この記事の目的：「生成AIで何でもできる」という誤解を解き、生成AIが扱える問題を「自然言語ベース」と「数値ベース」の2つに分けて整理します。特に数値ベースの問題（需要予測・最適化・統計分析）に生成AIを使ってはいけない理由を、技術的な背景とともに解説します。読み終わった時点で、自社の課題が生成AI向きかそうでないかを判断する基準を持ち帰れます。

はじめに：生成AIには「2つの壁」がある

ChatGPT・Claudeなどの生成AIは強力ですが、扱う問題によって得意・不得意がはっきり分かれます。

その境界線は「自然言語ベースか、数値ベースか」という性質の違いです。

自然言語ベースの問題 → 生成AIが得意
数値ベースの問題 → 生成AIは限界がある

この区別を知らずに、生成AIで全ての問題が解けると考えて導入を進めると、需要予測や最適化問題で失敗するということが頻発します。

「自然言語ベースの問題」とは

自然言語ベースの問題とは、扱うデータと求める出力が文章・言葉である問題です。

工場・製造現場での代表例

朝会・会議の議事録を要約する
ベンダーへの問い合わせメールのドラフト作成
古い作業マニュアルを新人向けに書き直す
過去の不具合報告書から類似事例を検索する
問い合わせメールを内容別に自動分類する
海外取引先とのメール翻訳

共通する特徴

入力：文章
出力：文章
正解が一つに定まらない（「うまく要約された」と言える形が複数ある）
創造性・柔軟性が必要

「数値ベースの問題」とは

数値ベースの問題とは、扱うデータと求める出力が数値・データである問題です。

工場・製造現場での代表例

来月の需要を予測する
制約条件下で最適な生産計画を立てる
センサーデータから設備故障の予兆を検知する
不良率を統計的に分析する
在庫の最適発注量を計算する
生産ラインの稼働率（OEE）を集計する

共通する特徴

入力：数値データ（売上、在庫、センサー値など）
出力：数値（予測値、最適解、統計量）
正解が一つ（または最適解）に定まる
精度・再現性が重要

2つの問題の違いを整理する

問題の2分類と適した技術

TYPE A

自然言語ベース

扱うのは文章・言葉

入力文章
出力文章
正解複数あり得る
重要なもの創造性・柔軟性
適した技術生成AI

TYPE B

数値ベース

扱うのは数値・データ

入力数値データ
出力数値・最適解
正解一つに定まる
重要なもの精度・再現性
適した技術機械学習・最適化

なぜ生成AIは数値ベースに限界があるのか

ここが本記事の核心です。

生成AIの本質は、「文章として自然な続きを書く」モデルです。インターネット上の膨大なテキストを学習し、「ある単語の次に来やすい単語の確率」を学んでいます。

生成AIの内部動作

Input

大量の文章を学習

Web上の文書を読み込む

Process

確率モデル化

次に来る単語の確率を計算

Output

自然な文章を生成

確率的にもっともらしい続き

Input

大量の文章を学習

Web上の文書を読み込む

Process

確率モデル化

次に来る単語の確率を計算

Output

自然な文章を生成

確率的にもっともらしい続き

つまり、生成AIは**「言語パターンの模倣」が得意な技術**であり、本質的に以下の特性を持ちます。

得意なこと：文章として自然な答えを返す

苦手なこと：

正確な数値計算をする
統計的な根拠から数値を導き出す
制約条件下での最適解を求める

これは技術設計の本質的な制約です。「もうすぐ改善される」性質のものではありません。

数値ベースに生成AIを使うとどうなるか

具体例で見ていきます。製造業や事業会社でよく起きる失敗です。

例1：需要予測

ChatGPTに過去の販売データを渡して来月の需要予測を依頼すると、もっともらしい数字が返ってきます。

しかし、その数字には統計的な根拠がありません。生成AIは文章として自然な数字を返しているだけで、時系列分析の手法（ARIMA、機械学習モデルなど）に基づいた計算をしているわけではありません。

→ 実務で使えるレベルの精度は出ません。

例2：最適化問題

複数工場・複数製品の生産計画の最適化を依頼すると、それらしい計画案が返ってきます。

しかし、それは数学的に最適な解ではありません。最適化問題は数理最適化アルゴリズム（線形計画法など）で解くべきもので、生成AIの守備範囲外です。

→ 制約条件を満たすが最適ではない、または制約を破る案が出てくることが頻繁にあります。

例3：大量データの集計

数千〜数万件規模の売上データの集計を依頼すると、生成AIは集計を試みます。

しかし、1,000件を超えるとほぼ確実に間違えます。生成AIは数値計算が苦手なので、合計や平均ですら誤差が発生します。

→ Excel・SQL・Pythonの方が正確で速いです。

数値ベースには別の技術を使う

数値ベースの問題には、それぞれ専門の技術があります。

数値ベースの問題	適切な技術	コスト感
数値の予測	時系列モデル、機械学習	数百万〜
最適化問題	数理最適化（OR-Tools・Gurobiなど）	OSSなら0円〜
大量データの集計	SQL・Python・BIツール	ライセンス料
異常検知（複雑）	機械学習・深層学習	数百万〜
単純な計算	電卓・Excel	0円

これらは「枯れた技術」と呼ばれることもありますが、それぞれの問題に対しては生成AIより圧倒的に正確です。

生成AIと別技術を組み合わせる

実務では、両方を組み合わせるのが正解です。

たとえば需要予測の業務フロー：

機械学習モデルが予測値を出す（数値ベース）
生成AIが予測値を自然言語で経営層に説明する（自然言語ベース）
異常な予測について、生成AIが複数の仮説を提示する（自然言語ベース）
仮説の検証は統計手法で行う（数値ベース）

このように「数値の正確性は別技術」「文章としての説明・整理は生成AI」と役割分担するのが実用的です。

自社の課題を見極める3つの問い

最後に、自社の課題が生成AI向きか別技術向きかを判断する3つの問いをお伝えします。

問い1：求める答えは「文章」か「数値」か？

文章（要約、説明、提案、ドラフト） → 生成AIが向く
数値（予測値、最適解、統計） → 別技術

問い2：正解は「複数あり得る」か「一つに定まる」か？

複数あり得る（アイデア、表現、提案） → 生成AI
一つに定まる（計算結果、最適解） → 別技術

問い3：扱うデータは「文章」か「構造化データ」か？

文章（議事録、メール、マニュアル） → 生成AI
構造化データ（売上、センサー値） → 別技術

3つすべてが「文章寄り」なら生成AIが有効です。1つでも「数値寄り」なら、生成AI単独では不十分と考えるべきです。

おわりに：壁を理解すれば、強力な道具になる

生成AIは万能ではありませんが、壁を理解した上で使えば極めて強力な道具です。

自然言語ベースの業務（文章作成・要約・ブレスト・分類） → 月額数千円で大きな成果
数値ベースの業務（予測・最適化・統計分析） → 別の専門技術が必要

生成AIに全てを任せるのではなく、できること・できないことを切り分けて使う――これが成功する企業の共通点です。

Delight Flowでは、生成AIの業務活用支援や、数値ベースの課題に対する効率化ツールの設計・導入を承っています。「自社の業務に生成AIが活かせそうか」を無料で診断することも可能です。お気軽にご相談ください。

最後までお読みいただきありがとうございました。

本記事は2026年5月時点の生成AI技術に基づいて執筆しています。技術発展に応じて内容を定期的に更新します。

工場業務に生成AIを使う前に｜自然言語と数値の境界線