AIを使いこなしている人、使えていない人
AI系のXアカウントが増えた。毎日タイムラインに流れてくる。
「このプロンプトで業務効率10倍」 「ChatGPTで議事録を自動化する方法」 「AIツール50選まとめ」
便利だと思う。でも、ずっと引っかかっていることがある。
「で、それで何が変わったの？」
プロンプトのテクニックは分かった。ツールの使い方も分かった。でも、自分の事業の売上が上がったのか。組織が良くなったのか。クライアントへの提案の質が上がったのか。
そこまで踏み込んでいる発信が、ほとんどない。
自分はコードが1行も書けない。でもAIで66個の業務スキルを構築して、月960円のサーバーで24時間動かしている。
なぜできたか。プロンプトが上手いからじゃない。
ビジネスの解像度と構造把握力が高かったからだ。
解像度と構造把握 — 2つで1セット
「解像度」は、物事をどこまで細かく、正確に見えているかの度合い。
でも解像度だけでは足りない。もう1つ必要なのが構造把握 — 物事の全体像を立体的に捉える力だ。
解像度は「どこまで細かく見えるか」。構造把握は「それが全体の中でどういう位置にあり、何がどう作用しているかが見えるか」。
地図で例えると、解像度が高い人は「この交差点の信号のタイミングまで見える」。構造を把握している人は「この街全体の交通の流れ、渋滞が起きる力学、5年後の都市計画まで立体的に見えている」。
この2つがセットで揃ったとき、AIの使い方が根本的に変わる。
同じ「売上が落ちた」で、ここまで差がつく
具体例で見せる。「売上が前月比12%落ちた」という事実に対して、3つのレベルがある。
解像度が低い人： 「売上が落ちてる。広告を増やそう。」
そこそこの人： 「売上が前月比12%減。リピートが22%減。CRMのステップメールが止まってた。設定ミス。」 ——原因を1本の線で追えている。問題解決としては正しい。でもこれは「構造」ではなく「犯人探し」だ。
解像度が高く、構造を把握している人はこう見る：
まず事実を多面的に押さえる。商品別に何が落ちているか。時期別にいつから落ちたか。セール前後で需要の刈り取りが起きていないか。「12%減」の中身を分解しないと、どの層で何が起きているか分からない。
次にマーケット全体を見る。そもそも市場自体がシュリンクしていないか。他のモール——Amazonや楽天やQoo10——で需要が流れていないか。もっと大きく見て、テレビCMの影響でリアル店舗に客が流れていないか。自社の問題なのか、市場構造の変化なのか、ここを間違えると打ち手が全部ズレる。
マーケットを確認して初めて、チャネルに降りる。メルマガなのか、広告なのか、検索なのか、ランキングなのか、SNSでバズった反動なのか。
転換率が落ちているなら、競合のページが改善されたのか。検索流入が減っているなら、そのキーワード自体の検索ボリュームが減ったのか、それとも競合がクーポンを発行してCTRを奪っているのか。
マーケット構造→チャネル→競合のミクロの力学。 層を降りながら、各層で複数の仮説を同時に持つ。1本の因果で犯人を決めつけない。
この差が、そのままAIへの指示の差になる。
解像度が低い人のAI指示： 「売上が落ちてます。改善策を出して。」 → 「広告を最適化しましょう」「顧客体験を改善しましょう」。きれいだが使えない。
そこそこの人のAI指示： 「リピート購入率が15%低下。CRMのステップメール3通目以降が停止していた。復旧後のクーポン施策を3案出して。」 → クーポン施策は出てくる。でもそもそもリピート減がCRMだけの問題なのか、検証されていない。
構造を把握している人のAI指示： 「楽天の自社店舗で売上が前月比12%減。まず構造を整理したい。以下の観点で分析して。①商品カテゴリ別・週別の売上推移（どこが落ちているか）②楽天市場全体のカテゴリ検索トレンド（市場自体が縮小していないか）③主要競合3社の直近のクーポン・セール施策（需要を奪われていないか）④自社の流入チャネル別の変動（検索/広告/メルマガ/リピート、どこが減ったか）⑤前後のセールイベントとの需要カニバリゼーション。この5点を整理してから、打ち手の優先順位を出して。」 → AIの出力は、事業判断に使えるレベルになる。
同じAI、同じモデル、同じ料金。 違うのは、指示する人間の解像度と構造把握力だけ。
「作業の自動化」と「会社の自動化」は全く別物
ここが一番大事な話かもしれない。
AI活用の発信を見ていると、ほとんどが**「作業の自動化」**の話だ。議事録の自動化、メール返信の自動化、レポート作成の自動化。便利だし、自分もやっている。
でもこれは自動化の一番下のレイヤーでしかない。
自動化には4つの層がある。
④ 会社の自動化 営業・マーケ・デリバリー・管理・ファイナンスが
1つのシステムとして回る
↑
③ 部署の自動化 業務分掌・ルール・業務フロー・マニュアルが
整備されていて、部署単位で自動で回る
↑
② 業務の自動化 インプット→処理→アウトプットの一連のフローが
設計されていて、業務単位で自動で回る
↑
① 作業の自動化 個別タスク（議事録、メール返信、リサーチ等）を
1つずつAIに置き換えるそこそこの人は①を横に広げていく。 この作業を自動化した、次はあの作業、その次はこれ。タスクが10個、20個と増えていく。便利にはなるが、点の集合でしかない。
構造を把握している人は、①→②→③→④と縦に上がっていく。
自分が66個のスキルを構築したとき、タスクを66個並べたわけじゃない。
まず会社の構造を見た。営業・マーケ・デリバリー（クライアントワーク）・管理・ファイナンス。この5つの機能がどう回っているか。
次に部署レベルで見た。マーケ部門なら、EC運用・SNS運用・広告運用・競合調査がある。それぞれの業務分掌は何か。どういうルールで動いているか。マニュアルはあるか。
次に業務フローを見た。たとえばKPIモニタリングなら、データ取得→計算→異常検知→レポート生成→配信→判断→アクション。この一連のフローのうち、どこまでをAIに任せて、どこから人間が判断するか。
最後に個別の作業に落とした。「スプレッドシートからデータを取得する」「前週比を計算する」「閾値を超えたらアラートを出す」。
上から設計して、下で実装する。 だから66個のスキルがバラバラのタスク集ではなく、「業務OS」として機能している。
各層の具体例を見るとこうなる。
① 作業の自動化（タスク単位）： 「チャットの未読を要約して」「ニュースを3本まとめて」「このデータから表を作って」 → 1つ1つは便利。でも会社全体は何も変わらない。
② 業務の自動化（フロー単位）： 「毎朝7時に、チャット未読取得→分類→要約→緊急度判定→Discord投稿を自動実行」 → 業務フロー全体が自動で回る。人間は出力を見て判断するだけ。
③ 部署の自動化（部署単位）： 「EC運用部門の業務として、KPIモニタリング・競合調査・週次レポート・月次レポート・商品ページ分析・広告分析・レビュー管理を、それぞれ業務フローとして設計し、実行タイミング（日次/週次/月次）を定義して自動実行」 → 部署の業務分掌がそのまま自動化される。新しいクライアントが来ても、同じフローに載せるだけ。
④ 会社の自動化（経営単位）： 「営業（案件ソーシング→提案→クロージング）、マーケ（集客→転換→リピート）、デリバリー（コンサル実行→レポート→改善）、管理（契約・請求・労務）、ファイナンス（PL/CF管理→予算→資金繰り）の5機能を統合して、経営ダッシュボードで全体を一元管理」 → 会社そのものがシステムとして回る。
自分の66スキルは④を目指して設計している。まだ道半ばだが、設計図は④から描いている。
なぜ①で止まる人が多いのか。答えはシンプルで、②以上の自動化には、その層に対する解像度と構造把握力が必要だからだ。
①は簡単。目の前にある作業をAIに投げるだけ。②は業務フロー全体の設計が必要。③は部署の業務分掌の構造理解が必要。④は会社全体の経営構造が立体的に見えていないと設計できない。
①→④に上がるほど、必要なのはAIスキルではなく、作業・業務・部署・会社の各層に対する解像度と構造把握力になる。
マーケティングの解像度
「売上＝アクセス×転換率×客単価」。EC関係者なら誰でも知っている式だ。これは「単純化」であって「構造化」ではない。
構造化とは、こう見ること。ビジネスは1つの池で、そこに色々な山から水が流れてきている。検索からの流入、広告からの流入、SNSからの流入、リピーターの自然流入。それぞれの水路の太さが違う。水温（購買意欲）も違う。
ある店舗で楽天検索経由が売上の8割を占めていた。全部同じ山から水を引いている状態はリスクだ。楽天のアルゴリズムが変わった瞬間に売上が半減する。本当に必要なのは「別の水路を作る」か「リピートの水路を太くする」方が先。
この水路の構造が見えている人間がAIにマーケ施策を考えさせると、「チャネル依存度のリスク分析」「新規水路の開拓シミュレーション」が出てくる。見えていないと「広告を最適化しましょう」で終わる。
ブランドの解像度
あるヨガウェアブランドの戦略を考えていたときの話。
市場を2軸で切った。「コスパ←→こだわり」と「映え（他者視点）←→自己肯定感（自己視点）」。大手は「映え×コスパ」に集中。ここはレッドオーシャン。「こだわり×自己肯定感」がぽっかり空いている。
さらに競合を広く見た。ヨガウェアの競合は他のヨガブランドだけじゃない。「内面を整える」市場で見ると、サウナ、よもぎ蒸し、瞑想アプリ、全部競合。同じ「自分へのご褒美の可処分所得」を奪い合っている。
さらにマクロで見た。AI時代にメンタルヘルスの課題は確実に大きくなる。「内面を整える」市場は伸びる。サウナブームはその入口に過ぎない。つまりこのポジションの空白は、5年後にメインストリームになる可能性がある。
1つのブランドの戦略を考えていたはずが、市場構造→競合定義→マクロトレンド→5年後の予測まで立体的に見えている。これが構造把握だ。
AIエージェントの解像度 — これが一番伝えたいこと
AIエージェントに対する解像度の差。これが見えているかどうかで、AI活用の天井が決まる。
解像度が低い人： AIは賢いチャットボット。質問すると答えてくれる。すごいプロンプトを書けば、すごい答えが返ってくる。使い方 = プロンプトの書き方。
そこそこの人： AIにはAPIがある。外部ツールと連携できる。自動化もできる。使い方 = ツールの組み合わせ方。
構造を把握している人： まず大前提を理解している。パソコンとは何か。
パソコンはファイルの集合体だ。テキストファイル、画像ファイル、設定ファイル。それがフォルダに入っていて、フォルダの集合がPCになっている。
普段見ているPowerPointもWebサイトも、裏側はファイルだ。ファイルを更新すれば、そこから見える画面が変わる。Excelのセルを書き換えれば、そのExcelを参照しているダッシュボードが変わる。WebサイトのHTMLファイルを書き換えれば、ブラウザの表示が変わる。全部、ファイルの更新がUIに反映されているだけ。
AIエージェントとは何か。「代理人」だ。 自分の代わりに、このファイルとフォルダを読み書きしてくれる存在。
これが見えると、AIエージェントの設計は急にシンプルになる。考えるべきことは1つ。
「どんな人格の代理人に、どの範囲のフォルダをいじらせて、どんなルール・業務フローのもとで、何を代行させるか」
AIエージェントツールは何でもいい。Claude CodeでもCursorでもDevinでも、本質は同じだ。「ファイルとフォルダの構造を設計して、代理人に読み書きさせる」。どのツールを使うかは手段。どう設計するかが目的。
ここまで理解すると、AIエージェントの設計が、仕事で毎日やっていることと同じだと気づく。
業務分掌を作れる人は、フォルダ構成を作れる。「この部署はこの範囲の仕事を担当する」と「このエージェントはこの範囲のフォルダを担当する」は同じ設計だ。
業務マニュアルを書ける人は、AIへのルールファイルを書ける。「新人に渡す引き継ぎ資料」と「AIに渡すCLAUDE.md」は同じものだ。
業務フローを設計できる人は、AIの実行フローを設計できる。「インプット→処理→チェック→アウトプット→報告」の流れは、人間がやってもAIがやっても同じ構造だ。
よく考えると、これは特別なことじゃない。現実の組織で管理職が毎日やっていることと全く同じだ。
部下に仕事を任せるとき、何をやっているか。「この範囲の仕事を担当してね」（= フォルダの範囲指定）。「このルールとこの手順で進めてね」（= ルールファイル）。「判断に迷ったらここを見て、それでも分からなければ報告して」（= エラー時の行動ルール）。「このフォーマットで、この品質で、この期日までにアウトプット出して」（= 出力の品質基準）。
CLAUDE.mdに書いていることは、新人に渡す引き継ぎ資料と同じだ。スキル定義は業務マニュアルと同じだ。エージェントのフォルダ権限設計は、業務分掌と同じだ。
AIエージェントの設計は、組織マネジメントそのもの。 だから管理職や経営者がAIエージェントを設計できるのは当たり前で、むしろ本職だ。
コードが書けるかどうかは関係ない。組織を動かしてきた人間は、AIエージェントも動かせる。自分が66スキルを構築できた理由は、ここにある。プログラミングを学んだからではなく、組織と業務の構造設計を何年もやってきたからだ。
そしてもう一段先の話をすると、今のAIエージェントは「この範囲のフォルダの中で、このルールで動け」という制約付きの代理人だ。権限を与えた箱の中でしか動けない。
一方で人間は、この制約なしに仕事をしている。どのフォルダにもアクセスできるし、必要なら新しいツールを自分で探して使える。
いずれこの制約が外れたとき——AIが自分で判断して、必要なデータにアクセスし、必要なアウトプットを出せるようになったとき——AIは本当の意味での「エージェント（代理人）」になる。
そのとき最も価値を持つのは、代理人に引き渡せる業務構造を設計してきた人間だ。制約がなくなっても、「何を、どういう構造で、どういう品質で回すか」の設計図は人間が描く必要がある。 その設計図を持っている人間が、AI時代の勝者になる。
4層フレームワークの実践 — KPIモニタリングで見る差
理論だけでは伝わらないので、実際に自分がやっている「KPIモニタリング」を4層で見せる。
同じ「KPIモニタリングをAIでやりたい」でも、どの層の解像度で設計するかで、仕組みが全く変わる。
①作業の解像度しかない人： 「KPIをチェックして異常があったら教えて」 → 1つのタスクをAIに投げるだけ。毎回手動で指示する。
②業務フローの解像度がある人： 「毎朝8時に、スプレッドシートからデータ取得→前日比・前週比を計算→閾値超えでアラート→Discordに投稿。これを全クライアント分、自動実行」 → フロー全体が設計されている。人間は出力を見て判断するだけ。
③部署の解像度がある人： 「KPIモニタリングの結果を、同じ朝に走るChatworkダイジェスト（クライアントからの連絡）と統合する。KPIの異常値とクライアントからの問い合わせを突き合わせて、“数字が落ちていて、かつクライアントからも問い合わせが来ている案件”を最優先フラグで出す」 → 部署内の複数業務を横断して、情報が繋がる。点ではなく面で仕事が回る。
④会社の解像度がある人： 「KPIモニタリング→異常検知→原因の仮説生成→該当クライアントの過去提案履歴と照合→対応策のドラフト→担当コンサルへの朝のブリーフィングとして配信。週次ではKPIトレンドを集約して経営会議の資料に自動反映。月次では全クライアントの実績を集計してPLへのインパクトを算出」 → KPIモニタリングという1つの業務が、コンサルのデリバリー、経営会議、会社のPLまで繋がっている。会社全体がシステムとして回る。
同じ「KPIモニタリング」というお題から、①は1つのタスクを作り、④は会社の経営システムの一部を設計する。 この差は、プロンプトの書き方では埋まらない。会社がどう回っているかの解像度でしか埋まらない。
結局「仕事ができる人」が勝つ
身も蓋もない結論だが、AI時代も結局これだと思っている。
「仕事ができる人」がAIを持つと、最強になる。
AIは道具だ。道具を持った人間の戦闘力は「道具のスキル × 本人の実力」で決まる。掛け算だから、本人の実力がゼロなら何を掛けてもゼロ。
自分が85業務の8割を自動化できたのは、AIが賢いからじゃない。85業務を全部やってきた経験があったからだ。
85個の業務を棚卸しして、こう分類した。
- AIで完全自動化: 約15個（ニュース収集、KPI集計、未読要約、定型レポート等）
- AIアシストで効率化: 約40個（提案書の下書き、競合調査、会議準備等）
- 人間にしかできない: 約30個（事業撤退の判断、社員のメンタルケア、経営者への進言等）
この線引きは、85個全部を自分でやった人間にしかできない。「退職交渉はAIには無理」と判断できるのは、退職交渉をやったことがある人間だけだ。
解像度は勉強では上がらない。PLを自分で作ったことがあるか。事業撤退を提案して社長と目を合わせたことがあるか。こういう経験の密度が、解像度を上げる。
AI時代の競争は「AIを使えるか」じゃない。「AIに何をさせるか判断できるか」だ。 そしてその判断力は、地味に、泥臭く、現場で仕事をしてきた人間の中にしかない。
だからこそ、現場にいる人こそAIを触ってほしい
自分はコードが1行も書けない。でもAIで66個の業務スキルを構築した。
できた理由は1つ。作業から会社経営まで、全レイヤーの解像度が高かったから。
最初の一歩は小さくていい。明日の朝やるルーティンを1つ選んで、手順を書き出して、AIに渡してみる。解像度さえあれば、AIは動く。
筆者: コンサル・事業会社を経て中小企業の経営に参画。コードは1行も書けないが、Claude Codeで66個の業務スキルを構築し、経営業務の8割を自動化。日々の実験はXで発信中。