「毎日100人が使っています」は成功か
AI を導入して3か月。「毎日100人が使っている」「1日200件処理している」と報告が上がります。良さそうに聞こえますが、この数字だけでは何も分かりません。100人が使っていても誰の仕事も楽になっていないかもしれないし、200件処理しても半分が差し戻されているかもしれません。
- アウトプット指標: 活動量。利用者数（DAU／MAU）、処理件数、稼働率。
- アウトカム指標: 価値。生み出された時間、減った問題の数（問い合わせ、ミス、差し戻し）、従業員の満足度。
アウトプット指標だけを追うと、数字を達成するために成果に結びつかない使い方が横行し、「使うこと」自体が目的になります。これが形骸化です。導入の本当の目的は「使われること」ではなく「価値を生むこと」なので、中心に据えるのはアウトカム指標です。アウトプット指標は「使われていなければ成果は出ない」という前提を確認する補助指標として使います。
KGI・KPI・OKR
| 用語 | 何か | 例 |
|---|---|---|
| KGI（重要目標達成指標） | 最終的なゴールの達成度 | 契約書レビューの平均所要日数を 5 日から 2 日に短縮する |
| KPI（重要業績評価指標） | KGI に向かって正しく進んでいるかを示す中間指標 | AI の指摘の採用率 80% 以上、差し戻し率 5% 以下 |
| OKR | 定性的な目標（Objective）と、定量的な成果指標（Key Results）のセット | O: 法務部門が AI と協働して事業部の契約相談に即日答えられる状態を作る。KR: 標準契約の一次レビュー自動化率 70%、相談から回答までの平均 1 営業日 |
KGI／KPI は既存業務の改善度を測るのに向き、OKR は「AI 文化を根づかせる」のような探索的・挑戦的な目標に向きます。実務では、初期（Discovery〜PoC）は OKR、本格導入以降は KGI／KPI という使い分けが有効です。初期は何が効くかまだ分からず、方向性と仮説を共有することが大事で、本格導入後は目標が明確なので数値で継続管理します。
KGI か KPI かは「誰にとっての指標か」で変わります。全社で見れば「AI の正答率 95%」は KPI ですが、品質保証部門にとってはそれ自体が部門の最終目標（KGI）になりえます。固定のラベルとして扱わないことが大切です。
KPI 設計の4手順
- KGI の合意。 最終ゴールを、数値と期限を含めて経営層と合意する。曖昧なまま走ると、後で「期待していたのはこれじゃない」が起きる。
- KPI の選定。 KGI に必要な中間指標を3〜5個選ぶ。アウトカム指標を最低2個含める。活動量だけでは形骸化に気づけない。
- 計測の設計。 各 KPI に、目標値・計測方法・頻度・責任者を決める。「差し戻し率 5% 以下」だけでは測れない。「差し戻し率＝人が修正した件数 ÷ AI の処理件数。法務チームリーダーが毎週月曜に集計。データは案件管理システムの修正ログ」まで決めて、初めて運用できる KPI になる。
- アクションルールの事前設計。 目標を下回ったら何をするかを先に決める。「差し戻し率が 8% を2週連続で超えたら、プロンプトと参照する契約ひな形を見直す」。KPI は「測って終わり」ではなく「測って改善し続ける」仕組みにする。
KPI に映らない価値：ロングテール課題
KPI は経営層との合意形成と進捗の可視化に欠かせません。しかし、KPI だけで AI の価値を捉えようとすると、重要な効果の一部を見落とします。
「この確認、毎回誰がやるか曖昧で時間がかかる」「このデータ、使いたいけど整形に1時間かかる」。現場には、個別には小さくて KPI にするほどでもないが、無数に存在する「名もなき非効率」があります。これがロングテール課題です。従来の業務改善では「コストをかけるほどでもない」と後回しにされ続けました。AIエージェントは個別の設定コストが低く、複数の課題に並行して効くので、このロングテールを一気に解消できる可能性があります。
パソコンの導入を思い出してください。「1台あたりの文書作成速度が何%改善したか」で価値を測った会社はほとんどありません。それでも働き方は根本から変わりました。AI も同じで、「KPI に変化がない＝機能していない」とは限らず、「KPI には現れないが現場は確実に変わっている」ことが起こります。KPI を設計すること、そして KPI だけを信じないこと。この2つを同時に持ちます。
職務定義書を書き直す：何ができるかから、何を問えるかへ
AI が定型業務を担うようになると、職務定義書（JD） の中心だったハードスキル（ツールの操作、手順の知識、資格）の位置づけが変わります。ハードスキルは AI が最も得意とする領域で、JD にそれを並べ続けることは「AI が得意なことを人に求める」矛盾になります。
一方、AI が苦手なのがソフトスキル、なかでも「問いを立てる力」です。何を解くべきかを定義する、曖昧な状況から課題の本質を見抜く、選択肢のトレードオフを判断する。AI は「与えられた問いを解く」のは得意ですが、「解くべき問いを見つける」のは人の領域に残ります。
| 重要性が下がる | 重要性が残る・高まる |
|---|---|
| 特定ツールの操作手順、定型フォーマットの作成、情報の検索・収集・整理、マニュアルに沿った遂行 | 問いの設定力、論理的思考力（前提・根拠・結論の整合性を見抜く）、文脈読解力、関係構築力、倫理的判断力（AI の判断に最終的な是非を下す） |
ただし、財務・法務・医療のように専門的な判断や資格が要る領域の知識、AI の出力の妥当性を判断する基盤になるデータサイエンスや統計の知識は、引き続き価値を持ちます。価値が下がりやすいのは、特定のソフトウェアの操作や決まった手順の記憶に依存したスキルです。
JD を書き直しても、評価基準が旧来のままなら、人は評価されない能力の習得を後回しにします。移行期間の確保、評価制度の連動、キャリアパスの提示という組織側の支援が必要です。「変化の先に自分の居場所がある」という見通しを示すことが、不安の解消に最も効きます。
リスキリングとアップスキリング：判別は「職務が変わるか」
- リスキリング: 従来の職務が代替・変化し、新しいスキルを身につけて別の職務や役割へ移ること。
- アップスキリング: 現在の職務を続けながら、必要なスキルを追加して遂行能力を高めること。
契約書レビューの担当者が「条項を一つずつ読んで修正する作業者」から「AI の指摘を監督し、例外案件と相手先との交渉を担う管理者」へ変わるのはリスキリングです。同じ法務部門にいても、職務の中身が根本から変わっているからです。一方、同じ担当者が AI ツールの使い方を覚えて従来のレビューを速くしただけなら、アップスキリングです。「新しいツールを学んだ」だけではリスキリングの理由になりません。決め手は、職務の名前が変わるレベルの変化が起きているかどうかです。
試験で問われる観点
- 「1日の処理件数が 200 件に達した」はアウトプット指標で、それだけでは成功を判断できない。
- 複数の指標のうち KGI として最も適切なもの（最終ゴール。正答率や利用率は KPI）。
- 職務が「作業の実行」から「AI の出力の監督と例外対応」に変わったのはリスキリング。同じ部門にいてもリスキリング。ツールを新しく学んだだけではリスキリングの理由にならない。
- KPI 選定でアウトカム指標を最低2個含める。計測設計は誰が・いつ・何をもとに測るかまで決める。
- 初期は OKR、本格導入後は KGI／KPI という使い分け。