生成AIは9割が成果ゼロ｜「個人の時短」から「AI駆動型企業」へ繋ぐ5つのフェーズ

生成AIが個人の生産性を上げることは、もう疑いようがありません。議事録の要約、メールの下書き、資料のたたき台。触った人はほぼ全員「便利だ」と言います。

ただ、私はここに一番のワナがあると考えています。

個人が便利になることと、会社の経営が良くなることは、まったく別の話です。多くの会社が前者で満足し、後者に届かないまま止まっています。これは私の感覚論ではありません。公開されている調査データが、はっきりそれを示しています。

今回は、その「止まる構造」をデータで確認したうえで、生成AIを個人の時短で終わらせず、経営判断に効くところまで持っていくための段階的な進め方を書きます。AIを組織の中核に据えて意思決定そのものを変えていく会社、いわゆる「AI駆動型企業」へどう近づくか、という話です。

生成AIの「9割が成果ゼロ」は、技術の問題ではない

2025年夏、米国MITのNANDAイニシアチブが「The GenAI Divide: State of AI in Business 2025」という報告書を出しました（概要報道：ビジネス+IT）。150人の経営層へのインタビュー、350人の従業員調査、300件の公開導入事例を分析したものです。

結論はかなり衝撃的でした。企業が生成AIに投じた金額は世界で350〜400億ドル規模。それにもかかわらず、明確な収益成長につながったのは全体のわずか5%。残り95%は、損益にほとんど、あるいはまったく影響を与えていなかったというのです。

ここで大事なのは、失敗の原因です。

報告書が指摘したのは、技術が未熟だからでも、法規制が厳しいからでもありません。原因は組織と運用の仕組みにありました。実証実験（PoC）で止まったまま本番に届かない、現場で使った学びが組織に蓄積されない、日々の業務プロセスに組み込まれていない。つまり「使える/使えない」ではなく「業務と経営に組み込めたかどうか」で、5%と95%が分かれていたわけです。

生成AIで成果が出ない最大の理由は、モデルの性能ではなく、導入の設計です。 ここを取り違えると、いいツールを入れたのに何も変わらない、という結果になります。

「個人は便利になったのに、経営は変わらない」が起きる構造

国内データも同じ方向を指しています。

パーソル総合研究所の調査では、生成AIを使うと作業単位で業務時間が平均17%削減できると報告されています。数字だけ見れば立派な効果です。ところが、実際に「業務時間を減らせている」と言える人は、利用者の4人に1人にとどまりました。

これは何を意味するか。一つひとつの作業は確かに速くなっている。けれど、その速さを「会社の成果」、つまり売上や利益、意思決定の質に変換できている実感を持てる人は、ごく一部だということです。個人の作業は速くなった。しかし、それが経営の数字として現れていない。ここに最初の断絶があります。

もう一つ、定着の壁を示すデータがあります。2026年に管理職1,008名を対象に行われた調査では、「生成AIを使いこなせない層がいることで業務に支障が出ている」と感じる人が7割を超えました。しかも、使いこなせていない層として最も多く挙がったのが課長・リーダー職でした。

判断と承認を担うミドル層が生成AIから取り残されると、現場が出してきたAI活用の提案が上に上がっていきません。個人の便利が経営に届かない理由の一つは、ここにもあります。

だから「小さく始めて、経営に繋ぐ」しかない

ここまでのデータをまとめると、こうなります。

生成AIは個人を確実に速くする。けれど、放っておくと「個人の時短」で止まり、経営には届かない。そして経営に届けるかどうかを決めるのは、モデルの賢さではなく導入の設計です。

では、どう設計するか。私の答えはシンプルです。いきなり全社に配って終わりにせず、効果とリスクを体感できる小さな単位から始め、そこから経営に繋ぐ流れを最初から設計しておく。 これに尽きます。

国内外の導入ガイドでも、いきなり全社展開を狙うのではなく、効果が見えやすい業務で小さな成功（クイックウィン）を作り、横に広げていくのが定石とされています。スモールスタートが推奨されるのは、小規模なうちに問題点を洗い出しておけば、全社展開のときに大きな事故にならないからです。

私はこれを、次の5つのフェーズで考えています。

Phase 0：まず少人数で「触る」

最初にやることは、ガイドライン作りではありません。触ることです。

管理職や人事、情報システム部門のように、セキュリティ意識が比較的高いメンバーが、法人（エンタープライズ）版の生成AIを実際に業務で使ってみる。ここから始めます。

なぜ法人版か。無料版や個人版は、入力した情報が学習に使われるリスクがあり、業務情報を入れるには不安が残ります。法人版なら、その扱いを契約で縛れます。最初に触る人ほど、効果と同時にリスクも体で理解しておく必要があります。

そして、いきなり分厚い利用ガイドラインから入らないことが大事です。使ったこともないツールのルールを先に作ると、現場を知らない机上の規則になります。まず触って、「ここは効く」「ここは怖い」を体感してから、ルールを後付けする。順番を逆にしないことがポイントです。

Phase 1：先行導入して、運用に乗せる

触って手応えを感じたら、次は人事・情報システム部門などで先行導入し、日常業務で実際に使い込みます。

ここでの目的は二つです。一つは「本当に効く業務」を見つけること。もう一つは「セキュリティで気になる点」を洗い出すこと。この二つを現場の実務の中で固めていきます。

Phase 0が「お試し」なら、Phase 1は「運用化」です。たまに使うのではなく、毎日の業務フローの中に生成AIが入っている状態を作ります。ここを飛ばして全社展開すると、現場は「結局どう使えばいいのか分からない」まま放置され、利用が立ち消えます。

Phase 2：横に広げ、同時にルールを作る

先行部署で型ができたら、各部署へ段階的に広げます。このとき、各部署に「推進役」を一人置くことが重要です。推進役がいない部署は、ツールを配られただけで使われなくなります。

そして、先行していた人事・情報システム部門は、この段階で利用ルール・方針づくりに移ります。Phase 0で「触らずにルールから入らない」と書いたのは、ここでルールを作るからです。実際に使ってみた経験があるからこそ、現実的で守られるルールが書けます。

とくに人事には、もう一つ仕込んでおきたいことがあります。「社員がAIをどう活用しているか」を評価に組み込む制度づくりです。評価に乗れば、AI活用は「個人の趣味」から「会社が期待する行動」に変わります。これが次のPhase 3への布石になります。

Phase 3：経営に繋ぐ（ここが本丸）

ここが本丸です。そして、正直に書きますが、ここまで到達できている企業はまだごくわずかです。

先ほどのMITの数字を思い出してください。明確な成果を出せたのは5%だけでした。別の調査でも、生成AIの投資対効果（ROI）を「確実に測定できる」と答えた経営層は3割程度にとどまっています。多くの会社は、効果を実感はしていても、それを経営の数字で語れていないということです。

Phase 3でやるのは、管理職と人事が中心になって、「経営判断に必要な情報を、どう集め、どう生成AIで活かすか」を一緒に探っていくことです。

たとえば、各部署にバラバラに溜まっているデータを、経営会議で使える形に整える。あるいは、現場の状況を毎週同じ切り口で要約させ、判断材料として上げる。「個人が速くなった」ではなく「経営の意思決定が速く・正確になった」という成果を作りにいくフェーズです。AIを意思決定の中核に組み込んだ「AI駆動型企業」と呼べる状態は、ここではじめて姿を現します。

ここを設計に入れておかないと、どれだけ現場が便利になっても、経営会議に出てくる資料は何も変わりません。

Phase 4：効いた型を「仕組み」にする

最後のフェーズは、仕組み化です。

Phase 1〜3で「これは効く」と分かった使い方を、属人的な工夫のままにせず、社内のツールや自動化された流れに組み込みます。誰がやっても同じ成果が出る状態にする、ということです。

社内統制やガバナンスを強化したい会社であれば、この段階で生成AIの利用を、会社の管理の枠組みに正式に組み込みます。「現場が勝手に便利に使っている」状態から、「会社の仕組みとして管理された活用」へ移す。ここまで来て、生成AIはようやく経営インフラになります。

進めるときに外してはいけない2つのこと

5つのフェーズを通して、特に強調したいポイントが二つあります。

一つ目は、小さく始めることです。 人事・情報システム部門のように、リスク意識が高く効果も見えやすいところから始める。全社に一斉配布する前に、社内のベクトルを揃える。MITの報告書が示したとおり、失敗の95%はPoCで止まったり業務に組み込めなかったりした結果です。最初から大きく広げないことが、むしろ近道になります。

二つ目は、二本立てで進めることです。 「個人の生産性を上げる展開」と、「経営に繋がる小さな成果づくり」を、同時に走らせます。

経営に繋がる小さな成果とは、たとえば評価制度にAI活用の観点を試験的に入れてみる、あるいはテーマを一つに絞って経営が見やすいデータの形に整える、といったものです。この二本目を最初から並行させておかないと、取り組みは「個人の時短」で止まり、経営に届きません。データが示しているのは、まさにこの「届かなさ」です。

なぜ「人事起点」なのか

ここまで読んで、「なぜ情報システム部門だけでなく人事なのか」と思った方もいるはずです。

これは私だけの発想ではありません。2026年6月、メルカリとSansanという2社が、同じ日に近い体制変更を発表しました。

メルカリは、CTO（最高技術責任者）が最高人事責任者（CHRO）と最高AI責任者（CAIO）を兼ねる体制にしました。AI戦略と人事戦略を一人の責任者に統合し、働き方や意思決定のプロセス、組織構造そのものをAI前提で設計し直す、という狙いです。Sansanも同じ日に、AIによる企業変革を率いる「CAXO」という役職を新設し、人事責任者がそこに就きました。

なぜAIと人事を一体にするのか。生成AIの活用は、最終的に「人がどう働くか」「何を評価するか」を変える話だからです。ツールを配るだけなら情報システムの仕事ですが、それを行動として定着させ、評価に結びつけるのは人事の領域です。だからこそ、Phase 2で人事が評価制度に踏み込み、Phase 3で経営に繋ぐ、という流れが効いてきます。

先進企業がAIと人事をくっつけ始めているという事実は、「個人の便利を経営に繋ぐには、人事を巻き込む必要がある」という考えを裏づけています。

外部の力を「束ねる」と、成功率は倍以上になる

もう一つ、MITの報告書には見逃せない数字があります。

生成AIの導入を、外部の専門会社と組んで進めた場合の成功率は約67%。これに対して、すべてを社内だけで独自に作ろうとした場合の成功率は約30%でした。外部の知見を取り入れたほうが、成功率は倍以上だったのです。

ただし、ここで誤解してほしくないことがあります。「全部を外注に丸投げすれば良い」という意味ではありません。丸投げは、PoCで止まる典型パターンそのものです。

正しいのは、外部のパートナーを束ねながら、判断と統合の責任を社内に残す形です。何を外に出し、何を社内で握るかを設計し、外に出ている技術や知見を社内の核に統合していく。この「束ねる役」と「経営に繋ぐ設計」を担う人が、いまの生成AI導入で一番足りていない役割だと私は考えています。

私が技術顧問として最初に入るときにやるのも、まさにここです。いきなり全社展開の旗を振るのではなく、Phase 0でどの部署の誰から触り始めるかを決め、Phase 3で経営のどの判断に繋ぐかを最初に設計する。そのうえで、外部ベンダーの使い方と社内に残すべき判断を切り分けます。

まとめ

生成AIは個人の生産性を確実に上げる。だが放置すると「個人の時短」で止まり、経営には届かない。MITの調査では、明確な成果を出せた企業はわずか5%だった。
止まる原因は技術ではなく導入の設計。国内調査でも、実際に業務時間を減らせている人は利用者の4人に1人にとどまる。
解決策は「小さく始めて、経営に繋ぐ」を最初から設計すること。Phase 0（触る）→1（運用化）→2（横展開とルール）→3（経営に繋ぐ）→4（仕組み化）の順で進める。
外せないのは2点。少人数で小さく始めること、そして「個人の生産性」と「経営に繋がる成果」を二本立てで同時に走らせること。
外部の知見を束ねた企業の成功率は約67%、社内独自は約30%。鍵は丸投げではなく、束ねて経営に繋ぐ設計役を社内に持つこと。AI駆動型企業への分かれ道は、ここにある。

「自社の生成AI、個人の便利で止まっていないか」「経営に繋ぐ設計まで描けているか」が気になった方は、無料の30分オンライン診断で現状を一緒に整理できます。最初にこの設計を描けるかどうかが、その後の成果を分けます。詳しい進め方はAI技術顧問サービスのページにもまとめています。

この記事の内容について、現場で整理したい方へ

AI×IoTの技術顧問として、月額契約で継続伴走しています。PoC設計・技術判断・組織設計・ベンダー管理・実装支援まで、現場で動くまで一緒に進めます。受託開発（請負）ではありません。

→ AI技術顧問サービスの詳細／無料30分オンライン診断／料金一覧