「AIに指示したら、あっという間に業務アプリが完成した！」
生成AIの進化によって、プログラミングの専門知識が少ない人でも、業務システムの試作品を作りやすくなっています。
以前なら開発に時間がかかっていたシステムでも、AIが画面やプログラムを短時間で作成してくれる場合があります。
しかし、ここで一つ疑問があります。
AIで簡単にシステムを作れるようになったのに、
なぜ業務改善に失敗する企業があるのでしょうか？
実は、システムが完成することと、会社の業務が改善されることは別問題です。
Googleの2025年DORA調査でも、AIは組織がもともと持っている強みや弱みを増幅する存在であり、成果を左右するのはAIツールだけではなく、業務の流れや組織の仕組みであると分析されています。
今回は、DX担当ちゃま男と先輩の会話を交えながら、AIで作ったシステムが現場で失敗する5つの理由と、中小企業が取るべき対策を解説します！
AIでシステム開発は簡単になった。でも業務改善は別問題
DX担当 ちゃま男先輩！最近のAIってすごいですよね！
「在庫管理アプリを作って」とお願いしたら、画面もプログラムも作ってくれるんですよね？
ちゃま男の先輩そうだね。以前より短時間で試作品を作れるようになっているよ。
でも、画面が動くからといって、実際の工場で使えるとは限らないんだ。
DX担当 ちゃま男えっ！在庫数が表示されて、入庫や出庫が登録できれば、完成じゃないんですか？
ちゃま男の先輩例えば、品質検査中で使ってはいけない在庫や、別の注文に引き当てられた在庫はどうする？
実際の業務には、画面を作るだけでは解決できないルールがたくさんあるんだよ。
AIが得意なのは、指示された内容を形にすること
生成AIは、プログラムの作成、画面設計、テストの支援など、さまざまな開発作業に利用できます。
一方で、AIが自社の業務を最初から完全に理解しているわけではありません。
例えば、在庫管理システムを作成する場合でも、会社によって次のような違いがあります。
- 在庫をどの単位で管理するのか
- いつ在庫を増減させるのか
- 不良品や検査中の在庫をどう扱うのか
- 受注に対して在庫をいつ引き当てるのか
- 棚卸差異を誰が承認するのか
こうした条件が整理されていなければ、AIが作成したシステムは、実務に合わないものになる可能性があります。
理由① 解決すべき課題が曖昧なまま開発している
最初の落とし穴は、システムの導入自体が目的になってしまうことです。
例えば、経営者が次のように指示したとします。
「Excelで管理している在庫を、AIで新しいシステムにしてほしい」
この指示だけでも、AIは在庫管理システムの試作品を作成できるかもしれません。
しかし、本当に解決すべき問題は何でしょうか。
例えば、次のような課題が考えられます。
- 在庫を確認するのに時間がかかる
- 在庫数が実際の数量と一致しない
- 原材料の発注漏れが発生する
- 入出庫の記録が遅れる
- 担当者しか在庫状況を把握できない
これらは、同じ「在庫管理の問題」に見えても、必要な解決策が異なります。
システムを作る前に、改善目標を決める
例えば、「在庫確認にかかる時間を減らす」という目的であれば、まず現在の確認時間を測定します。
また、在庫差異を減らすことが目的なら、どのような原因で差異が発生しているのか調査する必要があります。
何を作るかより先に、何を改善したいのかを明確にすることが重要です。
理由② 現場特有の業務ルールや例外処理を理解していない
2つ目は、現場の業務を十分に理解しないまま開発を進めることです。
ここで重要になるのが「ドメイン知識」です。
ドメイン知識とは、ある業界や業務に特有のルール、専門知識、商習慣などを理解していることです。
例えば、製造業では、在庫管理一つを取っても次のような条件があります。
| 一般的な在庫管理の考え方 | 製造現場で必要になる考え方 |
|---|---|
| 在庫が10個ある | 10個のうち使える在庫は何個か |
| 商品を出庫する | どのロットから出庫するか |
| 在庫数を修正する | 棚卸差異を誰が承認するか |
| 在庫が少なくなったら発注 | 生産計画や調達リードタイムを考慮する |
例えば、在庫が100個あっても、そのうち80個が別の受注に引き当てられていれば、新しい受注へ自由に使えるのは20個かもしれません。
また、品質検査で保留中の在庫は、物理的に存在していても生産に使用できない場合があります。
こうした業務上の条件を理解していなければ、画面上の在庫数量は正しくても、実務では問題が発生します。
重要なのは、例外的な業務を確認すること
システム開発では、正常な業務の流れだけでなく、例外的な状況を確認する必要があります。
例えば、次のようなものです。
- 入庫した原材料に不良が見つかった
- 一度登録した出庫情報を取り消したい
- 同じ製品を複数の担当者が同時に出庫する
- 棚卸で数量の不一致が発生した
- 生産指示が急に変更された
通常の業務だけでなく、問題が起きたときにどう処理するかまで設計する必要があるのです。
理由③ データが整理されていない
3つ目は、システムで使うデータの問題です。
例えば、同じ原材料が次のように登録されている場合を考えましょう。
- 原料A
- 原材料A
- A-001
- 原料Ａ
これらが同じものを意味していても、システムが自動的に正しく判断できるとは限りません。
さらに、数量の単位が「kg」と「g」で混在している場合、集計や計算で問題が発生する可能性があります。
データの整理は、AI導入以前の問題
2026年4月、経済産業省とIPAは「デジタルスキル標準 Ver.2.0」を公表しました。
この改訂では、AI活用が進む中で、データの整備・管理・利活用を担う役割の重要性が高まっていることを踏まえ、「データマネジメント」の類型が新設されています。
AIを活用する場合でも、正しいデータを継続して記録し、必要なときに利用できる状態にすることが重要です。
理由④ 現場の業務フローが改善されていない
4つ目は、新しいシステムを作っても、以前の作業が残っていることです。
例えば、紙の日報をデジタル入力できるようにしたとします。
しかし、入力後も担当者がExcelへ転記し、さらに管理者が紙に印刷して確認していたらどうでしょうか。
システムが増えただけで、作業時間が減らない可能性があります。
デジタル化と業務改善は同じではない
DX担当 ちゃま男：
せっかく新しいシステムを作ったのに、紙もExcelも残っていたら意味が薄いですね。
ちゃま男の先輩：
そうだね。
システムを作るときは、何を新しくするかだけでなく、今までのどの作業をやめるかも考える必要があるんだ。
例えば、入力内容を自動集計できるようになった場合、手作業で作成していた集計表が不要になるかもしれません。
また、承認をシステムで行うなら、紙の押印が必要かどうかも見直す余地があります。
ただし、法令や取引先との取り決めにより必要な手続きは残す必要があります。
理由⑤ 導入後の効果測定と改善が行われていない
5つ目は、システムを作った段階でプロジェクトが終わってしまうことです。
業務改善は、システムを導入して終わりではありません。
実際に使ってみると、想定していなかった問題が見つかる場合があります。
例えば、次のようなものです。
- 入力画面が使いにくい
- 必要な情報を探すのに時間がかかる
- 一部の業務がシステムに対応していない
- 現場で入力ルールが守られていない
- データが蓄積されても活用されていない
こうした問題を継続的に見直すことが重要です。
開発速度が速くても、成果が出るとは限らない
Googleの2025年DORA調査では、AIの活用はソフトウェア開発の生産性向上に役立つ一方、組織の既存の問題を増幅する場合もあると分析されています。
例えば、業務ルールが曖昧な会社でシステム開発を高速化すると、曖昧なルールのまま多くの機能を作ってしまう可能性があります。
AIの利用そのものよりも、組織がどのように仕事を進めるかが重要なのです。
出典：Google DORA｜2025年 AI支援ソフトウェア開発調査
中小企業は何をすべきか？AI開発を成功させる5つのステップ
それでは、中小企業がAIで業務システムを開発する場合、どのように進めればよいのでしょうか。
ステップ① 改善したい業務と目標を決める
まずは、改善したい業務を一つ選びましょう。
例えば、「在庫数の確認にかかる時間を短縮する」といった目標です。
このとき、導入前の作業時間や発生している問題を記録しておきます。
ステップ② 現場の担当者から業務の流れを聞く
実際に仕事をしている担当者から、通常の業務と例外的な業務を確認します。
特に、「イレギュラーが発生したとき、どう対応しているか」を聞くことが重要です。
ステップ③ 必要なデータとルールを整理する
品番、設備番号、単位、担当者、承認ルールなどを整理します。
必要なデータがそろっていなければ、開発する前に記録方法の見直しが必要です。
ステップ④ 小さな試作品を作って現場で検証する
最初から全社で使うシステムを作る必要はありません。
一つの業務、一つの部署などに対象を絞り、架空データや適切に管理したテストデータで検証します。
ステップ⑤ 効果を測定し、業務を改善する
導入前後で、作業時間や入力ミス、確認にかかる時間などを比較します。
また、現場の担当者に使いにくい部分がないか確認し、継続的に改善しましょう。
| ステップ | 主に確認すること |
|---|---|
| ① 目的設定 | 何を改善したいのか |
| ② 業務理解 | 実際の業務と例外処理 |
| ③ データ整理 | 必要な情報・入力ルール |
| ④ 小規模検証 | 現場で正しく使えるか |
| ⑤ 効果測定 | 業務時間やミスが改善したか |
関連サービス｜業務に合ったシステムを構築するために
AIを利用すれば、業務システムの試作品を以前より短時間で作れる場合があります。
しかし、実際の製造現場では、業務ルールや既存システムとの連携、導入後の運用まで考えることが重要です。
ラック・インターナショナル株式会社では、kintoneなどのノーコードツールを活用し、中小製造業の業務に合わせたシステム構築や導入後の運用支援を行っています。
例えば、在庫管理、設備保全、製造進捗、品質管理など、現場の業務に合わせた仕組みを検討できます。
まとめ｜AI時代こそ「何を作るべきか」を考えることが重要
生成AIによって、システム開発の一部を効率化できるようになりました。
しかし、システムが簡単に作れることと、業務改善が成功することは同じではありません。
重要なのは、業務上の課題を明確にし、現場のルールや例外処理を理解し、導入後も改善を続けることです。
AIはシステムを作る作業を支援できます。しかし、何を改善すべきかを判断する責任は企業側に残ります。
まずは自社の業務で「何に時間がかかっているか」「どこで問題が発生しているか」を一つ書き出すことから始めましょう。
参考資料
※本記事は2026年11月4日時点の公開情報に基づいています。製造業の例は業務理解の重要性を説明するための仮想事例であり、特定企業の実際の失敗事例ではありません。
