一言で言うと
大規模言語モデル（LLM: Large Language Model）が秘書的・事務的業務で「十分に使える」水準になったことで、専門スタッフを雇う余裕のない小規模事業者にも実用的な選択肢が生まれています。ただし効果が出るかどうかは、ツールの性能より「どの業務に当てるか」の判断が先に来ます。
何が起きているのか
MIT Technology ReviewのニュースレターシリーズMaking AI Workは、小規模事業者がAIをどう実務に使っているかを2件の事例とともに紹介しました。
事例1: ロンドンの個人家庭教師（数学・哲学）
Sam Finnegan-Dehn氏は、Notion AI（月額20ドル）を使っています。記事では、目標設定の手順を North Star（北極星＝事業の長期目標。たとえば「年末までにクライアント数を○人にする」）と呼んでおり、その一文は本人が書き、アプリ内に溜めたメモやプロフィールをもとに AIがそこに至る具体的なステップ案を出す、という分担です。出てきた案を見て、自分が先にやる作業を選びます。教材そのものの作成はAIに任せず、記録・事務まわりに使う、と本人は述べています。
実際に任せている業務は、面談の記録と要約（学生の同意を得たうえで）、レッスンメモの下書き、請求書の作成、SNS投稿の生成などです。個人事業として運営する以上、こうした事務処理を自分でこなす必要があるが、専任の事務スタッフを雇うコストは出せない——その間を埋める位置づけです。
事例2: アリゾナ州の布地店（Grandma's Quilt Shop）
Rain（レイン）というAIツールを導入し、商品掲載の作業時間を60〜80%削減しました。ECサイトへの商品登録は、商品画像や説明文の整理・入力を繰り返す作業です。この定型繰り返し部分をAIに任せることで、作業量を大幅に圧縮しています。
記事が示す4つの指針
記事はAIを導入する際の考え方として、次の4点を挙げています。
1. 比較検討してから選ぶ — ツールは多数あり、自分の業務に合うかどうかは試して確認する 2. 自社の弱点から逆算する — 得意でない領域、時間がかかっている業務から導入先を決める 3. 既存ツールの内製AI機能を先に確認する — Shopifyなど、すでに使っているサービスにAI機能が組み込まれている場合がある 4. 機密情報にはローカルモデルを検討する — 顧客情報や財務データを扱う場合は、クラウド型ではなく自端末で動くオープンソースモデルの利用を検討する
AI業界の文脈では
今朝の朝版でIBM Researchのエンタープライズ向け「エージェントロジック」設計を取り上げました。大企業向けのAI導入が「業務構造をプログラム分析や知識グラフで先に整理する」複雑な設計を要するのに対し、今回の記事は小規模事業者向けのAI導入を扱っています。規模が違えば求められる導入設計も異なり、個人・小規模では「弱点業務を特定して、安価なクラウドツールに任せる」という判断が先行します。
LLMを活用するSaaS（Software as a Service：インターネット経由で提供されるソフトウェアサービス）ツールの月額費用は20ドル前後まで下がっており、コスト面のハードルは2〜3年前と比べると大幅に低下しています。記事が「ツールよりも判断が先」という立場を取るのは、そのコスト面が解決済みであることを前提にした論点です。
私の見立て
この記事が取り上げた2事例は、使い方の型として参考になります。Sam氏の「北極星を自分で書き、ステップはAIに生成させる」方法は、AI任せにしない人間の関与の置き方として実践的です。目標の言語化は人間がやり、そこから下の段取りはAIが埋める——この分担は、AIが得意な部分と人間が担うべき部分の境界を自然に引いています。
→ 何が変わるか: LLMツールのコストが月額数十ドルで使える水準になったことで、「AIを入れるかどうか」の判断から「どの業務から入れるか」の判断へと問いが移っています。小規模事業者にとっては、専門スタッフを雇うより先にAIツールを試す選択肢が現実的な順序になりつつあります。
→ 何をすべきか: 自分の事業や業務で「苦手・時間がかかる・繰り返しが多い」作業を一つ挙げてみることが出発点です。そこに月額20ドル前後のツールを当て、2週間試すという進め方は、投資対効果として確認しやすい規模感です。Shopifyなど既存サービスを使っている場合は、その内蔵AI機能を先に確認してから追加ツールを検討する順番が、余計なコストを避けやすいです。