BBCが紹介した8.4％という数字だけを見ると、日本の職場にはAIがほとんど入っていないように感じられます。
ところが、財務省が2026年1月に公表した特別調査では、回答企業1,103社のうち約75％がAIを活用していました。
調査資料に掲載されたAI活用企業831社を回答企業数で割ると75.3％になり、財務省の図表では小数第1位を四捨五入して75％と表示されています。
差が生まれる理由は、測定単位にあります。財務省は「企業」を単位にし、会社のどこかでAIを使っていれば活用企業に含めます。
一方、OECDが参照した労働政策研究・研修機構（JILPT）の調査は「従業員」を単位にし、本人が仕事でAIと関わっているかを尋ねました。
1万人の会社で100人だけが生成AIを利用していても、企業単位なら「活用済み」の1社、従業員単位なら利用率1％です。
したがって、日本企業のAI導入を評価するときは、契約や試験導入の有無だけでは足りません。
何人が使い、何種類の業務へ入り、社内データや既存システムとつながり、仕事の流れや成果を変えたのかまで分けて見る必要があります。
BBCの記事「Why Japanese firms are being so slow to use AI」は、日本が直面する人手不足、高齢化、低い生産性を背景に、AIが省力化や業務改善を支える可能性を示しています。
その一方で、2025年11月に公表されたOECD報告書を引用し、仕事でAIを使う日本の従業員は8.4％にとどまると紹介しました。
BBCが挙げた米国約50％、英国32％、シンガポール56％と比べると、日本の数字は際立って低く見えます。
ただし、BBC自身も米英の数値を「別の統計」と説明しています。
後ほど詳しく比較しますが、米国は「年に数回以上」、英国は「現在の仕事で利用」、シンガポールは「週に複数回以上」であり、8.4％と同じ設問から得た数字ではありません。
BBCは専門家や企業関係者への取材から、日本企業がAIの誤答や評判への悪影響を強く警戒し、顧客向けの業務や重要な判断へ組み込みにくい実態を描いています。
複数部署の合意を重視する社内手続きも、実験開始までの時間を長くする要因として挙げられました。
その結果、生成AIの利用はメールや文章の下書き、資料の要約、情報収集、会議記録といった、誤りが起きても人間が直しやすい作業へ偏ります。
日本企業がAIをまったく拒んでいるのではなく、失敗したときの影響が読みやすい範囲に利用を限定している、というのがBBC報道の中心的な見立てです。
慎重な企業文化だけでなく、デジタル人材の不足、紙や部門別ファイルに分散した情報、老朽化した基幹システムも障壁として取り上げられています。
AIが高性能でも、必要なデータを検索できず、業務システムへ安全に接続できなければ、文章を作るチャットの域を出ません。
なお「2025年には導入から21年以上たつ基幹系システムが約6割になる」という数字は、経済産業省が2018年のDXレポートで示した将来推計です。2
026年現在、実際に日本の全システムの6割が20年以上使われていると確認した最新実測値ではないため、両者を混同すべきではありません。
政府側も活用促進へ動いています。日本のAI法は2025年6月4日に公布・一部施行され、同年9月1日に全面施行されました。
規制で利用を一律に抑えるのではなく、イノベーションを促しながらリスクへ対応する枠組みです。
さらに人工知能基本計画は2026年7月14日に改定されており、BBCが描いた状況は、政府も開発・活用の遅れを政策課題として認識するなかで報じられたものです。
OECD「Artificial Intelligence and the Labour Market in Japan」によると、JILPTは2024年5月末から6月末に、日本の全業種で働く2万2,000人を調査しました。
国勢調査に基づいて人口・就業構成へ近づけるよう標本を割り当て、AIを「通常は人間の知能を必要とする作業を、コンピュータープログラムや機械に実行させるもの」と説明したうえで回答を求めています。
会社がAIを使っていると答えた人のうち、AIと一緒に働く、AIを使う人を管理する、AIを開発・保守する、AIに管理されるなど、何らかの接点がある人を「AI利用者」に分類しました。
その割合が8.4％で、生成AIに限ると6.4％です。
情報通信業では22.9％に達する一方、宿泊・飲食サービス業は4.1％、地域別では東京13.8％、島根2.5％と、業種や地域による差も大きくなっています。
以下の表は、BBCが記事内で並べた数字の調査条件を整理したものです。
日本の8.4％だけが古い、あるいは日本だけ対象が広いという単純な違いではなく、利用頻度の基準そのものが一致していません。
条件差の影響は小さくありません。米国の50％は年に数回しか使わない人を含みますが、週に複数回以上へ絞ると28％です。
英国でも、AI利用者の60％は仕事の「ごく一部」にしか使っていないと答えています。
これらは、日本の8.4％との差を否定する材料ではなく、「利用している」の中にも深さの差があることを示す材料です。
国別の4数値を順位表にはできない一方、OECDは製造業と金融・保険業について、質問をそろえた国際比較も行っています。
日本の調査は2024年、比較7か国は2022年と時期に差があるものの、金融・保険業のAI利用者は日本17.8％に対し米国53.5％、製造業は日本8.9％に対しアイルランド42.9％でした。
また、2024年末に7か国5,232社の中小企業を対象にしたOECD調査では、生成AIを使う企業の割合が日本23.5％、最も高いドイツ38.7％でした。
調査条件が完全に同一でない数字を無理に一本化する必要はありませんが、職場でAIを使う人や中小企業の裾野が相対的に狭いという傾向は、複数の調査で共通しています。
財務省「地域におけるAI活用を巡る現状」は、2025年12月上旬から2026年1月上旬に、各財務局が従来から継続的にヒアリングしている1,103社を調査したものです。
AIを活用する企業は831社で75.3％。
公表図表の丸め表示では全体75％、大企業89％、中堅企業66％、中小企業65％となり、約5年前の全体11％から大幅に増えました。
ただし、全国の企業から無作為抽出した統計ではありません。
地域経済情勢を把握するため、財務局が日頃から接点を持つ企業を対象にした特別調査であるため、日本企業全体の導入率が厳密に75.3％だと一般化するのは避けるべきです。
それでも、調査対象内でAIの利用が急拡大したことは明確に読み取れます。
財務省調査で最も多い用途は文章作成で86％、次いで情報検索・収集・調査が74％でした。
AIを活用する企業の91％が業務時間の削減を挙げた一方、売上増加は6％、新規商品などの開発は8％にとどまります。
導入効果がないわけではありませんが、社内共通の補助作業で時間を節約する段階が先行し、売上や新しい価値を生むところまでは広がっていない構図です。
2026年7月にIPAが公表した「DX動向2026」の速報も同じ傾向を示します。
国内企業1,799社への調査ではAI導入が広がり、多くの企業が効果を感じている一方、期待どおり以上の効果は限定的で、用途は業務効率化・迅速化が中心でした。
企業価値の創出への展開は依然として限られるとIPAは評価しています。
2026年7月29日から8月6日に日経リサーチが実施したロイター企業調査では、回答した219社のうち、AIを全社的な中核ツールとして組み込んだ企業は16％でした。
60％は一部部署や限定用途での利用にとどまり、導入を決めていない企業が18％、検討していない企業が6％です。
財務省の高い活用率と、OECDの低い従業員利用率の間を埋める結果といえます。
AI活用を「導入」「個人利用」「チーム定着」「業務統合」「AIエージェント化」に分けると、日本で数字が高いのは主に最初の段階です。
アカウントを用意し、一部社員が文章作成へ使うだけでも導入企業にはなれます。
しかし、誰もが週次で使い、複数工程をつなぎ、業務KPIが変わるまでには、ルール、データ、教育、権限設計が必要になります。
「企業のAI投資はなぜ95％が失敗するのか」でも解説したように、導入件数だけを成果として追うと、ツールは増えても業務の流れが変わりません。
75.3％と8.4％の差は、まさに導入後の設計不足を映しています。
生成AIは、もっともらしい誤情報を返す可能性があります。
顧客向け文書、金融判断、診療支援、契約審査、採用評価、製造条件の変更などでは、誤りの損失が大きいため、人間による確認を残す判断は合理的です。
問題は慎重さではなく、確認が必要な出力、承認者、保存するログ、問題発生時の停止方法が決まっていないことです。
失敗時の責任範囲が曖昧なままでは、現場は利用禁止か、会社に申告しないシャドーAIのどちらかへ流れやすくなります。
リスクの大きさに応じて利用範囲を分ける設計がないことが、活用を止める要因です。
企業向けAIは、情報システム、セキュリティ、法務、個人情報保護、現場、経営層など複数部署に関わります。
合意形成を省けばよいわけではありません。
顧客情報を入力してよいのか、学習に使われるのか、データはどこに保存されるのか、誰が出力を確認するのかが整理されていなければ、どの部署も承認できないからです。
逆に、対象作業、使用データ、権限、確認工程、効果指標を1枚にまとめれば、調整は速くなります。
「AIを全社導入する」という大きすぎる議題ではなく、「公開情報だけを使い、営業提案書の初稿を作り、担当者が全件確認する」といった検証可能な単位へ落とせるかが分岐点になります。
紙、メール、個人フォルダ、部門別のクラウド、古い基幹システムへ情報が散らばっていると、AIは仕事に必要な文脈を取得できません。
検索拡張生成（RAG）やAIエージェントを導入しても、文書が更新されず、アクセス権が整理されていなければ、古い回答や権限外の情報を出す危険が高まります。
IPAのDX動向2025は、日本企業のDX成果が業務効率化などの「内向き・部分最適」に偏り、米国やドイツに比べて顧客や市場への価値提供につながる取り組みが弱いと指摘しました。
2026年調査でもAIの用途が効率化中心だったことを踏まえると、AIだけを追加するのではなく、データの所在、業務の入口と出口、例外処理まで整理する必要があります。
OECDが引用したIPAの2023年データでは、日本企業がAI導入の課題として挙げた最多項目は「AI関連人材の不足」62.4％でした。
「社内でAIが十分理解されていない」が47.0％、「導入効果を実現できるか不安」が41.9％で続きます。
ここで求められているのは、モデルを開発する研究者だけではありません。
現場の仕事を理解し、AIへ渡せる作業と人間が残す判断を切り分け、出力品質を評価し、現場へ定着させられる人材です。
2026年のIPA調査でも、「現場の知見と基礎的AI知識を持ち、自社へのAI導入を推進できる従業員」の不足感は高いままでした。
なお「2030年にIT人材が約79万人不足する」という数字は、経済産業省が2019年に公表した需給調査の高位シナリオです。
中位シナリオは約45万人で、需要の伸びや生産性上昇率によって推計は変わります。
79万人を現在の確定した不足数や最新予測として扱うのは正確ではありません。
財務省調査では、AIの活用用途が多い企業ほど、コスト削減、品質向上、必要人員の減少、新規商品開発、売上増加を実感する割合が高い傾向にありました。
因果関係までは断定できませんが、一つの文章作成ツールとして置くより、複数の業務へ組み込んだ企業のほうが幅広い成果を認識していることは示唆的です。
導入効果を判断するには、ライセンス数ではなく、対象従業員の週次利用率、AIで完了した作業数、作業時間、修正率、人間の確認時間、AIを組み込んだ業務の割合、品質や顧客満足度への影響を測る必要があります。
評価基準がなければ、成功しても拡大の根拠を示せず、失敗してもツール選定と業務設計のどちらに問題があったのか分かりません。
ここからは、各調査を接続した著者の分析です。
75％前後という企業活用率を見る限り、AIツールへアクセスできない会社ばかりとはいえません。
日本で弱いのは、使える社員の裾野、利用する業務の幅、社内データとの接続、複数工程をAIへ任せる業務設計です。
ChatGPT、Gemini、Copilotなどのライセンスを配布しても、利用は詳しい社員に偏ります。
職種ごとに、対象作業、入力可能なデータ、期待する出力形式、確認者、誤りが起きたときの停止点、評価指標を決めなければ、現場は何に使えばよいか判断できません。
たとえば営業部門なら、商談記録の要約、CRM入力、次回提案の論点整理までを一つの流れにし、それぞれで人間の確認が必要かを決めます。
経理なら、証憑の読み取り、勘定科目候補、異常値の抽出までをつなぎ、最終承認は担当者が行う設計にします。
職種ごとの考え方は、「生成AIの社内活用を職種別に設計する方法」でも詳しく整理しています。
医療、金融、法務、採用、顧客対応などでAIを無条件に自律化しない判断には合理性があります。
一方、議事録、公開情報の整理、社内検索、下書き、分類など、失敗しても戻せる作業まで一律に止める必要はありません。
全面導入か全面禁止かの二択ではなく、損失の大きさとやり直しやすさで業務を分けるべきです。
低リスク業務は人間の事後確認、高リスク業務は実行前承認、重大な判断はAIを助言役に限定する、といった段階設計なら、慎重さを維持しながら経験を蓄積できます。
文章作成や要約は、一つの作業を速くする利用です。
AIエージェントは、情報を調べ、複数の資料を比較し、システムへ入力し、次の担当者へ連絡するといった複数工程を進めます。
海外企業が業務フロー全体を変える一方、日本企業がチャット画面の利用だけにとどまれば、導入率が同程度でも成果の差は大きくなります。
ただし、AIエージェントは閲覧・編集・送信などの権限を持つため、誤操作の影響も大きくなります。
最小権限、操作ログ、実行前の人間承認、対象データの制限、停止手段を先に設けなければなりません。
「ChatGPT WorkとClaude Coworkの違い」では、非エンジニアが業務エージェントを選ぶ際の違いと注意点を比較しています。
現実的な進め方は、全社AIエージェントを最初から構築することではありません。
次の5段階なら、失敗の影響を抑えながら、導入後に止まりにくい仕組みを作れます。
中小企業では、対象業務を広げすぎると担当者の負担が先に増えます。
「中小企業が最初に自動化する業務の選び方」を参考に、頻度、標準化しやすさ、失敗時の損失から候補を絞るとよいでしょう。
ツール選びを含む初期手順は「AI導入は何から始めるべきか」でも解説しています。
BBCの「日本企業のAI活用は遅い」という問題提起には根拠があります。OECDの比較可能な範囲では、日本の金融・保険業と製造業の従業員利用率が調査国のなかで低く、中小企業の生成AI利用でも日本は7か国中最低でした。
一方、日本8.4％、米国50％、英国32％、シンガポール56％をそのまま国別順位として扱うことはできません。調査機関、対象、時期に加え、「年に数回」と「週に複数回」が同じ表へ入っているからです。数字の差は存在しても、その幅を一つの尺度で精密に測った比較ではありません。
財務省調査の75.3％と従業員利用率8.4％も矛盾しません。前者は調査対象企業のどこかでAIを使っている割合、後者は本人が仕事でAIと関わる従業員の割合です。ロイター調査で全社的な中核ツールとしてAIを組み込んだ企業が16％にとどまったことを合わせると、日本の現在地は「未導入」よりも「一部の人と一部の作業に閉じた導入」と表現するほうが正確です。
求められるのは、慎重さを捨てることではありません。失敗しても戻せる作業から始め、データ、権限、確認者、停止点を決め、時間短縮と修正率を測る。そのうえで成果が出た業務だけを広げる仕組みです。AIを導入した会社の数ではなく、AIによって仕事の進め方が変わったかが、次の競争力を分けます。
.png){kind=logo}
