アマゾンジャパン品川オフィス

1. はじめに
2. AI BPRとは
3. ワークショップの内容
4. 参加者の声
5. 組織への展開と本格導入

1.はじめに

売上や現場の数字を見ながら、次々と判断を下す毎日。「これAIでやってくれないかなぁ」と感じたことはありませんか。

生成 AI のニュースは毎日のように流れてきますが、自社の業務で「使える」という実感を持てている方は、まだ少ないのではないでしょうか。業務の中で日々判断を重ねている方ほど、目の前の業務を AI が肩代わりしてくれる姿は具体的にイメージしにくいものです。

こうした課題に向き合う手法として、アマゾン ウェブ サービス ジャパン合同会社（以下、AWS Japan）が今年3月に提唱した手法が AI BPR（AI を前提とした業務プロセスの再設計）です。AWS Japan がすでに複数の大手企業で実施した AI BPR では、参加者の81％が「AI エージェントによってビジネスモデルが変わると確信した」と回答するなど、確かな成果が出ています。 ※ AI BPRの紹介はこちら：Amazon Web Services ブログ/AI 駆動の業務変革手法 :「課題は何ですか？」と聞くのをやめた日

アクセルユニバース（以下、AUC）は、AWS Japan と共催で AI BPR ワークショップを継続的に開催しています。今回は2回目の開催で、Data Analytics Agent をテーマに 7 社 30 名のお客様にご参加いただきました。終了後アンケートでは、参加者の 85% が「AI エージェント前提への業務変換は実現可能」、90% 以上が「ワークショップ全体に満足」、60%以上 が「経営層に報告したい」、つまり全社を巻き込んで実施する価値があると回答しています。

本記事では、当日の内容と参加者の声、そしてワークショップを起点に何を変えていけるのかをご紹介します。

2.AI BPRとは

AI BPR とは、ビジネスモデルや業務プロセスに対し、AIエージェントが業務の一部を担うことを前提に組み替える4〜5 時間のプログラムです。

従来型の BPRは、「何が問題か」から出発するアプローチであり3〜4 割しか成功してこなかったと言われています。 理由は次の3点に集約されます。

• 問題から始めると、人は防衛的になる
• ヒアリングと資料化の往復で、変革の主体が現場から奪われる
• AI 導入は本来「適応課題」なのに「技術課題」として扱ってしまう

また、「とりあえず AI を導入してから業務を考える」というデジタルファースト型のアプローチでも、現場で定着せずに止まってしまうケースが多くあります。AI BPR は、こうした失敗パターンを回避するために設計されています。

これまでの「業務改善」や「DX」と AI BPR が決定的に違うところは、既存業務を効率化することにとどまらず、「AI エージェントが業務の一部を担う」ことを前提に、仕事の組み立てそのものを設計し直すという点です。

特徴は大きく 4 つあります。

1. 強み起点：問題点を洗い出すのではなく、自社が何で価値を出せているか、強みは何かから出発する
2. 対話的アウトプット：AI と対話しながら、その場で成果物を作成する（持ち帰って資料化する時間を必要としない）
3. 実用性の実証：実データを使って、明日から本当に使えるかをその場で検証する
4. 再現可能性：進め方がパッケージ化されており、特定の人の職人芸に頼らず一定の成果が出せる

たとえば「強み起点」は、「クレーム対応が遅い」という問題から出発するのではなく、「当社の強みは常連客のリピート率の高さ。この強みをさらに伸ばすために、AI に何を任せるか？」と問い直す。問題ではなく、もっと伸ばせる余地に目を向けるからこそ、参加者の議論がポジティブに前進します。

そして進め方は、Observe（業務フロー可視化）・Shift（AI 委譲判断）・Simulate（プロトタイプ検証）・Forecast（展開計画策定）の 4 ステップ。「見て、決めて、試して、計画する」というシンプルな流れに沿って、半日で業務変革の第一周目を回します。

3.ワークショップの内容

今回のワークショップは、参加企業ごとに事前に決定した自社業務を題材に、AI BPR を体験していただくことを目的に、座学とハンズオンの2部構成で実施しました。

成果物として、参加企業様には次の2点を持ち帰っていただきました。

• 実際に動くデータ分析エージェント環境
• 「明日からどの業務をどの AI エージェントに任せ、そのことで自分たちのどんな強み・価値が強化されるのか」というストーリーがまとまった資料

当日の流れは以下の通りです。各ステップの間で参加者が迷わず進められるよう、環境のデプロイは AI エディタ Kiro との対話で完結する設計とし、事前にデータ取り込みの動作確認を済ませた状態でワークショップを開始しました。

3-1.第1部：座学パート

ハンズオンに入る前に、AI BPR の考え方と、当日構築する Data Analytics Agent についての座学セッションを実施しました。

3-1-1.AI BPR vs 従来型BPR とその理由

AI BPR セッションの様子
座学セッションはオンラインセミナー形式で行いました。

アクセルユニバース株式会社

竹中 涼香

AUC は、AWS Japan が提唱する AI BPR について公式のトレーニングを受け、AI BPR ワークショップを提供しています。

セッションでは、従来型 BPR の3つの失敗理由（問題起点/ヒアリング往復/技術課題扱い）と、それに対して AI BPR がどう答えているかを対比しながらご説明しました。

ここで大切にしているのは、AI BPR を「今日限りのワークショップの方法論」として伝えるのではなく、参加者ご自身が社内で AI 活用を進める際の思考の型として持ち帰っていただくことです。そのため、対比はあえてシンプルな表現に絞り込み、社内で説明する場面を想像していただきながら進めました。

AWS Japan 様が実施した AI BPR では、すでに複数の大手企業で確かな成果が出ており、顧客満足度は 5 点満点で 4.86、参加者の 81％ が「AI エージェントによってビジネスモデルが変わると確信した」と回答しています。今回のワークショップでも、こうした手法を単に説明するのではなく、参加者の皆様ご自身に体験していただくことを大切にしています。

3-1-2.本日の構築対象「Data Analytics Agent（D360）」のご紹介

ハンズオンの題材は、Discovery360（以下、D360）と呼んでいるデータ分析AIエージェントです。「データ分析の依頼を、SQL もダッシュボード操作もなしに、日本語の対話だけで完結させる」ことを目指して開発されました。

たとえば「先月、関東で離反した顧客の特徴を教えて。対策を検討して。」と入力すれば、その場で答えが返ってきます。さらに管理者向けの画面では、どのデータを使うか、どのような目的で使用するか等、自社の業務に合わせて調整することができます。

構成はシンプルで、Web の画面、AI エージェント、データベースの 3 層で成り立っています。ユーザーは聞きたいことを日本語で入力するだけ。AI が裏でデータを取得・集計し、答えを返してくれます。SQL も、複雑なダッシュボード操作も必要ありません。

Data Analytics Agent の構成

D360 はオープンソースとして公開されており、構築方法は GitHub からご確認いただけます。Discovery360 (D360) - AWS Samples

ワークショップでは、Observe で業務を見て Shift で AI に任せる範囲を決めていく思考の流れを通じて、この D360 をご自身の業務・目的に合った仕様に仕上げていく、という流れで進めました。

3-2.第2部：D360構築とAI BPRハンズオン

後半は、実際に D360 を構築しながら AI BPR の 4 ステップを体験するハンズオンを実施しました。

参加企業ごとに部屋を分け、それぞれのチームで議論を深めながら構築を進めていただきました。

今回のワークショップで大切にしたことは、「自社の環境で、自社のデータで、AI エージェントが応答する」体験を、説明や事例紹介ではなくご自身の手で作っていただくことです。実データをインポートし、AI に質問を送り、精度を調整する、というサイクルを実際に回していただきました。

各社の議論を覗いていると、印象的な変化が起こっていました。最初は「本当にうまく答えてくれるのか」と慎重に質問を送っていた方が、何回かのやりとりの後に「これなら現場で使える」と表情が変わる。ある参加企業では、Shift のステップで「これは AI に任せたいけど、ここは絶対に人が判断したい」という線引きが、メンバー間でその場で言語化されていく場面も見られました。

ハンズオンの最後には、ご自身の業務に AI エージェントを実装するための展開計画を、AI との対話を通じてその場で作成いただきました。

4.参加者の声

ワークショップ終了後、ご参加いただいた 30名の皆様にアンケートをご協力いただきました。

• ワークショップ全体満足度：90% 以上
• 進行・フォロー満足度：85％以上
• 「AI エージェント前提への業務変換は実現可能」：85%
• 「この内容を経営層に報告したい」：63%　
  
  

特に注目したい部分は、最後の結果です。参加者の6割以上が「この内容を経営層に報告したい」と回答されました。自分のチームで試すだけでなく、会社全体で取り組む価値があると感じていただけたことが、このワークショップの一つの成果だと考えています。

アンケートでは以下の声をいただきました。（一部抜粋）

• 他業務でも転用できるノウハウを伺えた。
• 根本的な課題がかなりクリアになった。
• 質問に答えるだけで AI エージェントの作成・動作確認ができるのが新鮮だった。
• 言語化や可視化のスピードが、人手とは比にならない。
• AI で業務整理を進める過程そのものがとても参考になった。
  

「業務の言語化に AI が想像以上に役立つ」「自社の業務にどう AI を組み込むかが具体的にイメージできた」といった感想もあり、AI BPR の考え方が実体験を通して伝わっていたことがうかがえました。

また、「次のステップで必要な支援」としては、自社データを使った検証が 56%、他社事例の共有が 41%、業務部門向けデモ・勉強会が 30% と、当日の気づきを自社の実データへの適用に進めたいというご意向を、多くの方から頂戴しました。

5.組織への展開と本格導入

​​「ワークショップ当日は盛り上がったが、結局その後動かなかった」――AI 活用の取り組みでよく聞く話です。なぜそうなるのか。多くの場合、原因は次のどちらかに偏ってしまうことにあります。

• 計画偏重：きれいな展開計画はできたが、実装が伴わず絵に描いた餅で終わる
• 実装偏重：技術的には動くものができたが、業務との接続が弱く現場で使われない
  
  

AUCでは、AI BPRの実践とAWS上での構築、どちらも行っています。当日作成された展開計画をお客様の状況に合わせて実装フェーズに接続し、業務での定着まで伴走することができます。今回のD360はもちろん、他テーマでも同様にご支援が可能です。

一例ですが、3か月程度の PoC を通して、

• 自社データでの検証
• 活用シナリオの検討
• 業務への定着化
  
  

を進めることも可能です。

AI の活用が重要であることは感じていても、

• どこから始めればよいのか分からない
• 何を作ればよいのか分からない
• 経営層や現場を巻き込んでどう進めればいいか分からない
  
  

という方も多いと思います。

そうした段階でも、課題整理から一緒に検討させていただきます。本記事をきっかけに、AI BPR や D360 にご関心をお持ちいただけましたら、ぜひお気軽にご相談ください。

AUCへのお問い合わせ