イントロダクション：動画データは「見る」ものではなく「検索する」ものへ
「社内の共有フォルダに、録画されたZoom会議やウェビナーの動画ファイルが何百時間分も眠っていませんか？ そして、それらを最後に見返したのはいつですか？」
企業のDX担当者と議論する際、よく挙がる問いがあります。答えは決まって、「保存はしているが、見る時間がない」「どこに何があるかわからない」というものです。
動画コンテンツは情報の宝庫です。テキスト化された議事録では抜け落ちてしまう、ホワイトボードの図解、プレゼンターの熱量、デモ画面の微妙な操作ニュアンス――これら全てが含まれています。しかし、そのリッチさが仇となり、「再生しなければ中身がわからない」という検索性の低さが、活用の最大のボトルネックとなっていました。
今、その常識が覆ろうとしています。
「動画を見る」という行為を人間から解放し、AIに行わせる。そして人間は、抽出されたエッセンスだけを摂取する。そんな「視聴レス（View-less）」なワークフローが、ChatGPTの最新モデルをはじめとするマルチモーダルAIの登場によって現実のものとなりました。
今回は、株式会社テクノデジタル 代表取締役であり、AIエージェント開発・研究者として活躍するHARITA氏にインタビューを行い、動画解析の最前線について語っていただきました。技術的な仕組みから、明日から使える実践的なワークフロー構築術まで、経営者視点とエンジニア視点を交えて深掘りします。
HARITA
株式会社テクノデジタル 代表取締役 / AIエージェント開発・研究者。35年以上の開発キャリアを持ち、AIエージェントや最新AIモデルの研究・開発を牽引。高速プロトタイピングを駆使し、技術の本質を見抜いたビジネス実装に定評がある。
なぜ今、動画解析ワークフローが注目されるのか
編集部： HARITAさん、本日はよろしくお願いします。最近、多くの企業で「動画活用」に関する課題が顕在化しているそうですね。
HARITA： ええ、その傾向は顕著です。背景には「情報の非対称性」への危機感があります。リモートワークが定着して、あらゆる会議が録画されるようになりました。これは一見良いことのように思えますが、実は「情報爆発」を引き起こしているんです。
1時間の会議動画を見るには、当然1時間かかります。倍速で見ても30分。マネージャークラスになると、1日に何本も会議が重なるため、自分が参加していない会議の録画を確認する時間なんて物理的にありません。結果として、「動画はあるけど、誰も中身を知らない」という死蔵データが山のように積み上がっている。これが現状です。
編集部： 確かに、「後で見ておいて」と言われて送られてきた動画リンクほど、開かれないものはありません。
HARITA： その通り。だからこそ、パラダイムシフトが必要です。「動画は見るもの」という固定観念を捨て、「動画はデータソースであり、検索するもの」と再定義するんです。最新のマルチモーダルモデルは、この転換を実現するための強力なエンジンになります。今日は、その具体的な「エンジンの回し方」についてお話ししましょう。
Q1：従来の「文字起こし要約」とOpenAIの最新マルチモーダルモデルは何が違うのか？
編集部： 動画のAI活用というと、これまでは「音声認識（Speech-to-Text）」による文字起こしが主流でした。最新のマルチモーダルモデルによる解析は、これと何が決定的に違うのでしょうか？
HARITA： 良い質問です。最大の違いは、「文脈（Context）の解像度」です。
従来のWhisperなどの音声認識モデルは、あくまで「音」を「文字」に変換することに特化しています。もちろん、最新の音声認識技術は非常に高精度で、フィラー（「えー」「あー」など）の除去や整った文章への変換もスムーズに行えます。しかし、コミュニケーションにおいて言葉が占める割合はごく一部ですよね？ メラビアンの法則を持ち出すまでもなく、視覚情報は極めて重要です。
例えば、会議で誰かがホワイトボードを指差しながら「ここの数字、おかしくないですか？」と言ったとします。音声だけの文字起こしでは、「ここの数字」が何を指すのか永遠にわかりません。売上のことなのか、コストのことなのか、あるいは日付のことなのか。音声情報だけでは、決定的な文脈が欠落してしまうのです。
音声だけでは拾えない「文脈」の壁
HARITA： ここで登場するのが、OpenAIの最新モデルなどが備えるVLM（Vision-Language Models）としての能力です。画期的な点は、映像のフレーム（静止画）を直接理解できることにあります。
先ほどの例で言えば、最新のマルチモーダルAIは映像内のホワイトボードを認識し、「2023年度Q3の営業利益グラフ」が下降していることを読み取ります。その上で、音声と映像を突き合わせ、「発言者はQ3の営業利益の減少について指摘している」と解釈できるわけです。これが「マルチモーダル解析」の真価であり、単なる文字起こしとは次元が異なる処理です。
スライド、表情、デモ画面を統合して理解するAI
編集部： なるほど。人間と同じように「目」と「耳」を同時に使って理解しているわけですね。
HARITA： まさにそうです。具体的に、最新のモデルが処理できる視覚情報は多岐にわたります。
- プレゼンスライドの内容: 文字だけでなく、グラフのトレンドや図解の意味、配色による強調点まで理解します。
- デモ画面の操作: ソフトウェアの操作説明動画などで、カーソルがどこをクリックし、画面がどう遷移したかという一連のフローを追跡できます。
- 話者の表情とジェスチャー: 深刻な顔で話しているのか、冗談交じりに笑っているのか。この非言語的なメタ情報は、発言のニュアンスや重要度を判定する上で大きなヒントになります。
これらを統合して解析することで、単なる「議事録」ではなく、「構造化されたナレッジ」が生成されます。「誰が、どんな資料を使って、どのような表情で、何を語ったか」。ここまで抽出できて初めて、動画を見ずに内容を把握できる状態、つまり真の「視聴レス」が実現するのです。
Q2：エンジニアがいなくてもできる？「視聴レス」ワークフローの現実解
編集部： 技術的な凄さはわかりました。ただ、それを実装するには高度なエンジニアリングが必要なのでしょうか？ 多くの企業のDX担当者は、そこが不安だと思います。
HARITA： 結論から言うと、ノーコードでも十分実用的なレベルまで構築可能です。もちろん、Pythonでコードを書いた方が柔軟性は高いですが、まずはReplitやGitHub Copilotなどのツールも活用しつつ、PoC（概念実証）として「まず動くものを作る」ことが重要です。
実務において有効な「視聴レス」ワークフローには、松・竹・梅の3つのレベルがあります。
- 【梅】手動アップロード型: ChatGPT PlusなどのWeb UIに、動画から切り出した画像を数枚アップロードして質問する。個人レベルでの活用や、初期のテストならこれでも十分機能します。
- 【竹】NoCode自動化型: Make (旧Integromat) やZapierを使い、Google Driveに動画が置かれたら自動で解析フローを回すアプローチです。
- 【松】完全自動パイプライン: Azure OpenAIやAWS Lambdaを組み合わせ、セキュアかつ大規模に処理するエンタープライズ構成です。
ここでは、多くの企業で現実的な【竹】のアプローチ、つまりNoCodeツールを使ったワークフロー設計について掘り下げてみましょう。
API連携か、SaaS活用か、ローカル処理か
編集部： 具体的にはどのような手順になるのでしょうか？
HARITA： 基本的なフローは以下の4ステップです。
- トリガー: ZoomやGoogle Driveに動画ファイルが保存される。
- 前処理（ここが重要！）: 動画ファイルそのものをChatGPTなどのAIモデルに直接投げるのは、サイズ制限やコストの観点から最適解とは言えません。ここで「音声抽出」と「キーフレーム抽出」を行います。
- Tips: CloudConvertなどのAPIを使えば、動画から「1分ごとのスクリーンショット」を自動生成する処理もノーコードで実装可能です。
- 解析: 抽出した音声（Whisper等でテキスト化）と、スクリーンショット（画像）をセットにして、OpenAIのAPI（最新のマルチモーダル対応モデル）に投げます。プロンプトには「画像のスライド内容と音声を照らし合わせ、重要な決定事項を抽出せよ」といった指示を含めます。
- 出力: 解析結果をNotionやSlack、あるいは社内Wikiに自動投稿します。
「要約」ではなく「構造化データ化」を目指す
HARITA： ここで一つ、システム設計の視点から重要なポイントを挙げましょう。単に「要約して」と頼むのはもったいないです。AIの出力は、人間が読むためだけでなく、システムが扱える形式にするべきです。
例えば、JSON形式で出力させるよう指示します。
{
"meeting_title": "プロジェクトX進捗会議",
"key_decisions": ["...", "..."],
"action_items": [
{"assignee": "田中", "task": "API仕様書の修正", "deadline": "2024-05-20"}
],
"slide_summary": "スライド3枚目でアーキテクチャ図の変更が提示された"
}
このように構造化データとして保存しておけば、後から「田中さんのタスクだけ抽出して」といった処理が簡単に行えます。これが「動画のデータベース化」への第一歩です。
編集部： なるほど。動画を「見る」対象としてではなく、「データ」として扱うための変換処理なんですね。
HARITA： その通りです。動画は非構造化データの極みですが、AIを通すことで構造化データに変換できる。これがDXの本質です。
Q3：導入の壁となる「コスト」と「プライバシー」をどう乗り越えるか
編集部： 夢のある話ですが、現実的な課題として「コスト」と「プライバシー」が気になります。特にChatGPTの画像解析はトークン消費が激しいと聞きます。
HARITA： 鋭いですね。そこは避けて通れない問題です。何も考えずに1時間の動画の全フレームを解析させたら、あっという間に予算オーバーです。クラウド破産への最短ルートですよ（笑）。
トークン課金とROIの考え方
HARITA： コスト最適化の鍵は「サンプリングレート」の調整にあります。
動画は通常、1秒間に30フレーム（30fps）や60フレームで構成されていますが、会議のスライドが1秒ごとに切り替わることはまずありませんよね？ 数分に一度変わる程度です。
ですので、解析対象とする画像を「5秒に1枚」あるいは「スライドが切り替わったタイミング（シーン検知）」だけに絞ることで、入力トークン数を劇的に、それこそ1/100以下に削減できます。音声テキストは全編解析し、画像はポイントで参照する。このハイブリッド戦略が、精度とコストのバランスにおける最適解です。
編集部： 賢く「間引く」わけですね。では、プライバシーやセキュリティについてはどうでしょうか？
社外秘映像をAIに食わせる際のリスク管理
HARITA： 企業利用において最も重要なのは、「学習データとして利用されないこと」の保証です。
OpenAIのコンシューマー向けChatGPT（無料版など）に社外秘の会議動画をアップロードするのは、情報漏洩のリスクがあり推奨できません。必ず「API経由」での利用、もしくは「Azure OpenAI」のようなエンタープライズ環境を利用すべきです。これらは入力データがモデルの学習に使われないことが規約で明記されています。
また、個人情報保護の観点から、顔認識技術を使って「人物の顔にぼかしを入れる」前処理を挟むことも、技術的には可能です。ただ、社内会議であればそこまで過敏になる必要はないケースが多いでしょう。重要なのは、データの保存期間とアクセス権限の管理です。
「解析が済んだ動画データそのものは削除し、テキストとメタデータだけを残す」という運用にすれば、ストレージコストも削減でき、リスクも最小化できます。
Q4：動画が「ナレッジベース」になる未来の働き方
編集部： 動画解析が進んだ先には、どのような働き方が待っているのでしょうか？
HARITA： 動画が「ストック情報」としての市民権を得る未来ですね。
これまでのナレッジマネジメントでは、ドキュメント（文書）が王様でした。しかし、これからは動画が「検索可能なナレッジベース」として統合されます。これを技術的には「マルチモーダルRAG（Retrieval-Augmented Generation）」と呼びます。
チャットボットに「あの動画の件」と聞く時代
HARITA： 想像してみてください。新入社員が社内チャットボットにこう質問します。
「先月の製品企画会議で、競合他社の分析について誰が何を話していましたか？」
システムは過去の動画アーカイブから該当する会議を特定し、さらにその中の「競合分析」について話している3分間のセグメントを見つけ出します。そして、その要約と共に、「この動画の15分30秒から再生しますか？」と提案してくれる。
これなら、新入社員は膨大な動画リストを漁る必要も、先輩社員に時間を取ってもらう必要もありません。自律的に学習できる環境が整うわけです。
オンボーディングや教育コストの劇的削減
編集部： それは人材育成の観点からも革命的ですね。
HARITA： 教育コストの削減効果は計り知れません。熟練社員の暗黙知――例えば、顧客へのプレゼンの間合いや、トラブルシューティング時の画面操作の手際――これらはテキスト化が難しいものでした。しかし、動画として記録し、AIがタグ付けして検索可能にしておけば、それは全社員がいつでもアクセスできる「生きた教科書」になります。
動画を「撮りっぱなし」にするのではなく、「再利用可能な資産」に変える。これこそが、AI時代における真のDXと言えるでしょう。
編集後記：AIは「時間」という資源を再発明する
HARITA氏へのインタビューを通じて見えてきたのは、技術の進化そのものよりも、それによってもたらされる「時間の使い方の変化」でした。
これまで私たちは、情報を得るために「動画を見る」という時間コストを支払う必要がありました。しかし、ChatGPTによるマルチモーダル解析は、そのコストをほぼゼロにします。浮いた時間は、AIが抽出した情報を元に「考え、判断し、行動する」ために使うことができます。
「動画は見ない。ただ知るだけ。」
この挑発的とも言えるスタイルは、情報過多に喘ぐ現代のビジネスパーソンにとって、一つの救いになるはずです。組織内で眠っている動画データを叩き起こし、最強のナレッジベースへと変貌させてみてはいかがでしょうか。
コメント