業務分解: AI vs. 人間

ここで扱うのは、現場での切り分けではなく、その背後の方法論である

業務分解という概念は、これまでにも繰り返し登場してきました。

事業会社のAI化を定義する際にも、業務をまるごとAI化する場面でも、急がば回れの順序を説明する場面でも、「業務を分解する」という言葉は出てきました。

ここまで扱ってきたのは、業務分解の必要性と、現場でどう走るか、という側面でした。

本節では、その背後にある方法論を、フレームワークとして言語化します。私たちがどんな基準で工程を仕分けし、どう優先順位を決めているのか、という設計の話です。

学術的な土台：先行研究からの再構成

私たちが業務分解で使う基準は、ゼロから発明したものではありません。

次のような先行研究の蓄積が、土台にあります。

Autor, Levy, Murnane (2003) は、業務をroutine / non-routine、cognitive / manual の2軸で分類するフレームを提示しました。労働経済学の領域で広く参照されている整理です。McKinsey Global Institute (2017) は、自動化適性を評価するために、予測可能な物理作業、データ処理、ステークホルダー対応など、業務活動を7つに分類しました。Frey & Osborne (2013) は、自動化されにくい三大ボトルネックとして、知覚と操作、創造的知性、社会的知性 (social intelligence) を挙げました。Brynjolfsson & Mitchell (2017) は、Science誌に発表した論文で、機械学習に向く業務の8基準を提案しています。

これらの蓄積を、AI時代の業務再定義に使える形に再構成したのが、私たちが用いる4軸のフレームワークです。

Mumonの業務分解フレームワーク：4軸スコアリング

工程を見える化したあと、それぞれを評価するために使うのが、4つの軸です。

定型性 (Routineness)

同じパターンが繰り返されるか、毎回ユニークか。Autor らのroutine / non-routine 軸を直接の土台としています。定型性が高いほど、AIが安定して処理できます。

判断の重要度 (Decision Stakes)

間違えたときのコストが大きいか軽いか。McKinsey の自動化適性評価における「判断の影響度」と、HBR系のdecision-rights frameworkを土台にしています。重要度が高い判断は、人間が最終決裁すべき領域に置かれます。

頻度・量 (Volume)

24時間対応や大量処理が要るか。McKinsey Global Instituteの自動化評価で重視される因子の一つです。頻度が高いほど、AIによる規模の経済が効きやすくなります。

関係性接触 (Relational Contact)

ユーザーの感情、信頼、関係性を扱うか。Frey & Osborne のsocial intelligence ボトルネック議論を土台にしつつ、Mumonの文脈に合わせて「関係性」を中心に据えました。この軸は、私たちが顧客接点領域に絞り込んでいることと深く結びついています。

4軸を組み合わせて、3区分に再配置する

4軸は、独立して使うのではなく、組み合わせて優先順位を出す設計です。

判断重要度が低く、定型性が高く、頻度が高い工程は、即時にAI化すべき領域です。失敗コストが軽く繰り返し処理が多いので、AIに任せれば最も効率が上がります。

逆に、判断重要度が高く、関係性接触も強い工程は、人間が中心に担うべき領域です。ブランド判断や重要顧客との交渉がここに入ります。

その間に、ハイブリッドの領域があります。AIが下案を作り、人間が最終確認するかたちで機能する工程です。提案書や感度の高いメール文案などです。

このスコアリングを通して、業務全体は「人間とAIの最適配置」へ組み替えられていきます。私たちは、案件ごとに業務マップを作成し、4軸スコアと3区分の配置を可視化したうえで、AI化の優先順位を意思決定します。

このマップそのものが、案件をまたいで再利用できる資産になります。

関係性接触の高い領域では、もう一つの設計思想が要る

ここで、4軸の中でも特に注意が必要なのが、関係性接触の軸です。

ユーザーの感情、信頼、長期の関係性を扱う領域、すなわち会話が売上に直結する顧客接点では、機能の正確さだけでは差別化できません。FAQ対応の精度、フォロー文案の質、一次対応の速度。これらはどのAIでも一定水準を超えてしまっています。

差を生むのは、

• ブランドらしい応答のトーン
• 共感の程度
• 押し引きの判断
• 長期にわたる関係の記憶

です。

一般的な業務AIエージェントだけでは、これらを安定して再現することが難しい領域があります。だから私たちは、関係性接触の高い領域には、別の設計思想を持つAIを併用します。

それが、次節で扱うAI人格OSです。