SaaSとAI｜生成AI・AIエージェントで変わる役割と「SaaSの死」、導入時の注意点

SaaSとAIの関係は、SaaSが業務データを蓄え、AIがそのデータを読み取って要約・自動化・分析を行う分担だと整理できます。AIを組み込んだSaaSは「AI SaaS」とも呼ばれ、人が画面を操作して使う道具から、人とAIの両方が使う業務の基盤へと役割を広げつつあります。一方で、「AIが進化するとSaaSは要らなくなるのか」「業務データをAIに入力して大丈夫なのか」と迷う担当者も多いのではないでしょうか。この記事では、SaaSとAIの違い、採用領域の適性検査を例にしたAIの組み込み方、AIエージェントとSaaSの関係、「SaaSの死」論争、導入時の注意点と選び方の順に整理します。

目次

開く

閉じる

1. SaaSとAIの違い｜「操作画面からデータ基盤へ」の役割転換
2. AI統合SaaSの実例｜採用領域の適性検査に見るAIの組み込み方
3. SaaSへのAIの組み込み方は4つ｜AI機能の種類を見分ける
4. AI搭載SaaSの活用シーンとメリット｜業務領域別に見る
5. AIエージェントとSaaSの関係｜オーケストレーターとしての役割
6. 「SaaSの死」論争｜終焉ではなく再生という見方
7. 採用業務で考えるAI統合SaaSの使いどころと人の役割
8. 導入時の注意点｜ハルシネーション・情報漏洩リスク
9. AI搭載SaaSの選び方｜業務適合性をどう検証するか
10. よくある質問(FAQ)
11. まとめ
12. 参考文献

SaaSとAIの違い｜「操作画面からデータ基盤へ」の役割転換

SaaSとAIは別々の存在ではなく、SaaSが業務データを蓄える基盤、AIがそのデータを読み書きして要約・自動化・分析を行う機能という関係にあります。SaaS(Software as a Service)は、インターネット経由で利用するソフトウェアの提供形態です。これまでは利用者がブラウザの画面を開き、入力・検索・集計を自分の手で行うことが前提でしたが、AIが組み込まれると、「先月の失注理由をまとめて」「この応募者の経歴を要約して」と目的を伝えるだけで、AIがSaaS内のデータを読み取って結果を返すようになります。SaaSそのものの定義や種類は、SaaSとは｜PaaS・IaaS・ASPとの違いと選び方で解説しています。

こうしてAI機能を組み込んだSaaSは、「AI SaaS」や「SaaS型のAIツール」と呼ばれます。自社でAIモデルを開発・運用しなくても、ブラウザやAPI経由で生成AIや分析AIを業務に使えることが特徴です。この変化で価値の重心が移るのは、画面の使いやすさから、SaaSが保持しているデータの質と、外部から安全に呼び出せる仕組み(API)の整備へです。どれほどAIが賢くても、入力されている顧客情報や取引履歴が不正確であれば、出てくる答えも不正確になります。逆に、長年の業務データが整理された状態で蓄積されているSaaSは、AI時代にむしろ価値が高まると考えられています。

AI統合SaaSの実例｜採用領域の適性検査に見るAIの組み込み方

SaaSにAIが組み込まれる様子を具体的につかむには、採用領域の適性検査クラウドを見るのが近道です。適性検査は、応募者や社員に受検してもらった回答データを蓄え、そのデータから「自社に合う人物か」の判断材料を示すSaaSで、AIが扱うデータと出力がはっきりしているためです。

同じ適性検査でも、AIの位置づけは製品ごとに異なります。ミキワメAI 適性検査は、既存社員のデータをもとに企業ごとの採用基準をつくって候補者を14段階で示す仕組みで、公式サイトでは候補者の要約・分析や面接質問の提案に生成AIを使うと説明されています。一方、テキカクの公式サイトにはAIという表現がなく、応募者の価値観や性格特性を自社の社員や組織と比べてマッチ度を示す検査として案内されています。AIを前面に出すか、データの比較を軸にするかの違いが、「どこまでをAIに任せ、どこから人が判断するか」という設計の差になります。

※各サービスの情報は、ビジネスコンシェルジュの商品ページと各社公式サイトの公開情報(2026年10月14日確認)をもとにしています。機能は変更される場合があるため、最新情報は各サービスの資料でご確認ください。

AIに採用基準づくりや結果の読み取りまで任せたい場合の一例が、ミキワメAI 適性検査(株式会社リーディングマーク)です。商品ページでは、自社とのマッチ度を14段階で示すため一目で判断しやすいこと、社員や組織の分析を自動で見える化すること、カスタマーサクセスチームが丁寧にサポートすることが紹介されています。公式サイトによると、企業ごとの採用基準づくりにはAIと専任のカスタマーサクセスが関わり、候補者の要約・分析などに生成AIが使われます。注意したい点は、紙ベースでの受験ができないことです。料金はプランによって異なるため、資料や公式サイトで確認してください。

ミキワメ導入後、明確な採用基準を設定したことで、内定を出すか迷うケースでもデータに照らし合わせて判断できるようになりました。

出典: 株式会社リーディングマーク「アサヒ物産株式会社様の利用事例を掲載しました」(PR TIMES、2024年3月12日)

一方、AIの説明よりも「応募者の価値観や性格が、自社の社員や組織に合うか」を見たい場合の一例が、テキカク(株式会社ラフール)です。商品ページでは、人間関係や組織風土との相性を確認でき離職防止にも活用できること、無料でテストを行い従業員が適した職についているかを確かめられることが紹介されています。公式サイトでも、候補者の価値観や性格特性を現在の社員と比べ、定着や離職の可能性を見る使い方が案内されています。注意したい点は、いま使っている採用サービスにプラスして使う位置づけのため、機能は少なめなことです。料金はプランによって異なるため、資料や公式サイトで確認してください。

価値観特性や組織とのマッチ度を主観ではなくデータで客観的に把握できるようになった

出典: 株式会社五味八珍の「テキカク」導入事例(テキカク公式サイト)

ここで押さえたいのは、AI機能の有無そのものより、AIがどのデータを使い、何を出力し、最終判断を誰が行うかです。この見方は、採用以外のSaaSに追加されたAI機能を評価するときにもそのまま使えます。

SaaSへのAIの組み込み方は4つ｜AI機能の種類を見分ける

SaaSへのAIの組み込み方は、生成型・自動化型・分析型・エージェント型の4つに整理できます。自社のSaaSに追加されたAI機能がどれに当たるかを把握しておくと、期待する効果とリスクの大きさを見積もりやすくなります。

形態	内容	採用領域での例
生成型	利用者の指示に応じて文章などを作る	求人票やスカウト文、候補者情報の要約の下書き作成
自動化型	決まった手順の作業を自動で実行する	面接日程の自動調整、リマインド送信
分析型	蓄積データから傾向や示唆を出す	社員の受検結果からの採用基準づくりと段階評価、応募経路ごとの歩留まり分析
エージェント型	目的を委ねると、複数の手順を判断しながら代行する	候補者の抽出からスカウト送付までの一連の支援

前の実例の適性検査でいえば、候補者の要約や面接質問の提案が生成型、社員データからの基準づくりと14段階の評価が分析型にあたります。AIが生成した文章や評価をそのまま使うのか、人が確認してから使うのかは、形態によって必要な確認の重さが変わります。

国の調査でも、企業の生成AI活用は「試しに使う」段階から「業務に組み込む」段階へ移りつつあることが示されています。総務省の情報通信白書や、情報処理推進機構(IPA)のDX白書では、国内企業のAI活用の広がりとともに、活用を進めるうえでの人材やルール整備の課題が取り上げられています。AIを単体で導入するのではなく、すでに業務で使っているSaaSに組み込まれたAI機能から使い始める企業が多いのは、データと業務フローがそこにあるからです。

AI搭載SaaSの活用シーンとメリット｜業務領域別に見る

AI搭載SaaSは、営業・カスタマーサポート・バックオフィス・開発・人事の各領域で、文章の下書き、問い合わせ対応、書類の読み取り、データ分析といった「量が多く、定型と判断が混ざった作業」に使われています。領域ごとに、AIが担いやすい作業と、人が確認したい点を整理すると次のとおりです。

業務領域	AIが担いやすい作業	人が確認したい点
営業・マーケティング	商談メモの要約、メールや広告文の下書き、売上予測の可視化	顧客に出す表現の確認、予測の前提になるデータの正確さ
カスタマーサポート	問い合わせへの一次回答、通話内容の要約	回答の誤りの有無、個別対応が必要な案件の見極め
バックオフィス	請求書や経費の読み取り、会議の議事録作成	金額・日付の突き合わせ、承認の判断
開発・データ分析	コード生成の支援、ノーコードでの集計	出力の動作確認、分析に使うデータの取り扱い
人事・採用	求人票の下書き、候補者情報の要約、適性検査の結果整理	合否の最終判断、評価に偏りがないかの点検

AI搭載SaaSのメリットは、主に次の4点に整理されます。

• クラウドで提供されるため、サーバーなどの環境を自社で用意せずに使い始められる
• AIモデルの更新や改善をベンダーが担う場合が多く、利用者は新しい機能を使い続けやすい
• 定型作業の時間が減り、人が判断や対話に時間を使いやすくなる
• AI開発の専門人材が社内に少なくても、業務のなかでAIを試せる

反対に、限界もあります。汎用的なAI機能は自社固有の業務に合わせた調整が難しく、課題に合わないSaaSを選ぶと、確認や修正の手間でかえって効率が下がります。メリットは「作業が減る」ことではなく「確認を含めても作業が減る」ことで初めて成り立つ、という点は後半の検証の章でも触れます。

AIエージェントとSaaSの関係｜オーケストレーターとしての役割

AIエージェントは、複数のSaaSをAPI経由で呼び出し、業務の流れ全体を指揮する「オーケストレーター(指揮役)」として位置づけられつつあります。AI事業者ガイドライン(第1.2版、2026年3月公表)は、AIエージェントを、特定の目標を達成するために環境を感知し自律的に行動するAIシステムとして整理しています。これまでの業務では、人が営業支援SaaSで顧客情報を確認し、会計SaaSで請求状況を調べ、チャットツールで担当者に連絡するといった「SaaS間の橋渡し」を手作業で担ってきました。AIエージェントは、この橋渡しを代行する存在です。

たとえば採用業務なら、「来月入社予定の3名の受け入れ準備を進めて」と指示すると、AIエージェントが採用管理システムから内定者情報を取り出し、人事労務SaaSに社員情報を登録し、勤怠管理SaaSにアカウントを作成し、配属先の上長にチャットで通知する、という流れが想定されています。個々の作業は従来どおり各SaaSの中で行われますが、画面を行き来する人の手間が減る、というのが本質です。

この構造を理解すると、AIエージェント時代にSaaSを選ぶ基準も変わってきます。重視されるのは次のような点です。

• 外部からデータを読み書きできるAPIが公開されているか、どの範囲の操作まで許可できるか
• AIエージェントに与える権限を、人のアカウントと同じように細かく制限できるか
• AIが実行した操作の記録(ログ)を後から確認し、誤りがあれば取り消せるか
• 他社のAIエージェントや自社で使う生成AIと接続する標準的な仕組み(AIと外部のツールやデータをつなぐ共通規格として広がりつつあるMCP(Model Context Protocol)など)に対応しているか

一方で、AIエージェントが複数のSaaSをまたいで自動で動くほど、1か所の誤りが連鎖的に広がるリスクも大きくなります。誤った内定者情報が人事・勤怠・給与の各SaaSに次々と登録されてしまうような事態を避けるため、重要な処理の前に人の承認を挟む設計が欠かせません。経済産業省・総務省のAI事業者ガイドラインでも、AIエージェントの利用にあたって、権限の適切な設定、人間の判断の適切な介在、操作履歴の確認といった点に留意することが示されています。

「SaaSの死」論争｜終焉ではなく再生という見方

「SaaSの死(SaaS is Dead)」は、SaaSが消えるという予言ではなく、SaaSの価値の源泉と料金の考え方が変わるという問題提起として読むのが実態に近い見方です。この議論は、多くの業務アプリケーションは「データベースに業務ロジックを載せたもの」であり、その業務ロジックの部分はAIエージェントが担えるようになる、という海外の大手IT企業トップの発言をきっかけに広まったとされています(AI活用研究所「「SaaSの死」とは？」)。

ただし、業務の種類によって置き換わりやすさには大きな差があります。単純なタスク管理や定型的なデータ入力のように、画面操作そのものが価値だった領域はAIに吸収されやすい一方、承認や監査、法令対応のように「誰が判断し、誰が責任を負うか」を記録すること自体に価値がある領域は、簡単には置き換わりません。

区分	業務の例	AI時代の見通し
AIに吸収されやすい	単純なタスク管理、定型的な転記、簡単なレポート作成	独立した製品としての価値が薄れ、他のSaaSやAIの機能の一部になりやすい
形を変えて残る	顧客管理、採用管理、プロジェクト管理	画面よりデータ基盤としての役割が強まり、AI機能と一体で提供される
置き換わりにくい	会計、給与計算、ワークフロー承認、契約管理	法令対応と責任の記録が価値の中心で、AIは補助役にとどまりやすい

料金モデルの変化も論争の重要な論点です。AIが人の作業を代行するようになると、利用者の人数(ID数)で課金する従来の仕組みでは、AIによる効率化が進むほどSaaS事業者の売上が減るという矛盾が生じます。そのため、処理件数や生成量に応じた従量課金、AIが生み出した成果に応じた成果報酬型の課金を模索する動きが見られます。利用者側から見ると、「人数が減れば安くなる」とは限らず、AI機能の使い方次第で費用が増える可能性もあるため、契約更新のたびに課金体系を確認する習慣が大切です。

この論争は海外発ですが、日本の企業にとっての受け止め方は少し異なります。海外では既存のSaaS事業者が置き換えられるかどうかという「市場の勢力図」の話として語られることが多い一方、日本では働き手の減少を背景に、限られた人員で業務を回すための手段としてAI統合SaaSをどう使うかという実務の話として捉えられる傾向があります。また、国内企業のAI活用は海外に比べて慎重に進む傾向が指摘されており、先行する海外の事例や失敗から学んでから判断できる余地もあります。利用者側が今できる現実的な対応は、SaaSの契約更新のタイミングで利用中のサービスを棚卸しし、「AI機能で代替できそうなもの」「データ基盤として使い続けるもの」「法令対応のため維持が必要なもの」に分けて見直すことです。似た機能のSaaSを複数契約している場合は、AI機能の追加をきっかけに統合を検討する機会にもなります。

総じて、SaaSは「終わる」のではなく、データとAIを組み合わせた形に「作り替えられている」途中と捉えるのが中立的な見方です。論争の発端や国内外の反応は「SaaSの死」とは｜本当に死ぬのか・議論の発端とAI時代の進化を解説、反論や判断軸はSaaS終焉論とは？発端・論点・反論と中小企業が確認したい判断軸を解説、市場の今後と価格モデルの転換はSaaSの今後はどうなる？AIエージェントと価格モデルの転換・日本市場の展望と企業の備え、導入の判断はSaaSの将来性は？「SaaSの死」論争の実態とAI時代の導入判断で、それぞれ詳しく整理しています。

採用業務で考えるAI統合SaaSの使いどころと人の役割

AI統合SaaSの効果を引き出すコツは、業務を「AIに任せる作業」と「人が判断する作業」に分解してから導入することです。前の実例の採用業務を、流れに沿って分けてみると、AIが得意な部分と人が担うべき部分がはっきりします。

採用の工程	AIに任せやすい作業	人が担うべき判断
募集	求人票の下書き、媒体ごとの表現の調整	募集条件や待遇の決定、表現が法令や社内方針に沿っているかの確認
書類選考・適性検査	経歴の要約、要件との一致度や検査結果の整理	合否の最終判断、AIの評価に偏りがないかの点検
面接	日程調整、質問例の提案、評価の記録の整理	人柄や相性の見極め、候補者への動機づけ
振り返り	応募経路ごとの歩留まりや採用単価の集計	集計結果をもとにした採用戦略の見直し

採用は、応募者の人生に関わる判断であり、AIの評価だけで合否を決めることには慎重であるべき領域です。AIが過去の採用データを学習する場合、過去の選考に偏りがあれば、その偏りを再現してしまうおそれがあります。AI事業者ガイドラインでも、AIの利用にあたって人間中心の考え方や公平性への配慮、判断の過程を説明できる状態を保つことが共通の指針に含まれています。適性検査の結果は判断材料の一つと位置づけ、面接などほかの情報とあわせて人が判断するという役割分担を、採用担当者と面接官の間で共有しておきましょう。

また、応募書類には氏名・学歴・職歴などの個人情報が含まれます。個人情報保護委員会は生成AIサービスの利用に関する注意喚起で、個人情報を含むプロンプトを入力する場合は利用目的の範囲内かを十分に確認することなどを示しています。汎用の生成AIに応募書類をそのまま貼り付けて要約させるより、採用業務のために設計され、データの取り扱いが契約で定められたSaaSのAI機能を使う方が、管理の面でも安心しやすいといえます。

ここまでの整理を自社に当てはめると、AIや検査に任せたいのは「見極めに使う判断材料づくり」で、最終判断は人に残す形になります。いまの見極めの進め方に手間やばらつきがないかを、次のセルフチェックで確かめてみてください。

導入時の注意点｜ハルシネーション・情報漏洩リスク

AI搭載SaaSを導入する際は、「AIの出力は誤ることがある」「入力したデータの行き先を把握する」という2点を前提に、契約と社内ルールの両面から備えることが基本です。生成AIは、もっともらしいが事実と異なる内容を出力することがあり、この現象はハルシネーションと呼ばれます。固有名詞、数値、日付、法令に関する記述は特に誤りが混じりやすいため、元の資料や公式情報と突き合わせる工程が欠かせません。

入力データについては、無料プランと法人向けプランで取り扱いが異なる場合があります。入力内容がAIモデルの学習に使われるかどうか、データがどの国のサーバーで保管されるか、AI機能だけ外部のAI事業者に処理を委託していないかなど、従来のSaaS選定では意識しなかった項目を確認する必要があります。

リスク	起こりうること	事前に確認・準備したいこと
ハルシネーション	誤った数値や存在しない情報を含む文書が社外に出る	社外向け文書は必ず人が確認するルール、出典を表示する機能の有無
学習への利用	入力した社内情報がAIモデルの改善に使われる	利用規約で学習利用の有無を確認、法人プランでの設定変更の可否
外部委託先への送信	AI処理のためにデータが別事業者に送られる	AI処理の委託先、保管場所、保存期間の開示内容
権限の過剰付与	AIが本来見るべきでない部署のデータを参照して回答する	AI機能が利用者の閲覧権限を引き継ぐ仕組みか
判断根拠の見えにくさ	AIの評価や推薦の理由を、社内外に説明できない	評価の基準や前提の開示範囲、自社のデータで結果を再確認できるか
ベンダーへの依存	自社のデータを蓄積するほど、他のサービスへ乗り換えにくくなる	データの書き出し(エクスポート)ができるか、解約後のデータの扱い
費用の膨らみ	従量課金のAI機能で、利用が増えるほど請求が増える	利用上限やアラートの設定、利用が増えた場合の総額の試算
シャドーAI	社員が会社の把握していない生成AIに業務データを入力する	使ってよいAI機能の一覧化と、入力してよい情報の範囲の明文化

見落とされがちなのが、既存のSaaSに後からAI機能が追加されたケースです。契約時にはAI機能がなかったため、データの取り扱いをAI前提で確認していないまま、アップデートでAIが有効になっていることがあります。利用中のSaaSの更新情報を定期的に確認し、AI機能の既定値(最初からオンになっているか)と、管理者が無効化できるかを把握しておきましょう。個人情報や機密情報を扱う業務では、AI機能を一律に有効化するのではなく、部署や業務ごとに使ってよい範囲を決めてから展開するのが安全です。

採用でAIの評価を使う場合は、「判断根拠の見えにくさ」への備えが特に重要です。応募者や社内の関係者から評価の理由を問われたときに、何を基準にした結果なのかを説明できなければ、検査やAIの結果を判断材料として使い続けることが難しくなります。ミキワメAI 適性検査は、既存社員のデータをもとに企業ごとの採用基準をつくる方式で、基準づくりに自社の社員データが使われる点が、評価の前提を社内で説明する際の手がかりになります。

AI搭載SaaSの選び方｜業務適合性をどう検証するか

AI搭載SaaSは、「AIに任せたい作業にいま何時間かかっているか」を数字で把握し、確認項目を比べたうえで、試行で実際にどれだけ減るかを確かめて選びます。デモを見て「便利そう」と感じるだけで導入を決めると、実際には出力の確認や修正に時間がかかり、期待ほど効果が出ないことがあります。

選ぶ前に確認したい5つの観点

1. 目的と指標: 減らしたい作業と、その作業に今かかっている時間や件数を決める
2. データと連携: 既存のSaaSとAPIなどでつながるか、データの形式が合うか
3. セキュリティ: 入力データの学習利用、保管場所、閲覧権限の引き継ぎ、委託先の開示
4. 料金体系と総費用: 人数課金か従量課金か、利用上限、契約期間を通じた総額
5. サポートと将来性: 導入時の支援、機能追加の方針、データの書き出しと解約後の扱い

料金の見方｜人数課金・従量課金・成果連動

AI搭載SaaSの料金は、利用人数に応じた月額、処理量や生成量に応じた従量課金、成果に応じた課金、そしてそれらの組み合わせに分かれます。人数が増えなくても、AI機能の利用が増えると費用が増える設計があるため、利用上限やアラートの設定、利用が増えた場合の総額の試算が重要です。具体的な金額はプランや契約条件によって異なるため、見積もりと資料で確認してください。

自社開発・委託とAI搭載SaaSの使い分け

AI機能を自社で開発する、あるいは開発会社に委託する方法もあります。ただし、モデルの選定から運用、精度の改善まで担う必要があり、費用と期間が大きくなりやすい方法です。多くの業務では、まず既存のSaaSに組み込まれたAI機能やAI SaaSで試し、それでは足りない業務固有の要件が明確になった段階で、開発や委託を検討する順序が現実的です。

業務適合性を数字で検証する手順

1. 対象業務を1つに絞り、1件あたりの作業時間と月の件数を記録する
2. 無料トライアルやデモ環境で、実際の業務データに近いサンプルを使って試す(個人情報はダミーに置き換える)
3. AIの出力をそのまま使えた割合と、修正にかかった時間を記録する
4. 削減時間から、確認・修正の時間を差し引いた「実質の削減時間」で評価する
5. 効果が出た業務から対象を広げ、社内ルールを整えてから他部署に展開する

たとえば採用の書類選考なら、次の簡易シミュレーターで月あたりの削減時間の目安を試算できます。短縮率は業務内容やシステム、運用によって大きく変わるため、あくまで検証前の見積もりとして使い、実際の数値は試行で確かめてください。

試算で一定の削減が見込めても、それだけで導入を決めるのは早計です。削減した時間を面接の質の向上や候補者とのコミュニケーションなど、人にしかできない業務に振り向けられるかまで考えて初めて、AI統合SaaSの投資効果を説明できます。反対に、応募数が少なく確認時間もわずかな場合は、AI機能付きの上位プランに移る必要はなく、既存の仕組みで十分なこともあります。

導入後に定着させるには、使ってよい業務と入力してよい情報の範囲を決め、出力を確認する担当者を明確にし、一定期間ごとに効果と費用を見直す運用が欠かせません。社内の抵抗感が強い場合は、効果が数字で見えやすい1つの業務から始め、成果を共有しながら広げると進めやすくなります。

採用の見極めを検証の対象に含めるなら、いきなり候補者に使うのではなく、まず社員で試す方法があります。テキカクは、無料でテストを行って従業員が適した職についているかを確かめられるため、自社の組織の傾向を可視化してから、採用への利用を判断する進め方がとれます。

よくある質問(FAQ)

Q1. SaaSとAIはどう違うのですか？

A. SaaSはインターネット経由で利用するソフトウェアの提供形態で、AIは文章の生成やデータの分析などを行う技術です。現在は、SaaSの中にAI機能が組み込まれる形が主流になっており、AI機能を備えたSaaSは「AI SaaS」とも呼ばれます。SaaSが蓄積した業務データをAIが読み取って要約や自動化を行う関係にあります。

Q2. SaaSにAIが普及すると、仕事や契約はどう変わりますか？

A. 利用者の仕事は、画面を操作して入力する作業から、AIに指示を出して出力を確認し判断する作業へ重心が移ります。AIエージェントは複数のSaaSをAPI経由で呼び出して業務をつなぐため、データを保持するSaaSは基盤として残るとみられています。契約面では、利用人数に応じた課金に、処理量や成果に応じた課金が加わる例が増えるため、課金体系の確認が重要です。

Q3. 「SaaSの死(SaaS is Dead)」とは何ですか？

A. 業務アプリケーションの業務ロジックがAIエージェントに置き換わり、従来型のSaaSの価値が失われるという問題提起です。実態としては、SaaSが消えるというより、価値の源泉が画面からデータとAPIへ移り、利用人数に応じた課金から処理量や成果に応じた課金へ見直しが進むという変化として捉えるのが中立的な見方です。

Q4. AI搭載SaaSに業務データを入力しても安全ですか？

A. プランや契約内容によって扱いが異なります。入力内容がAIの学習に使われるか、AI処理を外部事業者に委託しているか、データの保管場所はどこかを利用規約で確認してください。個人情報を扱う場合は、利用目的の範囲内かどうかも含め、個人情報保護委員会の注意喚起などを参考に社内ルールを定めておくことが大切です。

Q5. 採用で使うAI搭載SaaS(適性検査)はどう選べばよいですか？

A. AIが何のデータから何を出力するのか、結果の根拠を社内で説明できるか、入力データの扱い、導入後のサポート、無料で試せる範囲を比べて選びます。たとえば、社員データから採用基準をつくり14段階で示すミキワメAI 適性検査と、社員や組織とのマッチ度を比べるテキカクでは、役割が異なります。合否の最終判断は人が行う運用が推奨されます。

Q6. AI搭載SaaSの効果はどう測ればよいですか？

A. 対象業務の1件あたりの作業時間と月の件数を導入前に記録し、試行後の時間と比べる方法が基本です。AIの出力をそのまま使えた割合や、確認・修正にかかった時間も記録し、削減時間から差し引いた実質の削減時間で評価すると、過大評価を避けられます。

まとめ

生成AI・AIエージェントの普及によって、SaaSは人が操作する画面から、人とAIが読み書きする業務データの基盤へと役割を広げつつあります。「SaaSの死」という言葉は刺激的ですが、実態はSaaSの価値の源泉と料金の考え方が作り替えられている途中と捉えるのが中立的です。AI統合SaaSを活用するために、今日からできることは次の4つです。

1. 利用中のSaaSに追加されたAI機能を洗い出し、生成型・自動化型・分析型・エージェント型のどれに当たるか整理する
2. 入力データの学習利用や外部委託の有無を確認し、入力してよい情報の範囲を社内ルールとして明文化する
3. 採用の書類選考のように作業量の多い業務を1つ選び、作業時間を記録したうえでAI機能を試行して効果を数字で確かめる
4. 採用の見極めにAIや適性検査を使う場合は、ミキワメAI 適性検査とテキカクのように役割の異なるサービスの資料を取り寄せ、自社の基準づくりに合うかを比べる

なお、本記事はAIやSaaSの利用に関する一般的な情報提供を目的としたもので、法的助言ではありません。個人情報の取り扱いや採用選考でのAI利用について具体的な判断が必要な場合は、関係省庁の最新の公表資料を確認のうえ、必要に応じて専門家に相談してください。

参考文献

• 総務省「情報通信白書」https://www.soumu.go.jp/johotsusintokei/whitepaper/
• 総務省・経済産業省「AI事業者ガイドライン(第1.2版)」https://www.meti.go.jp/shingikai/mono_info_service/ai_shakai_jisso/20260331_report.html
• 個人情報保護委員会「生成AIサービスの利用に関する注意喚起等について」https://www.ppc.go.jp/news/careful_information/230602_AI_utilize_alert/
• 独立行政法人情報処理推進機構(IPA)「DX白書」https://www.ipa.go.jp/publish/wp-dx/index.html
• AI活用研究所「「SaaSの死」とは？AIエージェント台頭で変わりつつあるSaaSのあり方」https://www.aidma-hd.jp/ai/saas-is-dead/
• 株式会社リーディングマーク「ミキワメAI 適性検査」https://mikiwame.com/aptitude-test.html
• 株式会社ラフール「適性検査「テキカク」」https://tekikaku.lafool.jp/