生成AIは、CRUDマトリクスを自動で完成させるための道具ではありません。一方で、業務・機能候補やデータ候補の洗い出し、C/R/U/Dの初期案づくり、更新責任の重複チェック、参照漏れの確認、レビュー質問の作成には使えます。
重要なのは、AIが出したCRUDをそのまま正解として採用しないことです。どのデータが正本か、誰が更新責任を持つか、取消がDなのかUなのか、どのロールに権限を与えるかは、実際の業務・システム・監査要件を知る人が確認する必要があります。
この記事では、生成AIをCRUDマトリクスに補助的に使う方法を、具体的なプロンプト例、出力の使い方、人が確認すべきポイント、誤り・限界まで含めて解説します。
CRUDマトリクスの意味や基本構造から確認したい場合は、CRUDマトリクスとは?を参照してください。人だけで進める基本手順は、CRUDマトリクスのやり方で確認できます。
生成AIを使うと効果が出やすい場面
生成AIは、次のような場面で補助役として使いやすくなります。
- 業務・機能候補を洗い出す
- データ候補を洗い出す
- CRUDの初期案を作る
- C/Uの重複を探す
- Rの漏れ候補を探す
- Dが本当に削除か確認する質問を作る
- 正本候補を整理する
- 権限設計の確認観点を出す
- As-IsとTo-Beの差分をレビューする
一方で、次の判断はAIだけに任せない方が安全です。
- データの正本
- 更新責任
- 業務上の例外
- 取消・無効化・物理削除の区別
- ロール別権限
- 監査・保存義務
- 最終的なTo-Be CRUD
AIは「候補を出す役」「漏れを探す役」に置き、最終判断は人が行います。
1. 業務・機能候補を洗い出すプロンプト
プロンプト例
以下は受注業務の概要です。
- 顧客を登録する
- 見積を作成する
- 受注を登録する
- 在庫を引き当てる
- 出荷を指示する
- 請求システムへ連携する
- 受注を取り消すことがある
CRUDマトリクスの業務・機能軸に使える候補を、同じ粒度で整理してください。
画面名、API名、物理テーブル名は混ぜないでください。
出力の使い方
AIは、顧客登録、見積作成、受注登録、在庫引当、出荷指示、請求連携、受注取消などの候補を出せます。
人は、業務粒度が揃っているか、対象外の業務が混ざっていないかを確認します。
2. データ候補を洗い出すプロンプト
プロンプト例
次の受注業務に対して、CRUDマトリクスのデータ軸に置く論理データ候補を出してください。
業務:顧客登録、見積作成、受注登録、在庫引当、出荷指示、請求連携、受注取消
条件:
- 企画・業務設計レベルの論理データにする
- 物理テーブル名にしない
- 類似データはまとめる
出力の使い方
AIは、顧客、商品、見積、受注、在庫、出荷指示、請求連携データなどを候補にできます。
実際に必要な粒度かは、人がプロジェクト目的に合わせて調整します。
3. CRUDの初期案を作る
プロンプト例
以下の業務とデータについて、CRUDの初期案を作ってください。
業務:
- 顧客登録
- 見積作成
- 受注登録
- 在庫引当
- 出荷指示
- 請求連携
- 受注取消
データ:
- 顧客
- 商品
- 見積
- 受注
- 在庫
- 出荷指示
- 請求連携データ
各セルについて、C/R/U/D候補と、その理由を短く付けてください。
不明な箇所は推測せず「要確認」としてください。
出力の使い方
AIが、
- 顧客登録 × 顧客:CU
- 見積作成 × 顧客:R
- 受注登録 × 受注:C
- 在庫引当 × 在庫:RU
などの初期案を出せます。
ただし、これは仮説です。実際の仕様、業務ヒアリング、APIや画面の挙動と照合します。
4. C/Uの重複をレビューする
プロンプト例
以下のCRUDをレビューし、同じデータにC/Uが複数ある箇所を抽出してください。
- 顧客登録:顧客CU
- 見積作成:顧客RU、見積CRU
- 受注登録:顧客RU、受注C、在庫RU
- 在庫引当:在庫RU
各重複について、
- 正本はどこか
- 更新責任を分ける理由があるか
- 二重更新の可能性があるか
を確認する質問を作ってください。
出力の使い方
AIは、顧客Uが複数、在庫Uが複数という論点を見つけられます。
人は、「複数Uだから悪い」と機械的に判断せず、業務上の理由と正本を確認します。
5. Rの漏れを探す
プロンプト例
次の業務について、参照すべきデータが抜けていないか確認してください。
受注登録:顧客R、受注C、在庫R
条件:
- 商品や価格に関する参照が必要ではないか検討する
- 手入力で代替している可能性も指摘する
- 不明点は質問にする
出力の使い方
AIが商品Rの可能性を指摘したら、実際に商品マスタや標準単価を参照しているか確認します。
参照漏れは、入力ミスやマスタ不整合につながるため、C/UだけでなくRもレビューします。
6. Dの意味を確認する
プロンプト例
「受注取消:受注D」というCRUDがあります。
これが本当にDeleteかを確認するための質問を作ってください。
条件:
- 物理削除か
- 論理削除か
- 状態更新か
- 監査履歴を残す必要があるか
- 取消者・取消日時・理由を残すか
を確認してください。
出力の使い方
実際に受注状態を「取消済み」へ変更し、履歴を残すならDではなくUです。
AIは確認観点を出せますが、保存義務や監査要件は人が確認します。
7. 正本候補を整理する
プロンプト例
以下のデータについて、正本候補と確認質問を整理してください。
- 顧客
- 商品
- 見積
- 受注
- 在庫
- 出荷指示
- 請求連携データ
正本と参照コピーを区別し、更新責任が複数ある場合は警告してください。
出力の使い方
AIは、顧客は顧客管理、在庫は在庫管理、といった候補を出せます。
ただし、実際の更新権限・システム責任が異なる場合があるため、一次情報で確認します。
8. 権限設計の確認に使う
プロンプト例
次のCRUDをロール別権限の観点からレビューしてください。
- 営業担当:受注C、顧客R、商品R、在庫R
- 顧客管理担当:顧客CU
- 営業マネージャー:一定条件で受注U
確認してください:
- U/Dに承認が必要ではないか
- 一般担当者に過剰権限がないか
- 監査ログが必要な操作はどれか
出力の使い方
AIは過剰権限の候補を出せます。
最終的な権限は、人事・職務分掌・監査要件と合わせて判断します。
9. As-IsとTo-Beの差分をレビューする
プロンプト例
以下の変更案をレビューしてください。
As-Is:
- 見積作成:顧客RU
- 受注登録:顧客RU、在庫RU
- 受注取消:受注D
To-Be:
- 見積作成:顧客R
- 受注登録:顧客R、在庫R
- 受注取消:受注U
各変更について、
- 何の責任を集約したか
- 運用上の不便が増えないか
- 代替導線が必要か
を確認してください。
出力の使い方
AIに差分の論点を出させることで、「正本を集約した結果、現場操作が不便にならないか」といった運用面の確認も行えます。
通し例|生成AIをCRUDマトリクスの補助に使う
受注業務の見直しで、担当者はまず業務概要をAIへ渡し、業務・機能候補とデータ候補を洗い出しました。
AIは、顧客登録、見積作成、受注登録、在庫引当、出荷指示、請求連携、受注取消と、顧客、商品、見積、受注、在庫、出荷指示、請求連携データを候補として出しました。
次にCRUD初期案を作らせたところ、
- 顧客登録:顧客CU
- 見積作成:顧客RU、商品R、見積CRU
- 受注登録:顧客RU、商品R、受注C、在庫RU
- 在庫引当:受注R、在庫RU
- 受注取消:受注D、在庫U
という案になりました。
この案をAIに重複レビューさせると、顧客Uが複数、在庫Uが複数、受注取消がDという3点が論点として出ました。
人が実際の業務責任を確認した結果、顧客基本情報の正本は顧客管理でした。そのため、見積作成・受注登録から顧客Uを外し、Rへ変更しました。
在庫については、受注登録と在庫引当の双方がUする必要はないと判断し、実際の更新責任を在庫引当に集約しました。受注登録は在庫Rだけにしました。
受注取消は、監査上受注番号・取消日時・取消者・理由を残す必要があるため、DではなくUへ変更しました。
さらに、AIへRの漏れを確認させた結果、商品マスタの参照をレビュー項目として確認できました。人が仕様を確認し、標準単価は商品マスタR、例外価格だけ承認付き変更とする方針にしました。
最後に、As-IsとTo-BeをAIへ比較させ、顧客U集約による操作性低下を指摘させました。そこで、受注画面から顧客変更画面へすぐ遷移できる導線を用意し、正本を分散させず現場の利便性を保つようにしました。
この例でAIが担ったのは、初期候補の作成、重複・漏れの発見、確認質問の作成です。正本、更新責任、取消の意味、権限、最終的なTo-Beは人が決めています。
そのまま使える型が必要なら、CRUDマトリクステンプレートを使うと、AIの出力をCRUD本体、正本、責任、権限、改善案へ整理しやすくなります。具体的な案件への適用イメージは、CRUDマトリクスの具体例が参考になります。よくある失敗を先に確認したい場合は、CRUDマトリクスで失敗しやすいポイントも参照してください。
人が必ず確認すべきポイント
正本
AIは一般的なシステム構成から正本を推測します。実際の更新責任と一致するとは限らないため、既存仕様や業務責任で確認します。
C/Uの重複
複数Uがあっても、引当と取消のように異なる責任なら妥当な場合があります。数だけで判断しません。
Dの意味
取消・無効化・論理削除を物理削除と混同しないようにします。
権限
CRUD上U可能でも、すべての利用者がUできるわけではありません。ロール・承認条件を確認します。
例外業務
通常フローだけでなく、取消、訂正、再処理、障害復旧も確認します。
生成AIの誤りと限界
存在しない業務やデータを補うことがある
一般的な受注業務から「配送先」「決済」などを勝手に追加することがあります。実在する対象だけ採用します。
CRUDを一般論で決めることがある
「受注取消=D」のように、言葉だけで判断することがあります。実際の処理を確認します。
正本を誤ることがある
複数DBがある場合、どこが正本かは入力文だけでは分からないことがあります。
例外を見落とすことがある
通常フローだけでは、取消時の在庫Uや再処理時の更新責任を見逃す可能性があります。
機密情報の扱いに注意する
内部システム名、顧客情報、テーブル名、権限情報などを入力する場合は、自社の情報管理ルールに従います。
生成AIに任せすぎないためのチェックリスト
- AIが出した業務・データ候補を実態と照合したか
- CRUD初期案を仕様で確認したか
- C/Uの重複を数だけで判断していないか
- 正本を一次情報で確認したか
- Dが本当に物理削除か確認したか
- Rの漏れを確認したか
- 例外業務を確認したか
- ロール別権限と突き合わせたか
- As-IsとTo-Beを分けたか
- AIが存在しない業務やデータを追加していないか
- 最終的なTo-Be CRUDを人が承認したか
- 機密情報を不用意に入力していないか
まとめ
生成AIは、CRUDマトリクスを効率よく実践するための補助役として使えます。
特に役立つのは、業務・データ候補の洗い出し、CRUD初期案の作成、C/U重複の検出、R漏れの確認、Dの意味を確認する質問、正本候補の整理、権限レビュー、As-IsとTo-Beの差分確認です。
一方で、正本、更新責任、取消・無効化・物理削除の区別、ロール権限、監査要件、最終的なTo-Be CRUDは人が判断する必要があります。
生成AIにCRUDマトリクスを完成させてもらうのではなく、「候補を出す」「漏れを探す」「確認質問を作る」ために使うことで、CRUDマトリクスを業務・データ責任の整理へ効率よくつなげやすくなります。