AI活用概論

業務で使われる主要なAI機能分類

概論AI活用ChatGPTGeminiClaude基礎から学ぶ

はじめに

この節では、業務で実際によく使われる AI の機能を、「何を解決するための機能か」 という視点で整理します。前節までで、生成AIと識別AIの違いは見えてきました。ここではそこから一歩進めて、文章生成、分類、抽出、要約、検索支援、予測、推薦、異常検知、画像理解、音声処理などを、業務課題との対応関係で理解します。NIST は、AI を適切に扱うには、機能や用途に応じてリスクと信頼性を考える必要があると整理しています。つまり、AI を学ぶときは、サービス名ではなく機能単位で捉えることが重要です。

この節で大切なのは、「生成AIが主役」という見方から少し離れることです。現実の業務では、いきなり生成するより前に、分類する、必要情報を抜き出す、長文を短く整理する、探しやすくする、需要を見積もる、といった工程がよく出てきます。Google Cloud の Document AI は、文書を分類し、分割し、必要なデータを抽出する仕組みとして提供されています。これは、業務の中で AI が「作る」より先に「整理する」役割を担うことが多い例です。

この節は、初心者がつまずきやすい「AI機能分類は用語の暗記に見える」という壁を越えるために、課題 → 向く機能 → 具体例 → 注意点の順で進めます。さらに途中で Q&A を入れ、読んでいる途中に「自分ならどう使うか」を想像できるようにします。最後まで読むと、流行サービス名に引っぱられず、業務課題から AI を選ぶ視点がかなり安定します。

このセクションで使った参考資料

1. まず押さえたい前提

第1章では、生成AIとは何か、LLM が何をしているのか、人間とどう役割分担するのかを学びました。第2章ではそこから視野を広げ、AI を機能で分けて理解しています。この節の立ち位置は、前節までで作った「地図」に、実際の街の名前を書き込むことです。つまり、どの機能が、どんな仕事に使われるのかを実感できるようにする段階です。

ここで最初に確認しておきたいのは、業務で使われる AI の機能は一つではないということです。代表的には、生成、分類、抽出、要約、検索支援、予測、推薦、異常検知、画像理解、音声処理があります。これらは同じ「AI」でも、返すものも、評価の仕方も、失敗の仕方も違います。たとえば生成AIは文章や画像を作りますが、Document AI のような仕組みは文書から情報を抽出し、分類することに強みがあります。

初心者が混乱しやすい理由は、SNS やニュースで目立つのが生成AIだからです。しかし、実務の現場で先に必要になるのは、分類や抽出や検索支援であることも少なくありません。だからこの節では、「何の AI がすごいか」ではなく、何の仕事にどの AI 機能が向くかを中心に見ます。

このセクションで使った参考資料

2. よくある誤解から入る

最初の誤解は、

「生成AIだけ知っていれば十分」

というものです。たしかに

ChatGPT

や

ChatGPT 日本語概要

は、学ぶ、考える、作るという体験を強く打ち出しています。だから、AI を学び始めると、全部が生成AIに見えやすいです。ですが、問い合わせの自動振り分け、書類からの項目抽出、異常の検知、おすすめ表示などは、生成だけではうまく説明できません。

二つ目の誤解は、「一つの業務には一つのAI機能だけ使う」 という考え方です。実際には、業務の多くは複数機能の組み合わせです。たとえばカスタマーサポートなら、まず問い合わせを分類し、必要情報を抽出し、関連情報を検索し、そのあとで返信文を生成する流れが自然です。こう考えると、AI は一枚岩ではなく、業務フローの中に複数の役割を持つ部品として入ってくることが分かります。

三つ目の誤解は、「分類や抽出は地味だから価値が低い」 というものです。けれども現場では、地味に見える機能ほど土台になりやすいです。書類をきれいに整理できなければ生成の入力も不安定になりますし、検索支援が弱ければ良い回答も作りにくくなります。新しい発見として押さえてほしいのは、業務では“作るAI”より先に“整えるAI”が必要になる場面がかなり多いということです。

このセクションで使った参考資料

3. 生成系のAI機能

3-1. 文章生成

文章生成は、入力された指示や文脈をもとに、新しい文章を作る機能です。

ChatGPT

は、答えを返すだけでなく、説明文、要約、メール下書き、企画案などの生成に使えます。

Grammarly の AI Writing Assistant

も、下書き作成、言い換え、トーン調整などの支援を提供しています。文章生成が向くのは、白紙を埋めたいとき、案をたくさん出したいとき、読みやすく整えたいときです。

初心者がここで混乱しやすいのは、「要約も文章生成なのか」という点です。答えは、はいです。要約は長文から要点を抜き出して、新しい短い文章として返すので、広い意味では生成系に入ります。ただし、要約には抽出や整理の要素も強く含まれます。だから実務では、生成の中でも「自由生成」と「整理生成」を分けて考えると分かりやすいです。

3-2. 画像生成

画像生成は、文章や条件をもとに新しい画像を作る機能です。

Midjourney

や

Adobe Firefly

が代表例です。広告バナー案、世界観の検討、SNS のビジュアル試作、デザイン方向性の共有などに向きます。ここで重要なのは、画像生成は「完成品をそのまま出す」だけではなく、

視覚的な試作品を高速に作る

役割でも大きな価値があることです。

3-3. コード生成・補助

コード生成は、仕様や説明文をもとにコードやサンプルを作る機能です。

ChatGPT

は coding 支援を前面に出しており、既存コードの説明や新しいコードのたたき台作成にも使われています。ここで初心者がつまずくのは、「コード生成なら全部自動で作れるのでは」という期待です。実際には、下書き、補完、説明、リファクタリング支援には強い一方、最終的な設計責任や検証は人が持つ必要があります。

3-4. 生成系が向く業務と向かない業務

生成系が向くのは、案出し、下書き、表現の変換、素材作成です。逆に向きにくいのは、厳密なラベル判定、固定ルールへの分類、危険性の最終評価のような仕事です。ここでの発見は、生成系は「正解を一つ返す」より「候補を豊かに返す」ことに強いという点です。

このセクションで使った参考資料

4. 整理・判定系のAI機能

4-1. 分類

分類は、入力にラベルを付ける機能です。

BigQuery AI.CLASSIFY

は、入力を指定したカテゴリへ分類するための機能として提供されています。問い合わせを「返品」「配送」「支払い」に分ける、レビューを「好意的」「批判的」に分ける、文章をテーマごとに整理する、といった場面に向きます。

4-2. 抽出

抽出は、入力の中から必要な項目だけを抜き出す機能です。

Document AI

は、文書を分類するだけでなく、構造化データや非構造化データを抽出できると説明しています。請求書から金額と日付を拾う、契約書から契約期間を抜き出す、履歴書から氏名と経験年数を取る、といった処理が典型例です。ここでの初心者向け定義として、

抽出とは「どの箱か」ではなく「どの項目か」を返すこと

だと押さえると分かりやすいです。

4-3. 要約

要約は、長い情報を短くして返す機能です。文章として返るので生成寄りにも見えますが、役割としては「情報を圧縮して整理する」ことです。会議メモの圧縮、レビュー群の整理、レポートの短文化などで役立ちます。ここでは新しい専門用語として 圧縮 を使えます。圧縮とは、情報量をなるべく落とさず、サイズだけを小さくすることです。要約AIは、文章をただ短くするのではなく、意味を残したまま圧縮することが求められます。

4-4. 検索支援

検索支援は、情報を見つけやすくする機能です。普通の検索との違いは、単にキーワード一致で探すだけでなく、関連する文書や答えに近い情報へたどり着きやすくする点です。社内ナレッジ検索、FAQ 支援、ヘルプセンターの質問応答の入口としてよく使われます。

ChatGPT の概要ページ

にも「ウェブを検索する」機能が記載されており、生成AI でも検索支援と組み合わさる方向が強くなっています。

4-5. なぜ整理・判定系は業務の入口になりやすいのか

ここでの大きな発見は、業務では「いきなり生成する」より「先に整理する」ことが多いという点です。問い合わせ対応でも、文書処理でも、ナレッジ活用でも、まず入力を分けたり抜き出したり探しやすくしたりする必要があります。そのため、分類・抽出・要約・検索支援は、派手さはなくても実務の入口で強い存在です。

このセクションで使った参考資料

5. 判断・最適化系のAI機能

5-1. 予測

予測は、将来の値や起こりやすさを見積もる機能です。売上予測、需要予測、離脱予測、在庫予測などが代表例です。ここでの専門用語として 予測 は「まだ起きていない結果を、過去のパターンから見積もること」です。予測AIは未来を断定するのではなく、見込みを返します。そのため、使う側は「どれくらい外れるか」を前提に扱う必要があります。NIST がリスク管理を重視するのも、予測が外れたときの影響が無視できないからです。

5-2. 推薦

推薦は、次に見せる候補を選ぶ機能です。動画、音楽、商品、記事、投稿のおすすめが代表的です。ここでの専門用語として 関連性 は「その人にどれくらい合っていそうか」、多様性 は「似たものばかりに偏らず幅を持たせること」です。推薦AIが面白いのは、正解が一つではないことです。だから、関連性だけでなく、多様性も大事になります。

5-3. 異常検知

異常検知は、ふだんと違うパターンを見つける機能です。不正な取引、システム障害の兆候、急に変わった行動パターンなどを見つける場面で使われます。分類との違いは、分類が「事前に決めた箱へ入れる」のに対して、異常検知は「普段と違うものを見つける」ことが中心な点です。つまり、あらかじめ答えが全部決まっていない場面に強いです。

5-4. なぜ判断・最適化系は未来や次行動に関わるのか

予測も推薦も異常検知も、今この瞬間だけでなく、その先の行動や影響を見ています。だから、間違いの影響が大きくなりやすいです。ここでの新しい発見は、生成系よりも、判断・最適化系のほうが、ビジネス上の意思決定へ直結しやすいという点です。派手なのは生成でも、収益や運用の基盤になるのは予測や推薦であることが多いです。

このセクションで使った参考資料

6. 入力形式で見るAI機能

ここまで機能の役割で見てきましたが、もう一つ大切なのが 何を入力として扱うか です。テキストを扱うAI、画像を扱うAI、音声を扱うAIでは、同じ生成や分類でも性質が変わります。

テキストを扱う AI では、生成、分類、要約、抽出、検索支援が特に多いです。文章は意味が多層的なので、要約や検索支援の価値も高くなります。画像を扱う AI では、画像生成、画像分類、OCR、画像理解が中心です。

OCR のユースケース紹介

では、画像やスキャン文書から文字を取り出す処理が業務自動化に役立つと説明されています。音声を扱う AI では、音声認識、音声生成、会話解析が中心になります。

ここでの学びは、同じ「生成」でも、テキスト生成と画像生成は体験が違うし、同じ「分類」でも、文書分類と画像分類では難しさが違うということです。入力形式で見ると、AI機能の理解がさらに立体的になります。

このセクションで使った参考資料

7. Q&Aで学ぶ業務課題とAI機能の対応

7-1. Q. 問い合わせ対応を自動化したい。何のAI機能が必要か

A. 多くの場合、一つでは足りません。まず問い合わせを分類し、必要項目を抽出し、関連情報を検索し、最後に返信文を生成します。ここでの新しい発見は、問い合わせ対応は生成AIの仕事に見えるが、実は入口では分類と抽出がかなり重要という点です。

7-2. Q. ECで売上を伸ばしたい。何のAI機能が必要か

A. 商品説明文の生成だけでは足りません。誰に何を見せるかの推薦、どの商品が売れそうかの予測、レビューや問い合わせの分類も必要です。つまり、EC は「生成系の見た目」と「推薦・予測系の土台」が両方必要な領域です。

7-3. Q. 社内ナレッジを使いやすくしたい。何のAI機能が必要か

A. まず検索支援が必要です。そこに要約や生成を組み合わせると、長い文書から必要な答えへ短く到達しやすくなります。つまり、検索支援が道を作り、要約と生成が到着体験を良くするという関係です。

7-4. Q. SNS運用を効率化したい。何のAI機能が必要か

A. 投稿案や画像案を作る生成系、コメントを分類する識別系、危険な兆候を見つける異常検知寄りの処理が考えられます。ここで重要なのは、SNS運用は「作る」だけでなく「反応を見る」仕事でもあることです。

7-5. Q. 教育や学習支援にAIを入れるなら何が必要か

A. 質問内容を分類し、教材を要約し、説明文を生成し、学習履歴から次の学習候補を推薦する、といった複数機能が必要になります。つまり、教育支援はかなり総合型の AI 活用領域です。

このセクションで使った参考資料

8. 一つの業務に複数のAI機能が混在する理由

ここまでの Q&A で見えてきたように、現実の業務は単一機能で終わりにくいです。なぜなら、業務には「入力を整理する段階」「必要情報を拾う段階」「判断する段階」「返す段階」があるからです。たとえば、分類してから生成する、抽出してから要約する、予測してから推薦する、という流れは自然です。業務の現場では、AI は単独の魔法ではなく、工程ごとに役割を持つ複数機能の連携として働くことが多いです。

この視点を持つと、AI 導入の考え方が変わります。「何のAIを入れるか」ではなく、「どの工程に何の機能を置くか」と考えられるようになるからです。これは設計の質を大きく変えます。初心者にとってここは重要な発見です。一つの業務に一つのAIではなく、一つの業務に複数のAI機能が混在するという見方ができると、かなり実務的になります。

flowchart LR
  A[入力] --> B[分類]
  B --> C[抽出]
  C --> D[検索支援]
  D --> E[生成]
  E --> F[人間確認]

このセクションで使った参考資料

9. 初心者向けの判断手順

迷ったときは、まず 何を返してほしいのか を考えます。文章や画像なら生成、ラベルなら分類、項目なら抽出、短く整理した文章なら要約、見つけやすさなら検索支援、将来値なら予測、次の候補なら推薦、異常の気づきなら異常検知です。次に、その出力をどう評価するかを考えます。自然さで見るなら生成、正誤で見るなら分類、誤差で見るなら予測、漏れや取りすぎで見るなら抽出という具合です。

よくある失敗は、生成AIだけで全部できると思うこと、サービス名から選ぶこと、評価基準を決めないこと、人間の確認工程を外すことです。判断を安定させるコツは、サービス名ではなく、返すものと評価基準で考えることです。これができると、新しい AI サービスが出てきても、表面的な名前ではなく中身で理解できます。

このセクションで使った参考資料

10. この節の到達目標

この節を読み終えた時点で、業務で使われる主要な AI 機能を説明できること、各機能が何を解決するのかを言えること、具体的なサービス例を挙げられること、複数機能をどう組み合わせるかを考えられることが目標です。さらに、生成と分類、抽出と要約、検索支援と生成、予測と推薦、分類と異常検知の違いを区別できるようになることも大切です。

このセクションで使った参考資料

11. 考えてみよう

  • 自分が日常で使うサービスには、どの AI 機能が入っていそうでしょうか。
  • なぜ「AIを入れる」だけでは業務改善にならないのでしょうか。
  • なぜ実務では複数機能の組み合わせ理解が必要なのでしょうか。
  • どの業務では、どの AI 機能が先に必要になりそうでしょうか。

12. まとめ

  • 業務で使われる AI は、生成だけでなく、分類、抽出、要約、検索支援、予測、推薦、異常検知などに分かれます。
  • 各機能は、解決しやすい課題、返す出力、評価基準が異なります。
  • 実際の業務では、複数の AI 機能を組み合わせることが多いです。
  • この節の目的は、流行サービス名ではなく、機能単位で AI を理解できるようになることです。

このセクションで使った参考資料

前の節生成AIと識別AIの違いと業務での使い分け次の節業務課題から考えるAIの選び方と適用判断
教材トップへ戻る