McKinseyのAI成長論が問う組織設計──人間の安定を残したまま協働を組み替える
シリーズ: 知新察来
◆今回のピックアップ記事：David Schiff et al., "Growth favors the bold: AI as the new force multiplier" (McKinsey & Company, 2026年8月6日）
概要：AIを個別業務の効率化にとどめず、商業意思決定の流れを再設計し、成長機会の発見・実行・拡張を継続するための経営論。
企業にAIを導入する議論では、どの仕事を自動化できるかが問われる。McKinseyの成長論は、その問いを「商業上の判断をどう作り直すか」へ移す。市場の兆候を見つけ、判断し、顧客に働きかけ、その反応から学ぶ。AIによってこの循環を短くし、絶えず回せるようにすることが、成長の力になるという。
この主張は、AIを既存の組織へ足すのではなく、仕事の設計そのものを変えよと促す。しかし、仕事の流れを組み替えるなら、組織の協働の仕組みもまた変化の対象となるだろう。では、組織は自分自身の組み方をどこまで学習し、変更してよいのか。AIの可変性が高まるほど、人間にも同じ速度の適応を求めるべきなのか。
本稿は、まずMcKinsey記事の成長論をたどり、その後に組織の自己再設計という問いへ進む。そこで見えてくるのは、変化の速度を最大化することではない。異なる速度を持つ技術と人間を、どう一つの組織に共存させるかという設計問題である。
普及と価値のあいだにあるもの
記事は、AIが広く使われていることと、企業業績への効果が報告されることとの隔たりから出発する。2026年のMcKinsey調査として、企業の約9割が少なくとも一つの機能でAIを定常利用している一方、EBITへの何らかの影響を認識する回答者は37％と紹介される。ここで明らかにされるのは、導入と価値創出が同じではないという事実である。
ただし、この数値をAIの因果効果の測定と取り違えてはならない。調査回答は企業の認識を示すが、AIだけが業績を変えたと確定するものではない。McKinsey自身の記事も、企業事例、既存調査、実務経験に基づく主張を組み合わせている。したがって記事の強みは厳密な因果推定というより、AI投資をどの経営課題へ結びつけるかを明確にした点にある。
その課題は、AIを「既存の仕事を安く速く行う道具」としてのみ扱わないことだ。記事は効率性と有効性を区別する。効率性は同じ活動に必要な時間や費用を減らす。有効性は、従来は見つけられなかった顧客、採算が合わなかった市場、試すコストが高かった提案に取り組めるようにする。約8割の企業が効率改善をAI利用の目的に挙げる一方、高い価値を得る企業は成長やイノベーションも追求すると紹介される。
ここに「force multiplier」という表現の意味がある。単位時間あたりの仕事量を増やすだけではない。探索、実験、個別化、再利用の費用を下げ、企業が試せる選択肢を増やす。AIは経営の代わりに成長を生み出すのではなく、経営が選んだ方向へ、より多くの行動と学習を接続する。
七つの神話が批判する既存組織
記事は、成長を妨げる七つの神話を列挙する。第一に、市場平均を上回る成長目標を置けば十分だという考え。第二に、AIは主として生産性ツールだという考え。第三に、既存プロセスにAIを重ねれば成長するという考え。第四に、変革はCTOが主導すべきだという考え。さらに、AIの全社展開は技術のロールアウトにすぎない、損益効果には長い時間がかかる、完全なデータ基盤が整うまで始められない、という見方が続く。
これらは別々の誤解に見えるが、共通の前提を持つ。すなわち、組織の基本構造や仕事の流れを維持したまま、AIだけを追加すれば成果が現れるという期待である。営業担当者に文章生成ツールを配る。マーケティング部門に分析ツールを導入する。しかし、どの顧客を優先し、どの価格を提示し、誰が例外を承認し、結果をどう次の行動に反映するかが変わらなければ、組織は旧来の手順をより速く繰り返すだけかもしれない。記事はこれを「activity without architecture」と呼ぶ。
だからAI変革を、技術部門のプロジェクトとして閉じることはできない。営業・マーケティングの判断には、顧客の定義、KPI、価格戦略、リスク許容度、現場の裁量が含まれる。事業側と技術側が共に新しい判断経路を設計する必要がある。記事では、AI投資に対して変更管理へさらに大きな投資が必要になるという経験則も紹介される。これは普遍的な予算比率を示す実証値ではないが、技術の導入費だけで変革を測れないというメッセージをよく表している。
記事はさらに、先行指標は数週間、実質的な経済価値は3〜6か月で現れる場合があること、約8割の企業はデータレイク構築や全社アーキテクチャの再構築を待たず「十分なデータ」で始められることを、実務経験に基づいて述べる。これらは普遍的な期限や保証ではなく、価値の高い業務を絞り、早く学び始めるべきだという提案である。
同様に、記事が「大胆な成長目標」によって想定価値の約3倍を解放できるとする主張も、目標の高さだけが成長を引き起こすという因果法則ではない。参照されるのは経営者調査であり、目標、資源配分、組織行動が結びついた企業の傾向である。数字は経営者に野心を促す修辞として強いが、因果の証明としては慎重に読むべきだ。
商業意思決定を連続した循環にする
McKinseyが提案する成長エンジンは、三つの動きから成る。第一は成長機会の継続的な探索である。従来の戦略策定は、定期的に集計された市場データを分析する。AIを使えば、顧客行動、地域市場、価格感応度などを細かく追い、需要が生まれる兆候をより頻繁に捉えられる。発見は年次の計画サイクルから、日常的な能力へ移る。
第二は、商業上の意思決定を仕事の流れに組み込むことだ。記事の産業資材販売会社の例では、建築許可、プロジェクトの動き、顧客履歴、商品情報などを組み合わせ、需要が生じそうな顧客と次の営業行動を提案する。McKinsey記事は、追加粗利益を3億〜4億ドルと推計する。Reckittの例では、価格・販促のシミュレーションや店頭での営業活動にAIを組み込み、担当者が実際の市場データを使って判断を学ぶ過程も整えたと説明される。
これらの事例で重要なのは、AIが人間を単純に置き換えるという説明ではない。顧客の兆候を検出し、選択肢を提示し、次の行動を助ける仕組みを、営業や価格決定の現場へ接続している。記事は、個別タスクの自動化ではなく、意思決定の順序と役割を再設計することに力点を置く。
第三は、機能する仕組みを別の製品、チャネル、地域へ展開することである。顧客傾向モデル、価格ロジック、提案生成、実験環境などを再利用できれば、拡張のたびに人員と複雑さを増やさずに済む。一方、すべてを中央で標準化すれば地域差を無視する危険がある。記事が示すのは、基礎となるデータやモデル、ガバナンスを共通化しながら、実験や顧客接点での適応は現場に残す考え方だ。
この構想では、探索、判断、実行、学習が短い循環としてつながる。AIの価値は、個人の生産性だけでなく、組織が試せる行動の量と、成功を繰り返し利用できる範囲に現れる。ここまでが記事の実務的な主張である。そして、この循環を真剣に受け取ると、もう一つの問いが生じる。学習するのは、個々のAIモデルだけなのか。それとも、誰が何を判断するかを定める組織の仕組み自体なのか。
学習する組織から、組織を学習する仕組みへ
AIが市場の兆候に反応して顧客への働きかけを変えるなら、その働きかけを誰が確認し、誰が承認し、どの例外を人間に戻すかも重要になる。つまり、業務フローを変えることは、情報の流れ、権限、責任、協働関係を変えることでもある。AIが組織へ入り込むほど、組織がどう組織されているかが成果の条件になる。
ここから導けるのは、組織が自分自身の調整方法を学習対象にするという仮説だ。市場や顧客について学ぶだけでなく、どの判断を現場に任せ、どの知識を共有し、どの時点で専門家を呼ぶと成果が上がるかを試す。従来の組織設計が「最適な組織図」を作る作業だとすれば、これからは何を固定し、何を可変にし、変更の結果をどう観測するかを設計する必要がある。
ただし、この見立てをMcKinsey記事が実証したかのように扱ってはならない。記事が直接論じているのは、主として商業的な成長エンジンとワークフロー再設計である。組織が協働の構造自体を継続的に学習するという展開は、そこから一段進めた本稿の推論である。資料の主張と、そこから導く仮説との境界を明示することが、議論の射程を保つ。
人間とAIには異なる時間尺度がある
組織の調整構造を可変化できるとしても、人間とAIを同種の部品として扱うことはできない。AIの案件振り分けやモデル設定は比較的短い周期で更新できる。人間の信頼、専門性、責任感、職業的な自己理解は、同じ頻度で切り替えられない。固定的な報告関係やチームには、認知負荷を抑え、誰に相談すればよいかを予測できるようにする機能もある。
したがって、「AIによって組織が流動的になる」ことから「働く人も常に流動的であるべきだ」と結論するのは飛躍である。むしろAI側の可変性を使い、組織全体が環境変化を吸収しながら、人間には役割・関係・責任の予測可能性を残す設計が考えられる。システムの柔軟性を、従業員の日常的な不安定さへそのまま転嫁しないことが重要になる。
ここには能力形成の問題もある。短期の判断精度だけを比べれば、AIが優位な業務を全てAIに割り振ることが合理的に見える。しかし新人が判断を試し、失敗から学ぶ機会を失えば、人間側の専門性は育ちにくい。数年後にAIと人間の差が広がったとしても、それは技術の進歩だけでなく、組織が人間の学習機会を配分しなかった結果かもしれない。今日の効率が明日の能力を削っていないかを測る指標が必要だ。
適応の速度を設計する
組織が自らを調整する能力を高めるなら、変更の速度を一律に上げるのではなく、層ごとに異なる周期を与えるべきである。AIの候補生成やルーティングは比較的速く試せる。業務フローの変更には、現場が結果を観察する時間が要る。チームの構成、報告関係、評価制度はさらに長期の効果を見なければならない。人材育成や信頼形成を短期間のA/Bテストだけで判断することはできない。
また実験には、戻せる仕組みが要る。変更が失敗した際に、誰が停止を決め、どこへ戻すのかを事前に定める。可逆性は失敗を軽く扱うためではなく、失敗を個人の責任へ押しつけずに、組織が学べるようにする条件である。変更を提案する権限と止める権限も、技術的な設定と同じくらい組織設計の一部になる。
さらに、学習システムが一つの指標を最適化しすぎれば、地域ごとの知識や少数の顧客の必要を「ノイズ」として消す可能性がある。売上や転換率の向上が、長期的な顧客関係や人材の成長を損なうこともある。何を成果と呼ぶかは価値判断であり、アルゴリズムだけに委ねられない。どの多様性を残し、どの権利を実験の外に置くかを決める責任は、経営と組織に残る。
組織が学習するための権限と測定
協働の仕組みそのものを変更可能にするなら、変更を提案する権限だけでなく、変更を止める権限も設計しなければならない。すべての判断に人間の承認を要求すれば、AIが縮めたはずの時間は再び承認待ちに費やされる。他方、変更の影響が人の評価や顧客の権利、法的責任に及ぶとき、効率だけを理由に自動化することもできない。日常的で影響が限定され、容易に戻せる調整と、長期的な不利益を生む可能性のある変更では、許容される自動化の範囲が異なる。
このため、ガバナンスを一つの承認ゲートとして置くのではなく、影響範囲、可逆性、権利への作用に応じて段階化することが考えられる。現場の異議や例外報告も、システムの外部ノイズとして片づけず、判断モデルの前提を問い直す情報として受け止める。速いシステムに必要なのは、停止の手続きを曖昧にしないことだ。停止できることは速度の敵ではない。失敗を個人に帰属させず、学習へ変えるための条件である。
同じく、組織の学習を何で測るかも難しい。成約率や処理時間が改善しても、顧客の継続、苦情、現場の負荷、人材の成長が損なわれることはありうる。では、測定項目を際限なく増やせばよいのか。それもまた、現場を測定のための仕事で埋める。重要なのは、指標を増やすことより、短期の代理指標と長期の結果を分け、各指標が何を捉え損ねるかを説明できることである。
標準化と地域適応の関係も、同じ問題を含む。共通モデルやデータは経験を比較し、再利用する基盤になる。しかし成功したやり方をそのまま各地域へ配布すれば、成功を生んだ条件を見誤る。標準化の役割は一つの答えを強制することではなく、異なる現場の経験を比べ、仮説を再検証できるようにすることだ。組織学習とは、勝ちパターンの複製ではなく、そのパターンがどんな条件で成り立つかを知る営みである。
システム側の流動性を人に背負わせない
組織の適応を支えるには、変化をどこで引き受けるかを選ばなければならない。AIが案件を振り分け、必要な知識や担当者を呼び出し、情報の経路を調整できるなら、従業員一人ひとりの職務や所属を頻繁に変えなくても、仕事の組み合わせは柔軟にできる。外から見えるチームや相談先をある程度安定させたまま、裏側の処理や資源配分を更新する設計である。
これは、人を変化から隔離するという意味ではない。どの変化が仕事の質を高め、どの変化が予測可能性を壊すのかを区別する。新しいツールを学ぶことと、毎週異なる責任者の下で働くことは同じではない。市場への応答を速めるために、働く人の役割や関係まで常に組み替える必要があるのか。技術が柔軟性を引き受ける余地を検討することは、人間を中心に置くための具体的な設計判断となる。
安定した報告関係は、単なる慣習や変化への抵抗ではない。誰が優先順位を決め、困ったとき誰に助けを求め、どこまで自分で決めてよいのかを毎回交渉しなくて済む。こうした予測可能性は認知負荷を下げ、長い時間をかけた信頼や協働を可能にする。その価値を守りながら、必要な情報と専門性だけを案件ごとに接続するなら、AIの可変性は人間の不安定化を避けつつ組織の適応を助けられる。
変わる力と、変えない力
McKinsey記事の実務的な価値は、AIを既存業務の上に積み上げるのではなく、商業上の判断を再設計する必要を示した点にある。その循環を組織全体へ広げて考えると、組織は仕事を実行するだけでなく、自分の協働の仕組みを観察し、調整するようになるかもしれない。だが、その適応能力は変更の頻度では測れない。
競争優位を決めるのは、環境に反応する速度と、学習に必要な安定を両立できるかどうかだろう。AIや業務の一部は速く変え、信頼、責任、能力形成に関わる仕組みは十分な時間軸で扱う。さらに、失敗を戻せるようにし、単一の指標が組織の多様性を消さないようにする。
AIが柔軟であるほど、人間も同じ速度で柔軟でなければならないとは限らない。AIが組織の可変性を引き受けることで、人間には予測可能な関係と成長の時間を残せる可能性がある。組織をどこまで実験可能にするのか。そして、何だけは効率の名のもとに実験対象へ差し出してはならないのか。その境界を定めることこそ、AI時代の組織設計の核心となる。適応の成果を測るときには、何を速くしたかだけでなく、誰が判断できるようになり、誰の経験が次の設計に反映されたかも問いたい。
ポイント整理
AI導入と価値創出の隔たり
AIを使う企業が多くても、業績への寄与は自動的には生まれない。
調査値と因果効果を区別し、効率だけでなく有効性を評価する。
業務の追加から意思決定の再設計へ
既存プロセスにAIを重ねるだけでは、判断・権限・実行の構造が残る。
市場の兆候、意思決定、顧客への行動、学習を一つの循環として設計する。
組織の調整構造も学習対象になる
誰が情報を受け取り、どの権限で判断し、例外をどこへ渡すかも成果を左右する。
組織が自分の協働の仕組みを学ぶという主張は、記事の直接的結論ではなく、本稿の推論である。
技術と人間に同じ可変性を求めない
AIの設定は短周期で更新できても、信頼・専門性・責任・成長には時間が必要だ。
効率化が人間の学習機会を奪っていないかを観察する。
適応の速度と境界を設計する
変更の層ごとに周期を分け、失敗時の停止・復旧経路を持つ。
多様性や権利を単一の成果指標の最適化から守る。
キーワード解説
【商業意思決定ループ】
市場や顧客の兆候を捉え、判断し、営業・価格・提案などの行動を取り、その結果から学ぶ循環を指す。McKinsey記事では、AIでこの循環を継続的かつ短い時間で回すことが成長の基盤として描かれる。
【ワークフロー再設計】
既存の作業の一部にAIを追加するのではなく、仕事の順序、役割、判断権限、例外処理を見直すこと。技術導入を業務変革へ結びつけるための組織的な設計である。
【可逆性】
試した変更が望ましくない結果を生んだとき、停止し、以前の状態へ戻せる性質をいう。実験を無制限にすることではなく、失敗から学べる範囲を明確にする。
【時間尺度】
仕組みが変化する速さの違いを表す。モデル設定や案件振り分け、業務フロー、チームや報告関係、人材育成では、適切な観察期間が異なる。