2
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

生成AIを入れても仕事が変わらないのはなぜか――「速くする」から「変える」へ進むための組織の仕組み

2
Last updated at Posted at 2026-11-13

動画

はじめに

生成AIを導入した職場では、資料作成やコーディングの時間が短くなった、という話をよく聞くようになりました。それ自体は確かな成果です。一方で私が気になっているのは、その先です。「そもそもこの資料は必要か」「報告という仕事の形を変えられないか」という問いまで進んでいる職場は、まだ多くないように見えます。

本記事では、次の問いを扱います。

AIを使って今の仕事を速くすることから、AIによって今の仕事そのものを変えることへ、なぜ発想が進みにくいのか。

  • 対象読者:AI活用を推進する立場の人(経営企画、管理職、DX推進、情報システム部門)と、現場でAIを使っていて「この先どうすればよいのか」と感じている技術者
  • 扱わないこと:特定のAIツールの使い方や比較、データ連携基盤などの具体的な構築方法
  • 先に結論:日本の大企業でAIの導入自体は海外に大きく遅れていません。差が出ているのは、導入したAIを業務や組織の変化につなげ、その成果を測る段階です。その差は社員のリテラシー不足だけでは説明できず、一つの改善から次の問いを生み、試し、広げることを、組織の仕組みにする必要があります。

本記事での言葉の使い方

  • AX(AIトランスフォーメーション):AIを前提に、業務・組織・価値の生み出し方を再設計すること。
  • 思考の連鎖:一つの改善や発見から次の可能性へ発想を広げ、必要に応じて仕事の目的や前提を問い直すこと。本記事での呼び方で、LLMの推論手法であるChain of Thought(段階的推論)とは別の意味です。

導入は進んだが、成果と測定で差がついている

この章で言いたいのは、日本の大企業はAIを「使っていない」のではなく、「使った結果を成果につなげ、測る」ところで差がついているということです。

公開されている調査をいくつか並べます。

指標 日本 比較対象 出典
生成AIの活用・推進度 87% 米90%、英89%、独89%、中91%、韓93% PwC 2026春
「期待を大きく上回る効果」と答えた割合 9% 米38%、英32%(6カ国中最低) PwC 2026春
AI導入の効果:業務効率化 91.6% — IPA DX動向2026
AI導入の効果:売上・利益の向上 3.9% — IPA DX動向2026
DXの成果が「出ている」 57.8% 米87.0%、独81.7% IPA DX動向2025

数値を読むときの注意

  • 調査ごとに対象と設問が違うため、数値どうしを差し引いたり、そのまま比べたりはできません。
  • 87%は売上高500億円以上の企業の課長職以上の回答で、日本企業全体の導入率ではありません。IPAの国内1,799社の調査では、AI導入率は全体で42.3%、従業員1,001人以上で78.3%と、規模による差があります。
  • 91.6%と3.9%は効果の内訳(合計100%の構成比)ではなく、それぞれの効果を挙げた企業の割合です。

この傾向はAIに限りません。IPA「DX動向2025」は、日本のDXが社内の効率化を目指す「内向き」で、個別業務の改善にとどまる「部分最適」の性質が強いと分析しています。米国やドイツの企業が利益・売上・顧客満足といった価値の向上を多く挙げるのに対し、日本はコスト削減や提供日数の短縮が中心です。翌年の「DX動向2026」でも、DXの成果が「わからない」という回答が3割近くあり、成果指標を設定している企業は4社に1社にも満たないと報告されています。

要するに、AIもこれまでのDXと同じ「内向き・部分最適」の軌道に乗りつつあるように見えます。

個人の時短と、組織の成果は別物

「AIを使えている」と「仕事が変わった」の間には、少なくとも3つの段差があります。

この図は概念の違いを示すもので、性能や優劣、必ずこの順に進むことを示すものではありません。

例えば、AIで資料作成が4時間から1時間になっても、確認・承認・会議の工程が変わらなければ、業務全体の短縮は限られます。一方、報告に必要な情報を自動で集め、重要な変化だけを通知できるようになれば、報告業務そのものを見直せます。前者は「作業に使う」段階、後者は「業務を再設計する」段階です。これを混同すると、利用率が上がったことを成果が出たことと取り違えます。

立場によって、AIに期待するものもずれています。社員が担当業務の範囲でAIを使うこと自体は問題ではありません。問題は、その先の可能性を誰が考え、誰が実現するのかが決まっていないことです。

立場ごとの期待と、見落としやすいこと(表)
立場 期待・認識 見落としやすいこと
経営層 AI導入による生産性・競争力の向上 導入だけでは業務は変わらない
管理職 社員のAI利用による効率化 業務工程や部門連携の見直し
社員 担当業務の負担軽減 担当範囲を超える改善の可能性
技術担当者 開発・技術作業の効率化 AIによる工程全体の再設計

AIの能力は広がったのに、使い方の発想は成果物の形にとどまっている

AIの使い方は「今ある成果物を速く作る」ことに固定されやすい、というのが本記事の中心にある問題意識です。

業務 従来の延長での活用 発想を広げた活用
資料作成 文章やスライドを速く作る 動画・音声・図解など、伝わる方法を選ぶ
マニュアル 文書を自動生成する 対話型ガイドや操作支援を提供する
システム開発 AIにコードを書かせる 設計・実装・テスト・構築を横断して支援する
インフラ構築 Terraformを生成する 承認付きでAWSの構築・検証まで連携する
定例報告 報告書を自動作成する 状況を常時見える化し、必要なときに通知する
教育 教材をAIで作る 理解度に応じて演習や解説を変える

左の列は「今の成果物をより速く作る」発想、右の列は「その成果物で何を実現したいのか」から考えた発想です。新しい技術を無条件に採用しようという話ではなく、今までの方法を前提にせず、目的を達成する選択肢を考え直すということです。

開発の現場でいえば、Claude Codeのようなコードエージェントは、コード生成だけでなく、ファイル操作、コマンド実行、テスト、外部ツールとの連携ができます。MCPやCLI、Terraformと組み合わせれば、アプリ開発からクラウド環境の構築・検証までを横断する仕組みも作れます。ここでの発想の転換は、「コードを書く時間を短くする」から「開発の工程と役割分担を見直す」への移行です。専門家が不要になるのではなく、専門家が判断・検証する部分と、AIが実行できる部分を整理し直すことになります。もちろん、実行には適切な権限、検証、変更承認、監査が必要で、目的の設定と承認は人に戻ります。

資料作成でも同じです。社内制度の周知が目的なら、短い動画、音声、インフォグラフィック、対話型FAQも選択肢になります。一方、規程や契約のように正確さと検索しやすさが重要な情報には、文章が適しています。問うべきなのは「どうやって資料を作るか」ではなく、「どうすれば相手に理解され、必要な行動につながるか」です。

必要なのは「次の問い」が生まれること

思考の連鎖は効率化を否定するものではなく、一つの成果から次の問いが生まれる状態を指します。

AIで資料を速く作れたなら、それは正当な成果です。「生まれない」側に進むことも失敗ではありません。大事なのは、点線のように、効率化を続けながらも必要なときに目的へ戻って問い直せる状態にあることです。

開発の例では、連鎖は次のように進みます。

一つの成果が次の問いを生み、問いが重なるにつれて、個人の作業から工程や役割分担へと対象が広がっていきます。これは自動化の範囲を無制限に広げることではなく、人の判断が必要な部分とAIに任せられる部分を、リスクと目的に照らして見直すことです。

発想が止まる理由は、3つの層で説明できる

この章で言いたいのは、発想が止まるのは個人の頭の固さだけの問題ではなく、個人の認知、学習の深さ、組織の資源配分という3つの層で起きているということです。既存の研究概念を地図として使うと、整理しやすくなります。

層 概念 説明すること AI活用での例
個人の認知 機能的固着1 既知の用途に縛られ、別の用途を想像しにくい コードエージェントをコード生成ツールとしか見ない
個人の認知 メンタルセット2 過去にうまくいった方法が新しい発想を制約する 資料共有は必ずPowerPointと考える
学習の深さ シングル/ダブルループ学習3 既存の目的のもとで改善するか、目的や前提を問い直すか 資料を速く作る/そもそも資料が必要か考える
組織の資源配分 探索と深化4 新しい可能性の探索と、既存手法の改善への配分 新方式の試行と、現行業務の効率化

これらは「思考の連鎖」の別名ではなく、同じ現象を違う層から照らす視点です。

特に組織の層は見落とされがちです。既存業務の時短は効果を測りやすい一方、新しい仕事の方法の探索は成果が不確実で、検証にも時間がかかります。短期の効率化だけを評価する組織では、活動が既存手法の改善(深化)に偏りやすくなります。PwCの調査が、日本は効果を「評価していない」割合が他国より高いと指摘していることも、「測りやすいものだけが評価され、探索の成果は評価されにくい」という構造と矛盾しません。

これらの理論を日本企業に当てはめたのは私の考察です。特定の企業でこの因果関係が実証されたという意味ではありません。

改善を続ける業務と、前提を問い直す業務は見分けられる

すべての業務で前提を問い直す必要はありません。問い直す価値のある業務には、兆候があります。

シングルループ(既存の目的のもとでの改善)を低く見る必要はありません。安定性や正確性が求められる業務では、既存の方法を着実に改善する方が合理的な場合が多くあります。一方、技術や環境が変わったときに前提を問い直す選択肢がないと、変える機会を逃します。

自分の業務に当てはめるときは、次の目安が使えます。

  • 改善を続ける業務:規程、契約、監査対応など、形式や正確さそのものが目的に含まれる業務。速く正確に作ることが最善です。
  • 前提を問い直す業務:定例報告、社内周知、研修など、成果物が「情報を伝える」「行動を促す」ための手段にすぎない業務。受け手が読まない、同じ質問が繰り返される、といった兆候があれば、問い直す価値があります。

「思いつかない」と「動けない」は別の問題

発想が広がらない問題を「AIリテラシー不足」だけで片づけると、打ち手を間違えます。 少なくとも4つの状態を分けて考える必要があります。

状態 背景にある課題 必要な対応
知らない AIの新しい能力や事例に触れていない 情報共有・実演・体験
思いつかない 既存の業務や成果物が思考の出発点になっている 目的から考える機会
思いついても動けない 権限・時間・費用・失敗への不安 安全な検証環境と支援
試しても広がらない 個人に依存し、標準化・共有されない 再利用と横展開の仕組み

前の2つは発想の問題、後の2つは実行環境の問題です。思いつかないのなら、可能性を知る機会が必要です。しかし、提案しても実現できないのなら、研修を増やしても解決しません。

個人の能力だけでは説明しきれないことは、海外の調査とも整合します。Microsoftの「2026 Work Trend Index」は、組織文化、マネジャーの支援、人材慣行といった組織要因が、個人のマインドセットや行動よりも2倍以上大きくAI活用に影響していると報告しています5。利用者の自己申告を含む調査なので日本企業の状況をそのまま説明するものではありませんが、対応の重心を個人の研修だけに置かない根拠の一つになります。

日本企業に特有の事情もあります。IPA「DX動向2026」では、全社戦略に基づき全社的にDXに取り組む企業が35.6%、部署ごとに個別に取り組む企業が19.1%で、全社的な取り組みと部分最適が混在しています。DXの経営面の成果として「コスト削減」を挙げた企業は70.9%、「売上高増加」は17.9%でした6。ただし、発想の固定化そのものは海外でも起こり得ます。日本固有の問題と世界共通の課題は分けて考える必要があります。

AI活用は時短だけでは測れない

AIは初稿を速くしても、完成までの手間が同じ割合で減るとは限りません。

AIがTerraformを短時間で生成しても、AWSの構成確認、権限の検証、費用の確認、テストは必要です。動画制作でも、構成・表現・内容の正確さを確認し、再生成や編集を繰り返すことがあります。

Google CloudのDORA 2025レポートも、この構図を示しています7。ソフトウェア開発者のAI利用率は90%に達し、生産性の向上を実感する回答が多い一方、AIの出力を「大いに」信頼しているのは24%、「少ししか/全く」信頼していないのは30%でした。同レポートは、AIが組織の既存の強みも弱みも増幅する「アンプ」として働くとまとめています。

一方で、これまで作れなかったものを作れるようになるなど、時短以外の価値もあります。AI活用には発想力だけでなく、試行錯誤を続ける時間と、品質を判断する専門性も必要です。時短だけを物差しにすると、AIの価値を取りこぼします。

思考の連鎖を、役割と評価のあるサイクルにする

チャット形式でAIを使うこと自体が悪いわけではありません。問題は、AIの利用が個人の作業支援で完結し、業務や組織の仕組みが変わらないことです。その分かれ目には、ここまで見てきた5つの壁があります。

目的は役割の曖昧さ、発想は思考の連鎖の不足、権限は「思いついても動けない」状態、部門連携は部分最適、評価は「測れていない」問題にあたります。

この壁を越えるために、次のサイクルを組織として回すことを提案します。

役割 担うこと 主に関わるステップ
経営層 変革の目的を示し、利用率・時短以外の評価軸を設ける 成果を確認、目的を問い直す
管理職 検証の時間と権限を確保し、部門間を調整する 小さく試す、学びを共有
社員 現場の課題と改善案を示す 目的を問い直す、選択肢を広げる
技術担当者 実現可能性・安全性・品質を検証する 選択肢を広げる、小さく試す

評価指標も、AIの利用率や作業時間だけでなく、業務全体のリードタイム、品質、利用者の理解や満足、リスク、再利用性など、目的に合うものを選びます。日本企業では効果を「評価していない」「わからない」という回答が多く、成果指標を設定している企業も少数です。

要するに、測る仕組みを先に作ること自体が、最初の一歩として有効だと考えています。AIエージェントやデータ連携基盤、MCPといった技術は、このサイクルの中で必要と判断したときの手段で、導入そのものを目的にはしません。

まとめ

  • 日本の大企業でAIの導入は進んでいます。差が出ているのは、成果につなげ、それを測る段階です。
  • 個人の時短、業務全体の生産性、業務や組織の再設計(AX)は別物です。
  • AIの能力が広がっても、使い方の発想は「今ある成果物を速く作る」に固定されやすくなります。
  • 必要なのは効率化の否定ではなく、一つの成果から次の問いが生まれる「思考の連鎖」です。ただし、すべての業務を変えることが正解ではありません。
  • 発想が止まる理由は3つの層にあり、「思いつかない」と「動けない」には別の打ち手が必要です。
  • 思考の連鎖は、役割分担と評価指標を持ったサイクルとして、組織の仕組みにします。

自分の職場で確かめるなら、次の4点から始めるのがよいと考えています。

  • AIで速くなった業務を一つ選び、その成果物の目的を一文で書き出す
  • その業務が「改善を続ける業務」か「前提を問い直す業務」かを判断する
  • 止まっているのが「知らない・思いつかない・動けない・広がらない」のどれかを見分ける
  • 利用率や時短以外に、業務全体で見る指標を一つ決める

AIを使って今の仕事を速くするだけでなく、AIが使える時代に今の仕事の方法が本当に最適なのかを問い直すこと。それがAXの入口だと考えています。似た状況にいる人が、自分の職場の「次の問い」を考える材料になればうれしいです。

参考リンク

主な調査は次の3つです。

そのほかの参考資料です。

  1. Karl Duncker「On Problem-Solving」Psychological Monographs 58(5), 1945。機能的固着の古典的研究。 ↩

  2. Abraham S. Luchins「Mechanization in Problem Solving: The Effect of Einstellung」Psychological Monographs 54(6), 1942。メンタルセットの古典的研究。 ↩

  3. Chris Argyris(1977)。近年の再検討として Auqui-Caceres & Furlan(2023)。いずれも末尾の参考リンクを参照。 ↩

  4. James G. March(1991)。末尾の参考リンクを参照。 ↩

  5. Microsoft 2026 Work Trend Index Annual Report の所見。原典ではなく、紹介した報道記事(@IT、2026年6月18日)で確認したもの。 ↩

  6. IPA「DX動向2026」の数値。解説記事(ビジネス+IT、NTT東日本 ビズドライブ)でも確認できる。 ↩

  7. 世界の技術者約5,000人が回答した調査。 ↩

2
0
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
2
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?