AI格差を生むのは、モデル性能ではなく業務設計力である

2026年8月8日

生成AIの導入は進んだ。利用環境を整え、研修を行い、複数の実証実験を終えた企業も少なくない。それでも、「便利にはなったが、事業成果を説明できない」という声は残る。

問題は、より高性能なモデルを選べていないことだけではない。個人の作業支援を、再現可能な業務プロセスへ変換できていないことにある。

本稿では、今後のAI格差を分けるのはモデルへのアクセスではなく、AIと人間の役割、データ、評価、例外処理までを組み直す「業務設計力」ではないか、という問いを検証する。

情報確認日：2026年8月5日

1. エグゼクティブサマリー

日本企業では、生成AIの個人利用と業務プロセスへの組み込みの間に大きな隔たりがある。IPAの2025年調査では、生成AIに前向きな日本企業の62.1％が文書作成などで個人利用していた一方、部署の業務プロセスに組み込んでいた企業は13.1％だった。CREATREEは、この差を「導入格差」ではなく「実装格差」と捉える。

生成AIが特定業務の生産性を高めることには、実証的な裏付けがある。顧客対応業務では平均15％の生産性向上、専門的な文章作成では所要時間40％減、品質18％向上が報告されている。ただし、いずれも対象業務と評価方法が明確に設計された環境での結果である。

一方で、AIは使う業務を誤ると成果を悪化させる。758人のコンサルタントを対象にした実験では、AIが得意な課題では速度や品質が向上したが、能力範囲外の課題では正答率が19ポイント低下した。重要なのはモデルを導入することではなく、どこまで任せ、どこから人が判断するかを設計することである。

さらに、従業員の作業時間短縮は、売上や利益の改善と同義ではない。OECD調査では、生成AI利用企業の65％が従業員の成果向上を報告した一方、増収につながったとした企業は26％だった。作業成果を顧客価値や事業指標へ接続する仕組みが必要である。

DX・AI推進責任者が持つべき危機感は、「導入が遅れること」だけではない。個人利用や実証実験を繰り返す間に、先行企業は業務データ、評価基準、エラー事例、人材育成の仕組みを蓄積する。将来の格差は、モデルの契約数ではなく、改善学習を組織能力に変えられたかによって拡大する可能性がある。

2. 論点の背景

生成AIを巡る企業間競争は、当初の「利用するか、しないか」という段階から、「どの業務で、どのように成果を出すか」という段階へ移っている。

モデルやサービスへのアクセスだけを見れば、企業間の差は縮まりつつある。同じクラウドサービスや汎用モデルを、多くの企業が短期間で導入できるからである。しかし、アクセスが共通化するほど、成果を分ける要因は企業内部へ移る。

生成AIの企業活用は、少なくとも三段階に分けて考える必要がある。第一段階は、文章作成、要約、検索、アイデア出しなどの個人作業支援である。導入しやすく、効果も体感しやすい。

第二段階は、営業、顧客対応、審査、開発、調達などの一連の流れへAIを組み込む業務プロセス実装である。ここでは入力データ、責任分担、確認手順、既存システムとの連携が必要になる。

第三段階は、AIによって顧客への提供価値、意思決定方法、収益構造まで変える事業変革である。

日本企業の多くは、第一段階から第二段階へ移る部分で停滞している。IPA調査では、生成AIに前向きな日本企業の個人業務利用は62.1％だったが、部署の業務プロセスへの組み込みは13.1％だった。米国とドイツの業務プロセス組み込みは、それぞれ37.8％、37.9％である。調査対象や企業構成の違いには注意が必要だが、日本企業では個人利用が組織的な仕組みに転換されていない状況が示唆される。

出典・調査条件：独立行政法人情報処理推進機構（IPA）「DX動向2025」
2025年6月公開。日本741社を対象とし、生成AIを導入、試験利用、検討中とした企業の個人利用、業務プロセスへの組み込み、日米独比較を参照した。自己申告調査であり、企業規模や業種構成を踏まえる必要があるほか、成果との因果関係は示していない。

経済産業省が2026年に公表したGENIAC参加企業の課題整理でも、生成AIによって何を目指すのかが明確でないこと、短期・中期・長期のどの視点で成果を捉えるかが曖昧なこと、KPIやデータ収集、現場運用ルールの整備が課題として挙げられている。

出典・調査条件：経済産業省「GENIACで見えた生成AI導入の共通課題と成功事例導出に向けたヒント」
2026年3月公開。GENIAC参加企業等の知見をもとに、目的設定、KPI、経営判断、データ収集、現場運用に関する課題を整理した記事である。統計調査ではなく、対象数や回答分布は公表記事から確認できない。

見落とされやすいのは、AIの利用率が上昇しても、業務全体の成果が改善するとは限らない点である。

例えば、提案書の下書きが30分短縮されても、その後の確認や修正が増えれば、全体のリードタイムは変わらない。問い合わせへの回答案を高速に生成できても、顧客情報を確認できなければ、応対品質は上がらない。会議録を自動生成しても、決定事項や担当者が更新されなければ、事業成果には結びつかない。

本稿で検証する中心的な問いは、AI活用の成果を分ける本当の要因は、モデルの性能差なのか、それとも、仕事を分解し、AIと人間を再配置し、成果を測定する業務設計力なのか、という点にある。

3. 公的調査から見える現在地

公的調査と実証研究を横断すると、生成AIが特定業務の速度や品質を改善し得る一方、その効果は業務の性質、利用者の経験、評価方法、組織への実装方法によって変わることが分かる。

論点	主な数値・結果／本稿での示唆
企業導入と組織実装	個人での業務利用62.1％に対し、部署の業務プロセスへの組み込みは13.1％。IPA「DX動向2025」、2025年、日本741社のうち生成AIを導入、試験利用、検討中とした企業が対象。個人利用と組織実装の間に大きな段差がある。自己申告調査であり、企業規模や業種構成を踏まえる必要があるほか、成果との因果関係は示していない。
顧客対応業務の生産性	AI支援により、顧客対応担当者の生産性が平均15％向上。Brynjolfsson、Li、Raymond「Generative AI at Work」、2025年。顧客対応担当者5,172人を対象に、1時間当たりの解決件数を測定。 AIを業務中の具体的な判断支援へ組み込むことで、実務成果が改善し得る。特定企業・特定業務の結果であり、経験豊富な担当者では品質の小幅低下も確認された。
AIの能力範囲内外の差	AIの能力範囲内では作業量12.2％増、速度25.1％向上。範囲外では正答率が19ポイント低下。Dell’Acquaほか「Navigating the Jagged Technological Frontier」、2026年。コンサルタント758人を無作為に条件分け。 AIが有効かどうかは、職種単位ではなく課題単位で異なり、人間との分担が重要になる。一つのコンサルティング企業と設計された課題が対象であり、全業務への一般化はできない。
専門的な文章作成	所要時間40％減、成果物の品質18％向上。Noy、Zhang「Experimental evidence on the productivity effects of generative artificial intelligence」、2023年。大卒の専門職453人を対象に、職種に関連する文章作成課題を実施。仕様と評価基準が明確な文章作成では、大きな効率化が起こり得る。実際の顧客情報や企業固有の文脈を必要としない実験であり、事実確認の負担も十分に含まれていない。
従業員成果と増収の差	生成AI利用企業の65％が従業員の成果向上を回答した一方、増収は26％。OECD「Generative AI and the SME Workforce」、2025年。日本を含む7カ国、5,000社超の中小企業を対象とした2024年調査。個人や作業の改善と、事業成果の間には距離がある。自己申告であり、改善幅は調査していないほか、生成AIと増収の因果関係も確定できない。
高度人材への需要	生成AIにより高度人材の必要性が増した企業20％、減った企業9％。OECD「Generative AI and the SME Workforce」、2025年。日本を含む7カ国、5,000社超の中小企業が対象。 AIは技能を不要にするだけでなく、評価、分析、創造、判断に関する技能需要を高める可能性がある。中小企業経営者等の認識に基づき、実際の職務構成や賃金への長期的影響は未確定である。
導入時の共通課題	目的、KPI、データ収集、現場運用などを導入上の共通課題として整理。経済産業省「GENIACで見えた生成AI導入の共通課題」、2026年。GENIAC参加企業等の知見を整理。モデル開発や選定だけでなく、経営目的と現場運用の接続が課題になっている。統計調査ではなく、対象数や回答分布は公表記事から確認できない。

顧客対応業務の実証研究では、AIを業務中の具体的な判断支援へ組み込むことで、実務成果が改善し得ることが示された。ただし、効果は利用者の経験によって異なり、経験豊富な担当者では品質の小幅低下も確認されている。

出典・調査条件：Erik Brynjolfsson、Danielle Li、Lindsey R. Raymond「Generative AI at Work」
The Quarterly Journal of Economics, Vol.140, Issue 2、2025年5月公開。顧客対応担当者5,172人を対象に、生産性、品質、経験別の効果を検証した。特定企業・特定業務の結果であり、すべての業務へ一般化することはできない。

コンサルタントを対象とした実験からは、AIの有効性が職種全体ではなく、個別の課題ごとに変わることが分かる。能力範囲内では作業量と速度が改善した一方、能力範囲外の課題では正答率が低下しており、AIへ任せる範囲の設計が必要になる。

出典・調査条件：Fabrizio Dell’Acquaほか「Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality」
Organization Science、2026年3月公開。758人のコンサルタントを対象とした無作為化実験で、AIの能力範囲内外における成果差を検証した。一つのコンサルティング企業と設計された課題が対象であり、全業務への一般化はできない。

専門職の文章作成実験では、所要時間と品質の双方が改善した。ただし、実際の顧客情報や企業固有の文脈を必要としない課題であり、実務で生じる事実確認や承認の負担まで含めた結果ではない。

出典・調査条件：Shakked Noy、Whitney Zhang「Experimental evidence on the productivity effects of generative artificial intelligence」
Science、2023年7月公開。大卒の専門職453人を対象に、職種に関連する文章作成課題の所要時間と品質を検証した。企業固有の文脈や実際の顧客情報を必要としない実験であり、実務全体の成果を直接示すものではない。

OECD調査からは、従業員レベルの成果向上が、そのまま増収へ結びつくわけではないことが読み取れる。また、生成AIによって高度人材の必要性が増したと答えた企業が、減ったと答えた企業を上回っており、AI導入が評価、分析、創造、判断に関する技能需要を高める可能性も示されている。

出典・調査条件：OECD「Generative AI and the SME Workforce: New Survey Evidence」
2025年11月公開。日本を含む7カ国、5,000社超の中小企業を対象とした2024年調査で、利用率、従業員成果、増収、技能需要、社内対策を参照した。経営者等の自己申告に基づき、改善幅や因果関係、長期的な職務構成と賃金への影響は確定していない。

調査全体から分かること

第一に、生成AIが特定の業務で時間、処理量、品質を改善する可能性は、複数の実証研究で確認されている。

第二に、効果は一様ではない。経験、課題の性質、必要な事実確認、AIの能力範囲によって、改善幅だけでなく効果の方向も変わる。

第三に、日本企業では個人利用に比べて業務プロセスへの組み込みが遅れている。単にアカウントを配布するだけでは、組織的な成果へ進みにくいことが示唆される。

第四に、従業員の成果向上と、売上、利益、顧客価値の向上は同じではない。AIが生み出した時間や品質を、次の工程や顧客接点へ接続する必要がある。

調査だけでは分からないこと

これらの調査から、業務設計力が企業業績を決定する唯一の要因だと断定することはできない。

長期的な収益性、顧客維持率、組織能力、雇用への影響については、信頼できる継続データがまだ限られている。また、モデル性能、経営資源、データ品質、規制環境、企業文化も成果を左右する。

したがって、「業務設計力がAI格差を生む」という本稿の主張は、調査から直接確定する事実ではなく、複数の調査結果を結び付けた解釈である。

4. CREATREEの見解

以下は、CREATREEがWeb・AI領域を扱う企業であるという前提に基づく仮説的な見解である。CREATREE固有のプロジェクト実績は本稿の入力では提供されていないため、経験事実としては記述しない。

4-1. CREATREEが注目する変化

CREATREEが注目するのは、AI活用の競争軸が「性能の高いモデルを保有すること」から、「AIを含む業務システムを継続的に改善すること」へ移る可能性である。

汎用モデルの性能が向上すると、多くの企業が似た機能を利用できる。一方、企業固有の業務フロー、顧客データ、判断基準、例外事例、責任分担は共有されない。

そのため、モデル性能が共通化するほど、企業固有の業務設計が差別化要因になる。

4-2. 一般的な議論との違い

一般的なAI推進では、アカウント発行数、月間利用者数、プロンプト研修の受講率、実証実験の件数、削減できた作業時間といった指標が重視されやすい。これらは活動状況を把握するうえでは必要であるが、顧客価値や事業成果を直接示す指標ではない。

CREATREEの解釈では、見るべきなのは「何人がAIを使ったか」ではなく、AIによって業務全体の流れがどう変わったかである。

例えば、文章生成の時間ではなく、企画開始から承認までの時間を見る。問い合わせ回答数ではなく、再問い合わせ率や解決率を見る。コード生成量ではなく、リリース頻度、障害、手戻りを見る。

部分的な時間短縮が、工程全体の成果へ接続して初めて、AIは事業の能力になる。

4-3. 業務設計力とは何か

本稿でいう業務設計力とは、単に業務フロー図を作る能力ではない。少なくとも、目的の定義、仕事の分解、人間とAIの役割分担、入力と出力の設計、例外処理の設計、システムと運用の接続、評価と学習という要素を統合する力を指す。

第一に、目的の定義では、売上、顧客満足、品質、処理能力、リスクなど、何を改善するかを決める。第二に、仕事の分解では、業務を収集、生成、照合、判断、承認、実行などの単位へ分ける。

第三に、人間とAIの役割分担では、AIに任せる範囲、人が確認する範囲、人だけが判断する範囲を定める。第四に、入力と出力の設計では、必要なデータ、参照元、出力形式、品質基準を明確にする。

第五に、例外処理の設計では、AIが答えられない場合、矛盾した場合、高リスク案件の場合の処理を定める。第六に、システムと運用の接続では、AIの出力を既存システム、顧客接点、承認手続きへ接続する。

第七に、評価と学習では、誤り、修正理由、採用・不採用の判断を記録し、次の改善へ使う。

高性能なモデルを導入しても、この七つが欠けていれば、AIは業務の外側にある便利なチャットツールにとどまる。

4-4. 企業が陥りやすい誤解

第一の誤解は、「次の高性能モデルへ変更すれば成果が出る」という考えである。モデル変更によって精度や速度が改善することはある。しかし、目的や評価基準が曖昧な業務は、モデルを変更しても曖昧なままである。

第二の誤解は、「社員が自由に使えば、優れた用途が自然に広がる」という考えである。個人の工夫は重要だが、個人利用だけではデータ連携、責任分担、品質保証を解決できない。

第三の誤解は、「実証実験で精度が出れば本番導入できる」という考えである。本番では、例外、権限、更新、障害、教育、問い合わせ対応まで含めて運用する必要がある。

第四の誤解は、「プロンプトの書き方がAI人材の中心である」という考えである。実務でより重要になるのは、業務を観察し、必要な情報を定義し、成果とリスクを評価する能力である。

第五の誤解は、「ガバナンスは利用を制限する仕事である」という考えである。入力可能な情報、確認が必要な条件、利用記録、停止基準が明確になれば、現場はむしろAIを利用しやすくなる。

4-5. CREATREEが重要だと考える判断基準

AI活用を評価するときは、モデル性能だけでなく、モデル層、作業層、業務層、事業・顧客層の四層を分けて見る必要がある。

モデル層では、正確性、再現性、速度、費用、安全性を見る。作業層では、作業時間、処理件数、修正率、例外率を見る。業務層では、全体のリードタイム、手戻り、品質、完了率を見る。事業・顧客層では、売上、利益、顧客満足、継続率、解約率、リスク損失を見る。

作業層だけが改善し、業務層や事業層が変わらない場合、ボトルネックが別の工程へ移動した可能性がある。

4-6. 実務へ落とし込む考え方

最初から全社共通の巨大なAI基盤を完成させる必要はない。

まず、発生頻度が高く、入力と完成物が確認でき、担当者が品質を判断できる業務を一つ選ぶ。その業務について、AI導入前後の全工程を比較する。

重要なのは、「AIを使った工程」だけを測らないことである。

例えば問い合わせ対応なら、受付、情報検索、回答作成、確認、送信、再問い合わせまでを測る。AIが回答案を高速に作成しても、確認負担や再問い合わせが増えれば、業務設計を修正する必要がある。

5. 第三者から見た評価

業務設計を重視する見方は、事業成果との接続を明確にする一方、投資回収、現場負担、技術的制約、統制、顧客保護といった異なる評価軸から検証する必要がある。

立場	期待する効果／懸念・反論／判断基準／CREATREEの見解との関係
経営者・事業責任者	期待する効果は、生産性、売上、利益、意思決定速度の向上である。懸念・反論は、業務再設計には時間と費用がかかり、短期的なROIを説明しにくいことである。判断基準は、利益、成長率、投資回収、重大リスクとなる。成果接続を重視する点はCREATREEの見解と共通するが、経営側は短期回収をより重視する可能性がある。
DX・AI推進責任者	期待する効果は、全社展開、共通基盤、重複投資の削減である。懸念・反論は、個別業務への深い関与が増え、推進部門がボトルネックになることである。判断基準は、利用部門数、成果案件数、再利用率、運用負荷となる。業務設計重視は共通するが、中央集権的な設計には限界がある。
現場担当者	期待する効果は、下書き、検索、整理の負担軽減と、熟練者の知識共有である。懸念・反論は、確認作業が増えること、監視に使われること、技能が低下することである。判断基準は、実質的な総作業時間、修正率、裁量、心理的負担となる。人間とAIの分担を重視する点は共通するが、経営成果だけでなく仕事の質も評価すべきである。
デザイナー・エンジニア	期待する効果は、顧客接点の改善、反復作業の自動化、開発速度向上である。懸念・反論は、データ品質、保守負担、仕様変更、外部サービス依存である。判断基準は、品質、障害率、保守性、変更容易性となる。モデルを交換可能な一要素として設計する点で、CREATREEの見解と共通する。
財務・経営管理部門	期待する効果は、投資の選別とPoC乱立の抑制である。懸念・反論は、効果測定が複雑で、従来の単年度評価になじみにくいことである。判断基準は、総保有費用、回収期間、機会費用となる。測定重視は共通するが、学習や人材形成など、中期的価値の評価が追加で必要になる。
法務・セキュリティ部門	期待する効果は、統制された利用、説明責任、事故の予防である。懸念・反論は、利用範囲が広がるほど、権利、情報漏えい、責任所在が複雑になることである。判断基準は、データ分類、記録、承認、事故件数となる。ガバナンスを業務設計に含める点で、CREATREEの見解と共通する。
顧客・生活者	期待する効果は、応答の高速化、個別化、24時間対応である。懸念・反論は、誤案内、画一的な対応、AI利用の不透明さである。判断基準は、解決率、満足度、説明可能性、救済手段となる。顧客体験を最終指標とする点は共通するが、効率化が顧客都合になっているかを検証する必要がある。

成立し得る反論1：結局、モデル性能が最も重要ではないか

この反論には妥当性がある。モデルの推論能力、利用できるデータ量、速度、費用、安全性は、実現可能な業務範囲を変える。AIの能力範囲外では、人間の成果を悪化させる可能性も実証されている。

したがって、「モデル性能は重要ではない」という主張は適切ではない。

本稿の主張は、同等のモデルへアクセスできる企業同士の成果差を、モデル選定だけでは説明できないというものである。性能が上がるほど、任せる範囲、確認方法、評価基準を更新する業務設計が必要になる。

成立し得る反論2：差を生むのはデータや経営資源であり、業務設計ではない

データ品質、予算、経営層の関与、人材は重要である。小規模企業や規制産業では、使えるデータや投資余力に制約がある。

ただし、データや経営資源が成果へ変換される場所も業務プロセスである。どのデータを、どの判断に、どの品質で使うかが決まっていなければ、データ量や予算だけでは成果につながらない。

業務設計力は他の要因を否定するものではなく、それらを事業成果へ変換する統合能力と位置付けるべきである。

成立し得る反論3：業務を標準化しすぎると、現場の創造性を損なう

この懸念も成立する。AI活用を中央部門が細かく規定すると、現場の試行が止まり、用途の発見が遅れる可能性がある。

必要なのは、全面的な中央統制ではない。全社で共通化すべきデータ分類、リスク基準、評価方法と、現場へ委ねるプロンプト、画面、運用方法を分けることである。

6. 想定されるインパクト

生成AIの影響は、個人利用と業務プロセス実装の差が顕在化する短期、組織能力や顧客期待が変化する中期、産業構造や人間と技術の関係が変わり得る長期に分けて考える必要がある。

短期的インパクト：現在から1年程度

公開情報から可能性が高いのは、個人利用と業務プロセス実装の差が、より明確になることである。文章作成や要約の利用率は上がる一方、事業成果を説明できる案件は限定される可能性がある。IPA調査でも、日本企業の個人利用と業務プロセスへの組み込みには大きな差がある。

DX・AI推進責任者には、ツール導入よりも、対象業務の選定、現状値の測定、現場との合意形成に多くの時間が必要になる。

現場では作業時間が短縮される一方、出力確認や修正という新しい負担が発生する。AIが生成した内容を誰が保証するのかが曖昧な場合、導入前より工程が複雑になる恐れがある。

CREATREEによる仮説として、利用人数やPoC件数だけをKPIにしている企業では、「活動は増えているが成果を説明できない」という状態が深刻化する。

中期的インパクト：2〜3年程度

一定の条件下で起こり得るのは、企業が職種単位ではなく、タスク単位でAIの適用範囲を管理するようになることである。営業職を自動化するのではなく、情報収集、仮説作成、提案作成、承認などの単位で人間とAIを配置する形である。

必要な人材も変化する。AIモデルの専門家だけでなく、業務を観察し、データを定義し、品質を評価できる人材の重要性が高まる。OECD調査では、生成AIによって高度人材の必要性が増したとする中小企業が、減ったとする企業を上回っている。

顧客側では、応答速度や個別化への期待が高まる可能性がある。一方、誤った回答や説明不足への許容度は低下する。

CREATREEによる仮説として、先行企業はプロンプトだけでなく、正解例、修正履歴、例外条件、顧客反応を蓄積する。この蓄積が次の業務改善を速め、後発企業との差が累積的に広がる。

長期的インパクト：4〜10年程度

一定の条件下で起こり得るのは、企業の競争力が、固定された業務手順を守る能力から、人間とAIの分担を継続的に更新する能力へ移ることである。

AIを既存業務の一部へ付け足す企業と、顧客接点、意思決定、組織構造まで再設計する企業では、提供速度や費用構造に差が生じ得る。

CREATREEによる仮説として、企業間だけでなく、社内でも格差が生じる。AIによって判断力や専門性を高められる職務と、単に処理量の増加や監視強化を求められる職務に分かれる可能性がある。

人間がどの判断を保持するのか、AIの誤りによる損失を誰が負担するのか、従業員の技能形成をどう保証するのかが、経営課題であると同時に社会的な課題になる。

現時点では判断困難なのが、生成AIが長期的に雇用総数、賃金分布、産業集中へ及ぼす影響である。既存調査の多くは特定業務、短期間、自己申告を対象としており、10年単位の影響を断定できるデータはない。

7. 企業・組織への提言

企業がAI活用を実務成果へ結び付けるには、ツール導入を起点にするのではなく、事業指標、業務全体、人間とAIの境界、評価方法、改善データ、システム依存を順に設計する必要がある。

提言1：AI活用テーマを、ツールではなく事業指標から選ぶ

何をするかという点では、売上、顧客満足、処理能力、品質、リスクのうち、改善したい指標を先に決め、その指標へ影響する業務を特定する。

なぜ必要かというと、ツールから検討すると、実行しやすいが重要度の低い作業へ案件が集中しやすいからである。

最初の一歩は、各部門から「時間がかかる業務」ではなく、「顧客や事業の成果を妨げている業務」を三つずつ提出してもらうことである。

必要な体制は、事業責任者、現場担当者、DX・AI担当者、データ・システム担当者である。想定されるリスクは、大きすぎる課題を選び、検証不能になることである。

成果を判断する指標には、対象業務のリードタイム、完了率、品質、顧客指標、利益への影響を用いる。

提言2：一つの業務を端から端まで分解し、人間とAIの境界を決める

何をするかという点では、業務を収集、生成、照合、判断、承認、実行へ分け、各工程の担当と品質基準を定義する。

なぜ必要かというと、AIが一工程を高速化しても、確認や承認がボトルネックになれば全体成果は改善しないからである。

最初の一歩は、発生頻度が高く、入力と完成物が明確で、人が最終確認できる業務を一つ選ぶことである。

必要な体制は、実務担当者を中心に、業務設計担当者、システム担当者、リスク管理担当者を加えたものになる。想定されるリスクは、現場の例外を無視した理想的なフローを作ってしまうことである。

成果を判断する指標には、工程全体の時間、修正率、差し戻し率、例外率、再処理件数を用いる。

提言3：モデル評価と事業評価を分離する

何をするかという点では、モデル、作業、業務、事業・顧客の四層で指標を設定する。

なぜ必要かというと、回答精度や利用回数が改善しても、顧客価値や収益が改善するとは限らないからである。

最初の一歩は、既存PoCの評価表に、業務全体のリードタイムと顧客・事業指標を追加することである。

必要な体制は、DX・AI推進部門、事業管理部門、現場責任者、財務部門である。想定されるリスクは、指標を増やしすぎ、検証そのものが重くなることである。

成果を判断する指標には、継続、修正、中止を明確に判断できた案件の割合と、事業指標まで改善した案件の割合を用いる。

提言4：修正履歴と失敗事例を、組織の共有資産にする

何をするかという点では、AI出力の採用・不採用、修正理由、例外条件、顧客反応を記録し、評価用データとして蓄積する。

なぜ必要かというと、AI導入の競争力は、単発の成功よりも、失敗から改善する速度によって決まる可能性があるからである。

最初の一歩は、主要な修正理由を五つ程度の分類で記録し、自由記述だけにしないことである。

必要な体制は、業務オーナー、現場の熟練者、データ担当者、AI担当者である。想定されるリスクは、記録作業が現場の負担となり、形骸化することである。

成果を判断する指標には、同種エラーの再発率、修正時間、評価データの再利用数、新任者の習熟期間を用いる。

提言5：モデルを交換可能な部品として設計する

何をするかという点では、特定モデルへ業務ルールを埋め込みすぎず、入力、出力、評価、権限を分離する。

なぜ必要かというと、モデル性能、価格、規制、提供条件は変化し、業務全体が一つのサービスに依存すると変更費用が高くなるからである。

最初の一歩は、現在のAI活用案件について、モデルを変更した場合に影響する業務、データ、画面、評価方法を棚卸しすることである。

必要な体制は、アーキテクト、システム担当者、業務責任者、調達・法務担当者である。想定されるリスクは、将来の変更可能性を重視しすぎ、初期設計が過剰になることである。

成果を判断する指標には、モデル変更時の費用と期間、評価の再実行時間、特定事業者への依存度を用いる。

8. 結論

AIによる企業間格差を考えるとき、モデル性能を無視することはできない。しかし、同じモデルを利用できる企業同士で成果を分けるのは、モデルをどの業務へ配置し、どの情報を与え、どこで人間が判断し、何を成果として測るかという業務設計である。

公的調査と実証研究からは、生成AIが特定業務の速度や品質を改善し得ること、効果が課題や人材によって異なること、日本企業では個人利用から業務プロセス実装への移行が遅れていることが確認できた。

CREATREEの解釈では、今後のAI格差は、導入率の差よりも、改善の経験を業務データ、判断基準、人材、運用体制として蓄積できるかによって生まれる。

一方、業務設計力と長期的な企業業績の因果関係、雇用や技能形成への影響については、引き続き検証が必要である。

DX・AI推進責任者が次に考えるべき問いは、「次にどのモデルを導入するか」だけではない。自社のどの業務を、どの顧客価値のために、どこまでAIへ任せ、人間の判断をどこへ残すのかを明確にする必要がある。

この問いに答えられないまま利用者だけを増やすことが、現在のAI推進における最大のリスクである。

生成AIを導入しても、なぜ企業の業務は変わらないのか：効率化を組織の余力へ変える視点を整理します。
完全自動化を急ぐほど、AI導入はなぜ失敗しやすいのか：業務と人の役割を先に設計する方法を考えます。
DifyでWordPress SEO記事を自動化する実務手順：業務設計を具体的なワークフローへ落とす例です。

よくある質問

本稿の論点について、DX・AI推進の現場で生じやすい疑問を整理する。

AI活用で成果が出ない最大の原因は何ですか？: 一つの原因に限定はできませんが、本稿では、個人作業の効率化を業務全体や事業指標へ接続できていないことを重視しています。目的、役割分担、確認手順、例外処理、評価方法まで設計する必要があります。
モデル性能より業務設計が重要ということですか？: モデル性能も重要です。ただし、同等のモデルへアクセスできる企業同士の成果差は、モデル選定だけでは説明できません。任せる業務、入力情報、人の確認範囲、成果指標を更新する業務設計が必要です。
AI導入の成果はどの指標で測るべきですか？: 回答精度や利用回数だけでなく、作業時間、修正率、業務全体のリードタイム、手戻り、完了率、売上、利益、顧客満足などを階層別に測ります。作業の改善が事業成果へつながったかを確認することが重要です。
最初にどの業務からAIを導入すべきですか？: 発生頻度が高く、入力と完成物が明確で、担当者が品質を判断できる業務が適しています。ただし、単に時間がかかる業務ではなく、顧客や事業の成果を妨げている業務から選ぶ必要があります。

著者プロフィール

この著者の記事一覧へ

著者 藤村隼人 CREATREE合同会社代表社員／NSJAPAN CDO

HAL名古屋卒業後、マーケティング会社を経てCREATREE合同会社を設立。代表社員として、生成AI導入、AI業務自動化、UI/UX設計を横断し、構想から実装・運用改善まで支援。NSJAPANではCDOを務める。

AI業務自動化