生成AIを導入しても変われていない日本企業──PwC 6カ国調査が明らかにする課題の構造
- Seo Seungchul
- 5 日前
- 読了時間: 15分
シリーズ: 論文渉猟
◆今回のレポート：三善心平、他, "生成AIに関する実態調査2026 春 6カ国比較" (PwC, 2026年6月10日）
概要： 日本を含む6カ国の大企業管理職（売上高500億円以上・課長職以上・生成AI導入関与者）を対象とした生成AI活用実態調査。日本企業の導入率87%に対し、期待を大きく上回る効果創出は9%で6カ国最低、成果の従業員・顧客への還元も40%にとどまることを明らかにし、AI Readiness・Evaluation・Activationの3サイクルによる変革を提言。
AIは科学的発見をしたのか？
この問いに答えようとすると、まず「発見」という言葉の意味が揺れる。新しい分子を設計した、新しい材料候補を見つけた、新しい仮説を生成した。これらは発見だろうか。それとも、既存の探索空間の中で、まだ試されていなかった組み合わせを見つけただけだろうか。
MITのFiona Y. WangとMarkus J. Buehlerが2026年5月に発表したプレプリントは、この問いに構造的な回答を与えようとしている。
PwC調査から見えてくる風景
2026年春時点で、日本企業における生成AIの活用・推進度は87%に達している。前年から11ポイント上昇し、未着手・断念は4%まで下がった。6カ国比較でも、米国90%、英国89%、中国91%、ドイツ89%、韓国93%と大きな差はない。導入・推進という観点だけなら、日本はすでに国際水準に近い。
問題はその先にある。期待を大きく上回る効果を創出している企業の割合は、日本が9%で6カ国中最低だ。米国は38%、英国は32%で、日本との差はかなり大きい。逆に、期待未満と回答した割合は日本が19%で高い。さらに注目すべきは、効果をまだ評価できていないとする割合が日本は13%に上ることである。米国はこれが0%だ。使っているが効いているのかどうか測ってもいない状態では、改善の循環がそもそも回らない。
時間軸にも差がある。生成AI施策の実施から1年以内に効果が出ると見込む割合は、米国が66%に対し日本は41%。日本企業は効果創出までの期間を保守的に見積もる傾向があり、これが学習と改善の速度を遅らせている可能性がある。
もうひとつの大きな遅れが成果還元だ。生成AIで生まれた効果を従業員への利益還元や顧客への価格還元につなげている割合は、日本が40%で6カ国最低である。米国75%、英国74%との差は大きく、還元していないと答えた割合も日本が19%で最も高い。
この調査の対象は、売上高500億円以上、課長職以上で、生成AI導入に何らかの関与がある人々である。日本企業の全体像ではなく、大企業のAI推進の前線を映している。その前線でこれだけの数字が出ている。
PwCはこの状況に対して、三つの循環を処方箋として提示している。AI Readiness（業務プロセスの可視化、AI対応データの整備、ガバナンスの構築）、Evaluation（導入前から価値・品質・リスクの判断軸を設計し、実装後に評価・改善を回すこと）、Activation（成果を従業員や顧客に還元し、次の活用意欲と信頼をつくること）。この三つをビジョン起点のユースケース選定と結びつけて循環させることが、効果創出と成果還元を駆動する鍵だという整理だ。
大企業の実装論としては妥当な処方箋だ。だが、ここでひとつ立ち止まる必要がある。
処方箋の既視感
データ基盤を整えよ。業務プロセスを可視化せよ。ガバナンスを構築せよ。効果を測定せよ。現場を巻き込め。成果を還元せよ。
どこかで聞いた語彙ではないか。DXの時にも、ほぼ同じことが言われていた。ツール導入では足りない。経営戦略と結びつけるべきだ。PoCで終わらせてはならない。データが重要だ。人材育成が必要だ。生成AIをめぐる現在の議論は、その多くがこの反復に見える。
ここで読み替えが要る。PwC調査が見せているのは、「日本企業の生成AI活用が遅れている」という話ではない。むしろ、DXで未解決だった組織の変革能力の不足が、生成AIという新しい技術によってふたたび露呈している、という構図だ。技術は変わった。しかし、企業が技術を使って自分自身を組み替える力は、あまり変わっていない。
ただし、ここで「DXの焼き直しだ」と片づけると、もう一段深い問題を見落とす。
知的労働の委任という断層
DXは主に、情報、業務プロセス、顧客接点のデジタル化だった。人間がやっていることを、デジタルの力でより速く、より広くやるための基盤を作る話だったと言ってよい。
生成AI、とくにAIエージェントは、そこから一歩踏み込む。調べる、書く、分類する、要約する、比較する、企画案を出す、コードを書く、顧客に応答する、業務を監視する、改善案を出す。こうした知的作業の実行そのものにAIが入り込む。
ここで問いの位相が変わる。「この業務をデジタル化するか」ではなく、「この業務を誰がやるのか」が問題になる。人間とAIのあいだにどう線を引くのか。その線を誰が引くのか。AIが判断を誤ったとき、責任はどこに戻るのか。
これは、DX一般とは質的に異なる問題の層である。Acemogluらが2024年以降のAI労働論で繰り返し指摘してきたのは、まさにこの委任可能性の条件がタスクごと、職種ごと、産業ごとにまるで異なるという事実だ。すべての知的労働が等しくAIに委任できるわけではなく、委任の境界をどこに設定するかが組織設計の核心になる。
業務を委任するには、その業務が何であるかを分解し、何を任せてよく何を任せてはならないかを判別し、委任した結果を評価する基準を持たなければならない。多くの企業が生成AIを使っていながら「何も変わっていない」と感じるとすれば、それは委任の前提条件が整わないまま、ツールだけが配られた状態にあることを意味している可能性が高い。
処方箋が機能する条件
PwCの三つのサイクルは間違っていない。だが、それが機能するには条件がある。
三つのサイクルは基本的にhow（どうやって）の議論だ。AI Readinessはどう準備するか。
Evaluationはどう評価するか。Activationはどう還元するか。いずれも、実装を前に進めるための能力である。
しかし、その前にwhat（何を）が要る。AIによって自社は何の価値を作り替えるのか。どの顧客体験を別物にするのか。どの業務を効率化するのではなく消すのか。どの知的労働を自社の競争優位として蓄積するのか。自社はAI時代に何者として残るのか。
ここを飛ばしてhowから始めると、AI導入は変革ではなく、旧組織の高速化になる。議事録作成が速くなる。資料作成が速くなる。社内検索が便利になる。PoCが増える。ガイドラインが整う。だが、会社の提供価値そのものは変わらない。むしろ、AIで作れるものが増えた結果、資料、会議、確認、レビューが増殖する可能性すらある。
「AI活用を経営ビジョンと結びつけよ」とは、コンサルティングレポートの定番文句になりつつあるが、この助言には前提の問題がある。多くの企業には経営理念やパーパスや中期計画はある。しかしそれらが、何をやるか、何をやめるか、どの顧客価値を伸ばすか、人間をどこに残すかを決める操作可能な基準になっているとは限らない。多くの企業が持っているのは理念であって、判断に使える価値創造の仮説ではない。
生成AIは、この欠落を補ってはくれない。むしろ露呈させる。AIは「どうやるか」を加速する。しかし「何のためにやるか」は企業自身が決めなければならない。whatが曖昧な企業ほど、AIによってhowだけが増殖する。アイデアは増える。資料は増える。PoCは増える。しかし選択は進まない。
ただし、本稿の見立てでは、whatとhowを単純な順序関係と見ることにも問題がある。現実には、howの実験を通じてwhatが見えてくることもある。小さく試して、結果を見て、自社の価値仮説を更新する。そういう回路がある企業は、howから入っても前に進める。問題はhowから始めること自体ではなく、howの実験をwhatの再定義に戻す回路がないことだ。その回路がなければ、AI Readinessをどれだけ整えても、旧組織を少し速く回す準備でしかない。
迂回する側の論理
whatを持たない企業が旧組織の高速化に陥る一方で、AIネイティブなプレイヤーは何をしているか。
既存企業は「この業務にAIをどう使うか」と考える。営業提案書をAIで速く作る。契約レビューをAIで効率化する。問い合わせ対応をAIチャットで代替する。発想の起点が既存の業務にある。これは自然な出発点だが、射程が限られている。
AIネイティブ側は、問いの立て方が違う。「この業務をどう速くするか」ではなく、「この業務はそもそも必要か」から入る。
営業で言えば、既存企業は提案書作成をAIで効率化する。AIネイティブは、顧客が提案書を読まなくても意思決定できる購買体験を組もうとする。顧客の条件、制約、過去の行動データを組み合わせて最適な選択肢を自動で提示し、比較や稟議もその導線に乗せる。提案書という中間成果物そのものを迂回する。
カスタマーサポートでは、既存企業が問い合わせ対応をAIで効率化するのに対し、AIネイティブは問い合わせが発生する前に異常を検知し、顧客が困る手前で解決する仕組みを作る。対応の速度ではなく、問い合わせ件数そのものを減らしにかかる。
法務では、契約レビューの高速化ではなく、契約条件の標準化とモジュール化に向かう。交渉余地をルール化し、リスクに応じて条件を動的に提示することで、人手のレビューが必要なケースの数自体を減らす。
どの事例にも共通するのは、AIネイティブ側が既存業務を改善するのではなく、その業務が存在する前提を崩しにかかっていることだ。改善と迂回では、競争の構造がまるで違う。既存企業が提案書を速く作っている間に、提案書を必要としない購買体験が別の場所で組み上がっていく。
これらの中間業務の多くは、もともと知的処理のコストが高かった時代に、人間の判断を補助するために作られたものだ。情報の収集と整理と伝達に人手がかかることを前提として成立していた業務形態であり、その前提が崩れつつある以上、業務そのものの存続理由が問い直される局面にある。
ただし、迂回が万能なわけではない。ソフトウェアやコンテンツのように知的作業の比率が高く、物理資本や規制対応が比較的軽い領域では、小チームによる迂回が効きやすい。一方、金融、保険、医療、製造、インフラのように信頼、法的責任、規制、現実世界のオペレーションが重い領域では、大企業が長年蓄積してきた顧客接点、業務履歴、ブランド、規制対応力が引き続き力を持つ。大企業がAI時代に強くなる条件は人を多く抱えていることではなく、その蓄積を学習の循環に変換できるかどうかにかかっている。
学習ループの設計と所有
ここで視点を企業組織そのものの再編に移す。
AnthropicでClaude Codeを率いるボリス・チャーニー（Boris Cherny）は2026年6月に、「もうプロンプトは自分で書いていない、ループがAIにプロンプトを出して次にやることを判断する、自分の仕事はそのループを書くことだ」（"I don't prompt Claude anymore. I have loops running that prompt Claude and figuring out what to do. My job is to write loops."）と語っている。
これは個人のコーディング術にとどまる話ではない。仕事の単位がタスクからループに移るということは、人間の役割が個別の実行から、目的、評価基準、停止条件、例外処理、改善サイクルの設計へと移行することを意味する。
マイクロソフトのサティア・ナデラ（Satya Nadella）が同月に公開したエッセイ「エコシステムなきフロンティアは安定しない」（"A frontier without an ecosystem is not stable"）も、この変化を企業・産業レベルで捉えている。ナデラの議論の核にあるのは、最先端モデルの保有だけでは安定した競争優位にならないという認識だ。重要なのは、モデルを取り巻く自社固有のエコシステム、すなわち業務データ、顧客接点、判断の記録、評価の基準、改善の履歴が蓄積され、使うほど学習が深まる仕組みである。
チャーニーとナデラの論点を重ね合わせると、ひとつの命題が浮かぶ。AI時代の企業の競争力は、組織図や社員数ではなく、どの学習ループを設計し、所有しているかで決まる。
学習ループとは何か。顧客接点や業務の現場からデータが生まれ、AIと人間が判断し、実行し、結果を観察し、成功と失敗を評価し、その評価を次の業務設計や判断基準に戻す。この循環である。所有するとは、単にデータを保管することではなく、顧客データ、業務ログ、判断履歴、評価基準、改善の記録、権限設計を自社側に蓄積・制御し続けられることを指す。
外部のAIサービスやパートナーを使っていても、ループの制御と蓄積が自社側にあれば、それは自社の競争力になる。逆に、社員を多く抱えていても、判断、データ、評価、改善の記録を外部プラットフォームに吸われているなら、その企業は内側から空洞化していく。企業の境界は、雇用関係や組織図ではなく、どのループを誰が所有しているかで引き直される局面に入りつつある。
ループ化の危うさ
ここで楽観論にしない注意が要る。
学習ループは速く回るほど強力だが、それ自体が善ではない。何をフィードバックの対象にするのか、誰が評価基準を決めるのか、どの時間軸で学習するのか。ここを誤ると、ループは速い分だけ被害も大きくなる。
まず、短期的に測定しやすい指標への過剰適応が起こりうる。AIは測定可能なものに最適化しやすい。その結果、応答速度、処理件数、コスト削減率のような定量指標が優先され、信頼、創造性、従業員の成長、顧客との長期的な関係のように時間をかけて育つものが犠牲になる。
次に、評価基準そのものが中立でないという問題がある。何を良い成果と見なすかには、株主、経営者、従業員、顧客のどの立場を優先するかが組み込まれている。AIの評価基準は、企業の利害の構造を静かに反映する。
さらに、AIによって社員の行動、成果物、応答、判断過程が細かく測定可能になると、それは改善のためのデータに見えて、実態としては監視になりうる。表面上はフラットで自律的な組織に見えても、内部ではアルゴリズムが細かく管理している構造が生まれる可能性がある。
若手の育成経路の変化も無視できない。調べる、書く、失敗する、上司に修正される。こうした下積みの作業をAIが引き受けるようになると、人間が「なぜそう判断するか」を身体で覚える機会が減る。AIが最初から整った出力を提示する環境では、判断力を養うための試行錯誤の場が縮小する。業務の効率化だけでなく、人間が判断力を獲得するための訓練環境の再設計が求められる。
加えて、AIで生まれた余剰を誰が受け取るかという問いがある。株主還元に向かうのか、経営者報酬に向かうのか、従業員の賃金や時間や裁量に還元されるのか、顧客価格に反映されるのか。ここが設計されていなければ、AIは現場にとって自律性を広げる道具ではなく、仕事を減らすふりをして管理を強める道具に映る。PwCのActivation（成果還元）を単なる浸透施策として読むのではなく、この余剰配分の設計問題として捉え直す必要がある。
本稿の見立てでは、AIネイティブな組織かどうかというラベルはさほど重要ではない。問うべきは、AIによって人間の判断力と自律性が拡張されているのか、それとも管理が精密化しているのか、である。ループは速く回すことに意味があるのではない。何を回すか、何を測り何を測らないか、どの余白を人間に残すか。その設計思想こそが、AI時代の組織を分ける。
問いの在り処
PwC調査に戻る。
この調査が見せているのは、日本企業が生成AIを使っていないという問題ではない。むしろ、使い始めたにもかかわらず、それを自社の価値創造の再定義に結びつけられていないという問題だ。
AI Readiness、Evaluation、Activationは必要な能力である。だが、それらは「何を変えるか」が定まっている場合に初めて力を持つ。whatが曖昧なままhowから入ると、準備そのものが目的化し、旧組織の高速化に終わる。その間に、AIネイティブなプレイヤーは既存業務そのものを迂回していく。
生成AI時代の競争力は、AI利用率では決まらない。自社固有の学習ループを設計し、所有し、そこから生まれた余剰を顧客と人間の価値に還元できるかで決まる。
生成AIは企業に問いを突きつけている。AIをどう使うか、ではない。あなたの会社は、何をする会社なのか。
ポイント整理
PwC調査の核心は導入率ではなく効果と還元の落差にある
日本企業の導入率87%は6カ国とほぼ同水準だが、「期待を大きく上回る」効果創出は9%で最低
効果未評価13%（米国0%）、成果還元40%（米国75%）が改善循環の不在を裏づける
生成AI論はDXの再放送に見えるが、質的な断層がある
処方箋の語彙はDX時代とほぼ同じ。技術は変わったが企業の変革能力は変わっていない
ただし生成AIは知的労働の実行と委任に入り込む点でDXより深い組織設計の問題を含む
多くの企業には操作可能な価値創造仮説がない
経営理念やパーパスはあるが、AI活用の判断基準として機能していない
whatが曖昧なままhowを進めると、旧組織の処理量が増えるだけで提供価値は変わらない
howの実験をwhatの再定義に戻す回路があるかが分岐点
AIネイティブ企業は既存業務を改善するのではなく迂回する
問いの立て方の差：「この業務をどう速くするか」vs「この業務はそもそも必要か」
知的処理コストが高かった時代の名残としての中間業務が不要化される局面にある
ただし迂回が効く領域と、蓄積が効く領域がある
企業の競争力は学習ループの設計と所有で決まる
Boris Cherny：仕事の単位がタスクからループへ移行する
Satya Nadella：エコシステムなきフロンティアは安定しない
企業境界は雇用や組織図ではなく、ループの所有で引き直される
ループ化は善ではなく、設計思想が問われる
短期KPI最適化、監視強化、若手育成の空洞化、誤学習の高速化のリスク
AIで生まれた余剰の帰属先が設計されていなければ、AIは管理強化の道具になる
問うべきはAIネイティブかどうかではなく、人間の自律性が拡張されているかどうか
キーワード解説
【AI Readiness】
AIを業務や事業で実際に使えるようにするための備え。業務プロセスの可視化、AIが扱えるデータの整備、サンドボックス環境、ガバナンス体制の構築などを含む。PwCはこれを個別案件ごとの場当たり的準備ではなく、次のユースケースにも使い回せる共通資産として整えることを重視している。
【ループエンジニアリング（Loop Engineering）】
2026年6月にAnthropicのBoris Cherny、OpenAIのPeter Steinberger、GoogleのAddy Osmaniらの発言・投稿をきっかけに名前がついた概念。AIエージェントに都度プロンプトを打つのではなく、エージェントが継続的に観察・判断・実行・改善するループを設計し、人間はそのループの目的・評価基準・停止条件・例外処理を定める側に回る、という考え方。
【動的ケイパビリティ（Dynamic Capabilities）】
Teeceらが提唱した経営学の概念。環境変化に応じて自社の資源・能力・業務を組み替える力を指す。本稿の文脈では、生成AI活用の巧拙を分けるのはAIの利用能力そのものではなく、AIを使って組織能力を再構成するこの動的ケイパビリティであると言える。
【AIエージェント】
対話型の生成AIが個別のタスクを補助するのに対し、AIエージェントは複数のアプリケーションやシステムを横断して業務を自律的に実行する。長時間の調査・開発タスクを担い、常時稼働するものも現れている。PwCの調査が示すように、2025〜2026年にかけてこのエージェント型への移行が進みつつある。