課題：「繰り返し判断業務」の構造的限界

どの事業にも、ある種の業務が必ず存在する。

「これは問題があるか？」「条件を満たしているか？」という判断を、一件ずつ人が処理し続ける業務だ。件数が増えるほど対応が追いつかなくなる。担当者が変われば判断のぶれが生じる。「誰かがやらないといけないが、増やすにも限界がある」という状態に陥りやすい。

AIで自動化できそう、という発想は自然に出てくる。実際、出てきた。

最初の試み：ノーコードAIで動かした

最初に選んだのは、ノーコードAIツール「Dify」だった。

ビジュアルでフローを組み、段階的なスコアリング判定を実装した。動いた。審査は自動化された。処理件数もこなせるようになった。「これでいける」という手応えがあった。

しかし使い込むほど、見えてくるものがあった。

限界：ノーコードで制御できなかったもの

業務上の判断基準には、例外がある。

「原則NG、ただし〇〇の場合はOK」という条件が、業務を深く理解するほど増えていく。ノーコードツールでは、この例外をプロンプトの記述だけで制御することになる。それが限界だった。

出力がぶれる。どこで何が起きているか追えない。直そうとしても、どのノードが原因かを特定するのに時間がかかる。修正が別の箇所に影響する。

ここで気づいたのは、これはツールの問題ではないということだ。AIそのものの構造的な特性だ。

LLMは確率的な出力をする。同じ入力を渡しても、毎回まったく同じ結果が返るとは限らない。これはバグではなく、アーキテクチャの仕様だ。Anthropicも公式ドキュメントに明記している。「temperature=0に設定しても、出力の完全な一致は保証されない」と。

プロンプトだけで例外ルールを制御しようとするのは、確率的な出力を決定論的に動かそうとする試みだ。構造的に無理がある。

数ヶ月かけて動かしたシステムだった。ゼロに戻すということは、その作業の全てを捨てることを意味した。それでも判断できたのは、「この設計では先がない」という確信があったからだ。直しても直しても、根本的な問題は変わらなかった。完成したシステムを捨てる判断をした。

ノーコードAIで止まっている方、構成の相談はこちらから。

AI顧問サービスを見る →

再設計：「AIを信頼しない」という設計思想

新しい実装で変えたのは、ツールより設計思想だった。

キーワードは「AIを信頼しない」。AIに判断させる。でも出力をそのまま業務に使わない。

この考え方には、業界的な文脈がある。AI設計の世界では「Human in the Loop（HITL）」と呼ばれるアーキテクチャだ。AIが処理し、コードが検証し、ルールと状態を管理するのはコード側。AIは「提案」し、コードが「その提案を業務ルールに照らして確定させる」。この役割分担が業務に組み込める自動化の条件になる。

具体的には二つの層を設けた。

Layer 1：プロンプト設計
AIに正しく考えさせる。業務ルールを構造化したデータとして渡し、判断の根拠を出力させる。

Layer 2：コードによる補正
AIの出力を、業務固有のルールでコードが矯正する。「このキーワードが含まれていたら強制的に判定を上書きする」「このパターンが揃ったら一段引き上げる」という明示的なルールをコードで書く。AIが迷う箇所は、コードが確定させる。

——この原則を構造として実装したのが、この二層設計だ。

さらに、出力した判断をAI自身に再確認させる「自己チェック」も加えた。「あなたの判断に矛盾がないか確認してください」と問い直す、2回目のAPI呼び出しだ。

この二層構造が、ノーコードでは実現できなかった部分だった。

結果：設計を変えて何が変わったか

判断精度は大幅に向上した。

ノーコード実装と比較して、精度のぶれが明確に減った。「なぜこの判定になったか」をコードレベルで追跡できるようになり、改善サイクルも速くなった。

その後、チームの体制に変化があった。異動や退職が重なった時期がある。しかし業務は止まらなかった。自動化の設計を整えていたから、体制が変わっても継続できた。

転用：この設計はあなたの業務で使えるか

なぜ業種が違っても同じ設計が使えるのか。繰り返し判断業務には、共通する三つの条件があるからだ。

1. ルールが明文化できる（「〇〇の場合はOK」と言語化できる）
2. 繰り返し発生する（1回きりではなく、定期的に起こる）
3. パターンがある（過去の判断の積み上げが、次の判断を改善できる）

この三条件が揃う業務なら、AIの「提案」とコードの「検証」の役割分担が機能する。

業種が違っても、判断の構造は同じだ。

まとめ

AIは使えば動く。ノーコードツールで自動化を始めることは正しい一手だ。

ただ、業務の複雑さがある一定を超えると壁が来る。判断のぶれを制御しきれなくなり、修正のコストが積み上がる。原因はAIの確率的な性質にある。同じ入力でも出力がぶれる。それはツールを変えても解決しない。

その先に必要なのは「設計」だ。AIに何を任せ、コードで何を補い、AIにどこで再確認させるか。この二層の役割分担を決めることが、業務に組み込める自動化と、動くだけの自動化の分岐点になる。

AI導入の設計から実装まで、tosakafunkでは個別相談を受け付けています。「自社の業務に使えるか知りたい」という段階からでも対応します。

AI顧問サービスを見る →