AIは5種類ある — 生成AIは5分の1に過ぎない

ChatGPTに売上予測させてませんか？

「AIを導入しよう」と言われたとき、最初に思い浮かぶのはChatGPTやClaude、Geminiといった生成AIでしょう。しかし、生成AIはAIの世界のほんの一部に過ぎません。

売上予測をChatGPTに聞く。不良品検出をGPT-4に任せる。これらは「電卓でエッセイを書く」ようなものです。道具の選び方が間違っています。

AIには大きく分けて5つの種類があります。それぞれに得意なこと、苦手なことがあり、課題に応じて正しいAIを選ぶことが、AI活用の成否を決めます。

この記事では、識別AI・予測AI・会話AI・実行AI・生成AIの5分類を解説し、「自社の課題にはどのAIが最適か」を判断できる力を身につけていただきます。

---

5分類の全体マップ

まず、5種類のAIを一覧で把握しましょう。

この5つは互いに排他的ではなく、実際の製品やサービスでは複数のAIが組み合わされています。たとえばTeslaの自動運転は「識別AI（物体認識）+ 予測AI（他車の動き予測）+ 実行AI（ステアリング制御）」の組み合わせです。

しかし、課題を分解するときには「この問題は5分類のどれに当たるか」を考えることが、最適なAIを選ぶ第一歩になります。

---

1. 識別AI — 「これは何か」を判断するAI

定義

識別AI（Recognition AI）は、画像・音声・テキスト・センサーデータなどの入力を受け取り、それが何であるかを分類・判別するAIです。人間の「目」や「耳」に相当する機能をコンピュータで再現します。

代表的な技術

• 画像認識（Image Classification）: 写真の中に何が写っているかを判定する。犬か猫か、正常品か不良品か
• 物体検出（Object Detection）: 画像の中から特定の物体の位置と種類を見つける
• 音声認識（Speech Recognition）: 人間の声をテキストに変換する
• 異常検知（Anomaly Detection）: 正常なパターンから外れたデータを検出する
• OCR（光学文字認識）: 紙の書類やスキャン画像から文字を読み取る

実世界の使用例

得意なこと・苦手なこと

得意なこと:

• 人間よりも速く、大量のデータを一定品質で分類できる
• 24時間365日、疲れずに同じ精度で判定し続ける
• 人間の目では見落とす微細な差異も検出できる

苦手なこと:

• 学習データにない「未知のもの」は判定できない
• 「なぜそう判定したか」の説明が難しい（ブラックボックス問題）
• 照明条件や角度が変わると精度が落ちることがある

ポイント: 「これは何か」「正常か異常か」「AかBか」を高速に大量判定したいなら、識別AIが最適です。ChatGPTに画像を見せて「これは不良品ですか？」と聞くのは、専用の識別AIに比べて精度もコストも圧倒的に不利です。

---

2. 予測AI — 「次に何が起きるか」を当てるAI

定義

予測AI（Predictive AI）は、過去のデータのパターンを学習し、未来の数値やイベントを確率的に予測するAIです。統計学・機械学習の中核的な応用領域であり、AIの中で最もビジネスインパクトが大きい分野の一つです。

代表的な技術

• 回帰分析（Regression）: 連続的な数値（売上額、気温など）を予測する
• 時系列予測（Time Series Forecasting）: 時間とともに変化するデータの将来値を予測する
• 分類モデル（Classification）: 離散的な結果（購入する/しない、離職する/しない）を予測する
• スコアリング: 顧客やリード（見込み客）にスコア（点数）をつけて優先度を判定する
• レコメンデーション: ユーザーの行動履歴から「次に好みそうなもの」を予測する

実世界の使用例

得意なこと・苦手なこと

得意なこと:

• 大量の過去データから、人間が気づかないパターンを発見できる
• 数値化できる問題なら、人間の勘や経験則より高精度な予測が可能
• 「どの変数が結果に影響しているか」を可視化できる（特徴量重要度）

苦手なこと:

• 過去にないイベント（パンデミック、戦争など）の予測はできない
• データの質が低いと、予測精度も低くなる（ゴミを入れればゴミが出る）
• 因果関係ではなく相関関係を学習するため、「なぜ」の説明が不完全になる

ポイント: 「来月の売上はいくらか」「この顧客は解約しそうか」「このパーツは故障しそうか」。こうした問いに答えるのは予測AIの仕事です。ChatGPTに「来月の売上を予測して」と聞いても、学習データに御社の売上実績は含まれていません。

---

3. 会話AI — 「人間と対話する」AI

定義

会話AI（Conversational AI）は、人間の言葉を理解し、適切な応答を返す対話に特化したAIです。テキストベースのチャットボットから、音声アシスタントまで幅広い形態があります。

生成AIとの違いは、「会話AI」は対話の文脈管理・意図理解・タスク完了に重点を置いている点です。生成AIは汎用的にテキストを生成しますが、会話AIは「ユーザーの意図を正しく汲み取り、目的を達成する」ことに最適化されています。

代表的な技術

• 意図認識（Intent Recognition）: ユーザーの発話から「何をしたいか」を判定する
• エンティティ抽出（Entity Extraction）: 発話から日付、場所、金額などの重要情報を取り出す
• 対話管理（Dialog Management）: 会話の流れを記憶し、次に何を聞くべきかを制御する
• 音声合成（Text-to-Speech）: テキストを自然な音声に変換する
• 感情分析（Sentiment Analysis）: 発話のトーンからユーザーの感情を推定する

実世界の使用例

得意なこと・苦手なこと

得意なこと:

• 定型的な問い合わせを24時間自動で処理できる
• 複数言語への対応が比較的容易
• 人間のオペレーターの負荷を大幅に削減できる

苦手なこと:

• 想定外の質問や複雑な要望には対応しにくい
• 感情的なクレームや微妙なニュアンスの理解が難しい
• 「会話している感じ」は出せても、真の理解はしていない

ポイント: 「顧客からの定型質問を自動化したい」「電話応対を効率化したい」なら、会話AIが最適です。生成AIは「何でも答えられる」反面、業務フローに組み込むには対話設計が不十分なことが多いです。

---

4. 実行AI — 「自律的に行動する」AI

定義

実行AI（Execution AI / Autonomous AI）は、環境を認識し、判断し、物理的またはデジタルな行動を自律的に実行するAIです。他の4つのAIが「情報の処理」にとどまるのに対し、実行AIは現実世界に直接影響を与える点が最大の特徴です。

代表的な技術

• 強化学習（Reinforcement Learning）: 試行錯誤を通じて最適な行動方針を自力で学習する
• ロボティクス（Robotics）: 物理的な動作（ピッキング、組立、搬送）を自律制御する
• 自律航法（Autonomous Navigation）: 自動運転やドローンの経路計画・制御
• マルチエージェントシステム: 複数のAIが協調して複雑なタスクを遂行する
• RPA+AI: ソフトウェアロボットにAI判断を加え、定型業務を自動化する

実世界の使用例

得意なこと・苦手なこと

得意なこと:

• 危険な環境（高温、有毒、高所）での作業を人間に代わって実行できる
• 人間の反応速度では不可能な高速意思決定ができる（アルゴリズム取引など）
• 単純な反復作業を正確に、疲れずに繰り返せる

苦手なこと:

• 「想定外の状況」への対応が最大の弱点。学習していないシナリオでは危険な行動を取りうる
• 物理的なシステムなので、故障やメンテナンスのコストが発生する
• 安全性の保証が難しく、規制やルール整備が追いついていない分野が多い
• 開発・導入コストが他のAIに比べて桁違いに高い

ポイント: 「物理的な作業を自動化したい」「リアルタイムの自律判断が必要」なら実行AIの領域です。ChatGPTに「工場の作業を自動化して」と頼んでも、物理的に動くことはできません。

---

5. 生成AI — 「新しいものを作る」AI

定義

生成AI（Generative AI）は、学習した大量のデータをもとに、テキスト・画像・音声・コード・動画などを新たに生成するAIです。2022年のChatGPT登場以降、最も注目を集めている分野ですが、AI全体の中では5分の1に過ぎません。

代表的な技術

• 大規模言語モデル（LLM）: テキスト生成の基盤技術。GPT-4、Claude、Geminiなど
• 拡散モデル（Diffusion Model）: 画像生成の主流技術。ノイズから徐々に画像を復元する
• GAN（敵対的生成ネットワーク）: 2つのAIが競い合いながら精度を高める画像生成技術
• コード生成: プログラミングコードを自動生成する。GitHub Copilot、Cursor
• 音声生成: テキストから自然な音声を合成する。ElevenLabs、VOICEVOX

実世界の使用例

得意なこと・苦手なこと

得意なこと:

• テキスト、画像、コードなどのドラフト（叩き台）を高速に作成できる
• 多言語対応が得意（翻訳、多言語コンテンツ生成）
• アイデア出し・壁打ち・ブレインストーミングの相手として優秀
• 大量のパターンを学習しているため、幅広い分野の知識をカバー

苦手なこと:

• ハルシネーション（幻覚）: 自信満々にウソをつく。数値、固有名詞、引用は要確認
• 数値計算: 統計処理や正確な計算は本質的に苦手（電卓に任せるべき）
• 最新情報: 学習データのカットオフ以降の情報は知らない
• 一貫性: 長い文章の中で矛盾が生じることがある
• 責任: 生成物の正確性に対する責任を取れない

ポイント: 生成AIは「ドラフトを高速に作る」ことに圧倒的に強いですが、「正確な予測」「精密な識別」「自律的な行動」は他のAIの領域です。万能ツールではなく、5つのうちの1つであることを忘れてはいけません。

---

よくある誤解3つ

誤解1: 「生成AIに売上予測をさせる」

ChatGPTに「来月の売上を予測して」と聞いて、もっともらしい数字が返ってくることがあります。しかし、それは御社の売上データに基づいた予測ではなく、学習データの中にある一般論からの推測です。

正しいアプローチは、御社の過去の売上データ・季節変動・外部要因を予測AIに学習させることです。Amazonが需要予測に使っているのは生成AIではなく、時系列予測モデルです。

誤解2: 「生成AIで不良品検出をする」

GPT-4のマルチモーダル機能（画像入力）を使って「この製品に傷はありますか？」と聞くことは技術的に可能です。しかし、製造ラインで毎秒数十個の製品を検査するには、専用の識別AIが必要です。

生成AIは1枚の画像を数秒かけて分析しますが、製造業の検品AIは1秒間に数百枚の画像を処理します。コストも、生成AIのAPI利用料と比べて、エッジデバイス（現場設置型の専用ハードウェア）上で動く識別AIのほうが圧倒的に安価です。

誤解3: 「生成AIがあれば他のAIは要らない」

生成AIは確かに汎用的で、多くのタスクを「そこそこ」こなせます。しかし、「そこそこ」と「実用レベル」の間には大きな溝があります。

生成AIは「スイスアーミーナイフ」のようなものです。1本で多くのことができますが、本格的な料理にはちゃんとした包丁が必要ですし、木を切るにはノコギリが要ります。

---

5分類で考える — AI選定の第一歩

ここまでの内容を踏まえて、「自社の課題にはどのAIが最適か」を判断するための思考フレームワークをまとめます。

ステップ1: 課題を言語化する

まず、解決したい課題を具体的に言語化します。

• 「AIを導入したい」は課題ではありません
• 「月間の在庫切れを30%削減したい」が課題です

ステップ2: 5分類のどれに当てはまるかを判断する

ステップ3: 専門家に相談する

5分類のうちどれに該当するかがわかれば、ベンダーやコンサルタントへの相談が格段に具体的になります。「AIを導入したい」と相談するのと、「需要予測AIで在庫最適化をしたい」と相談するのでは、返ってくる提案の質がまったく違います。

---

この記事のまとめ

1. AIは5種類ある: 識別AI・予測AI・会話AI・実行AI・生成AI。生成AIは5分の1に過ぎない
2. 課題に最適なAIを選ぶ: 売上予測には予測AI、不良品検出には識別AI。生成AIに何でもやらせるのは非効率
3. 「AIを導入する」ではなく「この課題にこのAIを使う」: 5分類で考えることで、AI活用の精度が劇的に上がる

生成AIの登場で「AI = ChatGPT」という認識が広まりましたが、それは世界地図を見て「世界 = 日本」と言っているようなものです。まず全体像を把握すること。それがAI活用の第一歩です。

---

次回予告

第2回: あなたの課題にChatGPTは要らない — AI選定マトリクス

5分類を理解したら、次は「自社の課題に最適なAIをどう選ぶか」です。業種別・課題別のAI選定マトリクスを使って、「予算」「データの有無」「期待する精度」から最適なAIタイプを特定する実践的なフレームワークを解説します。