承認ワークフロー（AI下書き・人承認）

AIが下書きを生成し、人が承認したものだけを台帳に反映する安全なワークフロー設計。

AIによる自動化と人の最終判断を分離し、AIが直接データを書き換えず、人が承認した内容だけを正式な台帳に反映する設計パターン。誤ったAI出力が実データに影響を与えるリスクを防ぎ、AI導入の信頼性を高める。

背景

AIエージェントの能力が高まるほど、自動処理の範囲を広げたくなるが、読み取り誤りや判断ミスが発生しうる。特に顧客情報・勤怠・予約などの業務データでは、誤入力が直接的な損害につながる。そこで「AIは下書きを作る」「人間はそれを確認して承認する」という段階を設けることで、AIの効率と人間の責任を両立させる。

代表的な実装例

kurage-products に登場するKurage製品群では、このパターンが複数の商品に共通して採用されている。

• kurage-crm-agent（入力ゼロCRM）: 日報を投げるとAIが顧客・商談・活動を下書きに起票し、人が1タップで承認。
• kurage-ai-meishi-analysis（AI名刺解析・名刺台帳）: AIが名刺の12項目を読み取り下書き登録し、人が原本画像と見比べて承認した分だけ台帳へ。
• kurage-kintai（顔打刻つき勤怠システム）: 顔認証の照合はサーバーの決定的コードが正とし、写真証跡を残すことで人の事後確認を可能にしている。

設計上のポイント

• AIは直接書けない: 台帳への書き込みは承認操作を通す。AIに書き込み権限を与えない安全設計。
• 承認の容易さ: 入力ゼロCRMでは1タップ、名刺台帳では見比べるだけ、といった低コスト承認が継続利用の鍵。
• 証跡の保存: 写真や元データを残し、承認時に人が確認できるようにする（evidence-traceability）。

関連コンセプト

• approval-workflow: 承認プロセス全般の設計。
• ai-agent: AIエージェントが下書き生成を担う。
• ai-modifiable-software: AIによる改変を前提にしたソフトウェア設計と親和性が高い。
• config-declared-scope: AIの操作範囲を設定側で宣言的に制限する考え方。
• evidence-traceability: 承認判断の根拠となる証跡管理。
• self-contained-php-app: 多くのKurage製品が採用する軽量構成。

まとめ

AIの出力をそのまま信頼するのではなく、「下書き→承認→反映」という段階を組み込むことで、AI導入の障壁を下げつつ、データ品質と説明責任を保つ。これはAIエージェントが業務システムに浸透する上で重要な設計原則である。