組織のAI活用が進まない理由とは？｜組織へのAI実装を成功させる実践手法

この記事は KINTOテクノロジーズアドベントカレンダー2025 の21日目の記事です🎅🎄

目次

1. メリークリスマス！2025年のAI活用推進を振り返って
2. 個人活用の成功と組織活用の課題
　2-1. 個人活用普及率8割の達成
　2-2. 組織的な活用とは
　2-3. 業界全体の課題
3. イノベーションの二つの潮流
　3-1. AIネイティブとAIドリブン
　3-2. つまずきの4つのパターン
4. GenAIパラドックスの構造
　4-1. 効率向上と収益の乖離
　4-2. 属人性という課題
　4-3. 視点の転換
5. 本質的な問いの立て直し
　5-1. 汎用AIツールの特性
　5-2. 技術導入前の課題整理
　5-3. 再現性が高い既存フレームワークの活用
　5-4. 人間中心のシステム思考の活用
　5-5. つまずきの4つのパターンの正体
　5-6. 問題発掘に有益だったこと
6. 実践的な解決アプローチ
　6-1. 中長期と短期の両立
7. おわりに：本質的な価値創造へ

---

メリークリスマス！2025年のAI活用推進を振り返って

こんにちは！AI FirstグループでAI活用推進を担当しているShiori（@shor_t8q）です。企業のDX担当者、AI推進リーダー、そして「個人でのAI活用は進んでいるのに、事業や収益に関して期待した効果が出ていない」という課題を感じているすべての方へ、「組織のAI活用」と業務変革のヒントをお伝えできればと思います。

個人活用の成功と組織活用の課題

個人活用普及率8割の達成

2025年、私たちは「個人のAI活用」と「組織のAI活用」という両輪でAI活用を推進してきました。
まず社内の現状を共有します。社内AIツールのデータから、従業員のAI活用率は夏の時点で約8割に達しました。多くの社員がAIチャットツールやAIコーディングツールを日常的に活用し、個人の業務効率向上を実現することができました。

しかし、そこである気づきがありました。
「個人の効率は向上しているものの、組織としての成果が見えにくいのでは？」
そこで、組織的なAI活用推進をさらに強化することにしました。実際に取り組みを進める中で分かったのは、「組織的な活用」は「個人的な活用」とは異なる性質を持ち、異なるアプローチが必要だということです。

組織的な活用とは

組織的な活用とはどのような状態を指すのでしょうか。私たちはこう定義しました。

組織的なAI活用（KINTOテクノロジーズ社内資料より）

複数グループや部門などが連携し、組織横断プロジェクトで、業務・開発プロセス・システムにAIを導入し、事業や収益に対して何らかのインパクトを与えること。

この定義に照らし合わせたとき、「組織的な活用が、想定以上に進まない」という現実に直面しました。

業界全体の課題

社外の動向を調べてみると、McKinseyのSeizing the agentic AI advantageに興味深いデータが掲載されていました。

特定のビジネス機能やプロセスに組み込まれた垂直的な活用事例の課題（McKinseyレポートより）

By contrast, vertical use cases—those embedded into specific business functions and processes—have seen limited scaling in most companies despite their higher potential for direct economic impact (Exhibit 2). Fewer than 10 percent of use cases deployed ever make it past the pilot stage, according to McKinsey research.

「対照的に、特定のビジネス機能やプロセスに組み込まれた垂直的な活用事例は、直接的な経済効果がより高い可能性があるにもかかわらず、ほとんどの企業では限定的なスケーリングしか見られていません。マッキンゼーの調査によると、展開された活用事例のうち、パイロット段階を超えるものは10%未満です。

出典: McKinsey "Seizing the agentic AI advantage"

つまり、特定のビジネス機能やプロセスに組み込まれた垂直的な領域でAIを活用しようとしている企業の約9割が、パイロット段階（試験運用）を超えることができず、実証実験の段階で終わっている状況です。
これは「パイロット・パーガトリー（実証実験の煉獄）」と呼ばれる現象で、弊社だけの問題ではなく業界全体の傾向だったのです。

業界全体で「組織的なAI活用は容易ではない」という課題が報告されている状況です。私たちは、この課題に向き合うため、まずは社内の現状を分析することから始めました。

イノベーションの二つの潮流

AIネイティブとAIドリブン

社内の取り組みを俯瞰してみたとき、大きく分けて2種類のイノベーションラインがあることが分かりました。

AIネイティブ（AI Native）

• AIがあることを前提として、ゼロからプロダクトや体験が設計されているもの
• 仕組みの中に自然にAIが組み込まれている

AIドリブン（AI Driven）

• 既存のシステムやプロダクトに、後からAIを組み込んでいくもの
• 既存業務や既存システムの一部をAIで代替・置換する取り組み

ここで明らかになったのは、「AIネイティブな取り組みは比較的進んでいるが、AIドリブンは難航している」という傾向でした。
AIネイティブな領域では、社内のアーリーアダプターたちが相互にボトムアップで連携し、新しい価値を生み出してプロダクトやシステムをローンチすることが実現しています。一方、AIドリブン——つまり既存業務や既存システムの置き換え——は、関係者が多く抱えている問題も複雑で進めることが難しい現状があります。

つまずきの4つのパターン

社内の状況を整理していくと、AI活用で進捗が滞っているケースは、おおむね4つのパターンに分類できることが見えてきました。

1. 技術先行型（Tech First）

「新しい技術が登場したので、まず検証してプロトタイプを作成した」というケース。技術力のあるエンジニアが速やかに作成できるのですが、その後で「このプロトタイプをどこで活用すべきか」と、解決すべき課題を後から探すことになります。

2. トレンド先行型（Trend First）

「AIエージェントを使って〇〇を実現したい」というケース。手段（AIトレンド）が目的化してしまい、誰のどのような課題を解決するのかが明確になっていません。

3. 目的不明瞭型（Lost in Possibility）

「AIを使って〇〇を実現したい。ただ、何をすればよいのか分からない」。意欲はあるものの、入口で立ち止まってしまっているケースです。

4. 優先度判断困難型（Priority Paralysis）

「AIを導入して解決したい課題はある。今の技術であればさまざまな箇所に適用できそうだ。ただ、何から手をつければよいか迷う」。適用すべき箇所の目利きはできているが、どこから着手すべきか判断できず、可能性（適用範囲の幅や深さ）の中で方向性を見いだせないパターンです。

さらに、これらとは別の軸で、「AI環境整備の課題」も存在しました。「AIを活用したいが、方針・ルールの整備がAIに最適化されていないので意思決定ができない」、「利用したいデータが集約されていない」といった、ガバナンス、インフラ、リソースの問題で進捗が滞るケースです。
※「AI環境整備の課題」は範囲が広いので、今回の記事ではこのテーマには言及しません。

上記パターンは、各々解決しなければプロジェクトは前に進みません。私は、組織として「AIプロジェクトの推進モデル」を構築する必要性を感じました。

GenAIパラドックスの構造

効率向上と収益の乖離

この1年、現場の状況を確認する中でGenAIパラドックスと呼ばれる現象を実感してきました。これは、「AIによって個人の業務効率は確実に向上しているのに、組織としての収益や成果には必ずしも直結していない」という状況です。

「GenAIパラドックス」について、McKinseyのSeizing the agentic AI advantageでは、以下のように定義されています。

GenAIパラドックスとは？（McKinseyレポートより）

「10社中8社近くがGenAIを何らかの形で導入していますが、ほぼ同じ割合の企業が収益に大きな影響はないと報告しています。私たちはこれを『GenAIパラドックス』と呼んでいます。」

"Nearly eight in ten companies have deployed gen AI in some form, but roughly the same percentage report no material impact on earnings. We call this the 'gen AI paradox.'"

出典: McKinsey "Seizing the agentic AI advantage"

なぜ、このパラドックスが発生するのでしょうか。弊社の分析から、いくつかの要因が浮き彫りになりました。

• 取り組みの断片化: 個別の検証や単発の取り組みになっており、体系的に繋がっていない
• デリバリーモデルの未定義: 「どのように価値を届けるか」という型が確立されていない
• ガバナンスと整備不足: AIを受け入れるための基盤（ルール、インフラ、データ、プロセス）が整っていない

McKinseyのSeizing the agentic AI advantageでも、同様の内容が言及されています。

属人性という課題

さらに根本的な問題として、業務の言語化不足があります。

現在のAI技術、例えばAIエージェントを業務ワークフローに組み込もうとすると、そのワークフロー自体が明確に定義され、言語化されている必要があります。しかし、多くの現場では「ここはAさんの判断で」「ここはBさんの経験則で」といった、人間の判断（属人性）で運用されている部分が非常に多いのです。
「AIを導入したい」と考えても、AIは「暗黙知」を理解することができず、属人的になっている領域には、そのままではAIを適用できません。

まず業務を整理し、定義し直す必要があります。ここに至る組織的認知、具体的なアクションプランをステークホルダーで合意形成し、着実に進めていかなければいけないということが、AI活用の大きなハードルとなっていたのです。

視点の転換

そこで、私は
「AIを導入したからといって、イノベーションが加速するわけではない。イノベーションを加速させるために、AIを活用するのだ」という視点の転換が必要なのだと考えるようになりました。

本質的な問いの立て直し

汎用AIツールの特性

ChatGPT、Gemini、Claudeのような、いわゆる「汎用的なAIチャット」は非常に高性能です。相談すれば、速やかに質の高い解決策を提示してくれます。

しかし、ここに注意すべき点があります。AIは、私たちが投げかけた質問には答えてくれますが、「デフォルトのチャットウィンドウでは、私たちが抱える問題の深掘りまでは行わない」のです。
ただし、これは汎用AIチャットをデフォルト設定のままで使用した場合です。深掘り機能を持つAIエージェントを構築し、そのAIと対話することで、問題を探索する質問を引き出し、課題を整理できることは既に実証済みです。

ユーザーが「これを作りたい」と伝えたとき、AIは素直に作成方法を提案します。しかし本来は、「なぜそれを作りたいのですか？」「もっと本質的な課題は別にありませんか？」といった、コンサルタントのような深掘りこそが必要な場面が多々あります。

技術導入前の課題整理

「できる・できない」ではなく「誰に・どのような価値か」

例えば、「社内のお問い合わせの対応が大変なので、お問い合わせをAIで対応できるようにしたい」という相談が現場から寄せられたとします。これに対して、すぐに「RAG（検索拡張生成）を使って社内Wikiを読み込ませたチャットボットを構築しましょう」と提案するのは容易です。しかし、それでは本質的な解決にならないことがあります。

ここで私たちは問い直す必要があります。

• 「そもそも、なぜお問い合わせが発生するのか？」
• 「マニュアルが分散していて知りたい情報にアクセスできないことが原因ではないのか？」
• 「あるいは、〇〇についてマニュアルはあるが、従業員が判断しにくい内容になっていることが原因ではないか？」

もし後者であれば、AIに回答させる前に、マニュアルの内容を更新するのが適切かもしれません。マニュアル精度が高くないと、AIがハルシネーション（誤った情報）を生成するリスクが高まります。

再現性が高い既存フレームワークの活用

「問題の特定」、「課題定義」と「合意形成」を進める上で、私たちがAIプロジェクトにおける課題整理で採用したアプローチは、「デザイン思考」や「システム思考」などの世の中で既存の課題解決フレームワークです。

デザイン思考（Design Thinking）は、ユーザーへの共感をベースにした人間中心アプローチです。ユーザーニーズを深く理解し、反復的なプロトタイピングを通じて創造的な解決策を生み出します。
一方、システム思考（Systems Thinking）は、要素間の相互関係と全体最適を重視し、複雑な組織システムの根本原因を特定します。
デザイン思考とシステム思考を組み合わせることで、個々のステークホルダーの課題（デザイン思考）と、それらが生じている業務や組織全体の構造的問題（システム思考）の両方に目を向けられます。この融合は、関係者の認識を合わせるための有効な手法と成り得るという仮説を持ちました。

人間中心のシステム思考の活用

私たちは複数のプロジェクトにおいて、デザイン思考とシステム思考を組み合わせた「人間中心のシステム思考」というアプローチを導入しました。これは、ユーザーへの共感をベースに関係者と信頼関係を築きながら進める創造的なプロセスとシステム全体を俯瞰し、問題構造を把握する分析的な視点を融合させたものです。

このアプローチにより、以下のことが可能になります：

• 視点の切り替え: システム全体と個々のステークホルダー、両方の視点を行き来できる
• 共感の醸成: 人々の課題だけでなく、システム自体が抱える構造的な問題にも目を向けられる
• 行動変容の促進: 根本原因を理解した上で、効果的な介入ポイントを設計できる

組織におけるAI活用の課題は、まさに「人間システム」の問題です。複数のステークホルダーが絡み合い、それぞれが異なるニーズや制約を抱えています。人間中心のシステム思考は、この複雑性に対処するための有効な課題解決手段となりました。

デザイン思考とシステム思考の違いを知りたい方は、Systems Thinking vs Design Thinking, What’s the Difference?の記事が参考になります。

つまずきの4つのパターンの正体

人間中心のシステム思考を用いた課題解決では、以下のステップで進めることが効果的です。

1. ユーザー・ステークホルダーへの共感（Empathize with Stakeholders）: 関係者へのヒアリングや観察を通じて、現場の状況を深く理解する
2. 問題の発掘（Discover Problems）: 顕在化している問題だけでなく、対話を通じて潜在的な問題も引き出す
3. システム構造の分析（Analyze System Structure）: システム思考を用いて、問題の真因や要素間の関係性を特定する
4. 課題の定義（Define Issues）: 取り組むべき課題を整理し、優先順位をつける
5. 解決策の検討（Design Solutions）: 課題に対する解決アプローチを設計する
6. 技術選定（Select Technology）: AI、インフラ、ツールなど最適な技術スタックを選定する
7. プロトタイプ構築（Build Prototype）: 小さく素早く動くものを作り、仮説を検証する
8. 反復と拡大（Iterate & Scale）: アジャイル開発プロセスに基づき、フィードバックを取り入れながら改善・拡張を繰り返す

つまずきの4つのパターンは、6（技術選定）や7（プロトタイプ構築）からスタートして行き詰まり、1（ユーザー・ステークホルダーへの共感）~5（解決策の検討）を考え始めるというプロセスになっていることがわかりました。

AIによってプロトタイプを構築しやすくなった反面、従来のプロダクト開発で定義していた1（ユーザー・ステークホルダーへの共感）〜5（解決策の検討）がスキップされる傾向があるため、「システムは構築できたが、誰かの具体的な問題を解決しているわけではない」という状況が見えてきました。

※社内では、6（技術選定）や7（プロトタイプ構築）からスタートし、1（ユーザー・ステークホルダーへの共感）〜5（解決策の検討）を経て、成功しているケースも複数あるので、6（技術選定）や7（プロトタイプ構築）からスタートするプロトタイプドリブンのアプローチも有効だと実証されています。そのため、6（技術選定）や7（プロトタイプ構築）からスタートすることがネガティブな要素というわけではありません。あくまで傾向の話です。

しかし、6（技術選定）や7（プロトタイプ構築）からスタートすることで、「採用した技術や構築したプロトタイプを活かしたい」という潜在的なバイアスが先行し、1（ユーザー・ステークホルダーへの共感）〜5（解決策の検討）のプロセスを、後から中立的に進めることが難しくなることに留意する必要があります。

問題発掘に有益だったこと

フレームワークを導入したからといって、すぐに問題解決がスムーズになるわけではありません。まずは、関係者とシステム全体の課題整理を行う必要がありました。最初にワークショップを行い、ステークホルダーが抱える問題をデジタルホワイトボードで整理しようと試みたのですが、想定以上に難航しました。
原因を分析すると、関係するステークホルダーが多く、問題を引き起こしている要素が複数あるような複雑性が高い問題は、言語化のハードルが高いため、ホワイトボード上に網羅的に問題を書き出すことが難しいということがわかりました。

そこで、ホワイトボード形式ではなく、2on2や1on2でヒアリングを実施し、対話を通して潜在課題まで発掘できるようなコミュニケーションアプローチを取りました。
結果として、グループや部署を横断するような業務改革を行うときは、最初は対話を通じて信頼関係を築くことが重要であり、次に対話を通して問題発掘を行い、関係者の問題解像度が上がってきた時点で、適宜ワークショップを実施して課題を整理することが効果的だということがわかりました。

実践的な解決アプローチ

中長期と短期の両立

とはいえ、「業務フローや課題を全て整理してからAIを導入しましょう」と言っていたら、プロジェクトの推進が遅れてしまいます。そこで私たちは、「中長期」と「短期」を分けて、並行して進める戦略を推奨しています。

アプローチ	目的	アクション
中長期（Slow）	本質的な課題解決、方針策定	組織全体の課題整理、ワークフローの再定義、関係者との合意形成
短期（Fast）	スピード感、現場の改善	目の前の明確な課題に対して、AI技術を適用し、プロトタイプを作成し、改善を繰り返す

全体の方針を策定しつつ（中長期）、現場では迅速に改善を回していく（短期）。この両軸で進めることで、スピード感を維持しながら、点と点を線に繋げていくことができます。

おわりに：本質的な価値創造へ

最後に、2025年の1年で得た最も重要な学びを共有します。

「AIを活用すること自体を、目的化してはいけない。」

「AIで何ができるか」よりも、「私たちが本当に解決すべき問題は何か」「それを解決したとき、誰にどのような価値があるのか」——この原点に立ち返ること。そして、その価値を最大化するために、AIの人間の能力を拡張する力や処理速度を向上させる力や数や量を出す力をどう活用するかを考えることが重要だと気づきました。

AI導入は、単なるツールの活用ではありません。それは、私たちが自分たちの仕事のやり方、ひいては本質的な価値を見つめ直す過程でもあります。組織的AI活用のハードルが「自分たちの業務の未定義さ」や「目的の曖昧さ」や「問題の真因を見極める力」にあると認識できれば、乗り越える方法は必ず見つかります。特にAI活用の問題は技術ではなく、業務、人と組織、マインド、仕組みやルールにあるケースがほとんどです。

今回の考察が、同じ課題に取り組む皆様の参考になれば幸いです。
2025年は技術革新の激動の中、皆様大変お疲れ様でした！

2026年もさらに未知な技術や概念が現れるかもしれませんが、共に頑張りましょう！

Made with Drive♥️