AI駆動SESとは｜言葉の指す範囲と本記事で扱う範囲
AI駆動SESとは、SES事業の業務にAIを組み込んで自動化する取り組みを広く指す言葉で、標準化された定義はまだありません。
この記事では仕組みの解説はせず、実際に大量の案件・人材メールを処理してきた立場から、どこまで自動化できて、どこからができないのかという境界線だけを実データで引きます。
「AI駆動SES」に確立した定義はない
この言葉に決まった定義はなく、使う人によって指す範囲が大きく変わります。
案件と人材のマッチングを効率化することを指して使われることもあれば、経営判断まで含めた事業運営の形を指して使われることもあります。
範囲が違う言葉を同じ名前で呼んでいる状態なので、「AI駆動SESを導入した」という表現だけでは、実際に何が自動化されたのかは分かりません。
本記事はメール処理とマッチングの自動化に絞って扱う
そこで本記事では、AI駆動SESをメール処理とマッチングの自動化という実務の範囲に絞って扱います。
理由は単純で、この範囲であれば自社の実データで検証できるからです。
言葉の定義を広げるほど検証できない話が増えるため、検証できる範囲まで狭めたうえで、そこで自動化できたこととできなかったことを両方出します。
生成AIで変わるのは仕事の有無より配分である
生成AIの普及を理由にSES営業の仕事が一律に減るとは言えませんが、情報処理をAIへ移すことで営業担当の方が時間を使う仕事は変わります。
経済産業省は生成AIの本格活用に向けた課題として、日常業務への組み込み、新サービスの創出、経営層の関与を挙げています。
同資料はAIの活用によって仕事や必要なスキルが変わる可能性を示していますが、SES営業の雇用や案件が一律に減ることを示したものではありません。
IPAのディスカッションペーパーも、AI・データ等のスキルに加えて分析的思考やリーダーシップなどのヒューマンスキルが引き続き重要だと整理しています。
ただし、この資料は執筆者の見解に基づくもので、IPAとしての公式見解ではありません。
時間を移す先は人にしか持てない営業活動である
メール検索、条件整理、候補照合に費やしていた時間を減らせれば、顧客の背景理解、不明条件の確認、交渉、関係構築へ時間を移せます。
さらに、既存エンジニアの希望やスキル、稼働状況を更新し、新規案件の開拓に動く時間も確保しやすくなります。
これは売上増や削減時間の実績を意味するものではなく、自動化の導入前後で測るべき効果仮説です。
SES営業の仕事をどのように「任せる・支援させる・人が持つ」へ分けるかは、次の記事で実務手順として整理しています。
AI時代のSES営業に残る仕事｜AIに任せる仕事と人が担う仕事
自動化の範囲が曖昧なまま導入すると何が起きるか
自動化の範囲が曖昧なまま導入すると、期待していた工程が自動化されず、想定外の工程に人手が残るという食い違いが起きます。
SES営業の業務は、メールを読む、条件を整理する、候補を突き合わせる、相手に確認する、条件を交渉する、面談を調整するといった工程の連なりです。
このうちどこまでが自動化の対象なのかを事前に分けておかないと、導入後に「思っていたのと違う」という評価になりがちです。
期待値と実務のずれが運用の負担になる
もっとも負担が大きいのは、自動化されたはずの工程を人が確認し直す状態が続くことです。
自動で出力された結果をすべて疑って読み直すなら、手作業で処理していたときと工数はほとんど変わりません。
逆に、自動化できない範囲まで自動化されたと思い込むと、確認されないまま条件が流れていくという別のリスクが生まれます。
どちらも「どこまで自動化できるか」を数字で把握していないことから来ています。
実データで見る「できる」側の境界
自動化が実際に到達している範囲は、書き方がばらばらでも本文に書かれている項目の整理です。
以下はDot Linkが処理した案件・人材メールの実測値で、いずれも母数と集計時点を添えています。
単価は92.1%が数値レンジへ自動正規化される
単価情報を具体的な数値レンジとして自動正規化できたのは45,434件で、全体の92.1%でした（2026年3月17日〜7月22日、N=49,353件）。
「85万円以上」「70万円〜90万円」のように書き方が揃っていなくても、大部分は比較可能な数値の形に落とし込めています。
営業担当の方が本文を読んで金額を読み分け、シートへ転記していた工程は、この範囲では人手を介さずに完了しています。
商流の表記2,738通りは6種類に整理できる
商流の生テキストの書き方は2,738通りに分かれていましたが、AIで抽出してルールで正規化すると6種類のカテゴリに整理されました（2026年3月〜8月、N=16,115件）。
表記のゆれそのものは、機械で吸収できる範囲にあるということです。
同じ条件を指す2,738通りの言い回しを人が毎回読み替える作業は、比較可能なカテゴリへの変換に置き換わっています。
1通に複数件が混在するメールも分解できる
1通に2件以上の案件・人材情報を含むメールは1,303件で、全体の2.7%でした（2026年3月17日〜7月21日、N=48,601件）。
そのうち5件以上を含むメールは437通あり、1通あたりの内訳件数の最大値は100件でした。
100件が並んだ1通を人が最後まで読み切るのは現実的ではありませんが、機械であれば件数の多さ自体は問題になりません。
メール処理を自動化する仕組みの詳細は、こちらで解説しています。
実データで見る「できない」側の境界
同じ仕組みで処理していても、到達率が1桁台にとどまる項目があります。
「できる」側と同じデータセットから、到達できていない範囲を並べます。
商流を具体的に判定できたのは19.5%
商流を具体的に判定できたのは全体の19.5%でした（2026年3月〜7月、N=49,478件）。
単価が9割超に届いているのに対して、商流は2割に届いていません。
同じメール、同じ解析処理を通っているにもかかわらず、項目によって到達率がこれだけ離れています。
人材メールの商流判定は1.8%にとどまる
種別で分けると、差はさらに大きくなります。
案件（JOB）側の判定率が37.4%だったのに対し、人材（CANDIDATE）側は1.8%でした（同集計、N=49,478件）。
人材メールについては、商流はほぼ判定できていないという結果です。
単価も2.1%は正規化に失敗する
到達率が高い単価にも、届かない範囲があります。
数値レンジへの正規化に失敗し「単価情報なし」として扱われたレコードが1,050件、全体の2.1%ありました（2026年3月17日〜7月22日、N=49,353件）。
残りの数%は「応相談」等、金額レンジ以外の形で正規化されています。
自動化は100%ではなく、ごく一部は人が補う前提が正直なところです。
| 項目 | 自動化の到達率 | 母数と集計時点 |
|---|---|---|
| 単価の数値レンジ正規化 | 92.1% | N=49,353件（2026年3月17日〜7月22日） |
| 単価の正規化失敗（単価情報なし） | 2.1% | N=49,353件（2026年3月17日〜7月22日） |
| 商流の具体的な判定（全体） | 19.5% | N=49,478件（2026年3月〜7月） |
| 商流の具体的な判定（案件側） | 37.4% | N=49,478件（2026年3月〜7月） |
| 商流の具体的な判定（人材側） | 1.8% | N=49,478件（2026年3月〜7月） |
なぜできないのか｜書かれていないことは復元できない
到達率の差を生んでいるのはAIの性能ではなく、メールにその情報が書かれているかどうかです。
ここが本記事でもっとも伝えたい結論にあたります。
92.1%と1.8%の差はAIの性能差ではない
単価の92.1%と人材メールの商流の1.8%は、同じAIが同じメールを読んだ結果です。
処理の賢さが項目ごとに切り替わっているわけではありません。
差が出ているのは入力側で、単価はメールに書かれていることが多く、人材メールの商流はそもそも書かれていないことが多いという違いがそのまま数字に表れています。
人材メールはスキルと稼働可能な時期を中心に書かれ、その人材が何社を経由して紹介されているかは記載されないことが珍しくありません。
書かれていない条件は、どれだけ解析しても本文からは復元できません。
つまり自動化の限界はAIの賢さではなく記載の有無にあり、性能が上がれば1.8%が9割台に近づくという性質のものではありません。
「不明」と出すのは失敗ではなく設計上の選択
記載が見当たらない商流について、Dot Linkは推測で埋めずに「不明」として扱います。
根拠がないまま商流を決めつけると、実際とは違う条件でマッチングが進み、後工程で条件が合わないことが判明します。
「不明」という出力は自動化の失敗ではなく、確認すべき対象を明示した状態という位置づけです。
全件を読み直す代わりに、確認が必要な案件・人材だけを絞り込むための表示だと捉えてください。
AIに任せる作業と営業が責任を持つ活動
現在のDot Linkが担うのはメールの整理、検索、条件照合、候補提示までで、顧客との合意や最終提案の責任は営業担当の方が持ちます。
AIの能力を将来まで固定するのではなく、現在提供している機能と営業責任の境界として分けることが重要です。
検索と条件照合はAIに任せる
メールの送信または転送設定で取り込んだ情報は、ローカル検索で自社に届いた案件・人材を探し、オープン検索で公開範囲の情報を探せます。
イチオシでは条件に合う候補が提示されるため、受信箱を順に読みながら候補を探す作業を減らせます。
公開・非公開設定とブロックリストも使い、外部へ見せる範囲と候補から除外する相手を管理できます。
条件確認と交渉は営業担当の方が担う
商流が不明な相手への確認、単価や稼働開始日のすり合わせは、相手の回答を受けて進める営業活動です。
AIが候補を示しても、顧客がその条件を必要とする背景や、メールに書かれていない優先順位までは営業担当の方が確かめる必要があります。
最終提案と関係構築は営業責任として残る
最終的に誰を提案するか、その提案が相手との関係に与える影響をどう判断するかは営業側の責任です。
取引先との信頼関係や、エンジニアの希望を踏まえたフォローも、候補一覧だけでは完結しません。
AIが支援できる範囲が広がっても、相手への説明と合意、判断結果への責任まで自動化されたものとして扱わない運用が必要です。
案件と人材を突き合わせて候補を出す2段階の仕組みは、こちらで解説しています。
AIマッチングはどう案件と人材を結びつけるのか｜2段階フィルタの仕組み
境界線を踏まえたAI駆動SESとの現実的な付き合い方
自動化の恩恵を受けるには、自動化できる範囲と人が担う範囲をあらかじめ分けて運用を設計するのが現実的です。
境界線を先に引いておけば、導入後の食い違いも、確認されないまま条件が流れるリスクも避けられます。
自動化した範囲と人が担う範囲を分けて設計する
書かれている条件の抽出・正規化・突き合わせは機械に任せ、書かれていない条件の確認と交渉は人が担う、という分け方が実データと整合します。
単価のように9割超が自動で揃う項目は、人が読み直す前提を外してよい範囲です。
一方で人材の商流のように1桁台にとどまる項目は、最初から人が確認する工程として運用に組み込んでおくべき範囲になります。
「不明」を確認先のリストとして使う
「不明」と出力された案件・人材は、放置すべき欠損ではなく、優先して連絡すべき相手の一覧として使えます。
商流が判定できていない人材について、紹介元へ商流を確認する連絡を先に入れておけば、提案の直前で条件が合わないと分かる事態を減らせます。
自動化が減らすのは確認そのものではなく、確認すべき相手を探す手間のほうです。
減らした時間を新規開拓とフォローへ回す
検索と照合にかかる時間を減らした後は、その時間を顧客提案、新規案件の開拓、既存エンジニアのフォローへ再配分します。
Dot Linkが新規開拓そのものを自動化するわけではありません。
検索時間、候補発見までの時間、提案準備時間、新規開拓に使った時間、エンジニアのフォロー時間を導入前後で記録すると、時間配分が変わったかを確認できます。
売上や稼働率への影響は、この時間配分の変化と提案結果を継続して測ってから判断する必要があります。
商流が深くなるほど条件が変質していく業界構造については、こちらで整理しています。
SES多重下請け構造とは｜商流が深くなるほど営業実務に何が起きるか
境界線を知ったうえで自動化する
AI駆動SESを実務で扱うときの要点は、書かれていることは自動化でき、書かれていないことは復元できないという一点です。
単価の92.1%と人材メールの商流の1.8%という開きは、AIの性能ではなく、メールに何が書かれているかの差から生まれています。
この境界線を先に把握しておけば、自動化に任せる範囲と、人が確認・交渉・判断を担う範囲を、期待値のずれなく分けられます。
Dot Linkはメールの送信または転送設定で使い始められ、ローカル検索、オープン検索、イチオシで案件・人材の検索と候補確認を支援します。
公開・非公開設定とブロックリストで情報を扱う範囲を管理しながら、検索と条件照合にかかる時間を減らし、人が担う確認・交渉・関係構築へ時間を移すための仕組みです。
自社に届くメールで境界線がどこに引かれるかを確かめたい営業担当の方は、実際の受信メールで試してみてください。
自社のメールで自動化できる範囲を確かめる
無料登録して詳細を見る →よくある質問
AI駆動SESという言葉に決まった定義はありますか？
標準化された定義はありません。
マッチングの効率化を指す場合もあれば、経営の意思決定まで含めた事業運営の形を指す場合もあり、使う人によって範囲が変わります。
そのため「AI駆動SESを導入した」という説明だけでは、実際にどの工程が自動化されたのかは判断できません。
導入を検討する際は、言葉の定義ではなく、どの項目がどれだけ自動で処理されるのかを母数付きの数字、集計時点、集計対象の範囲で確認するのが確実です。
商流が「不明」と出た案件はどう扱えばよいですか？
紹介元へ商流を確認する連絡の対象として扱ってください。
Dot Linkは記載が見当たらない商流を推測で埋めず「不明」として区分するため、「不明」の一覧はそのまま確認が必要な相手の一覧になります。
特に人材メールは商流を具体的に判定できたのが1.8%（2026年3月〜7月、N=49,478件）にとどまるため、人材側は確認前提で運用するのが実態に合っています。
提案の直前ではなく早い段階で確認しておくと、条件の不一致が後工程で判明する事態を減らせます。
自動化しても人が担い続ける工程は何ですか？
現在の役割分担では、相手との合意と判断責任を伴う活動を人が担います。
商流が不明な相手への確認の連絡、単価や稼働開始日の交渉、面談の調整と実施、最終的に提案するかどうかの判断とその結果への責任、取引先との信頼関係の構築が該当します。
AIの能力を将来まで断定するのではなく、現在のDot Linkが提供する検索・条件照合・候補提示と、営業担当の方が持つ相手への説明・合意・責任を分けて運用します。
自動化が担うのは、その手前にある条件の抽出・正規化・候補の提示までだと整理してください。
参照データ算出方法
本記事の実測値は、メールから分解・正規化した案件・人材情報と、メール単位の内訳件数を集計したものです。
案件・人材情報は1レコードを1件として数え、メール内訳は1通を1件として数えています。
単価の数値レンジ正規化率と失敗率は、次の形で集計しました。
SELECT
COUNT(*) AS total_records,
COUNTIF([単価レンジ状態] = 'normalized') AS normalized_records,
COUNTIF([単価レンジ状態] = 'no_price') AS no_price_records
FROM `[マッチング用正規化テーブル]`
WHERE [正規化日] BETWEEN '2026-03-17' AND '2026-07-22';
商流の判定率は、全体と案件・人材の種別ごとに分けて集計しました。
SELECT
[種別],
COUNT(*) AS total_records,
COUNTIF([商流判定状態] = 'specific') AS specific_flow_records
FROM `[マッチング用正規化テーブル]`
WHERE [正規化日] BETWEEN '2026-03-01' AND '2026-07-31'
GROUP BY ROLLUP([種別]);
商流の表記数とカテゴリ数は、商流の記載があるレコードを対象に値の重複を除いて集計しました。
SELECT
COUNT(*) AS records_with_flow,
COUNT(DISTINCT [商流の元表記]) AS raw_flow_patterns,
COUNT(DISTINCT [商流カテゴリ]) AS normalized_flow_categories
FROM `[マッチング用正規化テーブル]`
WHERE [正規化日] BETWEEN '2026-03-01' AND '2026-08-31'
AND [商流の元表記] IS NOT NULL;
複数件を含むメールは、1通から分解された案件・人材の内訳件数で数えました。
SELECT
COUNT(*) AS total_messages,
COUNTIF([内訳件数] >= 2) AS messages_with_multiple_records,
COUNTIF([内訳件数] >= 5) AS messages_with_five_or_more_records,
MAX([内訳件数]) AS maximum_records_per_message
FROM `[メール内訳集計テーブル]`
WHERE [受信日] BETWEEN '2026-03-17' AND '2026-07-21';
[マッチング用正規化テーブル]、[メール内訳集計テーブル]、各角括弧内の項目名は実際のテーブル名・カラム名を伏せたプレースホルダです。
参照リンク
AI時代の仕事とスキルの変化は、次の公式資料を参照していますが、どちらもSES営業の仕事や案件が一律に減ることを示す資料ではありません。
経済産業省「生成AI時代のDX推進に必要な人材・スキルの考え方2024」 — 日常業務への組み込みや経営層の関与など、生成AIの本格活用に向けた課題を整理した資料です。
IPA「DX動向2025-AI時代のデジタル人材育成」 — AI時代のスキル変化とヒューマンスキルの重要性を扱うディスカッションペーパーで、IPAの公式見解ではなく執筆者の見解です。
