「人間でも読めない文字があるので、5割程度読めていれば十分に良い感じですね」
エネルギー関連の事業を営むある会社との定例ミーティングで、担当者がそう言った。開発側が用意したデモ環境で、事前に送ってもらった手書きの領収書9枚をAIに読み込ませた結果を見た直後のことだ。画面には、読み取れた文字と、読み取れずにスキップされた文字が並んでいた。
正直に言えば、その場に居合わせた誰も「精度をもっと上げましょう」とは言わなかった。数字だけを見れば、約5割。学校のテストなら及第点にすら届かない数字を、その場は即決で「合格」とした。
その5割を「低い」と感じるのは、間違っていない
この数字だけを聞くと、「AIなのに半分しか読めないのか」と感じる人は多いはずだ。その反応自体は、おかしくない。私たちは普段、システムやツールに対して「導入する以上は高い精度で当然」という期待を無意識に持っている。会計ソフトの計算が半分しか合っていなかったら、誰もそのソフトを使わない。
だからこそ、この現場での即決には、少し説明が要る。
「精度で選ぶ」という正論の、抜け落ちている前提
AI導入を検討する経営者から、私たちがよく聞く言葉がある。「精度がもっと上がってから使いたい」。誠実な姿勢であり、正論に見える。慎重に石橋を叩く経営判断として、間違っているわけではない。
だが、この正論には一つ、抜け落ちている前提がある。「今、人間が同じ作業をした場合の精度はどれくらいか」という比較対象だ。
冒頭の領収書は、そもそも人間の担当者が見ても判読できない文字がいくつも含まれていた。レジ袋の「レジ」なのか、何かの略号なのか、書いた本人以外には読めないクセ字。これまでその会社では、経理担当者が首をひねりながら推測して転記するか、分からないまま空欄にして処理してきた。つまり、比較対象である「人間の精度」自体が、そもそも100%ではなかった。
AIの合格ラインは、100点で引くものではない。今の人間の点数で引けばいい。
人間が5割しか読めていない仕事に、AIが5割読めるだけで到達したなら、それはすでに人間と同じ土俵に立ったということだ。しかもAIは、疲れず、休まず、担当者が変わっても同じ基準で処理を続ける。人間比で並んだ時点で、運用上の価値はすでに生まれている。
どこで曖昧さを許し、どこで許さないか
同じ日の打ち合わせで、もう一つ印象的な判断があった。経費精算アプリの勘定科目を自動で振り分ける機能についてだ。「新大阪、岡山」という記載から「JR西日本」を自動判別させたい、という要望に対して、3つの案を示した。
- 案A:ルールベース。「この文字列ならこの科目」という辞書を登録する。間違いが起きない代わりに、事前の登録作業が要る。
- 案B:AIによる推論。地名や文脈からAIに判断させる。登録の手間は要らないが、判断がぶれる余地が残る。
- 案C:過去の修正履歴をAIに学習させ続ける。運用しながら賢くなるが、立ち上がりに時間がかかる。
選ばれたのは、いちばん地味な案Aだった。理由は明快だ。勘定科目の分類を間違えると、会計処理そのものが狂う。後工程への影響が大きい業務では、多少手間がかかっても、確実に同じ結果を返す仕組みを優先すべきだ、という判断だった。
同じ会議、同じチームが、手書き文字の判読では確率的なAIの推測を「十分」と受け入れ、勘定科目の分類では確率的な推測をあえて避けてルールベースを選んだ。矛盾しているように見えて、筋は一本通っている。**間違えても実害が小さく、かつ正解自体が曖昧な仕事は、AIの確率的な判断に任せていい。間違えると後工程が壊れる仕事は、確実性を優先する。**この線引きを、業務の性質を見ながらその場で決めていく判断こそが、ツールを納品して終わる関係と、現場に入り込んで実装まで伴走する関係との違いだと思う。PoCが本番運用まで進まずに終わる企業が大半だという調査を以前紹介したが、その差もつまるところ、こうした一つひとつの線引きを現場で誰が拾うかに行き着く。
全部を事前に潰そうとしない
同じプロジェクトでは、他にも似た判断があった。複数ページのPDF領収書のうち、自転車のレンタル代金だけが特殊なレイアウトで、AIに認識されずスキップされるという不具合が報告された。この時、開発側が選んだのは「あらゆる例外パターンを事前に洗い出して対応する」ことではなく、「実運用で誤りが出たら、その都度サンプルを送ってもらい、裏側の認識ロジックを調整する」という進め方だった。
開発期間にはまだ数ヶ月の余裕があった。だからといって、その時間を「起こりうる全ての例外を先回りして潰す」ことに使わなかった。理由は単純で、実際にどんな例外がどれだけの頻度で起きるかは、動かしてみるまで誰にも分からないからだ。机上で全パターンを想像するより、実際に流れてきたイレギュラーな1枚を直す方が、結果的に早く実用レベルに届く。
パスワード管理の設計でも、同じ発想が働いていた。「パスワードを忘れる社員は必ず出る」という前提に立ち、複雑な自己解決フローを作り込むのではなく、管理者が管理画面から直接パスワードを確認・再発行できる運用に決めた。社内向けの小規模なツールという実態に対して、セキュリティを積み増しすぎない選択だ。
現場で何十社と見てきて思うこと
現場に入って何十社とAI導入の相談に乗ってきて、精度の話になると、最初に必ず「100%でなければ困る」という声が上がる。だが、実際にその業務が今どう回っているかを一段掘り下げて聞くと、人間の手作業も似たような精度でしか回っていないことが少なくない。完璧な人間の作業を、不完全なAIが壊すという構図ではなく、もともと不完全だった作業を、AIが同じ水準で肩代わりできるかどうかという話であることが、驚くほど多い。
アスリートが自己ベストを更新する基準は、理論上の満点ではなく、直近の自分の記録だ。AIを現場に導入するときの合格ラインも、同じように「今の自分たち」を基準に引けばいい。
来週、一つだけ比べてみる
大がかりな精度検証をする必要はない。来週、社内でいちばん精度にばらつきがある手作業を一つ選び、「今、担当者がやった場合の正答率」を一度数えてみてほしい。その数字が意外と低いなら、AIに任せる基準は、思っているよりずっと低いところにある。
自社の「今の精度」を、AIと比べてみたことはあるだろうか。まずは無料のAI活用診断で、自社の現在地を確かめてみてほしい。
