AI 活用の見つけ方 ── ニュースの事例を、自分の仕事に翻訳する 6 つの型

「【AI 活用事例 30 選】── 業界別・最新の事例まとめ」── そんなページを読み終えて、画面を閉じた瞬間、何も残らない。そういう経験はないでしょうか。

紹介される会社も、ツールの名前も、出てくる仕事もどこか遠い。読み終えても、明日の自分の仕事のどこに当てはめればいいのかは、結局見えません。

「AI を使え」と言われたきっかけは、人それぞれかもしれません。職場で言われたり、ニュースで気になったり、家族が触っているのを見て気になったり。それでも一覧記事を眺めるだけでは、自分のケースとは噛み合わないままです。

噛み合わせるには、別のものが要ります。事例の名前ではなく、事例から 動詞 を取り出す。動詞は半年で変わりません。動詞のかたちで覚えておけば、ツール名が入れ替わっても、自分の仕事への当てはめは、自分の手でできるようになります。

---

1. 「AI 使え」と言われたのに、自分の仕事に何が当てはまるか分からない

ChatGPT、Claude、Gemini ── どれかは触ってみたかもしれません。文章を書いてくれる、質問に答えてくれる、図も作ってくれる。すごい、と思う。

ところが、自分の仕事に当てはめようとした瞬間、手が止まります。

「会議の議事録を自動化」という事例を読んでも、自分の会議は議事録を取るタイプではない。「営業メールを AI に書かせる」と言われても、自分は経理だから営業メールは書かない。「プログラミングが速くなる」と言われても、コードは触らない。

事例集に並んでいるのは、たいてい他人の仕事です。それを読むほどに、「これは自分の話ではない」と感じる。だから「AI が業務を変える」と聞くたびに置いていかれる感覚が残る。

文章で答える AI の使い方を、動詞のかたちで取り出していきます。動詞は数えるほどしかありません。それさえ手に入れば、ニュースに出てくるツールの名前が変わっても、自分の仕事への翻訳は自分でできるようになります。

わたし自身、とある業界でコンサルに入ったとき、気づいたことがあります。そのとき作ったプロンプトや活用事例を、同じ業界の方から「ぜひ教えてほしい」と言われることが増えました。けれど、渡してみると使えない。理由は、わたしのやり方がその職場のシステムや仕事の流れにかなり深く合わせた形になっていたからです。そのまま渡せるものではなかった。それなら 抽象度を高めて、誰でも自分の仕事に当てはめられる型にする しかない ── それがこの記事の起点になっています。

---

2. 事例集が、なぜ自分の仕事に届かないのか

事例集はなぜ自分の仕事に届かないのか。理由は 2 つあります。

2-1. 事例は その職場のやり方 に貼り付いている

「○○ 社が AI で議事録を自動化」という事例には、その会社の会議のかたち、議事録のフォーマット、参加者の役割、決定事項の書き方 ── その職場のやり方 がぜんぶくっついています。同じツールを別の職場に持ち込んでも、職場のやり方が違えば効き方も違う。だから読んだ瞬間に「ふーん」で終わる。

これは事例を書いた人の責任ではありません。事例は、その文脈で起きた具体例として書かれているからこそ、生々しさがある。逆にいえば、生々しさそのものが、別の人の仕事には移植できない理由になります。

2-2. ツール名は半年で入れ替わる

ニュースに出てくるツールの名前は、半年後には別物になっています。新しいモデルが出ます。機能が統合されます。サービスが終わります。一覧で覚えた「○○ で △△ ができる」は、覚えた瞬間から 古くなっていく。

ということは、覚えるべきは ツールの名前ではなく、何を頼んでいるか のはずです。何を頼んでいるか、を動詞 1 つで言い表せれば、ツール名が入れ替わっても、自分の仕事に「これも頼める」と気づけます。

---

3. 事例から取り出すのは「動詞」── ツール名は半年で変わる、動詞は変わらない

「動詞」と聞いて身構えなくて大丈夫です。人間が AI に何を頼んでいるか を、動きの名前ひとつで言い表したもの ── ここで使う「動詞」は、それだけのことです。

具体例で考えます。

「会議の議事録を AI が自動でまとめてくれる」── これを 動詞 に翻訳すると、「読む」になります。長い録音や速記メモから、決定事項だけを取り出す動作です。

「営業メールを AI が下書きしてくれる」── 動詞は「書く・直す」。短い指示から、長めの文章を返す動作。

「契約書を AI が確認してくれる」── 動詞は「読む ＋ 調べる」の合わせ技。長い文書から論点を取り出し、規約や法令と照らし合わせる動作です。

事例ごとに紹介される商品は変わります。けれど、人間が AI に頼んでいる 動詞 は、事例の枠を超えて、同じものが何度も出てきます。

そして、動詞は半年では変わりません。AI に「書く」を頼む、という頼み方は、ツールの名前が変わっても残ります。事例を集めるより、動詞を覚えたほうが、賞味期限が長い。

OpenAI、Anthropic、Google ── 主要 3 社が公式に並べる「使い方カテゴリ」を見比べると、人間が頼んでいる動作は驚くほど重なります。整理した結果が、次の 6 つの型 です。

---

4. AI 活用の 6 つの型

順番に見ていきます。

4-1. 書く・直す（生成 / 校正）

少しの指示から、長めの文章を返してもらう動作。新しく書く（生成）と、既存の文章を直す（校正）の両方が入ります。

仕事ではメールの下書き、報告書の初稿。暮らしでは町内会のお知らせ、お礼状の書き出し。ゼロから書くだけでなく、自分の文章を「もう少し丁寧に」「もう少し短く」と頼んで直してもらう使い方も含まれます。AI が 下書き専門の事務員 のような役回りをしてくれる、と思っていただければ近いです。

OpenAI の公式ガイドはこの動作を「コンテンツ作成」と呼んでいます¹。

“Generate content outlines and first drafts. Repurpose content for different audiences or channels.” （アウトラインと初稿を作る／媒体ごとに作り直す）

4-2. 聞き出す（壁打ち・整理）

頭の中にあるけれど整理しきれていない考えを、AI に質問させながら口に出して整理する動作。「壁打ち」── 壁にボールを投げてはね返ってくるように、自分の考えをぶつけて返事を受け取る、という意味 ── とも呼ばれます。

仕事では新しい企画の方向性確認、提案資料の論点整理。暮らしでは家族会議の前に論点を並べる、医者に相談する前に症状を時系列に整理する。AI が答えを与えるというより、こちらの考えを引き出す相手として機能します。

Google は Gemini で、AI が対話しながら考えを引き出す相手になる使い方を公式にサポートしています²。AI に答えを「教えてもらう」のではなく、AI の質問を、自分の答えを引き出す道具として使うのがコツです。

4-3. 読む（要約・抽出・分類）

長い文章を AI に渡して、必要な箇所だけ取り出してもらう動作。要約（短くまとめる）・抽出（必要な部分だけ抜く）・分類（カテゴリーに分ける）── どれも「 長い入力 → 短い出力 」の形が同じ仲間です。

仕事では長文の調査資料の要点まとめ、契約書から自分に関わる条項だけを抜く。暮らしでは家電の取扱説明書から困っている箇所だけ取り出す、外国語の通知の要点を日本語でつかむ。

Anthropic は Claude の主要能力に「要約・抽出」を直接挙げています³。「分析する」「データの傾向を見つける」も、この型の延長線上にあります。 長い入力から、必要な情報だけを取り出す ── 形としては同じです。

4-4. 訳す（翻訳・形式変換）

ある形式の文章を、別の形式に変換してもらう動作。狭い意味の翻訳（外国語 → 日本語）はもちろん、もう少し広く「形式の翻訳」全般が入ります。

仕事では走り書きメモを正式なメールに変える、議事録をアクションリスト（誰が、いつまでに、何をする）に組み替える。暮らしでは海外通販の英語マニュアルを日本語に、子供の作文を読みやすい段落に整える。

形式を変えるだけ ── と思われがちですが、もとの文章にない情報を AI が「埋めて」しまう癖があります。たとえば議事録をアクションリストに変換したとき、実際には名前が挙がっていない担当者が自動で割り当てられていた、という場面は珍しくありません。直してもらった後は、必ずもとの文と照らして確認してください。

4-5. 調べる（検索・Q&A）

質問を投げて、答えを返してもらう動作。AI 単独で答える場合と、ウェブを検索したり手元の文書を読み込ませたりして答える場合があります。

仕事では社内のマニュアル群から該当ページを引く、業界用語の使い分けを確認する。暮らしでは町内会の規約から自分の役割を引く、家電の故障時に取扱説明書を引く。

OpenAI のガイドではこの動作を「リサーチ」¹、Anthropic では「質問への回答」³ と呼んでいます。「自分の手元の文書を AI に読ませて答えさせたい」場合のやり方は、別記事「AI に教科書を渡してから聞く ── 自分の文書を答えに使わせる方法」で扱います。

4-6. 作る（コード・図・簡易ツール）

文章ではない出力 ── プログラムのコード、図、表、簡易な集計ツール ── を作ってもらう動作です。

仕事では Excel の複雑な関数を AI に書かせる、数行のごく短いプログラムを AI に作らせる。暮らしでは家計簿の集計を自動でやってくれる関数を作ってもらう、子供の自由研究の図解を試作する。

OpenAI は「Coding」（コーディング）¹、Anthropic は「Explain and generate code」（コードを解説し、生成する）³ と呼んでいます。専門知識がなくても、「○○ を作りたい」と日本語で頼めば、最初の試作が返ってきます。

6 つの型は仕事の場面だけでなく、暮らしの場面にも同じように刺さります。図で見ると、仕事と暮らしが横に並んでいるのが分かります。

---

5. 型を当てるときの境界線 ── 任せていいこと、任せてはいけないこと

6 つの型は、どの動詞も AI が得意です。けれど、得意なことと 任せていいこと は別の話です。

ここから先は、技術の限界の話ではなく、社会のルール の話になります。AI を作っている会社自身が、ある決まった分野では「AI ひとりに最終判断をさせてはいけない」と利用規約で定めています。3 社の規約を並べると、向きはほぼ揃っています。

5-1. 3 社の規約は、同じ方向を向いている

OpenAI・Anthropic・Google、3 社とも規約で同じことを言っています。 人の人生を左右する分野では、個別の判断を AI だけに任せてはいけない 。資格を持った専門家や、人間の確認を間に挟むことを求めています。

原文を確認したい方のために、各社の表現を残しておきます。

OpenAI（Usage Policies⁴、2025 年 10 月 29 日改定）：

“provision of tailored advice that requires a license, such as legal or medical advice, without appropriate involvement by a licensed professional.” （資格が要る、ひとりひとりに合わせた助言 ── たとえば法律や医療の助言 ── を、資格を持った専門家の関わりなしに行うこと、を禁止）

Anthropic も Acceptable Use Policy で「高リスク分野では人間が間に入っての監視と、AI を使っているという開示が必要」と明示しています⁵。Google も Generative AI Prohibited Use Policy で「高リスク分野での人間の見守りなしの自動意思決定を禁止する」と定めています⁶。

3 社とも、言葉は違っても向きは揃っています。最終確認は、その分野の有資格者の役目とされています。

5-2. 6 つの型 ↔ 境界線の対応

6 つの型のうち、どれを使う場面でも、上の境界線は変わりません。型ごとに「どこまでは安全に頼める」「ここから先は要注意」を整理すると、次のとおりです。

判断軸は、ひとつだけです。

AI に「最終決定」をさせない。下準備、たたき台、要約、調べ物、試作までは任せる。決定と責任は、人間が引き取る。

詳しい場面別の判断基準（医療・法律・採用・お金）は、別記事「AI でできること、できないこと ── 仕組みで整理する『地図』」の §5 にあります。型と境界の対応は以上です。

---

6. 「自分の仕事のどこに型が刺さるか」── 一覧で見るだけでは見つからない

6 つの型と、それを当てるときの境界線が手に入りました。あとは、自分の仕事のどこに型が刺さるか、を見つける作業だけが残っています。

ところが、これがすぐには見つかりません。

理由は、自分の仕事が 細かい単位で見えていない ことが多いからです。「経理の仕事」と一括りに思っているけれど、その中身は「請求書の発行」「経費精算のチェック」「月次の集計」「税理士とのやり取り」など、性質の違う細かい作業の集まりです。ざっくりした見方 のままでは、どの型がどこに刺さるかは見えません。

研修の場でも、同じ場面に何度も立ち会います。型の説明を聞いて「なるほど」と思ったあと、「自分の仕事に当てはめてみてください」と言うと手が止まる。「自分は Excel と PowerPoint しか使わないから、当てはまるか分からない」という声も出てきます。使っているツールの話ではなく、その Excel で 何をしているか を分解するのが先です。

つまり、 自分の作業を、まずひとつずつ書き出す。そのうえで、書き出した一つひとつに「これは『書く・直す』型」「これは『読む』型」と当てはめる。これが「事例から自分の仕事への翻訳」の最後のひと工程です。

試しに、今日はこの 3 ステップだけやってみてください。① 今週繰り返した作業を 3 つ書き出す。② 6 つの型のどれに当たるか、ざっくり印を付ける。③ その中でいちばん抵抗の少ない 1 つを、明日 AI に頼んでみる。

---

7. 次の一歩

ここまでの流れを、一枚の図にまとめました。

事例の名前ではなく、動詞のかたちで AI 活用を覚える。これだけで、ニュースに振り回されない見方が手に入ります。

最初の一歩は、6 つの型のうち いちばん抵抗の少ないもの を 1 つだけ選んで、自分の作業に当てはめてみることです。書くのが面倒な短い文章があるなら「書く・直す」、長い資料に目を通すのが憂鬱なら「読む」、頭の中がもやもやしているなら「聞き出す」── どれでも構いません。選ぶ目安は「5 分以内で終わり、間違えても被害が小さい作業」です。

たとえば、読み返すのが面倒な資料があるなら「読む」型から試してみる ── それだけでいいです。「どれが自分に向いているか」は、1 回試せば体感でわかります。

その 1 回が、感覚をつかむ最短の方法になります。

関連記事

• 文章を扱う AI（LLM）の中身そのものを知りたい方へ：「LLM の仕組み ── 同じ問いに違う答えが返ってくる、その理由」
• AI 全体で何ができるか・何ができないかの判断軸：「AI でできること、できないこと ── 仕組みで整理する『地図』」（本稿の前段にあたる）
• 型が分かったあと、実際に頼むときの言い方のコツ：「『欲しい答え』が返ってくる聞き方 ── プロンプト 5 つの型」

---

事例の名前を覚えても、半年で消えていきます。動詞のかたちで覚えれば、半年経っても、新しいモデルが出ても、自分の手で当てはめられる。動詞は、あなたの仕事のなかで残り続ける装備になります。

出典・参考文献

1. OpenAI | Identifying and Scaling AI Use Cases ↩ ↩² ↩³

2. Google Gemini API | Dialogue agents ↩

3. Anthropic | Claude capabilities overview ↩ ↩² ↩³

4. OpenAI | Usage Policies ↩

5. Anthropic | Usage Policy Update — 原文：“These cases require additional safeguards such as human-in-the-loop oversight and AI disclosure.”（こうしたケース ── 法律・金融・雇用などの高リスク分野 ── では、人間が間に入っての監視と、AI を使っているという開示が必要） ↩

6. Google | Generative AI Prohibited Use Policy — 原文：“Makes automated decisions that have a material detrimental impact on individual rights without human supervision in high-risk domains — for example, in employment, healthcare, finance, legal, housing, insurance, or social welfare.”（高リスク分野 ── 雇用・医療・金融・法律・住宅・保険・社会福祉 ── で、人間の見守りなしに、個人の権利に重大な不利益をもたらす自動の意思決定を行ってはならない） ↩