AI組織実装工学――最初の実践研究
Power Elemotion Lab.では、人とAIが協業する組織のあり方を「AI組織実装工学」として研究しています。
その最初の実践的な研究対象となったのが、起業準備中のお金の流れを把握するために開発した「AI経理システム」です。
この取り組みでは、AIを単なる質問回答ツールとして使うのではなく、仕様の提案、システム設計、コード作成、デバッグ、問題分析、文書化までを担う開発チームの一員として位置づけました。
目的は、会計処理を効率化することだけではありません。
人とAIが一緒にシステムを開発すると、どのような成果が生まれ、どこで問題が起こり、どのような仕組みが必要になるのか。
実際の開発と運用を通じて、この問いを検証しています。
PDFをAIが理解し、会計データへ変換する
開発したシステムでは、書式の異なる請求書や領収書のPDFを、Cloud Run上のAIが読み取ります。
AIはPDFの文字を認識するだけでなく、文書の内容を判断し、次のような項目を抽出・整理します。
- 発行元
- 請求番号
- 適格請求書発行事業者登録番号
- 発行日・支払日
- 金額
- 未払い・支払済み
- 勘定科目
- 明細の分割
従来のプログラムでは、PDFの書式ごとに位置、項目名、条件分岐などを細かく設定する必要がありました。
本システムでは、複雑な個別ルールをすべてコード化するのではなく、AIが文書の内容と関係性を読み取り、会計データの候補を作成します。
これにより、異なるフォーマットへ対応するための複雑なプログラム作成を大幅に減らすことができました。
図1 AIとの協業による会計処理システム
［ここに「AIとの協業による会計処理システム開発」の図を配置］
PDFはGmailまたはGoogleドライブから取り込まれ、GAS、Slack、Cloud Run AIを経由して、Googleスプレッドシートの「受付トレイ」へ起票されます。
ただし、AIの解析結果をそのまま本番台帳へ登録することはありません。
受付トレイで人が原本と解析結果を確認し、承認したデータだけを「経費・支払管理」へ転記します。
AIがPDFを理解・仕分けし、人が結果を確認する。
この役割分担により、AIの柔軟性と、人による最終判断を両立しています。
システム開発の失敗も研究対象にする
開発は、最初から順調に進んだわけではありません。
AIが既存コード全体を書き換えて別の機能を消してしまう、問題の証拠を残す前に応急処置を提案する、処理済みの判定に失敗して重複処理が発生するなど、さまざまな問題が起こりました。
また、AIは問題に直面すると、現在の構成を前提に、さらに複雑な方法へ進む傾向がありました。
しかし、これらは単なる開発上の失敗ではありません。
人とAIが協業するときに、
- AIはどの前提を省略するのか
- なぜ人の意図と異なる修正を行うのか
- なぜ目の前の症状を消すことを優先するのか
- どこまでAIに任せ、どこで人が判断すべきか
- 問題の経緯や証拠をどう共有すべきか
という、AI組織実装上の課題を明らかにする実証データになりました。
要望、提案、修正、実装、検証を繰り返す
今回の開発では、人が最初から完全な仕様書を作り、AIがそのとおりに実装したわけではありません。
人が目的や要望を示し、AIが実現方法を提案します。人が提案の不足や違和感、危険性を指摘し、AIが仕様やコードを修正します。
完成したコードはGitHubへ保存し、GASまたはCloud Runへ反映します。その後、実際のPDFを使って動作を確認し、問題があれば症状、原因、対処、結果を記録して、次の改善へつなげます。
図2 人＋AI組織によるシステム開発と研究
［ここに「AI組織実装工学の実証サイクル」の図を配置］
このサイクルでは、システムの完成だけを成果とは考えません。
開発中に発生した問題や失敗をエビデンスとして残し、論理的に分析し、仮説や研究レポートへ発展させます。そこから得た原則を、再びAIとの協業方法やシステム運用へ反映します。
システムをつくる。その過程を研究する。
これが、Power Elemotion Lab.におけるAI組織実装工学の実践方法です。
開発から生まれた研究テーマ
今回の取り組みは、次の研究テーマへつながっています。
AI協業における問題点
AIは高速に提案やコードを生成できますが、経緯の保存、既存機能への影響、検証の意味などを省略することがあります。
そのため、AIの実行能力だけでなく、変更履歴、エビデンス、人による承認を組織の仕組みとして設計する必要があります。
人・AI関係強度モデル
同じAIを使用しても、すべての人が同じ成果を得られるとは限りません。
人とAIの相性、対話履歴、修正負担、成功体験、AIを選択できる自由などが、協業の成果や継続性に影響するという仮説です。
AI Quality 8S + 1DN
AIを組織へ導入するには、機能や性能だけでなく、情報整理、セキュリティ、シークレット管理、ネットリテラシー、品質確認などを含む運用基盤が必要です。
実際の失敗や改善結果を、AI時代の品質マネジメントへ反映しています。
完全自動化ではなく、適切な協業を目指す
このAI経理システムは、市販のクラウド会計ソフトを置き換えることを目的としたものではありません。
起業後の正式な会計処理にはクラウド会計を利用し、本システムは起業前のお金の流れの把握と、AI協業によるシステム開発の実証に活用します。
すべてをAIへ任せるのではなく、
- AIが得意な解析・整理・提案・実装
- 人が担う目的設定・違和感の発見・検証・最終判断
- GitHubや記録台帳が担う共有記憶
を組み合わせることが重要です。
おわりに
AIとの協業は、指示を出せば一度で正しい答えが返ってくる魔法ではありません。
要望を伝え、提案を受け、違和感を指摘し、修正し、実際に動かして検証する。その繰り返しによって、人とAIの間に判断基準と協業の文脈が形成されます。
Power Elemotion Lab.では、完成したシステムだけでなく、その過程で生じた失敗、修正、判断、学びも研究資産として残していきます。
AIを導入するだけでは、AI組織は生まれません。
人とAIがどのように役割を分担し、問題を発見し、記憶を共有し、成果へつなげるか。その実践知を、今後もAI組織実装工学として検証・発信していきます。
© 2026 Power Elemotion Lab.
本記事の無断転載・複製はご遠慮ください。引用の際は、出典として「Power Elemotion Lab.」を明記してください。