「AIで作れば安く、早くできるはず」

生成AIにこういった期待を持って使用する人は増えています。しかし、その期待だけでプロジェクトを進めた結果、「それっぽいものができたが、成果が出ない」「運用が回らず放置された」という相談も増加しているのです。

こういった相談の背景には、AIは「量産」や「選択肢の提示」において圧倒的な速度を持ちますが、「目的の定義」や「最終的な価値判断」ができないというものがあります。

成果を出すためには、「AIに任せる領域」と「人間（プロ）が担う領域」の線引き が不可欠です。

---

本記事では、AI導入で失敗する構造的理由と、それを回避して成果を出すための役割分担について解説します。

領域別の深掘りは以下の記事をご覧ください。

• ブランディング×AI｜生成AIで「ブランドらしさ」は作れるのか？
• UIUX×AI
• DX×AI

公開事例から見る「AI×プロ」の実践

• AIによる問い合わせ対応の効率化
  • 前提： 膨大な問い合わせによる業務圧迫を解消したい。
  • AI活用： 過去ログを学習し、回答案を自動生成。
  • プロの介入： 最終回答の「精度確認」と、AIが答えられない特異な質問への「有人対応フロー」を設計。
• 経理業務支援プロダクトのUI評価
  • 前提： 専門性の高い業務における使い勝手を向上させたい。
  • AI活用： 一般的なユーザビリティ原則に基づく網羅的な評価。
  • プロの介入： 実際の業務フロー（文脈）に即した「違和感」の検知と、具体的な改善策の提示。
• AIを活用したサイト評価とリニューアル
  • 前提： コンテンツは豊富だが集客に繋がらない自社サイトの、導線と打ち出し方を改善したい。
  • AI活用： ツールによるSEOの定量データ収集と、アクセシビリティ・実装課題の網羅的な抽出。
  • プロの介入： データから顧客心理と自社の強みを読み解き、カスタマージャーニーに即したUI/UXとコンテンツ設計を提示。

---

AIだけで成果が出にくい3つの理由（構造）

AIツールを導入しても成果に繋がらない場合、ツールの性能ではなく「プロセスの構造」に欠陥があるケースがほとんどです。

【理由1】前提（誰の何の課題か）が曖昧なまま生成してしまう

AIは指示されたことに対して忠実に回答します。しかし、「誰に向けて」「何のために」という前提が曖昧であれば、出力されるアウトプットもまた、焦点の定まらない「平均点」のものになってしまいます。

前提の解像度が低いまま大量生成を行っても、本当に使える素材は生まれません。

【理由2】評価軸（良し悪しの基準）がなく、修正が迷子になる

AIは数秒で数十案を出せますが、その中から「正解」を選ぶのは人間です。「自社のブランドに合っているか」「ユーザーにとって使いやすいか」という判断基準（評価軸）を持たずに生成を始めると、選定ができず、無限に修正を繰り返すことになります。

【理由3】運用（更新・ガバナンス・ログ）が欠け、改善サイクルが止まる

「作って終わり」になりがちなのがAI導入の罠です。AIモデルのアップデートへの追従、権利関係のクリアランス、エラー時の責任の所在。これら「運用」の設計が抜け落ちていると、リリース直後からリスクを抱えることになります。

---

プロがAIで「やらないこと」と「やること」（線引き）

我々のような制作・改善のプロフェッショナルがAIを使う際、明確な「線引き」を行っています。

【やらない】ブランドの核や意思決定をAIに丸投げ

「私たちのブランドの強みは何ですか？」とAIに問うことはあっても、それをそのまま採用することはありません。意思決定の放棄は、競争優位性の放棄と同義だからです。

また、最終的なアウトプットの責任をAIに押し付けることもありません。

【やる】問いの設計、言葉の定義、判断基準、検証設計、ログ化

AIに適切な「問い」を投げかけ、返ってきた答えを評価するための「物差し」を作ること。これがプロの仕事です。

デスケルでは、以下のメソッドカードを用いて、このプロセスを可視化・共有しています。

「デスケルメソッドカード」

デザインプロセスを共有するために生まれたメソッドカード。「デザインおばけ」がメソッドを言葉と絵で分かりやすく解説する、デスケルオリジナルのツール。

• DEFINE KEYWORD -言葉定義-
  • プロジェクト内で使う言葉の定義を揃え、AIへの指示におけるブレを防ぎます。
• JOURNEY MAP -体験地図-
  • ユーザーの行動や感情の文脈を可視化し、AIには見えない「行間」を補完します。
• IMPACT & FEASIBILITY -発想評価-
  • AIが出したアイデアを「効果」と「実現性」の軸でマッピングし、客観的に選定します。
• LOG -痕跡保存-
  • 「なぜその生成結果を採用したか」の意思決定プロセスを記録し、後の検証・改善に役立てます。

---

領域別：ブランディング×AI（事故りやすい点と回避）

事故例：どの会社でも言える表現、炎上リスク

AIはウェブ上の大量のデータから「それらしい」言葉を紡ぎます。結果、競合他社と見分けがつかないキャッチコピーや、倫理的に問題のある表現が生成されるリスクがあります。

【回避】ブランド前提を決める→生成→レビュー

まず「誰に」「何を」「どう伝えるか」というブランドの核を定義します。その上で、「使ってはいけない言葉」や「トーン＆マナー」を指示し、生成結果を人間が厳しくレビューするフローが必要です。

→ 記事：生成AIで「ブランドらしさ」は作れるのか？プロの答えと、事故を防ぐ使い方

関連：ブランドメッセージ設計 / ブランドガイドライン / KPI設計

---

領域別：UIUX×AI（見た目は作れるが使えない問題）

事故例：導線・情報設計が抜け、文脈がズレる

画像生成AIを使えば、美しいUIデザインは一瞬で作れます。しかし、そこには「ユーザーがどのような状況で操作するか」「前後の画面はどうなっているか」という文脈（CONTEXT）が含まれていないことが多く、実装できない、あるいは使いにくいデザインになりがちです。

【回避】ペルソナ / CJM前提→プロトタイプ→検証

デザインの前にペルソナやカスタマージャーニーマップ（CJM）でユーザーの文脈を整理します。AIで作成するのはあくまでプロトタイプ（試作）と割り切り、必ずユーザーテストなどで検証を行い、ブラッシュアップします。

→ 記事：UIUX×AI

関連：UIUX / ペルソナ / CJM

---

領域別：DX×AI（PoC止まりの罠）

事故例：目的がない、現場理解が浅い

「とりあえずAIツールを導入しよう」という号令から始まると、現場の業務フローに適合せず、使われないまま終わる「PoC（概念実証）疲れ」に陥ります。

【回避】業務理解→仮説→PoC→実装

現場の課題と業務フローを深く理解することから始めます。「ここをAIに変えれば効果が出る」という仮説を立て、小規模にテスト（PoC）し、費用対効果を見極めてから実装に進みます。運用KPIと「効果が出なければ撤退する」ラインの設定も重要です。

→ 記事：DX×AI

関連：デザイン思考×DX

---

AI活用で事故を防ぐチェックリスト（発注者向け）

AIを活用したWeb支援を依頼する際、または社内で推進する際に確認すべき最低限の項目です。

• 情報セキュリティ： 入力データが学習に使われない設定になっているか。
• 権利関係： 生成物の著作権の所在、商用利用の可否を確認しているか。
• 品質保証： 生成された情報の真偽（ハルシネーション）を誰がチェックするか。
• 説明責任： なぜそのアウトプットになったか、プロセスを説明できるか。

→ 記事：生成AIを使うなら最低限ここだけは｜情報・権利・品質・責任のチェックリスト

---

AIアウトプットの品質保証（レビューと検証）

AIが出したアウトプットをそのまま世に出すことは、未熟な新人の仕事をノーチェックで公開するようなものです。

• レビュー（事実・文脈・一貫性）： 事実誤認はないか、前後の文脈と矛盾していないか、ブランドの一貫性は保たれているか。
• 検証（ユーザー・現場）： 実際のユーザーや現場スタッフに触ってもらい、反応を見る。
• ログ（記録）： どのような指示でその結果が出たのかを記録し、再現性を担保する。

→ 記事：AIアウトプットの品質を担保する方法｜レビュー観点・検証・ログ設計（プロの型）

関連：合意形成・ファシリ

---

FAQ

Q. 生成AIでWeb制作会社は不要になる？

単純なコーディングや画像の量産など、作業の一部はAIに置き換わります。しかし、戦略設計、要件定義、品質管理、意思決定といった頭脳と責任を担うパートナーの重要性は、むしろ増しています。

Q. 生成AIを使うなら、どこまで内製すべき？

メール作成や議事録要約などの定型業務は内製化すべきです。一方、ブランドに関わるクリエイティブや、大規模なシステム開発におけるAI活用は、リスク管理の観点からプロの知見を借りることを推奨します。

Q. AIを使うと品質は上がる？下がる？

使い手次第です。適切な指示と評価ができれば、短期間で高品質なアウトプットが得られます。しかし、評価軸がないまま使えば、品質は「平均点」以下に留まり、独自性のないものになります。

Q. 情報漏洩や著作権はどう考える？

各ツールの利用規約確認は必須です。特に入力データが学習に利用されない設定の確認や、生成物が既存の著作物に類似していないかのチェック体制構築が必要です。

---

まとめ

生成AIは強力なエンジンですが、ハンドルを握り、行き先を決めるのは人間です。

• AIが得意なこと： 案の量産、要約、パターンの提示（速度向上）
• プロが担うべきこと： 問いの設計、判断基準の策定、品質の検証、責任ある運用

「AIだけで何とかする」のではなく、「AIとプロをどう組み合わせるか」という視点への転換が、プロジェクト成功の鍵です。

デスケルでは、AIのスピード感と、デザイン会社としての設計・検証ノウハウを組み合わせた支援を行っています。AI導入における「設計」や「判断」に迷われた際は、ぜひご相談ください。