AI要件定義とは｜「自社AIに何を作らせるか」を業務課題から決める進め方

「自社でもAIを活用したいが、結局何を作ればいいのか分からない」という方も多いでしょう。ChatGPTを触ってみたり、社内で生成AIを試したりはしたものの、自社の業務課題とどうつなげればいいのかで止まってしまう、という相談をAI・DX推進のご担当者からよくいただきます。

しかし、この「何を作るか」が決まらないまま開発に入ると、PoC（試験的な導入）で止まってしまい、本番運用までたどり着けません。AIの実装技術そのものは年々速く・簡単になっている一方で、業務の言葉をAIの要件に翻訳する工程が抜け落ちているケースが多いためです。

そこで本記事では、

• AI要件定義とは何か・通常の要件定義との違い
• 業務課題を「イン（入力）×アウト（出力）」に翻訳する考え方
• イン×アウトで決まるAI活用の4類型と技術の見当のつけ方
• KPI・精度要件の決め方とPoC止まりを避ける進め方

についてわかりやすく解説します。自社のどの業務をどうAI化すべきか言語化したいAI・DX推進のご担当者は、ぜひ最後までご覧ください。

「自社の業務課題をAIの要件にどう落とせばよいか分からない」という方は、リベルクラフトへご相談ください。リベルクラフトでは、AI活用方針の策定や要件定義といった構想段階から、PoC・本格導入までワンストップで伴走支援が可能です。まずは以下のリンクからお気軽にお問い合わせください。

⇨リベルクラフトへの無料相談はこちら

AI要件定義とは｜「何を作るか」を決める工程

AI要件定義とは、解決したい業務課題に対して「どんなデータを入力し、どんな結果を出力するAIを作るのか」を言語化し、技術選定や精度の基準まで決める工程を指します。AI開発の上流にあたり、ここが曖昧だと後続の開発がすべてぶれてしまいます。

AIプロジェクトは大きく、企画→要件定義→PoC→開発→運用という流れで進みます。このうち要件定義は、ビジネス側の「困りごと」を技術側が実装できる「仕様」に変換する橋渡しの役割を担います。リベルクラフトでは、この変換を業務の言葉とAIの言葉の「トランスレーション（翻訳）」と呼んでいます。

通常の要件定義との違い

一般的なシステム開発の要件定義は、入力に対する出力が決まっていれば、仕様どおりに動くものを作れます。一方、AIの要件定義には次のような特有の難しさがあります。

観点	通常のシステム要件定義	AI要件定義
出力の性質	入力に対し答えが一意に決まる	確率的で、精度100%は前提にできない
データ依存	仕様が決まれば作れる	学習・参照するデータの質と量に成果が左右される
決めること	機能・画面・処理フロー	入力・出力に加え、精度の合格ライン（KPI）と評価方法

この表からわかるのは、AI要件定義では「何を入力し、何を出力するか」に加えて、「どこまでの精度なら業務に使えるか」までを決める必要があるという点です。AIは人と同じく間違えることがある前提で、合格ラインを業務側と握っておくことが、後のトラブルを防ぎます。

なぜ今AI要件定義が重要か

ここ数年で、AIを実装する技術は急速に進化し、比較的簡単なものなら短期間で形にできるようになりました。だからこそ、相対的に「業務課題をAIの要件に翻訳する」工程が、プロジェクトの成否を分ける壁になっています。

「ChatGPTで試したらできなかった」というご相談の多くも、ツールの性能ではなく、解きたい業務課題とAIの要件がかみ合っていないことが原因です。AIブームで「とにかくAIで何かやろう」という号令が先に立ちやすい今こそ、何を作るのかを定義する力が重要になっています。

AI要件定義が曖昧だとPoC止まりになる

AI要件定義の重要性は、それが欠けたときに何が起きるかを見るとよくわかります。最も典型的な失敗が、PoCから先に進めなくなる状態です。

AIプロジェクトの多くがPoCで止まる

Gartnerは、30%以上の生成AIプロジェクトがPoC（概念実証）の後に断念されると予測しています。その要因として、データ品質の低さ、リスク管理の不備、コスト、事業価値の不明確さを挙げています（Gartner 2024年7月予測）。

参考：Gartner Predicts 30% of Generative AI Projects Will Be Abandoned After Proof of Concept by End of 2025｜Gartner

これらの要因をたどると、多くは「AIに何をさせるか」「どの指標がどうなれば成功か」という要件が決まりきっていないことに行き着きます。合格ラインのないまま試作だけを繰り返すと、PoCがループして終わらない、いわゆるPoC止まりに陥ります。

「ChatGPTでできなかった」が起きる理由

要件が曖昧なまま手を動かすと、技術の選び方そのものがずれてしまうことがあります。例えば、本来は画像を判定するAIが必要な課題に、文章生成が得意な生成AIで挑んでしまう、といったケースです。

「何でもChatGPTやCopilotで解こう」とすると、入力データの種類や出力の性質に合わない技術を選んでしまい、うまくいきません。逆に言えば、入力と出力さえ正しく定義できていれば、適切な技術はおのずと絞られます。次章から、その定義の進め方を順に見ていきます。

AI要件定義の起点は「業務課題の言語化」

PoC止まりを避けるための出発点は、技術ではなく業務課題の言語化です。ここを飛ばして技術から入ると、前章のようなミスマッチが起きやすくなります。

AIありきにしない

最初に確かめたいのは、「そもそもAIを使うべき課題なのか」です。やりたいことがルールどおりの処理の自動化や定型的なデータ集計であれば、AIではなくRPA（定型作業の自動化ツール）やBIツールで十分なこともあります。

達成したいのは業務課題の解決やサービスの売上であって、AIの導入そのものではありません。AIを目的化せず、まず「何に困っているか」を言葉にすることが、無駄な開発を避ける第一歩になります。

部門ごとに大きな課題をリストアップする

課題の言語化は、個人の思いつきではなく、業務・サービス・部門・チーム単位で進めると抜け漏れが減ります。それぞれが抱える大きな課題をリストアップし、「この業務のここに時間がかかっている」「この判断が人によってばらつく」といった具体的な困りごとに落とし込みます。

この段階はビジネス側の話であり、AIの知識は必要ありません。むしろ現場を知る人ほど、解くべき課題を正しく挙げられます。使えるデータがどこにあるかを並行して洗い出す進め方については、AI導入前の社内データ棚卸し5ステップで詳しく解説しています。

中核は「イン（入力）×アウト（出力）」の定義

業務課題を言語化できたら、次はそれをAIが扱える形に翻訳します。ここで中核になるのが、「イン（入力）」と「アウト（出力）」の2軸です。

この2つさえ明確になっていれば、ベンダーへの相談も、ChatGPTやCopilotを使った技術の下調べも、精度高く進められます。逆に、入力と出力が曖昧なまま「なんとなくRAGをやりたい」「なんとなくAIエージェントを作りたい」と進めると、技術選定がぶれてうまくいきません。

インプット：構造化・半構造化・非構造化

まず、AIに入力するデータがどんな形式かを整理します。形式によって扱いやすさが大きく変わるためです。

入力データの分類	代表例	扱いやすさ
構造化データ	基幹システムのDB・売上・受注などの表形式データ	整理済みで扱いやすい
半構造化データ	章・節構造が明確な社内規定・整ったExcel/PDF	ある程度の前処理が必要
非構造化データ	画像・音声・手書きメモ・レイアウトの複雑な資料	前処理の難易度が高い

同じドキュメントでも、章立てが明確な社内規定は扱いやすく、図表が混在した複雑なレイアウトのカタログは非構造化に近づきます。この表のどこに自社のデータが当てはまるかを見極めることが、後の技術選定や難易度の見当に直結します。

アウトプット：判定・分類・スコアリングと生成・提案

次に、AIに何を出力させたいかを決めます。出力は大きく2系統に分かれます。

• 判定・分類・スコアリング系：「OKかNGか」「どのカテゴリか」「危険度は何%か」など、決まった枠に当てはめる出力
• 生成・提案系：文章の要約・回答の生成・提案書の作成など、新しいアウトプットを作り出す出力

例えば、同じ問い合わせ対応でも、「問い合わせを種類ごとに振り分けたい」なら分類、「回答文そのものを作りたい」なら生成です。検索をしたいのか、提案書を作りたいのかでも使う技術はまったく変わります。出力の種類を一段細かく言葉にしておくことが、要件定義の精度を左右します。

イン×アウトで決まるAI活用の4類型

入力と出力が定義できると、自社の課題がどの技術領域に当てはまるかが見えてきます。リベルクラフトでは、入力（構造化か非構造化か）と出力（判定か生成か）の組み合わせを4つの類型で整理しています。

構造化×判定＝自動化・RPA、構造化×生成＝最適化

構造化データを使って判定・分類したい場合は、効率化・自動化の領域です。伝票処理の仕分けや、与信スコアリング、解約予測、不正・異常検知、需要予測などが代表例です。ルールベースやRPAに寄せられることも多く、実装は比較的コンパクトにできる一方、業務インパクトは中程度にとどまる傾向があります。

構造化データを使って生成（最適化）したい場合は、在庫最適化や価格最適化、シミュレーションなどが該当します。専門性が高く、取り組む企業は限られます。

非構造化×生成＝RAG（意思決定支援・初手向き）

非構造化データを使って回答や文章を生成したい場合の代表が、RAG（検索拡張生成）です。RAGとは、社内マニュアルや過去のやり取りといった社内ナレッジを検索して引き出し、その情報をもとにAIが回答を生成する仕組みを指します。社内問い合わせ対応やドキュメント検索、過去事例の参照といった意思決定支援に向いています。

この領域は、近年マネージドサービスも増えて取り組みやすく、問い合わせ対応の工数削減のように効果（ROI）も測りやすいのが特徴です。そのため、最初の一歩としてRAGから着手し、効果を確認してから他領域へ広げるスモールスタートがよく取られます。RAGの具体的な使い方については、RAGの活用事例17選で詳しく紹介しています。

画像×判定＝画像AI、ベテラン知識×生成＝AIエージェント

画像などの非構造化データを判定したい場合は、外観検査や異常検知に使う画像AIの領域です。業務インパクトは大きいものの、データ収集から始める必要があったり、設備との連携が必要だったりして、実現までに半年から1年かかることもあります。

ベテランの知識を引き継いで提案などを生成したい場合は、AIエージェントやファインチューニング（既存AIの追加学習）の領域です。インパクトは最も大きい一方、開発・チューニングの難易度は高くなります。各業界でどの類型のAIが使われているかについては、業界別AI活用事例10選で詳しく紹介しています。

このように、4類型のどこに当てはまるかが分かれば、難易度とインパクトの見当がつき、どこから着手すべきかを判断できます。

自社の課題がどの類型に当てはまるか整理したいという方は、リベルクラフトの無料相談をご利用ください。

⇨リベルクラフトへの無料相談はこちら

技術を選んだ後に詰める「要件」（KPI・精度・データ）

類型から使う技術の見当がついたら、最後にAIならではの要件を詰めます。ここを曖昧にすると、技術が決まっていてもPoC止まりに逆戻りしてしまいます。

精度要件の設計（漏れなくアラート vs 狼少年回避）

AIの精度要件は、単に「高ければよい」ではありません。何を重視するかで設計が変わります。例えば異常検知では、次の2方針で求める挙動が逆になります。

• 漏れなく検知したい：多少の過剰検知は許容してでも、見逃しをゼロに近づけたい
• 誤報を減らしたい：アラートが多すぎると現場が反応しなくなる（狼少年化する）ため、本当に危険なものだけを検知したい

どちらを優先するかで、AIの判定基準もKPIも変わります。この精度要件は見落とされがちですが、業務に落とし込む段階で論点になりやすいポイントです。

70-80%精度でも業務に落とす

精度に関するもう1つの要点が、100%を求めないことです。人もAIも100%の精度はあり得ません。「90%以上でなければ困る」と固執すると、いつまでも合格ラインに届かずリリースできない、という状態に陥ります。

現実的には、70〜80%の精度でも業務に組み込めるよう、運用の設計でカバーします。例えばAIの判定を最終確認するのは人が担う、確信度の低いものだけ人にエスカレーションする、といった形です。「どの指標が、どの水準になれば業務で使えるか」というKPIを、ビジネス側と技術側で事前に合意しておくことが、PoCループを断ち切る鍵になります。

RAGならデータ形式・出典明示・エスカレーション分岐

RAGのように非構造化データを扱う場合は、要件として詰める項目が増えます。代表的なのが次の3点です。

• データ形式：対象が章立ての明確な規定文書か、図表混在の複雑なカタログかで、構築の難易度が大きく変わります
• ハルシネーション対策：誤った情報の生成を防ぐため、回答に出典を明示し、文書を更新できる管理体制を整えます
• エスカレーション分岐：すべて自動回答にするのか、特定の問い合わせは人へ上げるのかを条件として定義します（条件で経路を変えるRAGはアダプティブRAGと呼ばれます）

これらを要件として固めておくと、自前で構築するか、マネージドサービスやノーコードツールで済ませるか、といった実装方針の判断もしやすくなります。

AI要件定義の事例｜製造業の画像AIと社内問い合わせのRAG

ここまでの考え方を、2つの事例でなぞってみます。いずれも内容を一般化しています。業務課題から入力・出力・要件へと翻訳する流れを確認してください。

製造業 目視検査（イン＝検査画像、アウト＝OK/NG判定）

課題：ある製造業のお客様では、溶接部の目視検査で見逃しが発生していました。検査員の経験年数によって判定にばらつきがあり、人手不足でベテランが少なく、ジョブローテーションで担当も入れ替わるという背景がありました。

イン・アウト：入力は検査対象の溶接画像、出力は不良かどうかの判定（OK/NG、あるいは5段階などのクラス分け）です。これは画像×判定の類型にあたり、カメラ画像を分類する画像AIで解く、と技術の見当がつきます。

要件：検出クラス（OK/NGか5段階か）と、前述の精度要件（漏れなく検知か、誤報を抑えるか）を決めます。画像を取り込み、コントラスト調整などの前処理を経てAIが判定し、結果を現場へ通知します。近年はLLMでアラートを言語化し、注意喚起まで行う構成も増えています。KPIは不良検出率や流出率の削減で、ROIに直結します。製造業での生成AIの使い方については、製造業×生成AIの活用法で詳しく解説しています。

社内問い合わせ対応（イン＝社内ナレッジ、アウト＝回答生成）

課題：問い合わせ対応の工数を削減したい、という多くの企業に共通する課題です。

イン・アウト：入力は社内マニュアル・カタログ・過去のやり取り・メールやチャットのナレッジ、出力は回答文の生成です。これは非構造化×生成の類型にあたり、RAGで解く、と見当がつきます。

要件：扱うデータの形式（規定文書か複雑なカタログか）を明確にし、出典明示によるハルシネーション対策、評価指標（一次回答率・エスカレーション率）、人へ上げる分岐条件を定義します。ここまで決めておけば、回答の自動化を無理なく業務へ組み込めます。社内データをRAGで活用する手順については、ChatGPT×RAGで社内データを活用する手順で紹介しています。

AI要件定義の進め方5ステップ

最後に、ここまでの流れを実際の手順として整理します。この5ステップをなぞれば、「何を作るか分からない」状態から「要件を言語化して相談できる」状態まで進められます。

1. 業務課題を言語化する：部門・業務単位で困りごとを洗い出す。AIありきにしない
2. イン・アウトを定義する：入力データの形式（構造化か非構造化か）と、出力の種類（判定か生成か）を言葉にする
3. 4類型に当てはめる：自動化、RAG、画像AI、AIエージェントのどこに該当するかで技術の見当と難易度をつかむ
4. 技術を選定する：類型をもとに、ベンダーやChatGPTとの対話で具体的な技術候補を絞る
5. 要件を定義する：KPI・精度の合格ライン、扱うデータ、エスカレーション分岐などを決める

重要なのは、上から順にビジネス側がリーダーシップを取って進めることです。技術はトランスレーションが終わった後についてきます。この順序を守ることが、技術のブラックボックス化を防ぎます。

まとめ

AIプロジェクトでつまずく最大の壁は、技術ではなく「何を作るか」を決める要件定義にあります。本記事の要点を整理します。

• AI要件定義とは、業務課題に対し入力・出力・精度の基準まで決める工程
• 実装が速くなった今、業務をAIに翻訳する「トランスレーション」が成否を分ける
• 起点は業務課題の言語化。AIありきにせず、まず困りごとを言葉にする
• 中核はイン（入力）×アウト（出力）の定義。これで技術がおのずと絞られる
• 4類型（自動化・RAG・画像AI・AIエージェント）で難易度とROIの見当をつける
• 100%精度を求めず、KPIをビジネス側と合意してPoC止まりを断つ

まずは自社の1つの業務を選び、「入力は何か、出力は何か」を書き出すところから始めてみてください。それだけで、ベンダーやAIへの相談の質が大きく変わります。

ウェビナー資料（ホワイトペーパー）のダウンロード

本記事のもとになったウェビナー「自社AIに何を作らせるか」の資料を、ホワイトペーパーとして配布しています。イン・アウトの整理表や4類型の図解、要件定義の進め方をまとめた内容です。社内でAI化の対象業務を検討する際の叩き台としてご活用ください。

⇨ウェビナー資料のダウンロードはこちら

AI要件定義・PoCの相談は「リベルクラフト」

ここまで読んで、「自社のどの業務を、どんな要件でAI化すべきか整理しきれていない」と感じた方も多いのではないでしょうか。

リベルクラフトでは、AI活用方針の策定や要件定義といった戦略・構想の立案から、PoC（試験的な導入）、本格導入、社内人材を育てる教育・スクールまでを一気通貫で支援しています。RAGチャットボット・AIエージェントのSaaS「ソクラグ」も提供しています。製造・流通・金融など複数業種での支援実績をもとに、「自社のどの業務から、どんな要件で始めるべきか」からご相談いただけます。

次のような課題をお持ちの方に最適です。

• AIを活用したいが、自社のどの業務を対象にすべきか決めきれていない
• 業務課題をAIの要件（インとアウト）にどう翻訳すればよいか分からない
• PoCを実施したものの、本番運用まで進められず止まっている
• 自社のデータでRAGや画像AIをどう実現できるか相談したい

「AIで何かやりたいが、何を作ればいいか分からない」という段階でも、まず現状の課題をお気軽にお聞かせください。

⇨リベルクラフトへの無料相談はこちら