貴社のAIオペレーティングモデルは「解くべき問題」を間違えているかもしれない
成果を上げているように見えるAIのパイロット運用(実証実験)を評価する経営陣を想像してほしい。
営業チームは顧客向けの提案書を以前よりはるかに迅速に作成できるようになった。従業員はそのテクノロジーを活用しており、初期の生産性指標も有望に見える。
しかし、承認済みの提案書が顧客の手元に届くまでの時間は、以前と大して変わっていない。
あらゆる提案書に依然として技術的な審査が必要だからだ。審査チームのバックログ(未処理案件)は増え続けており、企業は作成速度の向上を優れた成果へとつなげられず苦戦している。
経営陣はよくある対応を検討する。AI責任者により大きな権限を与え、審査能力を強化し、部署間の調整を改善するというものだ。
これらの変更はいずれも効果があるかもしれない。
だが、バックログの存在は、オペレーティングモデルを変更する前に注意を払うべき疑問を提起している。
追加で作成されたすべての提案書を、誰か他の人間の仕事にすると決めたのは誰なのか。
その答えは、単に責任者の権限を強化するだけでは解決できない問題を明らかにする可能性がある。
AI責任の明確化だけでは不十分な理由
組織が事業部門にわたってAIを導入する際、責任の所在(アカウンタビリティ)を明確にすることは重要だ。
誰かが投資を調整し、リスクを管理し、優先順位を定め、成果に責任を持つ必要がある。
アドビ(Adobe)による2026年の調査『State of AI Readiness』は、リーダー企業に分類された組織とその他の回答企業との間に、公式なAIの所有責任(オーナーシップ)に関して大きな差があることを報告している。このデータは、所有責任とオペレーティングモデルの成熟度が経営陣の注目に値することを示している(Adobe)。
しかし、相関関係があるからといって、責任者の任命がパフォーマンスの向上をもたらしたと証明されるわけではない。アドビのリーダー分類にはオペレーティングモデルの成熟度も含まれているため、この比較を所有責任のみに関する独立した検証として扱わないことが特に重要となる。
検討する価値のあるもう一つの違いが存在する。
フィリップ・アギオンとジャン・ティロールによる公式権限と実質的権限に関する研究は、決定を下す権利を持つことと、実際に起きる事象に対して現実的な統制を行使することの違いを説明している。
これがAIを活用したワークフローでどのように作用するかを考えてみよう。
ある役員は適切な審査員を配置することなく予算を握っているかもしれない。営業チームは後工程のコストをすべて負担することなく作業を提出しているかもしれない。専門家は審査プロセスに入る依頼の量を管理できないまま品質の責任を負わされているかもしれない。
一人ひとりに明確に定義された責任があるにもかかわらず、仕事の遅延や高コスト化、あるいは調整の困難が生じる可能性がある。
問題は、組織が所有責任を割り当てているかどうかではない。意思決定の取り決めが、意図したビジネス成果を生み出す上で人々の助けになっているかどうかだ。
バックログは本当の制約条件ではないかもしれない
顧客への提案書の例に戻ろう。
増え続ける審査の順番待ち列(キュー)は一見、人員不足の問題に見える。しかし、同じ症状にもいくつかの原因が考えられる。
資格を持つ審査員は存在するものの、彼らの工数(時間)の費用負担について部署間で合意できていないのかもしれない。
あるいは、AIが作成した提案書に予想以上の修正が必要なのかもしれない。
もしくは、特定の主張を評価するために必要な技術的専門知識が会社に欠けているのかもしれない。
あるいは、本来なら実行段階にある案件向けに設計されたプロセスに、あまりに多くの不確実な(見込み段階の)提案が入り込んでいるのかもしれない。
それぞれの原因に応じて、求められる対応は異なる。
エリヤフ・ゴールドラットの著書『ザ・ゴール』において、彼の「制約理論(TOC)」は有用な原則を提示している。単一の活動を改善しても、システム全体のパフォーマンスが向上するとは限らないということだ。
順番待ちの列は、仕事がどこで停滞しているかを示しているにすぎない。何が遅延を引き起こしたのか、あるいはどのような変更を加えることで成果が改善するのかを経営陣に教えてくれるわけではない。
リチャード・サイアートとジェームズ・マーチによる組織研究は、もう一つの視点を提供している。異なる部署は異なる目標を追究するものであり、それぞれの責任範囲において合理的な選択を行う場合があるという点だ。
追加業務に抵抗する技術審査責任者は、品質を守っているのかもしれないし、希少な専門知識を管理しているのかもしれないし、依頼の価値そのものを疑問視しているのかもしれない。
その抵抗は資金繰りの問題かもしれないし、あるいは有用な情報なのかもしれない。
誰かに大きな権限を与えることで、不要な争いが解決される場合もある。だが同時に、費用が便益を上回るような意思決定を加速させてしまう可能性もある。
経営幹部は何を直すべきかを判断する前に、これらの可能性を見極める必要がある。
「他人の仕事」になるものを決めるのは誰か
これこそが、AIオペレーティングモデルに関する議論をより精密にできるポイントだと考える。
AIは提案書や分析、レポート、その他のナレッジワークの作成に必要な労力を削減できる。しかし、選択肢を生成することと、それを実行するために組織の資源を投入することは別の意思決定だ。
かつて週に10件の提案書を作成していた営業チームが、今では30件作成できるようになったと仮定してみよう。
もしすべての提案書が自動的に技術審査へ回されるとしたら、営業チームは他部署への要求量を増やしたことになる。
営業チームはその部署の予算を管理しているわけでも、従業員を指揮しているわけでもない。それでも、営業チームの選択はその部署が限られたキャパシティをどう使うかに影響を与える。
これは従来のプロセス管理やキャパシティ管理が長年検討してきた組織上の問題である。
例えば、オペレーションズ・リサーチ研究者のウォレス・ホップとマーク・スピアマンは、システムへの作業投入が仕掛品(WIP)やシステム全体のパフォーマンスとどのように関係しているかを研究している。
AIの登場により、この確立された区別を再考する価値が生じている。
作業を創出する権限と、それを完了するために他者のキャパシティを拘束する権限は異なる。
提案書を顧客に提出する前に厳密な技術的保証が必要とされる場合もある。しかしだからといって、作成されたあらゆる提案書が即座に同じ審査プロセスに入るべきだということにはならない。
これは、AIが生成したすべてのドラフトに対して、組織が新たな承認階層を作るべきだという意味ではない。
スクリーニング自体にも時間がかかる。専門家が調査するまで適切に評価できない案件もある。初期段階のフィルターは、潜在性が測定しにくいという理由だけで貴重なアイデアを排除してしまうおそれがある。
真に問うべきは、任意の(やらなくてもよい)作業が「共有リソースの投入」へと変わる境界線を組織が理解しているかどうかだ。
その境界が重要となる場面では、リーダーは資金、人員配置、品質に関する意思決定と並行して、それを検討すべきだ。
連携の強化に必ずしも中央集権的な統制が必要なわけではない
意思決定の問題を特定したからといって、一人の役員がワークフローのあらゆる部分を統括する権限を持つべきだということには直ちにならない。
判断が異なれば、必要とされる知識も異なるからだ。
部門横断的なリーダーは予算の争いを解決するのに適しているかもしれない。現場のチームは特定の顧客のニーズを理解しているかもしれない。独立した専門家は、技術的承認に関する最終権限を持つ必要があるかもしれない。
これらの責任は、一人の人間に集約されなくとも共存できる。
スタンリー・マクリスタルらは著書『チーム・オブ・チームズ』で、情報の共有と権限委譲されたチームが、複雑な環境下での協調行動を支え得ることを述べている。
彼らの主張は、分散型の意思決定が常に優れていると証明するものではない。だが、すべての調整問題を「組織の上層部に判断を委ねる」ことで解決すべきだという前提に異議を唱えている。
AIの場合、適切な配置は中央集権的であったり、分散型であったり、あるいはその組み合わせであったりする。
定常的な予算決定は部署間の取り決めルールによって処理できるかもしれない。異例の例外案件には、責任ある一人の意思決定者が必要かもしれない。技術的判断は資格のある専門家に委ね続ける必要があるかもしれない。
目的は、関連する意思決定の機能を高めることであり、組織図上での決断力を誇示することではない。
本当の問題がガバナンスではないとしたら
期待通りのAI成果が得られないことに対しては、検討すべき重大な別の説明が存在する。
テクノロジー自体がそのタスクに対して十分な信頼性を備えていない可能性がある。組織に適したデータやスキル、支援プロセスが欠けているのかもしれない。あるいはユースケース自体が、費用に見合うだけの経済的価値を生み出していないのかもしれない。
権限を変更したところで、こうした問題が自動的に解決することはない。
エリック・ブリニョルフソン、ダニエル・リー、リンジー・レイモンドによる『The Quarterly Journal of Economics』掲載の研究では、5,172人のカスタマーサポート担当者を対象に生成AIの支援効果を調査した。研究者らは、1時間あたりの問題解決数が平均15%増加したと推定したが、その結果は労働者によって大きくばらついていた(Quarterly Journal of Economics)。
この知見は特定の業務環境に関するものである。公式なAI所有責任の設定が企業リターンを改善すると証明するものではない。
ミシェル・ヴァッカロ、アブドゥラ・アルマートゥク、トーマス・マローンらによる体系的レビューおよびメタ分析でも、人間とAIの組み合わせが、「人間単独」と「AI単独」のうち優れている方を定常的に上回るわけではないことが示されている(Nature Human Behavior)。
これは、必要な人間のモニタリングを廃止すべきだと言っているわけではない。人間とAIの特定の組み合わせの有効性をしっかりと検証すべき理由を示しているのだ。
審査員を増やしたり、自動化を進めたり、管理権限を強めたりしても、必ずしも結果が良くなるとは限らない。
アジェイ・アグラワル、ジョシュア・ガンズ、アヴィ・ゴールドファーブはその著書『Power and Prediction』で関連する問題を探求している。彼らの経済学的主張は、AIは相互に関連する意思決定の価値を変える可能性があり、個別のタスクの改善よりも、それを取り巻くシステムの変更の方が重要になり得るというものだ。
私の主張に対する妥当な批判として、従来のワークフローのマッピング、キャパシティ管理、組織デザインによって、すでにこれらの問いの多くに対処できているという意見があるだろう。
基本的な原則が確立されていることには同意する。ここでの価値は、AIが組織の生成できる作業の量と種類を変える際に、それらの原則を慎重に適用することにある。
この区別は、経営陣が重大な問題を特定し、より良い対応策を選択するのに役立つ場合にのみ有用となる。意思決定を改善することなくコストばかりを増やす、新たな管理業務の追加になってはならない。
組織を変える前に「意思決定」を検証せよ
全社的なAI義務化をすぐに拡大するのではなく、まずは大きな影響力を持つ1つのAI対応ワークフローから始めることをお勧めする。
流入する作業が特定でき、明確な品質要件があり、測定可能なビジネス成果が得られるプロセスを1つ選ぶのだ。
まず、作業がどのようにプロセスに入るかを追跡する。どの依頼が必須で、どれが任意か。提案された活動がいつ他チームの「義務」になるのかを決めるのは誰か。
次に、リソースがどのように提供されるかを調べる。資金提供を承認できるのは誰か。適切な人材を実際に配置できるのは誰か。その結果、そうした人材はどの業務を停止することになるのか。
続いて受入れを検証する。成果物が要求された基準を満たしているかを判断するのは誰か、そしてその判断を裏付ける証拠は何か。
最後に、これらの意思決定を、入力内容の品質の低さ、専門知識の欠如、需要の乏しさ、不要な引き継ぎ(ハンドオフ)など、他の遅延要因と比較する。
この最初のレビューは「診断」であり、因果関係の証明ではない。
現実的で管理可能な問題が見つかった場合、リーダーは信頼できる既存の配置に対して、1つの限定的な変更をテストすることができる。それは資金ルールを定義することかもしれないし、引き継ぎ時の情報を改善することかもしれないし、任意の依頼の優先順位付けを変更することかもしれない。
観察期間はワークフローに合わせるべきだ。毎週繰り返されるプロセスであれば、有用な運用パターンがすぐに判明するかもしれない。複雑な調達、法務、または商業プロセスの場合、ビジネス価値を評価できるようになるまでに、はるかに長い期間を要する場合がある。
評価指標は事前に定めておくこと。
承認された作業は、対象者に早く届いたか。品質は向上したか。他所で代替された作業を考慮してもコストは削減されたか。必要なセーフガードは保持されたか。
変更がワークフローに入る依頼に影響を与える場合は、保留または却下された依頼も調査する。価値ある機会を逸したり責務を覆い隠したりしているのであれば、待ち列が短くなっても意味がない。
可能であれば、比較可能なワークフローや慎重に計画された段階的展開を用い、今回の施策をテクノロジー、人員配置、需要の変化から区別して検証することだ。
決定的な結果が得られない場合は、不確定なままにしておくべきだ。目的は、より大きな投資を行う前により良い証拠を集めることであり、提案された施策が絶対に効果があると証明することではない。
AIオペレーティングモデルにおける次の意思決定
AIシステムが分析、提言、実行を生成する能力を高めるにつれて、そうしたアウトプットがどのように人やチームの責務(コミットメント)に変換されるのかに、組織はより一層の注意を払う必要があるかもしれない。
中央の所有責任を強化することで利益を得る組織もあれば、部門間の合意形成、質の高い専門知識の拡充、あるいはワークフローの変更を必要とする組織もあるだろう。
場合によっては、既存の体制がすでに適切であることもある。
リーダーシップにおける重要な責任は、目に見える問題を「根本原因の証明」だと勘違いしないことだ。
AIオペレーティングモデルとは、組織が引き受ける作業、投入するリソース、そして受け入れる成果について、適切な意思決定を行えるよう支援するものであるべきだ。
AI責任者への権限強化に踏み切る前に、変更すべき「意思決定」が何かを特定し、その変更が価値を生むことを示すどんな証拠があるのかを問うてほしい。



