生成AIの効果が「効率化」で止まる理由と、次の一段に上がる手順(2026)

「全社でChatGPTを配ったが、成果を聞かれると答えられない」——生成AIを導入した会社から、いま最も多く聞く悩みです。この記事は、生成AIの効果が「効率化」で止まる構造を公的調査から特定し、そこから次の一段に上がるための手順と、効果の測り方を解説します。対象は、AI活用の旗を振る立場にある管理職・情シス・経営企画の方です。

先に断っておくと、「効率化にとどまっているのは悪いこと」という話ではありません。効率化は確実な成果です。ただし効率化は、経営に説明するときに最も数字にしづらい成果でもあります。だから「効いている実感はあるのに、報告できない」が起きます。この記事は、そのねじれを解くところから始めます。

最終更新: 2026年9月5日／本文で参照した公的調査・公式料金は同日に原文で確認しています。調査の数値は各報告書の公表時点のものです。本記事の分析枠組み(3層の指標、工程選定の基準、損益分岐の試算、職種別の見立て)はjisalab編集部の整理であり、引用した公的調査に同じ区分があるわけではありません。

いま起きていること：使っているのに、成果が「内向き」で止まっている

まず、思い込みではなく数字で現在地を確認します。参照するのは、設計も実施主体も異なる2つの公的調査です。

1つ目は、総務省の「令和8年版 情報通信白書」です。同白書は、生成AIの活用方針に関する設問で「わからない」と回答した対象を除いたうえで、「自社の何らかの業務で生成AIを利用している旨を回答した割合は、日本において86.4%であった」と述べています(図表Ⅰ-2-1-6)。2024年度の調査に比べて大幅に上昇し、他の3か国(米国・ドイツ・中国)との差も縮まった、という整理です。

2つ目は、独立行政法人情報処理推進機構(IPA)の「DX動向2026」です。こちらは調査期間を2026年4月中旬から6月中旬までとし、「企業の58.0%がAIを導入または試験利用しており」と報告しています。日本標準産業分類の19業種(製造業、非製造業。「公務」を除く)の経営層またはICT関連事業部門を対象に、1,799社の有効回答を得た調査です。回答者が経営層・情報システム部門である点は、後に出てくる「効果があったか」の自己申告を読むときに効いてきます。

ここで注意が要ります。86.4%と58.0%は、比較してはいけない数字です。母集団も対象も違うからです。この違いを整理しておくと、社内で調査結果を引用するときの事故を防げます。

出典: 総務省「令和8年版 情報通信白書」第Ⅰ部第2章第1節(出典は総務省(2026)「国内外における最新の情報通信技術の研究開発及びデジタル活用の動向に関する調査研究」)／IPA「DX動向2026」。2026年9月5日に原文で確認。2つの数値は定義も母集団も異なるため、直接の比較や差分の計算はできません。

それでも、この2つは同じ方向を指しています。成果が「内向き」で止まっている、という点です。IPA「DX動向2026」は、AI導入による効果の内容を次のように報告しています(図表3-14。この設問は、効果の設問で「期待以上の効果があった」「期待どおりの効果であった」「一定の効果はあった」を選択した企業が対象)。

出典: IPA「DX動向2026」図表3-14(2026年9月5日に報告書PDFで確認)。同報告書は「効果の中心は業務効率化・迅速化といった『内向き』の領域にとどまっており」と記述しています。

効果の実感そのものも、手放しではありません。同報告書は「期待以上の効果があった」が13.7%、「期待どおりの効果であった」が18.1%で合計31.8%、「一定の効果はあった」が50.6%と最も高く、効果が出ているが期待したほどではないという企業が半数を占めていると述べています(図表3-13。この設問は、AIの導入状況の設問で「導入している」「現在、試験利用をしている」を選択した企業が対象)。つまり、大半の企業は「効いてはいる。ただ、期待には届いていない」という位置にいます。

総務省の白書は、別の角度から同じ方向を示しています。ここで測っているものは違います。IPAの91.6%は実際に得られた効果の内容であるのに対し、白書が尋ねているのは「生じうる影響」、つまり企業が見込んでいる影響です。実績と見込みという違いを踏まえたうえで読んでください。企業における生成AIの活用により生じうる影響を尋ねた設問では、日本は「作業時間の短縮などによる業務の効率化」が61.6%と最も高く、これに続く「品質管理の精度向上やパーソナライズなどによる製品・サービスの質の向上」(32.2%)や「人員不足の解消」(26.8%)を大きく上回りました(図表Ⅰ-2-1-10)。他の3か国では「製品・サービスの質の向上」が最も高い、という違いも示されています。白書は「日本では、生成AIが業務効率化の文脈で捉えられている一方で、他の3か国では、もう一歩踏み込み、製品・サービスの質の向上や生産性向上といった文脈で捉えられている可能性がある」と述べています。

設計も設問の性格も異なる2つの調査が、それでも同じ方向を指しているという事実は、それなりに重い意味を持ちます。実績を聞いても見込みを聞いても、日本の答えは「効率化」に寄ります。これは特定の会社の力量の問題ではなく、日本の導入の仕方に共通する構造だと考えた方が、対策を立てやすくなります。

なぜ効率化で止まるのか：3つの原因

ここからは、2つの調査の数字を突き合わせて原因を特定します。3つとも「やる気」や「リテラシー」の話ではなく、手を動かせば変えられる構造です。

原因1: 用途が個人の文書作業に閉じている

IPA「DX動向2026」は、AI利活用の用途について次の結果を報告しています(図表3-9。この設問は、AIの導入状況の設問で「導入している」「現在、試験利用をしている」「利用に向けて検討を進めている」を選択した企業が対象で、前掲の効果に関する設問より対象が広い点に注意してください)。「文書・音声の要約・翻訳・校正」が82.5%と最も高く、次いで「文書・レポートの作成(社内・社外)」が80.5%、「情報検索・収集・分析・レポーティング」が77.0%。一方で「生産・物流・サービス提供の計画支援」が6.0%、「自社製品・サービスの高度化」が10.9%と低く、同報告書は「事業の高度化や新たな価値創出につながる用途での利活用はまだ限定的となっている」と述べています。

総務省の白書も、業務類型ごとの活用状況について「議事録・メール作成補助」での活用を回答した割合が約7割と最も高く、次に「営業・販売」で約6割、「社内ヘルプデスク」で約5割と続いた、と報告しています(図表Ⅰ-2-1-7)。さらに導入効果を実感すると回答した割合についても「議事録・メール作成補助」が約7割となり、他の類型に比べて顕著に高いと述べています。

ここで注目したいのは、活用率でも効果の実感でも1位に立つのが「議事録・メール作成補助」だという点です。2位以下の「営業・販売」「社内ヘルプデスク」は文書作業とは限りませんが、効果の実感で突出しているのは1位の類型でした。議事録やメールは、効果が出やすく、しかも1人で完結する作業です。だから最初に定着します。ところが1人で完結する作業の効率化は、その人の空き時間になるだけで、会社の数字には現れません。10人が1日20分ずつ速くなっても、それだけでは売上も原価も動きません(残業が実際に減ったなら別で、その経路は後述します)。ここが「実感はあるのに報告できない」の正体です。

原因2: 組織的な取組がない(特に中小企業)

総務省の白書は、生成AI活用による業務変革等に関する組織的な取組の状況について、日本では「組織的な取組はない」と回答した割合は27.0%と約3割に上り、米国・ドイツ・中国に比べて顕著に高い結果となったと述べています(図表Ⅰ-2-1-3)。加えて「企業規模別に見た場合、この回答割合は中小企業で特に高くなっている傾向が見られた」とも記しています。同図表の公開CSVによれば、その内訳は大企業18.1%、中小企業45.6%です。中小企業では半数近くが該当します。なお、この設問は活用方針の設問で「利用を禁止している」と回答した対象を除いた集計で、全社横断的・各部署単位・個人業務単位のいずれかで組織的な活用に取り組んでいるとの回答は65.6%でした。

「組織的な取組がない」状態を具体的に言い換えると、誰も工程を設計していないということです。各自が自分の作業を速くしているだけなので、工程の前後は変わらない。前工程が遅ければ、そこで待つ時間は残ります。ボトルネックになっていない工程をいくら速くしても、工程全体でさばける件数は増えません。増やしたいなら、詰まっている工程を特定して手を入れる必要があります。生産管理では基本の考え方ですが、AI活用ではしばしば見落とされます。

ただし白書は、中小企業について希望のある傾向も報告しています。戦略や方針の状況を尋ねた設問では、日本の中小企業で「特に実施している施策はない・把握していない」との回答も一定割合で見られたものの、「経営幹部から各部署に対して実施事項や達成目標が提示されている」が最も高い回答割合となったとされ、白書は「中小企業におけるAI活用については、トップダウンの関与がキーポイントとなっていることがうかがえる」と述べています(図表Ⅰ-2-1-4)。

数字の重ね方には注意が必要です。この戦略・方針の設問は、直前の組織的な取組状況の設問で「組織的な取組はない」「わからない」と回答した対象を除いた集計だと白書に明記されています。つまり27.0%に含まれる企業は、この設問の回答者に入っていません。「27.0%が取り組んでいない一方で、トップダウンが効いている」という形で並べると、別々の集団の話を対比することになります。ここから言えるのは、すでに何らかの取組をしている中小企業の中では、経営幹部からの目標提示が最も多いということまでです。それでも実務的な含意は残ります。人数が少ない組織では、経営者が工程を1本決めるところから動き出します。

原因3: AIに読ませる社内データが整っていない

3つ目が、最も差が出ているところです。IPA「DX動向2026」は、AI利活用に向けた学習データの整備状況について「整備しておりAIに活用している」が7.0%にとどまっており、「整備しているが十分ではない」が28.4%、「必要性は認識しているができていない」が27.6%と報告しています(図表3-15。同図表はAI導入の効果別に集計されており、AIの導入効果の設問に回答した企業が母数になっていると考えられます。少なくとも全企業に対する割合ではありません)。

そのうえで同報告書は、この結果を効果別に見た分析として「学習データを整備しており、AIに利活用している企業のほとんどは、期待と同等かそれ以上のAIの効果を得られていることが分かる」と述べています。ここは読み方に注意が必要です。これは整備済みの企業群と効果の実感が同時に現れているという関係であって、「データを整備すれば効果が出る」という因果関係を証明したものではありません。整備に踏み込める企業はもともと体制や予算に余裕がある、という説明も成り立ちます。それでも、手を打つ順番を決める材料としては十分に有力です(この読み方はjisalab編集部の判断です)。

総務省の白書も、環境整備の状況について同じ方向を示しています。白書は、日本で最も回答割合が高かったのは「業務プロセスの見直しや生成AI活用検討に必要なスキルやノウハウを学ぶ環境がある」で、次いで「生成AI活用検討に向けた予算や人員が確保されている」だったとしたうえで、「これらの回答は他の3か国でも高い割合となった」としています。そして他の3か国では「生成AIに社内データを学習させたり、生成AIが参照可能なデータベースを構築したりしている」との回答が5割を超えており、日本より大幅に高い結果となったと述べています(図表Ⅰ-2-1-5)。

ここは、公開されている元データを見ておく価値があります。なおこの設問の集計対象は白書本文に明記がなく、直前の設問と同じ除外(「組織的な取組はない」「わからない」を除く)が引き継がれている可能性があります。その場合、以下の数字は「すでに何らかの取組がある企業」の中での割合と読むことになります。いずれに転んでも、日本が他の3か国に後れているという向きは変わりません。誤解しないでいただきたいのは、日本が勝っている施策項目があるわけではないという点です。同図表のCSVによれば、日本は環境整備の施策項目のすべてで他の3か国を下回っています(「その他」は4か国とも0.0%、「特に実施している施策はない・把握していない」は日本が突出して高い項目です)。そのうえで、差が最も大きく開いているのが社内データの項目です。

出典: 総務省「令和8年版 情報通信白書」図表Ⅰ-2-1-5の公開CSV(2026年9月5日に取得)。抜粋のため全項目ではありません。「日本との差」は他3か国それぞれと日本の差の最小値〜最大値を編集部が算出したものです。最下行のとおり「特に実施している施策はない・把握していない」の割合が日本だけ突出しており、他国と単純に比較する際はこの点にも注意が必要です。また白書本文は、この設問の集計対象を明記していません。直前の設問(図表Ⅰ-2-1-4)は「組織的な取組はない」「わからない」と回答した対象を除いた集計で、環境整備の設問は「加えて…についても尋ねたところ」と続く書き方であるため、同じ除外が引き継がれている可能性があります。その場合、上の数値は「すでに何らかの組織的な取組がある企業」の中での割合ということになります。

つまり日本は環境整備の施策項目のすべてで他国に後れており、その中でも社内データの項目で最も大きく開いている——というのが正確な読み方です。「学ぶ環境や予算は足りているからデータだけやればよい」という話ではありません。予算を振り替えるのではなく、これまで手つかずだった項目を足す、という判断になります。汎用AIは、自社の見積根拠も、過去の提案書も、製品仕様も知りません。知らない相手に一般論しか聞けなければ、答えも一般論の域を出ません。効率化で止まる大きな理由は、AIが自社を知らないままだからだ——これが、2つの調査を突き合わせた編集部の見立てです。社内データをAIから引ける形にする具体的な手順は、社内ナレッジ検索の作り方で詳しく解説しています。

この段差については、白書自身が道筋を示しています。効果創出のステップとして、「段階的な取組の第一歩として、まずは比較的安価で導入しやすい汎用AIを、社員の個人作業で活用することを組織的に浸透させることにより、AIの特性と適用可能な業務への理解を社内全体で深めていくことが考えられる。その上で、自社の経営戦略・経営方針に基づき人間と生成AIとの協業の在り方を検討・定義し、組織的な取組として、業務プロセス全体をAI前提で変革していくことが考えられる」と述べています(図表Ⅰ-2-1-23)。

同図表は、この道筋を3つのステップとして示しています。ステップ1「汎用AIを活用した個人作業の効率化」→ ステップ2「一部プロセスにAIとの協業を組み込み」→ ステップ3「プロセス全体をAIを前提で最適化」です。ステップ2の説明には「自社の課題や成長戦略、AIの特性等を踏まえて生成AI活用戦略を定め、効果を見込める一部プロセスからAIを組み込んでいく」とあります。戦略を決めることと、一部の工程に実際に組み込むことが、同じステップに置かれている点が重要です。なお同図表の正式名称は「AI導入・活用による効果創出のステップ（イメージ）」で、白書はこの項の内容について「今回実施した調査に基づく一つの考察・分析の例であり、これに該当しない又はカテゴライズされない他のアプローチや取組について、否定又は排除するものでは一切ない」と注記しています。成熟度を測る公式の物差しではなく、進み方の一例として使ってください。

言い換えれば、いま多くの日本企業がいる「個人作業で使えている」状態は、失敗ではなくステップ1です。問題は、そこが到達点だと思ってしまうことにあります。この記事の後半で扱う「工程を1本選んで組み込む」取組は、白書でいうステップ2に当たります。

効果を「3層」で測る：時間だけでは経営に届かない

ここからは編集部の提案です。効果測定でつまずく典型は、削減時間 × 時給という1本の式で押し切ろうとすることです。この式は分かりやすい反面、決定的な弱点があります。削減した時間が空いただけで、費用は1円も減っていないからです。経営側から「では人員は減らせるのか」と問われると、答えられません。

そこで、指標を3層に分けます。下の層ほど測りやすく、上の層ほど経営に届きます。大事なのは、上の層だけを狙わないことです。3層を同時に置くことで、「いま第1層は出ている。第2層に入りかけている」という進捗の言い方ができるようになります。

3層の区分と指標例はjisalab編集部の整理です。公的資料に同じ区分があるわけではありません。第3層の「外注費」「採用の要否」は、時間削減を費用に翻訳できる数少ない経路として置いています。

ベースラインの取り方には、ひとつだけコツがあります。導入後に「導入前は何分かかっていましたか」と聞いてはいけません。人は速くなった後の記憶で過去を語るため、削減幅が大きく出すぎます。導入する前に、対象工程の所要時間を5営業日ぶん、日付・担当者・件数つきで記録してください。手間は1日5分です。これを取っていないと、後からどれだけ丁寧に集計しても、数字の信頼性が回復しません。

もうひとつ。時間削減を費用に翻訳できるのは、「外注していた作業が内製になった」「増員せずに件数を増やせた」「残業代が実際に減った」のいずれかが起きたときだけです。IPA調査で「残業時間の削減につながった」が29.2%にとどまっている(図表3-14)ことは、多くの企業でこの翻訳が起きていないことを示唆します(同図表は複数回答なので、選ばれなかった=残業代が減らなかった、と断定はできません)。逆に言えば、報告の前に「削減時間を、どの費用項目に着地させるか」を決めておくだけで、説明の通りやすさは大きく変わります。

損益分岐を出す：席単価から逆算する

費用対効果の議論を長引かせないために、金額の目安を出しておきます。海外のAIツールは米ドル建てが基本のため、円換算とその条件を明示します。

先に、この章の位置づけをはっきりさせます。ここで出す「損益分岐」は、前章で否定した「削減時間 × 時給」と同じ式です。だから、これは費用が減ることの証明にはなりません。それでも計算する意味は2つあります。1つは桁の確認で、席単価が月に数千円という水準なら、費用の議論に時間をかける価値がそもそも小さいと分かります。もう1つは第3層に着地させるときの下限で、外注費や残業代として実際に落とすなら、少なくともこの水準は超えている必要があります。目安として社内で共有するのは有効、経営会議に「回収できました」と出すのは不可——この線引きを持ったまま読んでください。

料金はAnthropicの公式料金ページを2026年9月5日に確認。円換算は1米ドル=156.25円(欧州中央銀行の参照レート、2026年9月4日付。Frankfurter API経由で2026年9月5日に取得)で計算した目安で、実際の請求額は決済時のレート・手数料・税により変動します。他社ツールの料金は各公式ページでご確認ください。

この席単価から損益分岐を出します。以下は説明用の例であり、実在の企業の実績ではありません。自社の数字に置き換えてください。

この計算をやってみると分かるのは、Claude Teamの標準席のような水準であれば、1人あたりの費用は議論の焦点になるほどの金額ではないということです(上表のPremium seatのような上位席を全員に配れば話は別ですし、席数が多ければ総額は無視できません)。他社の料金体系はこれと異なるため、自社が検討しているサービスの公式ページで確認してください。月3,125円は、対象者の作業時間が月に約62〜63分ぶん短くなれば釣り合う水準です。にもかかわらず社内で議論が紛糾するのは、費用が高いからではなく、削減を証明する記録がなく、しかも削減が費用に変換されていないからです。前者はベースラインで、後者は第3層の着地先で解けます。だからこの記事は、金額より先にその2つを置いています。

なお、上乗せ②の「出力の検証工数」は軽視できません。事実を含む文書ほど確認に時間がかかり、ここを削ると別のリスクが生まれます。検証にかける時間の配分についてはAI出力の検証手順で、リスク区分ごとの配分の考え方を整理しています。

次の一段に上がる5つの手順

① 全社展開の「次」として、工程を1本だけ選ぶ

最初にやるのは、対象工程の選定です。「部署」ではなく「工程」を選びます。見積作成、問い合わせ一次回答、月次の実績レポート作成といった、開始と終了がはっきりしていて、月に一定回数まわるものが向いています。選定の基準は次の3つです。

1. 頻度: 月に一定回数まわる(目安として月10回以上。回数が少ないと、差が出ても偶然と区別しにくくなります)
2. 記録: すでに件数や日時の記録が残っている(ベースラインが取れる)
3. 関与人数: 2〜3人以上が関わる(個人作業に閉じない)

3つ目が重要です。原因1で見たとおり、1人で完結する作業をどれだけ速くしても会社の数字は動きません。複数人の手を渡る工程を選ぶことで、待ち時間の短縮という第2の効果が乗ります。

② 変える前に測る(ベースライン)

選んだ工程で実測を取ります。期間は5〜10営業日を目安にしますが、大事なのは日数ではなく件数です。月10回程度の工程なら5営業日では2〜3件しか取れないので、最低10件が貯まるまで続けてください(月10回の工程なら1か月が目安)。記録するのは日付・担当者・件数・着手から完了までの時間・差し戻しの有無の5項目だけです。専用ツールは要りません。表計算1枚で足ります。この工程を飛ばすと、以降のすべての数字が「体感」になります。

③ 社内データを最小構成でつなぐ

ここが、白書のステップ1とステップ2を分ける工程です。ただし、いきなり全社の文書を集める必要はありません。選んだ工程1本が参照する資料だけを対象にします。見積作成なら、過去の見積書・価格表・値引きの判断基準の3種類で足りることが多いはずです。

方法は用途と規模で変わります。少量なら、その都度AIに資料を添付して読ませるだけでも成立します。件数が増えるなら、AIから検索できる置き場所を用意します。ツールの選び方はMake・n8n・Zapierの比較やAI議事録・文字起こしツールの比較で用途別に整理していますので、工程に合うものを選んでください。

ここで必ず先に決めるのが、渡してよいデータの線引きです。顧客の個人データ、取引先との秘密保持契約の対象、未公表の財務情報などは、サービスの契約形態によって扱いが変わります。ルールの作り方は生成AIの社内利用ルールを作る手順にまとめています。

④ 3層の指標で見る

前章の3層の表から、各層1つずつ、合計3つだけ指標を選びます。多くしないことが定着の条件です。第1層は②で測ったベースラインとの差、第2層は差し戻し件数、第3層は対象工程が支える事業の数字(受注率、対応件数など)を置きます。

⑤ 3か月で見直す

3か月続けて、指標が動かなければ工程の選定を疑ってください。ツールを変える前に、対象を変えます。効果が出ない工程の典型は、AIが読むべき材料が社内に文書として存在しない工程です(担当者の頭の中にしかない)。その場合は、まず材料を文書にするところが仕事になります。遠回りに見えますが、材料の有無を最初に見るという発想自体は、白書が「技術的な環境ならびにデータの整備」の項で引用する、国立情報学研究所の佐藤一郎教授の次の指摘と重なります(教授の指摘はデータの有無についてのもので、暗黙知の文書化という手順まで述べているわけではありません)。

「AI導入に成功するための最初のステップとして、AIに対応するデータがあるかどうか、つまり「AI-Ready」化が出来ているかどうかという点がある」

白書は同教授の指摘として、特にAIエージェントの活用に向けては、データの精度と鮮度がより重要となってくるとも紹介しています。指標が動かないとき、疑うべきは順番にツール、指示、工程、そして材料です。材料が無い工程では、どれだけ上手に指示を出しても結果は変わりません。

もうひとつ、同白書は経営層の意識について次の指摘も引いています。こちらは経営戦略に基づくAI活用方針の決定を扱った項での引用で、担当者向けというより経営層向けの提言です。

「企業経営者はAIをコストではなく資産として位置付けるべきであり、企業は業務の自動化を目標にするのではなく、ノウハウや知見を資産化するための手段としてAIを捉え、導入した方が良い」

白書は続けて、AIの活用が作業の自動化に留まると効率はたしかに向上するがAI自体の資産価値は上がらない一方、知見・知識・ノウハウをAI化することは、利用すれば利用するほどAI側に知見が蓄積されてゆき、時間とともに価値が上がるようなAIを作れることにつながる、という同教授の示唆を紹介しています。社内で「なぜ材料の整備に時間を使うのか」を説明するとき、この2つの引用は使えます。

職種別に見た、つまずきどころ

ここは、実務で起きる具体を挙げます。

• 営業・インサイドセールス: 提案書の初稿作成は速くなりますが、過去案件の記録が「訪問しました」レベルだと、AIに渡せる材料になりません。工程に組み込む段階へ進むには、商談記録の粒度を上げる作業が先に必要になります。ここを飛ばすと「一般論の提案書が速く出てくるだけ」で終わります。
• バックオフィス(経理・総務・人事): 定型処理は効果が出やすい一方、実務の時間を食っているのは例外処理です。件数の大半を占める定型を自動化しても、時間を食っている例外はそのまま残ります。ベースラインを取るときは、定型と例外を分けて記録してください。
• 情シス・管理部門: 社内データをAIから参照できるようにするとき、元の権限設定がそのまま引き継がれるとは限りません。人事評価や給与のファイルが同じ場所にあると、参照範囲の設計を誤ったときの影響が大きくなります。対象工程が参照する資料だけを別の置き場所にコピーする方が、初期は安全です。
• 製造・現場部門: IPA調査で「生産・物流・サービス提供の計画支援」が6.0%と低い(図表3-9)理由を、同報告書は分析していません。現場データがAIの読める形になっていないことが効いているのではないか、というのは編集部の推測です。まずは日報・作業記録の形式を揃えるところからになります。

次に取るべき行動

よくある質問(FAQ)

効果測定のために、まずアンケートを取るのは有効ですか?

補助としては有効ですが、主要な根拠には使えません。導入後に「どのくらい時間が減りましたか」と尋ねると、回答は速くなった後の感覚にもとづくため、削減幅が大きく出やすくなります。経営会議で数字の根拠を問われたときに、自己申告だけでは持ちこたえられません。アンケートは「どこが使いにくいか」「どの工程で詰まっているか」を聞く用途に向いています。時間の削減量は、導入前に取った実測との差で示してください。両方あると、数字と理由をセットで報告できます。

「売上が上がった」まで求められています。どう答えればよいですか?

IPA「DX動向2026」で「売上や利益が向上した」と回答した企業は3.9%です(図表3-14。すでに何らかの効果があったと答えた企業の中での割合である点に注意してください)。効果を実感している企業に限っても、そこに到達しているのはごく少数だという事実を、まず共有してください。そのうえで、第3層に届く経路を具体的に示します。現実的なのは「対応できる件数が増えた」「外注していた作業を内製にした」「増員を見送れた」のいずれかです。いずれも既存の管理帳票で追えます。逆に、経路を示さずに売上目標だけを置くと、後からAIの寄与を切り分けられなくなります。

全社に配るのと、部署を絞るのは、どちらが先ですか?

白書が示す効果創出のステップに沿うなら、順番はどちらか一方ではなく、役割が違います。汎用AIを社員の個人作業で使えるようにする(=広く配る)のはステップ1で、白書は「まずは比較的安価で導入しやすい汎用AIを、社員の個人作業で活用することを組織的に浸透させる」ことを第一歩として挙げています。一方、この記事で扱った工程単位の取組は、白書のステップ2「一部プロセスにAIとの協業を組み込み」に当たります。広く配ったうえで、工程は絞る——これが両立します。すでに全社に配ってあるなら、次にやるのは追加配布ではなく工程の選定です。

効果が出ないとき、ツールを乗り換えるべきですか?

乗り換えの前に、材料を確認してください。同じ工程で、AIに渡している資料が「一般公開されている情報だけ」なら、どのツールに変えても答えは一般論のままです。チェックの順番は、①渡している材料 → ②工程の選び方 → ③指示の出し方 → ④ツールです。ツールの比較検討が必要な段階だと判断できたら、用途別の比較記事で候補を絞ってください。なお、乗り換える場合は既存データの持ち出し可否を先に確認しておくと安全です。

あわせて読みたい

出典・参考

• 総務省「令和8年版 情報通信白書」第Ⅰ部 第2章 第1節「企業におけるAI利用の現状」より、(2)組織的な取組状況(図表Ⅰ-2-1-3、図表Ⅰ-2-1-4、図表Ⅰ-2-1-5)、(3)生成AIの業務利用状況(図表Ⅰ-2-1-6、図表Ⅰ-2-1-7)、(5)生成AIの活用により生じうる影響(図表Ⅰ-2-1-10)、4(1)AI導入・活用を効果的に進めていくために重要となる要素(ア 経営戦略に基づくAI活用方針の決定／ウ（イ）技術的な環境ならびにデータの整備)、4(2)AI導入・活用による効果創出のステップ(図表Ⅰ-2-1-23)、および4の冒頭と注32、ならびに(1)生成AIの活用方針等(調査の呼称)。数値の一部は同白書が公開する図表Ⅰ-2-1-3・Ⅰ-2-1-4・Ⅰ-2-1-5のCSVから引用(2026年9月5日に各ページの原文とCSVで確認。図表Ⅰ-2-1-23は原図も取得して確認。各図表の出典は総務省(2026)「国内外における最新の情報通信技術の研究開発及びデジタル活用の動向に関する調査研究」)
• 独立行政法人情報処理推進機構(IPA)「DX動向2026」(調査期間: 2026年4月中旬〜6月中旬、19業種の経営層またはICT関連事業部門を対象に1,799社の有効回答)より、「DX動向2026について」、6.1 調査の概要、3.AI・データ利活用の状況の概要、AI利活用の用途(図表3-9)、AI導入による効果の状況(図表3-13)、AI導入による具体的効果(図表3-14)、AI利活用に向けた学習データの整備状況(図表3-15)｜IPA(2026年9月5日に報告書PDFを取得し原文で確認)
• Anthropic「Pricing」(Claude 公式料金ページ)より、Team プランの Standard seat の月額(年払い/月払い)、対象人数、Pro プランの年払い金額｜Anthropic(2026年9月5日に原文で確認。表示は米ドル・税別)
• 為替の参考レート: 欧州中央銀行の参照レート(2026年9月4日付、1米ドル=156.25円)｜Frankfurter API(2026年9月5日取得)。円換算は目安であり、実際の請求額は決済時のレート・手数料・税により変動します
• 本記事は業務手順の一般的な解説であり、個別の投資判断・会計処理・契約条件の適否を判断するものではありません。判断は自社の規程および会計士・税理士等の専門家にご確認ください。各サービスの料金・仕様は変更されるため、実施前に各公式でご確認ください。

関連カテゴリ: AI活用術 ／ AI

本記事に登場する製品名・ロゴは各社の商標または登録商標です。掲載の図解はjisalab編集部が作成したものです。3層の指標区分・損益分岐の試算・工程選定の基準はjisalab編集部の整理であり、引用した公的調査に同じ区分があるわけではありません。試算は説明用の例であり、自社の実額に置き換えて判断してください。