メインコンテンツへスキップ
見出し画像

AIで「動くもの」は作れる。でも「使えるもの」にするには経験がいる

    最近、AIを使いながら、いくつか自分用のツールを作ってみました。

    たとえば、業務に近いデータを使ったダッシュボードや、家計・教育費・住居費・老後資金を見える化するライフプランのシミュレーションツールです。

    どちらも、以前の自分であれば「専門的な知識がないと難しそう」と感じていたものです。

    PythonやHTML、グラフの描画、数値の集計など、細かい実装部分をすべて自力でやろうとすると、途中で止まっていたと思います。

    でも、AIを使うことで、「とりあえず動くもの」を作るハードルはかなり下がったと感じています。

    コードの書き方が分からなくても、やりたいことを言葉で伝えれば、AIがたたき台を作ってくれる。
    エラーが出ても、その内容を貼れば修正案を出してくれる。
    見た目を少し整えたいときも、かなり具体的に手伝ってくれる。

    これは本当に大きな変化だと思います。

    一方で、実際に作ってみて強く感じたのは、
    「動くものが作れること」と「使えるものが作れること」は、まったく別だということです。

    動くものは、思ったより簡単に作れる

    AIを使えば、シンプルなツールやダッシュボードはかなり早く形になります。

    売上データを読み込んでグラフにする。
    月別の推移を表示する。
    条件を変えると結果が変わる。
    ライフプランの前提を入力すると、将来の資産推移が表示される。

    こうした「動くもの」は、以前よりかなり作りやすくなりました。

    もちろん、細かい調整やエラー対応は必要です。
    それでも、ゼロから自分で勉強して作るよりは、圧倒的に早く試作できます。

    これだけでも、非エンジニアにとっては大きな可能性があります。

    これまでは、何かを可視化したい、簡単なツールを作りたいと思っても、Excelで頑張るか、誰かに依頼するか、諦めるかのどれかになりがちでした。

    でも今は、まず自分で試作してみることができます。

    この「まず作ってみる」ハードルが下がったことは、AIの大きな価値だと思います。

    ただし、実態を反映した有益なツールにするのは難しい

    ただ、作っているうちにすぐ気づいたことがあります。

    AIはコードを書いてくれます。
    グラフも作ってくれます。
    表も整えてくれます。
    それっぽい画面も作ってくれます。

    でも、そのツールが本当に必要なのか。
    誰のどんな課題を解決するのか。
    どの数字を見るべきなのか。
    どういう前提で計算すべきなのか。
    実際の業務や生活の中でどう使われるのか。

    このあたりは、AIに丸投げできないと感じました。

    たとえば業務ダッシュボードであれば、単に売上推移をグラフにすればよいわけではありません。

    売上を見るのか、販売台数を見るのか。
    平均単価を見るなら、単純平均でよいのか、売上を台数で割るべきなのか。
    前年比を見るなら、どの期間と比較するのか。
    チャネル別に見る意味はあるのか。
    キャンペーン期間をどう扱うのか。
    その数字を見たあと、誰が何を判断するのか。

    こうしたことを考えないまま作ると、見た目はきれいでも、実際にはあまり使われないダッシュボードになってしまいます。

    ライフプランのシミュレーションでも同じです。

    教育費をどう置くか。
    住宅費をどう考えるか。
    収入はどのくらい保守的に見るか。
    老後資金の取り崩しをどう想定するか。
    どこまで細かくすると使いにくくなるか。

    動くツールを作るだけなら、AIはかなり助けてくれます。
    でも、現実に近い前提を置き、自分にとって意味のある結果にするには、やはり人間側の判断が必要です。

    必要なのは「作る人」だけではなく「分かる人」

    今回、AIを使ってみて一番感じたのは、これから重要になるのは単にコードを書ける人だけではない、ということです。

    もちろん、専門的なエンジニアやデータサイエンティストの価値がなくなるわけではありません。
    むしろ、複雑なシステムや大規模なデータ活用では、専門家の力はますます重要だと思います。

    ただ、ビジネスの現場では、それとは別に、

    • 何が課題なのか分かる人

    • なぜそのツールが必要なのか説明できる人

    • 現場のペインポイントを理解している人

    • どの数字を見るべきか判断できる人

    • 作ったものをどう運用に乗せるか考えられる人

    の価値が上がるのではないかと感じました。

    AIによって、実装の一部は以前より簡単になります。
    でも、背景や目的があいまいなままだと、AIはそれっぽいものを作るだけです。

    「何を作るか」
    「なぜ作るか」
    「誰が使うか」
    「どう使われれば意味があるか」

    ここを考える力がないと、有益なツールにはなりません。

    Pythonを学んでよかったこと

    今回AIを使ってツールを作ってみて、Pythonを学んでおいてよかったと感じる場面もありました。

    もちろん、Pythonを学んだからといって、自分だけで高度なシステムを作れるわけではありません。
    実際には、AIにかなり助けてもらいながら進めています。

    それでも、Pythonを学んだことで、コンピューターがデータをどのように見て、どのようなロジックで処理しているのかを、以前より少しイメージできるようになりました。

    たとえば、データを読み込む。
    列を指定する。
    条件で絞り込む。
    グループごとに集計する。
    欠損値を処理する。
    計算結果をグラフにする。

    こうした一連の流れが、完全にブラックボックスではなくなった感覚があります。

    その結果、AIへの指示も以前より具体的に出せるようになった気がします。

    単に「売上を分析して」ではなく、

    「月別に集計してほしい」
    「チャネル別に分けて見たい」
    「平均単価は売上÷販売台数で計算したい」
    「欠損値は0ではなく不明として扱いたい」
    「この条件に合うデータだけを抽出したい」

    というように、処理の流れをある程度イメージしながら依頼できるようになりました。

    また、AIに頼めば何でもできるわけではないことも、少しずつ分かってきました。

    データの形式が整っていなければ、うまく処理できない。
    前提条件があいまいだと、もっともらしいけれど意図と違う結果になる。
    業務上の意味を理解していないと、正しく見えても使えない集計になる。

    そうした「できること」と「難しいこと」の切り分けも、なんとなくですがイメージできるようになりました。

    この意味で、Pythonを学んだ価値は、自分ですべてのコードを書けるようになったことではありません。

    むしろ、AIに何を頼めるのか、どこは自分で判断しなければならないのかを考えられるようになったことにあるのだと思います。

    40代の学び直しで変わること

    40代で学び直しをしていると、「今さら学んでどこまで意味があるのか」と思うこともあります。

    Pythonを学んだからといって、すぐにエンジニアになれるわけではありません。
    データ分析を学んだからといって、すぐにデータサイエンティストになれるわけでもありません。
    BIを学んだからといって、それだけで市場価値が急に上がるわけでもないと思います。

    でも、AIを使って実際に手を動かしてみると、学び直しの意味は少し違うところにあるのではないかと感じました。

    それは、すべてを自分で作れるようになることではありません。

    むしろ、
    AIに任せられる部分と、自分が考えるべき部分を切り分けられるようになること
    だと思います。

    コードはAIに手伝ってもらえる。
    グラフもAIに作ってもらえる。
    エラー修正もAIに相談できる。

    でも、課題設定やKPIの定義、前提条件の整理、運用のイメージは、自分で考える必要があります。

    そのときに、データ分析やBIの基礎を学んでいると、AIへの指示も具体的になります。

    「売上をグラフにして」ではなく、
    「月別・チャネル別に販売台数を見たい」
    「平均単価は売上÷販売台数で計算したい」
    「前年同期間と比較したい」
    「意思決定に使うので、細かすぎる指標は減らしたい」

    というように、自分の中で目的や定義を持ってAIに依頼できるようになります。

    これは、学び直しをしていなければ難しかったと思います。

    専門職になるためだけが学び直しではない

    以前は、学び直しというと「新しい専門職に転職するため」のものだと考えがちでした。

    データ分析を学ぶなら、データアナリストになる。
    Pythonを学ぶなら、エンジニアを目指す。
    英語を学ぶなら、外資系で上位ポジションを狙う。

    もちろん、そういう目的もあります。

    でも40代の自分にとっては、今のところ、学び直しはもう少し現実的な意味を持っています。

    それは、今までの経験に新しい道具を足すことです。

    自分の場合であれば、医療機器のマーケティングや事業推進の経験があります。
    商品、顧客、販売チャネル、社内調整、KPI、予算、現場の制約など、実務の中で見てきたものがあります。

    そこに、データ分析やBI、AI活用を掛け合わせる。

    そうすることで、まったく別の職種に変わるというより、今までの仕事の見方や進め方を少し変えられるのではないかと感じています。

    AIで楽になる部分と、むしろ問われる部分

    AIを使うと、たしかに楽になる部分はあります。

    手を動かすスピードは上がります。
    試作のハードルは下がります。
    分からないことを調べる時間も短くなります。

    でもその一方で、むしろ問われる部分もあります。

    何をしたいのか。
    何が問題なのか。
    どこまでできれば十分なのか。
    どの前提なら現実に近いのか。
    誰にとって使いやすいのか。
    作ったあとにどう続けるのか。

    このあたりを考えないままAIを使うと、便利そうだけれど使われないものが増えてしまう気がします。

    AIによって「作ること」は簡単になっていく。
    だからこそ、「何を作るべきか」を考える力がより重要になる。

    今回、自分で小さなツールを作ってみて、そのことを実感しました。

    まとめ

    AIを使えば、40代の非エンジニアでも、以前なら難しかったものを試作できるようになりました。

    これは大きな変化です。

    ただし、動くものを作ることと、有益なものを作ることは違います。

    本当に使えるツールにするには、その背景にある課題やペインポイントを理解し、どのように運用できるかを考え、必要な数字や前提を判断する人が必要です。

    また、Pythonやデータ分析を学んだことで、AIに対する指示も以前より具体的になりました。
    コンピューターがデータをどう見て、どのようなロジックで処理するのかを少しイメージできるようになったことで、AIに任せられる部分と、自分が考えるべき部分の切り分けもしやすくなった気がします。

    そう考えると、40代の学び直しで本当に変わるのは、「自分だけで何でも作れるようになること」ではなく、AIを使いながら、自分の経験や判断を形にしやすくなることなのかもしれません。

    AIは、学び直しのゴールを変えたというより、学び直したことを実務や生活に使うための距離を縮めてくれた。

    今はそんなふうに感じています。

    関連記事

    今回の記事は、以下の記事で実際に作ってみた内容を踏まえて書いています。

    また、データ分析やAI活用に関する学び直しの記録は、こちらのマガジンにもまとめています。

    この記事が参加している募集

     
     
    40代ふつうの会社員(フルタイム+子育て中)。 英語/米国オンラインMBA/PMP(プロジェクトマネジメント)の実践ログ。 知識だけでなく「現場での仕事の回し方」も含め、同じような立場の方が「自分の場合どうするか?」を考える材料になればうれしいです。

    あなたへのおすすめ