個人は速くなった。会社は変わっていない
2026年8月にMcKinseyが公表した年次調査「The state of AI in 2026: On the road to ROI」は、世界97カ国・1,719人の回答をもとに、企業のAI活用の現在地を示しています。結論は、はっきりしたねじれです。
ほぼ9割の企業が、少なくとも1つの業務でAIを定期的に使っています。全社展開の段階に入った企業は44%で、前年の38%から増えました。回答者の8割は「AIで自分の生産性が上がった」と答え、半数は「意思決定の質が上がった」と答えています。
それでも、AIが会社の営業利益（EBIT）に寄与したと答えた企業は37%。前年からほぼ変わっていません。EBITの5%以上をAIに帰属させ、かつ「有意な」価値を得ていると答える「ハイパフォーマー」は、全体の約6%。これも前年から横ばいです。
つまり、AIを使う人は増え、使う人は楽になっている。しかし、それが会社の数字に変換されていない。McKinseyはこれを「AIへの確信が、帰属できる財務リターンより速く膨らんでいる」状態と表現しています。
同じことを、別の角度から示した調査があります。MITのProject NANDAが2025年7月に公表した「The GenAI Divide: State of AI in Business 2025」は、企業が生成AIに300〜400億ドルを投じたにもかかわらず、分析した300件のプロジェクトのうち95%が損益への測定可能なインパクトを生んでいない、価値を生んだのは統合されたシステムの5%だけ、と報告しました。「95%が失敗」と広く引用された数字ですが、正確には「95%は効果を測れていない」です。多くのパイロットが導入前のベースラインを記録していなかったことも要因と指摘されています。
日本に目を向けると、状況はさらに手前にあります。帝国データバンクが2026年3月に実施した調査では、生成AIを業務で活用している企業は34.5%。大企業46.5%に対し、中小企業32.4%、小規模企業28.0%と、規模が小さいほど遅れています。活用の中身は「文章の作成・要約・校正」が45.1%で最多、「情報収集」21.8%と続き、判断の手前にある補助的な使い方が中心です。
そして総務省の「令和7年版 情報通信白書」は、日本企業が生成AI導入で最も懸念していることを2つ挙げています。1位が「効果的な活用方法がわからない」、2位が「社内情報の漏えい等のセキュリティリスク」です。
これらの調査を横断して、「なぜ個人の生産性が会社の成果に変わらないのか」を整理すると、原因は経営側に4つ、現場側に3つに分かれます。
経営側の4つ
01 測っていない
効果の定義と測定の仕組みがない。これが最も多く、最も見過ごされている原因です。
McKinseyの調査では、ハイパフォーマーは「AI施策の効果を測定するプロセスを定義している」と答える割合が、それ以外の企業の2倍です。逆に言えば、多くの企業は測っていません。
測っていないと何が起きるか。担当者がAIで議事録を30分早く作れるようになっても、その30分は誰の帳簿にも載りません。10人が毎日30分ずつ短縮しても、「月100時間の削減」という数字が経営に届くことはなく、届いたとしても「その100時間で何をしたのか」に答えられません。MITの「95%」も、その大半は「効果がなかった」のではなく「効果を測る設計がなかった」ことの結果です。
測る対象は、利用率や時間削減ではなく、その先の業務指標です。問い合わせ対応なら担当者の回答時間と件数、営業なら商談後のフォロー実施率、採用なら応募数と辞退率。AIを入れる前に、これらの現在値を記録しておく。それだけで、半年後に「効果が出た／出なかった」を言えるようになります。
02 業務を変えていない
既存のやり方に、AIを乗せているだけ。McKinseyが「差を分ける最大の要因」として繰り返し指摘しているのがこれです。
ハイパフォーマーの約4分の3は、AIを使うことを前提に業務フローを根本から設計し直しています（前年は55%）。それ以外の企業では4分の1です。2025年版の調査でも、生成AIを使う企業のうち業務フローを再設計したのは約2割にとどまり、8割は既存プロセスにAIを重ねているだけでした。
具体的に言えば、こういうことです。「議事録をAIで要約する」と決めても、会議の進め方が変わらなければ、出てくるのは「話した内容の要約」であって「決定事項・宿題・持ち越し論点」ではありません。要約は出るが、次の会議で誰も読まない。AIの問題ではなく、会議の型がないことの問題です。
型があって初めて、AIは型を実行できます。AIは型を実行するのが得意で、型を作るのは人の仕事です。この順番が逆になっている企業が、圧倒的に多い。
03 目的が効率化だけ
「時間削減」を目的にすると、削減した時間の使い道がなく、収益につながりません。
McKinseyによれば、ハイパフォーマーもそれ以外も、約8割が効率化をAIの目的に掲げています。違いは、ハイパフォーマーの多くが効率化に加えて成長やイノベーションを目的に据えていることです。ハイパフォーマーは、3年以内にAIで事業を根本的に変えるつもりだと答える割合が、他社の3.3倍です。
効率化だけを目的にすると、稟議の段階で止まります。「月100時間削減」は、経営には響きません。経営が知りたいのは、その時間で売上・品質・リスク・離職がどう変わるかです。同じ問い合わせ対応の自動化でも、「担当者の残業削減」と言うか、「繁忙期の回答品質の均一化と、担当者の離職リスク低下」と言うかで、通り方が変わります。
04 経営が本気でない
「AIやれ」と言うが、予算・体制・自分の関与が伴っていない。
McKinseyの調査では、ハイパフォーマーは「経営陣がAI施策へのコミットを示している」と答える割合が他社の2倍。投資額も違い、ICT予算の15%以上をAIに充てる企業の割合は他社の2倍以上、来年10%以上増やすと答える割合は過半数（他社は36%）です。
日本でも同じ構造があります。財務省の経済トレンドコラム（2025年8月）が引用する、売上高500億円以上の日本企業の課長職以上945名への調査では、生成AI導入の効果が「期待を大きく上回った」のは約10%、「期待通り」が約51%、「期待未満」が約25%、「未評価」が約14%でした。期待通り以上が6割ある一方で、4割は期待未満か評価すらしていない。「やれ」と言った経営者が、その後の判断に関与していない企業ほど、後者に入ります。
経営が本気かどうかは、一つの問いで分かります。「PoCがうまくいったとき、本番の予算は誰が持つか」を、PoCを始める前に決めているかどうか。決まっていないPoCは、成功しても本番に進みません。
現場側の3つ ── 3つの壁
経営側の4つが整っても、現場が使わなければ成果は出ません。現場で起きる問題は、3つに集約されます。総務省の白書が示した日本企業の懸念1位と2位が、そのまま最初の2つの壁です。
05 セキュリティの壁 ── 怖くて使えない
情シス・法務で止まる。総務省の白書で、日本企業の懸念の2位が「社内情報の漏えい等のセキュリティリスク」です。
多くの場合、止まっている理由は技術ではなく説明です。データはどこに保存されるのか、学習に使われるのか、誰がアクセスできるのか、ログは残るのか。この4点を、各ツールの公式資料から引いて説明できれば、大半の情シス・法務は通します。逆に、この説明を誰も用意しないまま「使っていいですか」と聞くから、「禁止」で返ってきます。
McKinseyの調査でも、ハイパフォーマーはAI関連のリスク（技術的脆弱性の悪用、意図しない動作など）への対策を他社よりはるかに広く実施しています。リスクを管理している企業ほど、結果として使える範囲が広い。「怖いから使わない」ではなく「怖い部分を切り分けたから使える」が、成果を出す企業の順番です。
MITの報告には、もう一つ興味深い数字があります。9割以上の企業で、従業員が会社の承認なしに個人のAIツールを業務に使っている「シャドーAI」が存在するというものです。禁止しても使われる。だから、使ってよい範囲を定義する方が、リスクは下がります。
06 プロンプトの壁 ── 使ったが出力がいまいち
前提と型を渡せていない。総務省の白書で、日本企業の懸念の1位が「効果的な活用方法がわからない」です。現場で起きる問題のほとんどは、ここです。
「AIに議事録を要約させたが使えない」「求人票を魅力的にしてと頼んだら、どの会社でも書ける文章になった」。こうした失敗の原因は、AIの性能ではなく、こちらが何を出してほしいかを伝えていないことにあります。自社の前提（何の会社で、誰に向けて、何が目的か）、出力の型（何を、どの順番で、どの形式で）、制約（推測するな、期限は日付で）。この3つを渡すと、同じAIで出力が変わります。
これは、02「業務を変えていない」の現場側の現れです。業務に型があれば、その型をプロンプトに翻訳できる。型がなければ、書けない。プロンプトの上達は、コツの習得ではなく、業務の型化から始まります。
07 使い分けの壁 ── 前提を渡しても届かない
前提を十分に渡しても品質が出ない領域があります。それは情報の不足ではなく、仕組みの制約です。
社内の規程を読ませたいのに、その資料にアクセスできないツールに聞いている。根拠の場所を示してほしいのに、一般論で答えるツールを使っている。正確な集計をさせたいのに、言語モデルに計算させている。これらは、プロンプトを磨いても越えられません。データの場所、根拠の要否、計算か文章か、で任せ先が変わります。
MITの報告は、汎用チャットボットが単純作業では8割以上に採用される一方、文脈や社内データが必要な業務では止まる、と指摘しています。帝国データバンクの調査でも、活用企業の課題として「正確性」と「運用ルール」が上位に挙がっています。
見分け方は一つの質問で足ります。「前提を全部渡しても、まだダメか」。ダメなら、プロンプトの壁ではなく、使い分けの壁です。この順番で診断すれば、ツール探しに逃げずに済みます。
経営と現場のあいだで、誰が翻訳するのか
経営側の4つは、経営者と担当者が決めることです。現場側の3つは、担当者と現場が越えることです。
McKinseyの調査には、もう一つ見落とせない数字があります。中間管理職と一般社員の47%が、AIに関連する負荷や緊張を経験していると答えています。経営層・上級管理職では31%です。つまり、「AIやれ」と言われた側が、その分の負担を引き受けている。経営の期待と現場の実務の間に立って、経営には効果の言葉を、現場には使い方の言葉を届ける。その翻訳を担うのが、AI導入を任された担当者です。
このサイトとYouTube「AIお仕事相談室」では、現場側の3つの壁を、社内FAQ・議事録・商談メモ・求人票・稟議書といった実際の業務で、1つずつ解いていきます。「型なし」で投げたときの出力と、「型あり」で投げたときの出力を並べて、同じAIで何が変わるかを画面でお見せします。経営側の4つは、稟議の通し方・効果測定の設計・体制づくりの回で扱います。
AIは、使う人を楽にしました。次は、それを会社の成果に変える番です。
出典
- McKinsey & Company, “The state of AI in 2026: On the road to ROI”（2026年8月25日）。2026年5月4日〜6月8日にオンラインで実施、97カ国1,719人が回答。回答者の36%は年間売上10億ドル超の組織に所属。 https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
- McKinsey & Company, “The state of AI in 2025: Agents, innovation, and transformation”（2025年11月）。105カ国・約2,000人が回答。88%が少なくとも1業務でAIを定期利用、39%がEBITへの影響を報告、業務フローを再設計した企業は約2割。 https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai-2025
- MIT NANDA, “The GenAI Divide: State of AI in Business 2025″（2025年7月）。経営層インタビュー、リーダー層への調査、300件の公開AI導入事例の分析に基づく。分析対象の95%が損益への測定可能なインパクトなし、5%が有意な価値を創出。
- 総務省「令和7年版 情報通信白書」（2025年7月）。第Ⅰ部第1章「企業におけるAI利用の現状」。日本企業の生成AI導入の懸念は「効果的な活用方法がわからない」が最多、次いで「社内情報の漏えい等のセキュリティリスク」。 https://www.soumu.go.jp/johotsusintokei/whitepaper/ja/r07/html/nd112220.html
- 株式会社帝国データバンク「生成AIに関する企業の動向調査（2026年3月）」（2026年5月14日公表）。活用企業34.5%、大企業46.5%・中小企業32.4%・小規模企業28.0%。 https://www.tdb.co.jp/report/economic/20260514-genai/
- 財務省「経済トレンド134 生成AI導入はゴールではない ～企業が乗り越えるべき壁とは～」（ファイナンス 2025年8月号）。売上高500億円以上の日本企業の課長職以上945名への調査（2025年2月）を引用。 https://www.mof.go.jp/public_relations/finance/202508/202508f.pdf
※本記事の数値は各出典の公表値を筆者が整理したものです。調査の定義・対象が異なるため、数値同士を直接比較する際は各出典をご確認ください。