ブライアン・スコット・グラスマン博士は、生成AIの思想的リーダーであり、AInspire Technology Consultingのプロダクトマネジメント担当副社長である。
企業のAI投資からプラスのリターンが得られない理由は、技術の未成熟さや人材不足、従業員エンゲージメントの低さによるものではない。むしろ、問題はより高い組織レベルに起因していることが多い。
本稿では、今日主流となっているAI導入構造が、いかにしてAI導入コストを増大させ、技術的問題を生み出し、AI導入成功への従業員のコミットメントを低下させているかを説明する。さらに重要なことに、本稿ではAI投資からより強力なリターンをもたらし得る代替構造を提示する。
企業のAI投資が低リターンを生み出している
2026年が始まるにあたり、企業経営陣はAIの導入を成功させ、ビジネスの変革を推進することにますます意欲的になっている。しかし、大きなハードルが残っている。2025年8月に発表されたMITのナンダ・プロジェクトによる予備調査では、企業が生成AI施策に数百億ドルを投資しているにもかかわらず、約95%の組織が測定可能なリターンを生み出していないことが明らかになった。これらの調査結果は、デロイトやマッキンゼーなどのコンサルティング企業によっても裏付けられている。
これは、これほど強力な技術であるにもかかわらず、価値を生み出すための根本的なミスアライメントが存在することを示している。さらに深く掘り下げてみよう。
AI施策がリターンを生み出せない理由
MIT調査の研究者たちは、大手コンサルティング企業とともに、企業がAIから大きなリターンを生み出せない理由として複数の要因を指摘している。これらの失敗は、未成熟なAI技術の導入、AI人材不足、初期段階のベンダーソリューション、そして通常は購入される従来型ソリューションを自社開発する決定などに起因する可能性がある。
しかし、私はこの体系的な失敗の根本原因は、これらの企業が選択した特定の導入構造の、さらに一段階上のレベルにあると主張する。
企業がAI導入にPoC構造を使用している理由
2023年、OpenAIのChatGPTの急速な普及（登録が必要）により、多くの企業のCTOは、AI大規模言語モデル（LLM）技術を自社組織内でどのように導入できるかを模索し始めた。何百もの潜在的なAIユースケースが浮上し、企業全体で議論された。しかし、2023年当時、各AIユースケースには大きな不確実性とリスクが伴っていた。技術的実装、開発コスト、従業員の採用、最終ソリューションの潜在的パフォーマンスに関するリスクが存在していた。
この不確実性を管理し、パフォーマンスに関する主張を正当化するため、多くの企業はAI概念実証（PoC）導入構造を採用した。この構造では、個々のAIソリューションが段階的な開発とレビュープロセスを通じて評価される。このファネルの頂点には、ITリーダー、CTO、法務専門家、部門長で構成されるAIリーダーシップ委員会が置かれ、プロセスの各段階で提案をレビューする責任を負っている。
この導入構造の下では、すべてのAIユースケースは中央委員会によってレビューされる正式なビジネス提案として始まる。そのうちごく少数のみが概念実証開発に進み、技術チームが基本的な実現可能性をテストするためのプロトタイプソリューションを構築する。
有望なものは、実際の使用データを収集し、パフォーマンス、コスト、運用への影響を推定するために設計された限定的な内部パイロットに移行する。これらの調査結果に基づいて、委員会はより大規模なパイロットへの資金提供を承認するか、施策を終了する。これらの連続したゲートを通過して初めて、AIソリューションは本格的な企業導入が承認される。
ご覧のとおり、この導入構造の利点は、データ収集、内部学習、リスク削減を促進しながら、焦点と支出のバランスを取ることである。
PoC導入構造がリターンを生み出せない理由
段階的なPoC AI導入構造には、主にコスト、テクノロジー、従業員のコミットメントに関連するいくつかの重大な問題がある。段階的な学習とリスク軽減を優先することで、組織は最初から完全導入に資金を提供する場合と比較して、最終的な導入コストを大幅に増加させる。失敗または放棄された施策の累積費用と相まって、その結果は限られたリターンを伴う重大な資本の浪費となる。これは、AIの誇大宣伝段階が過ぎた今、CEOや取締役会がますます容認できない結果である。
第二に、段階的なPoC方式は構造的な技術的問題を生み出す。ソリューションは主に中間ゲートを通過するために構築されるため、本格的な導入が承認されると、エンタープライズグレードのスケーラビリティと信頼性を達成するために大規模な書き直しが必要になることが多い。さらに、長い評価期間により、時代遅れのソリューションが評価される可能性が高まる。特に、継続的に更新と改善を行うベンダーと比較した場合にそうなる。
第三に、並行する施策が多数存在することで、AI開発チームがあまりにも多くのソリューションに分散し、単一の取り組みへの完全なコミットメントが妨げられる。中止が常に容易な選択肢であるため、従業員が長期的な成功に投資するインセンティブは低いままである。個人のキャリアが成果に有意義に結びついていないため、作業は成功した導入ではなく、AIソリューションのテストやデータ収集といった多忙なタスクに焦点が当てられる。
代替的なAI導入構造
いくつかの代替的なAI導入構造が存在する。ここでは人気のある3つを簡単に紹介する。
まず、ベンダー主導型AI導入構造から始めよう。これは、Office Suite向けのマイクロソフト、研究向けのOpenAI、ソフトウェアコーディング向けのAnthropicなど、大小の戦略的ベンダーを導入することを含む。このアプローチは、最も関連性の高いユースケースについて組織内でベンダーのAIソリューションを導入することを優先し、ベンダーのAI機能が改善し続けるにつれて、その使用を拡大し奨励する。
次に、中央集権型AIセンター・オブ・エクセレンス導入構造がある。これは、AI開発者、統合担当者、変革推進者、トレーナーからなる専任チームを設立する。このチームは個々の部門と提携して、高価値のソリューションを作成し導入する。このモデルでは、投資収益率が綿密に監視され、AIユースケースに関する強力な戦略的洞察を持つ部門リーダーが、選択されたAIソリューションを積極的に推進し支援しながら、指揮系統に進捗を報告する。
最後に、分散型AI人材導入構造がある。これは、AI機能を事業部門内に直接組み込む。このモデルでは、在職期間はやや短いが強力なAI専門知識を持つリーダーを任命することで、AI使用が部門全体により迅速かつ有機的に拡散することを可能にする。
結論
AIは長期的な戦略的能力として確固たる地位を確立しており、その力と範囲は急速に拡大し続けている。組織は今、実験と学習を断固として超えて、規律ある大規模な迅速導入の段階に移行しなければならない。そのために、企業はコストのかかる段階的なPoC AI導入構造を放棄し、代わりにより効果的な導入モデルを採用し、AI戦略を根本的に再評価することができる。
