なぜ97%の企業がAIプロジェクトを持ちながら、データの準備が整っている企業はわずか5%なのか
人工知能に関する取締役会の議論を一瞬止めるべき統計がある。2026年にダン＆ブラッドストリートが1万社を対象に実施した調査によれば、97%の企業が積極的なAIイニシアチブを持っていると回答している一方、自社のデータが本当にその取り組みを支えられる状態にあると考えている企業はわずか5%に過ぎない。この乖離は些細な技術的詳細ではない。インフラへの投資と、本番環境で信頼性をもって機能するものとの間にある距離そのものである。
この数字が描き出すのは、大組織における技術的意思決定のあり方を観察してきた者には馴染み深いパターンだ。まず試験導入が承認され、次にその承認を正当化する問題が探される。デモンストレーションは印象的で、会議室に拍手が起き、プロジェクトは予算を得る。そしてその瞬間から日常的な運用に至るどこかで、誰も正式に失敗を宣言しないまま、何かが途切れる。
BCGはこれを正確に記録している。価値を実質的に得ている企業はわずか5%であり、60%は何ら実質的な影響を受けていないと報告している。マッキンゼーはさらに、生成的人工知能からEBITへの具体的な効果を実感していない回答者が80%を超えることを明らかにした。これは宣言された導入率が依然として伸び続けている中での話だ。これらの数字はテクノロジーへの断罪ではない。投資がどのように管理されているかを映し出した写真である。
永続するパイロットという幻想
貸借対照表には現れず、プレスリリースも生まれない、静かな組織的失敗の形がある。それは「死なないパイロット」だ。「イノベーション」という名のもとに定着し、技術的・人的リソースを慢性的に消費し、それなりに見栄えのよい社内プレゼンを生み出しながら、損益計算書の一行も変えることなく終わる。デジタルトランスフォーメーションの成熟度が高い組織は、この力学が偶発的なものではなく構造的なものであることを、長年の経験から学んでいる。
問題はプロジェクトの出発点にある。AIイニシアチブが「ユースケースが興味深い」という理由で、あるいはベンダーが説得力のあるデモンストレーションを行ったという理由で承認されるとき、あらゆる投資プログラムが持つべきものが最初から欠けている。測定可能なベースライン、成果のオーナー、そして価値が現れなければ撤退するという基準だ。この三要素がなければ、パイロットは尊厳をもって終わることも、追跡可能な形でスケールすることもできない。
BCGは、AIで最良の結果を出した企業が平均3〜4件のユースケースを優先的に取り組んでいることを明らかにしている。リターンが低い組織では6〜7件に上る。この差は利用可能な予算や技術チームの規模からは生まれない。資金調達を求める段階から戦略的整合性と経済的実現可能性を証明できないイニシアチブを拒否する意志から生まれる。集中とは抽象的な管理上の美徳ではない。この文脈においては、スケールを可能にする唯一の条件である。
BCGとマッキンゼーのデータが合わせて明らかにするのは、ほとんどの組織が「AIの劇場（AI theater）」とも呼べる段階にあるということだ。目に見える活動は旺盛だが、業務的な変革は乏しい。プレスリリースは導入を語り、社内指標は別の話をしている。
問題はモデルにあるのではなく、モデルの下にある
AIのパフォーマンスをモデルの角度から分析しようとする傾向は理解できる。どのアーキテクチャが使われたか、どのベンダーか、どのバージョンのシステムか。そうした分析は研究の文脈では有用だが、ほとんどのビジネス環境においてボトルネックはモデルにはない。モデルが信頼性をもって機能するために必要なもの、つまりクリーンなデータ、共有された定義、再設計されたワークフロー、そしてシステムが支援すべき意思決定に対する明確なオーナーシップにある。
先に引用したダン＆ブラッドストリートの調査は、ほとんど別の解釈の余地がない言葉でこれを示している。ほぼすべての企業がデータの準備が整っていないと考えているなら、大規模な問題は技術的な実験にあるのではなく、基盤にある。断片化したデータ、単一の真実のソースの欠如、スプレッドシートに埋もれたビジネスルール、誰も文書化しなかった例外プロセスを受け取るAIは、改善しようとしているシステムよりも信頼性の高い推奨を生み出さない。多くの場合、単に既存のエラーを加速させるだけだ。
PwCは別の角度からこのパターンを特定した。最も堅実な結果は、企業がワークフローを再設計したときに得られる。既存のプロセスにAIを重ねるのではなく。この区別は経済的に重要だ。非効率なプロセスに人工知能のコンポーネントを追加すれば、そのプロセスは速くなるかもしれない。しかしコストの論理や業務の構造は変わらない。労働の経済学は同じまま、ただ速く実行されるだけだ。
規制が厳しい環境のケースは特に明確だ。金融、コンプライアンス、法的レビュー、サプライチェーン。これらは、同じ問い合わせに対して二つの異なる回答が返ってくることが、システムの柔軟性のシグナルではなく、統制上の問題となる文脈だ。本番環境における信頼性は、実験段階とは異なる基準を持つ。そしてその差こそが、採用されるシステムと、パイロット後に静かに捨てられるシステムを分けるものだ。
価値の70%が技術ロードマップに登場しない要因から来るとき
BCGは技術チームをしばしば居心地悪くさせることを記録している。実際の成果を生んだAI主導の変革において、価値の70%は技術ではなく、人に関連した行動から生まれた。それにはロールの再定義、インセンティブの変更、採用プロセスの積極的な管理、そして本番環境でシステムを使うことになるチームの能力構築が含まれる。
この発見は技術投資に反対する議論として読まれるべきではない。本当の障壁がどこにあるかを示す地図として読まれるべきだ。言語モデルは毎時数千の契約書を処理できる。しかし法務チームがその出力を信頼せず、部門のインセンティブが変わらず、「契約書をレビューする」とはどういう意味かを最初のパスを行うシステムがある状態で誰も再定義しなければ、持続的な採用は起きない。システムは存在する。価値は存在しない。
実際に測定可能なインパクトを報告しているグローバル1000企業には、いくつかの共通した業務的特徴がある。システムを導入する前に特定のプロセスを再設計し、文書化されたベースラインに対してメトリクスを設定し、それらの数字に対する真の説明責任を持つ人々に成果のオーナーシップを割り当てている。記録されたケースによれば、製造効率の30%向上、文書分析時間の80%削減、販売コンバージョン率の1.7倍改善などの結果が得られている。これらの数字は優れたモデルからではなく、優れた統合から生まれている。
AIを使う企業とAIで動く企業の差は、モデルのベンダーにも、イノベーション予算の規模にもない。組織が、再設計されたプロセスの中で、具体的な意思決定にシステムの出力を結びつけ、それが動かすべき数字を動かしているかどうかを測定する責任者を置けているかどうかにある。
これらの数字が明らかにする本当の変位
人工知能の現在のビジネスサイクルは、基盤モデルの進歩によって定義されているのではない。実験の正当性から結果への要求へと移行する組織の能力によって定義されている。そしてその移行はまだ多数派ではない。
BCG、マッキンゼー、PwC、ダン＆ブラッドストリートのデータが合わせて描き出すのは、非対称な分布を持つ市場だ。少数の企業がAIで測定可能で複利的な価値を生み出している一方、より広い多数派は損益計算書に触れないプロジェクトを積み上げ続けている。この乖離はより多くの技術によって埋まらない。ポートフォリオの規律、今日明らかに市場の大部分で欠けているデータの基盤、そして本当の採用には重ね合わせではなく再設計が必要であるという組織的な受け入れによって埋まる。
まだ完結していないとはいえ、起きている変位は明確な方向を指している。AIはモダニティのシグナルであることをやめ、エビデンスへの要求へと変化しつつある。システムを導入してから業務的に何が変わったかという問いに数字で答えられない組織は、まず内部から、次に取締役会や投資家から、高まるプレッシャーに直面することになる。かつて実験へと流れていた資本は、その実験がそれ以上の何かであることを証明した場所へと移行していく。
