1. はじめに：終わらない試験運用からの脱却
みなさん、こんにちは！
2026年4月、ラスベガスで開催されたGoogle Cloud Next '26。今年の大きなテーマは、これまでの「AIで何ができるか」という実験フェーズから、「AIをどう実業務に落とし込み、投資対効果を出すか」という極めて現実的な課題への移行でした。
基調講演でも「試験運用の時代は終わった」と明言されました。しかし現場に目を向けると、「とにかくAIを使え」というトップダウンの指示のもとでPoCが乱立し、既存システムとの統合や効果測定の壁に阻まれて本番稼働に至らないケースが数多く存在します。
本記事では、Next '26で行われた生成AIを活用したビジネス推進活動におけるROIに焦点を当てた4つのセッションの内容を紹介し、それらを横断的に分析します。生成AI活用を行う現場のエンジニアやプロジェクトを率いる中間管理職が、テクノロジーの理想とビジネスの現実をどう繋ぎ価値を生み出していくべきか、具体的なアプローチが見えてきました。
2. セッション・ハイライト：最前線の現場では何が起きているのか
まずは、本考察のベースとなる4つのセッションの要点を紹介します。
各業界の最前線で、AI実稼働に向けたどのような取り組みが語られたのでしょうか。
【セッションA】 The new productivity frontier: How AI agents are fueling business growth
孤立したパイロット運用から、プロフェッショナルなワークフローへAIを統合する動きが語られました。食品流通大手のSysco社は、「グローバルデータの集約」「データガバナンスの組み込み」「現場への推奨事項の提供」という3本柱でデータ基盤を構築しました。また、Hartford社は従業員の不安を和らげるため、AIを既存のオムニチャネル戦略の延長として位置づける「チェンジマネジメント（組織変革管理）」に注力しました。
【セッションB】 Is AI worth it? How to quantify its value and navigate the J-curve
DORA（DevOps Research and Assessment）の調査によれば、回答者の90%がAIを利用しています。しかし、AIが生成する膨大なコードを人間がレビューする「検証コスト（Verification Tax）」がボトルネックとなり、導入初期は一時的に生産性が低下する「Jカーブ」を描くことが示されました。また、AIの利用がソフトウェア・デリバリーの不安定さ（変更失敗率）を増大させている現状も報告されています。
【セッションC】 The new productivity frontier: How AI agents are fueling business growth
AI導入にあたって、専用戦略や責任者を置いている組織が25%未満でありこれが組織として承認されていないツールをこっそり社員が使う「シャドーAI」という現象を招いている実態が指摘されました。単発のAIとの会話など、画面を切り替えるたびに文脈が途切れる「コンテキストの断片化」を防ぐため、AIをServiceNowやGoogle Chatなど、従業員が日常的に利用するプラットフォームへ直接組み込むことの重要性が提唱されました。
【セッションD】 The agentic ROI framework for lean teams
One United Bankの事例を通じて、「摩擦」「自動化」「変革」という3フェーズの価値実現フレームワークが紹介されました。同社はまず、電話自動音声応答（IVR）をAIに置き換えてコールセンターの摩擦を解消しました。その後、Geminiを活用した不正検知の自動化を進め、最終的には生成AI搭載のパーソナル・ファイナンシャル・コーチ「WiseOne」の開発というビジネス変革に到達しています。
3. 【横断的考察】4つのセッションから浮かび上がる、AI活用成功への道しるべ
これらの異なるセッションで語られた事実を結びつけると、現場のマネージャーやエンジニアが直面する壁と、その共通した突破口がおぼろげながら見えてきました。
[考察1] AI導入直後の「生産性低下（Jカーブ）」を前提としたROI設計
経営層は「AIを導入した翌日から生産性が上がる」と期待しがちです。しかし、DORAの調査（セッションB）で示された通り、AIが作業量を爆発的に増やしても、それを確認・検証するプロセスが旧態依然であれば、膨大な「検証コスト」が発生し、一時的に生産性は低下（Jカーブ）します。
一方で、One United Bank（セッションD）は、初期の摩擦解消を足がかりにして、結果的にコールセンターの研修期間を大幅に短縮し、確実なROIを叩き出しています。 現場のマネージャーは、導入直後の混乱や生産性低下を隠すのではなく「Jカーブ」として事前に経営層と合意しておく必要があります。時間の節約や開発者体験の向上といった「非財務的価値」が、最終的にコスト削減や収益増といった「財務的価値」へと変換されていくシナリオを長期的な視点で描くことが求められます。
[考察2] 「シャドーAI」を防ぎ定着させるための「コンテキスト統合」
現場のエンジニアを悩ませるのが、社内に散らばったデータと、ユーザーが勝手に使う非公式ツール（シャドーAI）の存在です。セッションCで指摘された通り、戦略不在のままではシャドーAIが蔓延し、ツール間の移動による「コンテキストの断片化」がユーザーの不満を生みます。
この解決策は、複数のセッションで共通していました。Sysco社（セッションA）がデータを一元化して現場のワークフローに直接推奨事項を届けたように、あるいはセッションCでServiceNowの内部にGeminiを組み込んだ事例のように、ユーザーに「新しいAIツールの使い方」を覚えさせるのではなく、彼らの「いつもの居場所」にAIを溶け込ませることが定着の絶対条件と語られていました。
[考察3] システム導入ではなく「人間の適応（チェンジマネジメント）」への投資
どれほど高度なシステムを構築しても、使う側の人間が抵抗感を持てば実稼働には至りません。セッションCにおいて「AIの導入とは、人間の適応に他ならない」と語られたように、まずはAIツールに対するユーザーの信頼構築が第一歩となります。
Hartford社（セッションA）が、AIを突飛な新技術としてではなく既存のオムニチャネル戦略の延長線上に位置づけ、従業員が安心できる環境作りに注力した点は非常に興味深かったです。エンジニアリングチームは技術的な要件定義だけでなく、「現場がいかに違和感なく受け入れられるか」という泥臭いチェンジマネジメントのプロセスにこそ、時間とコストをかけるべきだという現実が浮き彫りになりました。
[考察4] 「点」の摩擦解消から「面」のビジネス変革へ至るロードマップ
「AIで自社のビジネスモデルを破壊・再定義する」といった壮大な目標を最初から掲げると、多くの場合プロジェクトは頓挫します。
セッションDのOne United Bankが実践したのは、王道のロードマップでした。彼らはいきなり新サービスを作ったのではなく、まずは「複雑な電話ガイダンス」という目前の退屈な摩擦を解消することから始めました。セッションCでもまずは小さな自動化で信頼を築き、そこから新しい収益源の創出へと進むパスウェイが推奨されていました。 現場が痛みを抱えるポイント（摩擦）を的確に解消して「時間と信頼」を買い戻し、その余力を次の自動化、そして最終的なビジネス変革へと再投資していく。この「点から面へ」の段階的な拡張こそが、現場を疲弊させずに着実なROIを生み出す現実的な戦略として紹介されていました。
4. 【実践ツール】経営層との対話に使える「DORAレポート」と「ROIシミュレーター」
本記事の考察でも触れた通り、AI導入のROIを経営層に論理的に説明することは現場の大きな課題です。そこで、セッションB（DORAの調査）で紹介された、自組織の状況に合わせて活用できる実践的な2つのリソースをご紹介します。
1．DORAレポート『AI支援ソフトウェア開発の現状』
Google CloudのDORAプログラムが発行したこのレポートは、AIがソフトウェア・デリバリーのパフォーマンスに与える影響や、効果を引き出すための組織能力（DORA AI能力モデル）について詳細なデータを提供しています。
2．DORA「AIのROI計算機（シミュレーター）」
Jカーブによる一時的な生産性低下や、開発者のトレーニング費用（検証税とも呼ばれるコスト）、ライセンスコストなどを加味した上で、最終的な財務的ROIと投資回収期間を算出できるシミュレーターです。自社の開発者数や給与水準、現在のデプロイ頻度などを入力することで、財務チームとの対話を始めるための頼りになるツールだと感じました。
5. おわりに
Google Cloud Next '26のセッション群が私たちに教えてくれたのは、AIプロジェクトの成否を分けるのは最新のモデル選びではなく、システム連携、権限管理、そして泥臭いチェンジマネジメントの実践であるという事実でした。
「AIを導入すればすべてが解決する」という過度な期待をコントロールし、目前の「摩擦」を的確に解消していく戦略設計の存在が今、強く求められています。現場の事情を最もよく知るエンジニアや中間管理職、経営層が互いに同じゴールを見据え、それぞれの責任範囲で定量的な評価を繰り返しながら試行錯誤していくことが組織を真のAI活用へと導く『泥臭くとも歩む価値のある道』であると強く感じました。
そしてひとりのデータエンジニアとして、このような取り組みに対し「データモデリング」や「データ整備」、「データの質の監視」などといった観点で更に価値を提供できるようこれからもキャッチアップを続けていこうと決意しました。