業務棚卸しとAI活用のやり方｜ファイルから滞りを見つける実践手順
「AIを使いたい。まず業務の棚卸しから始めよう」——この判断は正しい。しかし多くの会社でここが終着点になる。ヒアリングシートを作り、部門長に配り、記入を待っている間に担当者が替わる。二週間後に戻ってきた回答は「資料作成」「メール対応」「会議」が上位を占め、どこをどう自動化すればよいのかはっきりしない。
棚卸しが止まる理由はシートの設計ではない。人は「自分がやっている作業」を過小評価するか、逆に意識に上がっていない反復作業を書けないからだ。毎月末に売上データをコピーして別ファイルに貼り直す作業は、担当者の中では「集計」ではなく「いつもの処理」として記憶されていない。
その情報は、すでにファイルの中にある。共有フォルダに積み上がったExcelブック、更新日のばらついたスプレッドシート、v1とv2に枝分かれした同名ファイル——これらが業務の実態を正直に語っている。ヒアリングシートを配る前に、まずそのファイルを読むことが、AIを使った業務棚卸しの出発点だ。
ヒアリングシートより先にやること
業務棚卸しの定番手順として「現場ヒアリング→課題整理→ツール選定」が紹介される。間違いではないが、この順序では棚卸しの精度が現場担当者の言語化力に依存する。担当者が「特に問題はない」と答えた業務に、実は毎月同じミスが再生産されているケースは珍しくない。
もう一つの入口がある。既にある社内ファイルを起点に、業務の流れと滞りを推定することだ。
共有フォルダやクラウドストレージに保存されているファイルには、いつ・誰が・何を更新したかの履歴が残っている。この情報から「誰かが毎週手を入れているが自動化されていない作業」「更新が止まっているのに参照され続けているファイル」「同じ数字が複数の場所に存在する経路」が見えてくる。
人が話してくれる業務と、ファイルが示す業務は一致しないことが多い。後者の方が正直だ。ヒアリングで「月に一度」と言われた作業が、ファイルの更新履歴を見ると週次になっていることもある。
出典: 自社作成
ファイルの「状態」が教える業務の実態
ファイルを開く前に、まずフォルダ全体を眺める。確認する項目は三つだ。
ファイルの命名規則。「売上管理_最新版_確定版_v3_最終.xlsx」のような名前は、バージョン管理が人力で行われてきた証拠だ。正本がどれかを特定するコストが毎回発生している。これは命名の問題ではなく、更新の仕組みがないことの結果だ。
最終更新日の分布。月次で更新されているはずのファイルが二ヶ月止まっている場合、その業務が属人化しているか、あるいは別のファイルに移行して旧ファイルが放置されているかのどちらかだ。どちらであっても、誰かが参照し続けているなら古いデータで判断が行われている可能性がある。
ファイル間の参照関係。あるファイルの数値が別のファイルに手で転記されているなら、そこに必ずズレが生まれる余地がある。数式や外部参照で繋がっていれば自動化の余地があり、コピー貼り付けで繋がっているならリスクがある。
この三点を把握するだけで、ヒアリングに頼らずとも「どこに手が掛かっているか」「どこでミスが起きやすいか」の仮説が立つ。仮説があれば、次のヒアリングは「この作業は毎月何分かかっていますか」という具体的な確認になる。漠然とした「困っていることはありますか」という問いより、ずっと実態に近い情報が得られる。
自社検証で見えた4つの滞り類型
社内の業務ファイルを架空データで再現し、AIエージェントに突き合わせ作業を実行させた。その過程で繰り返し現れたのが次の四つの類型だ。これらは特殊なケースではなく、月次の締め処理や請求管理を手作業で回している会社に広く共通する構造だった。
出典: 自社作成
類型1:集計シートに数式がない
元データが存在し、集計結果を別シートに持っている。しかし集計シートの数値は数式で導かれておらず、誰かが手入力で埋めている。
この構造では、元データが更新されるたびに集計シートも手動で直す必要がある。更新のタイミングがずれれば、集計値と元データは一致しなくなる。毎月、同じズレが再生産されている。
担当者はこの作業を「確認」と呼んでいることが多い。しかし実態は「データを手で写す→目視で照合する」という二重の手作業だ。AIがやるべきことは、元データと集計シートを突き合わせて差分を出すことだ。差分がゼロかどうかの判断は一秒で終わる。原因を調べて直す判断は人がする。
この類型で気をつけるのは、「集計シートを数式に直す」という別の解もあるという点だ。AIを使う前に、まず既存のExcel機能で解決できないかを確かめることが先だ。自動化の対象として最適なのは、数式で繋ぐことが構造上難しい場合——つまり複数のシステムからデータが来る、フォーマットが毎回変わる、といったケースだ。
類型2:入金と請求の紐づけが金額だけでは一意に決まらない
請求書には金額と宛名がある。振込には金額と振込名義が来る。この二つを照合するとき、次の三つが重なると人の目で追うのが難しくなる。
振込名義が請求宛名とカナ表記で異なる(「株式会社〇〇」が「カ)〇〇」として来る)。同じ金額の請求が複数存在する。一つの請求に対して分割入金や端数不足が発生している。
これを人が毎月目で追うと、照合漏れが起きる。かといって「金額が一致したら紐づく」という単純ルールでは誤紐づけになる。
AIが担えるのは「多条件での候補マッチング」だ。金額・振込日・名義の類似度を組み合わせて候補を絞り込み、一意に決まるものは自動で紐づけ、決まらないものだけ人に判断を求める。全件を人が見る必要はなくなり、判断が必要な件数だけに集中できる。
こうした紐づけ業務は、ルールが明確に書き出せるほどAIへの委譲がしやすい。「名義の表記ゆれをどこまで許容するか」「端数不足は何円まで同一請求とみなすか」——このルールを先に決めることが、実装よりも先にやることだ。
類型3:同じ表がv1とv2に枝分かれし、正本が誰にも分からない
あるファイルをコピーして別名保存し、そのコピーを誰かが更新した。原本も並行して更新が続いた。どちらが最新で正しいか、最終更新日が手入力で埋めてあり、しかも空欄のものもある。
この状態で月次報告を出そうとすると、使うファイルの選択から始まる。「たぶんこっちが新しい」という推測で作業が進む。
AIに二つのファイルを読み込ませ、差分を列単位・行単位で出力させると、どこが違うかはすぐ分かる。どちらを正本とするかは人が決める。ただし「差分の存在に気づかないまま古いデータで報告する」というリスクは消える。
こうした枝分かれを防ぐには、ファイルの更新ルールを決めることが根本の対処だ。しかし、すでに枝分かれしてしまったファイルを整理するための一歩目として、AIの差分検出は整理の足がかりになる。「どちらが新しいか分からない」という状態を「この25行が違う」という状態に変えることができる。
類型4:手転記で行がズレ、元データに存在しない数字が提出物に載る
元データから提出フォーマットへの転記は、コピー貼り付けで行われることが多い。このとき「フォーマットの列順が違う」「途中に見出し行が入っている」「元データのフィルターがかかったまま貼り付けた」といった理由で行がずれる。
ずれた状態で数字が入力されると、提出物に元データに存在しない数値が載る。見た目は整合しているが、中身は別の行の数字が入り込んでいる。
これを人が目視で確認するには、元データと提出物を並べて一行ずつ照合するしかない。件数が多いと現実的ではない。AIであれば、列の対応関係を定義した上で全行の突き合わせを一括実行できる。差分がゼロかどうかを機械が保証し、ズレがあった行だけ人に知らせる。
この類型への根本対処は「手転記をなくす」ことだ。Excelの数式、あるいはRPAで転記を自動化する方が、AIより速く確実なケースが多い。それでも複数システム間や不定形なフォーマット変換が絡む場合は、AIによる照合が現実的な選択肢になる。
AIが担うのは「答え」ではなく「突き合わせ」
ここまで見てきた四つの類型に共通するのは、「答えが分からないのではなく、突き合わせる件数が多すぎて人が追えない」という構造だ。
AIは業務の答えを出さない。何が正しいかの判断は人がする。AIが担うのは「二つの情報源を全件照合して差分を出す」という作業だ。人が一時間かけて目視で追う突き合わせを、AIは短時間で処理する。処理速度よりも、見落としが起きない点が本質的な価値だ。
自社でも、議事録の自動整理や営業の進捗管理をAIエージェントで日常的に回している。実感しているのは「AIが一番役に立つのは、複数の情報をひたすら突き合わせる部分だ」ということだ。判断を求めてくる件数が減り、判断そのものの質が上がる。それが業務にAIを入れた結果として手元に残るものだ。
業務棚卸しにAIを使うとき、「AIに何ができるか」より先に「どの突き合わせ作業が今、人の時間を奪っているか」を確認することが先だ。ファイルを見ればそれは分かる。
全部がAIではない。タスクを分解して滞りを見つけることが先で、それに最適な手段として関数・RPA・AIを当てる順序が実務に合っている。棚卸しの終着点は「AIを使う」ではなく「誰が何を判断し、何を機械に任せるかが明確になった状態」だ。
AIが不要だと分かることも棚卸しの成果
棚卸しの副産物として「AIを使わなくてよい作業」が見えることがある。
例えば、担当者が毎週やっていると言っていた集計作業が、実際にはExcelの数式一本で解決することがある。AIどころか既存ツールの機能を使っていないだけだった、というケースは珍しくない。VLOOKUPを一本追加するだけで月次の照合作業がなくなることもある。
「AIを入れるかどうか分からない」という状態は、棚卸しが終わると「ここはAI、ここは数式、ここはフロー整理だけ」という分解に変わる。AIが不要だと分かることも、棚卸しの立派な成果だ。費用対効果の読めない導入を避けられる。
また、棚卸しの過程で「この作業はそもそも必要か」という問いが浮かぶこともある。自動化の対象として洗い出した作業が、実は誰も使っていない報告書のための作業だったケースがある。その場合、自動化の前に廃止を検討する方が本質的だ。
自動化は業務の現状を固定する側面がある。問題のある業務フローをそのまま自動化すると、問題が速く回るだけになる。棚卸しとは、自動化の前に一度立ち止まって流れを確認する作業でもある。
AIエージェント構築代行の全体像でもこの考え方を軸に整理している。「何を自動化するか」より先に「何が滞っているか」を把握する手順を採用している。
棚卸しからAI導入までの進め方
具体的な進め方は次の順序が実務に合っている。
ステップ1:既存ファイルの一覧を作る
部門ごとではなく、月次・週次・日次で誰かが更新しているファイルを洗い出す。更新の頻度が高いほど自動化の候補になる。Googleドライブであれば最終更新日でソートするだけで優先順位の当たりがつく。
一覧に含める情報は「ファイル名」「更新頻度」「更新者」「用途」の四点だけでよい。最初から詳細な情報を集めようとすると、ここで止まる。
ステップ2:データの流れを手で追う
「このシートの数字はどこから来るか」を一つずつ確認する。計算式があれば源泉が分かる。手入力であれば、どこかに元データがあるはずだ。この作業は一人で二時間もあれば主要な流れは把握できる。
特に確認するのは「同じ数字が二箇所以上に存在するか」だ。存在するならそれが手転記の経路を示している。
ステップ3:突き合わせ作業を特定する
データの流れが分かると「ここで誰かが手で照合している」という箇所が見えてくる。その作業を書き出す。これが最初にAIに任せる候補リストになる。
候補が複数あれば「ミスが発覚したときの影響が大きい順」に優先順位をつける。請求・入金に関わるものは上位に来ることが多い。
ステップ4:架空データでAIに実行させる
実データを渡す前に、同じ構造の架空データで試す。AIが何を返すか、どこで誤判定するかを確認してから実運用に乗せる。このステップを省くと「AIが動いているのに業務が改善しない」という状態になりやすい。
確認するのは二点だ。AIが検出する差分が実際の課題と一致しているか。人に判断を求めてくる件数が許容範囲に収まっているか。
ステップ5:定期実行の仕組みを作る
一回動かして終わりでは意味がない。毎月末に自動で突き合わせが走り、差分があればアラートが届く仕組みを作る。ここまで組んで初めて「棚卸しが終わった」と言える。
定期実行の設計については進め方のページで詳しく整理している。何をトリガーにAIが動き、何を人に返すかの設計パターンを確認できる。
よくある問いへの答え
Q. どのファイルから手をつければよいですか?
月次の締め処理に使うファイルから始めるのが合理的だ。頻度が高く、ズレが発覚したときの影響が大きい箇所ほど、自動化の優先度も高い。迷ったときは「このファイルのズレが来月発覚したら、どれくらい影響があるか」で並べると順序が決まる。
Q. どこまで人が対応し、どこからAIに任せるべきですか?
「判断が必要な作業は人が担い、照合・集計・差分検出はAIに任せる」が基本の切り分けだ。AIは判断ではなく突き合わせが得意だ。その切り分けについては料金の考え方で、外部に任せる作業の範囲の考え方とあわせて整理している。
Q. 社内に詳しい人がいなくても進められますか?
ファイルの一覧を作り、更新日と流れを確認する作業は、ITの専門知識がなくても進められる。技術的な実装(AIに突き合わせを実行させる部分)は外部に任せる判断も有効だ。「何をやればよいか分からない」という段階から相談に来る会社が多く、それで構わない。
Q. まず何を相談すればよいですか?
「どこから手をつければよいか分からない」という状態のまま来ていただいて問題ない。社内のファイルの状態を見せていただければ、どこに滞りがあるかはこちらで確認できる。無料AI診断で現状を整理するところから始めることもできる。
業務棚卸しは、止まった状態で置いておくよりも、ファイルを起点に一歩動かす方がずっと速い。ヒアリングシートを配る前に、まず共有フォルダを開いてみてほしい。そこにある情報が、棚卸しの出発点になる。