国内企業の AI 導入は広がったが、業務の手順に組み込めた会社は2割に届かない
AI を導入・試験利用している会社は6割に近づいた一方、部署の業務の手順や全社のサービスにまで組み込めた会社は、それぞれ2割に届いていません。国内企業に AI の導入状況を聞くと、「導入している」が42.3%、「現在、試験利用をしている」が15.7%でした(n=1,794)。
生成 AI を導入・試験利用・検討している会社に組織での使い方を聞くと、「個人で業務利用している(文書作成やアイデア出しなど)」が63.3%で最も多く、「部署の業務プロセスに組み込まれている」は11.9%、「全社的なサービスに組み込まれている」は18.6%です(n=1,159・独立行政法人情報処理推進機構(IPA)「DX動向2026」2026年7月公表)。
効果の受け止め方は、成功か失敗かの二択に収まりません。AI を導入・試験利用している会社では、「期待以上の効果があった」が13.7%、「期待どおりの効果であった」が18.1%で、合わせて31.8%でした。最も多いのは「一定の効果はあった」の50.6%で、「期待した効果はまだ得られていない」は12.2%です(n=1,037)。
効果の中身にも偏りがあります。効果があった会社のうち「業務が効率化したり迅速化した」は91.6%でしたが、「売上や利益が向上した」は3.9%にとどまりました(n=853)。
多くの会社は、AI を入れたこと自体が失敗だったわけではなく、「個人の作業は速くなったが、業務の流れや事業の数字までは変わっていない」ところにいると読めるでしょう。課題を考えるときも、成否より、どの局面で止まっているかで見るほうが次の手を決めやすくなります。なお、「AI プロジェクトの◯割が失敗」といった数字は広く出回っていますが、調査主体・対象・手法・公表日を元の資料で確かめられないものは、この記事では使っていません。
AI 導入の課題は、3つの局面で中身が変わる
企業が挙げる AI 導入・運用上の課題を局面に振り分けると、PoC までは目的と評価、本番への移行はデータとルール、全社展開と運用は出力の扱いと費用に寄っています。最も多いのは「専門人材が不足している」の50.1%で、「生成AIの効果やリスクに関する理解が不足している」の45.8%、「適切な利用を管理するためのルールや基準の作成が難しい」の39.7%が続きました(n=1,770・IPA「DX動向2026」2026年7月公表)。
同じ設問のそれ以外の項目を局面ごとに並べると、次のようになります。局面への振り分けは編集部が行いました。
| 局面 |
起きやすい課題 |
調査で挙がった項目(n=1,770) |
| PoC まで |
目的と評価の基準が決まっていない |
効果やリスクに関する理解が不足 45.8%/活用できそうな業務がない 15.6% |
| 本番への移行 |
業務の持ち主・データ・権限が決まっていない |
ルールや基準の作成が難しい 39.7%/入力した情報が漏えいするリスク 31.0%/データの形式や質にばらつき 29.2%/データの蓄積が不足 26.0% |
| 全社展開と運用 |
利用が定着しない・費用が見えない・責任が決まっていない |
誤った回答を信じて業務に利用 28.9%/出力結果を検証せずに受け入れ 17.9%/出力結果の説明責任が困難 14.7%/導入・運用サービスの予算が確保できない 14.4%/現場や運用の人的負担が増加 12.0% |
目を引くのは、「PoC(概念実証)から実際の業務に移行できない」を挙げた会社が7.7%にとどまることです。本番に進めない理由は「PoC から移れない」という形より、データやルール、出力の扱いといった別の名前で表に出ていると考えられます。
一方、「専門人材が不足している」の50.1%は、どの局面にも出てくる土台の課題です。人材の扱いは、後の「どの課題から手を付けるか」の節で触れます。
PoC まで:目的と評価の基準が決まっていない
PoC までの局面で起きる課題は、何のために試し、何が出たら次へ進むかが決まっていないことです。「AI で何かできないか」から始めると、試す業務が選べないまま期間が過ぎるか、試しやすい業務を試して終わります。
測る準備がないまま進む会社は、導入を終えた企業でも過半数を占めています。言語系生成 AI を導入した企業に効果測定の方法を聞いたところ、「効果測定は行っていない」が59.8%で最も多く、「削減できた労働時間の測定」が32.8%、「金額的な効果の測定(売上金額の向上額等)」は6.8%でした(一般社団法人日本情報システム・ユーザー協会(JUAS)「企業IT動向調査2025」生成AI速報値・n=396・2025年2月18日発表)。
導入後でさえこの状態なので、PoC でも同じことが起きます。終わりに手元に残るのが使った人の感想と、うまくいった出力の例だけだと、本番の予算を求める稟議の根拠になりません。「もう少し試してから」と期間が延び、そのうち担当者の異動で止まる、という流れをたどりがちです。
PoC を始める前に決めておくのは次の4つです。
- 対象の業務と今の数字: 1件あたりの所要時間、月の件数、差し戻しの件数。記録が無ければ PoC の前に1〜2週間測る
- 合格の数字: 確認と修正を含めた所要時間がどれだけ短くなれば本番に進むか。正答率100%を条件にしない
- 測る人と測り方: 誰が、どの記録から、いつ数えるか
- 期間とやめる条件: 期間内に合格の数字に届かなければ、範囲を変えるかやめる
PoC の前に1枚へ書く項目と、PoC の終わりに「進む・範囲を変える・やめる」を決める手順はAI の PoC で止まらない進め方に、指標の選び方と今の数字の測り方はAI 導入の効果測定と ROIにまとめています。
本番への移行:業務の持ち主・データ・権限が決まっていない
本番への移行で起きる課題は、PoC を進めた部署とは別に、本番で使い続ける業務の持ち主と、使うデータ・権限が決まっていないことです。
AI 導入・利活用のリーダーシップを誰が担っているかを聞くと、「IT部門の長」が46.0%で最も多く、「経営層」が32.1%、「導入や利活用する現場の長」が27.5%、「特に担っている者はない」が9.7%でした(n=1,189・IPA「DX動向2026」2026年7月公表)。
情報システム部門や AI 推進室が PoC を進めるのは自然な形です。ただ、現場が「試しに使ってみた」立場のまま PoC が終わると、本番で運用費を持つ部署も、出力に責任を持つ人も決まらないまま次の局面に入ります。持ち主の部署の責任者を PoC の最初の打ち合わせから入れておくことが、いちばん手軽な手当てです。
データは、PoC では見えにくい課題です。試しのデータや一部の書類で PoC を済ませ、本番のデータに切り替える時点で形式のばらつきや権限の問題が出てきます。AI に使う学習データの整備状況を聞くと、「整備しておりAIに活用している」は7.0%で、「整備しているが十分ではない」が28.4%、「必要性は認識しているができていない」が27.6%でした(n=1,192)。
ルールの整備も途中です。「社内ガイドラインやルールは全社的なものを定めている」が32.5%で最も多い一方、AI ポリシーも社内ルールも「どちらも定めていない」会社が16.7%ありました(n=1,189)。ルールが無いまま本番に進もうとすると、情報システム部門や法務の審査がその時点で初めて始まり、審査の期間がそのまま本番の遅れになります。
本番への移行の前に決めておくのは次の5つです。
- 業務の持ち主: 部署と責任者の役職。本番に進むかを決める人
- 使うデータと持ち主: どのシステムの、どの部署が管理するデータか。個人情報・機密情報を含むか
- 処理する環境: 自社のクラウドか、端末の中か、外部のサービスか。入力したデータが学習に使われないか
- 承認する部門と期間: 情報システム・法務・個人情報の管理部門のうち、どこの承認が要り、何週間かかるか
- 既存システムとつなぐ権限: 読み取りだけか、書き込みもするか
社内文書を AI に読ませる前の整え方はAI のデータ整備の進め方に、社内ルールの作り方はAI ガバナンスの記事にまとめています。
全社展開と運用:利用が定着しない・費用が見えない・責任が決まっていない
全社への展開と運用で起きる課題は、使う人が増えても業務の手順に組み込まれず、毎月の費用と出力の責任を持つ人が決まっていないことです。AI 利活用に伴う将来的な課題への対応を聞くと、「AIモデルの継続的学習やメンテナンス体制の構築」に「対応中・対応済み」の会社は6.8%で、60.4%は「検討していない」と答えました(n=1,773)。「AIによる意思決定に対する説明責任、透明性の確保」も、対応中・対応済みは5.4%、検討していないが63.6%です(n=1,776・IPA「DX動向2026」2026年7月公表)。
利用の定着を測るときは、個人が使うことと、業務の手順に組み込むことを分けて考えます。利用者のアカウント数やログイン数で測ると、増えているのは個人の利用だけで、業務の流れは変わっていないこともあるからです。どの業務の、どの工程で AI を使うかを業務の手順書に書き込み、その業務の件数のうち AI を経由した割合で測るほうが、定着の度合いを正しくつかめます。
費用は、公開後に毎月続く分が見えにくくなりがちです。モデルの利用料は使った量に応じて増え、出力を人が確認する時間や、精度を保つための調整も続きます。扱うデータや業務の変化で、導入時に確かめた精度が時間とともに落ちていくモデルドリフトも、運用の中で見張る対象の1つ。月の運用費の上限とそれを持つ部署は展開の前に決め、使う量が増えたときに見直す時期もあわせて決めておくと、稟議のやり直しを避けやすくなるでしょう。見積書のどこに公開後の費用が入るかはAI 開発の費用は何に払うのかにまとめています。
出力の責任は、誰が確かめ、誰が止め、誰が説明するかの3つに分けて決めます。前の表のとおり、「誤った回答を信じて業務に利用してしまう」を課題に挙げた会社は3割近くありました。出力を外へ出す前に確かめる人、誤りが見つかったときに利用を止める人、社外や社内に経緯を説明する人を、業務の持ち主の部署の中で名前の分かる形にしておくことが出発点です。
Offers AX は、課題調査から試作・引き継ぎまでを局面に合わせて進める
Offers AX のサービスは3つで、それぞれが3つの局面の1つに対応する形です。PoC までの局面を受け持つのはコンサルティングで、課題調査とユースケースの選定、効果測定の設計を行い、経営の投資判断に使える形にまとめます。
本番への移行には AI エージェント開発で、業務固有の文脈を織り込んだ AI エージェントを設計し、数週間で動くプロトタイプを作って実業務での検証から本実装へ進めます。構築は原則としてお客様の環境(GCP・Azure・AWS のいずれにも対応)で行い、当社の環境に顧客データを抱えない設計です。
全社展開と運用に向けては内製化支援で、引き継ぎドキュメントの整備、社内の運用体制の設計、エンジニア採用の要件定義までを扱います。効果が出ない場合に中止を選べることを最初から契約の前提に含め、効果の実測の工程で出た数字で続けるかを判断いただく進め方です。
局面ごとの支援の内容はOffers AX のサービスページにまとめています。どの局面で止まっているかがはっきりしない段階でも、課題調査から入れるので、無料相談を申し込むからご連絡ください。
どの課題から手を付けるか:業務の持ち主と評価の基準を最初に決める
手を付ける順番は、1つ目に業務の持ち主と評価の基準、2つ目にデータと承認の手続き、3つ目に運用費と出力の責任です。3つの局面で先に決めておくことを並べると、次の表になります。
| 局面 |
先に決めておくこと |
決める人 |
| PoC まで |
対象の業務と今の数字/合格の数字/やめる条件 |
業務の持ち主と推進役 |
| 本番への移行 |
持ち主の部署と責任者/使うデータ/処理する環境/承認する部門 |
業務の持ち主・情報システム・法務 |
| 全社展開と運用 |
組み込む業務の手順/月の運用費と持つ部署/出力を確かめる人と止める人 |
業務の持ち主・経営企画・推進役 |
「決める人」の列には、3つの局面すべてに業務の持ち主が入っています。持ち主が決まらなければ評価の基準を決める人がおらず、運用費を持つ部署も決まりません。持ち主と評価の基準を決めるのにかかるのは打ち合わせの時間だけで、費用はほとんどかからない点も、最初に置く理由です。
2つ目のデータと承認の手続きは、決めるまでの日数が長いので、1つ目と並行して早めに始めます。効果を出している会社ほど、データとリスク管理の準備が進んでいる傾向も調査に出ています。学習データを「整備しておりAIに活用している」会社は、期待と同等かそれ以上の効果が出ている会社では19.4%(n=330)、効果が出ていない会社では0.8%(n=127)でした。AI や生成 AI 独自のリスクマネジメントを実施している会社も、期待以上の効果があった会社では28.2%(n=142)、期待した効果がまだ得られていない会社では5.6%(n=125)です(IPA「DX動向2026」2026年7月公表)。
準備したから効果が出たのか、効果が出た会社が準備を進めたのかまでは、この調査からは分かりません。それでも、データとリスク管理の準備が効果と一緒に進んでいることは読み取れます。
3つ目の運用費と出力の責任は、本番に入る前に持つ部署と上限だけを決め、金額や確認の手順は使い始めて1〜3か月の実測で見直すのが現実的です。最初から正確な金額を出そうとすると、展開そのものが止まりがちです。
どの局面にも出てくる専門人材の不足は、人がそろうのを待たずに進めるほうが無理がありません。業務の持ち主の部署から担当者を1人出し、作る人と並んで PoC から関わってもらうと、本番の後も社内に知見が残ります。各部門の担当者の選び方はAI 推進担当を各部門に置くときの選び方に、自社がどの局面にいるかの確かめ方はAI 成熟度の測り方にまとめています。
「AI 導入の失敗率」の数字は、元の調査を確かめてから稟議に使う
社内の説明や稟議で AI 導入の失敗の割合を引くときは、調査主体・対象・手法・公表日を元の資料で確かめてから使います。同じ「効果があった」でも、選択肢の作り方と対象で割合が大きく変わるからです。
たとえば、言語系生成 AI を導入した東証上場企業などの IT 部門長に聞いた調査では、「期待を大きく超える効果があった」4.0%、「概ね想定どおりの効果であった」33.1%、「期待値には至っていないが一定の効果はあった」36.1%で、合わせて73.2%が効果ありと答えています(JUAS「企業IT動向調査2025」生成AI速報値・n=396・2025年2月18日発表)。
一方、経営層・情報システム部門・DX 推進部門などに AI 全般の効果を聞いた調査では、「期待以上」と「期待どおり」の合計は31.8%でした(IPA「DX動向2026」n=1,037・2026年7月公表)。一定の効果まで含めるかどうかで、同じ現実が「7割が効果あり」にも「期待どおりは3割」にも見えます。どちらの数字も誤りではなく、問いが違うだけです。
数字を引く前に確かめるのは次の5つです。
- 調査主体: 省庁・公的機関・業界団体か、製品を売る会社か
- 対象: 業種・企業規模・回答者の部署(経営層か、IT 部門長か、現場か)
- 手法と n: アンケートか聞き取りか、回答数はいくつか
- 公表日と調査期間: 生成 AI の導入状況は1年で大きく動くので、古い数字は今の判断に使いにくい
- 選択肢の言い回し: 何を「失敗」「効果なし」と数えているか
失敗の割合を大きく見せる数字は、AI への投資を止める理由にも、急ぐ理由にも使われがちです。自社の判断に使うなら、他社の失敗率より、自社の案件がどの局面のどの欄で止まっているかを数えるほうが、次に打つ手につながります。
最初の1か月でやること
課題の整理を社内で動かすなら、進行中の AI の案件を1件選び、1か月で次の順に進めます。
- 1週目: 案件の局面を決め、この記事の「先に決めておくこと」の表で空欄を数える
- 2週目: 業務の持ち主の部署の責任者と打ち合わせ、対象の業務・今の数字・合格の数字を書く
- 3週目: 使うデータと承認する部門を書き出し、情報システム部門と法務に審査の期間を聞く
- 4週目: 月の運用費を持つ部署と、出力を確かめる人・止める人を決め、経営企画と共有する
埋まらなかった欄が、その案件で次に解く課題です。全社の AI 導入の進め方に関するほかの記事はAX 戦略のカテゴリにまとめています。