機械学習と生成AIはどう使い分ける｜業務ごとの向き不向き

「生成AIが出てきたので、前に検討していた機械学習の話はもう古いですよね」「文章も画像も作れるなら、売上の予測も同じAIでできるはずですが」——社内でAIの使い道を決める場面で、かなりの頻度で出てくる思い込みです。この2つは、新しい古いで並ぶものではありません。本当は向いている仕事がはじめから別々の道具です。過去の記録から数を当てる仕事と、文章や画像を作る仕事では、動いている仕組みも、要る準備も、精度の測り方も違います。だから選び方の軸は「どちらが新しいか」ではなく「その仕事は当てる仕事か、作る仕事か」になります。この記事では、両者の動作の違い、業務の仕分け方、それぞれに要るもの、組み合わせて使う形、そして人が決めておく範囲までをまとめます。

機械学習と生成AIは、新しい古いの関係ではない

まず位置関係を整理します。AIという広い呼び方の中に機械学習があり、その機械学習の中に深層学習があり、生成AIは深層学習の技術を土台にして出てきたものです。つまり生成AIは機械学習の外側にある別の技術ではなく、機械学習の一部から育った枝です。並べて比べること自体がおかしいように見えますが、実務ではこの比べ方に意味があります。

意味があるのは、業務での使われ方が二手に分かれているからです。一方は、過去の記録から関係を学び、新しい入力に対して数や区分を返す使い方。こちらを実務では予測や判別と呼びます。もう一方は、渡した文章や画像をもとに、新しい文章や画像を作る使い方です。この記事で「機械学習」と言うときは前者、「生成AI」と言うときは後者を指しています。上下の分類の話ではなく、当てる使い方と作る使い方の対比だと捉えてください。

この整理をしておくと、社内の議論が噛み合いやすくなります。「AIを入れる」という言葉には、この2つがまったく区別されずに混ざっています。在庫の必要量を出したい人と、報告書の下書きを作りたい人が同じ会議に座り、同じ「AI導入」という言葉で別の話をしている。使い方の言葉を分けるだけで、必要な準備も費用感も別だと気づけます。

当てる仕組みは、実際に何をしているのか

機械学習の代表的な形は、正解の付いた過去の記録から関係を学ぶやり方です。たとえば過去の受注記録を、条件の側（時期、地域、商品、担当、前年の実績など）と、結果の側（受注したか、いくらだったか）に分けて用意します。仕組みは、条件から結果を当てる計算式を最初は当てずっぽうで置き、実際の結果と外れた分だけ、計算式の重みを少しずつ直すという作業を、記録の全体にわたって何度も繰り返します。

学習が終わると、新しい条件を入れたときに、その計算式が数や区分を返すようになります。ここで押さえておきたいのは、返ってくるのが1つの値であって、文章ではないという点です。「来月の受注はおよそ何件」「この問い合わせは返品の区分」といった形で返り、なぜそうなるのかを説明する文は出てきません。また、学習が終わった後の計算式は決まったものなので、同じ条件を10回入れれば、10回とも同じ答えが返ります。

「まとめる」使い方もあります。正解を与えず、記録の中で似たものどうしを寄せて、いくつかのまとまりを見つけるやり方です。顧客をいくつかの似た並びに分ける、といった用途がこれにあたります。正解が用意できない場面でも、記録の構造を見る道は残っている、と覚えておくと選択肢が広がります。どのまとまりに意味があるかを解釈するのは人の仕事です。

次の語を選び続ける仕組みは、何をしているのか

生成AIの中心にある大規模言語モデルは、まったく違う動き方をします。渡された文章を細かい単位に分け、次に来る単位の確からしさを、扱えるすべての候補について計算し、その中から1つを選ぶ。選んだものを末尾に足して、また次の候補を計算する。これを終わりの合図が出るまで繰り返します。文章はこうして1単位ずつ伸びていきます。

この動作から、実務で効いてくる性質が2つ出てきます。1つは、文章全体を最初に決めてから書き出しているわけではないこと。だから長い文章では、後半に行くほど最初の条件から離れていくことがあります。もう1つは、選び方に幅を持たせて動かしているため、同じ問いでも毎回まったく同じ文にはならないことです。揺れの詳しい仕組みと抑え方は別の話題になるのでここでは触れませんが、同じ答えが毎回返ることを前提にした業務には、そのままでは向かないという点は押さえておきます。

もう1つ大事なのは、確からしさの計算は「言葉としての自然さ」に基づいていて、「事実として正しいか」に基づいてはいない、ということです。だから、もっともらしい文体のまま、実在しない数字や固有名詞が混ざります。文章としての完成度と、内容の正しさが連動していないという性質は、業務で使う範囲を決めるときの前提になります。

この違いが、業務のどこに出るか

動作の違いは、業務では3つの形で表面に出ます。1つ目は、答えが1つに定まるかどうか。在庫の必要量や不良品かどうかの判定には正解がありますが、案内文の書き方や企画の案には、正解が1つに定まりません。2つ目は、後から正解と突き合わせられるかどうか。予測は時間がたてば実際の結果が記録されるので、当たり外れを数えられます。

3つ目は、揺れてよいかどうかです。毎回同じ答えが返らないと困る仕事と、むしろ違う案が出たほうが役に立つ仕事があります。この3つを当てはめると、迷っていた業務がどちら側かは、たいてい自動的に決まります。技術の名前から入るのではなく、仕事の形から入るというのは、こういう意味です。

具体的に並べると分かりやすくなります。届いた問い合わせを、返品・故障・料金のどれかに振り分ける仕事は、答えが1つに定まり、後から正解と突き合わせられ、毎回同じ答えが返らないと困ります。3つとも当てる側の条件です。一方、展示会で配る案内文の下書きを作る仕事は、正解が1つに定まらず、突き合わせる対象もなく、案が複数出たほうがむしろ助かります。3つとも作る側の条件です。3つの問いのうち2つ以上が同じ側を指したら、その側から考え始めてよいという程度の粗さでも、実務では十分に働きます。

「当てる・分ける・まとめる・作る」で業務を仕分ける

実務で使いやすいのは、業務を4つの動詞に振り分けるやり方です。自社の業務を一覧に書き出して、それぞれがどの動詞にあたるかを当てはめます。動詞が決まれば、当てる技術も、先に用意すべきものも決まります。

動詞	やっていること	業務の例	向く側	先に要るもの
当てる	数を推し量る	需要の見込み、必要な在庫、見込みの確度	機械学習	結果まで記録された過去の実績
分ける	決まった区分に振り分ける	問い合わせの内容の振り分け、不良品の判定	機械学習	区分名が付いた過去の事例
まとめる	似たものを寄せる	顧客の似た並びを見つける、記録の傾向をつかむ	機械学習	件数のそろった記録（正解は不要）
作る	文章や画像を新しく出す	案内文、要約、たたき台、資料の骨組み	生成AI	渡す資料と、書き方の指示

この表で迷いやすいのが「分ける」です。分ける仕事は、量が多くて基準がはっきりしているなら機械学習が向きますが、件数が少なく、基準を言葉で説明できる場合は、生成AIに区分を選ばせるほうが速いことがあります。過去の事例に区分名が付いているかどうかが、実質的な分かれ目になります。付いていないなら、まず数十件でよいので人が区分を付けてみて、その作業がどれくらい大変かを確かめるところから始めます。

実際には、どの業務から使われ始めているか

仕分けの考え方が分かっても、自社のどこから手を付けるかは迷います。手がかりになるのが、国内企業で実際にどの業務から使われ始めているかという分布です。総務省が2026年7月に公表した令和8年版情報通信白書によると、業務類型ごとの生成AIの活用状況では、日本は「議事録・メール作成補助」が約7割で最も高く、導入の効果を感じていると答えた割合も、同じ業務が最も高くなっています。

この偏りは、先ほどの4つの動詞で見ると素直に説明できます。議事録もメールも「作る」仕事であり、しかも渡す材料がその場にそろっていて、確認する人も同じ場にいます。つまり生成の側の準備が最も軽く済む業務から順に入っているということです。一方で「当てる」側の業務は、記録を整えるところから始めなければならず、着手までの距離がそもそも遠くなります。

ここから読み取れる進め方は2つあります。1つは、作る側は準備の軽い業務から入り、資料を渡す形が回り出してから範囲を広げること。もう1つは、当てる側は着手までの距離が長い前提で、記録を整える作業を別立ての取り組みとして先に置くことです。同じ「AIを入れる」でも、走り出しの速さがまるで違うと分かっていれば、社内での期待の置き方も変えられます。

予測に要るもの：正解の付いた記録と、更新の運用

当てる側を使うには、3つがそろっている必要があります。1つ目は過去の記録の量。件数が少なすぎると、たまたま起きた偶然と、繰り返し起きている関係を区別できません。2つ目は正解が記録されていることです。受注したのかしなかったのか、解約したのかしなかったのか、不良だったのかどうか。この結果の列が空いていると、当てる仕組みは学習を始められません。

実際に案件が止まるのは、ほとんどがこの2つ目です。条件の側の記録は各種の仕組みにたまっている一方で、結果の側が担当者の記憶や表計算ファイルの中にしか残っていない、という状態が珍しくありません。しかも、部門ごとに別の仕組みで管理されていて、同じ取引先が別の名前で入っている、といった分断も重なります。予測の準備の大半は、学習ではなく記録の整理だと考えておくと見立てを誤りません。

3つ目が更新の運用です。扱う商品も、顧客の顔ぶれも、市場の条件も変わっていくので、作った当初は当たっていた仕組みも、放っておけば外れていきます。誰がいつ結果と突き合わせ、どうなったら作り直すのかを、動かす前に決めておきます。需要予測の解説でも、出力されるのはあくまで予測値であって、どの要因を見るべきかを選び出すのは現場を理解した人の仕事だと指摘されています。

• 結果の列が空いている業務は、予測より先に「結果を記録する運用」を作るのが近道
• 予測は当たり外れが数えられる。動かす前に、どの期間のどの記録で測るかを決めておく
• 作りっぱなしにしない。外れ始めたことに誰が気づくかを、人の役割として置く

生成に要るもの：渡す資料と、指示と、確認

作る側は、出来合いのサービスを呼び出すだけで始められるため、始めるまでの敷居は予測より低くなっています。ただし、自社の答えを出させようとした途端に、別の準備が要ります。渡す資料が、探せる形で整っているかです。社内の規定や事例や手順書が、個人の手元や紙の中にしかないと、生成AIに渡すものがありません。

ここは国内企業がとくに手薄なところです。総務省が2026年7月に公表した令和8年版情報通信白書によると、「生成AIに社内データを学習させたり、生成AIが参照可能なデータベースを構築したりしている」と答えた割合は、日本が24.5パーセントでした。米国57.2パーセント、ドイツ54.4パーセント、中国73.0パーセントと比べると差は大きく、使ってはいるが、自社の資料を渡す形にはなっていない企業が多いことが読み取れます。

残りの2つは指示と確認です。指示は、何を、誰に向けて、どの形式で、どこまでの長さで、という条件を先に決めること。確認は、出てきたものの何を人が見るかを決めることです。とくに数字と固有名詞と日付は、生成された文をそのまま信じず、元の資料に戻って確かめます。同じ白書では、業務の見直しに必要なスキルやノウハウを学ぶ環境があると答えた割合も日本は39.9パーセントで、米国62.7パーセント、ドイツ60.4パーセント、中国71.7パーセントを下回っています。

費用と立ち上がりの掛かり方が違う

お金と時間の掛かり方も、両者で形が違います。予測は、自社の記録を集めて整えて学習させ、実際の結果と突き合わせて確かめる工程が先に来るため、動き出すまでに時間と工数がかかり、動き出した後の1件あたりの費用は小さいという形になります。整えたデータと作った仕組みは自社に残るので、積み上げが効きます。

生成は逆の形です。出来合いのモデルを呼び出す形で始められるので立ち上がりは速い一方、使った量に応じて費用がかかる仕組みが主流です。使う人が増えるほど、また扱う文章が長くなるほど費用が伸びます。しかも自社に残るのは、渡した資料と指示の書き方の蓄積であって、モデルそのものではありません。残るものが違うので、投資の説明の仕方も変える必要があります。

この違いは「小さく試す」の中身にも表れます。予測で小さく試すとは、手元の記録で当てられるかを確かめることで、業務に入れる前の段階の話です。生成で小さく試すとは、実際の業務でしばらく使ってみて、人の確認にどれだけ手間がかかるかを見ることです。同じ言葉でも、確かめている対象が違います。

なお、先ほどの白書によれば、「生成AI活用検討に向けた予算や人員が確保されている」と答えた割合は日本が37.4パーセントで、米国50.0パーセント、ドイツ41.5パーセント、中国50.2パーセントでした。予算も人も付かないまま始めると、立ち上がりの速い作る側だけが個人の工夫として広がり、記録の整備が要る当てる側は後回しになります。どちらを先に置くかは、確保できる時間と人から逆算するほうが現実的です。

精度の見え方が、そもそも違う

予測の精度は数えられます。予測した値と、後から記録される実際の結果を突き合わせれば、どれくらい外れたかが1つの数字になります。だから議論は「何パーセントなら業務で使えるか」という話に落ち着きます。測るデータの選び方で数字が動く点にだけ注意して、学習に使った記録とは別に、測るための記録を取り分けておくのが基本の作法です。

生成の精度は、そのままでは数えられません。同じ依頼に対する正しい答えが1つに定まらないからです。ここで「精度が低い」と言い合っても議論が進まないので、自分たちで合否の基準を先に決めます。含まれているべき項目がそろっているか、書いてはいけないことが入っていないか、指定した形式になっているか。数えられる形に置き換えてから測るのが実務の入口です。

この違いは、社内への報告の仕方にも効いてきます。予測なら「外れ幅がどれだけ縮んだか」で示せますが、生成では「人が直した箇所の数」「差し戻しの割合」「1件あたりの所要時間」といった、業務側の数字で示すほうが伝わります。測る対象を最初に決めておかないと、導入の効果を後から説明できなくなります。

片方では届かない場面がある

それぞれに、どうしても届かない領域があります。予測の側は、理由を言葉にしません。どの条件が効いたかを示す手立てはありますが、「なぜこの取引先の確度が高いのか」を、そのまま人に読ませる文章としては返しません。現場に納得して使ってもらうには、この説明の部分をどう作るかが課題として残ります。

生成の側は、数を当てません。過去の記録を貼り付けて「来月の受注を予測して」と頼めば、それらしい数字を返してきますが、それは記録から関係を学んで計算した値ではなく、言葉として自然な並びとして選ばれた数字です。見た目は同じ数字でも、根拠がまったく違います。生成AIに数の予測をさせないというのは、業務で最初に引くべき線の1つです。

この2つの穴は、それぞれ相手側が埋められる位置にあります。だから実務では、どちらかを選ぶ場面と、両方をつなぐ場面が出てきます。次の節で、つなぎ方を見ていきます。

予測で絞ってから、生成で書く

両方を直列につなぐ形が、いま現実的に効く組み合わせです。並べる順番は、先に予測で対象を絞り、後ろで生成が文章にするのが基本です。逆にすると、生成が作った不確かな数字を予測が受け取ることになり、根拠が失われます。

この形の利点は、生成AIに数を作らせずに済むことです。数は予測の側が出し、生成の側はそれを日本語に直す係に徹する。役割を分けておけば、間違いが起きたときにどちらの工程を直せばよいかも分かります。個々の手法の組み方まで踏み込まなくても、この2段の並びを守るだけで、実務での事故はかなり減ります。

AIに判断させない範囲を、先に決めておく

どちらの側を使う場合でも、人が決める範囲を先に線引きします。とくに重いのが、予測の結果を、そのまま人の扱いに直結させないという線です。確度の点数を使って連絡の順番を決めるところまでは実務の工夫ですが、点数が低いから断る、条件を変える、といった扱いを自動で切り替え始めると、根拠を説明できないまま相手に不利益が及びます。

線を引くときは、3つを紙にしておくと運用に落ちます。1つ目は、いつの版の仕組みが、どのデータを使って出した結果かを残すこと。2つ目は、点数や区分に納得できないときに、人が覆せる道を用意すること。3つ目は、結果を何に使ってよくて何に使わないかを、使う部署に明記して渡すことです。生成の側でも同じで、出てきた文章のどこを人が必ず見るかを、使い始める前に決めておきます。あわせて、どの資料のどこを使って書いたのかを示させる形にしておくと、人がその箇所に戻って確かめられます。示せない主張は、そのまま使わない。根拠を書かせることと、人が確かめる場所を決めておくことは、対になっています。

この線引きは、慎重すぎるように見えて、実際には導入を速くします。使ってよい範囲がはっきりしていれば、現場は迷わず使えるからです。逆に線を引かないまま配ると、使ってよいのか分からないので誰も使わない、あるいは誰も見ていないところで重い判断に使われる、という両極端が同時に起きます。

どちらを使うかを決める手順

最後に、迷ったときに順番に当てはめる問いを並べます。上から順に答えていくと、たいていは3つ目までで決まります。

1. その仕事が返すべきものは、数か区分か、それとも文章や案か
2. 過去の記録に、結果（正解にあたる列）が残っているか
3. 同じ入力に対して、毎回同じ答えが返る必要があるか
4. 間違えたとき、誰がどう困るか。人の扱いに直結する場面か
5. いま手元にあるのは、表の形の記録か、文書の形の資料か
6. 半年後に誰が手を入れるか。その人の時間は確保できるか

この6つのうち、実際に案件を左右するのは2つ目と6つ目です。2つ目で「結果が残っていない」となれば、予測の話はいったん置いて、結果を記録する運用づくりから始めます。6つ目で手を入れる人が決まらないなら、作る規模を小さくするか、時期をずらすほうが結果的に早く回り始めます。

使い分けでよくある失敗

最後に、実際に起きやすい取り違えを挙げます。どれも、決めた本人には合理的に見えているのが共通点です。

• 新しいという理由で生成AIを選ぶ：数を当てる仕事や区分に振り分ける仕事は、軽い機械学習のほうが安く正確に済むことが多い
• 結果の記録がないまま予測を始める：条件の記録だけあっても学習は始まらない。整理に想定の何倍も時間がかかる
• 生成AIに数を当てさせる：もっともらしい数字が返るが、記録から計算した値ではない
• 予測の点数を人の扱いに直結させる：根拠を説明できないまま相手に不利益が及ぶ
• 作って終わりにする：誰がいつ結果と突き合わせるかを決めないと、外れ始めても気づけない
• 両方を一度に立ち上げる：要る準備も担当も違うので、片方ずつ進めたほうが早い

よくある質問

機械学習と生成AIは、どちらが難しいのでしょうか。

始めるまでの敷居は生成AIのほうが低く、呼び出して使うだけなら特別な準備は要りません。一方で、自社の答えを出させるための資料の整備や、出てきたものを人が確かめる運用まで含めると、手間の総量は場面によって逆転します。難しさの中身が違う、と捉えるほうが正確です。

社内に専門の人材がいなくても、予測は使えますか。

表計算の延長で扱える道具は増えており、小さく試す段階なら外部の力を借りずに進められる場面もあります。ただし、どの条件を見るべきかを選び、出てきた値をどう業務に使うかを決めるのは、その業務を理解している人にしかできません。人材の壁より、記録の壁のほうが高いのが実情です。

社内データを生成AIに読ませれば、予測もできるようになりますか。

できません。資料を読ませる工夫は、自社の言葉で答えさせるためのもので、数を当てる仕組みとは別です。文章を読ませたモデルに数を聞けば数は返りますが、それは記録から計算した値ではありません。予測は予測の仕組みで作ります。

どれくらいの件数があれば、予測を始められますか。

一律の下限を示すことはできません。当てたい対象がどれだけ複雑か、条件の数はいくつか、結果の偏りがどれくらいかで必要量は変わります。件数の目安を探すより、まず結果の列が埋まっているか、同じ意味の値が複数の書き方で入っていないかを確かめるほうが先に進みます。

どちらを使うかの判断を、AIに相談してもよいですか。

論点の整理には使えます。ただし、自社の記録に結果の列が残っているか、どの業務が人の扱いに直結するか、半年後に誰が手を入れられるかは、社内の事情を知らないAIには判断できません。返ってきた整理は候補の一覧として受け取り、決めるのは自社です。

深層学習は、機械学習とは別のものですか。

別ではありません。機械学習のやり方の1つで、層を重ねた構造を使って、より複雑な関係を学べるようにしたものです。生成AIもこの技術の上に立っています。実務では、この階層の名前を追うより、当てる使い方か作る使い方かで整理したほうが判断に使えます。

まとめ

機械学習と生成AIは、置き換えの関係ではありません。過去の記録から関係を学んで数や区分を返す道具と、次に来る語を選び続けて文章を作る道具という、別の仕事に向いた2つの道具です。業務を当てる・分ける・まとめる・作るの4つに仕分ければ、どちらを当てるかは決まります。予測には正解の付いた記録と更新の運用が要り、生成には渡す資料と指示と確認が要る。組み合わせるときは、予測で絞ってから生成で書くという順番を守り、予測の結果をそのまま人の扱いに直結させない線を先に引いておく。まずは自社の業務を一覧に書き出し、4つの動詞に振り分けるところから始めてみてください。

※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。