Workflow Designとは
読み: ワークフロー・デザイン
Workflow DesignとはAI連携術
Workflow Designは複数のAIモデルや外部ツールをAPIで連携させ複雑な業務プロセスを自律的に処理させる設計手法を指す。単一のプロンプト入力で終わるチャット型AIの利用から脱却しシステム全体でタスクを完結させるための骨組みとなる。
かんたんに言うと
優秀だが記憶力のない新入社員に、マニュアルと社内システムへのアクセス権を渡し、どの順番で誰に報告するかを細かく指定した業務フロー図を渡すようなものである。
LLM単体の限界を超えるために複数AIとシステムを繋ぐ設計の考え方
LLM単体でできることはたかが知れている。テキストを生成して終わりである。業務で使えるレベルにするには外部システムとの連携が求められる。
ここでWorkflow Designの出番となる。
例えばOpenAIのGPT-4oとAnthropicのClaude 3.5 Sonnetを適材適所で組み合わせる。GPT-4oにデータ抽出を任せ、その結果をClaudeに渡して論理的な文章に再構成させる。これらをAPI経由で繋ぎ、途中のデータ処理をPythonスクリプトで挟む。
単一のモデルにすべてを依存するのはリスクが高い。障害発生時の切り分けも難しくなる。どの処理をどのコンポーネントに担わせるか。この切り分けのセンスが問われる。
法務と経理部門での泥臭い実用例
マーケティングのキャッチコピー生成のような遊びはもういいだろう。実務で求められるのは法務や経理の定型業務の処理である。
Difyやn8nといったノーコードツールを使えば、非エンジニアでもワークフローを組める時代になった。
ある製造業の経理部門では、取引先からPDFで届く請求書をGoogle Driveに保存した瞬間、Makeが検知してOCRでテキスト化する。そのテキストをLLMが解析し、Kintoneの所定フォーマットに流し込む。法務部門なら、契約書のドラフトをSharePointにアップロードすると、過去の類似契約書と照合してリスク箇所をSlackに通知する仕組み。
ただ、ツールが便利になればなるほど、例外処理の設計が悩ましい。フォーマット崩れにどう対応するか。現場の判断が分かれるところである。
API連携の保守コストという現実
SaaS同士を連携させたワークフローは、一度動けば魔法のように見える。だが現実は甘くない。
SaaSのAPI仕様は予告なく変更される。昨日まで動いていたDifyのワークフローが、今朝になって突然エラーを吐く。原因を追うと、連携先のクラウドストレージの認証方式が変わっていたりする。
AI特有のハルシネーションも厄介である。もっともらしい嘘をつく問題だけでなく、JSON形式で出力するようプロンプトでガチガチに固めても、ごく稀に余計な文字列を混ぜてくるモデルがある。後続のシステムがパースエラーを起こして処理が止まる。
エラー発生時にどこからリトライさせるか。この設計を怠ると、取り返しのつかないデータ不整合を引き起こす。運用フェーズに入ってから泣きを見るのはいつも現場の担当者である。
導入を決断するためのシビアな評価基準
新しいツールを入れるとき、経営層は必ずROIを求めてくる。PoCを回して効果測定をしろと。
だが、Workflow Designにおいて単純な工数削減だけでROIを測るのは危険である。既存のレガシーシステムと無理にAPI連携させようとすれば、開発コストが跳ね上がる。RPAで画面操作させた方が早いケースすらある。
社内に保守できる人間がいるかどうかも重要である。作った人間が退職した途端、誰も触れないブラックボックスと化す。
本当にその業務はAIを組み込んでまでシステム化すべきなのか。時にはやらないという決断を下すことも必要である。AIを使わない方が安定稼働する業務は山ほどある。
