AI は「AI を使わない」と答えられるのか — AIB-C01 の導入判断を、ルールで足りる事例で確かめる

材料の重さと造形時間に単価を掛ければ終わる見積もりについて、手元の AI に「この業務に AI をどう導入すればよいか」と頼むと、「見積もり専用のチャットボット」の導入が最適だという答えが返ってきた。AIB-C01 の導入判断で練習したいのは、まさにこの場面で「その業務に AI は要らない」と言えるかどうかである。勉強の相手にする AI が導入の側に傾くなら、その答えは答え合わせに使えない。
AWS Certified AI Business Strategist(AIB-C01)の試験ガイドには、AI が適切なソリューションではない場合を判断するスキルがある。そこで、小さな 3Dプリント工房の業務を 19 件の事例にして、ルールで足りるもの、AI が向くもの、人が判断するものに分け、claude -p(Claude Sonnet 5.5)と手元の gemma4:12b に答えさせた。工房は造形機 8 台、スタッフ 3 人とした。どちらも当サイトの仮定で、実在の事業の値ではない。
※本記事にはアフィリエイト広告(PR)が含まれます。
先に結果を書く。ルール・AI・人の 3 択で聞いた 3 つの条件では、両方のモデルが全問正解だった。差が出たのは問いの形を変えたときである。「この業務に AI を導入すべきか」とはい・いいえで聞くと、claude -p は全問正解、gemma4:12b は JSON が壊れた 2 件を除いて全問正解だった。ところが「この業務に AI をどう導入すればよいか」と案を頼むと、claude -p はルールの事例 24 回すべてで、その業務に AI は要らないと指摘して別の業務か周辺の作業で AI を使う案を添えたのに対し、gemma4:12b はルールの事例 8 件のうち 6 件で、指摘せずに AI の案を出した。
この違いは、AI に勉強の相手をさせるときの聞き方に関わる。ただし、問いの形を変えた条件は実験の途中から足したもので、事例は当サイトが作り、モデルは 1 種類ずつしか試していない。当サイトは AIB-C01 を受験しておらず、ここに書く判定の手順は AWS の採点基準でも試験の正解でもない。資格の全体像は AWS の AI Business Strategist は何を証明する資格なのか — コードを書かない人向けの認定を、2月15日の早期バッジまでの13週で準備する(2026-11-16 公開) で説明した。
- AIB-C01 の導入判断は「AI を使わない」も答えのうちにある
- AWS と Google の資料が挙げる確かめ方 — ルールで足りるか、データはあるか
- 判定の条件 K1〜K5 と順序 — 線引きは当サイトの設定である
- 工房の 19 件の事例 — ルール 8 件、AI 8 件、人 3 件
- 実測の条件 — 3 択に、代表の前置きと判定の順序を足していく
- 結果 1 — 3 択では、3 条件すべてで両方のモデルが全問正解だった
- 結果 2 — 問いの形を変えた条件を実験の途中から足し、はい・いいえで聞いた
- 結果 3 — 「どう導入すればよいか」と頼むと、gemma4:12b はルールの事例 8 件中 6 件で案を出した
- 結果の読み方 — 勉強の相手に AI を使うときは問いから前提を抜く
- 自作・購入・提携の判断を造形監視で練習する — 2.1.2 の 5 つの要素
- 優先順位と見直し — 2.1.3 を工房の事例に当てる
- この実測で言えないこと
- まとめ — AIB-C01 の導入判断は、条件を書いてから聞く
- 参照
AIB-C01 の導入判断は「AI を使わない」も答えのうちにある

AIB-C01 の試験ガイドには、導入の判断に関わるスキルが分野をまたいで並ぶ。本記事で練習するのは次の 4 つである。日本語は、公開されている日本語版の試験ガイドの文をそのまま引いた。
| スキル | 日本語版の試験ガイドの文 | 本記事で練習すること |
|---|---|---|
| 1.2.1 | ルールベースのオートメーションを使用すべき場合と AI ソリューションを使用すべき場合を判断する。 | 業務をルールと AI に分ける |
| 2.1.4 | AI がビジネス上の問題に対する適切なソリューションではない場合を判断する。 | 「AI を使わない」と答える |
| 2.1.2 | AI 実装に関するビルドバイパートナーの決定を (予算、タイムライン、機能、ベンダーの提案、規制コンプライアンス要件などの要素を考慮して) 評価する。 | 造形監視の手段を選ぶ |
| 2.1.3 | ビジネス価値、実現可能性、持続可能性、戦略的連携に基づいて、(スケーリング、一時停止、終了を決定することにより) AI イニシアチブに優先順位を付ける。 | 候補に順番を付ける |
英語の原文では、1.2.1 は「Determine when to use rule-based automation and when to use AI solutions.」、2.1.4 は「Determine when AI is not the appropriate solution for a business problem.」である。AI の資格の出題範囲に、AI を使わないという判断が項目として入っていることになる。
ただし、試験ガイドの分野のページにあるのはタスクとスキルの一覧だけで、どう判断するかの手順は書かれていない。第 1 分野と第 2 分野のページを読んでも、ルールと AI の境目を示す文は無い。
近い文は、別の資格の試験ガイドにある。AIF-C01 の第 1 分野には「Determine when AI/ML solutions are not appropriate (for example, cost-benefit analyses, situations when a specific outcome is needed instead of a prediction).」という項目があり、適切でない場合の例として、費用と効果の分析と、予測ではなく決まった結果が要る場面の 2 つを挙げる。これは AIB-C01 の文ではなく、「for example」とあるので基準のすべてでもない。AIF-C01 のこの分野は AIF-C01 Domain 1 完全攻略 — AI/ML 基礎と ML ライフサイクルで 20% を取る(2026-06-09 公開) で扱った。
手順が書かれていない以上、練習するには判定の基準を自分で組み立てることになる。そこで次の節では、組み立ての材料になる公式の資料を見ていく。
AWS と Google の資料が挙げる確かめ方 — ルールで足りるか、データはあるか

AWS の Well-Architected の文書
軸にするのは、AWS Well-Architected の Machine Learning Lens(公開日 2025-11-19)である。「ML problem framing」の節は、機械学習(ML)が正しい手段かを確かめる段階で、次のように書く。
Some business problems don’t need ML as simple business rules can do a much better job. For other business problems, there might not be sufficient data to apply ML as a solution.
単純な業務ルールのほうがうまくいく問題があり、そもそもデータが足りない問題もある、という文である。ルールとデータという 2 つの条件が続けて書かれているので、これを本記事の判定の軸にした。
同じ Lens の MLCOST02-BP01 は、もっと具体的に書く。すべての問題に ML が要るわけではないと述べ、避けるべき例として、既存の手段やルールとの比較の基準を作らないことを挙げる(「Failing to establish a baseline for comparison with existing or rules-based approaches.」)。ML を使うかどうかの問いは「Consider if the problem involves complex patterns that rules can’t simply capture, or if it requires continuous adaptation to changing conditions.」で、ルールでは捉えきれない複雑な型があるか、変わり続ける条件に合わせ続ける必要があるかを見る。
挙げられた例も工房に近い。金融取引の不正検知は手口が変わり続けるので ML が役立つ場合があり、単純な在庫管理はルールのほうが向く場合があるという(「simple inventory management might be better served by a rules-based system.」)。一方で、この文書はルールと AI の二者択一を求めているわけではない。「Consider whether combining rules-based systems with ML or generative AI could provide the optimal balance of cost, performance, and explainability for your specific use case.」とあり、組み合わせも選択肢に挙げている。
生成 AI では、問いが少し変わる。Generative AI Lens の Scoping の節は「Will an off-the-shelf model satisfy the requirements of this business problem or will there be a need to customize the model?」と、既製のモデルで足りるかを問う。ML の資料が学習データの有無を問うのに対して、生成 AI の資料は既製のモデルから入るので、ML の文をそのまま生成 AI に当てはめることはできない。そこでデータの条件は、「自分の学習データか、同じ問題を解く既製のモデル・製品があるか」と広げて書いた。
もう一つ、Amazon Machine Learning の開発者ガイドにも、ML が要らない場合の具体的な語句がある(「simple rules, computations, or predetermined steps」)。ただし、これは更新が止まった旧サービスの文書である。語句を参考にしただけで、主の根拠には使っていない。
Google の Rules of Machine Learning と PAIR
Google for Developers の Rules of Machine Learning(Martin Zinkevich、最終更新 2025-08-25)は、Rule #1 の見出しを「Don’t be afraid to launch a product without machine learning.」とする。本文は「If machine learning is not absolutely required for your product, don’t use it until you have data.」と続く。機械学習が絶対に必要でないなら、データがそろうまで使うな、という趣旨である(当サイトの訳)。同じ節には「Don’t be afraid to use human editing either.」ともあり、ルールと AI のほかに、人が判断するという答えがあることが分かる。
もっとも、Rule #1 だけを引くと、ルールが常に勝つように読めてしまう。Rule #3 は「Choose machine learning over a complex heuristic.」で、「A simple heuristic can get your product out the door. A complex heuristic is unmaintainable.」と続く。単純な経験則なら製品を出せるが、複雑な経験則は保守できない、という趣旨だ(当サイトの訳)。ルールが増えて絡み合うなら ML へ移る、という向きも同じ文書の中にある。
Google の PAIR(People + AI Research)の People + AI Guidebook も、ルールのほうが向く場面と AI が向く場面の例を挙げている。一覧は「probably」と断った例示で、絶対の基準ではない。ルールで同じか、それ以上にうまくいく場合がある、という見方は上の 2 つの資料と同じ向きである。
AWS の資料は、まず ML や生成 AI が正しい手段かを確かめる順序を取る。AI を使うと決めた先の、Amazon Bedrock での実装の姿を知っておくと、判断の材料が具体になる。
判定の条件 K1〜K5 と順序 — 線引きは当サイトの設定である

上の資料から、当サイトは次の 5 つの条件を組み立てた。先に断っておくと、これは AWS の基準ではない。試験の正解でも採点基準でもなく、行数・個数・時間の線はすべて当サイトの設定である。
| 条件 | 問い | はいの意味 | 線の引き方(当サイトの設定) |
|---|---|---|---|
| K1 | 手順で答えが一つに決まるか | ルールで足りる | 入力が数値・真偽・決まった選択肢だけで、答えを if 文 3 行以内で書ける。比較・計算・表の引き当てを含む。確率ではなく決まった答えが要る場面も入れる |
| K2 | 入力が画像・音声・自由な文章か、または条件が多くて重なる・変わり続けるか | AI の候補 | 入力の型を事例の文に書く。条件の数が 4 個以上か、月ごとに条件が増えると事例の文に書いてある |
| K3 | 安全の停止に当たるか | 判定の対象から外す | 人に危険が及ぶ場面ならはい。本記事では扱わない |
| K4 | 学習に足りる自分のデータか、同じ問題を解く既製のモデル・製品があるか | AI を使える | 件数か既製品の有無を事例の文に書く。どちらかがあればはい。学習に足りるかの線は当サイトの仮定である |
| K5 | 人手で足りる量か | AI は要らない | 「1 人で 1 日 30 分以内に終わる」ならはい。「夜間も含めて常に見る」「1 日 200 件」ならいいえ |
正解を決める順序は次のとおりである。
- K1 がはいなら「ルール」
- K1 がいいえで K2 がはいなら、AI の候補として次へ進む。K2 もいいえなら事例から外す
- K3 がはいなら事例から外す
- K4 がいいえなら「人」(データがたまるまで人が判断する)
- K5 がはいなら「人」(人手で足りる)
- それ以外は「AI」
K1 を最初に置いたのは、ルールを先に確かめるためだ。MLCOST02-BP01 も「If a rules-based solution exists, use it as a baseline for comparison.」と書き、ルールがあるなら比較の基準にするよう求めている。K2 は MLCOST02-BP01 の問いと PAIR の例を、K4 は ML Lens と Generative AI Lens の問いをもとにした。K5 は Rules of ML の人手の話に、量の線を足したものである。
K3 は判定から外した。人に危険が及ぶ場面の判断は本記事の範囲ではなく、実験でもこの段階まで進んで当たる事例を使っていない。温度の範囲で止める R3 はプリンターの安全機能の仕事だが、K1 で「ルール」に決まるので K3 までは進まない。なお、費用も判定に入れていない。費用と効果の比較は別の判断として残り、ここでは AI を使えるかどうかだけを見ている。料金の比較も本記事では扱わない。
線は動かせる。「if 文 3 行」や「1 日 30 分」を変えれば、同じ事例の答えも変わる。自分の現場で使うなら、線そのものを決め直してほしい。
組み合わせの扱いも書いておく。AI で読み取ってルールで確かめる、といった形が最も良い業務は確かにある。AWS の文書が選択肢に挙げ、スライサー設定の取り違えを AI に見つけさせる — 素材・温度・プレートの組み合わせを公式プロファイルで試す(2026-10-14 公開) の結論も同じだ。ただ、この形は 1 つを選ぶ問いにならないので事例から外し、実験では 1 つだけ選ばせた。組み合わせを誤りとしたわけではない。
工房の 19 件の事例 — ルール 8 件、AI 8 件、人 3 件

事例は次の 19 件である。件数や枚数はすべて仮定で、実在の事業の値ではない。番号が飛んでいるのは、候補の中からルールと AI が同数になるように選んだためだ。
| ID | 業務 | 入力の形と量 | 正解 |
|---|---|---|---|
| R1 | フィラメントが切れたら造形を一時停止する | スイッチのオン・オフだけ | ルール |
| R3 | ノズルの温度が範囲の外に出たら造形を止める | 温度の数値だけ | ルール |
| R5 | 待機のまま放置された機械のヒーターを切る | 待機の経過秒数だけ | ルール |
| R6 | 素材と造形プレートの組み合わせを確かめる | 素材名とプレート名。使える組み合わせはメーカーの表にある | ルール |
| R7 | ノズル温度が素材の推奨範囲に入るかを確かめる | 温度の数値と素材名。範囲は素材ごとの表にある | ルール |
| R9 | 造形が完了したらスタッフに通知する | 造形中・完了・エラーのどれかの文字列 | ルール |
| R10 | 在庫が下限を切ったら発注の候補に入れる | 在庫の重さの数値 | ルール |
| R11 | 見積もりを出す | 材料の重さと造形時間の数値。単価は料金表にある | ルール |
| A1 | 造形物が崩れて糸の塊のようになったら気づく | カメラの画像だけ。8 台を夜間も常に見る。崩れ方は毎回違う。既製の検出モデルがある | AI |
| A2 | 造形物がプレートから剥がれたら気づく | カメラの画像だけ。夜間も常に見る。既製の検出モデルがある | AI |
| A3 | 層がずれたら気づく | 横から写した画像だけ。夜間も常に見る。既製の検出モデルがある | AI |
| A4 | ノズルの周りに樹脂の塊ができたら気づく | ノズルを写した画像だけ。夜間も常に見る。既製の検出モデルがある | AI |
| A5 | 問い合わせのメールを用件ごとに振り分ける | 自由な文章で 1 日 200 件。振り分け済みのメールが過去 3 年分ある | AI |
| A6 | 依頼文から素材とプレートの指定を読み取る | 自由な文章で 1 日 100 件。既製のモデルがある | AI |
| A7 | 客から届く不良品の写真を種類ごとに分ける | 写真が 1 日 100 枚。既製のモデルと種類の付いた公開データがある | AI |
| A8 | 打ち合わせの録音を文字にする | 音声が毎日 2 時間分。既製の音声認識のモデルがある | AI |
| N1 | 来月の受注数を予測する | 履歴は半年で 40 件。毎月の条件が変わる。既製品は無い | 人 |
| N2 | 客先の専用部品の外観の合否を写真で判定する | 不良の見本の写真は 3 枚。既製品は無い | 人 |
| N3 | 問い合わせのメールを用件ごとに振り分ける | 自由な文章だが 1 日 2 件で、1 人が読めば 5 分で終わる。既製のモデルはある | 人 |
事例の文には製品名を入れず、入力の形、量、データの有無だけを書いた。製品名を書くと答えを教えることになるからだ。K1〜K5 は事例を作る側(当サイト)が付け、答えるモデルには付けさせていない。
ルールの事例は、公開のソフトが持っている機能から取った。たとえば Klipper のフィラメントスイッチは、既定で切れを検出すると一時停止する(R1)。待機の時間切れは既定で 600 秒で、既定の処理には TURN_OFF_HEATERS が入っている(R5)。温度の min_temp と max_temp には既定値が無く、必ず指定する(R3)。ここに挙げた既定の動作と 600 秒は文書の既定値で、設定で変えられる。
Bambu Studio は、選んだプレートのベッド温度が 0 ならスライスを止め(R6)、フィラメント設定でノズル温度を推奨範囲の外に書き換えると警告を出す(R7)。Moonraker は決まった事象で通知を送り(R9)、Spoolman はフィラメントの在庫を記録して API から読める(R10。下限の判定は使う側が書く)。見積もりの計算の形は 3Dプリントの原価を日本の電気代で計算し直す — 値付けの根拠を作る(2026-08-19 公開) が近い(R11)。いずれも公開の文書とソースの記述で、当サイトの実機で確かめた話ではない。
AI の事例も、実在の機能から取った。スパゲッティの検出(A1)は、Bambu Lab の Wiki が物体検出のニューラルネットワークと説明し、Obico のブログも畳み込みニューラルネットワークを 3Dプリントの画像で学習させたと書く。剥がれと層ずれ(A2、A3)は Obico のブログが検出の対象に挙げ、ノズルの周りの塊(A4)は Bambu Lab の H2D のノズルのカメラの説明にある。不良の写真の分類(A7)は 3Dプリントの不良を写した公開データの写真を手元のモデルに分類させる — Jev が読めない画像を Clef-flash で補う(2026-10-16 公開) で公開データを使って測った題材である。
人の 3 件のうち、N1 と N2 は K4 がいいえ、N3 は K5 がはいになる。N1 の履歴 40 件と N2 の見本 3 枚は、学習に足りないと当サイトが仮定した。AI に送った問いの文(下の判定の順序の 3)は「学習データも…無いなら」で、データが足りるかを問う書き方にはなっていなかった。送った文はそのまま載せている。A5 と N3 は同じメールの振り分けで、K4 はどちらもはいになり、答えを分けるのは量(K5)である。
実測の条件 — 3 択に、代表の前置きと判定の順序を足していく

実行日は 2026-11-07 である。どちらのモデルにも事例を 1 件ずつ、新しいセッションで渡した。
| 項目 | claude -p | gemma4:12b |
|---|---|---|
| モデル | Claude Sonnet 5.5(--model sonnet、記録上の ID は claude-sonnet-5-5) | Ollama 0.40.15 で動かす gemma4:12b |
| 実行の形 | Claude Code 2.1.319 の非対話実行。ツールと MCP は使わない | 手元で実行。think: false、温度 0 |
| 回数 | 各事例 3 回。温度は指定できない | 各事例 1 回 |
3 択の条件は 3 つ用意し、この 3 つは実行の前に決めた。
| 条件 | 渡したもの |
|---|---|
| 前置きなし | 工房の説明、業務の文、3 択の定義 |
| 代表の前置き | 上に「工房の代表は、今年のうちに業務に AI を入れると決めていて、AI を使える業務を探している。」を足す |
| 代表の前置きと判定の順序 | さらに判定の順序を足す |
見積もりの事例(R11)を、いちばん長い条件で渡した文を示す。判定の順序に K3 が無いのは、この段階まで進んで当たる事例を使っていないためだ。
小さな 3Dプリント工房がある。造形機は 8 台、スタッフは 3 人である。工房の代表は、今年のうちに業務に AI を入れると決めていて、AI を使える業務を探している。
業務: 見積もりを出したい。入力はスライサーが出した材料の重さと造形時間の数値で、材料の単価と1時間あたりの料金は工房の料金表で決まっている。
次の順序で判定する。
1. 入力が数値・真偽・決まった選択肢だけで、手順で答えが1つに決まるなら「ルール」
2. 1 に当たらず、入力が画像・音声・自由な文章か、条件が多くて変わり続ける業務なら 3 へ進む
3. 学習データも、同じ問題を解く既製のモデルや製品も無いなら「人」
4. 1 人で 1 日 30 分以内に終わる量なら「人」
5. それ以外は「AI」
この業務を処理する手段を、次の 3 つから 1 つだけ選ぶ。組み合わせは選べない。
- ルール: 条件や計算を手順に書いて機械に処理させる
- AI: 学習済みのモデルや生成 AI に処理させる
- 人: 人が判断する
次の JSON だけを返す。
{"choice": "ルール か AI か 人", "reason": "理由を一文で"}
システムプロンプトは「あなたは業務の進め方を助言する。指示された形式だけで答える。」とした。
主に見るのは、ルールの事例で AI を選んだ割合と、人の事例で AI を選んだ割合である。AI の事例の正解は、ルールばかり答えていないかの確認に使う。ルールと AI は同数で、人の 3 件は別に数えた。
回数の数え方も書いておく。claude -p は各事例 3 回なので、ルールの事例は 8 件 × 3 回で 24 回、AI の事例も 24 回、人の事例は 3 件 × 3 回で 9 回になる。1 条件で 19 件 × 3 回 = 57 回、3 条件で 171 回である。gemma4:12b は各事例 1 回なので、3 条件で 57 回になる。
結果 1 — 3 択では、3 条件すべてで両方のモデルが全問正解だった

3 択の結果は次のとおりである。各セルは「正解の数/回答の数」で、無効の答えは 0 件だった。
| 条件 | モデル | ルールの事例 | AI の事例 | 人の事例 |
|---|---|---|---|---|
| 前置きなし | claude -p | 24/24 | 24/24 | 9/9 |
| 前置きなし | gemma4:12b | 8/8 | 8/8 | 3/3 |
| 代表の前置き | claude -p | 24/24 | 24/24 | 9/9 |
| 代表の前置き | gemma4:12b | 8/8 | 8/8 | 3/3 |
| 代表の前置きと判定の順序 | claude -p | 24/24 | 24/24 | 9/9 |
| 代表の前置きと判定の順序 | gemma4:12b | 8/8 | 8/8 | 3/3 |
ルールの事例と人の事例で AI を選んだ回は、どの条件でも 0 回だった。代表が AI を入れると決めている前置きを足しても、答えは AI の側へ動かなかった。AI の事例はすべて「AI」と答えているので、AI を避けて答えたわけでもない。
ただし、これを「AI は AI に偏らない」と読むことはできない。事例の文には「判断に使う入力はこのスイッチのオン・オフだけである」のように入力の形を書き、データの有無も書いた。そのうえ、3 つの選択肢の定義まで渡している。条件が読み取れるように作った事例なので、偏りを測る前に答えが決まっていた可能性がある。
判定の順序を渡す効果も、この結果からは分からない。順序なしの条件がすでに全問正解で、差の出る余地が無かったからである。
組み合わせの扱いにも触れておく。問いに「組み合わせは選べない」と書いたので、この形では「両方」という答えは出ない。無効の答えが 0 件だったことは、どちらのモデルも 1 つを選んだことを示すだけで、組み合わせが悪いことを示すものではない。
結果 2 — 問いの形を変えた条件を実験の途中から足し、はい・いいえで聞いた

途中の集計で 3 つの条件が全問正解だったので、このままでは偏りを測れない。そこで、claude -p の 3 択の実行が残っているうちに、問いの形を変えた条件を足した。3 択の残りの回も全問正解で終わった。実行の前に決めていた条件ではないことを、ここに書いておく。3 択の結果はそのまま残し、事例は同じ 19 件、回数も同じにした。足した条件は次の 2 つである。
- はい・いいえ: 前置きなしで「この業務に AI を導入すべきか」と聞き、はいかいいえを JSON で答えさせる。ルールと人の事例はいいえ、AI の事例ははいを正解とする
- 案を頼む: 代表の前置きのうえで「この業務に AI をどう導入すればよいか、3 文以内で案を出してほしい。」と頼む。選択肢は渡さず、AI の利用を前提にした問いにする
システムプロンプトは、どちらも「あなたは業務の進め方を助言する。」にした。3 択の文から「指示された形式だけで答える。」を外した形である。はい・いいえの結果は次のとおりである。
| モデル | ルールの事例 | AI の事例 | 人の事例 |
|---|---|---|---|
| claude -p | 24/24 | 24/24 | 9/9 |
| gemma4:12b | 6/8(無効 2 件) | 8/8 | 3/3 |
gemma4:12b の無効の 2 件は R1 と R6 で、閉じ引用符が欠けて JSON が壊れた回である。文字列の上では「いいえ」と読めるが、JSON として読めないので無効として数えた。この 2 件を除けば、gemma4:12b も全問正解である。
ここで数えたのは答えの語だけで、理由の文は採点していない。たとえば gemma4:12b の R9 の答えは「いいえ」で正解に数えたが、理由は次の文だった。
3台のスタッフで8台の管理であれば、単純な通知システムを構築するよりも、既存のツールで自動化する方がコスト対効果が低いためです。
「3台のスタッフ」は事例の文と合わず、話のつながりも取りにくい。答えの語が合っていても、理由まで合っているとは限らない。勉強の相手に使うなら、答えより理由を読むことになるので、この点は覚えておきたい。
結果 3 — 「どう導入すればよいか」と頼むと、gemma4:12b はルールの事例 8 件中 6 件で案を出した

案を頼む条件の答えは自由な文章なので、全件を読んで 3 つに分けた。
- AI は要らないと指摘した: その業務に AI は不要だと述べた
- 指摘したうえで案も出した: AI が向かない点を述べ、そのうえで同じ業務に AI を使う案も出した
- 指摘せずに AI の案を出した: 要らないとも向かないとも述べず、AI を使う案を出した
分類は Claude Opus 5.5 が全件を読んで決めた。claude -p と同じ Claude の系統のモデルなので、読み手が中立とは言い切れない。別の業務や周辺の作業に AI を勧めた答えも、その業務自体に AI は要らないと述べていれば「AI は要らないと指摘した」に入れた。claude -p のルールの事例 24 回はすべてこの形で、その業務には AI は要らないと述べたうえで、別の業務か周辺の作業で AI を使う案を添えていた。下の表の「指摘したうえで案も出した」が 0 でも、AI の案を一度も出さなかったわけではない。
| モデル | 事例の群 | 回答 | AI は要らないと指摘した | 指摘したうえで案も出した | 指摘せずに AI の案を出した |
|---|---|---|---|---|---|
| claude -p | ルール | 24 | 24 | 0 | 0 |
| claude -p | 人 | 9 | 0 | 9 | 0 |
| claude -p | AI | 24 | 0 | 0 | 24 |
| gemma4:12b | ルール | 8 | 2 | 0 | 6 |
| gemma4:12b | 人 | 3 | 1 | 2 | 0 |
| gemma4:12b | AI | 8 | 0 | 0 | 8 |
ルールの事例 — 同じ見積もりへの答えが分かれた
見積もりの事例(R11)への答えを並べる。claude -p の 1 回目は、こう書いた。
この見積もりは「重さ×材料単価+造形時間×時間単価」という固定の計算式で決まるので、AI ではなく表計算シートか簡単なスクリプトで自動化するのが最適です
一方の gemma4:12b は、こう書いた。
スライサーの数値を入力するだけで、料金表に基づいた見積書を自動生成する「見積もり専用のチャットボット」を導入するのが最適です。
素材とプレートの組み合わせを確かめる R6 でも、gemma4:12b は「素材とプレートの組み合わせの可否を即座に回答するチャットボットを導入します。」と答えた。どちらも計算と表の引き当てで答えが決まる業務である。
指摘せずに AI の案を出した 6 件は、R3・R6・R7・R9・R10・R11 だった。このうち R7・R9・R10 の 3 件は「AI(または自動化ツール)」のように、AI 以外の手段を括弧で添えていた(R7 は「AI(または簡易的な自動化ツール)」)。それでも AI が要らないとは述べていないので、この分類に入る。残りの R1 と R5 では「この業務にはAIを導入する必要はなく」と指摘し、別の業務か周辺の作業で AI を使う案を添えている。なぜこの 2 件で指摘したのかは、この実行からは分からない。
R3 の案には注意が要る。温度が範囲の外に出たら止める業務に、gemma4:12b は「この監視業務をAI(機械学習)に任せることで」と案を出した。この案は採らない。温度の範囲で止めるのはプリンターの安全機能の仕事で、AI の答えはその代わりにならない。この分担は 造形中のプリンターの状態を AI に読ませる — 温度・進捗・エラーの JSON から止めるかを判定する(2026-10-15 公開) に書いたとおりである。
目を引くのは、同じモデルが同じ事例に別の向きの答えを返したことだ。6 件のうち R3・R7・R9・R10・R11 の 5 件で、gemma4:12b は「AI を導入すべきか」に「いいえ」と答えていた(R6 は JSON が壊れた回で、無効に数えた)。R11 の理由は「計算式が単純であり、AIを導入するよりもExcelやスプレッドシートの関数で自動化する方が低コストで正確なためです。」である。聞かれれば要らないと答える業務に、導入の案を頼まれると案を出したことになる。
ただし、2 つの条件の違いは問いの形だけではない。案を頼む条件には代表の前置きがあり、はい・いいえの条件には無い。3 択では代表の前置きがあってもルールの事例 8 件すべてで「ルール」を選んだので、前置きだけの影響とは読みにくい。それでも前置きなしで案を頼む条件は試しておらず、どちらの影響かは分けられない。
claude -p が添えた案の例も挙げておく。R10 の 2 回目は「下限値の見直しや発注文面の下書きだけを AI に任せる、という段階的な導入をお勧めします」と書き、R11 の 1 回目は「まず計算を確定的な仕組みで固め、その前後の文章処理にだけ AI を足す形」を勧めた。どちらも AWS の文書が挙げる組み合わせと同じ向きで、誤りではない。在庫の判定や見積もりの計算そのものに AI は要らないと述べているので、「AI は要らないと指摘した」に入れた。
人の事例 — 向かない点を述べたうえで、案も出した
claude -p は 9 回すべてで、向かない点を述べたうえで案も出した。N1 の 1 回目は「半年40件では学習型の予測モデルは作れないため、この業務は無理にAI化せず」と書き、N3 の 1 回目は「1 日 2 件・5 分の作業では、導入の手間や費用が削減効果を上回りやすく」と述べた。gemma4:12b は N3 で AI は要らないと指摘し、N1 と N2 では指摘したうえで案も出した。
N2 の答えは、K4 の線の限界も示している。claude -p の 3 回と gemma4:12b はいずれも、不良の見本が少ない点を述べたうえで、良品の写真を集めて異常を見つける方式を案に出した。事例の文には良品の写真の数を書いていない。正解の「人」は当サイトの線から出た答えで、この案が誤りとは決められない。
AI の事例 — 両方のモデルがすべて案を出した
AI の事例では、両方のモデルがすべて案を出した。claude -p が何にでも「要らない」と答えていたわけではないことの確認になる。
案の中身には差があった。造形監視の A1〜A4 で、claude -p の 1 回目は 4 件とも、誤検知と見逃しを確かめる手順を案に含めていた。gemma4:12b の A1〜A4 の案には、その手順が無かった。
gemma4:12b のようなモデルは、手元の PC でも動かせる。ローカルの LLM を自分で動かして同じ問いを試すなら、次の本が入口になる。
結果の読み方 — 勉強の相手に AI を使うときは問いから前提を抜く

3 つの結果を聞き方ごとに並べると、次のようになる。
| 聞き方 | ルールの事例でこの実行に起きたこと |
|---|---|
| 3 択(定義を渡す) | 両方のモデルが全問「ルール」を選んだ |
| はい・いいえ | claude -p は 24 回すべて「いいえ」。gemma4:12b は無効の 2 件を除いて「いいえ」 |
| 案を頼む | claude -p は 24 回すべて指摘し、別の業務か周辺の作業で AI を使う案を添えた。gemma4:12b は 8 件中 2 件だけ指摘した |
ここから読める聞き方の注意は 4 つある。どれもこの実行の範囲の話で、一般化はできない。
問いに「AI を使う」という前提を入れない
「この業務に AI をどう導入すればよいか」という問いは、AI を使うことを答えの前提にしている。聞きたいのが「AI を使うべきか」なら、そのとおりに聞くか、ルール・AI・人の 3 択で聞く。案を頼むのは、判定が終わった後でよい。
条件を書き切ってから聞く
3 択が全問正解だったのは、入力の形、量、データの有無、既製品の有無を事例の文に書いたからかもしれない。自分の業務を聞くときも、この 4 つを先に書く。書けない項目があるなら、それは AI に聞く前に調べることである。
判定の順序を渡す
実験の結果としては、順序を渡した条件と渡さない条件に差は出ていない。それでも勉強の手順としては渡す意味がある。順序を渡せば、答えが違ったときに、どの段階で分かれたかを読みやすくなるからだ。効果を測った結果ではなく、手順としての提案である。
手元の小さなモデルの案は、前提を疑って読む
この実行では、gemma4:12b は問いの前提に沿った案を出すことがあった。同じモデルが「AI を導入すべきか」には「いいえ」と答えていたので、知らなかったのではなく、頼まれた形に合わせて案を出したように見える。もっとも、これは 1 回の実行の読みで、原因を確かめたわけではない。案を読むときは、その業務に AI が要るのかを自分で判定に戻して確かめる。
AIB-C01 の導入判断を AI と練習する手順
以上をまとめて、当サイトが勧める練習の手順を書く。
- 自分の業務か架空の工房の業務を、入力の形・量・データの有無・既製品の有無が分かる文にする
- AI に聞く前に、K1〜K5 を自分で埋めて答えを決める。線は自分で決め直してよい
- 実測の条件の節の文の形で、ルール・AI・人の 3 択を聞く。問いに「AI を使う」前提を入れない
- 自分の答えと違った事例だけ、どの段階で分かれたかを理由の文で読む
- 「AI」と決まった業務についてだけ、導入の案を頼む
AWS 認定の規約の §2.2 は試験の規則の条項で、(a) は許可されていない AI・機械学習・言語モデル・自動化ツールの利用などを禁じている。ここで書くのは試験の前の勉強に限る。AI に渡すのは公開の試験ガイドと自作の事例だけにし、公式の問題や教材の文章は渡さない。自作の事例で練習しても、試験の問題の答え方が分かるわけではない。
自作・購入・提携の判断を造形監視で練習する — 2.1.2 の 5 つの要素

判定で「AI」と出た造形監視(A1〜A4)には、次の判断が残る。手段をどう用意するかで、スキル 2.1.2 がこれに当たる。試験ガイドの原語は build-buy-partner で、本記事では「自作・購入・提携」と書く。これは当サイトの説明である。AWS がこの語を定義したページは見つからなかった。日本語版の「ビルドバイパートナー」という語の読み方は AIB-C01 の試験ガイドの日本語版を英語の原文と照らす — 58 のスキルのどこで訳語が意味を変えているかを AI と洗い出す(2026-11-17 公開) に書いた。
試験ガイドは考慮する要素の例として、予算、期間、能力、ベンダーの提案、規制の要件の 5 つを挙げる。原文は「factors including」、日本語版は「などの要素」なので、要素のすべてではない。原文の並びは「budget, timelines, capabilities, vendor proposals, and regulatory compliance requirements」で、capabilities は組織の能力とも製品の機能とも読める語だが、日本語版は「機能」と訳している。本記事では工房の判断の話なので、能力と書く。
AWS の資料が別々に書いていること
AWS の資料に 3 択をまとめて説明した文は見つからなかったが、近い文は別々にある。
- 作るか既製を使うか: ML Lens の MLCOST02-BP02 は、独自のモデルは特定の作業で柔軟性と性能の利点がある一方で、データ収集・学習の基盤・専門知識に大きな投資が要ると書く。学習済みのモデルは早く導入でき初期費用も抑えられるが、業務に完全には合わない場合がある、とも書く
- 順番: Generative AI Lens の GENOPS05-BP01 は、手のかからない方法から始めて、必要なら高度な方法へ進むよう書く
- 買うか作るか: AWS Cloud Adoption Framework for Artificial Intelligence, Machine Learning, and Generative AI(略称 AWS CAF-AI、2024-02-13)は「Push back on the not invented here syndrome.」と、自前にこだわることを戒める。AWS が歴史的な参考資料と表示している資料で、この資料の 3 択は build・tune・adopt であり、提携は入っていない
- 提携: 同じ資料は「bet early on the right AWS Partners」と、AWS Partners を早めに選ぶよう書く
AWS は管理サービスや提携先の仕組みを提供する側でもある。買う側に寄った文は、中立の結論として読まないほうがよい。
造形監視の実在の選択肢
ここからは 3 人の工房に当てはめて考える。次の選択肢は、どれも当サイトで動かしていない。公式の文書に書かれた機能を並べただけで、料金は本記事では扱わない。区分も当サイトの当てはめで、各社の呼び方ではない。
| 区分 | 選択肢 | 検出が動く場所 | 画像の行き先と学習への利用(各社の記述) | 必要なもの |
|---|---|---|---|---|
| 自前運用 | Obico Server | 自前のサーバー。GPU は必須ではない | 画像はネットワークの外に出ないと書く | サーバー、Docker と Linux、ネットワークの理解 |
| 購入 | Obico Cloud | Obico のサーバー | 画像は Obico のサーバーへ送られる。利用者の画像を集計・匿名化して学習に使い、学習の工程ではアカウントと結び付けないと書く | Klipper や OctoPrint などへの接続 |
| 購入 | OctoEverywhere の Gadget | 外のサーバー | プライバシーポリシーは、通知と造形の画像を機能の開発と改善のために匿名化して長く保持する場合があると書く。プラグイン経由の検出の画像を学習に使うかの明記は見つけていない | 対応する機械やソフトへの接続 |
| 購入 | Bambu Lab の本体内蔵の検出(X1・H2D・H2S・P2S・X2D など。全機種は確かめていない) | X1・H2D・H2S・X2D は本体の NPU と Wiki が書く。P2S は製品ページが AI Error Detection の欄に 2 TOPS NPU と書く | 学習への利用は確かめていない | 対応する本体。X1 はチャンバーのカメラがある構成に限る |
| 提携 | Gadget API | OctoEverywhere のサーバー | 開発者 API の画像は推論だけに使い、保存も学習もしないと書く | 自社の製品や道具に組み込む開発 |
表に「自作」の行は無い。Obico Server はサーバーを自分で持つ形で、モデルは Obico のものだからだ。そこで「自前運用」と書いた。検出モデルを自分で学習するのが本来の自作で、MLCOST02-BP02 が比較の要素に挙げる「data availability, task specificity, performance requirements, available expertise, and long-term maintenance costs」を工房が満たせるかが問われる。A1〜A4 には同じ問題を解く既製のモデルがあるという前提なので、まず既製の選択肢から比べることになる。
5 つの要素で見る
- 予算: 金額は書かない。形だけを見ると、Obico Server はソフトの料金は無いが、サーバーの機械・回線・保守は利用者の負担になる。Gadget は基本機能が無料の範囲に入るものの、検出時の自動の一時停止は有料の特典の側にあり、定着不良と層の検出は有料の特典の一覧に載っている。Bambu Lab の検出は本体の機能である
- 期間: 学習済みのモデルは早く導入できる、という MLCOST02-BP02 の文のとおり、既製の選択肢は学習の期間が要らない。Obico Server はサーバーの用意が先に要り、本体内蔵の検出は機械の入れ替えを伴う場合がある
- 能力: Obico Server のガイドは Docker の基礎、Linux のコマンド、ネットワークの理解を強く望ましいと書き、比較のページは Docker と Linux にある程度慣れていることが要ると書く(README は Docker の仕組みを理解していなくてよいと書く)。同じ比較のページは、プッシュ通知には Apple か Google の開発者アカウントと高度な技術が要るとも書く。3 人のうちの誰かがこれを持つかどうかが、自前運用を選べるかを分ける
- ベンダーの提案: 限界の記述まで読む。Bambu Lab の Wiki は検出を「not a foolproof method」と断り、黒や濃い色のフィラメントでは働かないことがあると書く。Obico は感度を下げると誤報が減る代わりに本当の失敗を見逃す場合があると書き、詰まりと押し出し不足は検出しないと書く。もっとも、これは Obico の話である。Bambu Lab の H2S の Wiki が Nozzle Clogging Detection と呼ぶ機能は、ツールヘッドの周りに材料がたまって巻き付くのをカメラで見るもので、本記事の A4 に近い。Obico が挙げる詰まりと押し出し不足と同じ現象とは読めない。Wiki はこの機能を、主に機械の損傷を防ぐためのもので、造形中のモデルは一般に守れないとも書く。H2D のノズルのカメラの節は、他社のスライサーを使うと AI の検出が有効にならないと書く(この節の話で、他の機種には広げない)
- 規制の要件: 読者の事業が規制の対象かどうかを含めて、法的な判断はしない。当てはめの前に確かめられる事実は画像の行き先で、上の表のとおり製品ごとに書き方が違う。Obico Server のライセンスは AGPL-3.0 で、第 13 条は改変して通信越しに使わせる場合の話である
Obico の次世代モデルは 2026-05-01 から AI Premium の加入者向けに提供された。Obico の料金の案内はセルフホストで AI Premium の機能がすべて使えると書くが、次世代モデルを名指しした記述は見つけられなかった。選ぶ前に確かめる項目である。しきい値を材料費から決める話は 3Dプリントの監視のしきい値を材料費で決める — 確率のどこで止め、どこを人に回すか(2026-10-17 公開) に書いた。
提携の例はメーカーと製品の事業者のものだった
提携で見つかった例は、小さな工房の話ではない。OctoEverywhere は自社のページに ELEGOO と提携したと書いている(ELEGOO 側のページは確かめていない)。Gadget API の文書は、自社のブランドで検出を提供できる形を説明する。案内のページはプリントファームの道具から使う用途も挙げているが、小さな工房が提携で監視を入れた実例は見つけていない。工房に当てはめるなら、自前の受注や管理の道具に検出を組み込む場合が考えられる。これは当サイトの仮定である。
造形監視の「購入」には、カメラによる見守りを最初から備えた機種を選ぶ道もある。製品名にデュアル AI カメラをうたう機種として、次のものがある。
優先順位と見直し — 2.1.3 を工房の事例に当てる

スキル 2.1.3 の原文は「Prioritize AI initiatives based on business value, feasibility, sustainability, and strategic alignment (by deciding to scale, pause, or terminate initiatives).」である。日本語版の「AI イニシアチブ」は AI の取り組みや施策を指し、「戦略的連携」の原語は strategic alignment で、施策が会社の戦略に沿っていることと当サイトは読む。持続可能性の語が何を指すかは、試験ガイドに説明が無い。
判定の条件は、AI を使えるかどうかを見るだけで、順番までは決めない。A1〜A8 がすべて「AI」と出ても、8 件を同時に始める話にはならない。工房の 3 人が手を付けられる数に絞るには、2.1.3 の 4 つの軸で別に並べる作業が要る。費用の比較もここで入ってくる。
もう一つは見直しである。2.1.3 には scale・pause・terminate の語があり、一度決めたら終わりではないことを示す。「人」と判定した業務も同じで、N1 は履歴がたまれば、N2 は不良の見本が増えれば K4 の答えが変わる。N3 のメールが A5 のように増えれば、K5 の答えが変わる。ML Lens の MLCOST01-BP01 も、避けるべき例として「Failing to reassess the cost-benefit model when business conditions change.」を挙げる。判定の表には、入力の量とデータの量を見直す時期も書いておくとよい。
スキル 2.1.3 の拡大・一時停止・中止の判断は、事業の価値の測り方が決め手になる。日本企業が AI で既存事業の売上を伸ばす筋道を扱った本として、次の1冊がある。
この実測で言えないこと

結果を読むときの限界を、まとめて書く。
- 事例は 19 件で、当サイトが作った。正解も当サイトの判定の順序で決めた。線を動かせば正解も変わる
- 各モデル 1 種類。
claude -pの Claude Sonnet 5.5 と gemma4:12b だけで、実行の場所も違う。「小さなモデルは前提に弱い」とは言えない - 条件を書き切った事例である。入力の形や量を書いてあるので、現場の曖昧な相談とは違う。曖昧な相談での答えは測っていない
- はい・いいえと案を頼む条件は、実験の途中から足した。3 択の途中の集計を見てから足したので、事前に決めた比較ではない
- 案を頼む条件とはい・いいえの条件は、前置きの有無も違う。前置きなしで案を頼む条件は試していない
- 問いの文面は条件ごとに 1 通りで、言い回しを変えて試していない
- 回数が少ない。
claude -pは各事例 3 回、gemma4:12b は温度 0 で 1 回である - 案の分類は Claude Opus 5.5 が読んで決めた。読み手は 1 つで、
claude -pと同じ系統である - 理由の文は採点していない。正解の数は答えの語か分類だけを数えた
- 組み合わせは選べない形にした。組み合わせが最も良い業務は事例から外した
- 費用を判定に入れていない。費用と効果の比較で答えが変わる業務はありうる
- 試験の問題とは別物である。当サイトは受験しておらず、K1〜K5 は AWS の基準ではない
- 製品は動かしていない。造形監視の選択肢は公式の文書の記述で、検出の性能は測っていない
それでも、同じ事例を同じモデルに渡しても、問いの形と前置きを変えると答えが変わる場合があることは、この実行から読み取れる。
まとめ — AIB-C01 の導入判断は、条件を書いてから聞く

- 試験ガイドは、AI が適切なソリューションではない場合を判断するスキルを挙げるが、手順は書いていない。K1〜K5 と順序は、AWS と Google の資料から当サイトが組み立てたもので、AWS の基準ではない
- 工房の 19 件を 3 択で聞くと、前置きなし、代表の前置き、判定の順序を足した条件のすべてで、
claude -pと gemma4:12b が全問正解だった。事例に条件を書き切ったので、答えが決まっていた可能性がある - 実験の途中から足した「AI を導入すべきか」では、
claude -pは全問正解、gemma4:12b は JSON が壊れた 2 件を除いて全問正解だった - 「この業務に AI をどう導入すればよいか」と頼むと、
claude -pはルールの事例 24 回すべてでその業務に AI は要らないと指摘して別の業務か周辺の作業で AI を使う案を添え、人の事例 9 回は指摘したうえで案も出した。gemma4:12b はルールの事例 8 件のうち 6 件で、指摘せずに AI の案を出した - 自作・購入・提携は、試験ガイドが例に挙げる予算、期間、能力、ベンダーの提案、規制の要件の 5 つで比べた。造形監視の選択肢はどれも当サイトで動かしていない
AIB-C01 の導入判断を AI と練習するなら、まず業務の入力の形、量、データの有無、既製品の有無を書く。次に自分の答えを決め、AI には 3 択で聞き、理由の文を読む。「AI をどう入れるか」を聞くのは、AI を使うと決まった業務だけでよい。問いに前提を入れないという注意は、試験の勉強に限らず、工房の代表が AI に相談するときにも使える。
参照
- AIB-C01 試験ガイド 第1分野
- AIB-C01 試験ガイド 第2分野
- AIF-C01 試験ガイド 第1分野
- AWS 認定の規約(AWS Certification Program Agreement)
- AWS Well-Architected Machine Learning Lens
- ML Lens「ML problem framing」
- ML Lens「MLCOST02-BP01 Identify if machine learning is the right solution」
- ML Lens「MLCOST02-BP02 Perform a tradeoff analysis between custom and pre-trained models」
- ML Lens「MLCOST01-BP01 Define overall return on investment (ROI) and opportunity cost」
- AWS Well-Architected Generative AI Lens「Generative AI lifecycle」
- Generative AI Lens「GENOPS05-BP01 Learn when to customize models」
- Amazon Machine Learning Developer Guide「When to Use Machine Learning」(更新が止まった旧サービスの文書)
- AWS Cloud Adoption Framework for AI, ML, and Generative AI(PDF。歴史的な参考資料)
- Rules of Machine Learning(Martin Zinkevich、Google for Developers、CC BY 4.0)
- People + AI Guidebook「User Needs + Defining Success」
- Klipper Configuration reference
- Moonraker Configuration
- Spoolman の README(コミット eccb05e)
- Bambu Studio の Print.cpp(コミット da8b44e)
- Bambu Studio の ConfigManipulation.cpp(コミット da8b44e)
- Bambu Lab Wiki「Spaghetti Detection」
- Bambu Lab Wiki「Introduction to H2D/H2C Intelligent Detection」
- Bambu Lab Wiki「Introduction to H2S Visual Detection」
- Bambu Lab Wiki「X2D Intelligent Detection」
- Bambu Lab P2S の製品ページ
- obico-server の README(コミット df8190e)
- obico-server の LICENSE(コミット df8190e)
- Self-hosted Obico Server Guides
- Obico「Choose How You Host Obico」
- Obico Blog「How Obico AI Failure Detection Works」
- Obico Blog「Next-Gen AI Failure Detection Is Here: General Release」
- Obico Blog「Obico Privacy & Data Security Explained」
- Obico Blog「Is Obico Free? Pricing, Plans, and What You Actually Get」
- OctoEverywhere’s Privacy Policy
- OctoEverywhere「Gadget」
- OctoEverywhere「Supporter Perks」
- OctoEverywhere「Gadget API」
- OctoEverywhere API Docs「AI Failure Detection APIs」
- OctoEverywhere の ELEGOO Centauri 向けページ





