AI 支援フロー用の UML と BPMN：BA が AI 支援機能をモデル化する方法

AI 支援機能の図を作成する場合、従来の UML/BPMN には答えがない質問に遭遇します：AI はアクターかサービスか？AI が「確信できない」場合、フローはどこに行きますか？AI が間違った場合、誰が処理しますか？

このガイドはまさにこれらの問題に対処しています。

1. 従来の BPMN が AI に不足している理由

BPMN 2.0 には基本があります：プール、レーン、タスク、ゲートウェイ、イベント。しかし、AI は古い図がキャプチャできない 3 つの要素をもたらします：

確率的出力 — AI は true/false を返すのではなく、信頼度スコアを返す
フォールバック・エスカレーション — AI が十分に確信していない場合、代替パスがある
Human-in-the-loop — 人間がプロセス全体ではなく特定のポイントで介入

2. BPMN での AI の拡張表記法

新しいシンボルを作成する必要はありません。標準 BPMN に注釈を使用します：

要素	用途	注記
サービスタスク（ギアアイコン）	AI サービス呼び出し	ラベル：「AI: [モデル/サービス名]」
排他ゲートウェイ（X）	信頼度による分岐	ラベル：「信頼度 ≥ 閾値？」
中間境界イベント	AI タイムアウト/エラー	タイプ：エラーまたはタイマー
ユーザータスク	人間によるレビュー/オーバーライド	レーン：エージェント・レビュアー
データオブジェクト	信頼度スコア、AI レスポンス	閾値値で注釈
テキスト注釈	閾値、SLA を記入	例：「閾値 = 0.75」

3. パターン：信頼度閾値付きの AI

BA が AI 機能を設計するときの最も一般的なパターン：

[ユーザー入力]
    ↓
[AI サービスタスク]
    ↓
{信頼度 ≥ 0.8？}
    ├── はい → [自動処理] → [ユーザーに通知] → 終了
    └── いいえ → [人間レビュー待ち行列]
                   ↓
              [エージェントがレビュー]
                   ↓
              {エージェント判定}
                   ├── 承認 → [処理] → [ユーザーに通知] → 終了
                   └── 却下  → [却下を通知] → 終了

図の重要なポイント：

閾値は明示的である必要があります（「高信頼度」ではなく 0.8）
人間レビューレーンは明確である必要があります。誰ですか？（エージェント？スーパーバイザー？ドメインエキスパート？）
人間タスクの SLA は明確である必要があります（例：「営業時間内最大 4 時間」）

4. パターン：Human-in-the-loop エスカレーション

AI が失敗するか、分布外のケースに遭遇した場合：

[ユーザーリクエスト]
    ↓
[AI 分類器]
    ↓
{ケースのタイプ？}
    ├── 標準 → [AI 自動処理]
    ├── 複雑  → [AI ドラフト + 人間レビュー]
    └── 不明  → [シニアエージェントにエスカレーション]
                         ↓
                   [エージェントが処理]
                         ↓
                   [トレーニングデータにログ]  ← 重要なフィードバックループ！

BA が取得すべき情報：

「標準・複雑・不明」の具体的な定義
「シニアエージェント」は誰ですか？SLA はありますか？
トレーニングデータログ：フィードバックループに追加する前に誰が承認しますか？

5. AI 機能用のユースケース図

ユースケース図は、システムで各アクターが「何をするか」を明確にします。アクター：

エンドユーザー：主要なインタラクション
AI システム：非人間アクター
人間エージェント：エスカレーション処理
管理者・データ管理者：閾値構成、トレーニングデータレビュー
外部システム：API、データベース、ナレッジベース

例：AI カスタマーサービスチャットボット：

[エンドユーザー]  ──→ 質問を送信
[AI システム]     ──→ 質問を処理
                ──→ 回答を提供
                ──→ エージェントにエスカレーション
[人間エージェント] ──→ エスカレーション受信
                ──→ AI レスポンスをオーバーライド
[管理者]         ──→ 信頼度閾値を構成
                ──→ パフォーマンスメトリクスをレビュー
                ──→ トレーニングデータを承認

6. AI インタラクション用のシーケンス図

シーケンス図は、システム間の呼び出し順序を示します。エンジニアリングとの作業に非常に役立ちます：

ユーザー      フロントエンド   AI ゲートウェイ  LLM サービス  データベース
 |                |              |              |           |
 |—— submit ———→  |              |              |           |
 |                |—— request ——→|              |           |
 |                |              |—— prompt ——→ |           |
 |                |              |              |—— RAG ——→ |
 |                |              |              |←— docs ——  |
 |                |              |←—response——  |           |
 |                |              | (score:0.85) |           |
 |                |←—— result ——  |              |           |
 |←— display ——   |              |              |           |

BA が確認すべきポイント：

どのステップでタイムアウト？LLM が遅い場合のハンドリング？
RAG 取得失敗 → AI にフォールバックがあるか？
レスポンスがコンテンツフィルタを通過するか？
監査ログはどのステップで書き込まれるか？

7. AI 支援フロー図作成チェックリスト

描画前
☐ 定義：AI は自動または推奨のみか？
☐ 定義：信頼度閾値（具体的な数字）
☐ 定義：エスカレーションパスと所有者

描画中
☐ AI サービスタスク、モデル/サービスで明確にラベル付け
☐ 信頼度ゲートウェイに閾値注釈あり
☐ Human-in-the-loop は別のレーンで SLA あり
☐ エラーパス（AI タイムアウト/失敗）明示的に描画、省略していない
☐ 監査/ログステップが描画されている（暗黙の理解ではなく）

描画後
☐ 開発者がシーケンス図がアーキテクチャを正確に反映することを確認
☐ ビジネスがハッピーパスがビジネスロジックに従うことを確認
☐ QA が各ブランチをテストできることを確認
☐ コンプライアンスが監査ログが十分なことを確認

8. 推奨ツール

ツール	用途	注記
Lucidchart	完全な BPMN + UML	AI ワークフローテンプレートあり
draw.io / diagrams.net	無料、オフライン、すべての図	XML エクスポート、Confluence 統合
Miro	ステークホルダーとのワークショップ	簡単なリアルタイム協力
PlantUML	シーケンス図（コード形式）	バージョン管理に良好
Figma	ワイヤーフレーム + ユーザーフロー	UI デザインとうまく機能

まとめ

BA は AI アルゴリズムを理解する必要がありません。しかし、AI フローを正確に図化する必要があります。そうすることで：

エンジニアリングは正しく構築できる
QA は AI 失敗パスを含むすべてのブランチをテストできる
ビジネスは AI が自動的に処理する時と人間が介入する時を理解する