【論文渉猟】AIを一生懸命使っても、あなたの会社が何をするべきかは決めてくれない──生成AI導入後に問われる、本当の宿題

◆今回のレポート◆

三善心平 他, "生成AIに関する実態調査2026 春 6カ国比較" (PwC, 2026年6月10日）

• 概要： 日本を含む6カ国の大企業管理職（売上高500億円以上・課長職以上・生成AI導入関与者）を対象とした生成AI活用実態調査。日本企業の導入率87%に対し、期待を大きく上回る効果創出は9%で6カ国最低、成果の従業員・顧客への還元も40%にとどまることを明らかにし、AI Readiness・Evaluation・Activationの3サイクルによる変革を提言。

「導入率87%」の中身

富良野： PwCが出した6カ国比較の生成AI調査、読みました？ 87%が導入・推進中という数字がまず目に入るんですけど、僕が引っかかったのはそこじゃなかった。

Phrona： どこでした？

富良野： 効果のところです。期待を大きく上回ると答えた企業の割合が、日本は9%。米国が38%、英国が32%。同じくらいの割合で導入しているのに、ここで一気に差が開く。

Phrona： 9%。ほぼ1割ですよね。しかも期待未満が19%で、これも6カ国の中で高い。もうひとつ気になったのが、効果をまだ評価できていないという回答が13%もあるところです。米国はこれが0%。

富良野： そう、0%なんですよ。使っているけど効いているかどうか測ってもいない企業が1割以上いるということは、改善を回す起点がそもそもない。

Phrona： 効果を測らなければ、遅れていることにも気づけないですよね。時間軸の話もありました。施策から1年以内に効果が出ると見込んでいる割合が、米国66%に対して日本41%。日本の企業は効果が出るまでの時間を長く見ている。

富良野： もうひとつ大きいのが成果還元です。生成AIで生まれた効果を従業員の利益還元や顧客への価格還元につなげている割合が、日本は40%で6カ国最低。米国75%、英国74%。

Phrona： 還元していないという回答が19%で、これも一番高い。効率が上がった分やコストが浮いた分が、現場の人にも顧客にも届いていない。

富良野： 吸収されているのか、あるいはそもそも還元できるほどの効果が出ていないのか。さっきの9%と合わせて考えると、多くの企業は使ってはいるが、何かが変わったとは言い切れない状態にいるんじゃないかと。

Phrona： この調査の対象も大事ですよね。売上500億円以上の企業で、課長職以上で、AI導入に関与している人。日本企業全体の話じゃなくて、むしろ前線にいる人たちの回答がこれだという。

富良野： そうです。前線がこの数字だということの重さがある。AIを知らないから使っていないわけじゃない。使っているけど、何かが噛み合っていない。その何かがこの調査の本当に面白いところだと思うんです。

既視感の正体

富良野： PwCの処方箋を読んでいて、僕にはちょっと既視感があったんですよ。

Phrona： DXですか。

富良野： はい。データ基盤を整えましょう、業務プロセスを可視化しましょう、ガバナンスを作りましょう、効果を測定しましょう、現場を巻き込みましょう、成果を還元しましょう。語彙がほとんど同じなんです。

Phrona： ツール導入では足りない、経営戦略と結びつけるべき、PoCで終わらせるな。これも全部DXの頃に聞きましたね。

富良野： だからこのレポートを素直に読むと、間違ってはいないんだけど既視感がある。で、その既視感の正体は何かというと、技術は変わったけれど企業がそれを使って自分自身を組み替える力はそんなに変わっていないんじゃないか、ということだと思う。

Phrona： DXで未解決だった問題が、装いを変えてもう一回来ている。

富良野： ただ、「DXの焼き直しだ」で終わらせると雑になる。生成AIにはDXとは質的に違うところがあって、そこを見ないと見立てを誤ります。

Phrona： 違いはどこですか。

富良野： DXは基本的に、情報とか業務プロセスとか顧客接点をデジタルに置き換える話だった。でも生成AI、とくにエージェントは、知的労働の実行そのものに入ってくる。調べる、書く、要約する、比較する、コードを書く、判断材料を作る。こういう作業をAIがやるようになると、問われるのは「このツールをどう使うか」ではなくて、人間は何をやるのか、AIには何を任せるのか、結果の責任を誰が持つのか、になる。

Phrona： 業務効率の話じゃなくて、仕事の分業そのものの組み替えですね。

富良野： そうです。だからDXより深い。DXが業務のデジタル化だとすれば、生成AIは知的労働の委任構造を変える話なので。

Phrona： 委任という言葉がちょっと引っかかります。委任するには、何を任せていいか分かっていないといけない。でも多くの企業は、自分たちの知的労働がどう成り立っているかをそこまで分解していないですよね。

処方箋の手前にあるもの

Phrona： PwCの三つのサイクル、AI Readiness、Evaluation、Activation。どれも大事なのは分かるんですけど、私がずっと引っかかっているのは、その手前にあるものなんです。

富良野： 手前というと。

Phrona： たとえば、AIによって自社は何の価値を作り替えるのか。どの仕事にAIを入れて、どこに人間を残すのか。そういう根っこの問いが定まらないまま、整備から走り出していないかという。

富良野： それは痛いところを突いてますね。PwCの三つは全部howなんですよ。どう準備するか、どう測るか、どう還元するか。でもその前にwhat、つまり何を変えるのかが要る。

Phrona： 企業にはたいてい経営理念とかパーパスとか中期計画はありますよね。でもそれが、AI活用で何をやるか何をやめるかを選ぶ基準になっているかというと、怪しい。

富良野： 理念はあるけど、それを使って具体的に選べない。判断に使える仮説になっていない。

Phrona： で、そういう状態のままhowだけ進めると何が起きるかというと、howが増殖するんですよね。PoCは増える、ガイドラインは増える、研修は増える、AI利用率のKPIができる。でも会社が何を提供しているかは変わっていない。

富良野： むしろAIで作れるものが増えた結果、会議資料も確認もレビューも増える可能性すらある。生成AIが業務を減らすんじゃなくて、既存組織の処理量を増やす道具になってしまう。

Phrona： ああ、それは嫌なシナリオですね。

富良野： ただ、whatが先でhowが後、と単純に並べるのも違う気がしていて。

Phrona： と言うと。

富良野： 現実には、howの実験を通じてwhatが見えてくることもあるわけです。最初から完成した価値創造の仮説を持っている企業なんてほとんどない。小さく試して、結果を見て、あ、自分たちが提供すべき価値ってここだったのか、と気づく。そういう回路がある企業は、howから入ってもちゃんと進む。

Phrona： 問題はhowから始めること自体ではなくて、howがwhatに戻らないまま走り続けること。

富良野： そうです。PoCをやって便利でしたで終わる。ユースケースは増えるけど、自社の価値の仮説は更新されない。それが積み重なると、旧組織がAIの力でちょっと速くなっただけ、という場所に落ち着いてしまう。

迂回する側の人たち

富良野： ここで話の角度を変えたいんですけど、whatを持っているというか、既存業務の改善とは違う発想で動いているプレイヤーの話をしていいですか。

Phrona： いわゆるAIネイティブ側ですね。

富良野： 既存の企業がAIで何をしようとしているか考えると、だいたい今ある仕事にAIを足す発想なんですよ。営業提案書をAIで速く作る、契約レビューをAIで効率化する、問い合わせ対応をAIのチャットで代替する。発想の起点が既存の業務にある。

Phrona： 目の前にある仕事を楽にしたい、というのは自然な発想ですからね。

富良野： ところがAIネイティブ側は、問いの立て方が違う。この業務をどう速くするか、ではなくて、この業務はそもそも要るのか、から入る。

Phrona： たとえば。

富良野： 営業の例で言うと、既存企業は提案書作成をAIで効率化しますよね。AIネイティブ側は、顧客が提案書を読まなくても意思決定できる購買体験を組もうとする。顧客の条件や過去のデータ、制約を組み合わせて最適な選択肢を自動で出す。比較も稟議もその導線の中に乗せてしまう。提案書という中間成果物そのものを迂回する。

Phrona： カスタマーサポートも似た話になりそうですね。

富良野： 既存企業は問い合わせ対応をAIで効率化する。AIネイティブ側は、問い合わせが発生する前に異常を検知して、顧客が困る手前で解決する仕組みを作る。対応の速度ではなく、問い合わせ件数そのものを減らしにかかる。

Phrona： 法務だとどうなりますか。

富良野： 契約レビューを速くするんじゃなくて、契約条件を標準化・モジュール化する。交渉の余地をルール化して、リスクに応じて条件を動的に出す。人手のレビューが必要なケースの数自体を減らす。

Phrona： どの例でも、既存企業がやっているのは今ある仕事をAIで速くすることで、AIネイティブ側はその仕事が存在する前提を崩しにいっている。

富良野： 改善と迂回では、競争の構造がまるで違うんです。既存企業が提案書を速く作っている間に、提案書が要らない購買体験が別のところで組み上がっていく。

Phrona： でもこれ、AIネイティブ側が全部勝つという話でもないですよね。迂回できる領域と、どうしても蓄積が効く領域がある。

富良野： そこは大事なところで。ソフトウェアやコンテンツやコンサルティングのように知的作業の比率が高い領域では、少人数の迂回が効きやすい。でも金融、保険、医療、製造のように信頼や規制や現実世界のオペレーションが重い領域では、大企業が持っている顧客接点とか業務履歴の蓄積がまだ効く。

Phrona： 問題は、その蓄積を競争力に変える回路を持っているかですね。持っているだけでは重いだけで。

ループを書く人、ループの中にいる人

Phrona： さっき富良野さんが言った、蓄積を競争力に変換する回路って、具体的にはどういうものですか。

富良野： 最近面白いなと思った話があって。AnthropicでClaude Codeを率いているボリス・チャーニー（Boris Cherny）が、2026年の6月に「もうプロンプトは自分で書いていない、ループが代わりにAIへプロンプトを出して次にやることを判断する、僕の仕事はそのループを書くことだ」と言っているんですよ。

Phrona： プロンプトからループへ。

富良野： これ、個人のコーディングの話に聞こえますけど、企業に当てはめると射程が長い。仕事の単位が、人間がAIに都度指示するタスクから、AIが継続的に観察して判断して実行するループに変わる。人間がやるのは、そのループの目的と評価基準と停止条件と例外処理を決めること。

Phrona： マイクロソフトのサティア・ナデラ（Satya Nadella）が6月に出したエッセイも、方向は近いですよね。「エコシステムなきフロンティアは安定しない」（A frontier without an ecosystem is not stable）と書いていた。

富良野： 最先端のモデルだけ持っていても、それを自社の業務データや顧客接点や判断の履歴と結びつけるエコシステムがなければ、安定した強みにはならない。チャーニーとナデラを合わせると、こういう絵が見えてくるんです。企業の競争力は組織図や社員数ではなく、どの学習ループを設計して所有しているかで決まるんじゃないかと。

Phrona： 学習ループを所有する、ですか。

富良野： 顧客接点からデータが生まれて、AIと人間が判断して、結果が出て、評価されて、その評価が次の業務の設計に戻る。この循環を自社側に持っているかどうか。外部のAIサービスに判断もデータも評価も改善の記録も全部吸われている状態だと、社員がたくさんいても競争力は内側から薄くなっていく。

Phrona： ただ、それを聞くとちょっと怖くもなるんです。ループが速く回れば学習は速くなる。でも間違った方向に回ると、間違いも速く蓄積されますよね。

富良野： そこは楽観してはいけないところです。何をフィードバックの対象にするのか、誰が評価の基準を決めるのか、どの時間軸で学習するのか。ここを誤ると、短期のKPIに過剰に最適化されたり、社員の行動が細かく測定されて事実上の監視になったりする。

Phrona： 若い人が育つ経路も変わりますよね。調べる、書く、失敗する、上司に直される。そういう下積みの仕事をAIが引き受けてしまうと、判断力を身につける機会が減る。AIが最初から整った答えを出してくると、なぜそうなるのかを考える訓練の場がなくなる。

富良野： それに加えて、AIが生み出した余剰を誰が受け取るかという問題もある。株主に行くのか、経営者報酬に行くのか、従業員の賃金や時間や裁量に還元されるのか。ここが放置されていると、AIは現場にとって自分を楽にする道具ではなくて、仕事を減らすふりをして管理を強める道具に見えてくる。

Phrona： 見た目はフラットで自律的な組織なのに、裏側ではアルゴリズムが細かく管理している、みたいな。

富良野： だからAIネイティブな組織かどうかというラベルはあまり意味がなくて、問うべきは、AIによって人間の判断力と自律性が広がっているのか、それとも管理が細かくなっているのか、だと思う。

Phrona： ループの設計思想が問われているんですね。速く回すことじゃなくて、何を回すか。何を測って、何は測らないか。どの余白を残すか。

富良野： そこが決まっていないまま走ると、ループは速い分だけ被害も大きい。結局、PwCの調査に戻ると、87%という導入率は入口にすぎなくて、そこから先にどういう問いを立てるかで、行き先が全部変わる。

Phrona： AIをどう使うか、じゃなくて、自分たちは何をする会社なのか。

富良野： そうですね。で、その問いにちゃんと答えられる企業がどれだけあるかというと、たぶんそんなに多くはない。だからこそ、今この問いを避けないことが大事なんだと思います。

この記事は、Projeteam, Inc. ウェブサイトで先行公開された

探索は枠の中を回り、発見は枠を書き換える──AI科学者論の制度設計と、その応用可能性

を素材として対話形式で再構成したものです。元記事では、PwC調査の構造的な読み解きに加え、学習ループの所有や企業境界の再編について、理論的な背景も交えて考察しています。あわせてご覧いただけると、議論がより立体的に見えてくるかもしれません。