生成AIをめぐる経営の問いは、この2年で明確に変わりました。「導入すべきか」ではなく、「なぜ成果につながらないのか」です。McKinseyが2025年11月に公表したグローバルサーベイ「The state of AI in 2025: Agents, innovation, and transformation」では、AIを利用する組織は88%に達した一方、EBIT（利払い・税引き前利益）への測定可能な効果を報告した組織は約4割にとどまり、その多くは効果がEBITの5%未満だったと報告されています。MITのProject NANDAが2025年8月に公表した調査「The GenAI Divide」はさらに踏み込み、企業の生成AI投資300億〜400億ドルに対し、組織の95%は損益上のリターンを得られていないと指摘しました。Gartnerも2024年7月の時点で、生成AIプロジェクトの少なくとも30%が2025年末までにPoC（概念実証）の後に中止されると予測しています。
導入は進んだのに、成果が出ない。私たちはこの乖離を、個人のリテラシーや現場の意欲の問題ではなく、組織設計の構造問題として読み解くべきだと考えています。本稿では、公開調査を手がかりにPoC止まりの構造要因を3つに整理し、資源配分の原則と、定着に至る4段階モデルを提示します。
導入率と成果の乖離は、複数の独立した調査で一貫している
まず事実関係を確認します。調査主体も手法も異なる複数の調査が、驚くほど似た構図を示しています。
| 調査 | 主な発見 |
|---|---|
| McKinsey「The state of AI in 2025: Agents, innovation, and transformation」（2025年11月） | AI利用組織は88%に達したが、EBITへの測定可能な効果を報告した組織は約4割、その多くは効果5%未満。効果5%超の「高パフォーマー」は約6% |
| MIT Project NANDA「The GenAI Divide」（2025年） | 80%の企業が生成AIを試行済みだが、カスタムツールの本番到達は5%。組織の95%は損益上のリターンがゼロ |
| BCG「AI Radar 2025」（2025年、経営幹部1,803名調査） | 75%がAIを経営の優先課題トップ3に挙げる一方、AI施策から意味ある価値を得ていると答えたのは25%のみ |
| Gartner予測（2024年7月） | 生成AIプロジェクトの少なくとも30%が2025年末までにPoC後に中止される。主因はデータ品質・リスク管理の不備・コスト増大・ビジネス価値の不明確さ |
なお、MITの「95%」という数値には、成功の定義が狭い・サンプルに偏りがあるといった方法論上の批判も公表直後から併存しており、精緻な統計値というより方向性を示す数字として読むべきです。しかし、独立した複数の調査が同じ乖離を示している事実は重く受け止めるべきです。問題は特定の調査の精度ではなく、「導入」と「成果」の間に構造的な断絶が存在することそのものです。
PoCの成功条件と、定着の成功条件は別物である
見落とされがちなのは、失敗しているのがPoCそのものではないという点です。PoCの多くは技術的には成功しています。要約の精度は十分で、ドラフト作成は速く、デモを見た役員は手応えを感じる。それでも定着しないのは、PoCが検証しているものと定着に必要なものが別物だからです。PoCが答えるのは「AIはこのタスクをこなせるか」という技術の問いであり、定着が求めるのは「組織はこの業務のやり方を変えられるか」という組織の問いです。
MIT調査がこの断絶の正体として挙げたのが「学習ギャップ（learning gap）」です。失敗の主因はモデルの品質ではなく、ツールが業務の文脈を記憶せず、フィードバックから学習せず、ワークフローに統合されないこと──つまり記憶とフィードバックループの欠如にあると同調査は分析しています。個々の出力がどれほど優秀でも、使うたびに文脈をゼロから与え直す道具は、業務には組み込まれません。
同調査には、示唆的な発見がさらに2つあります。
- シャドーAIの遍在: 従業員の90%以上が、会社の公式ツールとは別に個人契約のLLMを業務に使っている。個人は既に適応を終えており、適応できていないのは組織の側である
- 「買う」と「作る」の成功率格差: 外部の専門ベンダーとの提携による導入は約67%が本番到達に至る一方、内製の到達率は約33%と、その半分程度にとどまる（原典が注記する通り自己申告ベースの数値であり、交絡要因は未調整）。ボトルネックはモデル構築力ではなく、業務への統合設計とその経験値にある
定着を阻む3つの構造要因
PoC止まりに終わる企業のつまずきは、次の3つに集約できます。
構造要因① 業務プロセスに統合されていない。 McKinseyの2025年3月版調査「The State of AI: How organizations are rewiring to capture value」で最も示唆的なのは、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なのは21%にとどまり、かつワークフローの再設計こそがEBITインパクトの最大の説明要因だった、という分析です。裏返せば約8割の企業は、既存の業務フローをそのままに、汎用ツールを業務の「隣に置いて」いる。使うかどうかは個人の裁量に委ねられ、忙しい現場ほど慣れたやり方に戻ります。問うべきは「なぜ使わないのか」ではなく、「使わなくても業務が回る設計になっていないか」です。
構造要因② データと権限が未整備である。 Gartnerが中止予測の理由として挙げた要因の一つが「データ品質の低さ」でした。社内のデータと文脈にアクセスできない生成AIは一般論しか返せません。ナレッジが個人のPCや部署のサイロに散在し、権限設計がないため「とりあえず全面禁止」で運用される。現場は「うちの業務には使えない」と結論づけますが、実際に不足しているのはAIの能力ではなく、AIに渡す情報と権限の設計です。
構造要因③ 運用体制が存在しない。 導入プロジェクトが「展開して終わり」になっているケースです。プロンプトやワークフローを改善する担い手がなく、現場のつまずきを拾う窓口がなく、活用度と業務成果を結ぶ指標がない。基盤となるモデルは数か月単位で更新されるのに、社内の使い方は導入時点のまま凍結されます。生成AIは一度作れば動き続けるシステムではなく、育て続ける業務基盤である──この認識の欠如が根底にあります。
| 構造要因 | 典型的な症状 | 経営が問うべきこと |
|---|---|---|
| ① 業務プロセス非統合 | 利用が個人裁量に任され、時間とともに減衰する | どの業務の、どの工程を作り替えたのか |
| ② データ・権限の未整備 | 出力が一般論にとどまり「使えない」と評価される | AIが参照できる社内データと権限の設計はあるか |
| ③ 運用体制の欠如 | 導入直後がピークで、改善が止まる | 運用のオーナーと改善サイクルは誰が担うのか |
資源配分の原則 ──「10-20-70」
3つの構造要因は、いずれも投資配分の歪みと表裏の関係にあります。BCGは「AI Radar 2025」で、AIから価値を生み出している企業の資源配分を「10-20-70」と要約しています。アルゴリズムに10%、データと技術基盤に20%、そして人・プロセス・文化の変革に70%。多くの企業の実際の配分はこれとほぼ逆で、投資の大半がツールとモデルの選定に向かい、業務と組織の側は「展開後の現場努力」に委ねられています。
配分すべき「量」だけでなく「場所」にも見直しの余地があります。MIT調査は、生成AI予算の過半が営業・マーケティングなど目立ちやすい領域に配分される一方、実際のROIはバックオフィス業務の自動化の方が高いことを指摘しました。華やかなユースケースへの偏重が、成果の出る領域への投資を細らせている可能性があります。
定着への4段階モデル
私たちは、生成AIの定着までの道のりを4段階で捉えています。重要なのは、各段階の間にある壁の性質がそれぞれ異なることです。
| 段階 | 組織の状態 | 次の段階を阻む壁 |
|---|---|---|
| 第1段階: 探索 | 有志が個人業務で試す（シャドーAIを含む） | ノウハウが属人化し、組織知にならない |
| 第2段階: 実証 | 特定業務でPoCを実施し、技術的有効性を確認 | 技術検証で完結し、業務の再設計に踏み込まない |
| 第3段階: 組込 | 標準業務フロー・権限・データ設計に組み込む | 例外処理・ガバナンス・現場の移行負荷の設計 |
| 第4段階: 進化 | 運用体制が改善を回し、隣接業務へ展開する | オーナーと指標を欠くと改善が止まる |
各種調査が示す通り、大半の企業は第2段階で停滞しています。注意すべきは、第2段階から第3段階への移行が「同じ取り組みの規模拡大」ではなく「質の異なる挑戦」だという点です。第2段階までを支配するのは技術の論理ですが、第3段階からは組織の論理──業務プロセス・権限・体制を作り替える組織設計の力──が成否を決めます。10-20-70の「70」への投資は、まさにこの移行のためにあります。自社が今どの段階にいて、次の段階への断絶がどこにあるのか。この見立てこそが、生成AI投資の意思決定の出発点になります。
タレントテールの視点
私たちは生成AI導入を、IT施策ではなく、戦略・業務・組織を横断する経営課題として捉えています。本稿で見た通り、PoCから定着への移行で問われるのは、より優れたモデルではなく、業務の再設計・データと権限の整備・運用体制の構築という組織設計の総合力です。タレントテールは「構想から実装、定着まで」を一気通貫で支援し、対象業務の選定と工程の再設計から、権限・データ基盤の整備、運用を担う体制の構築までを、現場と共に手を動かしながら進めます。まず1つの業務領域に深く入り込み、そこで確立した型を仕組みとして標準化し、隣接領域へ広げていく。属人的な活用ではなく、組織として再現可能な定着を、短期間で実現するアプローチです。生成AIがPoC止まりになっていると感じたら、「どの業務を作り替えるか」という問いから、共に議論を始められれば幸いです。
参考情報
- The GenAI Divide: State of AI in Business 2025（MIT Project NANDA、2025年）— https://www.aigl.blog/state-of-ai-in-business-2025/ ／ 原典レポートPDF: https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf
- The state of AI in 2025: Agents, innovation, and transformation（McKinsey & Company、2025年11月）— https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai ※AI利用88%・EBIT効果報告約4割・高パフォーマー約6%の出典
- The State of AI: How organizations are rewiring to capture value（McKinsey & Company、2025年3月）— https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai ※ワークフロー再設計21%・EBIT最大説明要因の出典
- BCG AI Radar 2025: From Potential to Profit — Closing the AI Impact Gap（Boston Consulting Group、2025年）— https://www.prnewswire.com/news-releases/one-third-of-companies-plan-to-spend-more-than-25-million-on-ai-in-2025-amid-widespread-optimism-for-autonomous-agents-302351306.html
- Gartner Predicts 30% of Generative AI Projects Will Be Abandoned After Proof of Concept By End of 2025（Gartner、2024年）— https://www.gartner.com/en/newsroom/press-releases/2024-07-29-gartner-predicts-30-percent-of-generative-ai-projects-will-be-abandoned-after-proof-of-concept-by-end-of-2025
- That Viral MIT Study Claiming 95% of AI Pilots Fail? Don't Believe the Hype.（Marketing AI Institute、2025年）— https://www.marketingaiinstitute.com/blog/mit-study-ai-pilots