「要件はまだ固まっていないけれど、ざっくりでいいので見積もりを出してほしい」。提案前のラフ見積もりやコンペ対応など、要件定義の前に概算見積もりを求められる場面は少なくありません。この段階で届く資料は断片的で粒度もそろっておらず、項目の洗い出しに時間がかかるうえ、考慮漏れも起きやすくなります。
実は、この一番ふわっとした段階こそ生成AIが効きます。本記事では、Business Architects(ビジネス・アーキテクツ、以下BA)での実践をもとに、工数を算出する前段として、資料を生成AIに読み込ませ、「見積もり項目」と「まだ決まっていない点」を同時に洗い出すアプローチを紹介します。前提はひとつ、AIは洗い出しを支援し、工数の算出と判断は人が行うことです。情報を外部に出さないための準備と、丸投げしないための確認フローもあわせて解説します。

要件定義前の概算見積もりが抱える課題
概算見積もりは、プロジェクトの予算や体制を左右する最初の数字です。それなのに、もっとも情報が少ない段階で作成しなければなりません。
見積もり段階の「あるある」な3つの課題
- 資料の形式・粒度がそろわない:
RFP(提案依頼書)、サイトマップ、議事メモ、メールなど、ばらばらな資料を読み解くところから始まります。 - 決まっていない部分を想像で埋めてしまう:
置いた前提が金額のどこに効いているのか、後から追えなくなります。 - 洗い出しに時間がかかり、漏れが怖い:
画面、機能、データ移行、テストなど、項目を拾い上げる作業は担当者の経験に左右されます。
こうした考慮漏れは、要件定義や開発の段階で「想定外の作業」として表面化し、手戻りや追加費用の相談につながります。

なぜ生成AIは概算見積もりの段階で効果を発揮するのか
生成AIがこの段階で効く理由は3つです。
- 効率化:
断片的な資料の読み解きと構造化をAIが下支えします。人は白紙からではなく、たたき台の検証から始められます。 - 網羅性:
非機能要件(性能、セキュリティ、運用など)や周辺作業など、見落としやすい項目を拾いやすくなります。 - 曖昧点の可視化:
資料に「書かれていないこと」や「資料どうしの食い違い」を指摘させられます。見積もりの精度を上げるうえで、これがもっとも大きな価値です。
大手企業でも、見積もりにAIを取り入れる動きが出ています。たとえば、AIエージェントが過去の類似案件をもとに開発工数を算定する取り組みが発表されています。要件が十分に固まっていない案件でも、対話を通じて要件を洗い出しているそうです(※1)。
AIによる工数算定も進んでいますが、2026年現在、BAではAIを「たたき台」と「確認すべき点のリスト」の作成に活用しています。どの項目を見積もりに含め、どの前提を置くかについては、人が最終的に判断することが望ましいと考えています。
※1:明治安田、システム開発工数の見積もりを自律的に算出するために「Agentforce」を活用. 株式会社セールスフォース・ジャパン.(参照 2026-10-14)
実践フロー:資料を生成AIに読み込ませ、見積もり項目と曖昧点を洗い出す
実践フローは、情報を外部に出さないための準備のあと、3つのステップで進めます。

資料を読み込ませる前に:情報を外部に出さないための準備
BAでは、社内の生成AI利用ルールに沿って、次の3点を守っています。
- 使うツールとアカウントを限定する:
企業として契約し、入力データがモデルの学習に利用されないことを確認したツールだけを使います。主要なAIサービスでは、同じツールでも法人向けか個人向けかのプランによって、学習への利用の扱いが変わります。 - 入力する情報を分類する:
クライアント名、契約金額、未公開の案件情報、個人情報などは入力せず、必要ならマスキング・抽象化します。クライアントの資料は、利用してよいか事前に確認します。 - 一度入力した情報は取り消せない前提で扱う:
入力後に削除できる場合でも、情報が完全に取り消されたとは限りません。そのため、入力してから対処するのではなく、入力する前に判断するのが原則です。
BAの生成AI利用ルールは、「AI活用で情報漏洩リスクを防ぐには?企業が作るルールブックの中身を公開」でも紹介しています。
入力前に確認する項目をチェックリストにすると、次のとおりです。

Step1・Step2:資料を読み込ませ、見積もり項目を洗い出す
Step1:資料の読み込み
準備ができたら、RFP、議事メモ、サイトマップなどの資料をひとつのフォルダにまとめて読み込ませます。形式や粒度がそろっていなくても構いません。
手元のフォルダを直接読み込めるエージェント型のAIツールなら、資料どうしを突き合わせた整理まで任せられます。ただし、エージェントはフォルダ内を広く読みにいくため、BAでは利用を確認した資料だけを置いたフォルダを読み込ませています。
Step2:項目の洗い出し
ここでは、出力の「型」を先に指定するのがコツです。
以下のような項目を指示するとよいでしょう。
- 「工程 > 機能・作業 > 詳細」のように階層を決めて整理させる
- 各項目に、根拠となった資料名と該当箇所を書かせる
- 資料になく、AIが一般的な観点から補った項目は区別させる
- ページ数などの件数は推測させず、実際に数えた数を出させる
Step3:曖昧点(未確定・不明確な点)を抽出させる
このアプローチの核心は、見積もり項目と同時に「まだ決まっていないこと」を洗い出させる点にあります。BAが100ページを超える既存WebサイトのCMS化に向けて要件を整理した際にも、AIでページを調査した結果、次のような確認事項があがりました。
- 一覧ページからリンクされていない詳細ページがあり、移行対象に含めるかが決まっていない
- 一覧に同じページへの重複リンクがあり、意図したものか確認が必要
- 公開日などの書式がページごとに異なり、入力形式を決める必要がある
どれも、決め方しだいで移行やCMS構築の工数が変わる項目です。
こうした点を「確認事項リスト」として出力させ、見積もりの前提条件として明記したり、クライアントへの質問に使ったりします。
クライアントに渡すときは、選択肢を並べるより「この方針で進めたい」という推奨案を添え、Yes・Noで答えられる形にすると判断してもらいやすくなります。方針によって工数が変わるかどうかも添えておくと、見積もりの調整にそのまま使えます。

AIに「丸投げ」しないための確認フロー
AIの出力をそのまま使わず、必ず人が確認します。さらに、チェック役のサブエージェント(役割を与えた別のAI)や別のモデル(性能や特性の異なるAI)を使い、誤りや見落としがないかを確認します。
こうした確認の手順をあらかじめ決めておくことが、AIを見積もりに活用するうえでは大切です。

AIの出力は必ず人が確認する
AIの出力には、資料の誤読、前提の取り違え(「既存CMSを継続利用」とあるのに、新規構築を前提にしてしまうなど)、一般論による項目の過不足が紛れ込みます。
確認では、Step2(項目の洗い出し)で書かせた根拠をたどって資料と照らし合わせ、AIが補った項目は本当に必要かを判断します。技術的な妥当性は、エンジニアの目で確かめます。
また、BAでは正確性を確認していない生成物を社外に出さないことをルールにしています。
サブエージェントや別のモデルで多角的にレビューする
人の確認に加えて、「作成役」とは別に「チェック役」のAIを置くことで、誤りや見落としを発見しやすくなります。
以前は、開発元の異なるAIサービス(いずれも法人契約)でセカンドオピニオンを取っていましたが、最近は同じツールの中で別のモデルに切り替えたり、サブエージェントに任せたりする方法に変わってきています。
ツールを行き来せず、資料を渡す先も増やさずに済むのが利点です。
先ほどのCMS化の例では、作業を分解して複数のAIに割り振り、結果を取りまとめる「オーケストレーション役」のAIを置きました。オーケストラの指揮者のように、全体の段取りを担う役割です。このAIが、全ページの調査を軽量なモデル(処理が速く安価なAI)に並列で割り振り、確認資料の作成を別のモデルに任せました。並列で進めるため、ページ数が増えても同じ手順で対応できます。最後に上位のモデル(より高性能なAI)をチェック役にして、元のファイルと突き合わせながらあえて誤りを探させたところ、件数の誤りなど7件の指摘が出ました。
レビューの観点も役割ごとに分けると、指摘が具体的になりました。エンジニアなら実現性や工数が膨らむ箇所、ディレクターならクライアントに伝わるか、PMなら合意漏れや何をもって完成とするか、といった観点です。
ただし、チェック役の指摘がいつも正しいとは限りません。うのみにすると、正しかった内容まで誤った方向に直してしまうおそれがあります。先ほどの例では、オーケストレーション役のAIが指摘を元のファイルで裏取りしてから修正し、そのうえで人が内容を確認しました。
見積もり段階の整理が、その後の要件定義・開発を変える
見積もり段階で整理した内容は、そのまま後工程の土台になります。確認事項リストは要件定義のヒアリング項目に、見積もり項目の階層はWBS(作業分解構成図)のたたき台になります。前提として明記した曖昧な点はリスクとして計画に織り込め、要件の解釈違いによる手戻りも減らせます。
Step3(曖昧点の抽出)で触れたCMS化の案件では、画面のスクリーンショットを添えてAIで作成した入力項目一覧と確認事項を打ち合わせで使い、画面を見ながらひとつずつ確認しました。13件の確認事項のうち6件がその場で確定しました。合意内容が資料に残るため、「言った・言わない」も防ぎやすくなります。
さらに効果が大きいのが、早い段階から打ち合わせにエンジニアが同席することです。その場で技術的な判断や代替案を示せるため、持ち帰りと質問の往復が減ります。BAの案件では、エンジニアが同席した打ち合わせで要望への対応可否と作業日数の見込みをその場で答え、持ち帰らずに進め方を合意できました。

まとめ:概算見積もりの段階から生成AIを活用しよう
- 早い段階で使う:
要件が固まる前の段階ほど効果が大きい - 法人契約のツールを使い、入力する情報を分類する:
入力してよいかは事前に判断する - 丸投げしない:
根拠をたどって人が確認する - 多角的なレビューで精度を上げる:
チェック役のAIを置き、最後は人が判断する
AIで見積もり項目や曖昧な点を幅広く洗い出し、エンジニアが技術的な観点から確認する。この組み合わせが、概算見積もりの考慮漏れを減らし、その後の要件定義・開発を進めやすくすることにつながります。
BAでは、見積もりや要件定義の効率化をはじめ、生成AIを開発プロセスに組み込むAI業務改善を支援しています。見積もりからAI活用を始めたい方は、お気軽にお問い合わせください。
