生成AIは、ポカヨケを自動で設計してくれる道具ではありません。一方で、現場で起きているミスを具体化する、発生点と流出点を分ける、防止型・検知型の対策候補を広げる、正常業務と例外業務の両方を洗い出す、試行条件や効果測定項目をレビューするといった補助には使えます。
重要なのは、AIの提案をそのまま採用しないことです。実際の業務ルール、正当な例外、システム制約、安全・法令上の条件、コスト、現場負荷、最終的な採用可否は、人が確認して決める必要があります。
この記事では、生成AIをポカヨケの補助に使う方法を、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。
ポカヨケの意味や基本構造から確認したい場合は、ポカヨケとは?を参照してください。人だけで進める基本手順は、ポカヨケ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、次のような作業で補助役として使いやすくなります。
- ミスの表現を具体化する
- 発生点と流出点を分ける
- 防止型と検知型の候補を出す
- 人の注意に依存しない案を広げる
- 正常業務と正当な例外を分ける
- 小規模試行で確認すべきパターンを出す
- 効果測定項目を整理する
- 残存ミスから追加対策候補を作る
一方で、次の判断はAIだけに任せない方が安全です。
- 本当に起きているミスの事実確認
- 正式な業務ルール
- 正当な例外業務
- システム上実現可能な制約
- 安全・法務・品質上の必須条件
- 対策の採用可否
- 最終的な効果判定
AIは「候補を増やす」「抜けを探す」「確認質問を作る」役に置き、決定は人が行います。
1. ミスの表現を具体化する
プロンプト例
以下の品質問題を、ポカヨケ検討に使える具体的なミス表現へ分解してください。
問題:配送先コードの入力ミスが多い。
条件:
- 誰が
- 何を
- どの場面で
- どう誤るか
が分かる表現にする
- 原因はまだ推測しない
- 不明点は確認質問として出す
出力の使い方
AIは、たとえば、
- 顧客Aの受注に、顧客Bの配送先コードを入力してしまう
- 顧客変更後も前顧客の配送先コードが残る
- 一時配送先を通常配送先として登録してしまう
といった候補を出せます。
人は、実際のログやヒアリングを確認し、本当に起きている誤りだけを採用します。
「入力ミス」という大きな表現のままでは、適切なポカヨケ案を考えにくいため、最初の具体化にAIを使うと効率的です。
2. 発生点と流出点を分ける
プロンプト例
次のミスについて、発生点と流出点を分けて整理するための質問を作ってください。
ミス:顧客Aの受注へ顧客Bの配送先コードを登録してしまう。
条件:
- 発生点は、誤りが作られる工程
- 流出点は、誤りが次工程へ渡る箇所
- 不明な工程は推測しない
- 人が現場確認するための質問にする
出力の使い方
AIは、
- 配送先コードはどの画面で選択・入力されるか
- 顧客変更時に配送先候補は自動で更新されるか
- 受注確定前に整合チェックはあるか
- 出荷指示連携の前に確認処理があるか
といった質問を出せます。
人が実際の業務フローを確認し、たとえば、
- 発生点:受注入力
- 流出点:出荷指示連携
と確定します。
3. 防止型と検知型の候補を分ける
プロンプト例
以下のミスに対するポカヨケ候補を、防止型と検知型に分けて出してください。
ミス:顧客Aの受注に顧客Bの配送先コードを登録してしまう。
条件:
- 人の注意喚起だけに依存しない
- 防止型は「誤りを起こしにくくする・起こせなくする」案
- 検知型は「誤りが起きた直後に見つける」案
- 正当な例外配送を完全禁止しない前提で考える
出力の使い方
AIは、
防止型:
- 顧客に紐づく配送先だけを候補表示する
- 顧客変更時に選択済み配送先を自動クリアする
検知型:
- 顧客と配送先の組合せが標準マスタ外なら警告する
- 確定前に顧客と配送先の不一致をチェックする
といった候補を出せます。
人は、システム制約や業務例外を確認して採否を決めます。
4. 人の注意に依存していないかレビューする
プロンプト例
次の対策案が「注意してください」で終わっていないかレビューしてください。
対策案:
- 配送先コードをよく確認する
- 入力後にもう一度チェックする
- ミス事例を周知する
条件:
- 人の記憶・注意・集中に依存している箇所を指摘する
- 仕組みで防止・検知する代替案を複数出す
出力の使い方
AIは、候補制限、入力値整合チェック、自動クリア、エラー停止などを出せます。
人は「仕組み化できる部分」と「人の判断が必要な部分」を分けます。
教育や注意喚起が不要という意味ではありません。ポカヨケとしては、それだけに依存しない設計を優先します。
5. 正当な例外まで禁止していないか確認する
プロンプト例
次の防止案について、正当な例外業務を止める可能性がないかレビューしてください。
防止案:顧客マスタに登録された配送先以外は選択不可にする。
業務上あり得る例外:展示会場、一時倉庫、臨時イベント会場への配送。
条件:
- 例外を完全禁止しない代替案を出す
- 例外時の記録・承認・確認方法も候補に含める
出力の使い方
AIは、
- 通常時は顧客に紐づく配送先だけを候補表示
- 「その他配送先」を選んだ場合のみ自由入力可能
- 例外理由を必須入力
- 必要に応じて上長確認
といった候補を出せます。
人は、実際の例外頻度や承認ルールを確認して設計します。
6. 小規模試行のテストパターンを作る
プロンプト例
以下のポカヨケ案を小規模試行するためのテストパターン候補を作ってください。
対策:
- 顧客に紐づく配送先だけを候補表示
- 顧客変更時に配送先を自動クリア
- その他配送先は理由入力必須
条件:
- 正常系
- 誤操作
- 正当な例外
- 境界的なケース
を含める
- 10パターン程度
出力の使い方
AIは、
- 通常顧客+通常配送先
- 顧客変更前後で配送先が正しくクリアされる
- 別顧客配送先を選べない
- その他配送先で理由未入力なら確定できない
- その他配送先で理由入力済みなら所定手順で進める
などの候補を出せます。
人は、実際の業務フローと照合し、抜けている例外を追加します。
7. 効果測定項目を整理する
プロンプト例
ポカヨケ導入前後で確認すべき効果測定項目を整理してください。
対象:配送先コードの誤登録
条件:
- 発生件数
- 流出件数
- 例外処理件数
- 操作時間
- 現場負荷
- 新しいエラーの発生
を含める
出力の使い方
AIは、単に「ミスが減ったか」だけでなく、
- 誤登録発生件数
- 出荷指示まで流出した件数
- その他配送先の利用件数
- 例外処理にかかる時間
- 操作時間の増減
- 現場からの問い合わせ増減
といった観点を出せます。
人は、何を成功条件とするかを事前に決めます。
8. 残ったミスから追加対策候補を作る
プロンプト例
ポカヨケ導入後、配送先コードの誤登録は月12件から2件へ減り、流出は月5件から0件になりました。
残った2件は「その他配送先」で住所を手入力した際の入力ミスです。
追加対策候補を出してください。
条件:
- 今の対策を壊さない
- 正当な例外配送は残す
- 人の注意喚起だけに依存しない
- 仕組みでできる案を優先する
出力の使い方
AIは、
- 郵便番号と都道府県の整合チェック
- 郵便番号から住所候補を補完
- 入力フォーマットチェック
- 例外配送先の再利用候補化
などを出せます。
人は、費用対効果と業務影響を見て追加対策を選びます。
通し例|生成AIを使って配送先コード誤りのポカヨケを検討する
受注登録で配送先コードの誤りが月12件発生し、そのうち5件が出荷指示まで流出していました。
担当者は最初、
配送先コードをよく確認するよう周知する
という対策を考えていました。
しかし、これでは人の注意に依存します。
そこで生成AIを補助に使いました。
1. ミスを具体化
AIへ「誰が・何を・どの場面で・どう誤るか」に分解させたところ、
- 顧客Aの受注に顧客Bの配送先コードを登録してしまう
- 顧客変更後も前顧客の配送先コードが残る
という候補が出ました。
ログと現場確認の結果、この2つが実際に起きていると分かりました。
2. 発生点と流出点を確認
AIが出した確認質問を使い、
- 発生点:受注入力
- 流出点:出荷指示連携
と整理しました。
3. 対策候補を広げる
AIに防止型と検知型を分けて出させました。
防止型候補:
- 顧客に紐づく配送先だけを候補表示
- 顧客変更時に配送先を自動クリア
検知型候補:
- 顧客と配送先の不一致を確定前にチェック
- 標準外の配送先を使う場合は警告
人が業務を確認した結果、通常業務では防止型を採用することにしました。
4. 正当な例外を確認
現場から、展示会場や一時倉庫への配送があると分かりました。
そこでAIに「例外を完全禁止しない案」を出させ、
- 通常は顧客に紐づく配送先だけを候補表示
- その他配送先を選ぶ場合のみ自由入力
- 例外理由を必須入力
- 必要に応じて上長確認
という案を作りました。
最終的な承認条件は、人が実際の社内ルールに合わせて確定しました。
5. 小規模試行
AIで正常系、誤操作、例外を含む10パターンの試行候補を作り、テスト環境で確認しました。
特に確認したのは、
- 顧客変更時に配送先が確実にクリアされるか
- 別顧客の配送先を選べないか
- その他配送先で理由未入力なら進めないか
- 正当な例外配送は業務を止めずに処理できるか
です。
6. 本番導入と効果測定
導入前は、
- 誤登録:月12件
- 流出:月5件
でした。
導入後は、
- 誤登録:月2件
- 流出:月0件
まで減りました。
7. 残存ミスを追加改善
残った2件は、その他配送先を手入力した際の住所ミスでした。
AIに追加対策候補を出させ、人が実現性を確認した上で、郵便番号と都道府県の整合チェックを追加しました。
この例でAIが担ったのは、ミス候補の具体化、確認質問、防止型・検知型の案出し、例外パターン、テストパターン、効果測定項目、追加対策候補の整理です。
人が担ったのは、事実確認、業務ルール、正当な例外の扱い、システム制約、採用判断、承認条件、最終効果判定です。
そのまま使える型が必要なら、ポカヨケテンプレートを使うと、AIの出力を発生点・流出点、防止型・検知型、例外、試行、効果確認まで整理しやすくなります。
具体案件への適用イメージを追いたい場合は、ポカヨケ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、ポカヨケ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
実際のミス
AIは現場のログを知らないため、存在しないミスパターンをもっともらしく作ることがあります。
正当な例外
AIは「禁止すれば安全」と考えがちです。展示会場、一時倉庫など、正当な例外業務を人が確認します。
実装可能性
システム上できるか、改修コストはどれくらいか、他機能へ影響しないかを確認します。
安全・法務・品質条件
重大事故や規制に関わる部分は、AIの一般論ではなく正式な基準へ従います。
採用判断
対策の強さ、現場負荷、コスト、効果を見て、人が最終決定します。
生成AIの誤りと限界
存在しないミス原因を作ることがある
原因分析を依頼すると、実データなしに「確認不足」「教育不足」などを補うことがあります。
過剰に禁止する案を出すことがある
例外を無視し、「標準外はすべて入力不可」のような案を出すことがあります。
注意喚起へ戻ることがある
「ダブルチェック」「教育」「周知」を多く提案し、仕組みによる防止が弱くなる場合があります。
システム制約を無視することがある
実装できないリアルタイムチェックや連携を前提にすることがあります。
効果があるように見える案を優先することがある
現場負荷、処理時間、例外対応コストを十分に見ない場合があります。
機密情報の扱いに注意する
顧客情報、製造条件、不良情報、内部システム仕様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が出したミスパターンを実データで確認したか
- 発生点と流出点を現場で確認したか
- 防止型を優先して検討したか
- 注意喚起だけで終わっていないか
- 正当な例外業務を止めていないか
- システム制約を確認したか
- 小規模試行を行ったか
- 正常・誤操作・例外を試したか
- 発生件数と流出件数の両方を見ているか
- 現場負荷や処理時間も確認したか
- 残存ミスから追加改善を検討したか
- AIが作った原因を事実扱いしていないか
- 最終採用を人が判断したか
- 機密情報を不用意に入力していないか
まとめ
生成AIは、ポカヨケ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、ミスの具体化、発生点・流出点の整理、防止型・検知型の候補出し、人の注意に依存していないかのレビュー、正当な例外の洗い出し、小規模試行のパターン作成、効果測定項目の整理、残存ミスへの追加対策候補です。
一方で、実際に何が起きているか、正式な業務ルール、正当な例外、安全・品質条件、システム制約、採用可否、最終効果判定は、人が確認して決める必要があります。
生成AIにポカヨケを設計してもらうのではなく、「候補を広げる」「抜けを探す」「確認質問を作る」「試行と評価の観点を増やす」ために使うことで、注意喚起だけに頼らない実務的なポカヨケを作りやすくなります。