判定はDecisionRulesに残す|AIは下書きとテストまで

判定はDecisionRulesに残す|AIは下書きとテストまで

「値引きの可否や与信の判定を、生成AIに聞けば済むようにしたいと現場から言われている」「AIでルールを書き換えられるなら、仕様変更のたびに開発へ頼まなくて済むのでは」——営業企画や情報システムの担当者から、2026年の秋に増えている声です。どちらも、判定の仕事をAIに寄せたいという同じ根から出ています。けれど、判定そのものをAIに任せることと、判定の決まりを作る作業をAIに手伝わせることは、まったく別の話です。この記事では、チェコの業務ルールエンジン DecisionRules が2026年8月に公開したMCPサーバーを材料に、判定はルールに残し、AIには下書きとテストだけを任せる線の引き方と、社員のAIにルールを書き換えさせるときの書き込みの範囲・公開の承認・版の戻し方を整理します。


カメ先生カメ先生

判定をAIに任せれば、ルールを作る手間が省けると思われがちなんだ。でも本当は、AIに判定させると、同じ条件でも答えが揺れて、なぜその答えになったかも説明しにくくなる。だから判定はルールの表に残して、AIにはその表を作る下書きとテストを手伝わせるほうが筋がいいんだよ。


カメ子カメ子

判定するのはルールで、AIはルールを作る側に回るということですか。


カメ先生カメ先生

そう。ただ、AIがルールを書き換えられるようになると、今度は誰がどこまで書いてよくて、誰が本番に出すと決めるかが問題になる。DecisionRules のMCPは、その線を引くための材料がそろっている例なんだ。


カメ子カメ子

書き換えの道具が便利になるほど、公開の手前の関所が大事になるんですね。


この記事のポイント
  • 与信・料金・値引き・リードの振り分けのような判定は、生成AIに直接させずルールエンジンの表に残す。AIは判定表の下書きとテストの作成に限る
  • DecisionRules のMCPサーバーは1つのスペースに限って接続し、公開は人の承認を前提とする。ただし新規ルールは既定で公開状態という仕様もあるので、状態の扱いを先に決める
  • 書き込みは試験用のスペースから始め、公開の権限は別の人に置き、戻せる版を指定して呼ぶ運用にしておく

うちの業務、AIで何が自動化できる?

「AIで何ができるかは分かったが、自社の業務のどこに使えるのかが分からない」という段階の方へ。30業務の判定と5つの実務例から、最初に自動化する1業務を選ぶための無料ガイドです。

目次

DecisionRulesとは:判定を表で持つ、チェコ発の業務ルールエンジン

DecisionRules は、チェコのプラハに本拠を置く DecisionRules a.s. が提供する業務ルールエンジンです。業務ルールエンジンとは、「この条件ならこの結果」という判定の決まりを、アプリのプログラムから切り離して表や規則の形で持ち、外から呼び出して答えを返す仕組みのことです。判定の決まりを、プログラムの中ではなく、業務の担当者が読める表に置くのが基本の考え方です。

DecisionRules では、条件と結果を行と列で並べる判定表、短いスクリプトで書くルール、値を引くための参照表などを画面で作り、それをAPIから呼び出して判定結果を受け取ります。ルールは「スペース」という単位にまとまり、スペースごとに利用者の役割と権限を決めます。提供の形は、公開クラウド、専用の管理クラウド、自社環境に置くセルフホストの三つが案内されています。

会社としては、2025年5月に160万ユーロの資金調達を行ったと報じられ、同年7月には米国での体制拡充を発表しています。買収や事業停止の報道は、執筆時点では見当たりません。日本語での紹介はほとんどありませんが、料金表や与信の基準のように、変更が多く、間違えると損失が出る判定を、開発者でない担当者が管理するための道具として作られています。

2026年8月のMCPサーバー:何ができるようになったか

2026年8月30日(10月13日更新)、DecisionRules はMCPサーバーを公開しました。MCPは、生成AIのアプリから外部の仕組みを道具として呼び出すための共通の約束事です。公式の説明では、ChatGPT・Claude・GitHub の Copilot などから、OAuth による通常のサインインで既存の DecisionRules のアカウントにつなぎ、60を超える操作を、会話の中から呼び出せるとしています。操作の数は今後も増えると書かれています。

できることは大きく四つに分けて説明されています。一つ目は、自然な文章の説明から判定表・スクリプトのルール・参照表を作ること。二つ目は、既存のルールの中身や、ある入力でなぜその結果になったかを説明させること。三つ目は、テストデータとテストケースを作り、実際の入力でルールを動かすこと。四つ目は、版の更新、タグの管理、新しい版の作成、ルール同士の依存関係の把握といった管理の作業です。

つなぎ方の前提も押さえておきます。接続先は1つのスペースに限られ、設定のときに選んだスペースの中だけを扱うと明記されています。ルールの生成は汎用のモデルに直接任せるのではなく、DecisionRules 自身のAIアシスタントを経由すると説明されています。また、MCPは画面やAPIの代わりではなく、追加の入口という位置づけです。自社環境のセルフホストでは、カタログからの設定が届かないため別の手順が要るとしています。

  • 2025年:判定表やテストデータを自然な文章から作るAIアシスタントを提供(公開クラウドの更新履歴に記載)
  • 2026年8月30日:MCPサーバーを公開(10月13日に記事を更新)。1つのスペースに接続し、60以上の操作を提供
  • 公式の説明では「人の承認なしに公開されない」「変更はすべて版で管理され戻せる」。具体的な承認の仕組みは記事に書かれていない

課題:判定を生成AIに直接させる設計が広がっている

生成AIを業務に組み込む動きが進むにつれて、判定までAIに任せる設計が目立つようになりました。商談の値引き率をAIに提案させてそのまま見積もりに入れる、問い合わせの内容からリードの担当部署をAIに振り分けさせる、取引先の情報から与信の枠をAIに出させる。入口がチャットになると、判定もチャットで済ませたくなるのは自然な流れです。

ところが、こうした判定には、社内の規程や契約、法令で決まっている条件が含まれます。値引きには決裁の段階があり、与信には社内の基準があり、リードの振り分けには営業の担当範囲の取り決めがあります。これらをプロンプトに書き込んでAIに判定させると、決まりがどこにあるのかが見えにくくなり、決まりを変えたつもりが、実際の判定に反映されたかを誰も確かめられない状態が生まれます。

加えて、判定は一度きりではなく、毎日何百回と繰り返されます。月に一度の企画書の下書きなら多少の揺れは人が直せますが、判定は件数が多く、一件ずつ人が見直す前提にはできません。だからこそ、判定の仕組みには、同じ条件なら同じ答えが返ること、答えの理由を後から示せること、決まりの変更を管理できることが求められます。次の三つの節では、生成AIに直接判定させるとこの三つが崩れる理由を順に見ます。

原因1:同じ条件でも、同じ答えが返る保証がない

生成AIは、同じ質問にも毎回少しずつ違う答えを返す性質を持っています。設定で揺れを小さくすることはできますが、モデルの更新や、プロンプトの言い回し、前後の会話の違いで答えが変わる余地は残ります。文章の下書きなら、この揺れはむしろ役に立ちます。しかし判定では、同じ取引先・同じ金額・同じ条件で、昨日と今日の結果が違うこと自体が問題になります。

たとえば値引きの判定で、ある営業担当には10パーセントまで可と答え、別の担当には8パーセントまでと答えたとします。どちらかが規程に照らして正しくても、結果が担当や日によって変わる時点で、社内の公平さと説明の筋が崩れます。顧客から「前回は通ったのに」と言われたとき、どちらの答えが正しかったのかを示す材料もありません。

業務ルールエンジンは、この点で正反対の性質を持っています。判定表に書かれた条件と結果は、入力が同じなら必ず同じ答えを返します。モデルが新しくなっても、表を書き換えない限り結果は変わりません。揺れてよい仕事はAIに、揺れては困る仕事はルールにという分け方が、判定をルールに残す一番の理由です。

原因2:判定の理由を、後から説明できない

与信を断った取引先や、値引きを認めなかった商談について、後から理由を問われる場面は珍しくありません。社内の監査、取引先からの問い合わせ、営業部門からの異議。そのときに必要なのは、どの条件に当てはまったから、その結果になったのかという具体的な筋道です。

生成AIに理由を書かせることはできます。しかし、AIが書く理由は、判定の後から整えた説明であって、実際にその結果を生んだ計算の跡とは限りません。もっともらしい理由が付いていても、それが本当に判定を決めた条件なのかを確かめる手段がないのです。理由の文章が整っているほど、読む側は確かめずに受け入れてしまいます。

ルールエンジンでは、どの行の条件に当てはまり、どの結果が返ったかが仕組みの側に残ります。DecisionRules のMCPでも、既存のルールが特定の入力に対してなぜその結果を返したかをAIに説明させる操作が用意されています。ここでの説明は、判定表という根拠があって、その読み方をAIが手伝うという関係です。根拠そのものをAIが作るのではなく、根拠を読む手伝いをAIがする。この順番を逆にしないことが大切です。

原因3:判定の決まりが、プロンプトと人の頭の中に散る

判定をAIに任せる設計では、決まりはプロンプトの中に書かれます。最初は一つのプロンプトにまとまっていても、部署ごとに似たプロンプトが作られ、担当者が少しずつ書き足していくうちに、どれが最新の決まりなのか、誰が書き換えたのかが分からなくなります。値引きの上限を変えたのに、古いプロンプトを使い続けている部署が残る、といったことが起きます。

プロンプトは、版の管理や承認の仕組みを持たないまま使われがちです。共有の文書に置いても、誰でも書き換えられる状態なら、変更の履歴と承認の跡は残りません。規程が改定されたとき、どのプロンプトを直せばよいかを洗い出すだけでも手間がかかります。

ルールエンジンは、決まりを一か所に集め、版と状態を持たせて管理するための仕組みです。DecisionRules では、ルールに版の番号が自動で振られ、版ごとに公開か保留かの状態を持ち、版同士を並べて比べられます。誰がどのスペースで何を変えられるかも権限で分けられます。決まりの置き場所を一つにして、変更に手続きを付けることが、判定をルールに残す三つ目の理由です。

対策の線引き:判定はルールに、AIには下書きとテストだけ

ここまでの三つの原因を踏まえると、線の引き方ははっきりします。本番の判定はルールエンジンが行い、生成AIは判定の決まりを作る作業の手伝いに回す。具体的には、判定表の下書き、既存ルールの読み解き、テストデータとテストケースの作成までをAIに任せ、決まりの中身を確定させることと、本番に出すことは人が行います。

この分け方は、仕事の種類ごとに整理すると分かりやすくなります。下の表は、判定を扱う業務で、AIに任せてよい範囲と、人が必ず握る範囲を並べたものです。表の右の二列は、AIに判断させない部分です。

作業AIに任せてよい範囲人が必ず決めること決める人
判定表の作成規程の文章からの下書き、行と列の整理条件の境目の値、例外の扱い、規程との一致業務の責任者
既存ルールの理解ある入力で結果が出た理由の説明、依存関係の洗い出し説明が規程の意図と合っているか業務の担当者
テスト境目の値や例外を含むテストデータの作成各テストで正しい答えは何か(期待値)業務の担当者
版の更新新しい版の作成、変更点の要約どの版を本番に出すか、いつ出すか公開の権限を持つ人
本番の判定行わないルールエンジンが判定し、例外は人が見る仕組みと担当部署

表で特に強調したいのは、テストの行です。AIはテストデータをいくらでも作れますが、そのテストで何が正しい答えなのかは、規程を知る人にしか決められません。AIに期待値まで書かせると、AIが作ったルールを、AIが作った答えで確かめるという循環になり、テストが何も保証しなくなります。期待値は人が書く、という一点だけは、どの運用でも外さないようにします。

社員のAIに許す書き込みの範囲を決める

MCPでつなぐと、社員が使うAIのアプリから、ルールの作成・変更・版の更新まで手が届くようになります。ここで最初に決めるのは、どのスペースにつながせるかです。DecisionRules のMCPは1つのスペースに限って接続する作りなので、本番の判定を持つスペースと、AIに下書きさせる試験用のスペースを分け、AIは試験用のスペースにだけつなぐのが安全側の始め方です。

次に、つなぐ人の権限を見直します。公式の文書によると、DecisionRules の権限はかなり細かく、ルールの閲覧と編集、ルールの作成と削除、取り込みと書き出し、状態の変更、APIの鍵の表示、監査記録の閲覧などが分かれています。MCPの操作は、つないだ人のアカウントで行われるため、権限の広い人がつなぐほど、AIの手が届く範囲も広くなると考えておきます。管理者のアカウントでAIをつなぐのは避けます。

よく見かける失敗の型を挙げておきます。どれも、便利さを優先して範囲を広げすぎた結果です。

  • 本番の判定を持つスペースに、管理者の権限のままAIをつなぐ
  • ルールの削除や取り込みの権限を、下書き担当のアカウントに残している
  • AIに作らせたルールの期待値まで、同じ会話の中でAIに書かせて合格とする
  • APIの鍵を表示できる権限を、AIをつなぐ人に付けたままにしている

公式の文書は、ロックされたルールやプランの上限は、権限があっても操作を止めると説明しています。重要な判定表はロックしておき、AIをつなぐ人の役割からは削除と状態の変更を外す。この二つを組み合わせると、AIの書き込みが届く範囲を目に見える形で狭められます。

公開の承認:保留と公開の二つの状態をどう使うか

DecisionRules のルールは、版ごとに「公開」と「保留」のどちらかの状態を持ちます。公開の版は本番用として判定用のAPIから呼べます。保留の版はAPIからは呼べず、呼ぶと「公開されていない」という誤りが返ります。一方で、画面のテスト機能のデバッグでは保留の版も動かせます。保留のまま試し、確かめてから公開に切り替えるという流れを、仕組みの側で作れるわけです。

ここで見落としやすい点があります。公式の文書では、新しく作った版は保留から始まる一方で、新しく作ったルールそのものは、既定で公開の状態で作られると書かれています。MCPの紹介記事は「人の承認なしに公開されない」としていますが、AIがまったく新しいルールを作ったとき、その状態がどうなるかは、自社の環境で確かめておく必要があります。新規のルールは呼び出す側がまだないので、すぐに判定に使われる心配は小さいものの、試験用のスペースで実際に作らせ、状態を確認してから運用を決めるのが確実です。

承認の線は、権限の分け方で作ります。状態の変更はルールの設定の権限に含まれるため、AIをつなぐ人の役割からはこれを外し、公開に切り替える権限を業務の責任者か、それに近い少数の人に置きます。書く人と、公開する人を、別の人にする。これだけで、AIの下書きが確認なしに本番へ出る道はかなり細くなります。

テストをAIに作らせるときの決まり

DecisionRules のAIアシスタントは、判定表の列の型や条件の範囲を読み取り、境目の値や例外を含むテストデータを作れると説明されています。MCPからも、テストデータの生成、テストケースの作成、実際の入力でのルールの実行ができます。人が手で作ると抜けがちな境目の値を、AIに網羅的に洗い出させるのは、むしろ得意な使い方です。

ただし、前の節で触れたとおり、テストの期待値は人が決めます。実務では、AIにテストデータの候補を出させ、業務の担当者がそれぞれに正しい答えを書き込み、その組をテストとして保存する、という順番にします。値引きの判定なら、上限ちょうどの金額、上限を一円超えた金額、例外の取引先、条件が空欄の入力など、境目を担当者が確かめていきます。

もう一つ決めておきたいのが、規程の変更とテストの関係です。値引きの上限が変わったら、判定表を直す前に、変更後に正しくなるべき答えを先にテストに書き込みます。そのうえでAIに判定表の修正の下書きを作らせ、テストがすべて通ることを確かめてから公開に回す。テストを先に人が書き、AIの下書きをそのテストで受け止める順番にすると、AIの修正が規程どおりかを機械的に確かめられます。

版の戻し方と、止め方

ルールの変更で一番困るのは、本番に出してから誤りに気づいたときです。DecisionRules の公式の文書は、大きな変更は新しい版を作って行い、本番の版を残したまま試すよう勧めています。新しい版は同じルールの識別子と別名を引き継ぎ、番号は自動で一つ上がり、保留の状態から始まります。版の数に上限はなく、版同士を並べて比べることもできます。

戻し方は、この版の仕組みの上に作ります。AIに既存の版を直接書き換えさせず、必ず新しい版として下書きさせる。誤りが見つかったら、新しい版を保留に戻し、前の版を公開のまま使う。公式の文書は、REST API や判定の流れの中で特定の版を指定して呼べるとしているので、本番の呼び出し側は版を指定して呼び、切り替えは呼び出し側の設定で行う形にしておくと、戻すときの手順が一つで済みます。版を指定しない呼び出しがどの版を使うかは、自社の設定で確かめておきます。

AIの接続そのものを止める手順も決めておきます。MCPの接続は OAuth のサインインで行われるので、止めるときは、AIのアプリ側で接続を外すことに加えて、DecisionRules 側でその人の役割を見直すか、試験用スペースへの参加を外します。退職や異動のときに、AIのアプリの接続だけが生き残ることがないよう、アカウントの棚卸しの項目にMCPの接続を加えておきます。

何が社外に出るか:データの流れと記録

MCPでつなぐと、データは三つの場所を行き来します。社員が使うAIのアプリ(ChatGPT や Claude など)、DecisionRules の本体、そして DecisionRules がルールの生成に使うAIアシスタントです。ルールの中身、テストデータ、判定の結果は、会話の中に表示されるかぎり、AIのアプリの側にも会話の履歴として残ると考えておくべきです。その扱いは、それぞれのアプリの法人契約の条件で決まります。

気をつけたいのはテストデータです。判定の確認のために、実在の取引先名や与信の額、個人の情報を入力に使いたくなりますが、MCPの紹介記事には、AIの処理がどこで行われるか、データをどれだけ保存するかの記載がありません。公式のサイトには第三者認証(SOC 2 の第二種、ISO 27001)の表示と Trust Center への案内がありますが、処理の場所と保存の期間は、契約の前に提供元へ確かめる項目として残ります。それまでは、テストには架空の値だけを使う決まりにしておきます。

記録の面では、DecisionRules に監査記録の閲覧権限があり、ルールごとに変更の履歴を持つと説明されています。ただ、ある変更がAI経由で行われたのか、人が画面で行ったのかが記録の上で区別できるかは、公開の文書からは確かめられませんでした。区別できない場合に備えて、AIに下書きさせた版には、版の説明欄かタグに、AIの下書きであること、確かめた人、テストの結果を書き残す運用を決めておくと、後から監査で問われたときに答えられます。

GoRulesとの比べ方:もう一つの選択肢

同じく業務ルールエンジンで、2026年にAIとの接続を強めた製品に GoRules があります。2026年8月4日に公開された第2版の大型更新では、判定の各値がどのルールから来たかを示す説明の機能、20を超える診断項目で矛盾や到達しないルールを見つける静的な解析、そして中核のエンジン Zen Engine の1.0 が発表されました。中核のエンジンは公式の GitHub でオープンソースとして公開されています。

AIとの接続の作りは、DecisionRules と違いがあります。GoRules の公式ブログは、MCPサーバーが Claude Desktop・Cursor・コマンドラインから、手元の環境だけで動く橋渡しと、入れ替わる鍵を通じて作業中のワークスペースにつながると説明しています。また、静的な解析が通り、テストが合格し、レビューが済むまで反映や配備をさせない関門を設けられるとしています。AIの書き込みを、レビューの関門で受け止める発想です。

選び方の目安は、誰がルールを書き、どこで動かすかです。業務の担当者がクラウドの画面で判定表を持ち、ChatGPT や Copilot など複数のAIから使いたいなら DecisionRules の作りが合います。開発者が版の分岐やレビューの流れでルールを管理し、エンジンを自社のアプリの中で動かしたいなら GoRules が候補になります。どちらを選んでも、公開の前に人が確かめる関所を、仕組みの側に置くという原則は変わりません。

導入の進め方:小さな判定表から始める4段階

判定をルールに残し、AIを下書きとテストに回す運用は、いきなり全社の与信や料金に広げると失敗します。間違えても影響が小さく、変更の多い判定から始め、承認と戻し方が回ることを確かめてから範囲を広げます。次の4段階で進めると、無理がありません。

STEP1
試験用スペースを作り、架空のデータを用意する

本番とは別のスペースを作り、AIをつなぐのはそこだけにします。テストに使う取引先名や金額は、すべて架空の値にそろえます。

STEP2
小さな判定を一つ選んでAIに下書きさせる

リードの担当部署の振り分けのように、間違えても後から直せる判定を一つ選び、規程の文章からAIに判定表の下書きを作らせます。

STEP3
人が期待値を書き、テストで受け止める

AIが出したテストデータの候補に、担当者が正しい答えを書き込みます。テストがすべて通るまで、下書きを直させます。

STEP4
公開の権限を持つ人が確かめて切り替える

書いた人とは別の人が、版の比較とテストの結果を見て公開に切り替えます。戻す手順を一度実際に試してから、次の判定に広げます。

4段階目まで回ったら、ようやく値引きや料金のように影響の大きい判定に進みます。その際も、AIが届くのは試験用のスペースまでとし、本番のスペースへの反映は、書き出しと取り込み、あるいは人の手作業で行う形を保つと、AIから本番の判定までの間に、必ず人の手が一度入る状態を維持できます。

導入前のチェックリスト

社内でAIからのルール編集を認める前に、次の項目を確かめておきます。どれか一つでも答えられない項目があれば、その部分を決めてから接続を始めます。

  • 判定をAIに直接させず、ルールエンジンに残す業務の一覧を作ったか
  • AIをつなぐスペースを、本番とは別の試験用に限ったか
  • AIをつなぐ人の役割から、削除・状態の変更・APIの鍵の表示を外したか
  • 新規ルールが既定で公開状態になる仕様を、自社の環境で確かめたか
  • テストの期待値を人が書く手順を、文書にしたか
  • 本番の呼び出し側が版を指定して呼ぶ形にし、戻す手順を一度試したか
  • AIの下書きであることと確かめた人を、版の説明やタグに残す決まりを作ったか
  • AIの処理の場所とデータの保存期間を、提供元に確かめたか
  • 退職・異動のときに、MCPの接続を外す手順を棚卸しに入れたか

チェックリストは、一度作って終わりではありません。MCPの操作は今後も増えると公式が書いているとおり、AIにできることは広がっていきます。新しい操作が加わったら、その操作がどの権限で動くか、公開や削除につながらないかを確かめ、操作が増えるたびに、許す範囲を見直すことを運用の決まりに入れておきます。

まとめ

与信・料金・値引き・リードの振り分けのような判定を生成AIに直接させると、答えが揺れ、理由を示せず、決まりがプロンプトに散ります。判定はルールエンジンの表に残し、AIには判定表の下書き、既存ルールの読み解き、テストデータの作成を任せる。DecisionRules のMCPサーバーは、1つのスペースへの接続、版と公開・保留の状態、細かな権限という、この線を引くための材料をそろえています。一方で、新規ルールが既定で公開状態になる仕様や、AIの処理の場所が公開の文書では分からない点など、使う前に自社で確かめることも残ります。試験用のスペースから始め、期待値は人が書き、書く人と公開する人を分け、版を指定して呼ぶ。この四つを決めてから接続すれば、AIの手助けを受けながら、判定の責任は人とルールの側に残せます。

※本記事にはAIが活用されています。編集者が確認・編集し、可能な限り正確で最新の情報を提供するよう努めておりますが、情報の完全性、正確性、最新性、有用性等について保証するものではありません。本記事の内容に基づいて行動を取る場合は、読者ご自身の責任で行っていただくようお願いいたします。

うちの業務、AIで何が自動化できる?

「AIで何ができるかは分かったが、自社の業務のどこに使えるのかが分からない」という段階の方へ。30業務の判定と5つの実務例から、最初に自動化する1業務を選ぶための無料ガイドです。

運営会社:株式会社デボノ

目次