20260829_PLUG_おい走るな立ち止まれ～AI時代における業務設計のあり方～
171 Views
August 29, 26
スライド概要
生成AIやRPA、ノーコード・ローコードの導入率が急速に高まっている現状を示し、AI が業務フローを高速化する一方で、開発者のスキル習得や他者視点の欠如といったギャップが生まれることを指摘しています。従来は自ら調査・実装することで深い理解とチーム内対話が得られましたが、AI 以後は作業が代行されるため、気づきや学びが減少します。そのため、業務課題の整理段階（STEP 1）と実装後のテスト段階（STEP 3）で意図的に立ち止まり、人間同士の対話を通じて業務設計のシンプル化や実用性、リスク・コストを確認することを推奨しています。結果として、AI のスピードを活かしつつ、チーム全体で持続可能な業務改善を実現できます。
RPACommunityライトニングトーク支部主催
関連スライド
各ページのテキスト
おい、走るな、立ち止まれ！ ～ AI 時代における業務設計のあり方～ 百合宮 桜 2026.08.26 @ PLUG
自己紹介 本業 • • • • プライベート 市民開発者教育 Power Platform 教育 内製化開発支援 社内コミュニティの運営 / 企画 副業 • AI （Copilot）関連のイベント • 情報発信 2026/8/29 2
本日の要件_初版 浅い人間なのに(´・ω・`) 2026/8/29 ©yurimiyasakura 3
本日の要件_追加 • DXとは的な哲学 • ボケ すでに過剰 2026/8/29 ©yurimiyasakura 4
謎のメンション • DXとは的な哲学 • ボケ • オタク要素 渋滞 2026/8/29 ©yurimiyasakura 5
本日の要件_ver3_最終版 • DX に関する浅くて深そうな空気の話 • みのるさんをずっこけさせるためのボケ • オタク要素 独断と偏見が過剰なため、一部SNS投稿NGがあります。ご了承ください！ 2026/8/29 ©yurimiyasakura ©yurimiyasakura 6
生成 AI の導入が進んでいます 生成AIを「導入済み」と答えた企業の割合（%） 言語系生成AI 23年度 2023年と 比較し 8.4% 4倍増加 21.0% 24年度 33.9% 25年度 コード系生成AI 24年度 25年度 2024年と 比較し 7.6% 15.3% 2倍増加 日本情報システム・ユーザー協会 「企業IT動向調査報告書2026」P.128 図表8-3-1 を基に作成 業務での生成 AI の活用は「当たり前」になりつつあります 2026/8/29 ©yurimiyasakura 7
RPA / ノーコード・ローコードも人気です 導入済み 試験導入中・導入準備中 55.1% 1 RPA 2 言語系生成AI 3 ノーコード・ローコード 4 タレントマネジメント 24.6% 5 アジャイル開発 21.8% 6 画像・動画系生成AI 17.0% 7 マイクロサービス・API連携 21.8% 33.9% 34.0% 企業導入率 1位＆3位 出典：日本情報システム・ユーザー協会「企業IT動向調査報告書2026」図表8-1-1（n=952） 企業がデジタルツールによる業務効率化と内製化を模索する中で、一定の支持に得ています 2026/8/29 ©yurimiyasakura 8
AI とローコードで業務改善を成功させる人も出てきました 分からなくても AI に相談すれば なんとかしてくれる。 アプリ開発って、思ったより簡単ですね！ AI と一緒に自動化して、 3 時間の作業が 10 分 になりました 半年後・1 年後・あなたがいなくなった後も、 その成功体験は「成功」のままでいられるでしょうか？ ©yurimiyasakura
AI 以前の開発 S T E P 01 STEP 業務の課題を整 理し、作るもの を決める Power Platform で実現可能かを 確認する 要求定義 02 調査 STEP 03 実装 Power Platform を利用して、 システムを作る STEP 04 テスト 実際に使ってみ て、希望通りか を検証する 自分の手で作るから、どこが難しいのか？ どんなスキルが必要かを理解できました ©yurimiyasakura
AI 以後の開発 S T E P 01 S T E P 02 S T E P 03 業務の課題を整理 し、作りたいもの を決める ①を AI に伝えて、 作ってもらう 実際に使ってみて、 希望通りかを確認 する 要求定義 実装 実装が理解の検知器として機能しなくなりました ©yurimiyasakura テスト
AI で速度を得た、でも気付きを失い、ギャップもできた AI 以前 「調べる」「自分で実装する」工程があった • 自分で作るので、時間がかかる • 自ら調べ、実装することで開発や保守に必要なスキルが身についた • 自分で作るからこそ「ここは理解が難しい」「複雑で引継ぎしにく いかも」を体感できた • 自力で分からないことは社内外の有識者に聞いて考えられた • 他者との会話があったので、他者の視点を取り込むことができた AI 以後 調査も実装も AI が代行し、完成まで到達する • AI が作ってくれるので、短い時間でできる • 開発や保守に必要なスキルが身につきにくい • 「ここは理解が難しい」「仕組みが複雑で引き継ぎに苦労するか も」という体感を得にくい • 分からないことを有識者に聞くという発想をしにくい • AI と話すだけで完結するので、他者の視点を取り込みにくい 1 速度 数週間・数か月かかっていた要求定義～実装完了までを数時間で実現できるようになった 2 ギャップ 作業を AI が代行するため、自分の理解を超えたものを作れるようになった 3 気づき AI との会話が増え、人間との会話が減ったため、見落としたコトや理解が浅いコトに気づく機会が減った ©yurimiyasakura
AIで失うものがあることを認識し、立ち止まってみましょう 話す相手 その人が持っている視点 山田さん＋AI だけでは気づきにくい問い 実際に注文する同僚 使う人の視点 注文を間違えたとき、締切後に修正できるか 総務部の後任者 一緒に開発に携わる人の視点 エラーをどこで確認するか、誰に相談するか 上司・管理者 管理する人の視点 給与控除データを扱ってよいか、どれくらい工数（予算） をかけられるか 立場が違えば、持っている視点も違う。だからこそ立ち止まり、人間同士で対話する。
どの段階で立ち止まるのか？ おすすめは「①の時」と「③の時」 S T E P 01 S T E P 02 S T E P 03 業務の課題を整理 し、作りたいもの を決める ①を AI に伝えて、 作ってもらう 実際に使ってみて、 希望通りかを確認 する 要求定義 実装 ここで立ち止まる テスト ここで立ち止まる 走り出す前と、動いた後。この 2 か所で人と話す時間をつくる ©yurimiyasakura
①の時：業務がシンプルになっているかを確認する 複雑になりやすいケース 立ち止まってやること 例外が多い 例外が多い理由や廃止・統合できるものはないか？を考える 利用者の役割によって動きが変わる どこまで網羅するか、統合・廃止できるものはないかを考える 複数のデータを保存する まずは単一データの保存から試すのはどうかを考える 運用に乗せやすい仕組みは、作る前の「業務の設計」から生まれる ©yurimiyasakura
③の時：本当に使えるか？を確認する 全員が Power Platform に詳しい必要はない。知らない人には、その人なりの視点がある • • 使う人 一緒に開発する人 管理する人 アプリやフローを使う同僚 後任者・チームメンバー 上司・社内の IT 管理者 本当に業務が楽になるか 直感的に使い方を理解できるか • • 仕組みを理解できているか 使う人からの問い合わせに対応で きるか • • • 社内ルールに沿っているか 運用リスクはあるか 費用対効果に見合っているか 話すほど自分に足りないものに気づき、AI 任せではない、本当に必要なモノができる ©yurimiyasakura
おい、走るな、立ち止まれ！ AI は私たちを速く走らせてくれる。しかし業務はチームで行うもの。 速度 ギャップ 気づき AI 利用と立ち止まりを 繰り返すことで 以前よりも速く試作できる 立ち止まることで AI の作業を振り返り チームにあった構築ができる 立ち止まることで AI では得られない視点を 加えられる 「私がいなくなっても、この業務は続けられるか？」 立ち止まることで、1 人の成功をチーム全体の成功に変え、持続させられる ©yurimiyasakura