プロジェクトマネジメント講座（進捗管理の基礎＆EVM＋生成AI活用）を受講した学習ノートです。
前半（基礎・EVM）は要点を押さえ、後半の「生成AI × 進捗管理」を重点的に、受講内容に加えて自分で調べた補足情報も交えてまとめています。
対象読者
- チームの進捗管理を任されたが、やり方に自信が持てないリーダー／プレPM
- EVM（アーンドバリュー・マネジメント）を「言葉は聞くけど使えていない」方
- 生成AIを進捗管理・PM業務にどう組み込むかを具体例で知りたい方
この記事でわかること
- 進捗管理の目的と、最低限おさえる5要素（基礎）
- EVMによる定量管理の指標と読み方（応用）
- 生成AIを進捗管理に活用する具体的なユースケースとプロンプト例（本題）
- AIを使うときの心構えと、つまずきポイント（ハルシネーション・役割付与の限界など）
要約
AIは「分析・要約・ドラフト生成」を高速化する強力な相棒。ただし 最終判断と責任は人間、数値・日付計算はAIに任せない、基礎知識がないとAIの誤りを検証できない。この3点を外すと、AIに使われる側になってしまう。
第1部：進捗管理の基礎
進捗管理とは「働きかけ」まで含む営み
進捗管理とは、単に状況報告を受けて数字を追うことではありません。
- 過去の実績を正確に把握し
- 現状を分析し
- 今後の対策を検討し
- 進捗を阻害する要因に働きかけて排除する
ここまでを含めて進捗管理です。エクセルの数字を更新するだけでは「管理」になっていません。
なぜ必要か → やらないと「現在地」を見失う
進捗管理をしないと、過去の実績が誰にも分からず、今が正常か異常かも判断できません。これは 地図はあるがコンパスを持たずに砂漠を歩く ようなもの。計画（地図）があっても、自分がどこにいて、どちらを向いているか分からなければゴールには着けません。
進捗管理に必要な5要素とPDCA
| 要素 | PDCAでの位置づけ |
|---|---|
| スケジュール | Plan |
| 要員計画 | Plan |
| 実績データ | Do（作業ログを収集） |
| 進捗管理表（WBS＋ガントチャート） | Check（計画と実績を照合） |
| 進捗管理ルール | サイクルの回し方そのもの |
- スケジュール：PERT（アローダイアグラム／プレシデンスダイアグラム）でタスクの依存関係を整理。
- WBS：作業を要素分解したもの。Excelでも、Redmine / Jira などのツールでもよい。
- 進捗管理ルールが最も軽視されがちで、最も重要。「いつ・誰が・何を・どの頻度で更新するか」を決めて周知・徹底しないと、正しい数字が集計できません。
日付ベースの進捗管理：3つの「目」で見る
進捗は 鳥の目・虫の目・魚の目 で見ます。
- 🦅 鳥の目（マクロ）：プロジェクト全体を俯瞰。着手済み/予定、完了済み/予定の差分を見る。
- 🐛 虫の目（ミクロ）：個別タスク・個別担当の遅延幅を見る。全体だと埋もれる「本当にヤバい所」を発見。
- 🐟 魚の目（トレンド）：データをグラフ化し、傾向（潮の流れ）を読む。
チャートは「縦」と「横」の2軸で読む
- 縦軸：ある時点での予定と実績の数の差（例：完了が −17タスク）
- 横軸：同じ完了数に到達する時間のズレ（例：全体で約2.5週遅れ）
「順調すぎる」のも要注意。見積もりが甘い／品質を犠牲にしている可能性があるため、嗅覚を働かせる。
日付管理のメリデメ：概念が分かりやすく誰でも順応できる一方、タスクの重み（1人日 vs 10人日）を区別できないのが弱点。これを克服するのが次のEVMです。
第2部：EVM（アーンドバリュー・マネジメント）
ここはAI活用パートの「土台」になるので、少し丁寧に残します。
EVM（Earned Value Management）は、工数や金額を使って進捗とコストを同時に測る手法です。本ノートでは分かりやすさ重視で工数で説明します（金額化したいときは単価を掛ける）。
3つの基本指標：PV / EV / AC
| 略 | 名称 | 意味 |
|---|---|---|
| PV | Planned Value（計画値） | 見積り工数。「このタスクは5人日」 |
| EV | Earned Value（出来高） | 計画に対しどれだけ完了したか。PV5人日が50%完了 → EV=2.5人日 |
| AC | Actual Cost（実コスト） | 実際にかかった工数。5人日見積りに10日使えば AC=10人日 |
WBSに PV / AC / 進捗率 の欄を設け、EV = PV × 進捗率 で出来高を計算します。
進捗率のルール（担当者でブレないように）
- 50-50ルール：着手で50%、完了で100%（0/50/100の3段階）。最もよく使われる。
- 0-100ルール：完了するまでずっと0%、完了で100%。振り切った運用。
組み合わせ指標：差異（引き算）と効率（割り算）
| 指標 | 式 | 読み方 |
|---|---|---|
| SV（スケジュール差異） | EV − PV | 0以上で前倒し、0未満で遅延 |
| CV（コスト差異） | EV − AC | 0以上で予算内、0未満で予算超過 |
| SPI（スケジュール効率） | EV ÷ PV | 1超で順調、1未満で遅延 |
| CPI（コスト効率） | EV ÷ AC | 1超で順調、1未満で超過 |
予測系指標：BAC / ETC / EAC / VAC
| 指標 | 式 | 意味 |
|---|---|---|
| BAC | Σ PV | 完成時総予算（全タスクのPV合計） |
| ETC | (BAC − EV) ÷ CPI | 残作業コスト見積もり（今後いくらかかるか） |
| EAC | AC + ETC | 完成時コスト予測（最終的にいくらになるか） |
| VAC | BAC − EAC | 完成時コスト差異（当初予算との差） |
SPI / CPI は上振れも下振れも要注意
1.0に近いほど良い。下振れ（<0.8など）は遅延・超過のサイン。**上振れ（>1.2など）も、サボり・品質低下・見積もりの甘さを疑う**。プラスマイナス0.2程度を閾値にし、「どれだけ・どれだけの期間」超えているかで“匂い”を嗅ぐ。
EVMのメリデメ：タスクの重みを考慮でき、スケジュールとコストを同時に多角的に分析できる。一方で、概念の理解コスト・管理オーバーヘッドが高く、ACを正直に入力しないと機能しない（後述するように、ここはAI活用でも超重要）。
第3部：生成AI × 進捗管理
ここからが本ノートのメインです。第1〜2部で学んだ基礎の上で、生成AIをどう使うかを見ていきます。
AI活用の「3つの心構え」
① 最終的な判断と責任は、常に人間にある
AIは優秀なアナリストになり得ますが、「どの対策をいつ実行するか」「追加コストの承認をどう取るか」という意思決定の肩代わりはしません。
これは AI 業界で ヒューマン・イン・ザ・ループ（HITL） と呼ばれる設計思想に対応します。AIに「考えさせる」ことと「決めさせる」ことを切り分け、重要な判断点（特に最終決定）に必ず人間を介在させる考え方です。「AIがクレーム返信を作成し、人間の確認なしに自動送信する」のは危険な設計（ループ外）。AIがドラフト→人間が確認して送信 に変えるだけで安全性が確保されます1。
② 現場の「暗黙知」を組み合わせる
AIが扱えるのは、WBSやEVMといった**形式知（言語化・数値化された情報）**だけです。しかし本当に価値ある進捗管理は、暗黙知にかかっています。
「EVMの数字は順調だが、担当者の顔色が最近優れない」
「データにはないが、顧客との打ち合わせの空気感が少しずつ険悪になっている」
こうした現場でしか感じ取れない情報は、現場を知る人間だけが持つもの。AIの定量分析 × 人間の暗黙知 の融合が成功の鍵です。
③ AIの出力を鵜呑みにしない「健全な懐疑心」
AIはハルシネーション（事実に基づかないもっともらしい出力）を起こします。特にEVMのような複雑な計算では誤った数字を出す可能性がゼロではありません。
AIの分析や報告ドラフトは常に「参考意見」として扱い、自分の目で検証する。そしてその検証の武器が、第1〜2部で学んだ進捗管理の原理原則とEVMの指標の見方です。
セキュリティ
進捗データ・コスト超過・生産性などは極めて機密性の高い情報。外部AIサービスへの入力は、学習利用・流出リスクを認識した上で行うこと。組織として利用ルール・事前承認のフローを設けるのが望ましい2。
なぜAI時代に「基礎学習」が重要なのか
AIにEVM分析をさせ、出てきたSPI/CPIを何も考えずに報告するだけのPMを想像してください。役員から「なぜCPIがここまで悪化しているのか？ この対策で本当に改善するのか？」と問われたとき、答えに窮し、「AIがそう分析したので」としか言えない。これでは AIの分析結果の伝書鳩 で、PMとしての介在価値がありません。
価値の高いPMは、AIの出力を最終責任者としてレビューします。「この数値は本当に正しいか」「計算の前提は何か」「根本原因は本当にこれか、現場を見ると別の可能性が高いのでは」と問い、評価・修正した上で、自分の言葉で説明責任を果たす。
基礎知識がなければ、私たちはAIの奴隷になるか、AIに代替されるだけの存在になってしまう。
進捗管理における生成AIのユースケース
| # | ユースケース | 何をさせるか |
|---|---|---|
| 1 | 遅延タスクの影響範囲特定 | WBS＋依存関係を渡し、遅延の波及と後続影響を瞬時に分析 |
| 2 | リカバリー計画の壁打ち | クラッシング/ファストトラッキング観点で対策案を複数提示させる |
| 3 | 状況整理と報告ドラフト作成 | 「PV100/EV80/AC90を部長に報告」など、相手目線の文章に翻訳 |
| 4 | 異常検知と深掘り質問の生成 | 大量タスクから問題タスクを抽出し、ヒアリング質問まで作らせる |
| 5 | 定性情報とEVMの統合分析 | 議事録・週報＋数値を読み込ませ、生産性低下の仮説を出させる |
以下、講座の3つの演習をプロンプト例とともに紹介します。
演習1：遅延タスクの影響範囲を特定する（日付ベース）
シナリオ：顧客管理システム導入プロジェクトの中盤。複数の詳細設計・インフラ構築が並行し、特定タスクで深刻な遅延が発生。全体影響が見えにくい状況。
プロンプト例
あなたは私が率いるプロジェクトの優秀なPMOです。
以下のWBSと進捗実績を分析し、遅延による影響範囲を正確に報告してください。
# 前提
- 基準日：2025-08-01
- 土日および日本の祝日は非営業日とする
# WBS（タスクID / タスク名 / 先行タスク / 予定着手 / 予定完了 / 実績着手 / 実績完了）
（…ここにWBSをMarkdownの表で貼り付け…）
# 依頼事項
1. 基準日時点で遅延している（未クローズの）タスクを全て特定し、
タスク別の「着手遅延日数」「完了遅延日数」、およびその合算値を出す
2. これらの遅延が後続タスク、特に本番リリースに与える影響を分析し、
現時点でのリリース予測日を算出する
3. この状況で最も注意すべきクリティカルな問題を、理由とともに報告する
4. 遅延を解消・最小化する具体的な対策を、クラッシング／
ファストトラッキング／スケジュールの組み替えの観点で、
メリット・デメリットとともに提示する
質の高い回答を引き出す3つのポイント
- 役割を与える（「優秀なPMOです」）→ 計算だけでなく全体俯瞰の提言が返る
- 具体的な生データを渡す（WBS・基準日）→ 精度と具体性が上がる
- アウトプットの観点を明示する（遅延/影響/問題/対策）→ 構造的・網羅的に整理される
結果と気づき
AIは「クリティカルパス」という言葉を一度も与えていないのに、依存関係から自力でクリティカルパスを特定し、未着手タスクをボトルネックとして指摘、リリース予測日まで算出してくれました。
最大の注意点：日付・数値計算はハルシネーションが起きやすい
講座でも「ログ作成時に何度か再計算させて正しい値を出させた」とのこと。遅延日数のような計算は Excelやツールで算出した“計算済みデータ”をAIに渡す ことでリスクを下げられます。
これは技術的な裏付けがあります。LLMは数値を真に計算しているのではなく、学習データからそれらしい並びを予測しているだけ。有名な「9.11 > 9.9」誤答問題は、トークナイザーが小数を正しく扱えないことや、9.11を日付・聖書の章として連想してしまうことが原因とされます3。日付計算も本質は数値計算なので、**「LLMに計算させず、外部ツール／コード実行に委譲する」のが最も確実です。プロンプトでは「プログラムを書いて」ではなく「実行して」**と書くのがコツ3。
演習2：進捗報告のドラフトを作成する
シナリオ：演習1の続き。バッチ設計の遅延について、事業部長へ報告するメールをAIに清書させる。
ポイント：思考メモを「構造化」して渡す
AIに丸投げせず、自分で 事象 / 影響 / 原因 / 対策 を箇条書きで整理してから渡します。
あなたは経験豊富なプロジェクトマネージャーです。
担当プロジェクトで発生した問題を、責任者である事業部長にメールで報告します。
以下のメモをもとに、プロフェッショナルかつ誠実さが伝わるビジネスメールを清書してください。
# 報告内容
- 事象：詳細設計（バッチ）工程で遅延が発生
- 影響：対策しない場合、最終納期が最低4営業日遅延の見込み
- 原因：特定バッチ処理の技術的難易度が想定を上回った
- 対策：他PJの有識者を1名招聘して技術課題を解消／現担当の時間外対応と
チーム内ヘルプで吸収／バッチ以外の詳細設計レビューを先行（2回に分割）
- リカバリ目処：来週末時点で状況を再評価。結合テスト開始までに合流できれば致命的ではない
# 目的とトーン
- 目的：①透明性の確保 ②対策と見通しの提示による信頼維持 ③対策実行の承認
- トーン：客観的事実と前向きな対策をセットで。不安を煽らない
応用：トーン調整 ＆ 想定問答の生成
- 「“楽観視できない”等の悲観的表現を控え、淡々と事実を伝えて」と追い指示でトーンを再調整できる。
- さらに 「このメールに対し事業部長から想定されるQAを10件出して」 とすると、「なぜもっと早く見抜けなかったのか」「担当者のスキル不足が原因か」など鋭い想定質問が得られ、報告前のシミュレーションができる。
ここでも責任は人間にあります。AIのドラフトをそのまま送らず、「この表現で意図が伝わるか」「誤解を招かないか」を最終推敲し、自分の言葉として送ること。
演習3：EVMデータを分析させる（要約・異常検知・質問生成）
シナリオ：日々のEVM管理表（PV/EV/AC付き）をAIに渡し、健康状態の要約 → 異常検知 → ヒアリング質問の生成まで一気にやらせる。今回はPDFを添付して渡す（マルチモーダル活用）。
プロンプト例
あなたはPMBOKに精通した、極めて優秀なプロジェクト監査役です。
添付の進捗資料（EVM管理表）を、PMである私に向けて客観的に分析・報告してください。
# 依頼事項
1. エグゼクティブサマリー：スケジュールとコストの2観点で、
全体像が20秒で理解できるように要約する
2. 異常検知：特に注意すべき異常な兆候を示すタスクを3つ、具体的な数値とともに指摘する
3. 推奨される質問：上記の異常について、担当者にヒアリングするための
具体的で鋭い質問を3つ提案する
EVM管理表を作るときの実務ポイント
50-50ルールは「誤差」を生む。タスク粒度が命
- EV は 50-50ルールの「見なし計上」、PV は日割り、AC は実績入力 → 計上方法が混在し、必ず誤差が出る。
- 作業期間が長いタスクほど誤差が大きい。だから「おおむね1週間〜3日で測定できる粒度」にタスクを分解することが、EVMを正確に機能させる前提になる。
結果：表から「リソース配分の歪み」まで読み取る
AIは単に数値を翻訳するだけでなく、
- 予定通り完了しているのに実績工数が予定を超過 → このままだと予算超過という、日付管理では見えない問題を指摘
- バッチAに計画の2倍超の工数を投入しているのに進捗50% → 生産性の低さを検知
- 同じチームのバッチBが未着手 → 「バッチAにリソースを集中させてBを止めていませんか？」と、表からリソース配分の歪みまで推論して質問を生成
ここまでの洞察を、WBS＋EVMデータを渡すだけで返してくれます。ただし50-50ルールの見なし計上による誤差の可能性も併記してくるため、最終的にはヒアリングで裏取りする前提です。
【補足】調べて分かったこと：AI活用を一段深める知識
講座内容に加えて、自分で調べた補足を残しておきます。
役割付与（ロールプロンプティング）の効果と“限界”
「あなたは優秀なPMOです」という役割付与は、AIに関連する語彙・思考パターン・優先順位を強くアクティベートさせ、出力の文体・視点・トーンを制御するのに有効です4。
ただし最新研究では、精度が求められるタスクでは「専門家です」という指定だけでは劇的な改善は見込みにくいことも指摘されています4。実務のコツは、抽象的な役割名だけで終わらせず、具体的なレビュー観点・評価基準・アウトプット形式を併せて指定すること（演習1の「依頼事項を4つ明示」がまさにこれ）。
数値・日付は「AIに計算させない」が鉄則
前述の通り、LLMの数値計算は原理的に不安定です。対策の優先順位は次の通り3：
- 計算済みデータを渡す（Excel・PMツールで算出）← 最も確実
- **「プログラムを実行して」**と指示し、コード実行に委譲する
- 込み入った検証には推論強化系モデルを使う
進捗管理ツール側のAI化も進んでいる
2026年時点では、Jira / Asana などのツール自体がAIを内蔵し、タスクの要約・依存関係抽出・進捗の健全性自動判定・埋もれたリスクの可視化を行うようになっています2。ただし成功の鍵はツール導入そのものではなく、AIが学習・参照できる形でのデータ整備（AI-Ready化）とPMの役割再定義にある、というのが各社の共通見解です2。
PMの仕事はどう変わるか
定型的な分析・文書作成は自動化が進み、人間は例外対応・重要な意思決定・合意形成・モチベーション管理といった領域へシフトしていきます2。スケジュールは「人間の作業時間の積み上げ」から、「AIと人間の連携をどう設計するか」へ変わっていく——だからこそ、基礎を土台にしつつAIの可能性を学び続ける姿勢が要になります。
まとめ
- 進捗管理は「状況把握 → 分析 → 対策 → 働きかけ」まで含む営み。5要素とルールで土台を作る。
- EVMはタスクの重みを考慮し、スケジュールとコストを同時に測れる強力な手法。指標の意味を押さえれば、AIの出力を検証できる。
- 生成AIは 影響分析・報告ドラフト・異常検知 を劇的に高速化する。ただし：
- 最終判断と責任は人間（ヒューマン・イン・ザ・ループ）
- 暗黙知（数値に出ない現場情報）と掛け合わせる
- 健全な懐疑心で検証する。数値・日付計算はAIに任せない
- そして、それらを支えるのが進捗管理の基礎知識。基礎があるからこそ、AIを「使いこなす側」に立てる。
生成AIで生まれた時間を、メンバーとの対話や戦略的な意思決定という、人間にしかできない本質的な活動へ再投資する。これがAI時代のPMの働き方。
参考リンク
- AIがあなたの右腕に！生成AIでプロジェクトマネジメントを劇的に変える5つのテクニック（WEEL）
- プロジェクト マネージャー向けの AI プロンプトの書き方（エクセルソフト/Smartsheet）
- AIはなぜプロジェクト管理において期待された成果を上げられないのか（PwC Japan）
- プロジェクト管理におけるAI（IBM）
- ロールプロンプト（役割指定）の効果を検証する（note / GAMO YOSHIHIRO）
- プロンプトエンジニアリングとは？主要手法・実例・チーム導入まで（Findy）
- 「9.11 > 9.9」から始めるLLMの計算間違い探索（GMO Developers）
- 生成AIはなぜ簡単な計算問題を間違えるのか（レバテックLAB）
- 生成AIのハルシネーション対策5選（SIGNATE総研）
- ヒューマンインザループ(HITL)とは？（SIGNATE総研）
- AIに考えさせる、けど決めさせない。「ヒューマン・イン・ザ・ループ」（ライフハッカー・ジャパン）
- HITLとは？「人間介在型」運用を解説（ソフトバンク）