデータをAIに分析させ、「どの改善が効果的だったか」を特定。

Action： 次の改善フェーズの計画をAIと共同で策定。

結果、問い合わせ数が前年比150%に増加しました。

「でも、AIが記事を書いてくれるじゃん？」という反論へ

はい、確かにClaude CodeやChatGPTは記事を書けます。メールも書けます。コードも書けます。

ここで言いたいのは「Doに一切使うな」ということではありません。

「Do」を生成AIの主目的にするな、ということです。

生成AIにDoをさせるなら、必ずCheckとセットで。つまり、「AIが書いたものを人間が必ず確認する」というフローを組み込むこと。

そして、もっと大事なのは──

Plan・Check・Actionという「頭を使うパート」にこそ、生成AIの真の力があるということ。

ほとんどの企業は、この3つを「時間がないから」「面倒だから」とおざなりにしています。計画は去年のコピペ。検証はKPIを眺めるだけ。改善は「頑張ろう」で終わり。

生成AIは、ここを根本から変えられるんです。

まとめ──生成AIは「手」じゃなく「頭」として使え

生成AIを「自動化装置」だと思って導入すると、大失敗します。

• 定型作業の自動化 → RPA・専用ツールの仕事
• 考える・分析する・提案する → 生成AIの仕事

PDCAで言えば：

• Plan（計画）：生成AIに市場分析、競合調査、施策立案を任せる
• Do（実行）：RPA、BIツール、専用ソフト（＋人間）に任せる
• Check（検証）：生成AIにデータ分析、効果検証、客観評価を任せる
• Action（改善）：生成AIに改善案の立案、優先順位づけ、アクションプラン策定を任せる

この使い分けができた企業が、AI導入で成果を出しています。

「手を動かすこと」の自動化ばかり考えていませんか？

本当に自動化すべきは、「考えること」のスピードと質です。

生成AIは、あなたの「手」じゃない。あなたの「頭」のアップグレードです。

もし「うちの業務、どこにAIを使えばいいかわからない」と思ったら、私たちカンマンに気軽にご相談ください。PDCAのどこにAIを入れるべきか、一緒に考えましょう。

---

参考情報：

• MIT「生成AIパイロットの95%がP&Lへの効果を示せていない」（2025年調査）
• Retail Insider「Generative AI vs RPA: Key Trends Shaping 2026 Enterprise」
• Automation Lab「生成AIはどこまで自動化できる？得意・不得意を見極めて賢く業務効率化する方法」
• GeNEE「生成AI×RPAでできる業務自動化と成功させるための3ステップ」
• AIgent Lab「生成AI導入に失敗する企業の共通点5つ」
• パナソニック IS「生成AI活用で業務効率30%アップ！成功事例11選」