生成AIの導入は臨界点を越えました。スタンフォード大学HAIの「AI Index Report 2025」によれば、AIを利用する組織の割合は2023年の55%から2024年には78%へ急伸し、生成AIを少なくとも1つの業務機能で使う組織は33%から71%へ倍増しました。GPT-3.5級モデルの推論コストは約2年（2022年11月〜2024年10月）で280分の1に下がり、「仮説をつくるコスト」はかつてなく安くなっています。ところが成果側の数字は対照的です。MITのProject NANDAが2025年に公表した調査「The GenAI Divide」は、企業の生成AIパイロットの95%が損益に測定可能なリターンをもたらしていないと報告しました。この数字の定義や測定範囲には方法論上の批判も併存するため幅をもって読む必要がありますが、「導入は進んだのに成果に結びつかない」という乖離の指摘自体は複数の調査で繰り返されています。作業は速くなったのに、事業は速く立ち上がらない──新規事業開発は、この乖離が最も先鋭に現れる領域です。本稿では、市場調査→仮説構築→検証→事業計画という工程のどこでAIが効き、どこで人の判断が不可欠なのかを実証研究に基づいて見極め、役割分担の設計論として提示します。
乖離の原因はモデルの性能ではなく、工程の設計にある
前出のMIT調査が失敗の主因として挙げたのは、モデルの品質ではなく「学習ギャップ」──ツールが業務のワークフローに統合されず、組織として学習が蓄積されないことでした。新規事業開発に引きつけると、構造要因は3つに整理できます。
- 工程の直列性。市場調査が終わってから仮説を立て、仮説が固まってから検証に進む。各工程内の作業がいくら速くなっても、工程間の承認待ちがボトルネックとして残ります。
- 検証コストの非対称性。生成AIは仮説の生成コストを劇的に下げましたが、検証のやり方が従来のままでは、未検証の仮説だけが積み上がります。律速要因は「仮説の量」から「検証の速度」へ移りました。
- 部分最適の罠。資料作成や議事録といった周辺作業だけをAIに置き換え、「どの工程を残し、どの工程を作り替えるか」という工程設計そのものを見直していない。
したがって問うべきは「AIで何ができるか」ではなく、「AIの得意・不得意を前提に、工程と役割分担をどう組み替えるか」です。その出発点となる実証研究があります。
ジャグドフロンティア ── 効き目は大きく、境界は直感に反する
ハーバード・ビジネススクール（HBS）とBCGの研究チームが2023年、コンサルタント758名を対象に実施した事前登録フィールド実験（Dell'Acqua et al.、後に査読誌Organization Scienceに掲載）は、AIの効果を職業実務の文脈で測定した代表的研究です。結果は二面的でした。
- AIの能力範囲内のタスクでは、AI利用群はタスク完了数が12.2%多く、速度は25.1%速く、品質評価は対照群を統計的に有意に上回りました（ワーキングペーパー時点では40%超の品質向上と報告）。しかも伸びが最大だったのはスキル下位半分の参加者で、AIは能力範囲内では成果を底上げする「平準化装置」として働きます。
- 能力範囲外のタスクでは逆転します。AIを使わない群の正答率84.5%に対し、AI利用群は60〜71%まで低下しました。さらに厄介なことに、誤った回答であっても、文章としての一貫性・説得力の評価はAI利用群のほうが高くなりました。つまりAIは、間違うときほど「もっともらしく」間違うのです。
研究チームはこの得意・不得意の入り組んだ境界を「ジャグドフロンティア（ギザギザの能力境界）」と名付けました。人間には同程度の難易度に見える2つのタスクでも、一方は境界の内側、他方は外側にあり、境界の形は直感と一致しません。さらに同じ研究グループが2025年に公表した776名の後続フィールド実験（通称「サイバネティック・チームメイト」実験）では、AIを使う個人が「AIなしの2人チーム」と同等の成果を出し、技術系・営業系という職能の壁を越えたバランスの取れた提案を生むことも示されました。少人数の新規事業チームにとって、AIは不足する職能を部分的に補う存在になり得るということです。
ここから導かれる設計原則は明快です。発散と下ごしらえはAIに、収束と決断は人に。そして両者の間に、人が検分する「関所（ゲート）」を意図的に置く。 境界を無視して任せすぎれば、もっともらしく誤った分析の上に事業計画が建ちます。逆に人がすべてを抱え込めば、圧縮の効果は消えます。
新規事業開発の工程に境界線を引く
この境界線を新規事業開発の工程に写像すると、次のようになります。
| 工程 | 境界の内側（AIが人を上回りやすい） | 境界の外側（人の判断が不可欠） |
|---|---|---|
| 市場調査 | 公開情報の網羅的収集・構造化、競合・規制の整理 | 問いの設定──どの市場の誰のどの不便を機会とみなすか |
| 仮説構築 | ビジネスモデル選択肢の量産、収益構造の試算ドラフト | 自社の強みと重なる「勝ち筋」の言語化、検証すべき最重要仮説の特定 |
| 検証 | 仮想ユーザーによる模擬検証、プロトタイプ生成、結果の構造化 | 一次情報の獲得と解釈、Go/Pivot/Killの判定 |
| 事業計画 | 計画書ドラフト、シナリオ別の感度分析 | 参入・撤退・投資配分へのコミットメント、経営会議での合意形成 |
この表が示すのは、AIが分析と資料化を安価にした結果、新規事業開発の希少資源が「分析する力」から「問いの質」と「一次情報」へ移ったという事実です。公開データの整理はもはや差別化になりません。現場の観察、顧客の言葉にならない不満、意思決定への責任──境界の外側にあるものに人の時間を集中させる設計こそが、優れた工程設計です。
検証を圧縮する ── 仮想ユーザーと高速プロトタイピングの使いどころ
リーンスタートアップが説いた「構築—計測—学習」の検証ループの原則は、生成AI時代も変わりません。変わったのはループを回す速度の上限です。実務上のレバーは2つあります。
第一に仮想ユーザー検証です。生成AIに業界・役職・課題背景を与えた顧客ペルソナを演じさせ、インタビューや調査を模擬する手法で、その妥当性には実証の裏付けが出始めています。スタンフォード大学などの研究チームが2024年に公表した研究では、実在する1,052名への2時間のインタビューをもとに生成エージェントを構築したところ、社会調査への本人回答を85%の精度で再現しました（本人が2週間後に自分の回答を再現する一致率を基準とした値）。一方でUXリサーチの実務コミュニティからは、AIペルソナは学習データ由来の「平均的な意見」に回帰しやすく、イノベーションの源泉である外れ値や生活文脈を欠くという批判が体系的に示されています。両者を踏まえた実務解は明確で、仮想検証は筋の悪い仮説の早期棄却・質問設計の磨き込み・想定外の反論の先取りという「前捌き」に使い、価格や参入判断など高リスクな意思決定の最終検証は実顧客で行うことを原則とする、という二段構えです。
第二に高速プロトタイピングです。生成AIのコード生成を使えば、画面遷移まで動く試作品を短期間で用意でき、顧客にも経営会議にも「触れるもの」で判断を仰げます。概念図をめぐる抽象的な賛否ではなく「この画面のこの機能は要らない」という具体的なフィードバックが返り、意思決定の質と速度が同時に上がります。ただし速度の体感は過信できません。研究機関METRが2025年に公表したランダム化比較試験では、経験豊富な開発者がAIコーディングツールを使った際、本人は約20%速くなったと認識した一方、実測では19%遅くなっていました。成熟したコードベースでの熟練者という条件付きの結果ですが、「体感の速さ」と「実測の速さ」は別物であるという教訓は普遍的です。検証にかかった日数と棄却できた仮説の数を、体感ではなく記録で測ることが規律になります。
フレームワーク ── 4段階×ゲートの並列探索モデル
以上を実装形に落とすと、新規事業開発は「4つの段階×出口のゲート」として再設計できます。従来プロセスと要素は同じですが、各段階のAIと人の分担を明示し、段階の出口に人の判断を制度化する点が異なります。
| 段階 | AIが担う作業 | 人が担う判断 | 出口のゲート |
|---|---|---|---|
| ①機会探索 | 市場・競合・技術の網羅的リサーチ、機会仮説の量産 | 問いの設定、自社の強みとの重なりの見極め | 追求する機会領域の選定 |
| ②仮説構築 | モデル選択肢の展開、収益試算ドラフト | 勝ち筋の言語化、最重要仮説の特定 | 検証計画の承認 |
| ③検証 | 仮想ユーザー検証、プロトタイプ生成、結果の構造化 | 一次情報の解釈、Go/Pivot/Killの判定 | 事業化判断に足る証拠の確定 |
| ④事業化判断 | 事業計画ドラフト、シナリオ別感度分析 | 投資判断と実行体制へのコミットメント | 経営会議での意思決定 |
このモデルの本質は個々の工程の高速化ではなく、直列だった探索を並列に変えられることにあります。仮説1本あたりの生成・検証コストが下がったため、情報が最も少ない初期段階で1本に絞り込む必要がなくなり、複数の仮説を同時に浅く検証して、証拠が揃ったものへ資源を寄せる進め方が現実的になりました。絞り込みの意思決定を「証拠の前」から「証拠の後」へ動かせること──これが生成AIが新規事業開発にもたらす最大の構造変化です。あわせて、各ゲートの判断基準（何を満たせばGo、何が出たらPivot/Kill）は検証を始める前に文書で固定すべきです。AIで検証の量が増えるほど、後付けの基準は恣意に流れるからです。
導入に大がかりな組織改編は要りません。進行中のテーマを1つ選び、現在の工程をこの4段階に当てはめて棚卸しすれば、「境界の内側なのに人が抱えている作業」と「基準のないまま通過しているゲート」が多くの場合見つかります。1サイクル回して自社の数字で効果を確かめることが、最初の一歩です。
タレントテールの視点
タレントテールは、この4段階×ゲートの工程設計を、構想から実装、定着まで一気通貫で共に走る形で日々実践しています。仮想ユーザー検証や高速プロトタイピングを個人の技能ではなく再現可能な仕組みとして標準化し（Quality by System）、大手ファーム級の品質をより短期間・合理的なコストで届けることを目指しています。ジャグドフロンティアの研究が示したとおり、AIは境界の内側では成果を底上げする一方、境界の外側ではもっともらしく誤ります。だからこそ、どの工程をAIに委ね、どこに人の判断のゲートを置くかという設計自体が、新規事業の成功確率を左右する経営判断だと私たちは考えます。新規事業開発は当社の戦略コンサルティングの主力テーマであり、検証を通過した事業には、実行体制の設計と人材の機動的な補強まで含めて共に手を動かします。
参考情報
- Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality（Harvard Business School×Boston Consulting Group／Organization Science掲載、2023年発表・2026年掲載）— https://pubsonline.informs.org/doi/10.1287/orsc.2025.21838
- The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise（Harvard Business School／NBER Working Paper w33641、2025）— https://www.nber.org/papers/w33641
- AI Index Report 2025（Stanford Institute for Human-Centered AI、2025）— https://hai.stanford.edu/ai-index/2025-ai-index-report
- The GenAI Divide: State of AI in Business 2025（MIT Project NANDA、2025）— https://www.aigl.blog/state-of-ai-in-business-2025/ （ミラーサイト。一次配布元はMIT Project NANDA）
- Generative Agent Simulations of 1,000 People（Stanford University・Google DeepMind他、2024）— https://arxiv.org/abs/2411.10109
- Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity（METR、2025）— https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/