AI活用が進まないのは意識の問題ではない｜誰も改善を評価しない構造

AI活用が進まない理由として語られるのは、たいてい経営のコミット不足か、現場の意識の低さか、リテラシー不足です。ところがIPAが公開している一次データを開くと、その3つがいずれも成り立ちません。日本企業のDX取組率は77.8%で米国の76.8%を上回り、DX予算が確保される企業は3か国とも9割近く、生成AI活用の課題として「経営層の承認が得られない」を挙げた日本企業は3.8%（米国20.8%、ドイツ14.3%）でした。

それなのに、DXの成果が出ていると答えた企業は日本57.8%、米国87.0%、ドイツ81.7%です。着手していて、予算があって、経営も止めていない。それでも成果だけが出ていません。

どうやら差が出ているのは別のところのようです。日本の生成AI利用は「個人で業務に利用している」62.1%が最多で、「部署の業務プロセスに組み込まれている」は13.1%（米国37.8%、ドイツ37.9%）。そしてDXを推進する人材の評価基準が「ない」と答えた企業が75.7%（米国10.0%、ドイツ18.9%）あります。個人の裁量では動いているのに、組織の仕組みには入らず、やった人に何も返らない。これが日本のAI活用の実像だと、公的統計が言っています。

この構造のなかでは、担当者が業務効率化に時間を使わないことが個人として合理的になります。改善に使った時間はどの案件の実績にもならず、火消しは評価されても未然に防いだことは評価されず、AIを使った事実を開示すると能力と意欲を低く見られ、効率化で浮いた時間は次の案件に吸われます。この4つは経済学と経営学、そして2025年の実験研究がそれぞれ裏づけています。

この記事では、通説を一次データで順に外したうえで、効率化しないことが合理的になる条件を分解し、担当者に残された3つの現実的な選択肢を並べます。経営を責める話でも、意識を変えろという話でも、転職を勧める話でもありません。

「意識が低いから」では、日本のAI活用の停滞を説明できません

AI活用が進まない理由として最もよく語られるのは、経営のコミット不足、現場の意識の低さ、そしてリテラシー不足の3つです。ところが独立行政法人情報処理推進機構（IPA）が公開している調査データを開いてみたら、この3つがいずれも成り立たないことに気づきました。日本企業はDXに取り組んでいないわけでも、予算がないわけでも、経営に止められているわけでもありません。

取り組んでいないわけではありません

IPAの「DX動向2025」は、日本1,535社、米国509社、ドイツ537社に同じ質問を投げた調査です。調査は2025年2月上旬から3月下旬にかけて実施され、報告書のなかでは2024年度調査と表記されています。なおDXはデジタルトランスフォーメーションの略で、デジタル技術を使って業務や事業の形そのものを変えることを指します。ツールを導入するだけの話ではない、という含みがある言葉です。

その図表1-1（p.2）によれば、何らかの形でDXに取り組んでいる日本企業は77.8%でした。内訳は全社的に34.4%、一部の部門で24.0%、部署ごとに19.4%です。

同じ質問への回答は、米国が76.8%、ドイツが68.1%。つまり取り組んでいる企業の割合という一点だけを見れば、日本は米国をわずかに上回っています。報告書自身も「全社戦略に基づき、全社的にDXに取組んでいる」割合について、米国と同等程度でドイツよりも高いと書いています。

「日本はDXが遅れている」という言い方は、少なくとも着手率の話としては正確ではありません。

予算がないわけでもありません

次に予算です。同じ調査の図表1-5（p.6）は、DXのための予算がどう確保されているかを聞いています。結果は、3か国とも何らかの形で予算が確保される企業が9割近く。報告書はこう書いています。

予算が確保される割合が9割近くになっており、予算確保がDX推進の課題になっている企業は各国とも少ない

ここには日本固有の弱点もあって、日本は「必要な都度申請」の割合が高く、年度予算のなかにDX枠として継続的に確保している企業が相対的に少なくなっています。それでも「金がないから進まない」という説明は、データの上では主要因になりません。

経営が止めているわけでもありません

3つ目が、この記事にとって一番重要なデータです。

同調査の図表2-12（p.41）は、生成AIを活用するうえでの課題を複数回答で聞いています。そのなかに「経営層の承認が得られない」という選択肢があります。回答率は次のとおりです。

生成AI活用の課題（複数回答）	日本	米国	ドイツ
生成AIの効果やリスクに関する理解が不足している	48.6%	37.5%	35.0%
誤った回答を信じて業務に利用してしまう	40.5%	19.6%	19.6%
利用管理のルールや基準の作成が難しい	37.8%	29.5%	32.0%
情報漏えいのリスクがある	31.6%	26.5%	22.2%
生成AIを活用できそうな業務がない	25.9%	10.8%	13.4%
社員のスキルが低下する	12.3%	25.0%	23.8%
経営層の承認が得られない	3.8%	20.8%	14.3%

日本の3.8%は、米国の20.8%、ドイツの14.3%と比べて明らかに低い数字です。むしろ米国のほうが5倍以上、経営の承認で詰まっています。

この数字を最初に見たとき、私はしばらく信じられませんでした。日本のDX推進担当が集まると「うちの経営がわかってくれない」という話になるのが定番だからです。ところが国際比較のなかに置いてみると、日本の経営層は生成AI活用を止めている側ではありません。承認は下りている。予算もある。着手もしている。

それでも成果だけが出ていません

ここまでの3つが揃っているのに、結果は揃いません。

同調査の図表1-7（p.7）によると、DXの成果が「出ている」と答えた企業は日本57.8%に対し、米国87.0%、ドイツ81.7%です。しかも日本は「わからない」という回答が26.2%を占めます。米国は5.1%、ドイツは6.0%ですから、4分の1以上の日本企業が自社のDXの成否を把握できていないことになります。

経年で見ても伸びていません。2022年度58.0%、2023年度64.3%、2024年度57.8%と、上がって下がって元に戻っています。報告書は「経年でみると大きな変化はなく、伸び悩んでいることが見て取れる」と表現しています。

成果の中身にも違いがあります。図表1-9（p.9）によれば、日本の成果は「コスト削減」「提供日数の削減」といった効率化に寄っており、米国とドイツは「利益増加」「売上高増加」「市場シェア向上」といった売上側に寄っています。

診断が外れると、処方も外れます

着手している、予算がある、経営も止めていない、それでも成果が出ない。この形を「意識が低い」「リテラシーが足りない」で説明しようとすると、どうしても無理が出ます。

そして診断を外したまま処方を出すと、次に起きるのはたいてい研修です。研修を実施し、参加率を報告し、それでも半年後に何も変わっていない。この繰り返しに心当たりのある方は、おそらく診断のほうを疑ったほうがいい段階に来ています。

なお、ここで扱っているのは「そもそも取り組む時間が誰にもない」という、いちばん上流の話です。導入の手前で情報システム部門が止めてしまう段階についてはAI活用が進む会社と進まない会社の分岐点で、何を許可して何を止めるかという技術的な線引きについては情シスのAI許可を2軸で分解する記事で、それぞれ別に書きました。段階が違うので、自社がどこで詰まっているかを先に見極めたほうが早いと思います。

では実際にはどこで差がついているのでしょうか。ここからは、もう2つのデータを重ねてみます。

差がついているのは、個人の工夫が仕組みに入っているかどうかです

日米独の差が最もはっきり出るのは、AIを「使っているかどうか」ではなく、「使い方が誰の持ち物になっているか」でした。日本の生成AI利用は個人の手元にとどまっていて、業務プロセスの一部にはなっていません。そして、その状態を変えた人を評価する基準を持っている日本企業は、4社に1社もありません。

日本の生成AIは、個人の道具として使われています

IPA「DX動向2025」の図表2-11（p.40）は、生成AIをどのレベルで使っているかを聞いています。日本741社、米国397社、ドイツ364社の回答です。

生成AIの利用状況（複数回答）	日本	米国	ドイツ
個人で業務に利用している	62.1%	47.6%	51.1%
個人や部署で試験的に利用している	50.3%	46.3%	36.8%
全社的なサービスに組み込まれている	16.5%	19.1%	19.5%
部署の業務プロセスに組み込まれている	13.1%	37.8%	37.9%
外部提供サービスに組み込まれている	3.2%	6.5%	4.1%

日本で最も多い回答は「個人で業務に利用している」の62.1%で、これは米独より高い数字です。個人レベルの利用だけを見れば、日本の従業員はむしろよく使っています。

ところが「部署の業務プロセスに組み込まれている」になると、日本13.1%に対して米国37.8%、ドイツ37.9%。約3倍の差がつきます。報告書も「部署の業務プロセスに組み込まれている」については日本の回答率が低いと明記しています。

この2つの数字を並べると、日本で起きていることの輪郭が見えてきます。誰かが自分の仕事を工夫してAIで速くしている。でもその工夫は隣の席には伝わっていないし、来年その人が異動したら一緒に消える。そういう状態なのだろうと思います。

トヨタグループのIT内製会社であるKINTOテクノロジーズが2025年12月に公開した「組織のAI活用が進まない理由とは？」という記事は、社内の従業員AI活用率が約8割に達しているのに組織の成果に直結しない状況を「AIパラドックス」と呼んでいます。事業会社の現場感覚と、IPAの統計が同じ方向を指しています。

誰かがやった工夫を、評価する基準がありません

では、なぜ個人の工夫が組織の仕組みにならないのでしょうか。同じ調査のなかに、その答えとして最も筋の通る数字がありました。

図表3-10（p.57）は、DXを推進する人材の評価基準について聞いたものです。「基準はない」と答えた企業の割合は、日本75.7%、米国10.0%、ドイツ18.9%でした。

日本企業の4社に3社は、DXを推進する人材をどう評価するかの基準を持っていません。報告書の文面はこうです。

「基準はない」の回答割合が日本は75.7%であるのに対し、米国は10.0%、ドイツは18.9%

評価基準がないというのは、人事制度の書類が足りていないという話ではないと思っています。その仕事をやった人に何も返らない、ということです。うまくやっても給料は変わらず、等級も変わらず、上司の評価シートに書く欄すらない。

しかもこの調査には、評価基準の有無と人材不足感の関係を見た図表3-11（p.58）もあって、評価基準がある企業ほど人材の「量」の不足感が小さくなっています。報告書は「とくに日本は評価基準の有無による差が大きい」と書いています。評価の経路がある会社には人が集まり、ない会社では足りないままになる、という素直な関係です。

何が必要かも把握されていません

評価基準がないことと表裏一体で、そもそも何ができる人が必要なのかも決まっていません。

図表3-12（p.59）によると、DX推進に必要なスキルを把握したうえで過不足まで把握できている日本企業は14.9%。報告書は「米国、ドイツの企業の約半数ができているのに対し、日本はわずか14.9%」としています。逆に「必要なスキルを把握できていない」と答えた日本企業は57.1%にのぼります。

育成側も同じ形です。図表3-7（p.55）では人材育成予算を増やした企業が日本で2割強、米国7割弱、ドイツ6割弱。図表3-8（p.56）では育成施策として「特に支援はしていない」と答えた日本企業が36.6%と突出しています。

さらに古いデータですが、IPA「DX白書2023」の図表4-13（p.167）では、人材育成の課題として日本企業が挙げた項目の2位が「スキル向上・獲得による処遇向上」で38.9%でした。日米差が最大だった項目は「支援はしていない（個人に任せている）」で、日本20.5%に対して米国3.7%です。

「人が足りない」の中身

ここまで来ると、よく言われる「DX人材が足りない」の意味が少し変わって見えてきます。

IPA「DX動向2025」の図表3-1（p.50）によれば、DX推進人材の量が不足していると答えた日本企業は85.1%（やや不足26.6%＋大幅に不足58.5%）。「大幅に不足している」だけを取り出すと日本58.5%、米国4.1%、ドイツ7.4%で、日本は米国の約14倍です。

ただし同じ調査の図表3-5（p.53）には、人材が足りないと答えながら「人材確保を行っていない」日本企業が19.4%あるという数字も載っています。報告書は「「人材確保を行っていない」割合が19.4%にも上るのは問題である」と、めずらしく踏み込んだ書き方をしています。

必要なスキルが定義されておらず、評価基準がなく、育成予算も増えず、確保の行動も取っていない。そのうえで「人が足りない」と回答している。人員数の問題というより、その仕事を組織のなかでどう位置づけるかが決まっていない、という問題に近い気がしてきました。

では、位置づけが決まっていない仕事に、担当者はどう向き合うのが正しいのでしょうか。ここから本題に入ります。結論を先に書いておくと、時間を使わないという判断は、かなり合理的です。

効率化に時間を使わないほうが合理的になる、3つの条件

ここからは統計を離れて、担当者ひとりの立場で考えてみます。2つか3つの案件を同時に抱えている人が、業務効率化に時間を使うかどうかを決めるとき、その判断は何で決まるのでしょうか。条件を並べていくと、やらないほうが得になる場面が思ったより多いことに気づきます。これは怠慢ではなく、報酬設計から素直に導かれる結論なのだろうと思います。

条件1: 改善に使った時間が、どの案件の実績にもなりません

稼働がプロジェクトに割り付けられている組織では、1日8時間がどこかの案件に紐づいています。案件Aに5時間、案件Bに3時間。この配分のなかに「業務改善」という行き先はありません。

改善に2時間使うと、その2時間はどこかの案件から借りたことになります。案件の進捗は2時間分遅れ、改善のほうは誰の実績表にも載りません。ここまで見てきたとおり、評価基準を持っていない日本企業は75.7%ですから、載せる欄がそもそもない会社が大半です。

実績にならない仕事から人が離れていくこの現象は、経済学で40年近く前に定式化されています。ベント・ホルムストロームとポール・ミルグロムが1991年に発表した多任務エージェンシー理論（ひとりが複数の仕事を担うときに報酬設計がどう働くかを扱う理論）は、報酬が努力の量だけでなく注意の配分そのものを決めてしまうことを示しました。論文にはこうあります。

the desirability of providing incentives for any one activity decreases with the difficulty of measuring performance in any other activities that make competing demands on the agent’s time and attention.

日本語にすると、ある活動にインセンティブを付ける望ましさは、その人の時間と注意を奪い合う他の活動の測定が難しくなるほど下がる、という意味です。論文が挙げる例のひとつが出来高給の生産労働者で、生産量に報酬が紐づくと、品質の作り込みや設備の手入れが犠牲になります。

改善活動は、測りにくい側の典型です。案件の進捗は日次で見えるのに、改善の効果は半年後にぼんやり効いてくる。測れるほうに注意が吸い寄せられるのは、意識の問題ではなく設計の帰結です。

書誌情報を挙げておきます。Holmstrom, B., & Milgrom, P. (1991). “Multitask Principal-Agent Analyses: Incentive Contracts, Asset Ownership, and Job Design”. Journal of Law, Economics, & Organization, 7(Special Issue), pp.24-52. 全文はデューク大学が公開しているPDFで読めます。

条件2: 火消しは評価され、火事を起こさなかった人は評価されません

もうひとつ、こちらは経営学の側から。

MITのネルソン・レペニングとジョン・スターマンが2001年に California Management Review（カリフォルニア大学バークレー校が出している経営学の学術誌）に書いた論文のタイトルは、そのまま日本語にすると「起きなかった問題を解決したことで評価される人はいない」です。論文の本文（p.81）にこうあります。

most organizations reward last-minute problem solving over the learning, training, and improvement activities that prevent such crises in the first place. As an engineer at an auto company told us, “Nobody ever gets credit for fixing problems that never happened.”

多くの組織は、そもそも危機を防ぐ学習・訓練・改善よりも、土壇場の問題解決を報奨する、という指摘です。ちなみにこのタイトルは著者の造語ではなく、自動車会社のエンジニアがインタビューで口にした言葉をそのまま採ったものだそうです。

論文はこの現象をcapability trap（能力の罠）と名づけました。業績が落ちると管理者は原因を努力不足に帰属させて圧力をかける。現場は改善や保全に充てていた時間を削って目先の生産に回す。すると能力が少し遅れて落ち、さらに努力で埋めるしかなくなる。この循環が自分自身を強化します。

AI活用に置き換えてみると、身に覚えのある光景になるのではないでしょうか。炎上した案件をAIで巻き返した人は表彰される。一方、AIで業務を整理して炎上しない状態を作った人は、そもそも何も起きていないので誰にも気づかれない。前者は英雄になり、後者は「最近ヒマそうだね」と言われます。

さらに、この2人は翌年に同じ論文の続編を Administrative Science Quarterly に出していて、そこでは誤った原因帰属がなぜ修正されないのかを扱っています。「従業員のやる気が足りない」と判断して圧力をかけると、短期的には数字が上がるので、その誤った判断を裏づける証拠がすぐ手に入ってしまう。だから信念が更新されない、という指摘です。

• Repenning, N. P., & Sterman, J. D. (2001). “Nobody Ever Gets Credit for Fixing Problems That Never Happened: Creating and Sustaining Process Improvement”. California Management Review, 43(4), pp.64-88. MITが公開している全文PDF
• Repenning, N. P., & Sterman, J. D. (2002). “Capability Traps and Self-Confirming Attribution Errors in the Dynamics of Process Improvement”. Administrative Science Quarterly, 47(2), pp.265-295. DOI: 10.2307/3094806

条件3: AIを使ったこと自体が、評価を下げます

3つ目は、もっと手前の話です。

2025年に Proceedings of the National Academy of Sciences（米国科学アカデミー紀要、略称PNAS）に載った論文が、4件の実験（合計4,439人）で次のことを示しました。AIツールを使った人は、他者から能力と意欲の両方を低く評価されます。しかも本人はそれを予期していて、その予期は当たっています。この評価の下がり方は、採用候補者を選ぶ場面にも影響しました。

この4件はいずれも事前登録された実験です。事前登録というのは、データを取る前に「何を測って、どう分析するか」を第三者が見られる場所に公開しておく手続きのことで、結果が出てから都合のいい分析方法を選ぶ、という操作ができなくなります。都合のいい結果だけを拾った研究ではない、という担保だと考えてください。

論文の結論は、AIは生産性を高めうるが、その利用には社会的コストが伴うというジレンマだ、というものです。

Reif, J. A., Larrick, R. P., & Soll, J. B. (2025). “Evidence of a social evaluation penalty for using AI”. PNAS, 122(19), e2426766122. DOI: 10.1073/pnas.2426766122（オープンアクセス）

社内でAI活用を推進する立場の人にとって、これはなかなか厳しい結果です。効率化に時間を使っても評価されないだけでなく、効率化した事実を周囲に開示すると評価が下がりうる。だから多くの人は、AIを使っていることを黙っています。IPAの「個人で業務に利用している」62.1%という数字が、なぜ部署の仕組みに上がってこないのでしょうか。その理由の一部は、ここで説明がつく気がします。

そして、浮いた時間は本人に返ってきません

条件を3つ並べましたが、最後にもうひとつ、重ねておきたい話があります。

仮に改善に成功して、週に5時間が浮いたとします。その5時間は担当者の自由時間になるでしょうか。ならないことのほうが多いはずです。空いた稼働はすぐ次の案件に割り当てられます。

空いた稼働がすぐ埋まるこの現象は、経済学で古くから知られた形をしています。ウィリアム・スタンレー・ジェヴォンズが1865年の『石炭問題』第7章で書いた一節です。

It is wholly a confusion of ideas to suppose that the economical use of fuel is equivalent to a diminished consumption. The very contrary is the truth.

訳すと、燃料を経済的に使うことが消費の減少と等価だと考えるのは完全な思い違いであり、真実はその正反対だ、となります。効率が上がると、単価が下がった分だけ使用量が増えるわけです。ジェヴォンズはこの段落のなかでミシンの例も挙げていて、裁縫の効率が上がったら仕事が減るのではなく需要が広がった、と書いています。全文はEconlibで公開されています。

マイクロソフトのサティア・ナデラCEOが2025年1月に「またジェヴォンズのパラドックスだ」と投稿して話題になったのは記憶に新しいところですが（原文は “Jevons paradox strikes again!”）、担当者の日常のスケールでも同じことが起きます。効率化した人のカレンダーは、空くのではなく埋まります。

国全体を見たデータもこれと整合します。デンマークの大規模調査を行政の労働市場記録（誰がいくらもらって何時間働いたかの公的な記録）に接続した研究では、労働者は生産性向上を実感し、AI関連の新しい業務も広がっているにもかかわらず、賃金と記録労働時間への効果はほぼゼロで、2%を超える効果は統計的に否定されました。生産性は上がったのに、給料も労働時間も動いていない、という結果です（Humlum, A., & Vestergaard, E., 全米経済研究所ワーキングペーパー33777, nber.org/papers/w33777）。

4つ重ねると、やらないのが合理的になります

ここまでの話を1枚に整理すると、こうなります。

条件	何が起きるか	裏づけ
1. 改善の時間がどの案件の実績にもならない	測れる仕事に注意が吸い寄せられる	Holmström & Milgrom (1991) 多任務エージェンシー理論／DX人材の評価基準が「ない」75.7%
2. 火消しは評価され、未然に防いだことは評価されない	危機を作ってから直す人が昇進する	Repenning & Sterman (2001) capability trap
3. AIを使った事実を開示すると評価が下がる	使っていることを黙る	Reif, Larrick & Soll (2025) PNAS、N=4,439
4. 浮いた時間は次の案件に吸われる	効率化しても自分の時間は増えない	ジェヴォンズのパラドックス／Humlum & Vestergaard (NBER WP 33777)

この4つが同時に成り立っている職場で、担当者が業務効率化に踏み込まないのは、怠慢ではありません。インセンティブ設計に対する正しい反応です。

だから「意識を変えよう」という働きかけは効かないのだと思います。意識は最初から正しく状況を読んでいるからです。変えるべきは1から4のどれか、要するに構造のほうになります。

念のため補足しておくと、AIそのものが効かないという話ではありません。顧客サポート担当者5,172人を対象にした研究では、生成AIアシスタントの導入で1時間あたりの解決件数が平均15%上がっています。ただしその効果は経験の浅い層に偏り、最も経験豊富な層では速度の改善がわずかで品質はやや下がりました（Brynjolfsson, E., Li, D., & Raymond, L. (2025). “Generative AI at Work”. The Quarterly Journal of Economics（経済学で最も引用される学術誌のひとつ）, 140(2), pp.889-942. 査読前の全文）。

道具は効きます。効かないのは、その道具に時間を投じる動機のほうです。

リソースが割かれないという事実は、それ自体が優先順位の答えです

構造の話をすると、次に出てくるのは「では経営を動かすしかない」という結論です。ただ、そこで一度立ち止まったほうがいい場面があるように思います。半年言い続けてもリソースが増えないとき、それは経営が理解していないのではなく、すでに判断が下りている可能性が高いからです。この受け止め直しは、担当者が消耗しないためにもかなり役に立ちます。

経営がAIに投資するかどうかは、経営者のタイプで決まります

AIやデジタルにどれだけ経営リソースを配分するかは、事業フェーズと経営者の関心で大きく変わります。

既存事業のキャッシュフローが安定していて、市場の変化が緩やかで、社長が現場の職人性を強みだと考えている会社は普通に存在します。そういう会社で「AIネイティブな組織にしよう」という意思決定が起きないのは、判断ミスというより単に優先順位が違うだけです。

記事の冒頭で見たとおり、生成AI活用の課題として「経営層の承認が得られない」と答えた日本企業は3.8%しかありませんでした。経営は止めていません。ただし、承認することと、そこに人と時間を厚く配分することは別の話です。「やっていいよ」と「そのために2人つけよう」のあいだには、大きな距離があります。

「誰の担当でもない」が数字にも出ています

総務省の『令和7年版 情報通信白書』は、デジタル化に関して認識している課題や障壁を4か国で比較しています（図表Ⅱ-1-11-20、2024年度調査）。日本企業の回答上位はこうなっていました。

デジタル化の課題・障壁（日本）	回答率
人材不足	48.7%
アナログな文化・価値観	27.8%
DXの役割分担が不明確	27.4%
明確な目的・目標が未定	27.4%
組織間の連携が不十分	24.1%
デジタル技術のリテラシー不足	20.4%

トップの「人材不足」48.7%は、中国30.7%、ドイツ28.5%、米国20.1%を大きく上回っています。白書自身が「他国企業と比較して圧倒的に高い」と書いている項目です。

ただ、この記事の文脈で目を引くのは3位の「DXの役割分担が不明確」27.4%と4位の「明確な目的・目標が未定」27.4%のほうです。誰がやるかが決まっていないという状態が、リテラシー不足より上位に来ています。

役割分担が決まっていない仕事は、たいてい「気づいた人」がやることになります。そして気づいた人には、ここまで見てきたとおり何も返りません。この記事を読んでいる方の多くは、その「気づいた人」なのではないでしょうか。

同じ白書の図表Ⅰ-1-2-15（2024年度調査）では、生成AI導入の懸念として日本で最も多かったのが「効果的な活用方法がわからない」の30.1%でした。米国は9.7%、中国は10.4%です。何に使えばいいかが分からないまま、誰の担当かも決まっていない。この2つが重なると、案件はきれいに宙に浮きます。

「しょうがない」と言い切ることの実利

ここで提案したいのは、少し身も蓋もない受け止め方です。

半年から1年、事実を出し続けてもリソースが変わらないなら、それは経営が「今はここに人と金を厚く配らない」という判断を下している、と読み替えてしまう。理解が足りないのではなく、判断済みだと考える。

この読み替えには実利があります。

第一に、消耗が止まります。自分に配分権限がないものを自分の責任として抱え込むと、何も動かないまま体力だけ減ります。判断は経営のものだと切り分けると、抱え込む対象が減ります。

第二に、次の行動が変わります。「わかってもらう」ための資料作りに時間を使うのをやめて、自分の裁量で動く範囲に力を移せるようになります。

第三に、犯人探しが止まります。経営が悪い、情シスが悪い、現場の意識が低い、という言い方は、社内で口にした瞬間に自分の味方を減らします。しかもここまで見てきたとおり、データはその犯人像を支持していません。誰も悪くない状態で、それでも動かない。そういう構造は普通にあります。

判断を保留しているだけの場合は、見分けがつきます

ただし「判断済み」と「判断が保留されている」は違います。ここは見分けたほうがいいところです。

判断済みの場合、担当者が事実を出しても反応がありません。あるいは「わかってる、でも今は難しい」で終わります。これは答えが返ってきているので、答えとして受け取ってよいものです。

保留の場合は、質問が返ってきます。「どれくらい効果がありそう？」「他社はどうしてる？」「うちだと何から？」といった問いが出るなら、まだ決まっていません。この段階なら、次に説明する選択肢Aが効きます。

見分けの実務的な目安は、同じ論点を3回出したときに返ってくるものが変わるかどうかだと思っています。3回とも同じ反応なら、判断は下りていると考えて次に進んだほうが、お互いのためになります。

判断が下りているとわかったうえで、では担当者に何が残るのでしょうか。ここからが本題です。

それでも担当者にできることは、3つあります

構造の問題だと分かったところで、明日から何をするかという話に移ります。全社を変えるという選択肢を一度外してみると、残るのは3つでした。どれが正解ということはなく、その人の性格と、その会社にどれくらい留まる気があるかで向き不向きが変わります。順に見ていきます。

選択肢A: 進んでいないという事実を、記録として残し続ける

これは「言い続ける」というより「記録を残す」に近い行動です。

進捗報告のたびに、次の3つを事実として書きます。犯人探しの言葉は入れません。

1. 今期この案件に投下できた工数（実績値）
2. 進んでいない項目と、その理由（工数不足なのか、判断待ちなのか、技術的な障壁なのか）
3. 何がどれだけあれば、いつまでに何ができるか

書き方の例を挙げます。

【AI活用推進】今期の投下工数は12時間（計画40時間）。差分の28時間は案件Xの追加対応に充当しました。未着手は「見積書作成の自動化」「問い合わせ一次回答の下書き生成」の2件です。前者は月20時間程度の削減が見込め、着手には30時間の工数が必要です。現在は他案件との優先順位について判断待ちの状態です。

効くのは「判断待ち」と書き切るところだと思っています。「できていません」でも「頑張ります」でもなく、ボールがどこにあるかを事実として置く。責めてはいないけれど、記録には残る。この温度が大事です。

半年後、経営会議で「あの件どうなった」という話が出たときに、この記録があると話が早く進みます。「そういえば毎回、判断待ちって書いてあったな」という状態を作っておくのが目的です。

自分の時間がどこに消えているかを先に押さえておくと、この報告の説得力が変わります。カレンダーの履歴から実際の業務配分を棚卸しする方法は、Googleカレンダー×Claudeで1年分の業務を棚卸しする記事にまとめました。

この方法が向いているのは、記録を淡々と続けられて、感情を混ぜずに書ける人です。逆に反応がないことに耐えられない人にはきついはずで、半年から1年は返事がない期間が続きます。

選択肢B: 全社展開をあきらめて、自分の裁量の範囲で作る

2つ目が、実務的には最も効くと感じています。

全社の仕組みを変えるのは権限の外ですが、自分の担当業務をどう進めるかは自分の裁量です。スコープをここまで絞ると、稟議も情シスの承認も要らないことが多く、しかも浮いた時間は確実に自分に返ってきます。

スコープの決め方は、次の4つを全部満たすものを選びます。1つ目は自分ひとりで完結すること。他部署の承認や、他人の作業変更を前提にしないという意味です。2つ目は月に3回以上やっていること。頻度が低いと効果が体感できません。3つ目は手順が言葉で書けること。書けないものは、まだ自動化の手前だと考えたほうがいいです。4つ目は失敗しても実害が小さいこと。下書き生成のように、人が最後に確認する工程が残るものを選びます。

最初の1本は、調査や情報収集、資料の下書き、議事録の整理あたりが入りやすいところです。逆に、承認フローや基幹システムに触るものは最初に選ばないほうが無難です。

作ったものを再利用可能な形にしておくと、後から効きます。手順をファイルに書き出して、次に同じ仕事が来たときに読み込ませるだけ、という形にしておく。この作り方はClaudeでフィードバックスキルを作る記事で具体的な手順を書きました。手元のファイルが増えてきて整理が必要になったら、メダリオンアーキテクチャの考え方でスキルを層に分ける記事が参考になります。

この選択肢のいいところは、後で全社展開の話が降ってきたときに、実物が手元にあるという点です。ゼロから企画書を書く人と、半年動かしている実物を見せられる人では、そのときの立ち位置がまるで違ってきます。

なお、作ったものが使われないのは、また別の問題です。配布したスキルが社内で使われない現象についてはNIH症候群の記事で扱いました。この記事で言っている「そもそも作る時間がない」の一段先の話になります。

向いているのは、手を動かすのが好きで、狭くても完成させたい人です。影響範囲の広さにやりがいを感じるタイプの人には物足りないと思います。ここは意図的に狭くする戦略だからです。

選択肢C: 腰を据えて、前提のほうを動かす

3つ目は、時間軸を長く取る選択です。

評価制度に改善活動の項目を入れる。稼働配分のルールに改善枠を設ける。役割分担を文書で定義する。こうした前提を動かす仕事は、成果が出るまでに数年かかります。そのあいだ、自分の実績表にはほとんど何も載りません。

この道が成立するのは、組織の前提が動くこと自体に喜びを感じられるタイプの人だけだと思います。短期の達成感で自分を回している人がこれをやると、途中で消耗します。

適性の話なので、優劣ではありません。3年後に「制度が変わった」ことに満足できるかどうか、という自分への質問です。

もしその答えが「いや、自分は目の前の仕事が速くなるほうが嬉しい」だったなら、それは選択肢Bを選ぶ根拠になります。そして、その環境が自分に合っているかどうかを考えること自体も、担当者の正当な判断のひとつです。ここでは結論を書きません。適性の問題として並べるにとどめます。

向いているのは、長期の変化に喜びを見出せて、政治的な立ち回りが苦にならない人です。短いサイクルの達成感が必要な人には、この道はおすすめしません。

3つは排他ではありません

3つを並べて比較すると、こうなります。

	A: 記録を残す	B: 裁量の範囲で作る	C: 前提を動かす
必要な権限	なし	なし	制度に関わる立場
効果が出るまで	半年〜1年	数週間	数年
返ってくるもの	交渉材料としての記録	自分の時間と実物	組織の前提の変化
向いている人	反応がなくても淡々と続けられる人	狭くても完成させたい人	長期の変化に喜びを見出せる人
きつくなる人	反応のなさに耐えられない人	影響範囲の広さにやりがいを感じる人	短いサイクルの達成感が必要な人

現実的には、AとBを並行させるのが最も無理がありません。

Aで記録を残しながら、Bで自分の手元を速くする。Aは半年後の交渉材料になり、Bは今月の自分の時間を返してくれます。時間軸が違うので、両方回しても衝突しません。

Cはそのあと、AとBの結果を見て考えることになります。半年やってみて記録に反応がなく、手元だけが速くなっている状態を、自分がどう感じるか。その感触が、Cを選ぶかどうかの一番いい判断材料になります。

比較対象を間違えないことが、半年後に効いてきます

最後にもうひとつ、担当者を消耗させている要因の話をします。それは他社との比較です。先進事例として紹介されるのは情報通信業と大企業に偏っていて、そこと自社を並べると、実態より遅れているように見えてしまいます。焦りを生む数字の出どころを確認する習慣は、それだけで判断の質を上げると思っています。

業種が違えば、前提が違います

IPA「DX動向2025」の図表1-3（p.4）は、DXの取組状況を業種別に集計しています。日本の数字はこうでした。

業種	DXに取り組んでいる企業の割合（日本）
金融業・保険業	92.9%
情報通信業	83.2%
製造業等	80.6%
流通業・小売業	73.5%
サービス業	69.1%

情報通信業とサービス業では14ポイントの差があります。しかもこの傾向は日本固有ではなく、報告書は「情報通信業がいずれの国でも8割を超えている一方、サービス業は6〜7割程度」と書いています。米国もドイツも同じ形をしています。

そして先進事例として記事や登壇で紹介されるのは、ほぼ情報通信業です。自社がサービス業や流通業なら、比較対象が最初からずれています。

規模でも差がつきます

図表1-2（p.3）は従業員規模別の集計です。日本は1,001人以上で96.1%、100人以下で46.8%と、2倍以上の開きがあります。

生成AIになると差はさらに開きます。図表2-10（p.39）によれば、日本の1,001人以上企業で生成AIを「導入している」割合は50.0%で、これは米国31.2%、ドイツ25.5%より高い数字です。大企業に限れば、日本はむしろ進んでいます。一方で100人以下は「関心はあるが予定なし」38.2%と「今後も予定なし」41.0%で合計79.2%。同じ国のなかに、まったく違う2つの世界があります。

ここで注意しておきたいのは、「日本の中小企業は日米独で最下位」という言い方が正確ではないことです。100人以下のDX取組率は日本46.8%、ドイツ44.5%で、日本のほうがわずかに高くなっています。明確に劣後しているのは米国の63.4%に対してです。

自社のペースを設定するときは、業種と従業員規模の両方を揃えた数字を見てください。IPAの報告書はどちらの軸でもクロス集計を公開しているので、自社に近い区分を探せます。

焦らせる数字は、出どころを確かめる価値があります

AI導入の文脈では、失敗を強調する数字がよく引かれます。代表的なものを3つ、出どころを追いかけてみました。

「AIパイロットの95%が収益に結びついていない」。出どころはMITのNANDAというプロジェクトが2025年7月に出したレポートです。ただし原文が言っているのは「95%の組織がリターンを得ていない」であって、パイロットの95%が失敗したという意味ではありません。しかも対象はエンタープライズ向けのカスタムAIシステムに限られていて、同じレポートは汎用ツールについては「80%超が探索または試験導入済み、40%近くが本格導入」と書いています。ファイル名はv0.1で、本文には予備的な知見であること、MITの公式見解ではないことが明記されています。現在このPDFはMITの公式URLからは配布されていません。

「生成AIプロジェクトの30%以上が2025年末までに中止される」。ガートナーが2024年7月に出したプレスリリースが出どころです。これは実測ではなく予測で、原文は「中止されるだろう」という未来形（“will be abandoned”）で書かれています。「30%が中止された」という完了形での引用は原文と違います。サンプル数も調査期間も示されていません。

「変革施策の70%が失敗する」。この数字については、それを検証した査読論文があります。Hughes, M. (2011). “Do 70 per cent of all organizational change initiatives really fail?”. Journal of Change Management, 11(4), pp.451-464. 著者は70%説の引用元5件をすべて追跡したうえで、こう結論しています。

whilst the existence of a popular narrative of 70 percent organizational change failure is acknowledged, there is no valid and reliable empirical evidence to support such a narrative.

訳すと、70%という語りが広く存在することは認めるが、それを支持する妥当かつ信頼できる実証的証拠は存在しない、となります。ちなみに、この数字の出どころとしてよく名前が挙がるジョン・コッターは、70%の失敗率を書いていません。コッターが1996年の著書で書いた70%は「成功した変革の70〜90%はリーダーシップによるもので、マネジメントによるものは10〜30%」という構成比であって、失敗率ではありません。論文の書誌はブライトン大学のリポジトリで確認できます。

焦らせる数字を見たら、一次資料に辿れるかを確かめる。辿れないなら、自社の判断材料には使わない。この習慣だけで、社内会議に持ち込む資料の質がかなり変わります。

半年後に効いてくるのは、記録と実物です

ここまでの話をまとめます。

日本企業はDXに取り組んでいて、予算もあり、経営も止めていません。それでも成果が出ない理由は、個人の工夫が仕組みに入らず、やった人に何も返らないからです。評価基準を持っていない企業が75.7%あり、生成AIが部署の業務プロセスに入っているのは13.1%にとどまります。評価されず、仕組みにもならない。この状態のなかで担当者が改善に時間を使わないのは、合理的な判断です。

それでも半年後に効いてくるものが2つあります。優先順位の判断待ちであることを書き残した記録と、自分の裁量で作って動かし続けた実物です。どちらも今日から始められて、どちらも誰の承認も要りません。

そして、その実物のひとつとして分かりやすいのが、調査や情報収集の自動化だと思っています。市場調査も競合調査も社内向けの下調べも、たいてい自分の担当業務のなかで完結していて、他部署の作業を変える必要がありません。私たちが開発しているSnorbeは、そこを丸ごと引き受けるリサーチAIです。クエリの書き方を覚えなくても、普段の日本語のまま「この業界のAI導入率を国別に整理して」と投げれば、Web検索に加えて特許データベースや学術文献のような専門ソースまで自律的に選んで調べに行きます。しかも完全記憶型のナレッジグラフに調査の履歴が蓄積されるので、使い続けるほど自分の業務領域に詳しくなっていきます。全社展開の交渉が動かないあいだに、自分の手元だけで回せるループを持っておく。半年後、その差はかなり大きくなっているはずです。

関連する話として、AIに投じたコストに対して何が返っているかを測る考え方はReturn on Tokenの記事に、効率化によって何が失われうるかはAI議事録で失われる考える機会の記事に書きました。あわせて読んでいただけると、この記事で扱った構造がもう少し立体的に見えると思います。

よくある質問

Q1. 日本企業のDX取組率は本当に米国より高いのですか

IPA「DX動向2025」の図表1-1（p.2）では、何らかの形でDXに取り組んでいる企業の割合が日本77.8%、米国76.8%、ドイツ68.1%でした。調査は2025年2月上旬から3月下旬に実施され、日本1,535社、米国509社、ドイツ537社が対象です。ただしこれは「着手しているかどうか」の割合で、成果が出ている割合は日本57.8%、米国87.0%、ドイツ81.7%と大きく開きます（同調査の図表1-7、p.7）。着手率と成果率を分けて見ることが大事です。

Q2. 「DX推進担当の兼務率」のデータはどこにありますか

IPAの調査には、個人単位で専任か兼務かを聞いた集計データが存在しません。「DX動向2025」全72ページに「兼務」「専任」という語が一度も出てこず、「DX動向2024」も同様です。代わりに使えるのは組織単位のデータで、DX専門部署かプロジェクトチームがある企業は日本の従業員1,001人以上で83.0%、100人以下で20.7%（同調査の図表1-11、p.11）。米国とドイツはどの規模でも85%以上です。「兼務率は何%」という形の数字を見かけたら、出どころを確認したほうがいいと思います。

Q3. 経営層を説得するには、どんな資料を出せばいいですか

説得のための資料を作る前に、判断が保留されているのか、すでに下りているのかを見分けてください。目安は、同じ論点を3回出したときに返ってくる反応が変わるかどうかです。質問が返ってくるなら保留、毎回同じ反応なら判断済みと考えられます。保留の段階なら、投下できた実績工数、進んでいない項目とその理由、何がどれだけあればいつまでに何ができるか、の3点を淡々と書いた進捗報告が効きます。「判断待ちの状態です」と書き切ることがポイントで、責めずに記録を残すのが目的です。

Q4. AIツールを使っていることを社内で言わないほうがいいのでしょうか

2025年に PNAS に掲載された研究（Reif, Larrick & Soll）は、事前登録された4件の実験（合計4,439人）で、AIツールを使った人が他者から能力と意欲の両方を低く評価されることを示しました。しかも本人はそれを予期していて、その予期は当たっています。この評価は採用候補者の選定にも影響しました。つまり黙っている人が多いのは、実は状況を正しく読んだ結果です。ただし黙ったままだと、その工夫は組織の仕組みになりません。開示のリスクを下げる方法として、道具の話ではなく成果物の話として共有する、あるいはチーム内など評価者から離れた場所から始める、といった順序が現実的だと思います。

Q5. 業務効率化の効果はどれくらい見込めますか

顧客サポート担当者5,172人を対象にした研究では、生成AIアシスタントの導入で1時間あたりの解決件数が平均15%上がりました（Brynjolfsson, Li & Raymond, QJE 140(2), 2025）。ただし効果は均一ではなく、経験の浅い層で大きく、最も経験豊富な層では速度の改善がわずかで品質はやや低下しています。コンサルタント758人のフィールド実験でも、AIの能力範囲内の業務では完了数12.2%増、25.1%高速、品質40%以上向上でしたが、能力範囲外の業務では正答率が19ポイント下がりました（Dell’Acqua et al., Organization Science 37(2), 2026）。効く場面と効かない場面を見分けることが前提になります。

Q6. 「AIプロジェクトの95%が失敗する」という話は本当ですか

出どころはMITのNANDAプロジェクトが2025年7月に公開したレポートですが、原文が言っているのは「95%の組織がリターンを得ていない」であって「パイロットの95%が失敗した」ではありません。対象もエンタープライズ向けのカスタムAIシステムに限定されていて、同じレポートは汎用ツールについては80%超が探索または試験導入済みと書いています。ファイル名はv0.1で、本文に予備的な知見であることとMITの公式見解ではないことが明記されており、現在このPDFはMITの公式URLから配布されていません。似た形の数字として「変革施策の70%が失敗する」がありますが、こちらは査読論文（Hughes, Journal of Change Management 11(4), 2011）が引用元5件をすべて追跡したうえで、支持する実証的証拠は存在しないと結論しています。

Q7. 中小企業でもAI活用は進められますか

IPA「DX動向2025」の図表2-10（p.39）によると、日本の従業員100人以下の企業では生成AIについて「関心はあるがまだ特に予定はない」38.2%と「今後も取組む予定はない」41.0%で、合計79.2%が様子見以下です。一方で従業員1,001人以上の企業は「導入している」が50.0%で、これは米国31.2%、ドイツ25.5%を上回ります。同じ国のなかでまったく状況が違うので、比較対象は業種と従業員規模の両方を揃えて選んでください。なお100人以下のDX取組率は日本46.8%、ドイツ44.5%で、日本のほうがわずかに高くなっています。「日本の中小企業が最下位」というわけではありません。

Q8. 全社展開をあきらめて自分の裁量で作る場合、何から始めればいいですか

次の4つを全部満たす業務を1つだけ選ぶのが確実です。自分ひとりで完結すること、月に3回以上やっていること、手順が言葉で書けること、失敗しても実害が小さいこと。この条件だと、調査や情報収集、資料の下書き、議事録の整理あたりが最初の候補になります。承認フローや基幹システムに触るものは最初に選ばないほうが無難です。作ったものは手順をファイルに書き出して再利用できる形にしておくと、後で全社展開の話が来たときに実物として使えます。