生成AIでできることはここまで進化した！2026年最新版｜仕事・日常で使える活用例を徹底解説.3
生成AIでできること③ プログラミング・データ分析・業務自動化
生成AIの活用範囲は、文章や画像などのコンテンツ制作だけではありません。
2026年現在、特に大きく進化しているのが、プログラミングとデータ分析です。
以前はプログラムを書くために、専門的なプログラミング知識が必要でした。
しかし現在では、自然な日本語で、
「このCSVを集計して」
「毎日決まった時間にこの処理を実行して」
「Excelのこの作業を自動化して」
「Webサイトからデータを取得して一覧表にして」
といった指示を出し、AIにコードやスクリプトの作成を支援してもらえるようになっています。
さらに、コードを書くだけではなく、
データを読み込む → 分析する → グラフを作る → 傾向を説明する → レポートにまとめる
という一連の作業もAIに支援させることができます。
ここでは、生成AIをエンジニアリングやデータ分析に利用する場合の具体例とともに、限界や安全対策も解説します。
自然言語からプログラムを作る
生成AIの代表的な活用方法の一つが、自然言語によるプログラム作成です。
たとえば、
「CSVファイルを読み込んで、売上金額を商品カテゴリーごとに集計するPythonプログラムを作ってください」
と指示すると、必要なコードを生成してもらえます。
Pythonだけでなく、
- JavaScript
- TypeScript
- SQL
- VBA
- HTML
- CSS
- Bash
- PowerShell
など、さまざまな言語やスクリプトの作成を支援できます。
使用例
「ExcelファイルのA列に商品名、B列に売上金額があります。商品名ごとに売上を集計し、売上の大きい順に新しいシートへ出力するVBAを作ってください」
このように、何を入力し、何を処理し、どんな結果にしたいのかを具体的に伝えるほど、目的に合ったコードを生成しやすくなります。
AIの限界
生成AIが作ったプログラムは、必ず正しく動くとは限りません。
特に、
- 存在しない関数を使う
- 古い仕様のコードを書く
- 特定条件でエラーになる
- セキュリティ上問題のある処理を含む
- データの境界条件を考慮していない
といった問題が起こる可能性があります。
安全対策
生成されたコードは、そのまま本番環境で実行するのではなく、
- コードを確認する
- テストデータで動かす
- エラーを確認する
- セキュリティを確認する
- 問題がなければ本番環境へ導入する
という手順を基本にします。
特に、データを削除・更新するプログラムや、外部サービスへアクセスするコードは慎重に確認する必要があります。
プログラムのバグを探す
生成AIは新しいコードを書くことだけでなく、既存のコードを読んで問題点を探す用途にも利用できます。
たとえば、
「このJavaScriptがエラーになる原因を説明してください」
「このPythonコードの問題点を探してください」
「このSQLが遅い原因を考えてください」
といった依頼ができます。
使用例
「以下のNode.jsコードでAPIから取得したデータが重複します。重複が発生する可能性のある箇所を特定し、修正案を提示してください」
AIはコードの流れを確認し、問題になりそうな箇所を説明できます。
AIの限界
AIがコード全体を理解しているように見えても、実際の実行環境を完全に把握しているとは限りません。
使用しているライブラリのバージョン、OS、環境変数、外部APIの仕様などが分からなければ、正しい原因を特定できない場合があります。
安全対策
エラー調査では、
- 使用言語
- バージョン
- 実行環境
- エラーメッセージ
- 再現手順
- 関連コード
などをできるだけ具体的に提示します。
ただし、APIキー、パスワード、秘密鍵、個人情報などをそのままAIへ入力しないことが重要です。
SQLを作成してデータベースを分析する
生成AIはSQLの作成にも利用できます。
たとえば、
「2026年の売上を月別に集計してください」
「購入回数が10回以上の顧客を抽出してください」
「先月より売上が20％以上減少した商品を探してください」
といった日本語の指示からSQLを作成できます。
使用例
「ordersテーブルから、2026年1月〜9月の月別売上金額を集計し、売上の大きい月から順番に並べるSQLを作成してください」
SQLの専門知識がない人でも、データベースに対して必要な集計を依頼しやすくなります。
AIの限界
AIが作成したSQLが、意図したデータを正確に取得するとは限りません。
特に注意したいのが、SQL自体はエラーにならないが、結果が間違っているケースです。
たとえば、JOIN条件を間違えていると、実行自体は成功しても売上が二重計上される可能性があります。
安全対策
本番データベースでは、生成されたSQLをいきなり実行せず、
SELECTによる読み取り → 結果確認 → 必要に応じて修正
という流れを基本にします。
UPDATEやDELETEなどのデータ変更処理は、特に慎重な確認が必要です。
ExcelやCSVを分析する
生成AIは表形式のデータ分析にも利用できます。
たとえば、
- 売上データ
- 顧客データ
- アクセスログ
- 商品データ
- アンケート結果
- 在庫データ
などを分析できます。
使用例
「このCSVの売上データを分析して、売上上位の商品、月別推移、売上が急増した商品、売上が減少している商品を整理してください」
といった指示が可能です。
さらに、
「経営者向けに重要なポイントを5つにまとめてください」
と追加すれば、分析結果を意思決定者向けに要約できます。
AIの限界
データ分析では、入力データそのものに問題がある場合、どれだけ高度なAIでも正しい結果を出せません。
たとえば、
- 欠損データ
- 重複データ
- 誤入力
- 単位の違い
- 日付形式の違い
- 外れ値
などが存在すると、分析結果が歪む可能性があります。
安全対策
分析前に、
「欠損値、重複、異常値、単位の違いがないか確認してください」
とAIに指示するのが有効です。
さらに重要な分析では、元データと計算結果をサンプル確認します。
グラフやレポートを自動作成する
データを分析したあと、その結果をグラフやレポートにまとめることもできます。
たとえば、
「月別売上を折れ線グラフにしてください」
「商品カテゴリー別の売上比率をグラフ化してください」
「経営会議用に分析結果をレポートにしてください」
といった依頼です。
使用例
「この売上データから、月別売上推移と商品カテゴリー別売上を可視化し、経営会議向けに重要なポイントを3つ説明してください」
AIの限界
グラフは見た目が分かりやすいため、間違ったデータでも説得力のある資料になってしまう危険性があります。
つまり、「きれいなグラフができた＝正しい分析」とは限りません。
安全対策
グラフを作成する前に、
- 集計方法
- 対象期間
- 単位
- 母数
- 欠損値
- 除外条件
を確認します。
経営資料や外部公開資料では、グラフの元データまで確認できる状態にしておくと安全です。
データから傾向を発見する
生成AIは大量のデータを見て、人間が見落としやすい傾向を探すためにも利用できます。
たとえば、
「売上が急激に変化した商品を探してください」
「解約率が高くなった時期を特定してください」
「顧客属性と購入金額に関連性がありそうか調べてください」
などです。
使用例
「過去12か月の売上データから、通常の傾向から大きく外れている月を抽出し、その原因として考えられる要素をデータ上の事実と推測に分けて説明してください」
AIの限界
ここで注意したいのが、相関関係と因果関係は違うということです。
売上が増えた時期に広告費も増えていたとしても、
「広告費を増やしたから売上が増えた」
とAIが断定することはできません。
他にも季節要因、価格変更、競合状況、キャンペーンなどの要因があるかもしれないからです。
安全対策
AIには、
「データから確認できる事実と、原因として推測される仮説を分けてください」
と指示します。
最終的な因果関係の判断は、追加データや専門家による検証が必要です。
売上・需要を予測する
過去のデータを利用して、将来の需要や売上を予測する用途にもAIを活用できます。
たとえば、
- 商品需要
- 在庫量
- 電力需要
- 来店客数
- 売上
- 広告効果
などです。
使用例
「過去3年間の月別売上データを分析し、季節性を考慮した今後6か月の需要予測を作成してください。予測の根拠と不確実な要素も説明してください」
AIの限界
予測は、未来を確定させるものではありません。
過去には存在しなかった、
- 災害
- 急激な物価変動
- 法改正
- 競合商品の登場
- 市場環境の変化
- 大規模なキャンペーン
などが発生すれば、予測から大きく外れる可能性があります。
安全対策
予測結果を「確定値」として扱わず、
複数のシナリオ
として考えることが重要です。
たとえば、
- 強気シナリオ
- 標準シナリオ
- 弱気シナリオ
の3パターンを作り、それぞれの条件を比較します。
Pythonでデータ処理を自動化する
Pythonと生成AIを組み合わせると、データ処理の自動化にも利用できます。
たとえば、
- CSVを読み込む
- 不要なデータを削除する
- 日付を統一する
- 商品ごとに集計する
- グラフを作る
- レポートを出力する
といった一連の処理を自動化できます。
使用例
「指定フォルダに入ったCSVをすべて読み込み、日付形式を統一し、重複行を削除して、月別集計結果をExcelに出力するPythonスクリプトを作ってください」
これまでならプログラマーが手作業で作っていた処理を、AIとの対話を通じて組み立てられます。
AIの限界
自動化スクリプトは、一度動けば終わりではありません。
実際の運用では、
- 新しい形式のファイル
- 空ファイル
- 壊れたデータ
- 想定外の文字コード
- API障害
- ネットワーク障害
などが発生します。
安全対策
本番運用する場合は、
- エラー処理
- ログ出力
- バックアップ
- リトライ
- タイムアウト
- 異常終了時の処理
まで設計します。
AIにコードを書かせるだけでなく、「失敗した場合にどうなるか」まで確認することが重要です。
VBAでExcel作業を自動化する
Excelを中心に仕事をしている場合、生成AIとVBAを組み合わせることで、定型作業を自動化できます。
たとえば、
- 複数ファイルの集計
- シートの作成
- データの整形
- 定型レポート作成
- ファイル名の一括変更
- 条件に応じたセルの編集
などです。
使用例
「指定フォルダ内のすべてのExcelファイルを開き、各ファイルのSheet1にある売上データを1つの集計シートにまとめるVBAを作ってください」
AIの限界
VBAはExcelの環境やファイル構造に強く依存します。
そのため、AIが作ったコードが別のPCでは動かなかったり、ファイル構造が少し変わっただけでエラーになったりする可能性があります。
安全対策
元ファイルをバックアップしてからテストし、本番ファイルではなくコピーしたファイルで動作確認することをおすすめします。
特に「削除」「上書き」「一括変更」を行うマクロは慎重に扱います。
Web APIと連携する
生成AIにプログラムを書かせることで、外部サービスのAPIと連携する処理も作りやすくなります。
APIとは、簡単にいえば、別のサービスからデータを取得したり、別のサービスへデータを送ったりするための仕組みです。
使用例
「天気APIから明日の天気を取得し、雨の場合だけメール通知するNode.jsプログラムを作ってください」
といった自動処理を作成できます。
AIの限界
APIはサービスごとに仕様が異なり、仕様変更によってコードが動かなくなることがあります。
また、認証情報の扱いを間違えると、重大なセキュリティ事故につながる可能性があります。
安全対策
APIキーや秘密鍵をソースコードに直接書かないことが基本です。
環境変数や安全な秘密情報管理サービスを利用し、アクセス権限も必要最小限にします。
生成AIによる「ノーコード・ローコード化」
こうした機能を組み合わせることで、プログラミングの専門家ではない人でも、簡単な業務システムや自動化ツールを作りやすくなっています。
たとえば、
「問い合わせフォームに入力された内容を分類し、緊急度が高いものだけ担当者へ通知する仕組みを作りたい」
という業務上の目的をAIに伝え、
入力 → AIによる分類 → 条件判定 → 通知
という処理を設計してもらうことができます。
使用例
「問い合わせ内容を『一般質問』『クレーム』『緊急対応』に分類し、『緊急対応』だけ担当者へ通知する業務フローを設計してください」
AIは、
- 必要なデータ
- 処理手順
- 条件分岐
- 使用するAPI
- 必要なコード
などを整理するための設計補助として利用できます。
AIの限界
業務を知らないAIが作った自動化フローは、現場の例外処理を見落とす可能性があります。
「普通はこうする」というルールだけで設計すると、特殊なケースで誤動作することがあります。
安全対策
実際の業務へ導入する前に、
正常ケースだけでなく、異常ケース・例外ケースをテストする
ことが重要です。
生成AIをプログラミングに使うときの安全チェックリスト
コード生成AIを業務で利用する場合は、最低限次の項目を確認しましょう。
セキュリティ
- APIキーをコードに直接書いていないか
- パスワードを含んでいないか
- 個人情報を外部AIへ送っていないか
- 不必要な権限を与えていないか
コード品質
- エラー処理があるか
- 想定外データに対応できるか
- 無限ループの可能性がないか
- ファイルを誤削除しないか
- 外部APIの制限を考慮しているか
データ
- 入力データは正しいか
- 欠損値はないか
- 重複していないか
- 単位や日付形式は統一されているか
運用
- ログを残しているか
- バックアップがあるか
- エラー発生時に止められるか
- 本番環境へ導入する前にテストしたか
生成AIは「プログラマー不要」の道具ではない
コード生成能力が大きく向上したことで、
「もうプログラマーはいらないのでは？」
と考える人もいるかもしれません。
しかし、これは単純な話ではありません。
生成AIはコードを書く速度を大幅に高められる一方で、
何を作るべきか
その設計で安全なのか
その処理結果は正しいのか
将来も保守できるのか
といった判断まで完全に保証してくれるわけではありません。
むしろAIによってコードを大量に作れるようになったからこそ、コードを評価する能力の重要性が高まっているともいえます。
エンジニアリング・データ分析でのAI活用まとめ
2026年現在、生成AIは、
- プログラムを作る
- コードをレビューする
- バグの原因を探す
- SQLを作る
- Excel・CSVを分析する
- グラフを作る
- データの異常を探す
- 需要を予測する
- PythonやVBAで定型作業を自動化する
- API連携のコードを作る
- 業務フローを設計する
といった幅広い用途で利用できます。
ただし、ここでも重要なのは、
AIが作ったものを無条件に信じないこと
です。
特にコードとデータ分析では、AIの誤りがそのままシステム障害、情報漏えい、誤集計、誤った経営判断につながる可能性があります。
そのため、
AIに作らせる → 人間が検証する → テストする → 本番投入する
という流れを基本にしましょう。
そして、AIが単独でコードを書く段階からさらに進むと、次はいよいよ**「AI自身が複数のツールを使って仕事を進める」**段階に入ります。
これが、2026年の生成AIを語るうえで特に重要なAIエージェントです。
次章では、
「競合調査から営業資料作成までAIに任せる」
「経費を自動分類する」
「問い合わせを自動処理する」
といった、AIエージェントによる業務自動化について詳しく解説します。
