AIに学習させる方法を徹底解説｜手順・準備・実務活用まで完全ガイド

「AIに学習させる方法を知りたい」と検索したとき、出てくる情報が二分されていて戸惑った経験はないでしょうか。片方はPythonでモデルを訓練する技術解説、もう片方は生成AIに社内資料を読ませる話で、どちらも「学習させる」と呼ばれています。この2つは必要な工数もコストも桁違いで、混同したまま進めると「本来3日で済む要件に3か月かけてしまう」事故が起こります。本記事では、AIに学習させる方法を「プロンプト・RAG・ファインチューニング」の3段階と、モデルを自分で訓練する技術工程の両面から整理し、AI経営総合研究所が​独自に取材した先行企業の活用実態​を交えて、自社が着手すべき段階を見極められる状態まで解説します。

弊社では、生成AIの運用成功に役立つ資料を配布しています。導入設計やリスク対策、プロンプトの考え方が分かる内容です。AIに適切に学習させ望む形で運用する、AIを組織に根付かせるノウハウを知れますので、ぜひご覧ください。

AI学習とは何か？「学習させる」意味を整理

AIに学習させるとは、データからパターンを抽出させ、新しいデータへの予測や判断を可能にする処理です。生成AIの普及後は、モデル自体を作り替える狭義の学習と、社内データを参照させる広義の学習が、同じ言葉で語られています。

この言葉の幅が、冒頭で触れた混乱の正体です。まずは技術的な位置づけを整理してから、実務でどちらを指しているのかを切り分けます。

AI・機械学習・ディープラーニングの関係

3つの用語は並列ではなく、包含関係にあります。

• AI（人工知能）：人間の知的活動をコンピュータで再現する広い概念です
• 機械学習：AIを実現する技術のひとつで、データから規則を学ぶ手法を指します
• ディープラーニング：機械学習のうち、ニューラルネットワークを使った高度な学習手法です

「AIに学習させる」という表現は、厳密には機械学習・ディープラーニングによるモデル訓練を指します。ChatGPTのような大規模言語モデルも、この訓練を巨大な規模で実施した成果物です。

なぜ「学習」と呼ぶのか（人間の学習との違い）

人間の学習は経験を積んで知識や技能を得ることですが、AIの学習はデータを通じて数値的なパターンを獲得することを意味します。

• 人間：失敗や成功を反復し、意味や文脈も含めて理解します
• AI：膨大なデータを処理し、入力と出力の関係を統計的に最適化します

人間が意味を理解するのに対し、AIはパターンを最適化する点が根本的に異なります。この違いは実務にも直結し、AIは「学習データに存在しない状況」に弱いという性質を持ちます。

学習のさせ方は3方式ある（教師あり・教師なし・強化学習）

データの与え方によって、学習は3つの方式に分かれます。何を学習させたいかで選ぶ方式が決まるため、着手前に自社のタスクがどれに当たるかを確認します。

方式	データの与え方	向くタスク	例
教師あり学習	入力と正解ラベルをセットで与えます	分類・予測	スパム判定、需要予測
教師なし学習	正解を与えず構造だけを見つけさせます	グルーピング・異常検知	顧客セグメント抽出
強化学習	望ましい結果に報酬を与えます	逐次的な意思決定	囲碁・ロボット制御

業務でよく登場するのは教師あり学習です。ただし正解ラベルを人手で付ける工数が発生するため、ラベル付けのコストが見合うかを先に試算します。囲碁や将棋のように正解を定義しにくい領域では、報酬を設計する強化学習が使われます。

AIに学習させることで何が可能になるのか（分類・予測・生成）

学習を経たAIは、次の3系統のタスクを担えるようになります。

• 分類：メールが迷惑メールか否かを判別します
• 予測：売上や需要を数値で推定します
• 生成：テキストや画像を新規に作り出します

学習という仕組みを持たせることで、AIは単なる計算機から応用可能な意思決定ツールへ変わります。AI学習の仕組みや種類をさらに詳しく知りたい方は、AI学習の基本と仕組みを整理した記事で網羅的に解説しています。

「AIに学習させる」3つのやり方｜プロンプト・RAG・ファインチューニングの使い分け

社内データをAIに使わせる方法は、プロンプトで文脈を渡す・RAGで文書を参照させる・ファインチューニングでモデルを調整する、の3つに整理できます。多くの業務課題はRAGまでで解決し、ファインチューニングが必要になる場面は限られます。

順番を間違えると、コストが跳ね上がります。上から順に試し、解決しない場合のみ次の段階へ進む設計が実務の定石です。

3つの方法の比較

先に全体像を並べます。判断は「更新頻度」と「必要な工数」の2軸で付きます。

方法	何をするか	向いているケース	情報の更新	必要な準備
プロンプトで文脈を渡す	依頼文に前提・書式・サンプルを書き込みます	出力の形式や口調を揃えたい	毎回貼り直します	テキストのみで完結します
RAG・ナレッジ参照	社内文書を検索させ、根拠として読ませます	社内規程・製品情報を答えさせたい	ファイル差し替えで即反映します	文書の整理と権限設計が要ります
ファインチューニング	学習データでモデル自体を調整します	大量の定型出力を安定させたい	再学習が必要です	学習データ作成とAPI運用が要ります

社内FAQへの回答や規程の参照といった一般的な要件は、RAGの段階で解決します。ファインチューニングは「知識を覚えさせる技術」ではなく「振る舞いを固定する技術」に近いため、目的を取り違えないでください。

方法1：プロンプトで文脈を渡す

最も速く、コストがかからない方法です。依頼文の中に前提条件・出力形式・良い例と悪い例を書き込み、その場でAIに文脈を与えます。

• 役割の指定：「あなたは製造業の品質保証担当です」と立場を与えます
• 出力形式の指定：見出し構成・文字数・文体を明示します
• サンプルの提示：望ましい出力を1〜2例そのまま貼り付けます

ChatGPTのカスタム指示やメモリのように、繰り返し使う前提を保存できる機能を備えたサービスもあります。ただし、これらはモデルを書き換えているわけではなく、毎回の依頼文に前提を自動で足しているだけです。この違いを理解しておくと、「学習させたはずなのに忘れている」という誤解を避けられます。

方法2：RAG・ナレッジ参照で社内文書を読ませる

RAG（検索拡張生成）は、質問に関連する社内文書を検索し、その中身を根拠としてAIに読ませたうえで回答を生成させる仕組みです。業務で「自社のことを答えられるAI」を作りたい場合、実質的な本命がこの方法になります。

• モデルを再学習させないため、文書を差し替えれば内容が即座に反映されます
• 回答の根拠となった文書を提示できるため、内容の検証が可能です
• アクセス権限を文書単位で管理でき、部署ごとの出し分けにも対応します

一方で、元の文書が古い・重複している・PDFの体裁が崩れているといった状態では、検索精度が落ちて期待した回答が返りません。RAGの導入効果は、AI側の設定ではなく文書側の整備状況でほぼ決まります。仕組みと導入手順の詳細はRAG型チャットボットの構造と導入ステップで確認できます。

方法3：ファインチューニングでモデルを調整する

ファインチューニングは、入力と理想的な出力のペアを大量に与え、モデルの振る舞いそのものを調整する方法です。OpenAIの開発者向けドキュメントでは、提供できる学習データの最小件数を「The minimum number of examples you can provide for fine-tuning is 10」と定め、着手時の目安として「We recommend starting with 50 well-crafted demonstrations and evaluating the results」と案内しています。データ形式はJSONL（1行に1件のJSONを記述する形式）で、チャット形式のやり取りとして記述します。

• 最低10件から実行でき、まず50件程度の良質な例で結果を評価する進め方が推奨されています
• 対応モデルは限定されており、着手前に公式ドキュメントで対象を確認します
• 学習データが偏ると、出力も偏った状態で固定されます

注意したいのは、ファインチューニングが「最新の社内情報を覚えさせる」用途には向かない点です。情報が更新されるたびに再学習が必要になり、運用コストがRAGを大きく上回ります。出力形式を厳密に揃えたい、特定の分類作業を大量に安定処理させたいといった、振る舞いの固定が目的の場合に選んでください。

どの方法を選ぶかの判断手順

3つの方法は、次の順で切り分けます。

1. 出力の形式や口調だけを揃えたいのであれば、プロンプトの改善で完了します
2. 社内の規程・製品情報・過去案件を根拠に答えさせたいのであれば、RAGを構築します
3. RAGでも出力のばらつきが残り、かつ同じ形式の処理が月数千件規模で発生するのであれば、ファインチューニングを検討対象に入れます
4. 数値予測や画像判定など、生成AIでは扱えないタスクであれば、機械学習モデルを自前で訓練します

多くの企業は1と2の範囲で目的を達成します。最初からファインチューニングや自社モデル開発を前提に計画を組むと、投資回収の見込みが立たないまま検証が長期化します。

AIに学習させる前に準備すべきこと

AI学習の成否は、目的・データ・環境の3点をどこまで詰めたかで決まります。とくにデータの前処理は工数の大半を占め、ここを省くと後工程のパラメータ調整では取り返せません。

以下の3点は、コードを書き始める前に文書化してください。

目的の明確化（分類？予測？生成？）

まず、AIに何をさせたいのかを言語化します。

• 分類タスク：スパムメール判定、画像のカテゴリ分けなどが該当します
• 予測タスク：売上予測、需要予測、在庫管理などが該当します
• 生成タスク：文章生成、画像生成、要約作成などが該当します

ゴールが定まれば、必要なデータやモデルの選択肢も自動的に絞り込まれます。同時に「何%の精度なら業務で使えるか」という合格ラインも決めておくと、際限のないチューニングを避けられます。

データ収集と前処理（クレンジング・正規化・ラベル付け）

AIの性能はデータの質に強く依存します。「Garbage in, Garbage out（不良データを入れれば、不良結果が出る）」の原則どおり、前処理を徹底してください。

• クレンジング：欠損値の処理、重複の削除、誤入力の修正を行います
• 正規化：数値のスケールを揃えます（例：0〜1に変換します）
• ラベル付け：分類タスクでは正解データを付与します（例：犬と猫の画像にラベルを付けます）

学習がうまくいかない原因の多くは、モデルではなくデータ側にあります。ここに時間をかけることが、後の精度向上に直結します。

学習環境の準備（Python, Jupyter Notebook, Google Colab, クラウドAIサービス）

次に、学習を実行するための環境を整えます。

• Python＆ライブラリ：scikit-learn、TensorFlow、PyTorchなどが定番です
• Jupyter Notebook：コード・実行結果・メモを一元管理できる開発環境です
• Google Colab：ブラウザ上でGPUを使えるクラウド環境で、環境構築なしに始められます
• クラウドAIサービス：AWS SageMaker、GCP Vertex AI、Azure Machine Learningなど、大規模学習や業務導入に適します

最初はColabやローカル環境で小さく始め、業務で本格活用する段階になってからクラウドAI基盤へ移行する順序が、コスト面でも合理的です。

AIに学習させる基本的な手順

学習は、データ分割・モデル選択・学習実行・精度評価・改善の5工程を1サイクルとして回します。1回で完成させる作業ではなく、評価結果を次のサイクルへ戻す反復設計が出発点になります。

各工程で判断すべきことを順に整理します。

① データ分割（学習用・検証用・テスト用）

まずはデータを3種類に分けます。

• 学習用データ：AIが規則やパターンを学ぶために使います
• 検証用データ：学習途中で精度を確認し、モデルを調整するために使います
• テスト用データ：最終的な実力を測るために使います

この分割を怠ると、学習データには強いが新規データに弱い「過学習」を検出できません。テスト用データは最後まで一度も学習に触れさせないでください。

② モデルの選択（scikit-learn / TensorFlow / PyTorch）

次に、タスクに応じたモデルとライブラリを選びます。

• scikit-learn：軽量で扱いやすく、分類や回帰タスクに適します
• TensorFlow：Google製で、大規模学習や深層学習に強みがあります
• PyTorch：研究用途や開発スピードを重視する場面で広く使われています

いずれもPythonから利用できます。初心者はscikit-learnから始め、応用段階でTensorFlowやPyTorchへ進む流れが定着しています。

③ 学習の実行（トレーニング）

モデルに学習用データを与え、パターンを見つけさせる作業がトレーニングです。

• 分類では「この特徴があれば犬、この特徴なら猫」という判別基準を学びます
• 回帰では「売上は広告費が増えると増える」という傾向を掴みます
• ニューラルネットワークでは、重み（パラメータ）を反復的に最適化します

学習とは、試行錯誤を高速で繰り返す処理そのものです。

④ 精度評価（正解率・再現率・F1スコア）

学習が終わったら、検証用データでモデルの性能を測ります。

• 正解率（Accuracy）：全体のうち正しく予測できた割合を示します
• 再現率（Recall）：本来「正」とすべきデータをどれだけ拾えたかを示します
• F1スコア：正解率と再現率のバランスを取った指標です

単一指標だけを見ると判断を誤ります。たとえば不良品が全体の1%しかない検査データでは、すべて「良品」と答えるだけで正解率99%になってしまうため、再現率を併せて確認します。

⑤ 改善と再学習（ハイパーパラメータ調整・過学習対策）

評価結果をもとに、モデルを改善します。

• ハイパーパラメータ調整：学習率、層の数、木の深さなどを変更します
• 過学習対策：正則化、ドロップアウト、データ拡張で汎用性を高めます
• 再学習：改善案を反映し、もう一度学習サイクルを回します

成果を出しているAIプロジェクトは、一度で終わらせず改善サイクルを仕組み化しています。

社内データを生成AIに学習させる5ステップ

社内データを生成AIに渡す手順は、棚卸し・機密区分の確定・形式の統一・小規模検証・運用ルール化の5段階です。技術作業より、渡してよいデータを決める最初の2段階に工数がかかります。

ここは前章の技術手順とは別系統の作業です。エンジニアではなく、業務部門と情報システム部門が主役になります。

ステップ1：どのデータを使うかを棚卸しする

対象業務で実際に参照されている資料を洗い出します。

• 社内規程、業務マニュアル、製品仕様書、過去の提案書、問い合わせ履歴などを一覧化します
• 各資料の更新頻度と最終更新日を記録します
• 「現在も使われているか」を業務担当者に確認し、廃止版を除外します

この段階で古い版が混ざったままRAGを構築すると、AIが廃止済みのルールを根拠に回答します。件数を絞ってでも、現行版だけを対象にしてください。

ステップ2：機密区分とアクセス権限を確定する

社外サービスへ渡してよい情報かどうかを、データ単位で判断します。

• 公開情報・社外秘・個人情報・取引先の機密情報に区分します
• 個人情報や取引先から預かった情報は、契約上の制約を法務と確認します
• 部署ごとに閲覧範囲が異なる資料は、AI側でも同じ権限設計を再現します

人事評価や給与データのように、部署をまたいで参照されると問題になる資料は、最初の対象から外すのが安全な進め方です。

ステップ3：データの形式を揃える

AIが読み取れる状態に整えます。ここが最も工数のかかる工程です。

• スキャンした画像PDFはテキスト化します（そのままでは検索対象になりません）
• 表が複雑なExcelは、1行1レコードの形に整理します
• 同じ用語の表記ゆれ（例：「顧客」「お客様」「クライアント」）を統一します
• 文書の冒頭に、対象範囲と最終更新日を記載します

表記ゆれの統一は地味ですが、検索精度に直結します。用語集を1枚作り、全文書に適用してください。

ステップ4：小さな範囲で検証する

いきなり全社展開せず、1部署・1業務に絞って試します。

• 想定質問を30〜50問リストアップし、期待する回答も併せて用意します
• 実際にAIへ質問し、正答・部分正答・誤答の3段階で採点します
• 誤答したケースは、原因が「文書がない」のか「文書はあるが見つけられない」のかを切り分けます

前者は文書追加、後者は検索設定や文書構造の見直しで対処します。この切り分けをせずにツールを乗り換えると、同じ問題が再発します。

ステップ5：運用ルールを決めて定着させる

検証が通ったら、継続運用の体制を整えます。

• 文書の更新責任者と更新頻度を決めます
• AIの回答をそのまま社外へ出さない、必ず根拠文書を確認するといった利用ルールを明文化します
• 想定外の回答が出た場合の報告先を設けます

社内データを扱うAIは、作った時点が最高精度で、放置すると劣化します。更新の担当者を決めない限り、半年後には使われなくなります。

この5ステップは、担当者ひとりの工夫でも一巡させられます。ただし対象業務を広げる段階では、どの業務から着手するかの優先順位、データ整備の分担、全社で共通に使う判断ルールの3点を、個人の裁量ではなく組織の標準として決める作業が次の関門になります。

実際にAIを学習させる例

手順を理解したら、公開データセットを使った小さな実験で流れを体感するのが近道です。画像分類とテキスト分類は必要なデータが揃っており、20行程度のコードで学習から評価まで到達できます。

代表的な2つの題材と、実行可能なコード例を示します。

画像分類（MNIST手書き数字の判別）

最も有名な学習用データセットがMNIST（手書き数字データセット）です。0〜9までの白黒画像を70,000枚収録しており、AIに数字を正しく認識させる課題に取り組めます。

• 学習データ：60,000枚の画像を使います
• テストデータ：10,000枚の画像で評価します
• 目的：画像の特徴を学び、新しい数字を正しく分類します

画像認識の基礎を掴むには最短の題材です。

テキスト分類（スパムメール判定）

もう一つ身近な例が、メールのスパム判定です。過去のメールを「スパム」か「通常メール」にラベル付けし、そのデータで学習させます。

• 入力：メール本文の単語や特徴量を与えます
• 出力：「スパム」または「通常」を返します
• 実用例：迷惑メールフィルタ、SNSの不適切投稿検出などに使われています

テキストデータを扱うAIの第一歩として適した題材です。

Pythonコード例で学習の流れを体験

以下は、scikit-learnを使ったシンプルな分類モデルのサンプルです。手書き数字データを読み込み、学習から予測までを実行します。

from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

# データ読み込み（手書き数字）
digits = load_digits()
X, y = digits.data, digits.target

# 学習用とテスト用に分割
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

# ロジスティック回帰モデルを学習
model = LogisticRegression(max_iter=10000)
model.fit(X_train, y_train)

# テストデータで精度を評価
y_pred = model.predict(X_test)
print(“正解率:”, accuracy_score(y_test, y_pred))

20行程度のコードで、学習から予測、精度評価までを一通り体験できます。ここで得た感覚は、外部ベンダーに開発を依頼する際の見積もり評価にもそのまま使えます。

学習効率・精度を高める工夫

精度を上げる打ち手は、データを増やす・特徴量を作り込む・学習済みモデルを流用する、の3系統に整理できます。近年はゼロから学習させず、転移学習や少数データ学習で立ち上げる方法が主流になっています。

それぞれの手法と、使いどころを見ていきます。

データ拡張・特徴量エンジニアリング

精度を高める最も基本的な方法が、データ側の工夫です。

• データ拡張（Data Augmentation）：画像を回転・反転・色調変更して学習データ量を増やします。テキストなら言い換えや不要語の削除で対応し、少ないデータでも汎用性を高められます
• 特徴量エンジニアリング：データから意味のある指標を作ります。購買履歴から「購入頻度」「平均購入金額」を抽出するように、データが持つ潜在的な力を引き出し、予測精度を改善します

質と量の両方に手を入れることが、モデル改善の出発点になります。

転移学習（既存モデルの再利用）

ゼロからAIを学習させるには、膨大なデータと計算資源を要します。そこで使えるのが転移学習（Transfer Learning）です。

• すでに学習済みのモデルを再利用し、自社の目的に合わせて微調整します
• 画像認識モデル「ResNet」をベースに、自社の製品画像分類へ応用するといった使い方をします
• 少ないデータでも高い精度に到達でき、開発コストも抑えられます

業務現場では、ゼロからの学習よりも転移学習が標準的な選択になっています。

自己教師あり学習や少数データ学習の最新動向

データ不足を克服する新しい学習法も実用段階に入っています。

• 自己教師あり学習（Self-Supervised Learning）：正解ラベルを用意せず、テキストの穴埋めのような擬似タスクを自動生成して学習します。ラベル付けコストを削減できます
• 少数データ学習（Few-Shot / Zero-Shot Learning）：ごく少ないデータ、あるいは未学習のカテゴリでも推論できます。ChatGPTをはじめとする大規模言語モデルが実現しているアプローチです

これらは発展途上の領域ですが、社内に十分なデータが蓄積されていない企業にとって現実的な打ち手になります。

ビジネス現場でAIを学習させる際の注意点

実務で詰まるのは技術ではなく、データ不足・コスト・情報の取り扱い・社内の理解の4点です。とくに外部サービスへ社内データを渡す場合は、そのデータが学習に使われるかを契約とプランの単位で確認します。

導入前に押さえておく論点を順に整理します。

データ不足問題と外部データ活用

社内データだけでは、学習に十分な量や多様性を確保できないケースがあります。その場合は次の工夫が効きます。

• 外部データの活用：オープンデータや業界標準データセットを利用します
• データ拡張：既存データを加工して学習データ量を増やします
• 転移学習：学習済みモデルをベースに、自社データで微調整します

「データが足りないからAI導入は無理」という結論は早すぎます。生成AIのRAG構成であれば、数十件の文書からでも実用的な仕組みを組めます。

クラウドサービスとコスト管理（AWS, GCP, Azure）

AI学習には計算資源が要りますが、オンプレミス環境を構築すると初期投資が膨らみます。そのため多くの企業はクラウドAIサービスを使っています。

• AWS SageMaker：開発から運用までを一貫して扱えます
• GCP Vertex AI：Googleのデータ分析基盤と統合しやすい構成です
• Azure Machine Learning：Microsoft製品との親和性に強みがあります

いずれも従量課金であるため、検証段階から上限アラートを設定し、月次でコストを確認する運用を組み込んでください。

渡したデータが学習に使われるかはプランで決まる

外部サービスへ社内データを渡す際、そのデータが提供元のモデル学習に使われるかどうかは、サービスの種類ではなくプランで決まります。個人向けプランは学習に使われる前提、法人向けプランとAPIは学習対象外という構図が基本形です。

• 契約プランの利用規約で、入力データの学習利用について記載を確認します
• 個人向けプランを業務で使っている場合は、設定画面で学習利用のオフを確認します
• 無償の検証環境は、有償プランと条件が異なる場合があるため個別に確認します

逆に「自社のデータを学習させたくない」場合の具体的な設定手順は、AIに学習させない設定とオプトアウトの手順で解説しています。自社の制作物や画像を守る観点での対策は、AI学習の防止策とノイズ付加の実効性にまとめています。学習させる側と学習させない側は同じ設定画面を扱うため、両方を把握しておくと社内説明が通りやすくなります。

社内導入の壁（リテラシー不足・抵抗感）

技術的に学習モデルを構築できても、社内の理解と教育が不足していれば運用は定着しません。

• 「AIは難しい」「自分の仕事が奪われる」という抵抗感が生まれます
• 部署ごとにデータが分断され、横断活用が進みません
• 担当者の知識不足により、運用が形骸化します

技術だけでなく、教育・ルール・文化を同時に整えたときに、はじめて運用が定着します。

運用定着のポイントについては、以下の資料で詳しく解説していますので、ぜひご覧ください。

他社の取り組み｜住友ゴム工業・USEN WORK WELLに学ぶ社内データの活かし方

社内データの活用で成果を出した企業に共通するのは、データを集める前に「何をAIに任せ、何を人が判断するか」を決めていた点です。独自取材した2社の進め方から、着手順序の実態を整理します。

住友ゴム工業株式会社｜ベテランの暗黙知をデータ化して設計へ還流

住友ゴム工業では、AIを活用しなければこれまで以上のスピードアップが難しいと判断し、現場データの体系化に着手しました。テストドライバーが担ってきた官能評価という暗黙知を設計データと紐付けて体系化する「匠AI」を構築し、IoTで収集した現場データをAIで分析して設備へ自動フィードバックする仕組みも運用しています。日常業務ではMicrosoft Copilotをメール作成・レポート要約・翻訳に活用しています。同社は「​​プロセスのどの部分をAIに任せるかを人が判断していくことが大事なのではないでしょうか。​​」と語っています。

注目すべきは、​​学習させるデータを集める前に「どの工程をAIに渡すか」を人が線引きしている​​点です。社内データの学習は、データ量を増やす作業ではなく、業務プロセスのどこを切り出すかを決める作業から始まります。

詳細は住友ゴム工業株式会社のインタビュー記事で紹介しています。

株式会社USEN WORK WELL｜社内専用ツールを内製し利用率80%を達成

USEN WORK WELLは、かつてPCが普及したときのようにAIもビジネスのインフラになると判断し、社内専用ツール「Buddy」を独自開発しました。2023年9月に「AI業務改革支援部」を正式部門として発足させ、約6,000名の従業員を巻き込んだ展開の結果、グループ全体のAI利用率80%、月間約8,700時間の業務時間削減に到達しています。浸透施策として全国6地域（札幌・仙台・名古屋・大阪・広島・福岡）で「Buddyゼミ」を実施しました。同社は「​AIから出力された情報をそのまま鵜呑みにするのではなく、それをいつ誰にどのように伝えるのか、その内容に責任を持って発信するのかを判断するのは常に人間です。​​」と語っています。

注目すべきは、​​セキュアな環境を先に用意したうえで、使われる状態を作る施策に人手をかけている​​点です。社内データを扱う仕組みは、構築した時点ではなく、現場が日常的に使い始めた時点で初めて投資回収が始まります。

詳細は株式会社USEN WORK WELLのインタビュー記事で紹介しています。

2社に共通する設計思想​​：①データを集める前に「人が判断する範囲」を先に線引きしている ②既製ツールをそのまま配るのではなく、自社業務に合わせた入口を用意している ③技術構築と同じ工数を「使われる状態を作る」施策に割いている。自社で社内データの活用を始める際は、この3点を計画書の項目に加えてください。

2社とも、ツールの選定より先に「どの業務を対象にし、誰が判断するか」を決めています。自社で同じ順序を踏むなら、着手前に対象業務の候補と判断者を書き出し、経営層と合意しておくと、検証段階での差し戻しを避けられます。

よくあるつまずきと解決策

つまずきの多くは、データ形式・データ量・過学習・計算資源の4カテゴリに収まります。どれもエラーメッセージの表層ではなく、投入したデータ側に原因があるケースがほとんどです。

代表的な症状と対処を整理します。

エラーで学習が止まる → データ形式の確認

• CSVや画像などの入力データの形式が揃っていないとエラーが発生します
• 欠損値や異常値が含まれている場合も、処理が停止する原因になります
• 対処：学習前にデータをクリーニングし、形式を統一します

まずデータを疑うのが鉄則です。

精度が上がらない → データ量・特徴量を見直す

• データが少なすぎる、あるいは偏っていると精度が頭打ちになります
• 入力に使っている特徴量がタスクに合っていない可能性もあります
• 対処：データを追加収集するか、特徴量エンジニアリングで新しい指標を作成します

学習回数を増やすだけでは改善しません。

過学習になる → 正則化・ドロップアウトを使う

• 学習データでは高精度でも、新しいデータでは性能が落ちる状態です
• 原因は、学習データを覚え込みすぎて汎用性を失っていることにあります
• 対処：L1/L2正則化でモデルをシンプルに保ち、ニューラルネットワークではドロップアウトを導入し、データ拡張で多様性を持たせます

過学習対策は、モデルを賢くしすぎない工夫と言い換えられます。

学習が遅い → GPUやクラウドの活用

• ノートPC環境では計算速度が足りず、学習に数時間から数日かかることがあります
• 対処：GPU対応PCを利用するか、Google ColabやAWS SageMaker、GCP Vertex AIなどのクラウドを活用します
• 対処：バッチサイズや学習回数を調整して効率化します

環境を変えることも、立派な解決策になります。

まとめ｜AIに学習させる第一歩は「小さく試す」ことから

AIに学習させる方法は、プロンプト・RAG・ファインチューニングの3段階と、モデルを自分で訓練する技術工程の2系統に分かれます。まず自社の課題がどの段階で解けるかを見極め、小さく検証してください。

多くの業務課題は、社内文書を整えてRAGを組む段階で目的を達成します。ファインチューニングや自社モデル開発は、それでも解決しない要件が明確になってから着手する順序が、投資回収の観点で合理的です。技術検証と並行して進める必要があるのは、渡してよいデータの線引きと、現場が日常的に使い続ける仕組みづくりです。取材した企業がいずれも「人が判断する範囲」を先に決めていたのは、その後の運用負荷を最小化するためでした。

次の課題は、この進め方を担当者個人の工夫で終わらせず、社内で共有できる判断基準として定着させることに移ります。

以下の資料では、導入設計や社内ルール、定着のポイントなどを解説しています。AIに適切に学習させ望む形で運用する、AIを組織に根付かせるノウハウを知れますので、ぜひご覧ください。

よくある質問