ヒューマンインザループ（HITL）とは？AIの処理に人の判断を組み込む考え方
ヒューマンインザループ（HITL）とは、AI の処理の途中に人の判断を組み込み、その判断を AI 側に戻して精度を高める設計のことです。
英語では Human-in-the-Loop と書き、直訳すると「輪の中の人間」になります。ここでいう輪とは、AI が出力し、人が評価し、その評価が次の出力に反映されるという循環のことです。AI を一度作って終わりにするのではなく、人が関わり続ける前提で仕組みを組み立てる点が特徴です。
HITLの定義｜AIが出した結果を人が確認して次に生かす
HITL の定義でおさえておきたいのは、人の関与が「間違いを直すこと」だけを指すのではない点です。AI に学習させるデータを人が作る段階、AI の出力に人が良し悪しを付ける段階、AI が実行する直前に人が承認する段階、いずれも HITL に含まれます。関与するタイミングは違っても、人の判断が AI の振る舞いに反映されるという構造は共通しています。
もう一つ誤解されやすいのが、HITL は「人がすべての出力を確認すること」ではないという点です。AI が確信を持って処理できる範囲は AI に任せ、判断が割れる部分や誤ったときの影響が大きい部分にだけ人を配置する。この配分を設計することが HITL の中身です。全件確認は HITL の一形態ではありますが、運用としては最も負荷が高く、続かない形でもあります。
実際、AI の精度が上がるほど人が確認する割合は下げられます。逆に、精度が読めない立ち上げ期は人の確認を厚くし、データが溜まるにつれて薄くしていく。この可変の設計が HITL を続けられるかどうかを分けます。
HITLが回る4つのステップ
HITL は、次の 4 つのステップが循環する形で回ります。どこか一つが欠けると、人が関与していても改善が積み上がりません。
ステップ1｜AIが出力する
AI が推論した結果を出します。文章の下書き、分類のラベル、審査の可否判定など、業務によって出力の形は変わります。この段階で、AI が自分の確信度を数値で出せる構成にしておくと、後のステップが組みやすくなります。
ステップ2｜人が評価・修正する
人が出力を見て、そのまま使えるか、直すか、却下するかを判断します。ここで大切なのは、判断の結果だけでなく「なぜそう判断したか」を残すことです。理由が残っていないと、後で AI に学習させる材料になりません。
ステップ3｜判断結果を記録する
人の判断をログとして蓄積します。承認・却下・修正内容の 3 点が揃っていると、後から傾向を分析できます。この記録が無いまま人が確認だけを続けると、いつまでも工数が減らない状態になります。
ステップ4｜AIに反映する
蓄積した判断をプロンプトの改善、ルールの追加、モデルの再学習といった形で AI に戻します。ここまで回して初めて、次回以降の人の確認量が減ります。HITL が単なる目視チェックと違うのは、このステップがあるかどうかです。
なぜ生成AIの普及でHITLが必要になったのか
HITL という考え方自体は機械学習の分野で以前から使われてきました。生成AI の普及によって注目度が上がったのは、出力の性質が変わったからです。
出力が本物らしく見えるほど、誤りに気づきにくい
従来の分類・予測モデルは、間違えても「スコアが低い」といった形で不確かさが表に出ていました。生成AI は、事実と異なる内容でも自然な日本語で断定的に出力します。この、事実と異なる内容をもっともらしく生成する現象はハルシネーションと呼ばれます。読み手が内容を知らない領域ほど、誤りをそのまま受け取ってしまいます。
さらに、生成AI は同じ入力でも出力が毎回変わります。一度確認して問題なかったからといって、次も同じ品質が出るとは限りません。出力を固定できない以上、確認の仕組みを業務側に持たせる必要が出てきます。
現場は「どこまで任せてよいか」で止まっている
AI を使い始めた人が最初に詰まるのも、この線引きの部分です。GiftX が実施したビジネス職生成AI活用実態調査2026 では、AI 利用者が挙げた個人の課題の 1 位が「どこまで AI 活用していいか判断できない」で 27.7%、2 位が「出力の質が実務でそのまま使えない」で 27.4% でした（いずれも複数回答）。
どちらも、AI の性能そのものではなく、AI と人の役割分担が決まっていないことに起因する詰まり方です。HITL は、この線引きを個人の感覚に任せず、業務の設計として扱うための枠組みだと考えると理解しやすくなります。
詳細な調査データは「ビジネス職生成AI活用実態調査（2026年版）」にてご覧ください。
関連記事：ハルシネーションとは？意味・原因・対策と生成AIを安全に使うコツ
HITLとHuman-on-the-Loop・完全自動化の違い｜AIへの関わり方の分類
AI と人の関わり方は、人が判断に入るタイミングによって 3 つに分かれます。HITL はそのうちの一つで、どれを選ぶかは業務のリスクと量で決まります。
| 観点 | HITL（Human-in-the-Loop） | HOTL（Human-on-the-Loop） | 完全自動化 |
|---|---|---|---|
| 人の位置 | 処理の流れの中 | 流れの外側で監視 | 関与しない |
| 判断のタイミング | AIが実行する前 | 実行後、または異常時 | なし |
| 止められるか | 実行前に止められる | 事後に止める・巻き戻す | 止められない |
| 向く業務 | 誤りの影響が大きい業務 | 件数が多く影響が限定的な業務 | 定型で誤りが許容できる業務 |
| 処理速度 | 遅い | 速い | 最も速い |
Human-in-the-Loop｜実行の前に人が判断する
HITL では、AI の出力が実際に使われる前に人が通します。社外に出す文書、金額が動く処理、顧客の与信に関わる審査などが該当します。人が止められる代わりに、確認する人の処理能力が全体の上限になります。
Human-on-the-Loop｜人は監視し、必要なときだけ介入する
HOTL では、AI が自律的に処理を進め、人はダッシュボードやアラートで結果を監視します。異常値が出たときや、AI の確信度が低いときだけ人が入る形です。件数が多く、1 件あたりの誤りの影響が限定的な業務に向きます。実行後の介入になるため、取り返しのつかない処理には使えません。
完全自動化｜人が関与しない
人の判断を挟まず、AI が処理から実行まで完結させる形です。処理速度は最も速い一方、誤りがそのまま業務結果になります。誤りが起きても影響が小さく、後から機械的に修正できる業務に限って選びます。
3 つは優劣ではなく使い分けです。同じ社内でも、社外向け文書は HITL、社内の分類処理は HOTL、定型のデータ整形は完全自動化、というように業務ごとに変わります。
全国8,000人調査で、AI活用方法によって生産性向上に約3.8倍の差が生まれることが判明。
HITLの仕組み｜学習前から実行時までの4つの実装パターン
HITL を具体的に組む方法は、人が関わるタイミングで 4 つに分かれます。どれか一つを選ぶというより、業務の段階に応じて組み合わせるものです。
パターン1｜データアノテーション（学習データを人が作る）
AI に学習させるデータに、人が正解ラベルを付ける方法です。アノテーションとは、データに意味を示す情報を付与する作業を指します。問い合わせ文に「返品」「配送」といった分類を付ける、画像に写っているものを指定する、といった作業が該当します。AI が動き出す前の段階で人が関わるパターンで、ここでの品質が後段の精度をほぼ決めます。
パターン2｜RLHF（人の評価でモデルを調整する）
RLHF（Reinforcement Learning from Human Feedback、人間のフィードバックによる強化学習）は、AI が出した複数の回答に人が良し悪しの順位を付け、その評価を報酬としてモデルを調整する手法です。現在の対話型 AI が、単に文章を続けるのではなく人の意図に沿った回答を返すのは、この工程を通っているためです。自社で一から実施するのは負荷が高いため、多くの企業は評価データの蓄積までを担い、調整はモデル提供側に委ねます。
パターン3｜アクティブラーニング（迷った事例だけ人に聞く）
AI が確信を持てなかった事例だけを抽出し、人に判断を求める方法です。全件を人が見る必要がないため、確認工数を抑えながら学習データを増やせます。確信度のしきい値を下げれば人に回る件数が減り、上げれば増えるため、運用中に負荷を調整できる点も扱いやすいところです。
パターン4｜実行時のレビュー・承認（出力を人が確認する）
AI が生成した成果物を、使う直前に人が確認する方法です。導入の手間が最も小さく、多くの業務はここから始まります。ただし承認だけを繰り返して判断内容を記録しない運用にすると、いつまでも工数が減りません。確認と同時に、却下した理由をルールやプロンプトに戻す設計をセットにする必要があります。
HITLのメリットと、見落としやすいデメリット
HITL の利点と負担は表裏の関係にあります。人を挟むから精度が上がり、人を挟むから処理が遅くなります。
メリット｜精度・信頼性・改善の積み上げ
- 誤りが業務に出る前に止まる：実行前に人が通すため、致命的な誤りが外部に届きません
- 判断の根拠を説明できる：誰がいつ承認したかが残るため、社内外への説明が可能になります
- 学習データの偏りに気づける：AIが引き継いでしまうバイアス（判断の偏り）や、倫理的に問題のある表現を人が拾えます
- 使うほど精度が上がる：人の判断が学習データになり、確認が必要な件数が下がっていきます
最後の点は、単純な目視チェックとの分かれ目になります。判断を記録して AI に戻す設計があるかどうかで、1 年後の工数がまったく変わります。あわせて、承認の履歴が残ること自体が、その業務の信頼性を対外的に示す裏づけになります。
デメリット｜人がボトルネックになり、運用コストが増える
- 処理速度が人に依存する：確認できる件数が業務全体の上限になります
- 確認する人の負荷が上がる：件数が増えるほど、判断の質が落ちやすくなります
- 監視が形骸化する：内容を見ずに承認を続けると、人を挟んでいる意味が失われます
3 つ目は運用で最も起きやすい失敗です。承認率が 99% を超えている状態が続いているなら、その確認は機能していない可能性があります。介入する範囲を絞り直す判断が必要になります。
HITLの導入ステップ｜自社の業務に人の確認を組み込む進め方
HITL を導入するときは、AI の性能から考えるのではなく、業務のリスクから考えると設計が決まります。3 つのステップで整理します。
関連記事：AIエージェントの法人導入ガイド｜PoCから本番運用までの5ステップと3つの落とし穴
ステップ1｜誤ったときの影響が大きい業務を選ぶ
最初に、AI が誤った場合に何が起きるかを業務ごとに書き出します。社外に誤情報が届く、金額が動く、契約条件が変わるといった業務は、人の確認を厚くする対象です。逆に、社内向けの下書きや検索結果の要約のように、誤っても本人がすぐ気づいて直せる業務は、人の確認を薄くできます。
ここで全業務を一度に対象にすると設計が止まります。影響が大きく、かつ件数がある業務を 1 つ選び、そこから始めるのが進めやすい形です。
ステップ2｜実行前か実行後か、介入ポイントを決める
選んだ業務について、人が入るタイミングを決めます。判断は 2 つです。
- 実行前に承認する：送信・登録・公開の直前に人が通す。取り返しがつかない処理はこちら
- 実行後にレビューする：AI が処理を進め、人は結果を後から確認する。件数が多い処理はこちら
AI エージェントのように複数の工程を続けて実行する仕組みでは、工程ごとに承認を挟むと処理が止まりがちです。外部にデータを送る、ファイルを削除するといった取り消せない操作の直前にだけ承認を置き、それ以外は実行後のレビューに回す形が扱いやすくなります。
ステップ3｜人の判断を記録してAIに戻す
承認・却下・修正の内容を残し、定期的に見直します。却下の理由が同じパターンで繰り返されているなら、それはプロンプトやルールに書けます。書けた分だけ、次回から人に回る件数が減ります。
記録する項目は、対象・判断結果・理由の 3 つで足ります。最初から精緻な管理表を作ろうとせず、表計算ソフトの 3 列から始めて、運用が回ってから項目を足す方が定着します。
HITLを組み込んだ自社事例｜AIの成果物を人が最終判断する
GiftX 自身も、AI が作った成果物をそのまま使うのではなく、人が最終判断する形で運用しています。2 つの実例を紹介します。
評価するAIを分けて、人は最終判断だけを行う
記事・提案資料・スライドといった成果物ごとに、専用の評価AI を用意しています。「作る AI」と「評価する AI」を分離し、機械で判定できる品質基準はチェックリストとして評価AI 側に持たせました。人が見る前に一定の品質が担保されるため、人は最終判断だけに集中できます。
運用前は成果物のレビューを全件人力で行い、指摘と修正を何度も往復していました。現在は、生成された成果物を評価AI が基準に沿ってチェックし、指摘を自動で修正したうえで人が最終確認する流れになっています。この体制でレビュー工数は約 60% 減り、あわせて品質基準も標準化されました。
事実確認はAIに抽出させ、人は要修正箇所だけを見る
記事の公開前に行う事実確認も、同じ形に切り替えました。統計・固有名詞・価格といった事実に関する記述を AI が抽出し、一次情報と照合して検証結果をレポートします。編集担当は、要修正と判定された箇所だけを確認します。
以前は 1 記事あたり約 1 時間かけて、事実に関する記述を目視で拾い、1 件ずつ検索して確認していました。現在は同じ作業が約 10 分で完了し、工数は約 83% 減っています。出典を必須とする執筆ルールとセットで運用したことで、公開後の訂正もほぼ発生しなくなりました。
全国8,000人調査で、AI活用方法によって生産性向上に約3.8倍の差が生まれることが判明。
Before/Afterで見るHITL導入の業務インパクト
人の確認をどこに置くかで、同じ AI を使っていても負荷は大きく変わります。社外向けの返信文を生成AI で下書きし、送信前に人が確認する業務を例に見てみます。担当は 3 名、生成AI の利用歴は半年というケースです。
| 項目 | Before（全文を人が確認） | After（要確認箇所だけ人が判断） |
|---|---|---|
| 人の作業 | AIの下書きを毎回全文読み合わせ、事実確認と表現修正を一から行う | AIが確信度の低い箇所と要確認の事実だけを示し、担当者はその箇所と送信可否を判断 |
| 1件あたり | 12分 | 4分 |
| 1日あたり（40件） | 480分（1人あたり約2.7時間） | 160分（1人あたり約0.9時間） |
| 削減率 | （基準） | 約67% |
時給 3,000 円換算で 1 日あたり約 1 万 6,000 円、年 240 日稼働で約 380 万円相当の差になります。作業内容は「AI の下書きを人が見る」で変わっていません。変えたのは、人が見る範囲を全文から要確認箇所に絞った点だけです。
HITL運用で人の確認をいつ減らす・外すかの判断
HITL の解説では「人を挟むべき理由」が語られる一方、いつ人の確認を減らすかはあまり語られません。しかし運用を続けると、必ずこの判断が必要になります。確認を厚いまま固定すると、AI を入れた効果が出ないためです。
判断材料になるのは、蓄積した判断ログです。次の 3 つを見ます。
- 承認率：人がほぼ承認するだけになっている範囲は、確認を外す候補です
- 却下理由の偏り：同じ理由の却下が続くなら、ルール化して機械的に弾けます
- 却下時の影響：見逃したときに何が起きるかで、外してよいかが決まります
承認率が高いだけで外すのは危険です。承認率 99% でも、残り 1% が契約条件の誤りなら人を外せません。承認率と、見逃したときの影響の 2 つをセットで見る必要があります。
一方で、影響が小さい範囲まで確認を残し続けると、確認する側が慣れて内容を見なくなります。減らす判断は、品質を落とすためではなく、確認すべき箇所に注意を戻すために行うものだと捉えると進めやすくなります。
関連記事：AIエージェントができないこと5領域｜人間との役割分担と導入判断軸
AIに人の確認を組み込むときに陥りがちな3つの落とし穴
HITL の設計は考え方としては理解しやすい一方、実際に業務へ入れる段階でつまずくパターンがあります。
落とし穴1｜いきなり全ての出力を人が確認しようとする
不安から全業務・全出力を確認対象にすると、確認する人の工数が跳ね上がり、数週間で運用が止まります。影響が大きい業務を 1 つ選び、そこだけを対象にして始める形が続きます。
落とし穴2｜壮大なAI戦略から考えて手が止まる
全社の AI ガバナンス方針や承認フローの設計から入ると、決めることが増えて着手できません。1 業務の介入ポイントを決めて動かし、そこで得た判断ログをもとに方針を書く順序の方が、内容も具体的になります。
落とし穴3｜既製品のチャット型AIでは業務フローに組み込めない
汎用のチャット型 AI ツールは、人が確認した結果を業務システムに戻す部分を持ちません。承認・却下の記録が個人の手元に残るだけになり、AI に反映されないため確認工数が減りません。自社の業務フローに組み込める形で構築する必要があります。
スモールスタートで1業務をAIエージェントに任せる
3 つの落とし穴はいずれも、対象を広げすぎることから生じます。誤りの影響が大きい業務を 1 つ選び、介入ポイントを 1 箇所決め、判断ログを残すところから始める。この単位であれば数週間で回り始め、次の業務に広げる判断材料も手元に残ります。GiftX では、こうしたスモールスタート前提の AI エージェント構築を 1 業務単位から伴走支援しています。詳細は AIエージェント構築支援サービス をご覧ください。
HITLに関するよくある質問
HITLは何を目的としていますか？
AI の出力の精度と、判断の説明のしやすさを担保することが目的です。あわせて、人の判断を AI に戻すことで、時間の経過とともに人の確認量を減らしていくことも目的に含まれます。単に誤りを見つけるだけの仕組みとは区別されます。
ヒューマンオンザループとの違いは何ですか？
人が判断するタイミングが違います。HITL は AI が実行する前に人が通すため、実行そのものを止められます。ヒューマンオンザループは AI が実行を進め、人は結果を監視して異常時に介入します。取り消せない処理には HITL、件数が多く影響が限定的な処理にはヒューマンオンザループが向きます。
AIの精度が上がれば人の確認は不要になりますか？
確認の範囲は狭くできますが、誤ったときの影響が大きい処理では残ります。判断の根拠を説明する必要がある業務では、精度とは別の理由で人の承認が求められることもあります。精度は確認量を決める材料の一つで、それだけで外すかどうかは決まりません。
人の確認を入れると工数が増えて逆効果になりませんか？
全出力を確認対象にすると増えます。AI が確信を持てなかった事例だけを人に回す形にすれば、確認件数を抑えられます。あわせて判断ログを AI に戻す設計にしておくと、運用を続けるほど人に回る件数が減っていきます。
まとめ
HITL は、AI の処理に人の判断を組み込み、その判断を AI に戻して精度を高める設計です。人が関わるタイミングによって、学習データを作るアノテーション、評価でモデルを調整する RLHF、迷った事例だけを聞くアクティブラーニング、実行時のレビュー・承認という 4 つの形があります。
導入で分かれ目になるのは、対象範囲の決め方です。全出力を人が確認する形にすると、確認する人が処理の上限になり運用が止まります。誤ったときの影響が大きい業務を 1 つ選び、実行前か実行後かの介入ポイントを決め、判断ログを残す。この単位から始めれば、AI に戻す材料も同時に溜まります。
まずは 1 業務を選んで人の確認を組み込み、そこで得たログをもとに範囲を調整していく。このスモールスタートが、HITL を続けられる形に落とすうえで最も近道になります。
AI活用の伴走支援をご検討の方へ
本記事で紹介した HITL の設計に向けて、自社の業務でも具体的に進めたい・相談したいとお考えの方は、ぜひ GiftX AIエージェント構築支援までお問い合わせください。
GiftX AIエージェント構築支援では、貴社の業務に合わせて1業務単位のスモールスタートから本番運用まで、AIエージェント構築をワンストップで支援します。ユースケースの洗い出しから、PoC、本番運用、社内ナレッジ化まで伴走します。
AI活用にご関心のある方は、ぜひ一度ご相談ください。
▶ GiftX AIエージェント構築支援の詳細・お問い合わせはこちら
