日本企業のAI「成果問題」とは何か

01「成果問題」とは何か

「AIはもう現場で使えています」。社内の報告が、この一文で終わることがあります。

そこで止めずに、もう一つ聞いてください。その利用は、どの数字を動かしましたか。

答えが出てこない場合、解くべき問題は導入ではありません。

AIの成果問題とは、AIの導入・利用そのものは進んでいるにもかかわらず、事業成果として測定・還元できていない状態を指します。

重要なのは、成果問題が「導入の遅れ」とは別の問題だという点です。導入の遅れは、使っていないことが原因です。成果問題は、使っているのに成果が出ないことが原因です。前者の処方は展開の加速であり、後者の処方は設計のやり直しです。処方が正反対になるため、この区別を曖昧にしたまま予算を追加投入すると、利用量だけが増えて成果は変わらないという結果になります。

日本市場のデータは、問題がすでに後者に移っていることを示しています。総務省『令和8年版 情報通信白書』第Ⅰ部第2章第1節（2025年度企業向け調査、図表Ⅰ-2-1-6）によれば、自社の何らかの業務で生成AIを利用していると回答した日本企業の割合は86.4%で、2024年度企業向け調査の55.2%から大幅に上昇し、比較対象3カ国（米国・ドイツ・中国）との差も縮まりました。導入という論点は、すでに大半の日本企業で終わっています。

同じ調査の中に、対比すべきもう一組の数値があります。「全社横断的、各部署単位、又は個人業務単位で組織的な活用に取り組んでいる」と回答した企業は65.6%、「組織的な取組はない」と回答した企業は27.0%（図表Ⅰ-2-1-3）で、後者は比較対象3カ国に比べ顕著に高い水準でした。同一調査・同一母集団の設問群であるため、この2つは正当に対比できます。

業務での利用が86.4%に達する一方、約3割の企業では組織的な取り組みが存在しない。ここでの「組織的な取組」には個人業務単位のものも含まれるため、27.0%は個人利用の有無ではなく、組織として取り組みの形を取っていない企業の割合です。

さらに、期待している効果の内容にも偏りがあります。同白書（図表Ⅰ-2-1-10）では、生成AIの活用により生じうる影響として、日本では「作業時間の短縮などによる業務の効率化」が61.6%で最多となり、「品質管理の精度向上やパーソナライズなどによる製品・サービスの質の向上」（32.2%）や「人員不足の解消」（26.8%）を大きく上回りました。他の3カ国では「製品・サービスの質の向上」が最上位で、次に「業務の効率化」が続いています。

利用は広がり、組織的な取り組みはそこに追いつかず、期待は効率化に寄っている。これが日本企業のAIの現在地です。

別の調査からも同じ方向が確認できます。PwC Japanグループの「生成AIに関する実態調査2026 春 6カ国比較」（日本調査は2026年2月12日〜19日、回答者932名）では、「期待を大きく上回る」効果を創出している企業の割合は日本が9%で、6カ国中で最も低い水準でした（米国38%、英国32%）。効果を「期待未満」とした企業は19%、「まだ評価できていない」は13%です。生まれた効果を従業員への利益還元や顧客への価格還元といった財務的な還元につなげている割合は日本が40%で、これも6カ国で最下位でした（米国75%、英国74%）。

02なぜ日米で問題の形が違うのか

海外のエンタープライズAI論壇では、この1〜2年、AI利用コストの制御が主要テーマになってきました。利用が急拡大した結果、モデル利用料が予算計画を超え、誰がどのモデルをどれだけ使うかを統制する必要が生じたためです。これは「使いすぎ」の問題です。

実例として、TechCrunchが2026年6月に伝えたところによれば、Uberは2026年の年間AI予算を4カ月で使い切り、その後コーディングツール1つあたり・従業員1人あたり月1,500ドルの利用上限を導入しました（同社自身の公表資料は未確認のため、報道内容として扱います）。単価の想定ではなく、総量の想定が外れた事例です。

日本企業に同じ課題設定を持ち込むと、優先順位が狂います。日本で先に現れているのは、支出が膨らむ前に成果が見えないという「成果問題」だからです。

この非対称性の根には、第1章で見た期待の偏りがあります。効率化に期待が集中すると、成果は既存部門のコスト削減として薄く分散し、経営に見える単位の成果になりにくくなります。支出が膨らむ前に成果が見えなくなるのは、この構造の帰結です。

効果発現までの時間軸の想定も異なります。PwC Japanの前掲調査では、施策実施から1年以内の効果発現を想定する割合が日本は41%、米国は66%でした（この比較は6カ国調査によるもので、前段の白書の3カ国比較とは別の調査です）。長い時間軸を前提にすると、測定の開始も後ろへずれます。

03成果が失われる4つの断層とは何か

水道管の漏れを思い出してください。蛇口から出る水が細い。原因は蛇口ではなく、途中のどこかで漏れていることがあります。漏れが上流にあるのに下流の配管だけ太くしても、出てくる水の量は変わりません。上流から順にたどって、漏れている箇所を塞ぐしかありません。

AIの成果も同じ流れ方をすると私は考えています。投じた資源は上流から下流へ流れ、途中で失われます。だから診断も上流から始めます。

AI成果断層モデル（Genspark版）として、成果が失われる箇所を4つに分けて診断します。上流の断層を残したまま下流を強化しても成果は回復しません。

断層1：目的と指標の断層——何を良くするのか決まっていない

「生産性向上」「業務効率化」という言葉だけがあり、どの業務のどの指標を、いくらからいくらにするのかが決まっていない状態です。

第1章で見た「業務利用86.4%／組織的な取組はない27.0%」（総務省『令和8年版 情報通信白書』2025年度企業向け調査、図表Ⅰ-2-1-6／Ⅰ-2-1-3）は、この断層の規模を同一調査内で示しています。約3割の企業では、組織として何を良くするのかが定まっていない状態で利用が進んでいます。

なお、国内の実践度合いを別途測ったJIPDEC『企業IT利活用動向調査2026』集計結果分析レポート（2026年1月実施、調査協力：株式会社アイ・ティ・アール、有効回答1,107件）では、組織としてAIを実践・活用している企業は36%です。設問と母集団が白書とは異なるため直接の比較はできませんが、組織単位の活用として確立した企業が限られるという方向性は一致します。

断層2：業務プロセスの断層——AIを既存手順に足しただけ

既存の手順を一切変えず、その一工程にAIを差し込むと、削減した時間が次工程の待ち時間や確認作業に吸収されます。

総務省『令和8年版 情報通信白書』（図表Ⅰ-2-1-7）では、業務類型ごとの生成AI活用状況として、日本では「議事録・メール作成補助」が約7割で最も高く、「営業・販売」が約6割、「社内ヘルプデスク」が約5割と続きました。導入効果を実感すると回答した割合も「議事録・メール作成補助」が約7割で他の類型より顕著に高い結果でした。同白書は、他の3カ国では企業内で完結する利用にとどまらず顧客向けの製品・サービスへの活用が積極的に行われていると指摘しています。

補助業務は着手しやすく効果実感も得やすい一方、工程全体のリードタイムを変えないため、経営に見える単位の成果として集計されにくい領域です。

断層3：信頼と検証の断層——出力を人が全部見直している

AIの出力を全件人が確認する運用では、確認工数が削減分を相殺します。検証を捨てるのではなく、リスク階層ごとに検証の深さを変えられる設計になっているかが分岐点になります。検証設計の具体的な組み方は、本シリーズのエージェント信頼性の回で扱います。

断層4：還元の断層——成果が財務に接続していない

削減した時間が、増員抑制、リードタイム短縮による売上、価格競争力のいずれにも接続されないまま消えている状態です。PwC Japanの前掲調査で財務的還元が日本40%（米国75%、英国74%）という差は、この断層の大きさを示しています。

図5：AI成果断層モデル（Genspark版）。成果は上流から下流へ流れ、各断層で失われる。上流の断層を残したまま下流を強化しても成果は回復しないため、診断は上流（断層1）から行う。本図は各断層の損失率を測定したものではなく、どこで失われているかを診断する枠組み。

04なぜ日本固有の事情が断層を深めるのか

第一に、稟議と全社合意を前提とする意思決定プロセスです。AI施策は不確実性が高く、事前に効果を確定できません。効果の確定を承認条件にすると、着手できるのは効果が読める小さな効率化施策に偏ります。この偏りが断層2を固定します。

第二に、導入後を検証する仕組みの不足です。総務省『令和8年版 情報通信白書』は、日本のリスク対策が全社的な指針・ガイドラインの整備に寄っており、導入後の定期的な評価・検証は他の3カ国より進んでいないと指摘しています（詳細は本シリーズのセキュリティ／データレジデンシーの回で扱います）。成果問題の文脈で重要なのは、この評価・検証の仕組みが、そのまま断層1（何を良くするのか）と断層4（成果が財務に届いたか）の測定装置でもあるという点です。検証体制がないことは、統制の弱さである以上に、成果を測る手段がないことを意味します。

第三に、AIに期待する内容が効率化に偏っていることです（第1章の61.6%と32.2%）。期待の置き方が成果の見え方を規定するため、期待そのものを設計し直さないかぎり断層4は閉じません。

第四に、制度環境の明確化です。国内ではAI法（人工知能関連技術の研究開発及び活用の推進に関する法律、令和7年法律第53号）が2025年6月4日に公布され、同年9月1日に全面施行されました。あわせて、総務省・経済産業省がAI事業者ガイドライン（第1.2版）を2026年3月31日に公表しています。制度が明確になったことは、リスク回避を理由に着手を遅らせる説明が通りにくくなったことも意味します。

05断層ごとに、誰が閉じるのか

断層は所管が違います。4つを同じ部署に割り当てても閉じません。断層別に、閉じる責任を持つ部署と着手内容を対応させます。

断層1（目的と指標）——経営企画と事業部門。対象業務のベースライン、つまりAI導入前の所要時間・品質・処理件数を数字で押さえます。ここがない施策は、後からいくら測っても成果を主張できません。あわせて、効果を評価できていない既存施策を一覧化し、測定開始か停止のいずれかに振り分けます。

断層2（業務プロセス）——業務所管部門。手順書の書き換えを、施策の完了条件に含めます。手順が変わっていない施策は、断層2を残したままの導入と判定します。工程の統合や廃止まで踏み込まないかぎり、削減した時間は次工程に吸収されます。

断層3（信頼と検証）——情報システムとリスク管理。全件人手確認を前提にしている業務を洗い出し、リスクに応じて検証の深さを分けるルールを定義します。ガイドライン整備で止まっている場合、この断層は開いたままです。参照可能な社内情報の範囲を広げることも、ここに含まれます。補助業務から外へ出るには業務データへの到達が前提になります。

断層4（還元）——財務・予算所管。削減時間の行き先を予算書に書きます。何時間削減したかではなく、その時間が増員抑制、売上、価格のどれに向かうかを施策単位で明記します。あわせて、AI予算の承認条件を「効果の確約」から「測定計画の有無」に変えます。事前に効果を確約させる審査は、成果が小さい施策を選ばせる圧力として働きます。

4断層を貫く1つの着手。顧客向けの提供価値に触れる施策を1つ立てることです。社内完結の補助業務だけでは断層4に届きません。着手先は効果が出ている領域から選びます。JIPDECの前掲調査（図17、N=399）では、期待以上の効果が出ている領域として「顧客対応・サポート業務」29.1%、「経営企画・意思決定支援」27.8%が挙げられています。効果が出やすい領域から入り、測定手法ごと他部門に移すのが横展開の順序です。

06まとめ——「導入の完了」から「成果の設計」へ

日本企業のAIの論点は、すでに「導入するか」から「成果を設計できるか」へ移りました。業務利用86.4%という水準は、導入を加速する施策の余地がほぼ残っていないことを意味します。次の成果は、目的と指標、業務プロセス、検証、財務還元という4つの断層のどこを閉じるかで決まります。

海外の「使いすぎ」の議論をそのまま輸入すると、統制の強化に資源が向きます。統制は必要ですが、成果問題を解く手ではありません。まず取り組むべきは、成果を測れる状態を作ることであり、その次に統制です。順序を入れ替えると、測れないまま統制された利用が残ります。

冒頭の質問に戻ります。「その利用は、どの数字を動かしましたか」。この質問に社内で答えられる状態を作ることが、成果の設計の中身です。私は、次の予算の使い道を決める前に、4つの断層のどこが開いているかを診断する作業を置くべきだと考えています。最初にやることは、対象業務のベースラインを数字で押さえることです。

07FAQ