こんにちは。人間の直感とAIの予測、どちらを信じますか？ 株式会社セレンデック代表の楠本です。

最近、お客様から「AutoMLってどうなんですか？」「GPTと何が違うんですか？」と聞かれる機会が増えました。
正直、この問いが出てくる時点で、かなりアンテナ高いです（笑）

でも──その一方で、こういう声も多いんですよね。

うん、それ、めちゃくちゃわかります。
実は私自身も、最初は「AutoMLって“高そう”“難しそう”“大企業のものでしょ”」と思ってたひとりでした。

でも、いざ触ってみて──気づいたんです。
「これ、“中小企業こそ使える道具”じゃないか？」って。

今回の記事では、AutoMLの本質と、ChatGPTとの違い、そして「Googleスプレッドシートだけで始められるリアルな活用法」まで。

現場目線で、全部ぜんぶ、包み隠さずお伝えしますね。

「AutoML」ってそもそも何？──名前すら初耳な方へ

「オートエムエル…？何それ？ってところからなんですが」

──はい、それが普通です。AutoML（オートエムエル）とは、“自動機械学習”のこと。

簡単に言えば…

• AIに必要な「データの分析モデル」を自動でつくってくれる仕組み
• たとえば「売上予測」や「次に来そうなお客様予測」などを自動で作成
• 従来は専門家しかできなかった機械学習（ML）の工程を、誰でもできるようにしてくれる技術

→ 「難しい分析を自動でやってくれるAIの機能」と覚えてOKです。

そもそも論──AutoMLとGPTの違い、AIエージェントって？

「AutoMLとGPTって何が違うの？」「AIエージェントって最近よく聞くけど？」

このあたり、混乱して当然です。まずは地図を描くように、ざっくりと整理してみましょう。

→ GPTは“相談相手”、AutoMLは“分析屋”、エージェントは“マルチタスクな秘書”のようなイメージです。

「GPTに分析させればよくない？」──できること、できないこと

「CSVファイル読み込ませて、GPTに“売れ筋分析して”って言ったら済むんじゃ…？」

──これ、実は私も最初やってました（笑）

GPTでできること

• 小規模なCSVの要約、傾向抽出
• グラフの解釈、分析方針の提案
• フィルター・ピボットの設計サポート

つまり、「これって何が起きてるの？」みたいな“気づき”を得るには最高の相棒です。

でもGPTの限界

• 数値モデル（回帰式・特徴量設計）を“精度比較”して選ぶことはできない
• 結果の再現性が低い（同じ質問でも違う答えになりがち）
• 数理根拠が出せない（AUC、R2など）

要するに──

→ ちょっと心もとないですよね。

→ GPTは“仮説を立てる相談相手”には最適。でも“業務判断に使う予測モデル”はAutoMLの領域です。

「AutoMLってシステム？それともツール？」

実は──AutoMLは“機能”や“分析エンジン”であって、独立したシステムではありません。

• Google AutoMLは、ブラウザから使えるクラウド機能
• dotDataもGUI中心の分析ツールで、現場での内製化も可能

「導入＝大がかりなシステム開発」ではないんです

→ Excelの延長線にある「道具」と考えてください。

BIツールとAUTO ML、何が違うの？──そもそもBIって何？

BIツールとは？

BI（Business Intelligence）ツールとは、企業内の様々なデータを“見やすく整理する”ツールです。

• 主に「過去の実績」「今の数字」を集計・可視化する
• よくあるのは“棒グラフ”“円グラフ”“ダッシュボード”など

AutoMLとの違い

→ BIは“説明”、AutoMLは“判断材料”です。

「うちは小さい会社。データ30件でも意味あるの？」

「うち、顧客データ30件くらいしかないんですけど…意味あるんですかね？」

──これは本当に、よく聞きます。

でも結論から言えば、あります。充分あります。
ただし、「期待値の持ち方」と「やり方」を少し変える必要があるんです。

「100点の予測」ではなく「動けるヒント」を取る

AutoMLはたしかに、数千件〜数万件のデータがあると力を発揮します。
でも、30件〜100件でも「傾向」はつかめます。

• 勘よりはマシな判断ができる
• 特徴量（影響している項目）の“予想外な関係”に気づける
• 今後データを溜めていく方針の“方向性”が見える

これ、実際にやってみるとわかりますが、たとえ精度が60％でも、判断材料として十分に役立つんです。
データが少ない中小企業でも、まずは「動けるヒント」を得ることが重要です。

「IT化が進んでない」「紙ベース」でもできることはある

AutoML以前の課題として、「そもそもデータがない」というケースもよくあります。
でも、それでもやれることはあるんです。

手入力でも“まずはためる”ことから始まる

• ExcelやGoogleスプレッドシートで「毎日の売上」や「お客様の反応」を手で記録
• チャットやLINEの履歴を定期的にスプレッドシートにまとめる
• 紙のカルテや契約書から“最低限の項目”だけでも表にする

重要なのは、「AIを使うために記録する」という習慣を少しずつ入れること。完璧なデータではなく、まずは「使えるデータ」を蓄積することから始めましょう。

「1列追加」だけでAIに近づく

• 「次回来店あった／なかった」
• 「売上が前年比より上だった／下だった」
• 「トラブルがあった／なかった」

これらを“正解ラベル（目的変数）”として追加するだけで、AutoMLにとっては“学習できるデータ”になります。ほんの少しの手間が、未来の業務改善につながる第一歩です。

実際の業種別テンプレート活用例

ではここからは、よくある業種ごとに「実際どういう表がAIのタネになるか？」を紹介していきます。

✅ 美容業向け（施術履歴 → リピート確率）

• 顧客ID：C001
• 来店日：2024/08/01
• メニュー：カット
• 担当者：鈴木
• 単価：4,500円
• 所要時間：40分
• 来店間隔：30日
• 次回来店：あり

→ 「この条件の人は次回も来てくれる確率が高い」という予測が可能になります。

✅ 小売業向け（売上データ → 在庫最適化）

• 商品ID：A101
• 日付：2024/08/01
• 曜日：木曜
• 天気：晴れ
• 店舗：A店
• 売上数：12
• 在庫数：40
• 欠品発生：なし

→ 「金曜で雨だと売れにくい」などのパターンが見えてきます。

✅ Web制作・受託系（案件 → 炎上予兆検知）

• 案件ID：W001
• 業種：飲食
• 金額：40万
• 契約形態：一括
• 制作期間：14日
• 修正回数：2回
• トラブル発生：あり

→ 「業種×契約形態×修正回数」で“炎上リスクスコア”がつけられます。

このように、普段使っている表がそのままAIの土台になるんです。
もちろん、いきなり完璧な結果は出ません。でも、1歩ずつ“使える知見”が積み上がっていきます。

「試す」と言っても…何から始めれば？という方へ

「いやいや、GCPとかBigQueryとか出てくるともうムリです…」
そんな方、正直多いと思います。

でもご安心ください。
今回ご紹介するのは、「Googleスプレッドシート＋Connected Sheets＋AutoML Tables」を使った“ほぼクリックだけ”でできる流れです。

現場でPoC（試し使い）を回したい方は、まずこの流れだけ覚えておけば大丈夫です。

STEP 1｜表を「AIが読み取れる形」に整える

いちばん大事なのはここです。
AutoMLに渡す表には、“ある一つの条件”があります。

✅ 目的変数（正解ラベル）が入っていること

• 次回来店が「あり／なし」
• 問い合わせの「契約につながった／つながらなかった」
• 売上が「前月より上／下」

この「結果」の列があることで、「この条件のときにどうなるか？」をAIが学習できるようになります。

✅ 変数（条件になる列）もできるだけ豊富に

例：美容業の表なら…

• 来店日　メニュー　担当者　単価　所要時間　来店間隔　次回来店

これらのデータが、全部「特徴量」として使われます。

👉 ポイントは、「最初から完璧な表を作ろうとしないこと」。
まずは ある範囲で試せるものから始める のが正解です。

STEP 2｜Google Cloudの初期登録（無料）

• Googleアカウントがあれば誰でも開設できます
• 登録時に「$300分の無料クレジット」がもらえます（90日有効）

この範囲で、小規模データのPoCは余裕でまかなえます。
業務部門だけでこっそり試す…というのも、ここから可能です（笑）

STEP 3｜Connected SheetsでスプレッドシートとBigQueryをつなぐ

「Connected Sheets」とは、Googleが提供する拡張機能で、

• スプレッドシートからBigQuery（データベース）と連携
• SQL不要で、Google表計算のまま集計・分析ができる

というものです。

「データベースが分からない」
「SQLとか無理」
そんな方でも、“いつもの表”からAI予測まで持っていけます。

STEP 4｜Vertex AI のAutoML Tablesを使って学習させる

ここからが、いわゆる「AIモデルを作る」パート。

• Google Cloudの「Vertex AI」を開く
• 「AutoML Tables」→「新規データセット作成」
• BigQueryからさっきの表を指定
• 「目的変数」を選んで「学習スタート」

これで、特徴量設計、アルゴリズム選定、交差検証、精度評価まで──
全部、自動でやってくれます。

STEP 5｜結果をスプレッドシートに戻して“使える形”に

AIモデルを作ったら、結果を現場で使えるように落とし込みます。

• スプレッドシートにスコア（たとえば「再来確率85％」）を出力
• 条件付き書式で「赤：高確率」「緑：低確率」など色分け
• 営業リストや来店促進のアプローチに使う

「この人、来そうだな」
「この案件、契約取れそう」
という“感覚”が、“数字”で裏づけられるようになります。

PoCをやってみたけど…現場でよくある“壁”

PoCが無事完了しても、次にこんな壁が出てきます。

✅ 「で、これ…誰が見るの？」問題

精度は出た、グラフもきれい、スコアも見える──

でも結局、誰が見て、いつ判断に使うのか？が曖昧なまま…

これは「AI導入＝成果が出る」と過信してしまうケースです。

👉 解決策は？

→ 最初から「活用シーン」を想定して始めること。
「この予測結果を、来週の営業会議で使う」と明言しておく。それだけでPoCの精度は跳ね上がります。

✅ 「すごいけど難しい」問題

AutoMLの結果は複雑になりがちです。
特に「特徴量の重要度」とか「AUC」とか出てくると、現場はパンクします（笑）

👉 解決策は？

→ “誰に説明できるか”を意識して、出力方法を整える。
条件付き書式、図解、スコア付き名簿など“業務に馴染む見せ方”を工夫することが重要です。

じゃあ、どのツールを使えばいいのか？（無料〜少額で始められるツール比較）

✅ Google Cloud AutoML（Vertex AI Tables）

• 特徴： 本格的な予測モデルをGUI操作だけで構築
• 価格： 登録時に$300分の無料枠／月数百円〜
• 向いている人： 「まず1つ本物を触ってみたい」人

✅ BigQuery + Connected Sheets

• 特徴： SQL不要で、スプレッドシートから集計・分析ができる
• 価格： 常時無料枠あり（1TB／月まで）
• 向いている人： 「表のまま分析したい」「まず整えたい」人

✅ AppSheet（Google製ノーコードアプリ）

• 特徴： スプレッドシートと連携した現場向け入力フォーム作成
• 価格： 無料枠あり／本格利用は月6ドル〜
• 向いている人： 「まず“データをためる仕組み”をつくりたい」人

✅ スプレッドシート単体でやるなら…

• Googleスプレッドシート＋関数（FILTER／QUERYなど）
• GPTに貼り付けて“仮説出し”だけやってみる

→ これも立派なPoC。まずはここからでもOKです。

導入を続けるかどうかは、“予測精度”ではなく“使えるかどうか”

PoCで一番大事なのは「精度」じゃないんです。
「これは使えそう」「あの資料に混ぜられそう」「現場が納得しそう」──そう思えるかどうか。

中小企業では、精度90％の予測よりも、“行動に変わるヒント”のほうが価値があります。

中小企業にとって、AIは“重装備”ではなく“作業着”

• 完璧な予測を出すことが目的ではない
• 精度99％でも、誰も見なければ意味がない
• 精度60％でも、「あ、これ動けるかも」があれば十分

私たち中小企業にとって、AIは「工場に導入する大型ロボット」じゃなく、「普段の作業をちょっと楽にする“手袋”みたいなもの」だと思うんです。

最初の一歩は“スプレッドシート1枚”から

「とりあえず30件、過去の案件を並べてみた」
「GPTに読ませて“何が見えそうか”相談してみた」

それだけで、もうAutoMLの入口に立ってます。

AUTOMLの始め方

✅ スタートのおすすめ順

1. データを記録する：AppSheet、Googleフォームなどで「ためる」習慣をつくる
2. 仮説を立てる：ChatGPTで「このデータから何が見えそう？」と相談
3. 表を整える：スプレッドシートで「条件」と「結果」を並べる
4. AutoMLにかける：Vertex AI Tablesで予測モデルを自動生成
5. 業務に混ぜる：営業会議や販促施策に“予測スコア”を添えてみる

背中を押す言葉として、こんな話があります

ある中小企業の方が、AutoMLを使って「営業見込み案件のスコアリング」を始めたんですね。
最初は誰も見てなかった。でもある日、営業部長がこう言いました。

…それを聞いたとき、私は思いました。

「あ、こういう“使い方”こそが、AIと共に働く未来だな」と。

最後に──“やってみる”からしか見えないものがある

AIを入れる理由も、始める手段も、きっと会社ごとに違います。
でも共通しているのは──

• 「見えなかったものが、少しずつ見えてくる」
• 「判断の勘が、数字で裏打ちされる」
• 「現場の迷いが、動ける材料に変わる」

…そんな“変化の始まり”が、AIそしてAutoMLにはあるということ。人間の最終判断を促す材料としてのAIの分析予測。AIを活用した直感、ですかね。

この記事が、誰かの背中を、ほんの少しでも押せたら嬉しいです。
“次の一歩”を一緒に考えたくなったら、いつでもご相談くださいね。

→ AI Webディレクター養成講座はこちら

→ 企業研修・ご相談はこちら