集計作業をAIに任せる。
「作業者」から「指揮者」へ、スプレッドシート自動化の実践

Googleスプレッドシートが五つ、六つと増え、それぞれに似ているけれど少しずつ違うデータが入っている。部署名の表記が違う。氏名の間に空白がある。日付の形式も統一されていない。それでも、今週中に横断集計を作り、経営会議へ出すグラフまで用意しなければならない。

こうした状況に直面すると、多くの人はまず関数を調べます。VLOOKUPか、XLOOKUPか、QUERYか。あるいはApps Scriptを書くべきか。元の表をコピーし、列を増やし、表記をそろえ、何度も数式を修正する。できる人ほど、自分の手で何とかしようとします。

しかし、AIエージェントを実務へ取り入れるなら、その反応自体を変える必要があります。最初に問うべきは「どの関数を使うか」ではありません。「私は何を判断したいのか」「どんな状態になれば仕事が終わるのか」です。そして、実際の手作業へ入る前に、その目的をAIへ伝えます。

今回の音声では、複数のGoogleスプレッドシートをクロス集計する場面を例に、AIへ仕事を渡す考え方を話しました。ポイントは便利な関数を一つ覚えることではありません。人間が作業者であることをやめ、AIを動かす指揮者、オーケストレーターへ移ることです。

自動化の第一歩は「自分で手を動かさない」

自動化と聞くと、難しいプログラムや専門的な設定を思い浮かべるかもしれません。けれども、最初に必要なのは技術ではなく、仕事への向き合い方です。「自分で手を動かさない」と先に決めます。

これは、仕事を放棄するという意味ではありません。自分が手を動かす前に、AIへ任せられる範囲を最大化するということです。人間は目的を定め、制約を伝え、結果を確かめる。AIには、手順の設計、データ処理、集計、コード生成、修正案の提示を担ってもらいます。

従来の自動化では、担当者がまず業務を細かく分解し、仕様書を作り、エンジニアへ依頼することが一般的でした。ところが、その準備だけで時間がかかります。説明資料を作り、会議を開き、質問へ回答し、出来上がったものを確認する。小さな業務では「そこまで準備するなら、自分でやった方が早い」となり、結局は手作業が残ります。

生成AIやAIエージェントは、この準備コストを下げます。完成した仕様書がなくても、「今はこのような表があり、毎週この数字を見たい。元データは変更したくない」と会話を始められます。AIが不足情報を質問し、進め方を組み立てるからです。

会話とは、やりたいことをテキストで伝えること

AIと会話すると言うと、人間らしい雑談を上手にしなければならないと思う人もいます。しかし実務で必要なのは、やりたいことをテキストで伝えることです。特別なプロンプト用語を暗記する必要はありません。

たとえば、「六つのスプレッドシートに散らばった申込データを一つにまとめたい」「元のシートは触らず、新しいマスターシートを作りたい」「部署別、月別、講座別の人数が分かるダッシュボードが欲しい」と伝えます。さらに、「私はプログラミングをしない」「必要な操作は一つずつ指示してほしい」と条件を加えればよいのです。

AIはこの依頼から、確認すべき項目を返します。各シートの列名、共通の識別子、更新頻度、重複の扱い、最終的に見たい指標などです。人間は答えられる範囲で返し、分からない部分は「分からないので確認方法を教えて」と伝えます。会話は、知識を見せる場ではなく、目的へ近づくための共同作業です。

専門用語を知らないことは、停止する理由になりません。むしろ「何が分からないか」をそのまま出せる人ほど、AIから適切な補助を引き出せます。AI活用の差は、すべてを知っているかどうかではなく、不完全な状態から相談を始められるかどうかで生まれます。

複数スプレッドシート集計で起きる典型的な問題

複数の表をまとめる仕事には、見た目以上の難しさがあります。列の順番や名前が違うだけでなく、同じ人が別の表記で登録されていたり、同じ申込が二重に入っていたりします。空欄をゼロとみなすのか、未回答とみなすのかでも結果が変わります。

人が手作業で直すと、どこを変更したのか追跡できなくなることがあります。今月は正しく集計できても、翌月に元データが追加されたとき、同じ手順を再現できません。担当者の記憶に依存し、引き継ぎも難しくなります。

事例: 五つのシートを人手で名寄せしようとする

五つの事業部が、それぞれ独自のGoogleフォームで研修申込を集めているとします。ある部署は「氏名」、別の部署は「お名前」、さらに別の部署は姓と名が別々です。部署名にも「営業部」「営業」「営業本部」という揺れがあります。

従来なら、担当者は各シートをコピーし、列を並べ替え、表記を置換し、数式で結合します。しかしこの方法では、元データが更新されるたびに同じ作業が発生します。途中で一列ずれるだけでも、別人のデータを結びつける危険があります。

AIへは、まず最終成果を伝えます。「個人単位で重複を除き、部署別の受講状況を毎週確認したい」と依頼します。そして各表のヘッダーと数行の匿名化したサンプルを見せます。AIは共通項目を推定し、名寄せルール、エラー処理、更新方法を含む設計を提示できます。人間が最初から関数を選ぶ必要はありません。

元データを触らず、マスターから集計する

自動化で守りたい原則の一つが、元データを直接変更しないことです。元のシートは事実の記録です。そこへ集計用の列や手作業の修正を加えると、入力された事実と、後から加工した情報の境界が曖昧になります。

そこで、元シートは読み取り専用の情報源として扱い、新しいマスターを作ります。マスター側で列名を統一し、表記揺れを補正し、重複を判定します。その上に、目的別の集計タブやダッシュボードを置きます。

この構造なら、元データに問題があっても、補正ルールを変更して再計算できます。いつ、どのルールで処理したかも残せます。担当者が替わっても、仕組みをたどれば再現できます。自動化とは、作業時間を減らすだけでなく、業務を説明可能にすることでもあります。

事例: ヘッダーだけ見せて最短ルートを設計する

実データをすべてAIへ渡せない場合でも、設計は始められます。最初の一歩として、個人情報を含まない列名だけを示します。「Aシートは日時、氏名、メール、講座名」「Bシートは申込日、お名前、会社メール、コース」というように構造を共有します。

AIには、共通キーの候補、統一後の列名、データ型、重複判定、欠損時の扱いを提案させます。必要ならApps Scriptや関数も生成させます。ただし、コードを受け取って終わりではありません。「どこへ貼るのか」「実行前に何を確認するのか」「失敗したら元へ戻せるか」まで説明させます。

この進め方なら、人間はコードを書けなくても、目的と安全条件を管理できます。AIが技術の翻訳者となり、担当者は判断者として参加できます。

作業者からオーケストレーターへ

AIエージェント時代に重要なのは、自分の価値を「手を動かした量」で測らないことです。表を百行直した、数式を二十個作った、深夜まで集計した。それは努力ではありますが、成果そのものではありません。

求められている成果は、正しい情報が必要な時に見え、次の判断ができることです。そのために複数のAI、ツール、データ、人を組み合わせる役割がオーケストレーターです。オーケストラの指揮者がすべての楽器を演奏しないように、業務の指揮者もすべての作業を自分で行う必要はありません。

ただし、任せることと丸投げは違います。目的、守るべき条件、完成の基準を示し、途中の結果を確認する責任は人間に残ります。AIの提案がもっともらしくても、集計条件が間違っていれば意思決定を誤ります。担当者は数字の意味と業務の背景を理解し、検算できなければなりません。

つまり、手作業が減るほど、人間の仕事は小さくなるのではなく、上流へ移ります。何を測るか。どの誤差を許容するか。誰に見せるか。その数字から何を決めるか。ここに時間を使えるようになります。

「自分でやった方が早い」を越える

AIへ依頼すると、最初は説明や確認に時間がかかります。そのため、慣れた人ほど「今回は自分でやった方が早い」と感じます。一度だけの作業なら、実際にそうかもしれません。

しかし業務では、同じ集計が翌週、翌月にも戻ってきます。人手なら毎回一時間かかる仕事も、仕組みにすれば確認だけで終わります。比較すべきは今日の一回ではなく、今後繰り返される回数を含めた総時間です。

さらに、属人化のコストも考える必要があります。担当者が休むと止まる。異動すると作り直す。数字の根拠を説明できない。こうした見えにくい負担まで含めると、一度設計する価値は大きくなります。

事例: 週次・月次レポートを繰り返せる仕組みにする

初回は、六つのシートから受講者数を集め、部署別の表を作るだけだったとします。AIへ「来週も同じ形式で更新したい」と伝えると、処理手順を固定し、追加データだけを取り込み、エラー一覧を別タブへ出す設計へ発展させられます。

次に「経営会議では前月比と未受講者だけを見たい」と伝えれば、ダッシュボードを追加できます。「現場責任者には自部署だけ見せたい」と条件を加えれば、共有方法や権限設計も検討できます。

このように、一度の集計を繰り返せる業務基盤へ育てます。最初から完璧なシステムを目指す必要はありません。まず一つの数字を正しく出し、次に更新を自動化し、その後に表示や権限を整える。小さく始め、会話で広げることが現実的です。

AIが出した最初の案を育てる

AIが最初に出す答えは、完成品ではなく、たたき台です。こちらが持っている情報が少なければ、一般的な案になります。実際の列名、例外、判断したい内容を返すほど、設計は現場へ合っていきます。

たとえば、単純な人数集計ができたら、「数字が動いた要因も説明して」と頼みます。部署別の差が見えたら、「受講率が低い部署の共通点を探して」と深掘りします。さらに、「経営向けに三行で要約し、現場向けには具体的な対応案を出して」と、相手に応じた表現へ変えられます。

大切なのは、AIの回答を採点して終わらないことです。違うなら、どこが違うかを伝える。足りないなら、判断条件を足す。望む結果へ近づくまで対話を続けます。AIを検索窓として使うだけでなく、成果へ到達するまで伴走させるのです。

私自身は、こうした場面で自分用の「AI変革の鬼コーチ」に相談します。優しく肯定するだけではなく、「なぜ人がその作業を続けるのか」「そもそも集計は必要なのか」「判断へつながっているのか」と問い返す役割を持たせています。自動化する前に、不要な仕事を見つけるためです。

人間が残すべき判断と責任

AIに任せる範囲が広がっても、最終責任まで消えるわけではありません。特に、個人情報、機密情報、評価、契約、法令に関わるデータでは、入力先、共有範囲、保存方法を確認する必要があります。

また、集計結果が正しいかを確かめる基準も必要です。元データの総件数と一致するか。重複を除いた件数は妥当か。例外として除外された行は何件か。既知のサンプルで期待した結果になるか。AIへ検証方法も作らせ、人間が確認します。

数字が合っていても、解釈が正しいとは限りません。受講率が低い部署を「意欲がない」と決めつけるのか、繁忙期や勤務形態を確認するのかで、打ち手は変わります。AIは傾向を見つけられますが、その背景を関係者へ聞き、組織として判断する役割は人間にあります。

AI活用の目的は、人間を判断から外すことではありません。転記、整形、集計、定型レポートなど、機械が担える部分を渡し、人間が責任ある判断へ集中できる状態を作ることです。

今日から試すための五つのステップ

第一に、毎週または毎月繰り返している集計を一つ選びます。大規模な全社システムではなく、担当者が手順を説明できる仕事から始めます。

第二に、完成形を言葉にします。「どの会議で、誰が、何を判断するための数字か」を明確にします。表を作ること自体を目的にしません。

第三に、元データの場所と列名をAIへ伝えます。実データを扱う前に、機密性を確認し、必要なら匿名化したサンプルやヘッダーだけで相談します。

第四に、「元データは変更しない」「私はコードを書かない」「操作は一つずつ説明する」「検証方法も示す」と制約を伝えます。AIに最短ルートと安全策を同時に設計させます。

第五に、一回で完成させようとせず、少量のデータで試します。件数、重複、例外を確認し、正しければ対象を広げます。完成後は手順を残し、翌週も同じ方法で更新できるか試します。

AI時代の仕事の変化をさらに考える手がかりとして、私の著書『マインド・トランスフォーメーション AI時代の思考革命』も、必要に応じて手に取っていただければと思います。道具を導入するだけでなく、人間側の役割や思考をどう変えるかを掘り下げています。

目の前に複数のスプレッドシートが並んだとき、すぐにセルを直し始めないでください。まずAIへ「この仕事の決着は何か」と相談する。元データを守り、マスターを作り、繰り返せる流れにする。そして人間は、数字をどう使うかに集中する。

「その集計作業、まだ自分がやるのか」。この問いを日々の仕事へ持ち込むことが、AIエージェントを具体的に実装する第一歩です。

よくある質問（FAQ）

重要なキーワード解説

著者紹介