AIを活用している大半の企業は、依然として大きな成果を得られていない。2026年という時点を考えれば、この指摘は間違っているように聞こえるかもしれない。投資額の大きさ、発表の頻度、そして経営幹部がAIを戦略的優先事項と位置づける声の広がりを見れば、なおさらだ。しかしデータは一貫して同じ結論を示している。マッキンゼーの2025年版AI実態調査では、105カ国の約2000組織を対象に調査を実施したところ、88%が少なくとも1つの業務機能でAIを使用していると回答した。しかし、AIの活用によってEBIT（利払い・税引き前利益）に5%以上の影響を与えている「ハイパフォーマー」に該当したのは、わずか6%だった。
同様のパターンは、MITの研究でも確認されている。AIパイロットプロジェクトのうち、測定可能な損益インパクトを生み出しているのはわずか5%だという。企業は、実際に重要な数値に表れるような形でAIから恩恵を受けることに失敗しているのだ。
4万5000社以上の企業の取引を処理する法人支出管理プラットフォームRamp（ランプ）が公表した分析によると、AIトークンへの支出が多い企業ほど、支出が少ない企業よりも速く成長している。RampのCEO、エリック・グライマン氏はコロンビア・ビジネス・スクールでの講演で次のように指摘した。2022年にAIツールを導入した企業のうち、12カ月後も使い続けていたのは50%のみ。講演の前年に導入した企業では、その継続率は70%に上昇していた。
Hebbia（ヘビア）の創業者兼CEOであるジョージ・シブルカ氏は、このギャップを明確に表現した。Hebbiaは、運用資産ベースで最大手資産運用会社の40%以上に導入されているAIプラットフォームだ。シブルカ氏は2026年3月に発表したエッセイで、「生産性の高い個人が、生産性の高い企業を作るわけではない」と論じた。AIによって個人の生産性は10倍になったが、その結果として企業価値が10倍になった企業は存在しない。
シブルカ氏の指摘は、企業がAIを間違った方法で適用しているということだ。ツールを使う個人にとって生産性向上は本物で genuine（真正）だったが、ボトルネックが組織設計にあるため、組織全体には届いていないのだ。
工場フロアの問題
シブルカ氏は、何が起きているかを説明するために産業史の一例を引用した。1890年代、ニューイングランドのアメリカの繊維工場は、蒸気機関を中心に工場を建設していた。動力は中央で生成され、シャフトとベルトのシステムを通じて機械的に床の織機や紡錘に伝達されていた。電気モーターが利用可能になったとき、工場所有者は当然のことをした。蒸気機関を電気モーターに置き換えたのだ。動力源は変わったが、それ以外はすべて同じままだった。
その結果、30年間ほとんど生産量は増加しなかった。技術は優れていた。よりクリーンで、より安価で、より信頼性が高かった。しかし工場の組織論理は、蒸気機関の制約を前提に設計されていた。中央集権的な動力、硬直的な床のレイアウト、シャフトが届く場所に配置された労働者。より優れたモーターを導入しても、それらは何も変わらなかった。工場は同じ方法で稼働し続け、ただエネルギー源が異なるだけだった。
利益が現れたのは1920年代になってからで、製造業者が工場フロアをゼロから再設計したときだった。すべての設備に個別の電気モーターを設置し、柔軟な配置を活用するために生産ラインを再配置し、新しい構成が可能にすることに合わせて労働者の役割と順序を再編成した。組織がようやく技術が常に可能にしていたことに追いついたため、生産量は急増した。
ほとんどの企業のAI導入は、1890年代の工場のように機能している。より高性能なツールが既存のワークフローに挿入される。弁護士はAIを使って文書をより速く要約する。金融アナリストはそれを使ってデータをより迅速に取得する。営業担当者はそれを使ってアウトリーチメールの下書きを作成する。作業は速くなるが、ワークフローは変わらない。組織は個人レベルでのスピードの恩恵を獲得するが、それ以上のものはほとんど何も得られない。
ハイパフォーマー企業が異なる方法で行っていることは、マッキンゼーの調査によれば、ワークフロー自体を再設計することだ。「AIはこのタスクをより速く実行するのにどう役立つか」と問うのではなく、「これらの能力があれば、このプロセス全体をどう再設計するか」と問うのだ。
マッキンゼーは、ワークフローの再設計が、組織がAIからEBITインパクトを得る能力についてテストされた25の要因すべての中で最大の効果を持つことを発見した。ハイパフォーマーは企業レベルの組織変革を追求する可能性が3.6倍高く、55%がAI導入時にワークフローを根本的に再設計していたのに対し、他の企業では約20%だった。
実際にはどのようなものか
Ramp自身のAI導入は、入手可能な最も明確なケーススタディの1つを提供している。同社は年間570億ドル以上の取引量を処理し、4万5000社以上の企業にサービスを提供している。財務チームが質問に答えるのを支援するAIチャットボットを追加するのではなく、Rampは経費管理プロセスをAIを主要オペレーターとして再構築した。このシステムは現在、グライマン氏が「ゼロタッチAI」と呼ぶもの、つまりユーザー入力を必要とせずに動作する自動化を通じて、1日あたり10万件以上の経費報告書をレビューしている。
従業員がRampカードで購入すると、システムは自動的に取引を領収書と照合し、カレンダーデータを相互参照してビジネスミーティングが発生したことを確認し、平易な英語で関連する経費ポリシーを適用し、例外にフラグを立て、経費を正しい会計コードに分類する──誰も触れることなく。グライマン氏はセコイアのTraining Dataポッドキャストでその論理を説明した。目標は、人々がタスクを完了するのを助けるAIではなく、タスクを完全に完了するAIだ。「最高のAIは見えないAIだ」。同社の内部データによると、2023年にRampに入社した従業員は、入社時と比較して1分あたり3倍の仕事をこなしていた──この利益は、より懸命にまたはより速く働くことからではなく、ワークフロー自体が再構築されたことから生まれた。
Hebbiaのプラットフォームは、ブラックロック、KKR、カーライル、センタービュー・パートナーズなどの企業、およびロープス・アンド・グレイのようなAm Law 50法律事務所に導入されている。Hebbia以前は、1500件の文書のデータルームをレビューするプライベートエクイティアナリストは、手動で読み、抽出し、相互参照するのに数日または数週間を費やしていた。HebbiaのMatrixプラットフォームを使用すると、「このセットのどの企業がEBITDAマージン15%以上で顧客集中度10%未満か」といった質問に対して、すべての文書にわたって構造化された引用付きの回答が数分で返される。ロープス・アンド・グレイは、この変化によってチームが主要条項を特定し、先例を分析し、重要な洞察を「前例のないスピードと精度で」発見できるようになったと公に説明している。これはワークフローの変化を説明する言葉であり、タスクの高速化ではない。
2026年初頭、HebbiaはEMEA地域の売上高が前年同期比373%増加したと報告し、同プラットフォームは現在、15兆ドル以上のグローバル資産に関する意思決定に情報を提供している。
議論：これは単なるラグなのか
AI導入と生産性向上の間の現在のギャップを設計の失敗の証拠として解釈する人ばかりではない。最も信頼できる代替見解は、これが単に技術普及の仕組みであるというものだ。生産性向上は本物で蓄積されているが、データに現れるには時間がかかるというのだ。
歴史的な先例はソローのパラドックスだ。1987年、経済学者ロバート・ソロー氏は、コンピューティングパワーが米国経済のあらゆる場所に存在するにもかかわらず、労働生産性統計にはほとんど何も示されていないことを観察した。「コンピューター時代は生産性統計以外のあらゆる場所で見ることができる」と彼は書いた。米国の労働生産性は、戦後数十年の年間2.9%の成長から、コンピューティング投資が急増したにもかかわらず、1973年以降は1.1%に低下した。このパラドックスは1990年代に解消され、生産性は年間2.5%に跳ね上がった──主に小売、卸売、金融などのIT集約型セクターによって推進され、これらのセクターは技術を十分に深く組み込んで利益が現れるようになった。
アポロのチーフエコノミスト、トルステン・スロク氏は2026年初頭にソローを直接引用した。「AIは入ってくるマクロ経済データ以外のあらゆる場所に存在する」と彼は書き、最大手のテクノロジー企業以外では、利益率や収益予想にAIの目に見える兆候はないと指摘した。1993年の論文で「生産性のパラドックス」という用語を作ったMITの経済学者エリック・ブリニョルフソン氏は、このパターンが逆転する初期の兆候を見た。彼自身の分析は、2025年の米国の生産性が2.7%上昇したことを示しており、これをAI投資からAI利益への移行に起因するとした。
正直な答えは、両方の解釈が部分的に正しく、それらは相互に排他的ではないということだ。確かにラグ効果は存在する。新しい技術が普及し、それをうまく使用するために必要な組織学習を生み出すには何年もかかる。1920年代の工場再設計は、1890年代に電気モーターが到着した後すぐには起こらなかった。画期的な再編成が起こる前に、30年間の段階的な採用、実験、失敗が必要だった。
しかしラグは、技術が実際に何を可能にするかを理解する能動的なプロセスであり、その理解を加速する企業は、それが自然に起こるのを待つ企業よりも構造的な優位性を獲得する。1920年代に勝利した工場は、フロアを再設計した工場であり、単に利用可能な技術を使用しただけではなかった。
「ただ待て」という解釈は、AIツールへの継続的な投資が、組織が学習するにつれて最終的に利益に変換されることを示唆している。「工場を再設計する」という解釈は、受動的な採用が決して利益を生み出さないことを示唆している。マッキンゼーのデータは2番目の解釈に傾いている。ハイパフォーマーと他のすべての企業との間のギャップは、AIを使用してきた期間のギャップではない。それは、AIを中心に組織で何をしたかのギャップだ。
現場からの証拠
Rampのデータセットは、実際の企業のAI支出に関して入手可能な最も詳細なものの1つだ。同社は4万5000社以上の企業からの実際の取引データを追跡しており、調査が見逃したり誤って表現したりする行動を見る窓を提供している。RampのAIインデックスは、ボニー氏らの学術研究に基づく方法論で開発され、実際の契約と取引データを通じて企業の採用を測定する──新しい技術が急速に台頭しているときに採用を過大評価する傾向がある自己申告調査ではない。
データが示しているのは、市場が深いユーザーと浅いユーザーに二分化していることだ。2023年にAIツールへの支出を開始した企業は、2021年または2022年のコホートよりもそれらのベンダーの継続率が高く、後発の採用者がより持続可能なユースケースを見つけていることを示唆している。RampカードでのAI関連支出は2024年に前年同期比293%増加したのに対し、全体的なソフトウェア支出は6%の成長だった。2025年後半までに、一部のベンダー、特に急速に成長したが正常化の兆候を示しているOpenAIの採用率は横ばいになった。Rampのエコノミスト、アラ・カラジアン氏は2025年12月に、この横ばいは能力の段階的変化の間の期間と一致しており、小売、建設、製造などの採用率が低い業界は依然として成長を示していると指摘した。
Hebbiaは、15兆ドル以上の資産を管理する機関に導入されているプラットフォームが、現在、研究タスクを支援するのではなく、実際の投資決定に情報を提供していると報告した。米国最大の法律事務所の1つであるロープス・アンド・グレイでは、Hebbiaは、人間のレビュアーがファイルに到達する前に文書セットを処理し、主要条項を特定し、先例にフラグを立てるシステムとして取引ワークフローに組み込まれている。同事務所は、プラットフォームによってチームが「取引実行におけるスピード、正確性、クライアントサービスの新しいベンチマークを設定」できるようになったと公に説明した。
マッキンゼーの調査結果によると、生成AIを使用している組織のわずか21%がワークフローをゼロから再設計しており、この再設計がテストされたすべての要因の中でEBITインパクトと最も強い統計的関連性を持つことが、これらの個別のケースが示唆することに数値的な重みを与えている。大多数の企業は依然として1890年代の工場構成にある。
何が間違う可能性があるか
1つ目は、シブルカ氏が説明する調整の失敗だ。個々の従業員が調整レイヤーなしで独立してAIを中心に自分のワークフローを再設計すると、出力が接続しないサイロ化されたプロセスの増殖が生じる。あるアナリストは1つのツールで独自の調査パイプラインを構築する。別のアナリストは別の場所で別のものを構築する。3人目は、誰も他の方法を教えていないため、依然として古い方法を使用している。結果は断片化であり、シブルカ氏は、これに対処するために「エージェント管理」業界全体が出現すると予測している。エージェントの役割、エージェント間通信プロトコル、エージェント価値を測定する方法を定義する。このインフラストラクチャはまだ大規模には存在しない。
2つ目のリスクは生産性のJカーブであり、ソローのパラドックスの文献は一貫したパターンを記録している。技術採用は当初、組織が学習と再編成のコストを吸収するため、利益が到着する前に生産性を低下させる。AIを中心とした真のワークフロー再設計にコミットする企業は、プロセスが混乱し、従業員が不確実で、結果が改善する前に一時的に悪化する移行期間を経験する。この期間中に取り組みを放棄し、AIツールをボルトで固定した古いワークフローに戻る組織は、正しい経験から間違った結論を引き出すことになる。
3つ目のリスクは測定の罠だ。シブルカ氏はエッセイで、今日のほとんどのAI製品がコスト削減を提供する一方で、企業のリーダーシップは一貫して収益成長を優先していると指摘している。マッキンゼーのデータはこれを確認している。企業は、測定方法を知っている指標、取引あたりのコスト、サイクルタイム、従業員あたりの収益のためにAI導入を最適化しているが、定量化が難しい利益を見逃している可能性がある。より良い意思決定、より速い組織学習、時間とともに複利化する能力だ。
4つ目のリスクは、深い統合によるベンダーロックインだ。単一のAIプラットフォームを中心にワークフローを再構築する企業は、能力の変化、価格変更、またはベンダーの失敗にさらされる。市場は、今日の最高のツールを中心に再設計されたワークフローが18カ月後に大幅な再エンジニアリングを必要とする可能性があるほど速く動いている。
次に来るもの
楽観的な道は1990年代のように見える。AI能力が個別のステップで改善し、各モデル世代が新しいユースケースを開くにつれて、すでにワークフローを再設計している組織は新しい能力をより速く吸収する。組織の準備が整うにつれて、能力の到着と生産性インパクトの間のラグは縮小する。エリック・ブリニョルフソン氏の分析は、2025年の米国の生産性が2.7%上昇したことを示しており、このパターンが実現し始めていることを示している。
シブルカ氏は、採用のさらなる加速のための2つの前提条件を特定した。ツールを実質的により高性能にする技術的な段階的変化、または初期採用者が最良のユースケースを見つけ、市場の残りがそれに続く実装の段階的変化のいずれかだ。彼は後者を「さらに可能性が高い」と呼び、それは工場再設計が歴史的に普及したメカニズムだ。
A16zは、Big Ideas 2026ニュースレターで短期的なフロンティアを明確にした。垂直的な作業は本質的にマルチパーティであり、次の波は組織内だけでなく、組織間の調整だ。取引における異なる当事者を代表するエージェント。買い手、売り手、アドバイザー、規制当局が、各当事者が自身のAIインフラストラクチャを中心に設計したワークフロー内で直接通信する。
注目すべきこと：実際の支出データで毎月更新されるRamp AIインデックスは、次の能力の段階的変化が新しい採用ランをトリガーするタイミングを示す。マッキンゼーの年次AI実態調査は、ワークフロー再設計を報告する企業の割合を追跡している。その数値は、企業レベルの生産性向上がどこに現れるかの最も信頼できる先行指標だ。そして、2025年8月に年間売上高10億ドルに達し、全国平均の2倍以上の速度で成長しているRampのような企業のパフォーマンスは、再設計の論文が大規模で成立するかどうかをテストする。
2025年と2026年を持続可能な優位性を構築した年として振り返る企業は、AIを再設計すべき制約として扱っている企業だ──「これをレバレッジのポイントとして始めるなら、どのように自分たちを異なる方法で組織するか」と問う。マッキンゼーは、AIハイパフォーマーの50%がAIを使用してビジネスを変革する意図があるのに対し、他のすべての企業のごく一部であることを発見した。その組織的な質問への答えが、スケールする唯一のものだ。
