AI導入の検収で決める6項目｜受入の基準を先に決める

「納品されたものは動いているのに、合格を出す判断ができないまま2か月が過ぎました」「担当者3人で試したら、3人とも違う評価になったんです」——AIを入れた案件が検収の段で止まるとき、届く声はこの2つに集まります。作りが悪いから止まっているように見えますが、そうではありません。本当は、同じ入力を入れても出力がそのつど少し揺れるという性質を、合否の書き方に落とし込んでいないことから起きています。この記事では、受け入れる側が先に決めておく6項目と、決めなかった案件で何が起きるかを対比で整理します。

場面：動いているのに、合格を出せない会議が3回続いた

よく聞く形を1つの案件にまとめます。社外から届く問い合わせのメールを内容ごとに振り分け、返信の下書きまで作る仕組みを外部に頼みました。納品されたものは動きます。画面も操作でき、振り分けの結果も返ってきます。それでも検収の会議が3回続けて結論なしで終わりました。

流れた理由は単純でした。ある担当者は「7割は使えるので合格でよい」と言い、別の担当者は「重要な問い合わせを1件見落としたので不合格」と言います。どちらも間違っていません。2人が別々の物差しを持ち込んでいて、どちらを使うかが決まっていなかっただけです。会議のたびに物差しの議論から始まるので、3回目でも同じところに戻りました。

契約書を開くと、書いてあったのは「振り分けの精度90%以上」の1行でした。ここに、何を1件と数えるのか、どの期間のメールで測るのか、誰が正解を付けるのかは書かれていません。測る条件が書かれていない数字は、測るたびに違う値になります。実際にこの案件では、発注側が選んだ100件と受注側が選んだ100件で、出てきた数字が1割以上離れました。

この記事は、この止まり方を解く話に絞ります。どこに頼むかの選び方や、依頼の書面をどう作るかといった段取り全体には踏み込みません。受け入れる側が合否をどう作るか、その1点だけを扱います。範囲を狭めるほうが、明日の会議で使える形になります。

「精度90%」だけでは、合否が決まらない理由

精度という言葉が厄介なのは、実務の会話で3つの別のものを指してしまうところです。全体でどれだけ当たったか、拾うべきものをどれだけ拾えたか、拾ったもののうちどれだけが当たっていたか。機械学習の評価で標準的に使われる整理では、この3つはそれぞれ正解率、再現率、適合率と呼び分けられています。

呼び分けが必要なのは、3つが同時には良くならないからです。再現率を上げようとすれば、疑わしいものまで拾うので適合率が落ちます。適合率を上げようとすれば、確実なものだけ拾うので取りこぼしが増えます。片方を上げれば他方が下がる関係にあるので、どちらを嫌うかを書かない限り線は引けません。両方をまとめて見る指標としてF値も使われますが、これも「どちらを重く見るか」を決めた後の話です。

冒頭の案件に当てはめると、対立の中身がはっきりします。「7割使える」と言った担当者は適合率を見ていて、「1件見落とした」と言った担当者は再現率を見ていました。2人は同じ成果物について、別の指標の話をしていたわけです。物差しの名前が共有されていれば、この会議は1回で終わります。

そしてもう1つ抜けやすいのが、母集団です。同じ仕組みでも、測る対象を変えれば数字は動きます。珍しい種類の問い合わせが3件しか入っていない材料で測れば、その種類の成績はほとんど出ません。指標の名前と母集団の2つが決まって、はじめて数字が合否に使えます。

普通のシステムの検収と、AIの検収はどこで分かれるか

先に、普通のシステムの検収の形を押さえます。受入テストの進め方として、準備、計画書の作成、ケースの作成、合否基準の設定、実施の5段階に分ける整理が広く使われています（株式会社ラシックが2026年6月19日に公開した解説）。期間は中規模の案件で2週間から4週間を見込む場合が多いとされ、2026年3月9日に公開された別の解説では、小規模で1週間から2週間、大規模で1か月から2か月という目安も示されています。

不具合の扱いも、段階に分ける形が定着しています。1件でもあれば不合格にするもの、ゼロ件が望ましいが代わりの手があれば条件付きで通すもの、件数の上限を先に合意しておくもの、本番が動き出してから直すもの。この4段階に分けておくと、軽い不具合1件で検収全体が止まる事故と、重い不具合が件数に埋もれる事故の両方を防げます。

AIの案件で崩れるのは、この土台にある前提のほうです。普通のシステムでは、同じ入力を入れれば同じ出力が返るので、不具合かどうかを誰が見ても同じに判定できます。ところが文章を生成する仕組みでは、同じ入力でも言い回しや順序がそのつど変わります。何を不具合と見るかの定義が先に無いと、4段階に振り分ける作業そのものが始まりません。

法的な位置づけも押さえておきます。改正民法（2020年4月施行）の第562条が準用され、納品物が種類や品質、数量について契約の内容に適合しない場合、発注側は追完の請求、損害賠償の請求、代金の減額、契約の解除を選べます。ただし権利を使うには、不適合を知った時から1年以内に通知することが必要で、その起点は検収の完了です（前掲、株式会社ラシックの解説）。曖昧なまま合格を出すと、後で使える手段まで細くなります。

合否の基準は、検収の当日には作れない

検収が終わらない案件を並べると、共通点は当日の進め方ではなく、基準を書いた時期にあります。検収でよく起きる失敗を4つに整理した解説では、要件が抽象的なまま進んだ「思っていたものと違う」、基準が曖昧で範囲が膨らむ「検収が終わらない」、重要度の分類と許容範囲を決めていない「軽微な不具合で拒否」、納品の範囲が契約書に書かれていない「納品物不足」が挙げられています（前掲、2026年3月9日公開の解説）。4つとも当日ではなく、それ以前に原因があります。

AIの場合はここに、もう1段の難しさが乗ります。経済産業省の「AI・データの利用に関する契約ガイドライン」（初版は2018年6月、1.1版は2019年12月）では、学習済みモデルの性能は学習に使うデータに大きく依存するため、契約を結ぶ時点で「この精度が出ます」と確約することが難しいと整理されています。つまり、性能の数字を先に確約させる形そのものが成り立ちません。

同じガイドラインが示した答えは、確約させることではなく段階を分けることでした。実現できそうかを見る段階、試して確かめる段階、作る段階、動かしながら学習を足す段階の4つに割り、段階ごとに契約する。契約の型としては、成果の完成を約束する形と作業量に応じる形の両方を含む準委任型が適切とされています。性能を約束させる代わりに、段階ごとに「ここまで出たら次へ進む」線を置くという考え方です。

受け入れる側の実務に翻すと、やることは1つです。次の段階へ進む線を、その段階が始まる前に文章にしておく。この記事の6項目は、その文章を書くための材料です。検収の当日にできるのは、決めてあった線を当てることだけで、線を作る作業は当日には間に合いません。

• 本記事で挙げた条文と公表資料は、確認の観点を整理する目的で引用しています。個別の契約の解釈は、契約書の文言と専門家の確認に従ってください
• 引用した公表資料の時期はいずれも本文中に示しています。数値は引用元の記載に従い、当社の実測値ではありません

項目1：何を1件と数えるか

最初に決めるのは母集団と数え方です。ここが決まっていないと、同じ成果物から違う数字が出るので、あとの5項目が全部空回りします。決める内容は3つに分かれます。期間、対象の範囲、そして1件の単位です。

1件の単位は、業務によって答えが変わります。問い合わせの振り分けなら、メール1通を1件と数えるのか、1通の中に複数の用件があるときに用件ごとに数えるのかで、成績は大きく動きます。1通に3つの用件が入っていて2つ当たった場合、通で数えれば不正解、用件で数えれば3分の2の正解になります。どちらが業務の実感に近いかで選び、選んだ理由も1行残します。

除外するものを先に列挙しておくのも同じくらい効きます。試験のために送った分、社内から届いた分、本文が空で添付だけの分、自動返信。除外の条件を後から足すと、都合の良い方向に材料を選び直したように見えてしまいます。だから除外は測る前に確定させ、除外した件数も一緒に記録します。

書き方の悪い例は「対象データ全体」です。この4文字は誰が読んでも別のものを指します。良い形は、たとえば「2026年4月1日から6月30日に受信した、社外から届いた問い合わせのメール。1通に複数の用件があるときは用件ごとに1件と数える。試験送信、社内メール、自動返信は除く」のように、日付と条件だけで対象が一意に決まる書き方です。

項目2：測る材料は誰がいつ用意するか

次に、試験に使う材料の出どころを決めます。ここを空けたまま進めると、受け取る側が「作った側が選んだ材料の成績」を見ることになります。悪意の話ではなく、作った側は自然と、開発中に見てきた種類のデータを選びます。

実務で効く形は、発注側が1組の材料を作って伏せておくことです。開発の途中では渡さず、検収の当日に開ける。こうすると、開発で使った材料と試験の材料が重なる問題も避けられます。開発に使った材料で測ると成績は必ず高く出るので、重なっていないことを作った側に文章で確認させます。

件数の決め方には落とし穴があります。全体で500件あっても、珍しい種類が2件しか入っていなければ、その種類については何も測れていません。だから件数は全体ではなく種類ごとに決めます。種類ごとの最低件数を決めないと、いちばん困っている種類だけ測れないまま合格が出ます。目安としては、業務で判断が難しい種類を先に洗い出し、その種類が最低で何件入るかを条件に書きます。

本番のデータをそのまま使えるかも先に確かめます。個人の名前や取引の条件が含まれる場合、外部の人が見られる場所で開くこと自体ができない場合があります。使えないと当日に分かると、検収が1か月遅れます。使えないときは、実際のデータの形を保ったまま中身を差し替えた材料を作る手間を、日程に入れておきます。

項目3：合格の線と、間違い方の許容

3つ目が合格の線です。ここで書くのは1つの数字ではなく、2つの数字と1つの向きです。全体の数字、種類ごとの下限、そして取りこぼしと誤検出のどちらを嫌うかという向きです。

向きは業務ごとに逆になります。重要な問い合わせを見落とすと取り返しがつかない業務では、取りこぼしを嫌います。この場合は疑わしいものを広く拾わせ、余分に拾った分は人が弾く前提にします。逆に、人の確認の手間を減らすことが目的なら、誤検出を嫌います。同じ仕組みでも、嫌う向きが逆なら合格の線は別の場所に引かれます。

種類ごとの下限を別に書く理由は、全体の数字が平均で隠すからです。件数の多い平凡な種類がよく当たれば、全体は9割を超えます。その裏で、月に数件しか来ないが対応を誤れない種類が半分しか当たっていない、という状態が起こります。業務が回らなくなるのは、たいてい件数の少ない種類のほうです。

書き方の悪い例は「精度90%以上」の1行、そして「誤りは極力少なくする」という言い方です。後者は数字が無いので、何をしても達成にも未達にもなりません。良い形は、たとえば「重要と分類すべきものの取りこぼしは0件。重要でないものを誤って重要に上げるのは、全体の20%までを許す」のように、2種類の間違いを別々の数字で書く形です。

項目4：測る人と立ち会い

4つ目は、誰がどう測るかです。受け入れる側が同じ手順で再現できない測り方は、報告書を読むだけの検収になります。決めるのは、実施する人、使う画面と順番、流す件数、実施日の4つです。

立ち会いを入れる理由は、監視ではありません。手順は文章だけでは伝わらないからです。どの画面のどのボタンから流すのか、途中で止まったときにどう再開するのか、結果をどこから取り出すのか。1回一緒に流しておけば、半年後に受け入れる側が単独で測り直せます。この「測り直せる状態」が、後で効いてきます。

もう1つ、AIの案件で必ず決めておくものがあります。正解を誰が付けるかです。振り分けの正解や下書きの合否は、人が判断して初めて数えられます。ここを1人に任せると、その人の癖が基準そのものになります。実務で使われるのは、2人が別々に正解を付け、食い違った件だけ第三者が決める形です。

そして食い違いの割合そのものを記録します。人どうしの判定が2割食い違うなら、基準の文章が曖昧だという意味です。作られたものの問題ではなく、書いた基準の問題です。この数字は、基準を直すべきかどうかを教えてくれる唯一の材料なので、合否の数字と一緒に残してください。

項目5：間違えたときの扱い

5つ目は、線に届かなかったときの扱いです。ここを書かないと、検収は終わりません。主観の「満足いかない」による際限のない修正要求で検収が長期化する形は、前掲の解説でも失敗として挙げられています。決めるのは、直す対象の分け方、回数、期限の3つです。

直す対象の分け方が要になります。出てきた不満を3つに割ります。基準の外にあるもの、基準の内だが好みが違うもの、基準に書いていなかったもの。直す対象は1つ目だけとし、2つ目は差し戻さない、3つ目は基準に追加するか次の段階へ回すかをその場で決める。この3分割を先に合意しておくと、会議が要望の順番争いになりません。

回数と期限は、不具合の重要度と組みにして書きます。1件でもあれば不合格にするものは期限を短く切り、件数の上限を合意しておくものは次の段階でまとめて直す。作り直しに当たるのか調整に当たるのかの線も、ここで引きます。作り直しと調整の線を引かないと、費用の負担の話が検収の会議に流れ込みます。

• 「精度が上がるまで直してもらう」と書く（終わりの条件が無く、検収が閉じない）
• 担当者が試して気になった点を、基準と照らさずにそのまま差し戻す
• 基準に書いていなかった要望を、不合格の理由に混ぜる
• 軽い不具合を1件見つけて全体を不合格にし、重い不具合の議論が後回しになる
• 直す回数と期限を決めず、稼働だけ先に始めて検収を宙に浮かせる

最後の1つが、実務でいちばん多い形です。動くので現場は使い始め、検収は「そのうち」になります。この状態は、不適合を知った時から1年という通知の期間の起点が曖昧になるため、受け入れる側に不利にしか働きません。稼働と検収は別の判断として、日付を分けて記録してください。

項目6：引き渡すもの

6つ目は、受け取る物の一覧です。動くものを受け取っただけでは、AIの案件は自社の手に入りません。列挙するのは、指示文、参照している資料とその置き場、判定の設計、記録の設計、止め方の手順、そして測り直す手順と材料です。

指示文を挙げる理由は単純です。生成の中身を決めているのは、多くの場合コードではなく指示文のほうです。ここが作った側の手元にしか無いと、少し直したいだけの変更でも毎回外へ頼むことになります。指示文と参照資料の版が自社に無い状態は、直せない仕組みを受け取ったのと同じです。

止め方の手順も、検収の対象に入れます。おかしな出力が続いたときに、誰がどこで止めるのか、止めた後は何に切り替えるのか。ここを決めずに受け入れると、事故のときに現場が判断を抱えます。止め方が書かれていない仕組みは、動かし始める前から片方の車輪が無い状態です。

記録の設計は、後の項目に直結します。入力、出力、人が直した内容、直した人、日時。この5つが残る形になっていれば、半年後に成績を測り直せます。残らない形だと、悪くなったことに気づいた時点で、比べる材料が1つも無いという状態になります。引き渡し物の一覧は、検収の当日に1行ずつ突き合わせてください。

合否の基準の実務仕様：項目・書き方・悪い例

6項目を、そのまま書面に落とせる形に並べます。右端の悪い例は、実際の契約書や議事録でよく見かける表現です。悪いと分かるのは、どれも読む人によって別のものを指すからです。

項目	書き方	悪い例
数え方	期間と対象と除外を、日付と条件だけで一意に書く。1件の単位も明記する	対象データ全体
測る材料	発注側が1組を伏せて用意し、開発で使った材料と重ならないことを書面で確認する	作った側が用意したデータで実施
合格の線	全体の数字と、種類ごとの下限を別々に書く	精度90%以上
間違い方	取りこぼしと誤検出のどちらを何%まで許すかを、2つの数字で書く	誤りは極力少なくする
測る人	実施する人、画面と順番、件数、実施日を書き、受け入れ側が単独で再現できる形にする	作った側の報告書を確認する
直す範囲	基準の外だけを対象とし、回数と期限、作り直しと調整の線を書く	精度が上がるまで改善する
引き渡すもの	指示文、参照資料、判定と記録の設計、止め方、測り直す手順と材料まで列挙する	稼働環境と操作手順書

表を1枚にすると、6項目が独立していないことが見えてきます。数え方が決まらないと合格の線が書けず、測る材料が決まらないと種類ごとの下限が測れず、記録の設計が無いと後から測り直せません。順番があるので、上から順に埋めるのがいちばん速いです。

この表は契約の前に埋めるのが理想ですが、すでに動いている案件でも意味があります。埋まっていない行を数えるだけで、いま検収が止まっている原因が分かります。止まっている案件は、たいてい上の3行のどれかが空欄です。空欄を埋める合意を1回取れば、会議は先に進みます。

同じ案件を、決めずに進めた場合と先に決めた場合

冒頭のメールの振り分けの案件で、6項目を決めなかった場合と決めた場合を並べます。作ったものは同じ、期間も同じ、人も同じという前提です。違うのは、基準を書いた時期だけです。

決めなかった側では、こうなります。1回目の会議で数字が出るが、母集団が違うと指摘されて測り直しになる。2回目で数字は揃うが、担当者ごとに見ている指標が違って合否が割れる。3回目で差し戻しの一覧を作るが、基準に書いていない要望が半分混ざる。作った側は仕様どおりだと主張し、話は費用の負担へ流れる。その間も現場は動いているので、稼働だけが既成事実になっていきます。

決めた側では、1回で終わりに近づきます。伏せてあった材料を当日に開け、決めた手順で受け入れ側が流す。種類ごとに数えると、全体は線を超えているのに、判断の難しい2種類だけ下限を割っていることが分かる。直す対象はその2種類に限られ、期限と回数は先に合意済み。直す範囲が絞れるので、2回目の測定で合否が確定します。引き渡し物は一覧で突き合わせるため、指示文の受け取り漏れも起きません。

差の正体は、作りの良さではありません。同じ成果物でも、基準を書いた時期だけで検収の長さが数か月変わるということです。前掲の解説が示した「中規模で2週間から4週間」という目安に収まるのは、決めた側だけです。決めなかった側の期間は、目安では測れません。

検収の当日に確かめる順番

6項目が埋まっているとして、当日の動かし方を並べます。順番に意味があるのは、後ろの工程が前の工程の結果を使うからです。特に、全体の数字より先に種類ごとに数える点は入れ替えないでください。

この7つで最も飛ばされやすいのは2つ目です。作った側が流したほうが速く、当日は時間が足りません。しかし飛ばすと、受け入れ側が単独で測り直せる状態がここで失われます。速さのために飛ばした1時間が、半年後の判断材料を丸ごと消します。

受け入れた時点の成績は続かない

最後に、検収そのものの限界を書きます。合格を出した日の成績は、そのまま続きません。運用のあいだに精度が落ちる現象は2種類に整理されています。AIが受け取る入力データの分布が学習時と運用時で変わる形と、入力データと正解の関係そのものが変わる形です（秋霜堂株式会社、2026年6月1日公開・6月12日更新の解説）。

同じ解説が挙げる原因は、どれも業務側の普通の変化です。新しい販促で客層が変わる、季節の商品が入れ替わる、新商品を出す、データの取り方を変える、規制が変わる、使う人の行動が変わる。仕組みを何も触っていないのに成績が落ちるので、原因を作った側に求めても解決しません。だから受け入れの時点で、落ちたときの動きを決めておきます。

同解説は、契約の時点で決めておく項目として4つを挙げています。定期的に精度を測る義務、基準を下回ったときに学習をやり直す義務、そのときの費用を誰が負担するか、そして対応の速さの取り決めです。測る頻度は月ごとか四半期ごとが一般的とされています。この4つは検収の合否とは別に、受け入れの条件として書面に入れるものです。

受け入れる側が検収の当日にできることは、1つに絞られます。後から同じ手順で測り直せる形を残すことです。伏せて使った材料を保管し、当日の手順書を残し、記録の設計を受け取る。この3つが揃っていれば、半年後に同じ数字を出して比べられます。揃っていなければ、現場の違和感と人手の修正が増えたという感覚しか材料が無くなります。

AIの使いどころと、合否をAIに出させない理由

検収の作業そのものにもAIは使えます。効くのは4か所です。試験に使う材料の候補出し、種類ごとの件数が足りない箇所の洗い出し、結果の集計、差し戻し理由の文章の下書きです。どれも人の手だと半日かかる作業で、量が読めるものほど向いています。

材料の候補出しは、実務でいちばん効きます。過去の問い合わせを種類ごとに並べさせ、件数の少ない種類を先に挙げさせる。種類ごとの下限を決めるとき、抜けている種類に気づけるのはこの作業だけです。ただし挙がった分類は人が読み、業務の実感と合っているかを確かめます。分類の名前が業務の言葉になっていないことがよくあります。

一方で、合否の判定は出させません。理由は精度ではなく、責任です。検収は受け入れる意思表示であり、その日から不適合を知った時からの期間が数え始まります。合否を出す作業を外へ渡しても、受け入れた責任は発注側から動きません。判定を任せると、根拠を説明できないまま合格が出て、後から争えなくなります。

集計を任せる場合も、形を決めます。数字だけでなく、どの件をどう数えたかの内訳を出させ、人が数件だけ元の材料と突き合わせる。全部を見直すのではなく、種類ごとに2件だけ確かめると決めておけば、確認は続きます。人が確認する範囲を先に決めておくことが、AIを使う側の条件です。

まとめ

AIの検収が止まるのは、作られたものが悪いからではありません。同じ入力でも出力が揺れる仕組みに対して、合否の定義を先に書いていないからです。決めるのは6項目。何を1件と数えるか、測る材料を誰がいつ用意するか、合格の線と間違い方の許容、測る人と立ち会い、直す範囲と回数と期限、そして引き渡すものです。

順番があります。数え方が決まらないと線は書けず、材料が決まらないと種類ごとの下限は測れず、記録の設計が無いと後から測り直せません。当日にできるのは、決めてあった線を当てることだけです。検収の当日にできる作業と、当日までに終わっていなければならない作業は別のものです。

そして、受け入れた日の成績は続きません。だから当日に残すのは合格の判子ではなく、同じ手順で測り直せる形です。合否の判定はAIに出させず、人が確認する範囲を先に決める。この2つを守れば、検収は感覚の議論から数字の議論に変わります。動いているかどうかを見る会議を、合格の線を当てる会議に変えるところから始めてください。

※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。