機械学習システムなり世間でAI（人工知能）と呼ばれるものを事業に導入したいという企業は多いが、その実現は簡単ではない。「何をやるべきか」という開発以前の段階でストップしがちだからだ。
NTTデータは2020年7月から「AI開発プロセス」なるものを体系化して案件に試行適用しているようだ。そのプロセスは以下のようなものである。この中でAIモデル開発は「ビジネス仮説導入→AI方針検討→AI設計→データ準備→データ加工→AI構築→AI検証」と細分化され、AIシステム開発は「要件定義→データ・モデル設計→開発→モデル学習・評価→システムテスト」と細分化される。
出典：NTT「AI開発プロセス」を体系的に整理し、AI案件への試行適用を開始
AIモデル開発とAIシステム開発の部分についてはどの企業でも名称は違えど、概ね似たような工程をたどるだろう。しかし、プロセスで最も難しいのはそれ以前の「企画・提案」の部分からAIモデル開発における「ビジネス仮説導入」「AI方針検討」までである。
これこそが「（実現性や有効性はともかく）何をするのか」の部分だが、この部分のプロセスを確立することは簡単ではない。
恐らく、機械学習システムについての多くの事例を集めるなどして、自社への適用を考えるだろう。しかしそこが落とし穴である。世の中で強調される人工知能なり機械学習なりの事例は「大きなもの」が多いからだ。全く新しいニーズを掘り起こすような画期的なものであったり、大規模な学習を必要とするものであったりすることが多いのだ。そうした事例でないと企業としてニュースの価値が少ないからだ。
体力があって予算も潤沢にある会社であれば、こうした事例を参考に新システムを考案すれば良いが、多くの企業はそうではない。そうした企業が、華々しい人工知能の事例を参考にしても「データが集まらない」「予算が足りない」「夢見がち過ぎて技術的に難しい」など実現性に欠けるものが提案されがちである。
人工知能を企業に導入する場合、いきなり大きな事を実現しようとすることを考えるのを避けるべきである。まずは社内の業務プロセスを細分化して、生じている問題を洗い出す事から始めるべきである。
効率が著しく落ちるプロセスが存在しないか、定型的な手作業が発生していないかなどを明らかにするわけである。著しく生産性が低いプロセスがあるのであれば、その原因（手法が悪い、従業員の集中力の問題など）を明らかにすれば、その工程を自動化したり、プロセスを変更したり、或いは従業員自体を監視したりと様々な方法を検討できる。定型的な作業、例えば手書きの作業があるのなら画像認識を使って自動化できるかもしれない。
これはRPAを導入する時にも同様の事が検討されることが多いが、これが人工知能なり機械学習システムなりになっても基本的には同様である。また、いきなり人工知能にいくのではなく、単にマクロレベルで解決できることかもしれないし、統計的な処理で何とかなるレベルかもしれない。
