「ほぼすべての企業が生成AIに投資しているにもかかわらず、自社の取り組みが成熟段階にあると考える経営層は1%にすぎない」──McKinseyが2025年に公表したレポート「Superagency in the workplace」が描き出したこの断層は、多くの経営企画・事業責任者の実感と重なるのではないでしょうか。ツールは配布した。研修も実施した。一部の社員は目覚ましく使いこなしている。それでも、組織全体の生産性や品質は変わらない。
この停滞の根本原因は、「個人のAI活用」と「組織のAIネイティブ化」を同じものとして扱ってきたことにあります。前者はツールの配布と研修で進みますが、後者は業務プロセス・ナレッジ・品質管理を作り替える組織設計の仕事であり、前者の延長線上にはありません。本レポートでは、内外の主要調査を手がかりに両者の違いを構造的に整理したうえで、品質を人の頑張りではなく仕組みで担保する「Quality by System」という設計思想と、そこへ至る4段階の移行モデルを提示します。
1. 個人の活用は経営の想定より進み、組織の成果には結びついていない
最初に押さえるべきは、個人レベルの活用がすでに相当進んでいるという事実です。前出のMcKinseyの調査では、「日常業務の3割以上で生成AIを使う社員」の割合について、経営層の見積もりは4%でしたが、社員の自己申告は13%──実態は経営の想定の3倍以上でした。また、MITの研究チームが2025年に公表した「The GenAI Divide」は、従業員の9割超が個人契約の生成AIツールを業務に持ち込む「シャドーAI」の広がりを指摘する一方、企業としてのAI導入施策の大半は損益上のリターンに結びついていないと報告しています（数値の測定方法には議論もありますが、「個人が先行し、組織が停滞する」という構図は他の調査とも整合的です）。同報告が失敗の主因として挙げたのは、モデルの性能不足ではなく、ツールが業務フローに統合されず、組織として学習が蓄積しない「学習ギャップ」でした。
つまり課題は「AIが使われていないこと」ではありません。個人には使われているのに、それが組織の能力に変換されていないことです。この変換を阻む構造要因は、次の3つに整理できます。
構造要因1：プロンプトと手順の属人化
成果を出している社員の使い方は本人の試行錯誤の産物であり、多くの場合どこにも記録されていません。異動や退職とともに消え、隣のチームは同じ試行錯誤をゼロから繰り返します。
構造要因2：品質基準の不在
とりわけ注意すべきは、AIの誤りが「見えにくい」ことです。ハーバード・ビジネススクールとBCGが758名のコンサルタントを対象に実施したフィールド実験（2023年公表、のちに査読誌に掲載）では、AIの能力範囲内のタスクでは完了数が12.2%、作業速度が25.1%向上した一方、能力範囲外のタスクでは正答率が約19ポイント悪化し、しかも誤った回答ほど文章としてはもっともらしく見えることが示されました。「何をもって合格とするか」が言語化されていない組織では、生成量が増えるほどレビューは形骸化し、品質は運任せになります。
構造要因3：学習ループの断絶
うまくいったプロンプト、失敗のパターン、修正の観点といった業務の中の気づきが、次の業務に還流する経路がありません。個人は学習しても、組織は学習しない状態です。
これらはいずれもツールの性能や社員のリテラシーの問題ではなく、組織設計の問題です。だからこそ、追加の研修やツールの入れ替えだけでは解決しません。
2. 分水嶺は「配る」か「作り替える」か
では、成果を出している組織は何が違うのでしょうか。BCGは年次調査「AI at Work」で、企業のAI活用をDeploy（ツールを配備して個人の生産性を高める）、Reshape（業務プロセスを端から端まで作り替える）、Invent（AI前提の新事業・新サービスを生み出す）の3つの打ち手に区分し、価値の大半はDeployではなくReshape以降で生まれると分析しています。Reshape・Inventまで進んだ組織はいまだ少数派ですが、ツール配布にとどまる組織よりも大きな価値と良好な従業員体験を実現しているというのが同調査の一貫した知見です。
この分析は他の調査とも符合します。McKinseyのグローバル調査「The State of AI」（2025年）では、生成AIを利用する組織のうちワークフローを再設計済みの組織は21%にとどまる一方、このワークフロー再設計こそが損益インパクトを説明する最大の要因だと報告されました。さらにBCGが19市場のCレベル経営者1,803名を調査した「AI Radar」（2025年）は、AIから価値を引き出している企業の資源配分を「10-20-70」──アルゴリズムに10%、データとテクノロジーに20%、人・プロセス・文化の変革に70%──と特徴づけています。
結論は明確です。AIネイティブ化とは技術導入プロジェクトではなく、組織設計プロジェクトなのです。
3. Quality by System ── 品質を仕組みで担保する3つの設計
従来、多くの組織は品質を「優秀な人の頑張り」と「事後の全数チェック」で守ってきました。これをQuality by Effortと呼ぶなら、AI時代にこのモデルは持続しません。AIによってアウトプットの生成量が飛躍的に増えると、人のレビュー能力のほうが先に限界を迎えるからです。しかも前章で見たとおり、AIの誤りはもっともらしい形で紛れ込みます。検査で品質を守ろうとする限り、生産性の向上はレビューの滞留として跳ね返り、スピードと品質のトレードオフから抜け出せません。
必要なのは発想の反転です。品質を成果物の後段で検査するのではなく、業務プロセスそのものに設計として埋め込む──これがQuality by Systemの考え方です。設計要素は3つあります。
設計要素1：標準化 ── 業務をAIが実行できる粒度まで分解する
「調査して資料をつくる」といった粗い単位ではなく、情報収集・構造化・ドラフト・検証といった工程に分解し、各工程の入力・出力・手順を定義します。標準化された工程はプロンプトやワークフローとして資産化でき、誰が実行しても一定の品質を再現します。
設計要素2：ナレッジ ── 暗黙知を構造化し、AIの文脈に接続する
過去の成果物、判断の根拠、ドメイン固有の前提を、AIが参照できる形式に構造化します。この重要性は利用データからも裏づけられます。Anthropicが2025年9月に公表した「Economic Index」によれば、企業のAPI経由の利用は約77%が業務プロセスをAIに委ねる「自動化」型で、個人利用（約5割）と対照的でした。同時に、複雑なタスクほど長い入力コンテキストを要し、社内情報へのアクセスが高度な活用の制約になると指摘されています。つまりAIへの「委任」の前提条件は、構造化されたナレッジです。溜めることではなく、業務の実行時に自動的に参照されることが設計の眼目であり、使われないナレッジベースは仕組みではなく倉庫です。
設計要素3：レビュー設計 ── 人の判断を最も価値の高い一点に集中する
すべてを人が見るのではなく、AIによる一次レビュー（基準への適合、整合性、抜け漏れの確認）を挟んだうえで、人は事業判断や顧客文脈の解釈といった、人にしか下せない判断に集中します。どの工程で、誰が、何を基準に判断するかを事前に設計することが、レビューを形骸化から守ります。
| 観点 | Quality by Effort（従来型） | Quality by System（AIネイティブ型） |
|---|---|---|
| 品質の源泉 | 個人のスキルと経験 | 標準化された工程とナレッジ |
| ばらつき | 担当者に依存 | 仕組みで均質化 |
| レビュー | 事後の全数チェック | 設計された判断ポイントへの集中 |
| ナレッジ | 個人の頭の中 | 構造化され、実行時に参照される |
| 改善 | 個人の学習頼み | 学習ループとして組織に蓄積 |
4. AIネイティブ化への4段階モデル
組織のAIネイティブ化は一足飛びには進みません。私たちは移行の過程を、BCGの3つの打ち手とも対応づけながら、次の4段階で捉えています。
| 段階 | 状態 | 品質の担保 | 対応する打ち手 |
|---|---|---|---|
| Stage 1：個人活用 | 一部の社員が個々に活用（シャドーAIを含む） | 個人の力量 | Deploy（配布・研修） |
| Stage 2：チーム標準化 | プロンプト・手順・型をチームで共有 | 共有された型 | Deployの深化 |
| Stage 3：仕組み化 | 1つの業務で工程・ナレッジ・レビューが接続 | プロセス設計 | Reshape（業務再設計） |
| Stage 4：AIネイティブ | 業務プロセス自体がAI前提で再設計され、学習ループが自走 | 自走する学習ループ | Reshapeの横展開〜Invent |
現在地の分布を示唆するのが、Microsoftが31カ国31,000人の労働者を対象に実施した「Work Trend Index 2025」です。リーダーの82%が「今年は戦略とオペレーションを再考する分岐点」と答え、81%が12〜18カ月以内にAIエージェントを自社戦略へ組み込む意向を示す一方、AIを全社レベルで展開できている組織は24%にとどまりました。意欲と実態の間には大きな開きがあります。他方で、同調査が「Frontier Firm」と呼ぶ先行組織では「会社が繁栄している」と答える社員が71%と、グローバル平均の39%を大きく上回っており、移行を先行させた組織が従業員体験の面でも優位に立つことが示唆されています。
移行の最大の壁は、Stage 2からStage 3の間にあります。ここから先はツール導入や研修の延長線上にはなく、業務プロセスの再設計、品質基準の言語化、レビュー体制の再構築という組織設計そのものの仕事になるからです。自社の現在地を診断する問いはシンプルです。「エース社員が明日抜けても、同じ品質のアウトプットを出し続けられるか」。答えが否であれば、品質はまだ仕組みではなく個人に宿っています。逆に、Stage 3の仕組みを1つの業務でつくり切れば、その型は隣接業務へ横展開でき、ネイティブ化は加速度的に進みます。
5. 移行を成功させる3つの実践原則
原則1：広く浅くではなく、1つの業務を端から端まで
全社一斉の展開は、どの業務も中途半端な標準化で終わりがちです。まず対象業務を1つ選び、入力から最終成果物まで、工程の分解・ナレッジ接続・レビュー設計を通しでつくり切ることを推奨します。1本の「完成した型」こそが、横展開の設計図になります。
原則2：レビュー設計から着手する
標準化やナレッジ整備から始めると、「何が良いアウトプットか」が曖昧なまま仕組みだけが積み上がります。順序は逆です。品質基準を先に言語化し、判断ポイントを設計してから、そこへ向けて工程とナレッジを組み立てます。
原則3：学習ループを業務の中に埋め込む
振り返りを別立てのイベントにせず、業務の完了時に、プロンプトの改善点や失敗パターンが資産へ還流する経路をワークフローの一部として組み込みます。改善が日常業務の副産物として自然に蓄積される状態をつくれれば、仕組みは自ら進化し続けます。
タレントテールの視点
私たちタレントテールは、コンサルティングファームとして自らの業務をこの思想で再設計してきました。調査・分析・資料作成といった工程を標準化し、ナレッジをAIの文脈に接続し、人の判断を最も価値の高い一点に集中させる──Quality by Systemを自社で日々実践しているからこそ、Stage 2からStage 3への移行の難所を、実務の解像度で語ることができます。
クライアント支援でも同じ型を用います。まず1つの業務に深く入り込んで共に手を動かし、標準化・ナレッジ・レビューの仕組みを1本つくり切り、そこから隣接業務へ横展開していく進め方です。戦略の構想から、AI導入と社内浸透、それを担う組織体制の設計まで──AIネイティブな業務の型が組織に根づき、自走し始めるまで伴走することが、私たちの支援の流儀です。
参考情報
- Superagency in the workplace: Empowering people to unlock AI's full potential at work（McKinsey & Company、2025）— https://www.mckinsey.com/capabilities/tech-and-ai/our-insights/superagency-in-the-workplace-empowering-people-to-unlock-ais-full-potential-at-work
- 2025 Work Trend Index Annual Report: The Year the Frontier Firm Is Born（Microsoft、2025）— https://www.microsoft.com/en-us/worklab/work-trend-index/2025-the-year-the-frontier-firm-is-born
- AI at Work 2025: Momentum Builds, but Gaps Remain（Boston Consulting Group、2025）— https://www.bcg.com/publications/2025/ai-at-work-momentum-builds-but-gaps-remain
- Anthropic Economic Index: September 2025 Report（Anthropic、2025）— https://www.anthropic.com/research/anthropic-economic-index-september-2025-report
- Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality（Dell'Acqua et al.、Harvard Business School × BCG、2023年公表・Organization Science 2026年掲載）— https://pubsonline.informs.org/doi/10.1287/orsc.2025.21838
- The State of AI: How organizations are rewiring to capture value（McKinsey & Company、2025）— https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai