2026-10-15確認。問い合わせAIの採用を検討するエンジニア・テックリードが、品質・権限・費用・復旧の証拠から、限定導入・見送り・追加検証を区別するための設計例です。公開一次資料、先行の個人検証記事、今回の架空入力によるローカル分岐試験を使います。

結論：点数を足す前に、満たせない条件と分からない条件を分ける

回答の平均点が高い、API費用が低い、という二つの理由だけで導入を決めると、送信権限や停止後の扱いが未確認のまま残ります。そこで、まず候補の利用範囲と必須条件を固定し、条件ごとに pass・fail・unknown を記録する方式を提案します。

判断	条件	次の動作
見送り `no_go`	必須条件に、確認済みの不合格が一つでもある	現候補の導入を止め、代替方式・要件変更・修正を比較する
追加検証 `verify`	不合格はないが、未確認の必須条件がある	欠けた証拠を集めるまで導入を保留する
限定導入候補 `go_limited`	固定した範囲の必須条件がすべて合格	責任者が証拠を確認し、範囲・期間・停止条件を合意する

go_limited は自動送信や本番切替の許可ではありません。 以下の候補は、人が全文確認して送る「AI下書き支援」に限定します。本記事の試験は判定関数の制御確認であり、実際の導入条件が合格したという証拠ではありません。

課題・前提：何を導入するのかを先に固定する

候補を draft-only-v1 と呼び、公開FAQを使った回答下書き、担当者による根拠・本文確認、担当者による送信を想定します。個別情報の取得・変更、AIによる自動送信は範囲外です。人が送る方式でも、生成処理へ渡す情報、下書きの閲覧者、確認負荷、誤回答への対応は設計対象です。

NIST AI RMF CoreのMANAGE 1.1は目的達成と開発・導入の継続判断、MEASURE 2.3は導入条件に近い評価を扱います。本稿の六条件と三状態の関数は、その一般原則を問い合わせ支援へ当てはめた独自の設計案で、NIST指定の合格表ではありません。公式資料（2026-10-15確認）

全条件合格という記録も、対象のFAQ版・モデル構成・画面・利用者・期間が変われば再評価します。「下書きなら安全」「以前合格したから今も合格」とは判定しません。

選択肢：AIを足さない案にも同じ業務目標を置く

選択肢	選ぶ条件	採用しない条件・残る確認
現状維持・手動＋定型文	件数・待ち時間を既存体制で扱える	忙しい時間帯の負荷、属人化、引継ぎを測る
FAQ本文・検索・導線の改善	正しい答えはあり、見つけにくさが主要因	根拠欠落・矛盾・複雑な条件整理は別に解く
既製品による下書き支援	自作を減らし、既存受付へ組み込める	データ利用、閲覧権限、総費用、停止方法を自分たちの条件で検証する
自作のAI下書き支援	FAQ改善後も、条件整理・要約の価値が残る	評価・修正・保守を維持できなければ見送る
AIによる自動送信	別の送信権限・受領照合・停止契約を満たす	下書き支援の合格を流用しない。本記事では採用判定しない

既製品の実測比較や最新価格の比較は実施していません。特定製品の推奨ではなく、同じ質問集合・期待品質・総作業時間で比較するための表です。

六つの問いを、根拠を追える必須条件へ変える

合格値は実験後に都合よく変えず、対象・許容できない失敗・計測方法とともに事前に決めます。以下は draft-only-v1 用の評価契約案です。

条件／キー	合格と記録するための証拠	不合格と未確認の違い
対象範囲 `scope`	対象分類、最新根拠、範囲外の有人経路、対象件数・時間の基準値	範囲外処理が混ざれば不合格。分布未計測なら未確認
追加価値 `added_value`	手動・FAQ改善と同じ質問で比較し、追加する価値が合意済み基準を満たす	FAQ改善で目標を満たし、AIに追加価値がなければ不合格。比較なしは未確認
品質 `quality`	未見の評価質問、本文と根拠の照合、重要例外の保留、事前合意した基準	重要ケースで秘密要求や根拠矛盾があれば不合格。平均点だけでは未確認
権限 `authority`	生成への入力、下書き閲覧、人の送信権限、範囲外操作を拒否する実環境試験	不正閲覧・操作を許せば不合格。権限表だけなら未確認
総費用 `cost`	同品質で確認・修正・有人対応・保守を含む費用を測り、予算と追加価値を満たす	合意した上限超過は不合格。API費用だけ、架空の工数だけなら未確認
停止・復旧 `recovery`	停止担当・代替窓口・構成保存・再開承認、変更前の下書き保留を実環境で確認	止められない／担当がいないなら不合格。手順未試験は未確認

各行には、証拠ID、対象構成版、確認日、評価担当、適用範囲も付けます。古い資料、別環境の試験、対象範囲の違う結果は、今の候補の pass へ自動変換しません。この証拠の管理と鮮度判定は、後述の小さな関数には実装していません。

先行六問から、どこまで言えるか

先行検討の根拠を読み直し、判断表に必要な証拠へ対応付けました。過去の検証の再実行や、本番での一連の評価は今回していません。公開済みの四記事は2026-10-15にQiita APIで公開状態・本文を読み戻しました。

問い	手元の根拠の種類	今回の採用判定に残ること
何を測るか	架空12件の件数・時間集計	実際の対象分布・人の総作業時間を測る必要がある
FAQで足りるか	固定12問の検索とローカルLLM比較	同義語調整後の未見質問と、使いたい構成で比較し直す
PoCの合否	架空の評価結果を使った、必須失敗・欠測のゲート検討	実回答の本文評価と、業務に合う合否基準は未確認
送信の境界	合成fixtureによる判定分岐の検証	実認証・認可・送信・受領照合は未確認
費用の境界	架空の工数・件数による計算	実レビュー時間・利用量・固定保守工数は未測定
停止・復旧	同期・メモリ内mockで、停止・結果不明・再開拒否を検討	並行処理・再起動・実通知・実窓口の訓練は未検証

検索比較では、保留分類が合っていても自由文が秘密情報を求めた例がありました。その固定入力・構成の自由文を無検査で表示する候補なら、品質不合格として見送る理由になります。他モデルや別設計まで一律に不合格とする根拠ではありません。

六問で使ったデータ・方式・検証範囲は異なります。結果を足して「本番導入の証拠がそろった」とは扱えません。現在ある根拠だけでは draft-only-v1 の実環境合格は確認できず、推奨できるのは範囲を絞った追加検証までです。

小さな実装：不合格は優先し、未確認の理由も消さない

三状態は点数ではありません。fail があれば、ほかの条件の pass や unknown で相殺しません。条件の欠落・未知のキー・不正値は入力エラーとして判定を中断します。

以下を decision_gate.py に保存し、python3 decision_gate.py を実行できます。Python 3.11.8、標準機能のみで実行しました。LLM・外部API・課金・送信を含みません。

GATES = ("scope", "added_value", "quality", "authority", "cost", "recovery")
STATUSES = {"pass", "fail", "unknown"}


def decide(evidence):
    """Return a review recommendation for draft-only-v1, never permission to send."""
    if not isinstance(evidence, dict) or set(evidence) != set(GATES):
        raise ValueError("all six gates are required; unexpected gates are invalid")
    if any(not isinstance(v, str) or v not in STATUSES for v in evidence.values()):
        raise ValueError("gate status must be pass, fail, or unknown")
    failed = [key for key in GATES if evidence[key] == "fail"]
    unknown = [key for key in GATES if evidence[key] == "unknown"]
    # A known failed prerequisite takes priority; retain missing evidence too.
    decision = "no_go" if failed else "verify" if unknown else "go_limited"
    return {"candidate": "draft-only-v1", "decision": decision,
            "failed": failed, "unknown": unknown}


if __name__ == "__main__":
    evidence = {key: "pass" for key in GATES}  # 架空のラベル。実評価ではない。
    evidence.update(quality="fail", recovery="unknown")
    print(decide(evidence))

出力は次のとおりです。

{'candidate': 'draft-only-v1', 'decision': 'no_go', 'failed': ['quality'], 'unknown': ['recovery']}

品質不合格が優先されても、復旧の証拠不足を出力へ残します。修正後に品質だけを合格に変えると、次の判断は verify です。復旧試験を飛ばして go_limited にはなりません。

ローカルで確認した分岐

掲載関数と同じ実装について、次の60ケースを実行し、期待した結果・理由一覧・入力が変更されないことを確認しました。不正入力は ValueError を確認しました。

ケース	件数	結果
六条件がすべて合格	1	`go_limited`
各条件を一つだけ不合格	6	`no_go`、該当理由を返す
各条件を一つだけ未確認	6	`verify`、該当理由を返す
別々の条件に不合格と未確認	30	`no_go`、両方の理由を保持
全未確認／全不合格	2	`verify`／`no_go`、六理由を保持
空・辞書以外・余分な条件・条件欠落・不正値	15	入力エラー、採用判定を中断

60/60は架空ラベルに対する制御試験の結果です。回答正解率、導入成功率、業務効果ではありません。関数は渡されたラベルの真偽を判定しないため、根拠なしに全部 pass を渡せば限定導入候補を返してしまいます。人が証拠を確認する責務を、関数の合格で置き換えられません。

失敗・費用・運用：誰が次の確認を持つか

失敗パターン	設計上の対応	確認担当
未確認を不合格として、改善余地まで捨てる	不足する証拠と、確認済みの欠陥を分ける	評価担当
高い平均点で重大な一件を覆う	重大失敗を必須ゲートにし、本文も評価する	業務担当・TL
`go_limited` を送信許可へ変換する	判定出力と実行権限を分離し、別の承認へ渡す	開発担当・責任者
下書きの合格を自動送信へ流用する	利用範囲を変更し、権限・受領照合・停止を再評価する	TL・運用担当
費用試算を実削減額として説明する	仮定と実測を分け、同品質の総費用で比較する	計測担当・責任者
停止手順だけで復旧合格にする	実環境で停止・保留・構成復元・再開を試す	開発・運用担当

Google SREは、切り戻し手順を事前に試していなかったことが復旧を長引かせた事例を説明しています。Emergency Response（2026-10-15確認）本稿では、それを「手順書の存在と、実環境試験の合格を分ける」理由にしています。

判断ログには候補版、評価基準版、証拠ID、判断結果、未確認事項、確認担当と期限を残す設計にします。問い合わせ全文・秘密情報を一般ログへ複製せず、必要な証拠は許可された環境の参照で追います。このログ保存、アクセス制御、再評価の通知は掲載関数の実装範囲外です。

費用は利用料だけでなく、根拠確認・修正・例外対応・評価・監視・停止中の有人対応を含めます。今回は実工数も最新料金も比較していないため、ROIや削減率を算出しません。費用合格を確かめられなければ unknown のまま次の測定へ渡します。

条件付きの推奨と次の確認

今ある証拠からは、自動回答の全面導入を推奨できません。FAQ改善を比較対象に残し、人が確認する下書き支援について、次の証拠をそろえる段階です。

業務担当が対象と重要例外、品質・追加価値の合格条件を決める。
評価担当が未見質問を含む同じ集合で、手動・FAQ・候補AIの本文品質と総作業時間を比較する。
開発・運用担当が実環境の入力・閲覧・送信権限と、停止・保留・復旧・再開を確認する。
責任者が証拠の対象・版・鮮度を確認し、限定範囲、担当、評価期間、再度止める条件を決める。

確認済みの重大欠陥がある候補は見送り、不足する証拠だけが残る候補は追加検証へ進めます。すべて満たした場合も、まず合意した範囲の導入候補とし、範囲拡大は別の判断にします。兼務する場合も、評価する人と最終的に導入を認める人を明確にします。

この記事はAI支援で準備した個人ローカル検証と設計案です。実問い合わせの品質・運用・効果や、コンサルティングの実績を示すものではありません。

参考資料

一次資料の確認日は2026-10-15です。先行記事は各記事に記載した当時の検証条件で、今回の実環境評価には代用していません。

NIST AI RMF Core：MANAGE 1.1、MEASURE 2.3を判断・評価の参考に使用。
Google SRE — Emergency Response：切り戻し手順の事前試験。
問い合わせ対応のAI化は何を測ってから決めるか
AIチャットは必要か：FAQ検索とローカルLLMを12問で比較する
AI問い合わせ回答の自動送信をどこまで許すか
AI問い合わせ対応の費用をどう見積もるか

この記事を書いた人✏️@YushiYamamoto
ITPRODX.com代表。AI × Web × 業務自動化の開発・検証に取り組んでいます。
技術選定・品質・運用の判断材料を、検証範囲と制約を示して発信しています。
AI導入や業務自動化の技術選定・設計整理については、対応できる範囲を確認のうえご相談を承ります。