AI時代、士業に何を頼むべきか？スタートアップ・中小企業のための発注戦略とAI回答の品質管理

弁護士、税理士、社会保険労務士などの専門家へ、どこまで仕事を頼むべきなのでしょうか。

少し前までなら、「契約は弁護士」「税金は税理士」「雇用は社労士」と分けて依頼するのが、分かりやすい選択でした。

しかし、2026年現在、この前提はかなり揺らいでいます。

GPT-5.6 SolやClaude Fable 5のような高性能モデルは、長い資料の読解、情報調査、契約比較、論点整理、文書作成、反証、複数段階の作業まで扱えるようになりました。OpenAIはGPT-5.6 Solを、コーディングだけでなく知識労働や調査を含む複雑な仕事向けに位置づけています。AnthropicもClaude Fable 5を、専門的な知識労働へ展開しています。

会計、給与、勤怠、契約管理、電子申告・申請を支えるSaaSも整っています。

そのため、従来士業へ依頼していた仕事の一部を、経営者や社内担当者がAIとSaaSで処理することは、すでに現実的な選択肢になっています。

一方で、「AIが間違うこともあるから、最後はすべて専門家へ確認すべきだ」という結論も、少し乱暴です。すべて確認するなら、内製化による時間・費用削減の効果は小さくなります。

反対に、「最高性能のAIがあるから、ほとんどの士業は不要だ」と一律に考えるのも危ういでしょう。日常的な作業件数ではAIが処理できても、会社へ大きな影響を与える少数の案件では、専門家の判断、交渉、代理、第三者性が重要になるからです。

では、どう考えるのがよいのでしょうか。

私の提案は、士業を使うか、使わないかを先に決めるのではなく、AIで処理する作業、社内で引き受ける判断、専門家から購入する機能を分けることです。

さらに、AIを使う場合も、一度の回答を信用するのではなく、原典、複数AI、計算ツール、評価基準、人間承認を組み合わせ、回答品質を工程として作る必要があります。

士業の仕事は、ひとつの塊ではない

「法務」「税務」「労務」という言葉の中には、性質の異なる仕事が混ざっています。

大きく分けると、次のようになります。

1. 情報や根拠を探す

2. 必要な事実を聞き出し、論点を整理する

3. 文書、計算、比較表、手続案を作る

4. 複数の選択肢から経営判断を下す

5. 相手方や行政機関と交渉する

6. 資格者として代理・証明・意見表明を行う

高性能LLMによって、特に内製しやすくなったのは1から3です。

法令や行政資料を探す。契約書を要約する。自社ひな型との差分を抽出する。税務処理の候補を並べる。必要書類や期限を整理する。文書の初稿を作る。

こうした仕事は、正しい資料を与え、出典と確認日を管理し、人間が検証する仕組みがあれば、社内で処理できる範囲が広がっています。

4も、AIによる選択肢整理や反証によって支援できます。ただし、どのリスクを引き受けるかを決めるのは、最終的には会社側です。

5と6では、相手との力関係、交渉経験、代理権、第三者としての信用など、モデル性能とは異なる価値が大きくなります。

ここで重要なのは、「法務はAIに向いている」「税務は専門家が必要」と分野単位で決めないことです。

同じ法務でも、NDAの要約と株主紛争ではリスクが違います。同じ税務でも、日常仕訳と組織再編では必要な判断が違います。同じ労務でも、入社書類の準備と解雇では、失敗したときの影響がまったく違います。

「ほとんど士業が不要」は、半分正しく、半分危うい

ここからは私の見方です。

士業関連業務を件数や作業時間で見るなら、AIとSaaSで処理できる仕事はかなり増えています。

たとえば、日常的に発生する次の作業です。

• 契約書の要約や差分抽出

• 論点と不足情報の整理

• NDAや議事録などの初稿

• 証憑と取引データの照合

• 月次数値の異常検出

• 入退社に必要な書類と期限の整理

• 行政資料や法改正の一次調査

• 専門家へ聞く質問の作成

この範囲であれば、毎回士業へ依頼しなくても処理できる会社は増えるでしょう。

しかし、会社にとっての重要性は、件数だけでは測れません。

100件の定型作業をAIで処理できても、資金調達、株主間契約、M&A、税務調査、解雇、重大な労務紛争の1件が会社へ大きな損失を与えることがあります。

したがって、より正確な表現は次のようになります。

「ほとんど士業が不要」という感覚は、日常作業を基準にすれば理解できます。

ただし、そこから「専門家への発注機能そのものが不要」と結論づけない方がよいでしょう。

発注判断は、3つの軸で考える

どこまでAIと社内で処理できるかは、案件の種類だけでは決まりません。

少なくとも、次の3軸を組み合わせて判断する必要があります。

1．タスクはどれだけ定型化されているか

過去のひな型、明確な手順、公開された要件、チェックリストがある仕事ほど内製しやすくなります。

反対に、初めて扱う取引、事実関係が曖昧な問題、複数法域が絡む問題は、AIだけでは判断しにくくなります。

2．判断を誤った場合の影響はどれだけ大きいか

金額だけではありません。

• 株式や議決権

• 知的財産

• 継続的な取引

• 税額や加算税

• 従業員との関係

• 行政処分

• 会社や経営者の評判

まで含めて考えます。

3．社内で検証・承認できるか

同じAIを使っても、会社側に次の能力があるかで結果は変わります。

• 必要な事実を集められる

• 根拠資料を確認できる

• 出力の不自然さに気づける

• 社内ルールと照合できる

• 反対意見を検討できる

• 最終判断者を決められる

• 判断履歴を残せる

つまり、「AIが賢いか」だけでは足りません。

AIの出力を評価できる社内体制があるかが、内製可能範囲を左右します。

まずAIと社内で処理しやすい仕事

次の条件がそろう仕事は、士業へ発注せず、AIと社内で処理するところから始めてもよいのではないでしょうか。

• 手順と必要情報が明確

• 過去のひな型や事例がある

• 失敗しても訂正・再提出できる

• 相手との対立がない

• 金額や影響が限定的

• 公的な一次資料で確認できる

• 社内に確認者がいる

具体例としては、次が考えられます。

法務

• 契約書の要約

• 自社ひな型との差分抽出

• 契約期限、更新、解除条件の抽出

• NDAや議事録の初稿

• 契約審査前の不足情報整理

• 法令・ガイドラインの一次調査

税務・会計

• 証憑整理

• 仕訳候補の作成

• 月次数値の異常検出

• 固定資産台帳の整理

• 納付・届出期限の管理

• 税理士へ渡す資料と質問の整理

• 資金繰り・予実管理

労務

• 入退社時のタスク整理

• 勤怠・休暇データの確認

• 労働条件通知書の入力補助

• 制度説明資料の初稿

• 面談記録や事実経過の整理

• 就業規則と実際の運用の差分抽出

ただし、ここでも「AIが作ったから完成」ではありません。

会社名、当事者、金額、日付、期限、対象年度、適用条件、例外、根拠資料を別の人が確認する運用は必要です。

一見定型的でも、安易に内製しない方がよい仕事

利用規約、プライバシーポリシー、就業規則、賃金制度などは、文書自体は定型的に見えます。

しかし、その内容が多数の顧客や従業員へ繰り返し適用されるため、ひとつの誤りが広く波及します。

次の仕事は、AIで初稿を作っても、原則として社内の責任者または専門家による確認を検討した方がよいでしょう。

• 新規サービスの利用規約

• プライバシーポリシー

• 個人情報の共同利用・第三者提供設計

• 就業規則の新規制定

• 賃金・評価・退職金制度

• 変形労働時間制

• ストックオプション

• 複雑な消費税区分

• 業務委託と雇用の境界

• 知的財産の包括的な譲渡条項

ポイントは、文書の作成難度ではありません。

同じ判断が何人・何回・何年間にわたって適用されるかです。

一回当たりの金額が小さくても、反復範囲が大きいなら、専門家レビューの費用対効果は高くなります。

専門家へ回すべきかを判断する5つのリスク

案件ごとの発注判断には、次の5項目が使えます。

1．損失規模

誤った場合の金銭的・事業的損失が、専門家費用を大きく上回るか。

2．不可逆性

後から撤回、訂正、再申請、再交渉できるか。

3．対立性

相手方、従業員、株主、行政機関などが反論・請求・処分を行う可能性があるか。

4．複雑性

事実関係が曖昧か。複数の制度、契約、法域、当事者が絡むか。

5．外部証明

投資家、金融機関、買収先、監査人、取引先などから、資格者による確認を求められるか。

ひとつが高いだけで必ず発注する、という機械的なルールではありません。

ただし、複数項目が高い場合や、一項目でも会社の存続へ影響する場合は、専門家への限定確認または専門家主導を検討するのが妥当でしょう。

発注方法を4段階に分ける

実務では、次の4段階に分けると運用しやすくなります。

レベル1：AIで処理し、社内で確認する

対象は、定型的、低リスク、訂正可能、対立がない仕事です。

• 契約書の要約

• 過去ひな型との差分

• 議事録の初稿

• 証憑整理

• 期限管理

• 入退社タスクの整理

AIの出力を社内担当者が確認し、そのまま処理します。

レベル2：AIで作り、責任者が承認する

多少の判断や反復的な影響がある仕事です。

• 標準的なNDA

• 既存ひな型を使った通常契約

• 社内通知

• 会計処理の例外

• 軽微な規程変更

• 注意・指導文書

作成者とは別の責任者が、根拠とリスクを確認します。

レベル3：AIで準備し、専門家へ論点限定で確認する

次のような案件です。

• 初めて扱う契約類型

• 重要な知的財産条項

• 個人情報を扱う新サービス

• 新しい就業規則・賃金制度

• ストックオプション

• 税額への影響が大きい処理

• 海外取引

• 退職勧奨や休職・復職

• 将来の資本政策へ影響する判断

この段階では、全文を丸投げしません。

AIと社内で、事実関係、資料、論点、選択肢、自社案、想定反論、確認したい質問を準備します。

専門家には、

• この条項の最大リスクは何か

• この税制の要件を満たしているか

• この運用に労務紛争リスクがあるか

• 代替案のうち、どれが現実的か

など、判断が必要な論点へ絞って依頼します。

レベル4：専門家主導で進める

• 訴訟・仮処分

• 税務調査

• 労働審判

• 解雇・重大懲戒

• M&A・組織再編

• 大規模な資金調達

• 株主・共同創業者間の紛争

• 行政処分・刑事リスク

• 倒産・事業再生

この場合もAIは有効です。

資料の時系列化、証拠一覧、契約比較、想定反論、会議記録などをAIで整理し、専門家が判断、交渉、代理へ集中できるようにします。

このモデルの利点は、専門家を排除しないことです。

定型作業を専門家から外し、本当に専門性が必要な判断へ報酬を集中できます。

AIの回答を、本当に信用してよいのか

ここまで読むと、別の不安が出てきます。

この不安は自然です。

契約、税金、雇用では、文章がもっともらしいだけでは足りません。条文番号、対象年度、施行日、取引実態、契約条件など、ひとつの違いで結論が変わることがあります。

結論から言えば、一つのAIへ一度質問して得た回答を、そのまま信用するべきではありません。

ただし、AIの回答が信用できないから、すべて専門家へ聞き直す必要があるとも限りません。

目指すべき状態は、回答を信じることではなく、

• どの事実に基づくか

• どの原典が根拠か

• どこからが推論か

• 何が未確認か

• どの条件で結論が変わるか

• 誰が実行を承認したか

を追跡できる状態です。

OpenAIは、モデルやプロンプトを変更する際、想定した品質基準を満たすかを評価するEvalsを、信頼性の高いシステム構築に不可欠な工程として位置づけています。Anthropicも、プロンプト改善より前に、成功条件と評価方法を決めることを推奨しています。

つまり、回答品質は「うまい質問」だけでは作れません。

モデル、資料、処理工程、評価、承認を含むシステム全体で作るものです。

回答品質を高める12の基本原則

法務・税務・労務でAIを使う際は、次の原則を標準にするとよいでしょう。

1．問いを一つに限定する

「この契約は大丈夫ですか」のような広い質問は避けます。

たとえば、次のように分けます。

• 知的財産権の帰属に不利な点があるか

• 損害賠償責任に上限があるか

• 中途解約時に残る義務は何か

• この支出の会計処理候補は何か

• この勤務実態で労働時間管理上の論点は何か

問いを限定すると、必要な事実と根拠を明確にできます。

2．結論より先に、不足情報を質問させる

いきなり回答を求めません。

と指示します。

法務・税務・労務では、一般論を知っているかより、事実関係を正確に把握できているかが結論を左右します。

3．「事実パケット」を先に作る

AIとの長い会話を、そのまま最終判断へ使うと、途中で前提が混ざったり、古い説明が残ったりします。

そこで、分析前に次の資料を作ります。

• 当事者

• 日付と期間

• 金額

• 契約・規程

• 実際の運用

• 過去の経緯

• 証拠

• 当事者間で争いがある事項

• 自社の目的

• 未確認事項

この資料を「事実パケット」として確定し、その後のすべてのAIに同じものを渡します。

会話ごとに事実説明が変わることを防げます。

4．一次資料の優先順位を指定する

AIに自由に検索させるだけでなく、情報源の優先順位を指定します。

1. 法令、政省令、告示

2. 官公庁の通達、Q&A、ガイドライン

3. 裁判所の判決・決定

4. 公的機関、業界団体の一次資料

5. 専門家の解説

6. 一般記事、ブログ、SNS

回答では、どの層の情報を根拠にしたかを明記させます。

重要な結論を、個人ブログや検索結果の要約だけで決めないことが重要です。

5．回答可能範囲を資料内へ制限する

契約書や公的資料を与え、次のように指示します。

ClaudeのCitationsのように、提供資料中の根拠箇所を引用できる機能は、この用途と相性があります。Anthropicは、引用機能を長い文書から根拠を追跡するための仕組みとして提供しています。

6．事実、根拠、推論、提案を分離する

回答を次の4層に分けます。

• FACT：資料から直接確認できる事実

• RULE：法令・通達・契約・規程上の根拠

• INFERENCE：事実と根拠を組み合わせた推論

• RECOMMENDATION：会社として取り得る行動案

これらを混ぜると、AIの推測が法的事実のように見えます。

7．結論が変わる条件を出させる

AIの回答を固定的な正解にしないため、必ず聞きます。

これにより、追加調査の優先順位が分かります。

8．日付、対象年度、法域を固定する

法務・税務・労務では、時点が非常に重要です。

プロンプトには、少なくとも次を入れます。

• 判断基準日

• 対象国・地域

• 対象年度

• 契約・取引・雇用が発生した日

• 現行制度と未施行改正の区別

「現在の制度で」とだけ書くのではなく、「2026年7月16日現在の日本法」と絶対日付を指定します。

9．数値計算はLLMだけに任せない

税額、給与、社会保険料、日割り、残業時間、損害額などは、文章生成と計算を分けます。

• LLM：計算式、必要変数、適用条件を整理

• 表計算、会計ソフト、給与ソフト、Python：数値を計算

• 別のAIまたは人間：式と入力値を再確認

LLMが出した数字を、LLM自身に「合っていますか」と聞くだけでは独立検証になりません。

10．引用は、存在と適合性を別々に確認する

AIが示したURLや条文番号が実在しても、その内容が結論を支えているとは限りません。

各根拠について、次を確認します。

• 資料が実在するか

• 発行者は正しいか

• 最新版か

• 対象法域・年度が合うか

• 該当箇所は実際にその主張を支えるか

• 引用部分からは言えないことは何か

「引用がある」ことと、「正しい根拠である」ことを分けます。

11．重要主張には証拠台帳を付ける

最終回答とともに、次の台帳を作ります。

ID主張種別根拠確認日反証・限界状態C01FACTverified / pending

これにより、回答全体を再検証しなくても、重要主張の根拠を追跡できます。

12．停止条件を先に決める

AIを使い始める前に、どの状態になったら社内処理を止めるかを決めます。

• 一次資料が見つからない

• 複数の原典が矛盾する

• 事実関係に争いがある

• 税額や損失が基準額を超える

• 解雇、株式、M&A、訴訟など不可逆性が高い

• AI間で重要論点の結論が割れる

• 社内に評価できる人がいない

この条件に該当したら、追加調査または専門家確認へ切り替えます。

複数AIは「多数決」ではなく、分業させる

複数のAIへ同じ質問を投げ、2対1で決めれば安心できるように思えるかもしれません。

しかし、単純な多数決は弱い方法です。

複数モデルが、同じ公開情報、類似した学習データ、似た推論パターンを使っている可能性があるからです。

3つのAIが同じ誤りをすることもあります。

複数AIを使うなら、同じ問題へ同じ役割で答えさせるのではなく、異なる仕事を担当させる方が有効です。

複数AIの基本構成：作成者・批判者・裁定者

最も使いやすいのは、次の3役です。

AI-A：調査・作成担当

• 事実を整理する

• 一次資料を探す

• 論点を抽出する

• 暫定結論を作る

• 根拠台帳を作る

AI-B：反対側・監査担当

AI-Aの結論を見ずに、同じ事実パケットと原典から独立して分析させるのが理想です。

• 相手方の立場から反論する

• 見落とした論点を探す

• 根拠が主張を支えているか確認する

• 古い情報や法域違いを探す

• 計算条件や例外を点検する

AI-C：裁定・統合担当

AI-AとAI-Bの回答を比較し、次を整理します。

• 一致した事実

• 意見が分かれた論点

• 分岐原因

• 追加で必要な資料

• 暫定結論

• 人間確認が必要な箇所

• 専門家へ聞く質問

ここで重要なのは、AI-Cに「どちらが正しいか決めて」とだけ頼まないことです。

と指示します。

独立性を高める「ブラインド分析」

AI-BへAI-Aの回答を最初から見せると、AI-Aの論点に引きずられる可能性があります。

そこで、まずAI-AとAI-Bへ、同じ事実パケットだけを別々に渡します。

1. AI-Aが独立分析

2. AI-Bが独立分析

3. 両方の回答をAI-Cが比較

4. 不一致だけを再調査

5. 人間が重要根拠を確認

この方法をブラインド分析として運用します。

最初から互いの回答を見せる方法より、同じ見落としが起きにくくなります。

モデルごとに得意な処理を割り当てる

製品やモデルの優劣を固定的に決める必要はありません。案件ごとに試し、結果を評価する方がよいでしょう。

一例としては、次の分業が考えられます。

ChatGPT GPT-5.6 Sol

• Web調査

• 複数資料の統合

• 論点設計

• 表やファイルの分析

• 複数段階の作業管理

• 最終報告書の統合

GPT-5.6 Solには推論レベルの選択肢があり、複雑な知識労働や調査では、より高い推論設定を利用できます。

Claude Fable 5

• 長い契約書・規程の精読

• 提供文書内の引用

• 条項間の整合性確認

• 長い事実経過の再構成

• 反対当事者視点での批判

ただし、これは固定的な優劣ではありません。自社の実案件を使った評価結果で役割を決めるべきです。

GeminiやNotebookLM等

• Google Drive内資料の横断確認

• 原典中心のノート化

• 同一資料群からの説明

• 社内資料の出典付き整理

複数AIを使う目的は、「最強モデルを探す」ことではありません。

異なる処理経路を作り、同じ失敗が同時に起きる可能性を下げることです。

「AI討論」だけではなく、証拠を追加する

複数AIに議論させ続けても、元となる事実や資料が不足していれば、もっともらしい議論が長くなるだけです。

AI間で意見が割れたときは、次の順で解決します。

1. どの事実認識が違うか確認する

2. どの法令・通達・契約条項を使っているか確認する

3. 適用時点・法域・対象者を確認する

4. 不足資料を探す

5. 新しい証拠を両方へ与える

6. それでも割れる場合は人間または専門家へ回す

意見の不一致を、さらに長い推論で埋めないことが重要です。

シナリオを少し変えて、回答の安定性を検査する

信頼できる回答は、意味のない表現変更で結論が大きく変わりにくいはずです。

そこで、同じ案件を少し変えて再質問します。

言い換えテスト

質問文の言い回しだけ変えます。

• 自社に有利な聞き方

• 中立的な聞き方

• 相手方に有利な聞き方

結論が大きく変わるなら、質問誘導の影響を受けている可能性があります。

境界値テスト

金額、勤務時間、日付、人数などを境界の前後で変えます。

• 期限の前日と翌日

• 金額基準の直前と直後

• 労働時間の基準未満と超過

• 契約更新前と更新後

どの条件で結論が切り替わるかを確認できます。

欠落情報テスト

重要と思われる事実を一つ外し、結論が変わるか確認します。

変わるなら、その事実は最終確認必須項目です。

反実仮想テスト

と聞きます。

判断の感度を理解できます。

契約書では、条項単位と全体整合性を分けて検査する

契約書を一度に「レビューしてください」と頼むだけでは不足します。

少なくとも、次の工程へ分けます。

1. 契約目的と商流を説明する

2. 条項一覧を抽出する

3. 欠落条項を確認する

4. 自社ひな型との差分を確認する

5. 条項ごとのリスクを評価する

6. 条項同士の矛盾を確認する

7. 契約全体で最悪のシナリオを作る

8. 修正案を作る

9. 相手方が拒否した場合の代替案を作る

10. 最終修正版と交渉履歴を保存する

特に、個別条項が問題なくても、

• 検収

• 支払

• 解除

• 知的財産

• 損害賠償

の組み合わせで大きなリスクになることがあります。

条項単体レビューと、契約全体のシナリオレビューを分けます。

税務・会計では、文章・根拠・計算を分離する

税務回答は、次の3レイヤーへ分けると精度が上がります。

レイヤー1：取引事実

• 誰が

• 何を

• いつ

• いくらで

• どの契約に基づき

• どのように支払ったか

レイヤー2：会計・税務上の論点

• 会計処理候補

• 税務上の取扱い候補

• 適用要件

• 必要証憑

• 届出・期限

• 否認される可能性

レイヤー3：数値計算

• 入力値

• 計算式

• 税率

• 端数処理

• 対象期間

• 結果

LLMにはレイヤー1と2の整理を担当させ、レイヤー3は表計算や会計システムで再現します。

最終回答には、計算結果だけでなく、入力値と計算式を残します。

労務では「法的評価」と「人事判断」を分ける

労務案件では、法的に可能かだけでなく、組織への影響を考える必要があります。

たとえば、注意指導や退職勧奨では、次を分けます。

• 法令・就業規則上の論点

• 確認済み事実

• 証拠の有無

• 過去の同種対応との整合

• 本人への説明

• チームへの影響

• 紛争化した場合の主張

• 代替措置

• 実行責任者

AIに「解雇できますか」とだけ聞くのではなく、

と依頼します。

自社用の「正解付き問題集」を作る

単発案件だけでAI品質を判断すると、毎回評価基準が変わります。

そこで、過去の専門家回答や確定済み案件から、社内用の評価セットを作ります。

たとえば、次のような問題を20〜50件用意します。

• 標準NDAのリスク抽出

• 業務委託契約の知財条項

• 月次仕訳の候補

• 固定資産判定

• 入退社手続

• 有給休暇の計算

• 就業規則の適用確認

• 専門家へ回すべき高リスク案件

各問題に、次を付けます。

• 入力資料

• 期待する論点

• 許容できる回答

• 見落としてはいけない項目

• 禁止する断定

• 専門家へ回す条件

モデル、推論設定、プロンプト、資料構成を変えるたび、この評価セットで比較します。

OpenAIのEvalsも、モデルやプロンプト変更時に、指定した品質基準を満たすかを継続評価するための仕組みです。

小規模企業でも、最初はスプレッドシートで十分です。

評価項目を「正解率」だけにしない

法務・税務・労務では、唯一の正解がない案件もあります。

そこで、次の観点で採点します。

• 重要論点を見落としていないか

• 事実と推論を区別したか

• 一次資料を使ったか

• 日付・年度・法域が正しいか

• 根拠が主張を支えているか

• 反論・例外を扱ったか

• 不明点を不明としたか

• 実行前確認事項を示したか

• 専門家へ回す条件を正しく判定したか

• 文章が分かりやすいか

特に重要なのは、分からないときに分からないと言えるかです。

誤った断定より、適切な保留の方を高く評価します。

AI自身の確信度は、そのまま信用しない

AIに「自信度90%」と書かせても、それ自体は客観的な確率ではありません。

確信度を使うなら、次のような客観条件へ変換します。

高

• 一次資料に直接記載

• 対象時点・法域が一致

• 重要な事実が確認済み

• 複数AIで重要論点が一致

• 原典を人間が確認済み

中

• 複数資料からの推論

• 一部事実が未確認

• 例外がある

• 解釈が分かれる可能性がある

低

• 根拠が二次情報のみ

• 原典が見つからない

• 事実関係に争いがある

• AI間で結論が割れる

• 対象時点・法域が不明

モデルの自己申告ではなく、証拠の状態から確度を決めます。

最終回答は、決まった形式で出させる

自由形式の長文だけでは、確認漏れが起きやすくなります。

最終回答を次の構造に固定します。

1. 暫定結論

2. 判断対象

3. 確認済み事実

4. 未確認事実

5. 適用される根拠

6. 推論

7. 反対意見

8. 結論が変わる条件

9. 選択肢

10. 実行前チェック

11. 推奨発注レベル

12. 専門家へ聞く質問

13. 出典一覧

14. 確認日

構造化すると、案件間の比較、上司レビュー、監査、後日の再確認が容易になります。

会話を続けすぎず、節目で再起動する

長いチャットでは、古い前提、撤回した案、途中の誤情報が文脈に残る可能性があります。

重要案件では、節目ごとに新しい会話を作ります。

• 会話1：ヒアリング

• 会話2：事実パケットの確認

• 会話3：原典調査

• 会話4：独立分析

• 会話5：反証

• 会話6：統合・最終報告

各会話には、確定した事実パケットと必要資料だけを渡します。

会話の長さを品質と混同しないことが重要です。

回答ログではなく、判断ログを残す

保存すべきなのは、AIとの会話全文だけではありません。

少なくとも次を残します。

• 案件ID

• 判断日

• 利用モデル・推論設定

• 使用した資料と版

• 事実パケット

• 重要なAI回答

• 根拠台帳

• AI間の不一致

• 人間による修正

• 最終判断

• 承認者

• 受容したリスク

• 専門家確認の有無

• 後日の結果

• 次回への改善点

これにより、同じ案件を再現でき、失敗から学べます。

機密情報は、精度と必要性を比較して渡す

回答品質を高めるために、契約書、従業員情報、給与、顧客データをAIへ渡したくなることがあります。

しかし、必要以上の情報を入力するべきではありません。

まず次を検討します。

1. 固有名詞を匿名化できないか

2. 金額を範囲へ置き換えられないか

3. 必要条項だけを渡せないか

4. 個人情報を削除できないか

5. 会社管理のBusiness・Enterprise・API環境を使うべきか

6. 外部AIへ渡さず、社内環境または専門家へ回すべきか

モデル性能が高くても、情報管理条件が自社方針に合わなければ使うべきではありません。

AI回答の品質保証を9段階で運用する

ここまでの方法をまとめると、次の9段階になります。

1. リスクを仮分類する

2. 不足情報をヒアリングする

3. 事実パケットを確定する

4. 一次資料を収集する

5. AI-AとAI-Bで独立分析する

6. 計算・引用・日付を別手段で検証する

7. AI-Cが不一致と未確認事項を統合する

8. 人間が重要根拠と実行条件を確認する

9. 発注レベルに応じて実行・承認・専門家確認へ進む

この工程を毎回同じように使えば、「今回はAIを信用してよい気がする」という感覚的判断を減らせます。

実践用：複数AIを使った完全プロンプトセット

以下は、法務・税務・労務で共通して使える基本セットです。

1．ヒアリング担当AI

2．調査担当AI-A

3．独立監査担当AI-B

4．差分分析担当AI-C

5．レッドチーム担当AI

6．最終統合AI

弁護士には、文書作成より交渉と重大判断を頼む

法務は文章中心の仕事が多いため、AIの影響を強く受けています。

海外の企業法務や法律事務所では、契約レビュー、法的調査、草案作成、文書分類などへのAI導入が進んでいます。

AIによって社内で扱いやすくなるのは、次の領域です。

• 契約の一次レビュー

• ひな型との差分

• 条項候補の作成

• 法令・ガイドライン調査

• デューデリジェンス資料の整理

• 相手方修正案の論点整理

一方、弁護士の価値が高くなりやすいのは次です。

• 訴訟・仮処分・交渉

• 株主・共同創業者間の対立

• 大型資金調達

• M&A

• 重要な知的財産

• 競争法・規制法上の重大論点

• 行政処分・刑事リスク

• 海外法が絡む重要取引

今後は、「契約書を最初から作ってください」よりも、「この取引の重大な落とし穴と、交渉上の代替案を判断してください」という発注の方が、専門家の価値を生かしやすくなるのではないでしょうか。

税理士には、日常入力より特殊取引と税務調査を頼む

税務・会計は、LLM単体より、会計SaaS、銀行、カード、請求書、給与、電子申告との組み合わせが重要です。

日常的な会計処理、証憑整理、月次管理をすべて税理士へ委託する必要性は、会社の体制によっては下がります。

税理士へ依頼する価値が高いのは、次の領域です。

• 組織再編

• M&A

• 株式評価

• ストックオプション税制

• 国際税務

• 事業承継

• 多額の関連当事者取引

• 解釈によって税額が大きく変わる取引

• 税務調査・不服申立て

日常業務は社内で処理し、四半期や決算前にレビューを受ける。特殊取引だけ相談する。税務調査では代理を依頼する。

このように、契約単位を見直す余地があります。

社労士には、手続より制度設計と紛争予防を頼む

入退社、社会保険、勤怠、有給休暇などは、SaaSと行政の電子申請によって内製しやすくなっています。

社労士や労働法に詳しい弁護士へ依頼する価値が高いのは、次の領域です。

• 就業規則・賃金制度の新規設計

• 複雑な労働時間制度

• ハラスメント調査

• 休職・復職

• 退職勧奨

• 解雇・重大懲戒

• 未払い残業請求

• 労働組合対応

• 労働基準監督署対応

• 労働審判

労務問題は、法令の知識だけでなく、証拠、説明、社内運用、人間関係によって結果が変わります。

文書をAIで作れることと、その文書を実行してよいことは分けて考えるべきでしょう。

海外で起きているのは、専門家の消滅より仕事の再配置

海外では、企業内法務が契約レビュー、法的調査、案件受付などをAIで処理し、外部法律事務所へ出していた仕事を一部内製する動きが進んでいます。

ここから得られる示唆は、「海外では弁護士が不要になった」ではありません。

ということです。

この変化は、税務、会計、労務にも広がる可能性があります。

顧問契約は、安心感ではなく利用実態で見直す

顧問契約には、会社の事情を継続的に理解してもらえることや、緊急時に相談しやすいという価値があります。

したがって、月額顧問をすべて廃止すべきだとは思いません。

ただし、次の状態なら見直す余地があります。

• 質問の多くが公開情報の確認

• 月にほとんど相談しない

• 定型書類の作成・転記が中心

• 自社の事業理解が浅い

• 重要案件では別の専門家を探している

• AIと社内で準備した方が速い

反対に、次の状態なら顧問契約の価値は残りやすいでしょう。

• 重要相談が継続的に発生する

• 規制産業である

• 資本政策や海外取引が頻繁にある

• 複雑な雇用制度や労使問題がある

• 顧問が経営会議へ関与している

• 緊急時の即応性が重要である

• 自社固有の判断基準を蓄積している

見直し方は解約だけではありません。

• 月額からスポット相談へ

• 毎月から四半期レビューへ

• 決算・申告時だけ依頼

• 年1回の規程・ひな型監査

• 緊急対応枠だけ維持

• 特殊分野ごとに専門家を分ける

• 定型作業を外し、経営判断へ報酬を集中する

といった選択肢があります。

専門家へ依頼する前に、AIで発注準備をする

今後、AIの効果が大きく出るのは、専門家の代替だけではありません。

専門家への発注準備です。

依頼前に、次を整理します。

事実関係

• 何が起きたか

• いつ起きたか

• 誰が関係しているか

• 金額はいくらか

• どの資料・証拠があるか

自社の目的

• 何を実現したいか

• 何を避けたいか

• どこまで譲歩できるか

• いつまでに決める必要があるか

現時点の分析

• 関係しそうな制度

• 主な選択肢

• 想定リスク

• 相手側からの反論

• 未確認事項

専門家へ聞く質問

• 最も重大なリスクは何か

• 自社案は成立するか

• 代替案はあるか

• 追加で必要な証拠は何か

• どの条件なら実行を止めるべきか

これにより、専門家の時間を資料整理や一般論の説明ではなく、本当に難しい判断へ使えます。

専門家の回答を、会社の知識資産へ変える

同じような契約、経費、採用、退職、個人情報の相談を、毎回ゼロから依頼している会社は少なくありません。

専門家から回答を得たら、次の形式へ変換します。

• 契約ひな型

• 条項別の判断基準

• 税務処理ルール

• 証憑チェックリスト

• 入退社手順

• 就業規則の運用ルール

• 専門家へ回す条件

• AIへの指示

• 過去判断のデータベース

• 社内FAQ

ただし、過去回答には、確認日、適用条件、対象年度、判断の前提を付けます。

制度や事実関係が変わったときに、古い回答を機械的に使わないためです。

専門家の回答をその場限りで終わらせず、自社のルールへ変えるほど、次回以降の発注を減らせます。

この考え方は、同じ指示や修正を繰り返さず、ルール、テスト、評価基準として組織知へ変換するという、AI活用全般の原則ともつながります。

90日で発注構造を見直す

いきなり顧問契約をすべて解除する必要はありません。

まず90日間で、小さく検証する方法を提案します。

1〜30日：過去の発注を分解する

過去6〜12か月について、次を整理します。

• 発注先

• 依頼内容

• 費用

• 所要時間

• 成果物

• 専門家でなければできなかった部分

• AIや社内で代替できそうな部分

• 同種案件の発生頻度

• 誤った場合の影響

31〜60日：低リスク業務を比較検証する

契約要約、差分抽出、議事録、証憑整理、期限管理などから始めます。

過去の専門家成果物とAI出力を比較し、次を測ります。

• 見落とし

• 誤り

• 修正時間

• 必要な入力情報

• 社内で検証できるか

• 処理時間

• 発注費用との差

同時に、過去案件から20件程度の評価セットを作ります。

61〜90日：発注ルールを決める

• 4段階の分類

• 専門家へ回す条件

• 社内承認者

• 必要な証拠

• 複数AIの役割

• 判断ログ

• 顧問契約の変更案

• スポット相談先

• 緊急案件の連絡先

を決めます。

この検証で確かめるべきなのは、「AIと士業のどちらが優秀か」ではありません。

自社のどの仕事を、どの条件と検証工程なら、安全かつ経済的に内製できるかです。

まとめ：士業をなくすのではなく、発注と検証の密度を上げる

AI時代に、スタートアップや中小企業が、従来と同じ形で士業へ発注し続ける必要はないと思います。

情報収集、文書の初稿、契約比較、一般的な計算、手続整理などは、AIとSaaSで内製できる範囲が広がっています。

ただし、AI回答の品質は、モデル名だけでは決まりません。

• 必要な事実を聞き出す

• 事実パケットを確定する

• 一次資料を与える

• 事実と推論を分ける

• 複数AIを独立分析させる

• 数値を別ツールで計算する

• 引用を原典で確認する

• 反対側から攻撃する

• 評価セットで継続検証する

• 判断ログを残す

• 停止条件を決める

という工程が必要です。

そのため、次のように考えるのがよいのではないでしょうか。

目指すべきは、士業との関係を切ることではありません。

低付加価値な作業への支出を減らし、会社自身が理解・検証・判断できる範囲を広げ、本当に難しい案件へ専門家の知見を集中することです。

高性能AIが普及するほど、一般的な知識や定型文書を外部から購入する必要性は下がります。

その一方で、経営者には、何を内製し、どこまで検証し、何を止め、何を誰へ任せるかを決める責任が残ります。

これから問われるのは、「士業が必要か不要か」ではありません。

会社がリスクを分類し、AI回答を検証可能な形で作り、必要な専門性を、必要なタイミングと範囲で調達できるか。

その発注設計と品質管理ではないでしょうか。

関連記事

• ［「AIを使える人」と「AIに依存する人」の境界はどこか？成果物を説明できなくても、本当に問題ないのか。］
  https://note.com/gtminami/n/n5a4537f02d5f

  • AIへ任せる範囲と、人間が保持すべき評価、停止、回復、責任について詳しく整理しています。

• ［AIに同じ指示を繰り返していないか？組織の知識を「仕組み」に変える方法］
  https://note.com/gtminami/n/n31eed51c9001

  • AIや専門家から得た知識を、ルール、テスト、評価基準へ変換する方法を扱っています。

• ［AIを導入しただけでは企業は変わらない。金融庁「AIディスカッションペーパー（第1.1版）」から考える、日本企業に必要な「AIネイティブ経営」とは？］
  https://note.com/gtminami/n/n511b67078b2b

  • AIを単発利用ではなく、業務、知識、権限、評価、改善を含む経営システムへ落とし込む考え方を扱っています。

企業で実行する場合

この記事で扱った士業関連業務の棚卸し、複数AIによる品質管理、承認フロー、評価セット、専門家へ回す条件を自社業務へ落とし込みたい場合は、次の記事で、研修、業務設計、システム・エージェント開発、改善運用までの支援内容をまとめています。

出典・参考資料

• OpenAI「GPT-5.6: Frontier intelligence that scales with your ambition」

• OpenAI Help Center「GPT-5.6 in ChatGPT」

• OpenAI API Docs「Working with evals」

• OpenAI「Evals drive the next chapter of AI」

• Anthropic「Claude Fable 5 and Claude Mythos 5」

• Anthropic「Claude Fable」

• Anthropic「Models overview」

• Anthropic「Prompt engineering overview」

• Anthropic「Prompting best practices」

• NIST「AI Risk Management Framework」

• e-Gov法令検索「弁護士法」

• e-Gov法令検索「税理士法」

• e-Gov法令検索「社会保険労務士法」

• 国税庁 e-Tax

• 厚生労働省の労働・社会保険関係資料

• American Bar Associationの生成AI・リーガルテクノロジー関連資料

• Thomson Reutersの専門サービス向けAI調査

※本記事は、特定案件について法律・税務・労務上の結論を示すものではありません。実際の判断は、会社、取引、地域、時期、適用制度、事実関係によって変わります。本記事で示した基準と品質管理工程を使い、個別案件ごとに社内処理、責任者承認、専門家確認、専門家主導のいずれが妥当かを判断してください。