AI変革を成功に導く指針

AIの活用により実際にビジネス成果を生み出している企業は、他社とは根本的に異なるアプローチをとっている。単発のユースケースを積み上げるのではなく、自社の製品、サービス、基幹業務プロセス、さらには組織のあり方そのものを変革するAIケイパビリティを、自ら構想し、開発しているのである。

こうした先進企業は、AIを駆使してすでにゲームチェンジとなる成果を創出し、競争優位を確立している (マッキンゼーの代表著書の第2版『Rewired: The McKinsey Playbook on How Leading Companies Win with Technology and AI』を参照)。もっとも、その優位性は、活用しているテクノロジーそのものに由来するものではない。主要なAIツールはすでに広く普及し、どの企業も同じ選択肢を手にしているからである。差を生むのは、そのテクノロジーを実際のビジネス課題の解決にどう適用し、どれだけ迅速かつ大規模に展開できるかである。

では、先進企業はどのようにAI変革を進めているのか。本稿は、その要諦を「AI変革の指針」として体系化したものであり、テクノロジーとAIによるビジネス変革を成功させている企業と、そうでない企業とを分ける要素を捉えている。エージェンティックAIが可能性の限界を押し広げていることに疑いはないが、経営層に問われるのはテクノロジーの到達点ではなく、それをいかにしてビジネス成果に結びつけるかである。

以下の12のテーマは、AI変革の成否を左右する鍵である。『Rewired』が提示する6つの要素 (戦略ロードマップ、人材、オペレーティングモデル、テクノロジー、データ、導入・普及)を基に、マッキンゼーが数百件に及ぶテクノロジー・AI変革の支援を通じて得た知見から導き出したものである。変革の進捗を測るチェックリストとして、また価値創出に向けた指針として活用できる。

1. 競争優位の源泉としてのケイパビリティ

テクノロジーだけでは競争優位は確立できない。鍵となるのは、長期的に価値を生み出すケイパビリティである

AI活用における初期の勝者は、これまでも成功を収めてきた企業、すなわちあらゆるテクノロジーを効果的に活用できるケイパビリティを構築してきた企業である。本稿では、こうした企業を「Rewired企業」と呼び、そのケイパビリティ構築を「ビジネスの配線をし直すこと (Rewiring)」と定義する。新たなケイパビリティの構築には時間を要するが、一度確立すれば、企業はテクノロジーを起点にビジネス変革を加速させ、競合他社を上回る成果を継続的に創出できるようになる。ケイパビリティそのものが競争優位の源泉となるのは、この継続性ゆえである。

自社は変革を支えるケイパビリティを構築しているか。それとも単発的なソリューションの導入にとどまっているのか。

2. インパクトを最大化するドメイン選定

価値創出のレバレッジポイントに注力すべきである

どのようなビジネスモデルにも、AIによる改善効果が最も大きいレバレッジポイントが存在する。例えば、鉱業では歩留まりやスループット (処理能力)の向上がそれに該当し、米国の大手鉱業企業であるFreeport-McMoRanは、この領域でAIを活用して飛躍的な成果を上げた。自動車業界では、サプライチェーンの統合が該当し、トヨタがAIによるブレークスルーを実現している。多くの企業が数多くのユースケースを並行して検討する一方で、成功している企業は、戦略的に重要なドメインに焦点を絞っている。その領域におけるAIシステムの構築にリソースを集中させることで、大幅なビジネス変革を成し遂げているのである。

自社のAIの取り組みは、価値創出のレバレッジポイントに注力できているか。

3. 成果に直結する変革設計

AIで成果を生み出しても、それが重要な経営指標を動かしていないのであれば、方向性を見直す必要がある

業界を問わず、AI活用で先進的な取り組みを行っている20社の成果を分析した。テクノロジー・AI主導のビジネス変革により、これらの企業は平均でEBITDAを20%向上させ、1〜2年で損益分岐点に到達し、投資1ドル当たり3ドルの追加EBITDAを創出していた。各社とも取り組みを1〜3つの重要なビジネス領域に集中させ、そこでAIによる抜本的な変革を実現している。その前提として共通して備えているのは、創造的な問題解決力と、テクノロジー施策と非テクノロジー施策を一体的に活用する力である。加えて、顧客とユーザーを最優先とする姿勢、そして最も重要なビジネスKPIに対して明確な責任を持つ体制である。また、いずれの企業も段階的に投資を積み増し、現在も改善を重ねることで競争優位を維持している。

自社のビジネス変革計画は、状況を一変させる価値につながるのか、それとも小幅な改善にとどまるのか。

4. 変革推進を主導するビジネスリーダー

シニアビジネスリーダーのテクノロジー・AI活用力を強化することが最優先事項である

マッキンゼーの経験では、シニアビジネスリーダーが主導していない変革が成功した事例は、一つも存在しない。ITリーダーは変革を支援できるが、推進の主体はあくまでビジネスリーダーである。Rewired企業では、ビジネスリーダーがテクノロジー戦略を主体的に担い、テクノロジーによる事業再構築の方向性の提示から、ソリューション開発の指揮、価値創出の実現までを一貫して主導している。その多くはCEOの1〜3階層下を担うリーダーであり、深い業界知見に加えてテクノロジー、データ、AIに関する知識と実務力を兼ね備え、事業の中核を支えるAIシステムの構想、構築、運用を自らけん引している。

自社のシニアビジネスリーダーは、テクノロジーとAIを十分に使いこなせているか。

5. 人材構成の抜本的転換

テクノロジー・AI変革の本質は、人材の変革にある

Rewired企業は、「30-70シフト」と呼ばれる取り組みによって、テック人材の能力と密度を高めている。「30-70シフト」とは、まず人材の70%以上を自社で確保し、そのうち70%以上を、優れたソフトウェアソリューションを構築できる「実装を担う」エンジニアとする。さらにその70%以上を、熟練またはエキスパートレベルで業務を遂行できる人材で構成する、という考え方である。結果として生まれる高スキルの少数精鋭チームは、標準的なスキル構成の人材を集めた大規模組織よりも高い成果を生み出す。ビジネス側でも、リーダーはドメインおよびソリューションのオーナーへと役割を移し、成果責任を負いながら部門横断のアジャイルチームを率いるようになる。Rewired企業ではこの人材構成の転換がほぼ完了しており、同時に人材密度の向上と事業オーナーシップの明確化が進んでいる。

AIエージェントが調整、実行、定型的な意思決定の多くを担うようになるにつれ、人の役割はより付加価値の高い領域へとシフトしていく。エンジニアは定型的なコーディング業務に費やす時間を減らし、アーキテクチャやワークフロー、制約条件、品質管理の設計に多くの時間を割くようになる。ビジネスおよびソリューションのリーダーは、タスク管理から離れ、目標設定、成功指標の定義、トレードオフの判断に重点を置くようになる。その結果、少ない人員で高い付加価値を生み出せるようになり、責任の所在が明確になるとともに、学習サイクルも速くなる。

自社では人材改革が十分に進んでいるか。

6. 実行スピードによる競争優位の確立

実行スピードが組織の競争優位を左右する

いまや多くの企業が同様のテクノロジーを利用できる環境にあり、他社とのイノベーション競争を繰り広げている。この競争に勝つ企業は、重要な機会に対して迅速にリソースを再配分できるオペレーティングモデルのもとで、過度な依存関係に縛られず、チームが自律的に行動できる環境を整えている。その結果、洞察から意思決定、意思決定から実行に至るまでの「遅延」が最小化される。スピードを高めるには、AIエンジニアリングをはじめとする専門人材を事業に組み入れ、プラットフォームを通じてテクノロジーとデータの再利用を最大化することが必要である。さらに、プロジェクト単位ではなく、成果に紐づいた明確な事業目標と継続的な資金配分に基づいて意思決定することが求められる。こうした取り組みにより、サイクルタイムは大幅に短縮される。逆にスピードがなければ、他社に先行された時点で優位性は失われるため、テクノロジーとAIを大規模に活用した真のイノベーションは実現できない。

意思決定・実行スピードを高めるために、自社ではどのような取り組みを行っているか。

7. プラットフォームへの戦略投資

テクノロジープラットフォームは戦略資産であり、その前提で投資すべきである

プラットフォームは企業の実行スピードを左右し、再利用によって単位コストを引き下げる。テクノロジーとデータを標準化してチーム共通の基盤とすることで、必要とするメンバーにそれらを届けると同時に、AIのスケール展開を適切に統制できるようになる。Rewired企業では専任チームがプラットフォームを戦略的に運営し、ロードマップ、予算、サービスレベル、利用者ニーズに基づいて継続的に進化させている。自社の技術アーキテクチャと、それが経営の選択肢や競争優位に与える影響を理解することは、いまや経営層にとって、損益を把握することと同程度に不可欠である。

自社ではプラットフォームを戦略的資産として捉え、議論の対象としているか。

8. データの整備と高度化

データを利用しやすくし、さらに競争優位につながる形に高度化する

2024年ノーベル化学賞受賞者のデイビッド・ベイカーが、近年のブレークスルーを振り返って述べたように、「AIが成果をあげるには、大量の高品質データが必要である」。良質なデータがなければAIによるブレークスルーは起こり得ないが、多くの組織では依然としてデータが最大の制約要因となっている。したがってAIのスケール展開は、相応の投資を伴うデータのプロダクト化、すなわち多様なAI搭載アプリケーションからデータを容易に検索、アクセス、活用できる状態を整えることから始まる。整備が進めば重点は次第にデータの高度化へと移り、品質、コンテキスト、独自性を深めることで、AIによる持続的なパフォーマンス向上が可能になる。Rewired企業では、データはビジネス成果を生み出す中核資産として、ビジネス部門が主体的に保有・活用している。

自社のチームはデータを容易に活用できているか。それとも、いまだにデータ整備に追われているか。

9. 導入とスケールを見据えた設計

導入を前提に設計し、スケールを見据えて構築する

AIは実際に導入され、スケールしてはじめて価値を生む。当然のことのように思えるが、実務上はこれが最も難しい課題の一つである。導入が進まない主な要因は、AIの前後にある業務プロセスが変更されないまま残ることにある。例えばAIが数日前に設備故障を予測できたとしても、保守業務がカレンダーに基づくスケジュールで運用され続けていれば、状況は何も変わらない。

スケールは、これとは別の、しかし同様に難易度の高い課題である。AIソリューションを市場、工場、顧客セグメント、製品ラインへ迅速かつ効率的に展開するには、モジュール型のソリューション設計と、中央チームと現場組織との緻密な連携が欠かせない。必要な投資額や運用コストといった要素も、後付けではなく、初期段階の設計に織り込んでおく必要がある。

自社では継続的にAIの導入とスケールを実現できているか。それとも、個別の成功事例にとどまっているのか。

10. ステークホルダーからの信頼確保

ステークホルダーからの信頼がなければ、AIを導入しても意味をなさない

AIシステムに問題が生じれば、顧客、規制当局、従業員、パートナー、そして社会全体からの信頼が損なわれる。逆に、ステークホルダーがAIとデータを扱う組織を信頼できていれば、そのデジタルプロダクトへの信頼も醸成される。そのために必要となるのは、顧客データの保護、実効性のあるサイバーセキュリティの確立、信頼性の高いAI製品・サービスの提供、そしてAIとデータ利用の透明性の確保である。エージェンティックAIの拡大に伴ってこれらの課題はさらに複雑化しており、エージェントシステムの検証やリスク管理の自動化に要する時間も増えている。この分野の進展は速く、エージェンティックAIへの関心が、企業のリスク管理能力を上回る速度で高まる可能性もある。

自社が導入・活用するAIは、社会、規制当局、顧客からの厳しい評価に耐え得る水準にあるか。

11. AI活用を前提とした実装力

次に習得すべき重要なケイパビリティは、エージェントを前提としたエンジニアリングである

基盤モデルはすでに長時間にわたり自律的に稼働できる水準に達し、エージェンティックAIを組み込んだ複雑なワークフローの構築が可能になっている。この動きはソフトウェア開発の領域で特に顕著であり、生産性向上の効果は目覚ましい。Rewired企業はエージェント型エンジニアリングの習得にいち早く着手し、非構造化データの取り込み、稼働中のシステムへのエージェント機能の拡張、ガードレールと統制の自動化を進めている。同時に、短期間の試行を繰り返して有効な手法を標準化し、再現可能なプレイブックとして体系化している。新たなテクノロジーが登場するたびに、同じことが繰り返されてきた。基盤となるケイパビリティを備えているからこそ、Rewired企業は常に他社より速くそれを取り込むことができる。

エージェント型ワークフローは、自社にとって次なる競争優位となるのか、それとも他社に追いつくための課題となるのか。

12. 継続的な学習と進化

事業の成否がかかっていると捉え、学びを継続する

我々がこの領域の仕事に魅力を感じる理由の一つは、この領域そのものが絶えず変化していることにある。イノベーションの加速に伴い、スキルの有効期間は急速に短くなっている。最も速く学び (learn)、学びほぐし (unlearn)、学び直す (relearn)ことができる組織が競争優位を手にする。AIによるビジネス変革を加速させる上でCEOが果たすべき最も重要な役割は、経営チームに体系的な学習機会を提供することである。マッキンゼーの経験では、こうした学習機会が戦略的な機会と変革の方向性を明確にし、経営チームの確信を高める。その段階に達すると、すべての経営幹部が自らの役割を理解し、変革は一気に加速する。

この時代に求められるリーダーになるには、継続的な学習に主体的に向き合うことから始まる。自分自身は、十分に取り組めているか。

以上の12のテーマが示すケイパビリティを一体として構築することが、あらゆるテクノロジー・AI変革を成功に導く基盤となる。企業はケイパビリティの構築を加速することはできるが、土台となる取り組みを省略することはできない。ケイパビリティは相互に積み重なり、時間とともに価値を増幅させ、競争優位の差を広げていく。Rewired企業が繰り返し競合他社を上回る成果を生み出し続けているのは、この積み上げの効果によるものである。

日本語版解説

12のテーマを日本で実践するために

AIを経営課題に掲げていない大企業は、もはやほとんど存在しない。むしろ、中期経営計画にAIが盛り込まれていない企業を探す方が難しい。それにもかかわらず、日本企業では、AI変革の構想と実装の間に依然として隔たりがある。その原因は、本稿で示した12のテーマへの理解不足でも、危機感の欠如でもない。日本では、既存の意思決定、人事、予算、業務運営の仕組みがAI変革の実装を制約する場合が多い。そのため、12のテーマそのものは共通でも、実行に移す際には打ち手の順序を見極める必要がある。

私たちが日本企業の変革の現場で見てきたのは、テクノロジーそのものがボトルネックとなっていたわけではない。技術的なめどは立っていながら、稟議の一段階で半年を費やす。取り組みの進展を阻んでいたのは決裁権の所在であり、人事制度であり、部門間の境界であり、そして未完成のものは現場に出せないという規律である。いずれも、その企業が長い時間をかけて最適化してきた仕組みであって、担当者の意欲や能力の問題ではない。

その一方で、日本企業には他地域にはない資産が存在する。現場に厚く蓄積された業務知、一度定めた標準を徹底して守り抜く現場の実行力、そして世界がいま投資対象として認識し始めた「ものづくりの知」である。これらは、現場で経験を重ねることを重視してきた組織運営の産物であり、前段で挙げた制約と同じ構造から生まれている。

12のテーマは日本企業にもそのまま当てはまり、日本向けに置き換える必要はない。ただし、日本企業が培ってきた強みと、それを支えてきた制度は、実装の段階で固有の摩擦を生む。以下では、その摩擦を解き、既存の資産をAI時代の競争優位へ転換するための実践論を7つの論点に整理し、それを実現した企業が実際に講じた打ち手について述べる。

1.　経営層とミドルマネジメントの二層構造

方向づけは経営層が担い、実装の設計はミドルマネジメントと現場が担う

テーマ2、4に対応

テーマ4は、シニアビジネスリーダーが主導しない変革は成功しないと述べている。日本企業についても、この原則に例外はない。経営層が方向性を示さないまま、現場の創意工夫に委ねられた取り組みは、ユースケースの数だけが増え、そのどれもテーマ2で述べたレバレッジポイントに届かないまま終わる。

ただし日本では、経営層が実行を指示しただけでは実装が始まらないことが多い。業務設計に関する知識がミドルマネジメント (部長・課長層)と現場に分散して蓄積され、権限の多くが明文化されずに運用で補われてきたためである。変革の実行可能性を判断できるのがミドルマネジメントであるにもかかわらず、彼らの理解を得ないまま指示が降りると、施策は「実施した」という報告に変換される。私たちが社会インフラ、素材、通信など、様々な業界で繰り返し目にしてきたのは、経営層の意思決定やテクノロジーの成熟度以上に、ミドルマネジメントの納得が得られていないことが最大の要因となって、実装が停滞する状況である。

そこで必要になるのは、方向づけを経営層が担い、設計と実装をミドルマネジメントと現場が担うという役割分担と、その二つをつなぐ仕組みである。実際に有効性を確認できているのは、経営層が選んだ重要ドメインに対して、事業側の責任者、エンジニア、データの専門人材を一つのチームとして編成し、現場の近くに配置した上で、短いサイクルで検証と改善を繰り返す形である。これは、マッキンゼーがAIファクトリー、あるいはデジタルファクトリーと呼んでいるアプローチであるが、日本企業においては、成果を創出するための手法である以上に、経営層の意思を、ミドルマネジメントの言語へと翻訳する役割を担う。

さらに、この体制を現場が最初から自走できることを前提に構築することは、多くの場合、現実的ではない。そのため、必要に応じて外部の専門性も組み込みながら立ち上げることになる。ただし、伴走の期間と、支援を終了する条件をあらかじめ定めておくことが重要である。自転車の補助輪と同様、外す時期を決めずに付けたままにすれば、いつまでも自走できるようにならない。一方で、走り方を覚える前に外してしまえばその場で立ち止まってしまう。責任だけを現場に委ね、支援を引いた変革がそのまま失速した例を、これまで私たちは何度も見てきた。

2.　改善の起点とゼロベースの再設計

カイゼンを極めた組織ほど、現状を所与としない問いを立てにくい

テーマ1、3に対応

日本企業の組織的な強みは、AI変革の局面では摩擦を生むことがある。現場起点の継続的改善は制度として成熟し、その思考が組織全体に深く浸透している。継続的改善に習熟した組織ほど、既存プロセスを起点にAIの活用方法を考えやすく、「現状を所与としない」という問いは議論の対象となりにくい。

その帰結は、業界を問わず共通している。AI施策が既存業務のデジタル化にとどまり、紙がPDFに、Excelがアプリに置き換わっても、工数削減にはつながらない。例えば、設備保全では、AIによる故障予兆の検知精度が向上しても、点検の周期と巡回ルートが従来のまま残る。検知結果を人が現場で再確認する工程が加わるため、工数はかえって増えることさえある。管理業務でも同じことが起きる。稟議書の下書きをAIが担っても、承認の階層と合議の順序が変わらなければ、リードタイムは一日も短縮されない。

改善幅が数パーセントにとどまる場合、それはテクノロジーの限界ではなく、起点の置き方に起因する。テーマ1とテーマ3が求める非連続は、テクノロジーの非連続ではなく、問いの非連続である。「この業務をどう効率化するか」ではなく、「この業務はそもそも必要か」から始められるかどうかが、日本企業のAI変革の成否を左右する。

3.　創出したキャパシティの配分先

削減した工数の配分先を決めなければ、効果は財務に反映されない

テーマ2、3に対応

テーマ2では、AIによる改善が最大のインパクトを生むレバレッジポイントに注力すべきとしている。規制産業、社会インフラ、成熟市場の製造業やサービス業におけるレバレッジポイントは、売上げではなく労働投入量である。この点は日本にとって追い風であり、労働力不足という構造要因が、AI投資に正当性を与えている。

ただし、AIが創出した余剰キャパシティをどのように経済価値へ転換するかは、地域を問わず共通の論点である。欧米企業においても、工数の削減がそのまま人件費の削減としてP/Lに反映されるとは限らない。特に人員削減を前提としない日本企業では、配分先を決めない限り、削減された工数は財務効果に転換されない。私たちが日本で最も頻繁に目にしてきたのは、施策そのものが失敗することではなく、効果を測る前の段階で、効果が失われてしまうことであった。

したがって、効果を算定する前に、効果の配分先を決める必要がある。削減した工数を人員計画に反映するのか、業務分掌を変更するのか、拠点を再編するのか、新規業務へ再配置するのか。これは施策設計の論点ではなく、経営層が判断すべき領域である。

また、選択した配分先によって、創出される成果は大きく変わる。人員計画へ反映した場合には、確実にコスト削減につながる一方で、その効果は削減額が上限となる。これに対して、生み出された工数を、新規事業や顧客接点の拡充、これまで人員不足のため着手できなかった成長領域へ再配分した企業は、コスト削減額を大きく上回る成果を実現している。テーマ3で示したEBITDA 20%の向上は、コスト削減の積み上げだけでは到達できない水準である。

労働力不足は制約である一方、既存業務に固定されていた人材をより付加価値の高い業務に再配置する機会でもある。AI変革を人員削減の手段と捉えるのか、それとも成長の原資をつくる手段と位置づけるのか。日本企業にとって、これは生産性の問題ではなく、事業戦略の選択である。

4.　実行スピードと人材を規定する制度

スピードと人材を制約する要因は、予算制度と人事制度に埋め込まれている

テーマ5、6、7に対応

テーマ6は組織の実行スピードと柔軟性・自律性を高めることの重要性を述べ、テーマ5は人材構成の抜本的な転換を求めている。これらに対して「意識を変えるべきだ」との発想だけで取り組んだ日本企業は、多くの場合、成果につながっていない。実行スピードの遅さと人材不足の主因は意識ではなく、予算制度や人事制度といった組織の仕組みにあるためである。

スピードの観点から見ると、年に一度のシステム投資計画、案件ごとの稟議、そして情報システム部門と事業部門で分かれた予算管理という三つの要素が重なる組織では、機会に応じて資源配分を見直すことが難しい。同じ目的の投資であっても、部門ごとに異なる基準とタイミングで意思決定が行われることになる。そのため、日本企業で実行スピードを上げる最短経路は、予算制度を改定することである。投資を目的別で分類し、業務再設計に資する投資を共通の予算枠に統合し、年次中心の予算配分から、より高頻度で資源を再配分できる仕組みへ移行することである。あわせて、投資の中止を判断する仕組みも整備する。投資を止める判断ができない組織では、新たな取り組みにリソースを振り向けることはできない。

こうした予算制度の見直しは、テーマ7で述べたプラットフォームへの戦略投資にも直結する。案件ごとの稟議を前提とする組織では、複数の事業にまたがる共通基盤は特定の事業部の予算がつかず、投資対象として位置付けられないためである。日本企業でプラットフォーム投資が進まない背景には、その戦略的意義が十分に理解されていないことではなく、それを支える予算が制度上どこにも存在しないという構造的な課題がある。

人材の側面では、テーマ5で示した「30-70シフト」が日本企業にとって最も実現が難しい項目の一つである。その要因は、技術者の能力や供給量だけでは説明できない。全社共通の採用・配置・報酬制度や短期間のローテーションが、その人材構成を成立させにくくしているためである。市場水準の報酬を提示できなければ即戦力となる人材を獲得できず、数年で異動させれば専門性は蓄積できず、一律の等級制度では、テクノロジーを軸としたキャリアパスを構築することも困難である。AI変革の初期段階で問われるのは、人事制度に必要な例外を設けられるかどうかである。これを人事部門の課題として先送りした企業では、変革が停滞しやすい。

採用だけでは確保できない人材も存在する。プロダクトマネージャーやドメインエキスパートのように、深い業務理解を前提とする役割は、社外から人材を獲得するだけでは埋まらない。そして、ここが日本企業ならではの構造的な強みでもある。冒頭で挙げた業務知の厚みは、他国の企業が採用によって容易には手に入れられない資産である。外部から迎える技術者と、社内に蓄積された業務知をいかに結び付けるか。この人選が、変革の成否を左右する。

予算制度も人事制度も、そもそも変革のために作られた仕組みではない。長期的な安定を前提として最適化されてきた制度であり、それ自体は合理的である。問われているのは制度そのものを否定することではなく、AI変革に必要な範囲で例外を設計し、その例外を誰の権限で認めるのかを明確にすることである。

5.　導入初期の課題と横展開力

普及の障壁が集中する導入初期を乗り越えれば、横展開は日本の得意分野になる

テーマ9、10に対応

品質と安全に対する規律が高い組織ほど、未完成のものを現場に出すことへの抵抗は強い。MVP (実用最小限の製品)という概念が現場に受け入れられにくいのは、規律の欠如ではなく規律の徹底の帰結であり、「これはMVPです」と説明した瞬間の抵抗には正当な理由がある。

一方で、その特性は日本企業ならではの強みにもなり得る。ひとたび標準的な型が受け入れられれば、日本の現場の徹底力と横展開力は世界的に見ても高い水準にある。つまり、日本における普及の障壁は導入初期に集中しており、その段階を乗り越えれば、テーマ9で最も難しい課題の一つとして示した「導入とスケール」は、むしろ日本の得意分野に転じる。

導入初期の課題を乗り越えるには、どこまで試行を許容するかを明確に定めることが不可欠であり、その判断を担えるのは経営層だけである。テーマ10で求めている信頼の確保は、顧客と規制に関する領域では妥協できないが、その厳格な基準を社内業務にまで一律に適用すれば、試行そのものが成立しなくなる。どの領域で、どこまでの失敗を許容するのかを経営層が明示しない限り、現場は最も安全な選択、すなわち何もしないことを選び続ける。逆に、経営層が指示していない領域でも、現場が自発的に同じ型を回し始めた時が、日本企業における普及は次の段階へと進む。

6.　熟練者の暗黙知と退職までの期限

最も価値の高いデータは、退職を控えた熟練者の頭の中にある

テーマ8、12に対応

日本企業にとって見過ごせないデータ課題の一つは、最も価値の高いデータが、退職を間近に控えた熟練者の頭の中にあることである。設備ごとの特性、判断の勘どころ、例外対応のノウハウといった暗黙知は、日本企業にとって最大の競争資産である一方、時間とともに確実に失われていく資産でもある。

熟練者の退職による知の流出は日本に固有の現象ではないが、高齢化の進行が早い日本企業では、その影響がより早く顕在化する。世界のどの企業も同じ12のテーマに直面しているなかで、日本企業に問われるのは、熟練者の退職前に取り組むか、退職後に取り組むかである。

そのため、テーマ8で示したデータ整備は、日本では単に技術部門の課題として扱うわけにはいかない。どの領域の暗黙知を、誰の退職までに、どのような形式で残すのか。この優先順位づけは、退職時期から逆算して、経営層が判断する必要がある。また、残す形式も、従来の手順書やマニュアルでは十分ではない。作業の記録だけでなく、その場で何を見て、何を選んだかという判断理由も含めて記録し、AIが学習・参照できる形で蓄積しなければ、資産として活用することはできない。

テーマ12が求める継続的な学習も、日本では学ぶスピードの問題だけではなく、学ぶ対象が失われる前に着手できるかという、時間との競争でもある。

7.　フィジカルAIと現場のデータ

物理世界のデータは、接続コストを投じた企業にしか蓄積されない

テーマ2、9、11に対応

AIの適用領域は、デジタル空間から物理世界へと急速に広がりつつある。フィジカルAIが必要とするのは、設備がどのように挙動し、人がどのように手を動かし、例外発生時に何を見て、どのように判断したかという記録であり、いずれも現場にしか存在しない。日本企業が有する「ものづくりの知」が、世界の投資対象として認識され始めているのはこのためである。

日本でも、この分野が国家戦略として動き出している。2026年6月、経済産業省とNEDOは、「AIロボット・フィジカルAIを見据えたマルチモーダル基盤モデル開発事業」の実施体制を公表した。Noetraと産業技術総合研究所を実施主体として、2026年度から2030年度まで研究開発が進められる予定である。現場に蓄積されたものづくりの知は、国のレベルでも競争資産として位置づけられている。

ただし、物理世界のデータは、自然に蓄積されるものではない。センサーを設置し、作業を記録し、判断の理由を記録するという接続コストを投じた企業にしか、学習データは生まれない。世界の主要企業が投資し始めているのも、まさにこのコストである。テーマ2の観点から見れば、フィジカルAIは、日本企業にとって最もレバレッジの効くドメインの候補であると同時に、着手の遅れが取り返しのつかない領域でもある。失われるのは単なる工数ではなく、将来の競争優位を支える資産そのものである。

フィジカルAIの取り組みは、現場で実証を重ねながら仕様を具体化していく性質が強い。机上で要件を確定できないため、論点一で述べたAIファクトリー型のアプローチとの親和性が高い。現場の近くにチームを設置し、記録を取りながら型を作り、有効性が確認できたものを横展開する。この順序ではじめて、テーマ9が求める導入とスケールを見据えた設計が成立する。また、論点五で述べた現場の徹底力が発揮されるのも、まさにこの横展開の段階である。

なお、テーマ11で示したエージェントを前提としたエンジニアリングは、日本にとって追い風となる。技術者不足という日本の大きな制約を、エージェントは直接緩和し得るためである。さらに、日本企業には、エージェントが活用可能な形式知として、作業標準やマニュアルが豊富に蓄積されている。この優位性はこれまで見過ごされてきたが、今後は日本企業の強みとして改めて評価される可能性がある。一方で、暗黙知をAIが活用できる形で残していくことが、これからの重要な課題となる。

限られた時間で見極めるべき打ち手の順序

以上の七点は、いずれもテクノロジーにとどまらない経営的な論点であり、冒頭で述べた「順序」とは、それぞれについて、どの段階で意思決定するかという問題である。ただし、それはすべてを決定してから着手するという意味ではない。そのように構えれば、実行に移すこと自体が困難となる。必要なのは、最初に取り組む領域を絞り、その領域について経営層が意思決定すべきことを定めた上で、それぞれの制約条件に応じて最適な打ち手の順序を見極めることである。七点を同時に進める必要はない。まずは一つの領域で必要な例外を設け、そこで型を確立してから横展開することが重要である。

労働力の減少と熟練者の退職は、交渉や調整の対象にはならないため、日本企業では、意思決定を先送りできる時間は他国以上に限られている。AI変革は、もはや「いつか取り組むべき経営課題」ではない。こうした背景を踏まえると、本稿はAI変革の方向性を示すとともに、日本の読者にとって、限られた時間をどのように有効活用すべきかを考えるための指針にもなる。鍵となるのは、何を削るかではなく、工数削減などによって創出された時間を、何に再配分するかである。

日本企業には、長年培ってきた業務知や現場の実行力という、他にはない強みがある。いま問われているのは、その強みを、AIを前提とした競争優位へと転換できるかどうかである。