企業のAI投資は、本当に成果につながっているのでしょうか。
この問いに対して、かなり厳しい現実を示したのが、MIT NANDAプロジェクトのレポート「The GenAI Divide: State of AI in Business 2025」です。同レポートは、企業の生成AI投資が300〜400億ドル規模に達しているにもかかわらず、95％の組織が測定可能なリターンを得られていないと指摘しています。一方で、わずか5％の統合型AIパイロットは、数百万ドル規模の価値を生み出しているとされています。
この数字だけを見ると、「AIは期待外れだったのか」「AIバブルなのか」と感じるかもしれません。
しかし、重要なのはそこではありません。
MIT NANDAのレポートは、失敗の原因をAIモデルの性能不足や規制の問題ではなく、企業側の導入方法、業務統合、学習能力の不足にあると見ています。実際、レポートでは、汎用的なChatGPTやCopilotのようなツールは広く使われている一方、企業向けにカスタムされたAIシステムは本番展開まで進みにくく、日常業務とのズレや文脈学習の不足によって止まりやすいと説明されています。
つまり、AIが使えないのではありません。
問題は、AIを「業務成果につながる形」で組み込めていないことです。
この記事では、MIT NANDAの調査内容をもとに、なぜ企業のAI投資は失敗しやすいのか、成功している5％にはどんな共通点があるのか、そして企業がAI導入で本当に成果を出すには何を変えるべきかを解説します。
まず整理したいのは、「95％が失敗」という言葉の意味です。
これは、企業がAIをまったく使えていないという意味ではありません。むしろ、AIの利用自体はかなり広がっています。MIT NANDAのレポートでは、80％以上の組織がChatGPTやCopilotのような汎用LLMを検討または試験導入しており、約40％が導入済みと回答しています。問題は、それが個人の生産性向上にはつながっていても、企業のP/L、つまり売上・利益・コスト削減といった経営成果には十分結びついていない点です。
特に大きなギャップがあるのは、PoCから本番展開への移行です。
MIT NANDAは、企業向けのカスタムAIやベンダー提供のAIツールについて、60％の組織が評価したものの、20％しかパイロットに到達せず、実際に本番展開まで進んだのは5％にとどまると報告しています。失敗理由としては、脆いワークフロー、文脈学習の不足、日常業務とのミスマッチが挙げられています。
この調査で重要なのは、「AIを使っているかどうか」ではなく、「業務成果に変換できているかどうか」です。
たとえば、社員が個人でAIを使ってメールを早く書けるようになったとしても、それが組織全体の売上増加、コスト削減、顧客満足度向上、処理時間短縮として測定されなければ、経営上のAI投資としては成果が見えにくくなります。
つまり、95％失敗という言葉は、AIそのものの否定ではありません。
AI活用が個人レベルにとどまり、業務プロセスや経営指標に接続できていない企業が多いという警告です。
MIT NANDAのレポートが指摘する失敗要因の中心は、「Learning Gap」です。
これは、AIツールや組織が学習できていないという問題です。多くの企業向けAIツールは、一度使ってもフィードバックを記憶せず、業務文脈に適応せず、使うたびに人間が大量の前提条件を入力し直す必要があります。レポートでは、AIが高リスク業務や長期プロジェクトに弱い理由として、記憶、適応、学習能力の不足を挙げています。
これは、現場でAIを使うとすぐに感じる問題です。
最初の1週間は便利に見える。
しかし、毎回同じミスをする。
過去の修正を覚えない。
社内ルールや顧客ごとの違いを理解しない。
結局、人間が毎回説明し直す。
この状態では、AIは「少し便利な補助ツール」にはなっても、業務の中核には入りにくくなります。
さらに、企業のAI投資は、見えやすい領域に偏りがちです。MIT NANDAのレポートでは、AI予算の多くが営業・マーケティングなどのフロント業務に向かう一方、実際に大きなコスト削減が確認されやすいのはバックオフィス自動化であると整理されています。東洋経済の記事でも、AI投資のROIが高い領域として、管理職やバックオフィス業務の自動化が取り上げられています。
Forbes JAPANの記事でも、AI投資が成果につながらない背景として、技術そのものよりも、戦略・統合・実行面の問題が大きいことが扱われています。AIを導入するだけでは価値は生まれず、どの業務課題にどう結びつけるかが重要になります。
ここで押さえるべきことは、AI投資の失敗は「AIがまだ使えないから」ではないという点です。
多くの場合、AIは使えます。
しかし、企業がAIを成果に変える設計をできていないのです。
では、成功している5％の企業は何が違うのでしょうか。
MIT NANDAの結論部分では、GenAI Divideを越える組織の共通点として、内製にこだわりすぎず外部パートナーを活用すること、中央のAIラボだけでなく現場のラインマネージャーに権限を持たせること、深く統合され時間とともに適応するツールを選ぶことが挙げられています。
これは、かなり実務的な示唆です。
AI導入で失敗する企業は、しばしば「何のAIを使うか」「どのモデルを使うか」「自社専用AIを作るか」に意識が向きます。
一方、成功する企業は、「どの業務成果を改善するか」「誰が使うか」「どの工程に入れるか」「どう改善を測るか」から考えます。
成功している企業の共通点は、次のように整理できます。
特に重要なのは、「学習するAI」を選んでいる点です。
MIT NANDAのレポートでは、Agentic AIのように、持続的な記憶、相互作用からの学習、複雑なワークフローの自律的なオーケストレーションを持つシステムが、Learning Gapを埋める可能性があると説明されています。
つまり、成功するAI導入では、AIが単に回答を出すだけでは足りません。
過去の対応を覚える。
顧客ごとの違いを反映する。
社内ルールを理解する。
人間のフィードバックで改善する。
既存の業務システムと連携する。
このような条件がそろって初めて、AIは「便利なチャット」から「業務の一部」になります。
企業がAI投資で成果を出すには、最初に考えるべき問いを変える必要があります。
多くの企業は、こう考えがちです。
「どのAIツールを導入するか」
「自社専用AIを作るべきか」
「ChatGPTを全社導入するか」
「生成AI研修をすべきか」
これらも重要ですが、最初の問いとしては少し早いです。
本来、最初に考えるべきなのは、次の問いです。
「どの業務の、どの指標を、どれだけ改善したいのか」
たとえば、AI導入の目的が「業務効率化」では曖昧です。
より具体的には、以下のように定義する必要があります。
このように定義して初めて、AIが成果を出したかどうかを測定できます。
また、AI投資では「誰が主導するか」も重要です。
中央のDX部門やIT部門が全体方針を作ることは必要です。
しかし、現場業務を知らないままAIツールを選ぶと、実際には使われない仕組みになりがちです。
MIT NANDAのレポートでは、現場のラインマネージャーに権限を持たせることが、成功企業の特徴として挙げられています。これは、AI導入が技術プロジェクトではなく、業務プロセス変革であることを示しています。
AI導入の主役は、AI担当者だけではありません。
現場の管理職、業務担当者、IT部門、法務・セキュリティ、経営層が、それぞれの役割で関わる必要があります。
今後、AIツールはさらに増えます。
チャットAI、AIエージェント、議事録AI、営業AI、カスタマーサポートAI、契約書AI、データ分析AI、社内検索AIなど、選択肢はますます広がります。
しかし、ツールが増えるほど、企業側には選ぶ力が求められます。
重要なのは、最も有名なAIを選ぶことではありません。
自社の業務に深く合い、現場で使われ、成果指標に結びつくAIを選ぶことです。
MIT NANDAのレポートは、成功企業が「ソフトウェアのベンチマーク」ではなく「ビジネス成果」でAIを評価していると説明しています。さらに、静的なツールに投資するのではなく、業務に統合され、時間とともに改善するAIシステムを選ぶべきだと結論づけています。
AI導入で避けるべきなのは、「とりあえず全社で使わせる」ことです。
全社展開が悪いわけではありません。
ただし、何の業務をどう改善するかが決まっていない状態で全社導入しても、個人利用の便利さで止まりやすくなります。
これからの企業AI導入では、次の順番が現実的です。
まず、小さな業務で成果を出す。
次に、その業務フローを標準化する。
その後、関連業務へ広げる。
最後に、AIが学習し改善する仕組みを作る。
AI投資の成功は、AIモデルの優劣だけで決まりません。
成果を出す企業は、AIを「便利な道具」としてではなく、業務を変える仕組みとして設計しています。
MIT NANDAプロジェクトが示した「AI投資の95％が成果を出せていない」という結果は、AIそのものへの失望ではなく、企業の導入方法への警告です。
生成AIは、すでに多くの業務で役立っています。
しかし、個人が便利に使うことと、企業がP/Lに影響する成果を出すことは別です。
失敗している企業の多くは、AIを業務フローに統合できていません。
毎回文脈を入力し直し、フィードバックを学習せず、現場業務とズレたままPoCで止まっています。
一方、成功している5％の企業は、AIを導入する前に、改善すべき業務、成果指標、現場の使い方、人間の確認フローを明確にしています。さらに、内製にこだわりすぎず、外部パートナーを活用し、現場主導でAIを業務に深く組み込んでいます。
これから企業がAI投資で成果を出すには、「どのAIを入れるか」から考えるのではなく、「どの業務成果をAIで改善するか」から考える必要があります。
AI導入の成功は、ツール選びではなく、業務設計で決まります。
.png){kind=logo}
