AI開発における要件定義の進め方｜AI活用の手順や注意点も解説

AI開発を進めるうえで、要件定義は成果を大きく左右する工程です。

とくに生成AIや機械学習を含む案件では、「何を実現したいのか」だけでなく、「どの程度の精度が必要か」「どのデータを使うのか」「誤回答や予測ミスをどう扱うのか」まで整理しなければ、開発が進んでも現場で使えない仕組みになりかねません。

また、一般的なシステム開発とは異なり、AIは事前に性能を完全には確定できないケースもあります。

そのため、最初からすべての仕様を固定するのではなく、仮説を立ててPoCで検証しながら、精度目標やデータ要件を具体化していく考え方も重要です。

そこで、こちらの記事では、AI開発における要件定義の基本から、決めるべき項目、具体的な進め方、精度目標の設定、PoCとの関係、要件定義書に盛り込む内容、失敗を防ぐポイントまで実務目線で解説します。

AI開発を発注する前に要件を整理したい方や、社内でAIプロジェクトを立ち上げようとしている方は、ぜひ参考にしてください。

AI開発における要件定義とは

AI開発における要件定義とは、解決したい業務課題を明確にし、そのために必要な機能、データ、精度、システム条件、運用方法などを具体化する工程です。

一般的なシステム開発でも要件定義は重要ですが、AI開発では「同じ入力に対して常に同じ出力になる」とは限らないため、従来以上に前提条件や評価基準の整理が欠かせません。

たとえば、問い合わせ対応AIを開発する場合、単に「質問に答えるチャットボットが欲しい」と決めるだけでは不十分です。

どの情報を参照するのか、どこまで自動回答するのか、回答精度をどう評価するのか、回答できない場合はどうするのか、誤回答が起きたときに人が介入するのか、といった条件まで決める必要があります。

AI開発の要件定義では、機能要件だけでなく、精度要件・データ要件・非機能要件・運用要件まで含めて整理することが重要です。

また、AI案件では、業務部門、情報システム部門、開発会社の間で認識がずれやすい傾向があります。

そのため要件定義は、単に仕様書を書く作業ではなく、関係者の認識を揃えて「何を実現できればプロジェクト成功なのか」を言語化する工程と考えるとよいでしょう。

AI開発で要件定義が難しくなる理由

AI開発で要件定義が難しい理由の一つは、開発前の段階で最終的な性能を完全には予測しにくいことです。

通常の業務システムであれば、入力、処理ルール、出力条件を定義することで、比較的明確に動作を決められます。

一方、生成AIや機械学習では、利用するモデル、学習・参照データの品質、プロンプト、検索方式などによって結果が変化します。

そのため、要件定義時点で「この仕様なら必ずこの精度になる」と断定できないケースもあります。

さらに、業務課題が曖昧なままAI導入の話だけが先行しやすい点も難しさの一因です。

「生成AIで効率化したい」「AIで予測したい」という相談だけでは、実際に誰のどの業務を改善するのか、現在どれだけ時間がかかっているのか、何％改善すれば投資効果があるのか判断できません。

この状態で要件定義を進めると、目的ではなくAIという手段が中心になり、開発後の評価も曖昧になります。

また、AI特有の精度要件やデータ要件もあります。

どのデータを利用できるのか、十分な量と品質があるのか、誤判定をどこまで許容するのか、回答できない場合にどう処理するのかなどを事前に整理する必要があります。

加えて、回答速度、可用性、ログ保存、権限管理、個人情報、外部API利用時のセキュリティなど、一般的な非機能要件も欠かせません。

AI案件では「開発できるか」だけでなく、「必要な精度を実現できるか」「安全に業務運用できるか」まで要件定義の段階で考える必要があります。

AI開発の要件定義で決めるべき項目

AI開発の要件定義では、機能だけを一覧化しても十分ではありません。

少なくとも、業務要件、機能要件、精度・評価要件、データ要件、非機能要件、運用要件の6つに分けて整理すると、抜け漏れを防ぎやすくなります。

業務要件

業務要件では、AIを導入する目的と、解決したい業務課題を明確にします。

たとえば、問い合わせ対応AIであれば、「問い合わせ担当者の回答作成時間を短縮する」「一次回答を自動化する」「担当者ごとの回答品質の差を減らす」といった目的が考えられます。

この段階では、現在の業務フロー、対象ユーザー、業務量、課題、期待する効果などを整理しましょう。

• AI導入の目的
• 解決したい業務課題
• 対象となる業務
• 対象ユーザー
• 現在の業務フロー
• 導入後に実現したい状態
• KPI・期待効果

機能要件

機能要件では、AIシステムにどのような処理をさせるのかを具体化します。

問い合わせ対応AIであれば、質問入力、関連情報の検索、回答生成、参照元表示、回答履歴保存、担当者へのエスカレーションなどが候補になります。

画像認識AIであれば、画像アップロード、対象物の検出、分類、異常判定、結果保存など、AIの種類によって必要な機能は異なります。

重要なのは、AIモデルの機能だけを見るのではなく、実際の業務フローのなかで必要になる前後の処理まで整理することです。

精度・評価要件

AI開発では、どの程度の性能が出れば業務で利用できるのかを定義する必要があります。

ただし、「高精度にする」「できるだけ正確にする」といった表現では要件になりません。

何を評価対象とし、どのデータで、どの指標を使い、どの水準なら合格とするのかまで決めます。

また、平均精度だけでなく、誤判定した場合の業務影響も考慮しましょう。

たとえば、見逃しが大きな損失につながる異常検知では、単純な正解率よりも見逃し率を重視する場合があります。

生成AIの場合は、正確性だけでなく、回答の関連性、根拠性、回答不能時の挙動なども評価対象になります。

データ要件

AIの性能は、利用するデータの量や品質に大きく左右されます。

そのため要件定義では、どのデータを利用するのか、どこに保存されているのか、利用権限に問題がないか、学習や評価に十分な品質かを確認します。

• 利用するデータの種類
• データ量
• 保存場所
• データ形式
• 欠損や重複の有無
• ラベル付けの有無
• 更新頻度
• 個人情報・機密情報の有無
• 学習・利用に必要な権利

「AIを作り始めてからデータが足りないと判明する」という状況を防ぐためにも、データ調査は要件定義の早い段階で行うことが重要です。

非機能要件

非機能要件では、AIが何をするかではなく、どのような条件でシステムを利用できる必要があるかを決めます。

• 応答速度
• 同時利用者数
• 可用性
• バックアップ
• ログ保存
• アクセス権限
• 認証方式
• 個人情報・機密情報の取り扱い
• 外部APIへのデータ送信条件

AIモデルの性能に注目しすぎると見落としやすい部分ですが、本番運用では非常に重要です。

運用要件

AIシステムは、リリース後も継続的な評価や改善が必要になる場合があります。

そのため、誰が運用するのか、どのタイミングで精度を確認するのか、問題が発生した場合に誰が対応するのかまで整理しておきましょう。

• 運用担当者
• 問い合わせ窓口
• モデル・プロンプトの更新方法
• データ更新方法
• 精度のモニタリング方法
• 障害時の対応
• 人が確認・承認する範囲

AIに任せる範囲だけでなく、人が判断する範囲まで定義しておくことが、安定した運用につながります。

AI開発の要件定義を進める手順

AI開発の要件定義は、一般的に次の流れで進めます。

1. AIで解決したい業務課題と目的を整理する
2. 対象業務と現行フローを整理する
3. 必要な機能と利用シーンを定義する
4. 利用するデータとデータ品質を確認する
5. 精度目標と評価方法を決める
6. 非機能要件・セキュリティ要件を整理する
7. 運用方法と人が介入する範囲を決める
8. PoCで検証する項目を決める

最初の段階で重要なのは、AIを導入すること自体を目的にしないことです。

まず「どの業務に、どのような課題があるのか」を確認します。

たとえば「問い合わせ対応が大変」という課題であれば、問い合わせ件数、担当者数、回答時間、使用している情報源、回答ミスの発生状況などを調べます。

次に、AI導入後にどの業務をどのように変えたいのかを整理します。

すべて自動化する必要はなく、情報検索だけAIに任せる、回答案だけ生成する、担当者の確認後に送信する、といった設計も考えられます。

そのうえで必要な機能、データ、精度、セキュリティ、運用条件を具体化していきます。

AI開発では不確実な要素も残るため、要件定義時点で確定できない項目については、PoCで何を検証するのかを明確にしておくことも重要です。

ヒアリング内容を要件に落とし込む方法

要件定義では、現場の要望をそのまま仕様へ変換するのではなく、実装・評価できる形へ具体化する必要があります。

現場ヒアリングでは、「もっと早くしてほしい」「精度を高くしてほしい」「使いやすくしてほしい」など、抽象的な要望が出ることも少なくありません。

こうした表現を、そのまま要件定義書へ記載しても、開発側と利用側で完成イメージが一致しません。

実務では、まずヒアリング内容を次のような観点に分類すると整理しやすくなります。

• 現在の業務
• 現在発生している課題
• 理想とする状態
• 対象ユーザー
• 利用シーン
• 制約条件
• 例外ケース

そのうえで、業務要件、機能要件、精度要件、非機能要件、運用要件へ落とし込みます。

たとえば「回答が遅い」という課題であれば、「現在は平均10分かかっている」「一次回答を3分以内にしたい」のように測定可能な条件へ変換します。

「精度を高くしたい」であれば、対象となる精度指標と評価データ、合格水準を決める必要があります。

「安全に使いたい」であれば、アクセス権限、ログ保存、個人情報、外部サービスへのデータ送信条件などへ分解します。

要望をそのまま記載するのではなく、「測定できる条件」「確認できる条件」へ変換することが要件定義のポイントです。

AI開発では精度目標と評価方法をどう決める？

AI開発の要件定義で、とくに重要なのが精度目標と評価方法です。

一般的なシステムでは「この操作をするとこの処理を実行する」と仕様を定義できますが、AIでは確率的な出力を扱うケースが多くあります。

そのため、「100％正しいAIを作る」といった要件ではなく、業務上どこまでの性能が必要なのかを決める必要があります。

また、AIの種類によって適切な評価方法は異なります。

• 画像認識：Precision、Recall、F1スコアなど
• 異常検知：検出率、誤検知率、見逃し率など
• 需要予測：MAE、RMSEなど
• 生成AI：正確性、関連性、根拠性、回答拒否の妥当性など
• RAG：検索精度と回答生成精度を分けて評価

たとえば製造業の外観検査では、不良品の見逃しが大きな損失につながる場合、全体の正解率よりも不良品をどれだけ検出できるかを重視することがあります。

一方、生成AIを使った社内FAQでは、単純な正答率だけではなく、参照している根拠が正しいか、答えられない質問に無理に回答していないかといった観点も必要です。

さらに、本番環境で発生するデータと似た条件で評価用データを準備することも重要です。

評価しやすいデータだけで高い精度が出ても、実際の利用環境で同じ性能が出るとは限りません。

精度要件では「何％を目指すか」だけでなく、「何を、どのデータで、どの指標を使って評価するか」まで決めることが重要です。

AI開発では要件定義とPoCをどう進める？

AI開発では、要件定義だけですべての仕様を確定するのが難しい場合があります。

そのため、不確実性の高い項目については、PoCで検証しながら要件を具体化していく進め方が有効です。

基本的には、次のような流れになります。

1. 業務課題と目的を整理する
2. 仮の要件と成功条件を設定する
3. PoCで技術的な実現可能性や精度を検証する
4. 検証結果を評価する
5. 必要に応じて要件を見直す
6. 本開発の要件を確定する

たとえば画像認識AIを開発する場合、要件定義の段階で「不良品検出率95％以上を目指す」と仮置きしても、実際の画像データを使わなければ実現可能か判断できないことがあります。

そこでPoCを行い、現在保有しているデータでどの程度の精度が出るのかを確認します。

結果によっては、追加データ収集、撮影環境の変更、ラベル修正、モデル変更などが必要になるでしょう。

生成AIやRAGでも同様に、回答精度や検索精度を実際の業務質問で評価したうえで、本番要件を決めていく方法があります。

ただし、PoCを始める前に成功条件を決めておかなければ、「思ったより良かった」「なんとなく使えそう」といった曖昧な評価になりかねません。

AI開発では「要件定義をしてからPoC」ではなく、「仮説として要件を置き、PoCで検証し、要件を更新する」と考えると進めやすくなります。

AI開発の要件定義書に盛り込む項目

要件を整理したら、関係者が共通認識を持てるよう要件定義書へまとめます。

案件によって内容は異なりますが、AI開発では次のような項目を整理しておくとよいでしょう。

• プロジェクトの背景
• AI導入の目的
• 対象業務
• 対象ユーザー
• 現行業務フロー
• 導入後の業務フロー
• 対象範囲・対象外範囲
• 機能要件
• データ要件
• 精度目標・評価方法
• 非機能要件
• セキュリティ要件
• 例外処理
• 人へのエスカレーション条件
• 運用・保守体制
• PoCで確認する項目
• PoCの成功基準
• 前提条件
• 制約事項
• 未決事項

すべてを最初から確定できない場合は、無理に埋める必要はありません。

未確定の項目は「未決事項」「PoCで検証」「追加ヒアリングが必要」などと明記し、誰がいつまでに確認するのかを決めておきましょう。

不明点を推測で埋めるよりも、未確定事項として可視化した方が後工程の手戻りを防ぎやすくなります。

要件の抜け漏れ・矛盾・曖昧表現をチェックするポイント

要件定義の品質を左右するのは、要件を書き出すことだけではなく、確定前のレビューです。

AI案件では、とくに抜け漏れ、矛盾、曖昧表現が後工程の手戻りにつながりやすくなります。

レビュー時は、少なくとも次の観点を確認しましょう。

• 業務課題とAI導入目的がつながっているか
• 目的とKPIが対応しているか
• 対象業務と対象外業務が明確か
• 入力データと出力結果が具体化されているか
• 利用できるデータが本当に存在するか
• 精度目標と評価方法が定義されているか
• 誤判定・誤回答時の処理が決まっているか
• 人が判断する範囲が明確か
• 運用担当者と責任分界点が明確か
• セキュリティ・権限・ログ要件が整理されているか
• 曖昧な表現が測定可能な条件へ置き換えられているか

とくに注意したいのが、「適切に」「なるべく」「高精度で」「柔軟に」「高速に」といった言葉です。

こうした表現は一見わかりやすいものの、利用側と開発側で解釈が分かれる可能性があります。

たとえば「高速に回答する」ではなく「通常時は3秒以内を目標とする」のように、可能な範囲で測定できる条件へ落とし込みます。

誰が読んでも完成条件を同じように判断できる状態を目指すことが、要件レビューの基本です。

AI開発の要件定義でよくある失敗例

AI開発では、要件定義の進め方を誤ると、技術的には動いていても業務では使われないシステムになることがあります。

代表的な失敗例を確認しておきましょう。

AI導入そのものが目的になる

「生成AIを使いたい」「画像認識AIを導入したい」というところから始まり、解決したい業務課題が曖昧なまま進むケースです。

AIは手段であるため、まず業務課題と期待する成果を明確にする必要があります。

精度目標を決めずに開発する

「高精度なAIを作る」だけでは、完成したシステムを評価できません。

どの指標を使い、どの水準を目指し、どのようなデータで評価するのかを整理しましょう。

AIに100％の正確性を求める

AIの用途によっては、すべての入力に対して100％正しい結果を出すことを保証するのが難しい場合があります。

そのため、誤判定が発生した場合の業務影響を踏まえ、どこまで自動化し、どこから人が確認するのかを設計する必要があります。

データを確認せずに要件を決める

十分なデータがない、データ品質が低い、必要なデータを業務上利用できない、といった問題が後から判明すると、開発方針そのものを変更しなければならない場合があります。

データの所在、量、品質、利用条件は要件定義段階で確認しましょう。

通常時の業務だけを想定する

通常ケースだけで要件を設計すると、本番運用で例外処理に対応できなくなることがあります。

回答できない、信頼度が低い、データが存在しない、システム障害が起きた、といったケースも整理しておくことが重要です。

PoCの成功条件を決めない

「とりあえず試してみる」という状態でPoCを始めると、検証後に本開発へ進むべきか判断できません。

PoCでは、何を検証し、どの結果なら本開発へ進むのかを事前に決めておきましょう。

AI開発の要件定義にかかる費用目安

AI開発にかかる費用は、要件定義だけを支援してもらうのか、PoCや本開発まで依頼するのかによって大きく変わります。

また、同じ要件定義でも、ヒアリング対象となる部門数、業務の複雑さ、データ調査の有無、技術検証の必要性などによって工数は異なります。

要件定義費用が変わる主な要因には、次のようなものがあります。

• 対象となる業務の数
• ヒアリングする部門・担当者の数
• 業務フローの複雑さ
• データ調査の必要性
• 既存システムとの連携
• 求める精度水準
• セキュリティ要件
• PoC設計まで含むか

見積もりを見るときは、要件定義・設計・PoC・実装・テストのどこまでが含まれているのかを確認しましょう。

また、PoC費用と本開発費が分かれているか、API利用料やクラウド費用が別途発生するか、データ整備費用が含まれているかも確認したいポイントです。

金額だけではなく、要件定義後にどのような成果物が残るのかまで比較すると、開発会社を選びやすくなります。

よくある質問

Q.1 AI開発における要件定義とは何ですか？

AI開発における要件定義とは、解決したい業務課題を明確にし、そのために必要な機能、データ、精度、非機能条件、運用方法などを整理する工程です。一般的なシステム開発に加えて、精度の評価方法や利用するデータ、誤判定時の対応などを決めることが重要です。

Q.2 通常のシステム開発とAI開発の要件定義は何が違いますか？

AI開発では、要件定義時点で最終的な精度を完全に確定できない場合がある点が大きな違いです。そのため、機能要件だけでなく、データ要件、精度目標、評価方法を整理し、必要に応じてPoCで実現可能性を検証しながら要件を具体化します。

Q.3 AI開発の要件定義では何を決めますか？

主に、業務目的、対象範囲、機能、利用データ、精度目標、評価方法、非機能要件、セキュリティ、運用方法、人が判断する範囲などを整理します。また、要件定義時点で確定できない項目については、PoCで何を検証するのかを決めておくことも重要です。

Q.4 AI開発では要件を最初からすべて確定する必要がありますか？

必ずしもすべてを最初から確定できるとは限りません。とくに精度やデータの有効性などは、実際に検証しなければ判断できない場合があります。そのため、仮の要件を設定し、PoCで検証した結果をもとに本開発の要件を更新する進め方があります。

Q.5 AI開発の精度要件はどのように決めますか？

まず、AIの出力ミスが業務へどの程度影響するかを整理します。そのうえで、画像認識であればPrecisionやRecall、需要予測であればMAEやRMSE、生成AIであれば正確性や根拠性など、用途に合った評価指標を選びます。数値目標だけでなく、評価データと評価方法まで定義しておくことが重要です。

Q.6 AI開発では要件定義とPoCのどちらを先に行いますか？

一般的には、まず業務課題や目的、仮の要件、PoCの成功条件を整理したうえでPoCを実施します。その結果をもとに精度やデータ要件などを見直し、本開発へ向けた要件を具体化していく流れが考えられます。

AI開発の要件定義を精度高く進めよう

AI開発の要件定義で大切なのは、AIを導入すること自体を目的にするのではなく、どの業務課題を、どのような状態まで改善したいのかを明確にすることです。

そのうえで、機能要件だけでなく、精度要件、データ要件、非機能要件、運用要件まで整理する必要があります。

とくにAI開発では、開発前に性能を完全には確定できないケースもあるため、要件を最初から固定しすぎないことも重要です。

不確実な部分については、仮の目標を設定し、PoCで実際のデータを使って検証しながら本開発の要件を具体化すると進めやすくなります。

要件定義書を作成するときは、目的とKPI、対象範囲、機能、利用データ、精度の評価方法、例外処理、運用体制まで確認しておきましょう。

これらが曖昧なままだと、開発途中の手戻りや追加費用、導入後の期待外れにつながりやすくなります。

まずは対象業務の現状を整理し、誰がどの場面で困っているのか、AIによって何を改善したいのかを具体化するところから始めてみてください。

自社だけで要件整理や技術判断を進めるのが難しい場合は、AI開発の上流工程やPoC設計に対応できる開発会社へ相談するのも一つの方法です。

初期段階で要件と評価方法を整理しておくことで、本開発へ進んだあとの手戻りを減らし、AI導入の成果を評価しやすくなるでしょう。