AIは「答える道具」から「業務を実行する基盤」へ進化している

1. 手操作から始まった業務効率化

1.1 かつては人間がすべてを操作していた

業務の現場では、長い間、人間がすべての操作を担ってきました。画面を開き、ファイルを探し、内容を確認し、必要な情報を転記し、メールを作成し、資料を整える。こうした一連の作業は、すべて人間の手によって進められていました。

もちろん、これは自然なことです。コンピューターは道具であり、業務システムやExcel、ブラウザ、メールソフトは、人間が操作する前提で作られてきました。人間が判断し、人間が入力し、人間が確認し、人間が次の操作へ進む。これが、従来の事務作業の基本構造でした。

しかし、この構造には大きな問題がありました。操作の多くは単純でありながら、確実性を求められます。単純な転記でも、入力ミスがあれば後工程に影響します。ファイルの選択を間違えれば、別のデータを処理してしまいます。作業者が慣れていなければ時間がかかり、慣れている人に依存すれば属人化します。

つまり、手操作中心の業務は、人間の注意力と経験に強く依存していました。

1.2 手操作の限界

手操作の最大の限界は、時間がかかることです。1回あたり数分の作業でも、毎日、毎週、毎月繰り返されれば大きな負担になります。ファイル名を確認し、フォルダをたどり、必要なシートを開き、データをコピーし、貼り付け、結果を確認する。このような作業は、1つひとつは小さくても、積み重なると業務時間を大きく圧迫します。

次の限界は、ミスが発生しやすいことです。人間は疲れます。急いでいるとき、割り込みが入ったとき、似たようなファイルが並んでいるとき、操作ミスは起こります。特にExcelやスプレッドシートでは、行や列のずれ、コピー範囲の誤り、フィルター解除忘れ、古いファイルの使用などが典型的なミスになります。

さらに、手操作には再現性の問題があります。同じ作業をしているつもりでも、人によって操作順や判断基準が違うことがあります。ベテランは暗黙知で処理できても、新人には分かりません。手順書があっても、実際には「この場合はこうする」という例外が多く、完全には書き切れないこともあります。

このように、手操作は柔軟である一方、時間、ミス、属人化、再現性という問題を抱えていました。

1.3 マクロ・VBA・RPAによる初期の自動化

手操作の限界を補うために使われてきたのが、マクロ、VBA、RPAなどの自動化です。

Excel業務では、VBAマクロによってデータの加工、集計、帳票作成、ファイル出力などを自動化できます。毎月同じ処理を行う場合、マクロ化すれば作業時間を大きく短縮できます。人間が手でコピーしていた処理を、ボタン1つで実行できるようにすることも可能です。

RPAは、より広い範囲の画面操作を自動化する仕組みとして使われてきました。ブラウザを開く、業務システムにログインする、画面上のボタンをクリックする、データを入力する、といった操作を記録・再現できます。プログラムを書かなくても、一定の定型作業を自動化できる点に価値がありました。

これらの仕組みは、業務効率化に大きく貢献しました。特に、ルールが明確で、入力と出力が決まっている作業には非常に強いです。

ただし、従来の自動化には明確な限界もありました。あらかじめ決めた処理には強い一方で、例外処理、曖昧な判断、状況に応じた対応には弱いのです。

1.4 それでも残った「人間の判断と操作」

マクロやRPAを導入しても、すべての業務が自動化されるわけではありません。むしろ現場では、自動化できる部分と、人間が判断しなければならない部分が混在します。

たとえば、Excelの集計処理はマクロ化できても、その前にどのファイルを対象にするか、どのデータが正しいか、例外データをどう扱うかは人間が判断する必要があります。RPAで画面操作を自動化しても、画面仕様が変われば止まります。想定外のメッセージが出た場合、人間が確認しなければなりません。

つまり、従来の自動化は「明確に定義された処理」を実行するには有効でしたが、「業務全体」を任せるには不十分でした。

現場に残ったのは、判断、確認、例外対応、手順の選択、情報の読み取り、次の行動の決定です。これらは単純なプログラムだけでは扱いにくい領域です。

ここに、チャットAIが登場する余地がありました。

2. チャットAIが知識支援を変えた

2.1 ChatGPTによる大きな変化

ChatGPTに代表されるチャットAIの登場により、人間とコンピューターの関係は大きく変わりました。これまでは、人間が検索し、複数の情報を読み比べ、自分で整理する必要がありました。しかしチャットAIを使えば、質問を入力するだけで、説明、要約、翻訳、文章作成、アイデア出し、比較検討などができるようになりました。

これは非常に大きな変化です。特に、知識を探す作業、文章を整える作業、考えを整理する作業では、チャットAIは強力な支援ツールになりました。

たとえば、分からない専門用語を質問すれば、概要を説明してくれます。英文を渡せば翻訳してくれます。議事メモを渡せば要点を整理してくれます。顧客へのメール文面も作れます。複雑な制度や技術的な概念についても、一定の説明を短時間で得られます。

従来であれば、検索、読解、整理、文章化に時間がかかっていた作業が、チャットAIによって一気に短縮されました。

2.2 知識を引き出す道具としてのAI

チャットAIの本質的な価値は、知識を「探す」道具から「引き出す」道具への転換にあります。

従来の検索では、人間がキーワードを考え、検索結果を見て、複数のページを読み、必要な情報を自分で統合する必要がありました。一方、チャットAIでは、人間が自然な文章で質問し、AIが情報を整理した形で返してくれます。

この違いは大きいです。検索は情報の入口を提示する仕組みですが、チャットAIは情報をある程度加工して返します。もちろん、正確性の確認は必要です。しかし、考え始めるための土台を作る速度は大きく上がりました。

さらに、チャットAIは単なる知識検索だけでなく、思考の相手にもなります。論点を整理する、構成案を作る、反論を考える、比較表を作る、説明の順番を整える、といった作業に向いています。

この段階で、AIは「知識支援」の道具として、業務現場に入ってきました。

2.3 しかしAIには「手足」がなかった

一方で、初期のチャットAIには大きな限界がありました。それは、実際の操作ができないことです。

AIは説明できます。手順も教えられます。コードも提案できます。文章も作れます。しかし、実際にユーザーのパソコン上でファイルを開き、ブラウザを操作し、システムにログインし、Excelを加工し、メールを送ることは基本的にはできませんでした。

つまり、AIは頭脳としては役立つが、手足がありませんでした。

このため、ユーザーはAIに質問し、答えを読み、その内容をもとに自分で操作する必要がありました。AIが「このボタンを押してください」と教えても、押すのは人間です。AIが「このコードを実行してください」と言っても、実行環境を整えるのは人間です。AIが「このようにメールを書けばよい」と示しても、メールソフトに貼り付けて送るのは人間です。

知識の問題は軽くなった一方で、操作の問題は残りました。

2.4 難しい問題は解けても、難しい操作は残った

チャットAIの登場によって、難しい問題の一部は解決しやすくなりました。分からないことを調べる、文章を作る、考えを整理する、技術的な方針を検討する。こうした作業では、AIは非常に役立ちます。

しかし、業務の現場では、答えが分かるだけでは作業は終わりません。実際には、画面を操作し、ファイルを処理し、データを確認し、必要に応じて修正し、結果を保存し、相手に送る必要があります。

ここにギャップがあります。

チャットAIは、判断材料を出すことは得意です。しかし、その判断に基づいて実務を完了するには、人間の操作が残ります。結果として、ユーザーはAIに聞きながら、自分で作業する状態になります。

これは大きな進歩ではありましたが、業務全体の効率化としてはまだ途中段階でした。

次に進んだのが、AIにプログラムを作らせる段階です。

3. AIによるプログラム生成とバイブコーディング

3.1 プロンプトでプログラムを作る段階

チャットAIの利用が進むと、単に質問するだけでなく、AIにプログラムを書かせる使い方が広がりました。

これは自然な流れです。毎回AIに「このデータをどう処理すればよいか」と聞くよりも、その処理を行うプログラムを作ってしまった方が速いからです。繰り返し発生する作業であれば、都度AIに依頼するより、コード化して実行した方が安定します。

たとえば、CSVファイルを読み込んで不要な列を削除する。複数のExcelファイルを結合する。ファイル名を一括変更する。フォルダ内のPDFを一覧化する。こうした処理は、AIに指示すればPython、PowerShell、VBAなどでコードを作らせることができます。

この段階では、AIは知識を答えるだけでなく、処理を実行するための道具を作る存在になりました。

3.2 プログラム化できる業務は大きく効率化された

プログラム化できる業務では、AIの効果は非常に大きいです。

データ加工、集計、ファイル処理、文字列変換、フォーマット変換、Excel処理、CSV処理、定型レポート作成などは、コードとの相性が良い領域です。ルールが明確で、入力と出力を定義できる作業であれば、AIにコードを書かせて自動化できます。

特に大きいのは、これまでプログラミングの知識がないと難しかった作業に、一般の業務担当者が近づけるようになったことです。完全に専門家でなくても、「このフォルダ内のExcelを全部開いて、A列とB列を取り出して1つにまとめたい」と説明すれば、AIがコードを作ってくれます。

もちろん、実行環境やエラー対応の知識は必要です。しかし、最初のコードを書く負担は大きく下がりました。

この意味で、AIによるプログラム生成は、現場の自動化を一段進めました。

3.3 バイブコーディングによる開発の変化

さらに進んだ使い方が、バイブコーディングです。

バイブコーディングとは、人間が細かくコードを書くのではなく、AIに意図や仕様を伝えながら、対話的にプログラムやアプリケーションを作っていく開発スタイルです。人間は「何を作りたいか」「どう動いてほしいか」「画面はどうしたいか」「どのような制約があるか」を伝え、AIがコードを生成します。

従来のプログラミングでは、開発者が一行ずつコードを書き、ライブラリを調べ、エラーを直し、設計を組み立てていました。バイブコーディングでは、AIがかなりの部分を担います。人間は、コードを書く作業そのものよりも、目的、仕様、判断、修正指示に集中します。

これにより、小さな業務ツール、Webアプリ、マクロ、スクリプト、管理画面、データ処理ツールなどを、以前より短時間で作れるようになりました。

これは、AI活用における大きな転換点です。

3.4 AIに「実行手段」が生まれた

AIによるコード生成とバイブコーディングによって、AIには実行手段が生まれました。

チャットAIだけの段階では、AIは答えるだけでした。しかし、コードを作れるようになると、AIは処理を実行する道具を生み出せます。作成されたプログラムを実行すれば、ファイル処理、データ加工、画面生成、集計、出力などができます。

この意味で、AIに手足がついたと言えます。

ただし、ここでいう手足は、主に「プログラムとして実行できる手足」です。ルールが明確で、処理手順がコードに落とし込める場合には強力です。

一方で、現場の業務には、プログラム化しにくい作業も多くあります。

3.5 それでも専用プログラム化できない業務が残る

現場の業務は、すべてがプログラム向きではありません。

たとえば、見積書を確認して妥当性を判断する。議事録を読み、要件定義書に整理する。顧客とのやり取りを踏まえて、返信文を作る。動画編集の手順を判断しながら進める。Webシステムの画面を見ながら、状況に応じて操作する。

こうした業務は、明確な処理だけでなく、判断、文脈理解、例外対応、順番の調整を含みます。専用プログラムを作れば一部は自動化できますが、全体をプログラム化するには大きなコストがかかります。そもそも仕様が固定されていないため、プログラムとして作りにくいこともあります。

ここに、スキルの価値があります。

スキルは、プログラムのように厳密な機能を作るのではなく、AIに業務フローを理解させ、状況に応じて実行させる考え方です。

4. スキルは業務フローをAIに実行させる仕組み

4.1 スキルとは何か

スキルとは、AIに対して業務フロー、判断基準、手順、成果物の形式を定義するものです。

プログラムは、決められた命令を実行します。一方、スキルは、AIに「この業務はどのように進めるべきか」を教えるものです。たとえば、見積書を確認するスキルであれば、単に合計金額を見るだけでなく、数量、単価、仕様、相場、抜け漏れ、曖昧な表記、確認すべき質問まで含めて手順化します。

つまり、スキルは業務ノウハウをAIが実行できる形に整理したものです。

ここで重要なのは、スキルは単なるプロンプトではないということです。単発の質問文ではなく、一定の業務を再現性高く実行するための手順書に近いものです。AIに対して、入力の見方、判断の順番、確認すべき点、出力の形式をまとめて渡します。

これにより、AIは毎回ゼロから考えるのではなく、定義された業務フローに沿って処理できます。

4.2 プログラムとスキルの違い

プログラムとスキルは、どちらも業務効率化に使えます。しかし、性質は大きく異なります。

プログラムは、厳密な処理に向いています。たとえば、CSVの列を並べ替える、Excelの特定範囲を集計する、ファイル名を変換する、APIからデータを取得する、といった作業です。条件が明確で、処理手順をコードに落とし込める場合、プログラムは高速で安定しています。

一方、スキルは、判断を含む業務に向いています。入力内容を読み取り、文脈を理解し、複数の観点から確認し、必要な質問を洗い出し、自然な文章として結果を出す。こうした作業は、プログラムだけでは扱いにくい領域です。

言い換えると、プログラムは「機能」を実行します。スキルは「業務プロセス」を実行します。

この違いは重要です。事務の現場では、単一機能だけで完結する作業よりも、複数の判断と手順を組み合わせた作業が多いからです。

4.3 スキルが向いている業務

スキルが向いているのは、完全自動化しにくいが、手順化はできる業務です。

たとえば、見積書チェックでは、金額だけでなく、数量、仕様、単価、工事範囲、抜け漏れ、相場、確認事項を見ます。議事録作成では、発言をそのまま並べるのではなく、決定事項、課題、未確認事項、担当、期限に整理します。要件定義では、会話の内容を業務要件、機能要件、非機能要件、データ項目、運用ルールに分解します。

これらは、単純なプログラムではありません。しかし、経験者であれば一定の手順に沿って進めています。その手順をAI向けに明文化すれば、スキルになります。

他にも、メール返信、資料作成、文章校正、動画編集手順、Web調査、Excelチェック、マニュアル作成などは、スキル化しやすい業務です。

このような業務では、AIに毎回細かく指示するよりも、あらかじめ業務フローをスキルとして定義した方が安定します。

4.4 事務現場でスキルが重要になる理由

事務現場では、すべてを専用システム化することは現実的ではありません。

業務には例外が多く、扱う資料も毎回少しずつ違います。顧客ごとの事情、社内ルール、ファイル形式、担当者の癖、過去の経緯などが絡みます。こうした業務をすべて厳密なプログラムにするには、設計コストが高くなりすぎます。

一方で、人間が毎回すべて手作業で行うのも非効率です。

そこで、スキルが中間的な解決策になります。完全な専用システムを作るのではなく、業務の進め方をAIに渡します。AIはその手順に沿って、資料を読み、論点を整理し、確認事項を出し、成果物を作ります。

これは、事務作業に非常に向いています。多くの事務作業は、厳密なプログラムというより、「慣れた人が一定の考え方で処理している業務」だからです。

その考え方をスキル化できれば、業務品質を安定させやすくなります。

4.5 スキル化の効果

スキル化の効果は、単なる効率化にとどまりません。

まず、属人化を減らせます。特定の担当者だけが知っている確認観点や作業手順を、スキルとして外部化できるからです。

次に、品質を安定させられます。毎回その場の思いつきでAIに依頼するのではなく、定義された手順に沿って処理するため、出力のばらつきが小さくなります。

さらに、教育コストも下がります。新人にすべてを口頭で教える代わりに、スキルとして業務の考え方を渡せます。もちろん人間の教育は必要ですが、少なくとも作業の型を共有しやすくなります。

また、引き継ぎにも有効です。業務フロー、判断基準、成果物の形式がスキルとして整理されていれば、担当者が変わっても作業を再現しやすくなります。

このように、スキルは、AIを単なる質問相手から、業務プロセスを実行する存在に近づける仕組みです。

5. MCPはAIに外部ツールを操作させる接続口になる

5.1 MCPとは何か

MCPは、AIが外部ツールやシステムを操作するための接続方式です。

AIは文章を理解し、判断し、指示を出すことは得意です。しかし、それだけでは実際の業務環境を直接操作できません。ファイルシステム、ブラウザ、データベース、業務システム、APIなどに接続するには、何らかの操作手段が必要です。

MCPは、そのための共通的な接続口として位置づけられます。

MCP自体はプロトコルです。そして、実際に特定の対象を操作するために、MCPサーバーが用意されます。たとえば、ファイルを扱うMCPサーバー、ブラウザを扱うMCPサーバー、データベースに接続するMCPサーバーなどです。

これにより、AIは単に「こうしてください」と説明するだけでなく、外部ツールを通じて実際に操作できるようになります。

5.2 MCPサーバーはAIの操作対象を広げる

MCPサーバーの役割は、AIの操作対象を広げることです。

たとえば、ファイル操作のMCPサーバーがあれば、AIはフォルダ内のファイルを確認し、ファイルを読み、必要な内容を抽出し、別ファイルとして保存することができます。データベース用のMCPサーバーがあれば、AIはデータを検索したり、必要な情報を取得したりできます。

ブラウザ操作用のMCPサーバーがあれば、AIはWeb画面を開き、クリックし、入力し、画面の状態を確認できます。これは、従来のチャットAIにはなかった大きな変化です。

もちろん、実際の運用では権限管理、安全性、誤操作防止が重要になります。AIが操作できる範囲を制限し、危険な操作には確認を入れる設計が必要です。

それでも、MCPによって、AIは現実の業務環境に接続しやすくなります。

5.3 Playwright MCPサーバーのようなブラウザ操作

MCPの分かりやすい例が、Playwright MCPサーバーです。

Playwrightは、ブラウザを自動操作するための技術です。これをMCPサーバーとしてAIに接続すると、AIがブラウザを開き、ページを確認し、ボタンをクリックし、フォームに入力し、結果を読み取るといった操作を実行できるようになります。

これは非常に大きな意味を持ちます。

多くの業務システムはWebブラウザ上で動いています。管理画面、申請システム、予約システム、クラウドサービス、検索サイト、フォーム入力画面など、日常業務の多くはブラウザ操作です。

従来は、人間が画面を見て操作する必要がありました。RPAで自動化する方法もありましたが、AIと組み合わせることで、単なる固定操作ではなく、画面の内容を読み取りながら判断する可能性が広がります。

つまり、Playwright MCPサーバーは、AIにブラウザという手足を与える仕組みだと言えます。

5.4 スキルとMCPの関係

スキルとMCPは、競合するものではありません。むしろ補完関係にあります。

スキルは、業務フローを定義します。何を、どの順番で、どの観点で確認し、どのような成果物を作るかを決めます。

一方、MCPは、操作手段を提供します。ファイルを読む、ブラウザを操作する、データベースから情報を取る、システムに入力する、といった外部操作を可能にします。

たとえば、見積書チェックの業務を考えると、スキルは「見積書のどこを見るか」「相場とどう比較するか」「どのような確認事項を出すか」を定義します。MCPは、PDFを読む、業者サイトを調べる、候補業者を検索する、メール文案を作る、といった実操作を支えます。

つまり、スキルが「業務の頭脳」であり、MCPが「外部操作の手足」になります。

この2つを組み合わせることで、AIは単なる相談相手ではなく、業務を実行する基盤に近づきます。

5.5 AI活用の中心は「質問」から「業務実行」へ移る

これからのAI活用で重要になるのは、AIに何を質問するかだけではありません。

もちろん、質問応答としてのAIは今後も重要です。しかし、業務現場で本当に価値が出るのは、AIにどの業務プロセスを、どの手順で、どのツールを使って実行させるかです。

手操作の時代には、人間がすべてを動かしていました。チャットAIの時代には、人間がAIに聞き、答えをもとに操作していました。プログラム生成とバイブコーディングの時代には、AIが実行手段を作るようになりました。そして、スキルとMCPの時代には、AIが業務フローを理解し、外部ツールを操作しながら、より実務に近い形で作業を進められるようになります。

この変化の本質は、AIが「答える道具」から「業務を実行する基盤」へ進化していることです。

今後の業務改善では、単にAIを使うだけでは不十分です。重要なのは、業務をどの単位でスキル化するか、どの操作をMCPで接続するか、どこに人間の確認を残すかを設計することです。

AI活用の中心は、質問の上手さから、業務プロセスの設計力へ移っていきます。