2026/08/20AIを増やすことが生産性向上に直結しない理由：タスクではなくワークフローを再設計する
人工知能と機械学習｜Appar Technologies Co., Ltd.｜2026/08/20
人工知能はすでに社員の文書作成、データ分析、プログラム生成、さらには一連のタスクの自動実行を可能にしていますが、企業はすぐに直感に反する現象に直面します。各タスクのスピードは向上しているのに、全体の運営は比例して加速していないのです。McKinsey、BCG、Deloitte、そして『ハーバード・ビジネス・レビュー』の近年の研究は、人工知能の真の企業価値は「既存のタスクを速くする」ことではなく、どのタスクが本当に必要かを見直し、どの引き継ぎを排除できるか、そして人間、AI、企業システムの間でどのように再分配するべきかにあると指摘しています。
ヒューレット・パッカード・エンタープライズ（Hewlett Packard Enterprise, HPE）の財務チームは、エージェント型人工知能を導入する際に、「どの社員が最もAIアシスタントを必要としているか」から始めるのではなく、企業プロセス全体を選択しました。それが「運営パフォーマンスレビュー（Operational Performance Review）」です。このタスクは、大量の企業データから運営状況を整理し、異常を分析し、グラフを作成し、結果を管理層が行動に移せる情報にまとめるという、データ収集、分析、意思決定支援を横断する完全なプロセスです。HPEの財務長Marie Myersは、チームがこのケースを選んだのは、端から端までの作業方法を本当に変えたいからであり、単に小さな痛点を解決するだけではないと述べています。
HPEとDeloitteが共同開発したシステムは、社内でAlfredと呼ばれています。それは単に既存の報告プロセスにテキスト要約ツールを追加するのではなく、複数の人工知能エージェントがクエリの分解、SQLデータ分析、グラフ作成、管理報告の整理を共同で処理し、企業のデータウェアハウスから情報を取得します。このデータ環境には約3億件のデータ記録が含まれ、基盤は企業資源計画システムと顧客関係管理システムに接続されています。元々静的で回顧的な報告プロセスは、データと継続的に対話し、問題を探求し、次の分析方向を提供する管理ツールへと変わり始めています。
このケースで注目すべき点は、HPEがいくつの人工知能エージェントを使用したかではなく、選んだ「単位」が異なることです。多くの企業は人工知能を導入する際に、まずタスクを個々の作業に分割し、例えば要約作成、グラフ作成、データ検索など、それぞれのタスクで何分節約できるかを問います。しかし、HPEは完全な運営パフォーマンスレビューのプロセスから出発し、どのステップを人工知能が実行すべきか、どの情報を直接接続できるか、そして管理者が本当に関与する必要がある部分は何かを考えます。この2つのアプローチはどちらも人工知能の導入と呼ばれますが、組織に与える効果は全く異なる可能性があります。
これが現在の企業における人工知能採用の最も顕著なギャップです。McKinseyの2025年のグローバル人工知能調査によれば、人工知能の企業での使用は非常に一般的になっていますが、企業レベルでの実質的な価値は依然として不均一です。McKinseyがテストした25の管理実務の中で、ワークフローの再設計は、生成型人工知能がもたらすEBITDAへの影響と最も明確に関連しています。しかし、生成型人工知能をすでに使用している企業の中で、少なくとも一部のワークフローを根本的に再設計したと回答したのは21％に過ぎません。
2026年になっても、このギャップは依然として存在します。BCGが年収5億ドル以上の企業の152人のCEOを対象に調査したところ、約9割の回答者が人工知能が一部の領域でコストまたは収益のメリットをもたらしていると述べていますが、多くの企業はこれらの成果を全体的な財務影響に拡大するのが難しいとしています。パフォーマンスが良い企業は、ワークフローを再設計し、エンドツーエンドでビジネスを改造する可能性が他の企業の約7倍です。人工知能の真のボトルネックは、モデルがタスクを完了できるかどうかではなく、企業が作業の運用方法を再設計する意欲があるかどうかです。
部分的な効率向上は、組織全体の効率向上を意味しない
仮にある企業のマーケティングチームが、元々イベント企画書を作成するのに2時間を要していたとします。生成型人工知能を導入した後、最初の企画書は20分で完成するようになりました。個人の観点から見ると、これは非常に明らかな生産性の向上です。企業が人工知能の効果を「単一のタスクでどれだけ時間を節約できるか」で評価するなら、このプロジェクトはほぼ確実に成功と判断されるでしょう。
しかし、企画書が作成された後、製品部門に内容を確認してもらい、ブランド部門がテキストを修正し、法務が主張を確認し、上司が予算を審査し、再びマーケティングチームが修正する必要があります。元々2時間かかっていた作成作業が20分に短縮されたとしても、その後の待機、引き継ぎ、反復確認は全く変わりません。さらに、人工知能がコンテンツを生成するコストが下がったため、社員は5つのバージョン、10のアイデア、さらに多くの添付ファイルを作成しやすくなり、結果として審査が必要な情報が増えてしまうのです。
BCGは2026年に人工知能の生産性を研究し、この現象を非常に直接的に説明しています。人工知能は生産量と作業速度を増加させることができますが、既存のステップ、審査レベル、役割、重複作業が依然として存在する場合、新たな生産性は元々の組織の複雑さに吸収されやすいのです。企業は社員がより速く作業していることを確認できますが、コストが下がったり、プロセスが短縮されたり、財務パフォーマンスが同時に改善されたりすることは必ずしも見られません。
これが、「社員が毎日どれだけ人工知能を使用しているか」や「毎月どれだけの人工知能コンテンツが生成されているか」が、人工知能の変革が成功したことを単独で証明するのが難しい理由です。これらの数字はツールが使用されていることを証明するだけで、組織の運用方法が変わったことを証明するものではありません。本当に観察する必要があるのは、元々5日かかっていた作業が今では2日で済むかどうか、元々6回の人間の引き継ぎが必要だったプロセスが今では2回に減っているかどうか、そして元々上司が個別に確認していた案件がどれだけ例外処理に変わっているかです。
人工知能を人間のために設計された古いプロセスに組み込まないでください
企業のプロセスは通常、一度に設計されるのではなく、長年にわたって徐々に積み重ねられた結果です。あるステップで問題が発生したため、審査を追加したり、あるシステムにインターフェースがないため、データをコピーする担当者を配置したり、別の部門に通知が必要なため、さらにメールを追加したりします。各ステップが登場した時には理由がありましたが、何年も経つと、元々シンプルだった作業が5つの部門、3つのシステム、数回の人間の確認をまたぐ複雑なプロセスに変わってしまうことがあります。
《ハーバード・ビジネス・レビュー》は、AIエージェントと仕事の設計について議論する際、初期の工場が電力を導入した歴史を比喩として使用しています。最初の工場は中央の蒸気動力を電動モーターに置き換えただけで、元の工場と伝動方式をそのままにしたため、改善は限られていました。企業が電力の特性に基づいて工場配置を再設計するまで、新しい生産モデルは本当に現れませんでした。人工知能も同様の問題に直面しています。企業がAIを人間の仕事の方法に基づいて構築された組織構造に単に組み込むだけでは、得られるのは部分的な効率改善に過ぎません。
Deloitteは2026年の代理型人工知能研究においても同様の警告を発しています。多くの企業が既存のプロセスを自動化しようとしていますが、これらのプロセスはもともと人間の仕事の制約に基づいて設計されています。先進企業が採用している方法は、エンドツーエンドのプロセスに戻り、仕事がどのように完了すべきかを再検討することであり、「今どのステップにエージェントを配置できるか」を単に探すことではありません。Deloitteは、設計が不十分な代理型人工知能プロジェクトが追加の作業を増やし、プロセスをより非効率的にすることさえあると指摘しています。
これは非常に重要な管理問題をもたらします。企業が人工知能を評価する際、最もよく尋ねられるのは「このステップをAIで行うことができますか？」ですが、本当に価値のある質問はもう一歩進んで、「現在の人工知能の能力を持って、このステップはまだ存在する必要がありますか？」です。前者は通常、より速い旧プロセスをもたらしますが、後者は新しい運営方法をもたらす可能性があります。
人、AI、システムの責任を再定義する
伝統的な企業プロセスには、ほとんど明言されていない前提があります。それは、大部分の情報は人間が読む必要があり、大部分のクロスシステムの動作も人が操作する必要があるということです。したがって、企業は人間の能力と制約に基づいて仕事を部門、職位、操作ステップに分割し、フォーム、電子メール、会議、ソフトウェア画面を利用してそれらを結びつけます。これが、多くの企業のプロセスにおいて、「情報をある場所から別の場所に移動する」作業が大量に存在する理由です。
例えば、営業が顧客の要求を受け取った後、電子メールの内容を顧客関係管理システムに整理し、技術者に通知するかもしれません。技術者が見積もりを行った後、結果をプロジェクト管理システムに入力します。営業は価格情報を取得して見積もりを作成し、上司が割引を確認し、最終的に顧客に送信します。ここで本当に人間の判断が必要なのは、要求の明確化、特別な見積もり、異常な割引だけであり、他の多くの作業は実際には情報整理、システム操作、状態伝達に過ぎません。
生成型人工知能とAIエージェントが文書を理解し、企業データを照会し、ツールを呼び出し、システムを操作する能力を持ち始めると、これらの当然の分業は再検討に値します。Deloitteは代理型人工知能の研究において、先進企業は既存の職位に単独でツールを追加するのではなく、プロセス全体から考え始め、人間とエージェントがそれぞれどの作業を処理すべきかを考え、両者が最終成果を共同で達成するようにしています。
これはまた、人工知能の変革がもはや情報部門の責任だけではないことを意味します。情報チームはモデル、データ、システム統合、安全性、技術アーキテクチャを担当できますが、「どの審査が実際には必要ないか」「どの顧客が自動見積もりを受けられるか」「どの例外が必ず上司を必要とするか」を単独で決定することはできません。これらの問題は、実際に運営結果に責任を持つ事業部門の参加が必要です。なぜなら、プロセスの再設計は本質的に管理問題であり、単なる技術導入問題ではないからです。
成果を起点としたプロセス再設計方法を定義する
企業がプロセスを再設計し始めるとき、最初から会社全体を再構築する必要はありません。より実際的な方法は、明確な成果を持ち、複数のステップを跨ぎ、現在大量の手作業整理、引き継ぎ、または待機が存在するプロセスを選び、最初から最後まで再検討することです。BCGも企業に対し、エンドツーエンドで再設計するために完全なプロセスを選択することを推奨しており、異なる部門で個別に散在する人工知能のケースを探すのではありません。その研究によれば、仕事のプロセスを再発明することによってもたらされる影響は、従来の漸進的改善の3〜4倍に達する可能性があります。
実際のプロセス再設計は、以下の質問に順番に答えることができます：
- このプロセスが本当に生み出すべき成果は何ですか？「レポートを作成する」ではなく、「上司が意思決定を行うのに十分な情報を得る」ことです。「カスタマーサービスのチケットを作成する」ではなく、「顧客の問題を解決する」ことです。
- どのステップが本当に人間の判断を必要としますか？戦略、関係、例外、責任、高リスクの決定に関与する作業は、通常、人間の参加が必要です。
- どのステップが単なる情報の運搬ですか？従業員が電子メールから顧客関係管理システムにデータをコピーし、別のシステムからデータを調べて貼り付けるだけである場合、これらの作業はまず排除または統合されるべきです。
- どの審査がリスク管理であり、どれが単なる歴史的習慣ですか？すべての承認が取り消されるべきではありませんが、企業はそれがどのリスクを低減しているのかを知る必要があります。さもなければ、人工知能は単に文書を次の待機点により早く到達させるだけです。
- どの状況が自動で完了でき、どれが例外として上司に報告されるべきですか？90％の案件が固定ルールに従う場合、100％の案件がすべて手動で審査される必要はありません。
- 人工知能はどこに現れるべきですか？前の質問に答えた後で、企業は生成型人工知能、従来の自動化、AIエージェントを使用するか、あるいは人工知能が全く必要ないかを決定します。
この順序は非常に重要です。最初の質問が「どこに人工知能を配置できるか」である場合、チームは既存のプロセスを変更不可能な前提と見なすことが容易です。逆に成果、判断、引き継ぎ、例外を先に問うことで、人工知能は仕事を再設計するための一つのツールとなり、プロジェクトの目的そのものではなくなります。
良いAI作業プロセスの特質
HPE、McKinsey、BCG、Deloitte の企業事例と研究から、AI を実際の業務成果に変えるプロセスには共通の特徴があることがわかります。それらは「完全に人がいない」プロセスを追求するのではなく、人間がどこに関与すべきか、情報がどのように流れるべきか、AI が生み出す能力をどのように実際の組織成果に変えるかを再配置しています。
- タスクではなく成果を単位とする：設計の目標は、10 の作業をそれぞれ 20％ 速くすることではなく、プロセス全体の納期、品質、またはコストに明確な変化をもたらすことです。
- 不要な引き継ぎを減らす：AI が生成した情報が人、文書、システム間で繰り返し移動する必要がある場合、生産性は引き継ぎで失われやすくなります。
- 人を高価値の判断点に配置する：従業員はすべての作業に関与する必要はなく、例外、リスク、関係、創造性、責任を伴う意思決定に集中すべきです。
- 企業システムをプロセスに直接参加させる：AI がテキストを生成し、従業員が手動で正式なシステムに入力するだけでは、真のエンドツーエンドの改善を形成するのは難しいです。データ、ツール、ワークフローは段階的に統合される必要があります。
- 簡素化してから自動化する：12 のステップがあるプロセスで、そのうち 5 つが実際には不要な場合、最良の自動化は 12 のステップをすべて速くすることではなく、まず 5 つを削除することです。
- エンドツーエンドの成果を測定する：工数の節約だけでなく、サイクルタイム、手動引き継ぎ回数、例外率、コスト、転換率、顧客満足度、実際の財務影響を測定すべきです。
BCG はこれを Productivity から Performance への移行と表現しています。AI は新しい作業容量を迅速に生み出すことができますが、管理者がこれらの容量を積極的に再配分し、不要な作業を削除し、役割と意思決定権を修正する場合にのみ、生産性は真のコスト改善とパフォーマンスに変わります。さもなければ、従業員は新しい時間を利用して、元々存在していた作業をより多く完了するだけです。
単一 AI 導入からワークフロー再設計への移行方法
企業の第一歩は、現在のすべての Copilot、ChatGPT、または生成型 AI プロジェクトを停止することではありません。単一ツールは依然として優れた学習方法であり、AI の能力に対する従業員の理解を迅速に構築できます。問題は、「多くの人が AI を使い始めた」ことを変革が起こったと誤解することです。個人の生産性が向上し始めたら、管理者は視点を一段上に移動し、これらの効率が最終的にどこに行ったのかを観察すべきです。
より良い出発点は、明確な痛点とビジネス成果を持つ完全なプロセスを選択することです。このプロセスは必ずしも最大である必要はなく、見積もりサイクル、カスタマーサービス問題解決時間、調達処理時間、財務決算、プロジェクト納品、品質異常処理など、結果が測定しやすいものであるべきです。HPE は運用パフォーマンスレビューのプロセスを選択しました。これは、大量のデータ、明確な管理価値、ステップを超えた改善の余地があるためです。
次に、チームは実際に発生しているプロセスを描くべきです。会社の制度文書に書かれているプロセスではなく、実際のプロセスです。すべての待機、手動コピー、電子メール確認、システム切り替え、上司の承認が見えるようにします。この時点で、チームは実際に作業を遅らせているのは誰かがタイピングが遅いことではなく、情報がどこにあるかわからない、責任が不明確、システムが断裂している、すべての案件が同じ制御方法を経ることを強いられていることを発見する機会があります。
第三のステップは、再設計してから技術を選択することです。いくつかのステップは大規模言語モデルに適しているかもしれませんし、いくつかは従来のルールエンジンに適しているかもしれません。いくつかは API 接続だけで十分であり、いくつかは AI エージェントによる自主処理に適しています。固定ルールの作業が通常のプログラムで安全に完了できる場合、「AI 変革」のためにエージェントを無理に適用する必要はありません。Deloitte は 2026 年に企業に警告し、多くのエージェント型 AI として包装されたケースは実際には従来の自動化であり、技術の誤った選択は投資収益率を低下させる可能性があると述べています。
最後に、プロセスが稼働した後も継続的に調整する必要があります。AI の能力は変化し、企業のルールも変化し、従業員も新しい使用方法を徐々に発見するため、ワークフローは一度設計され、数年間変わらない固定制度として理解されるべきではありません。『ハーバード・ビジネス・レビュー』は 2026 年に新興技術とプロセス設計について述べ、AI が情報調整と実験コストを削減した後、企業は過去の大規模で周期的なプロセスを改造し、徐々に進化する作業方法に変える機会があると指摘しています。
使用率指標から業務成果への移行
AI 導入初期には、企業は採用率を成功指標としがちです。たとえば、何人の従業員が Copilot を開き、何人が毎週 ChatGPT を使用し、会社が何人のエージェントを設立したかなどです。これらの数字は普及段階では価値があります。なぜなら、それらは従業員が新しいツールに実際に触れているかどうかを示すことができるからです。しかし、AI が正式な業務に入り始めたら、企業は徐々に成果指向の測定方法に切り替える必要があります。
『ハーバード・ビジネス・レビュー』は 2026 年に、企業が個人レベルの生産性を得るだけで、全体的なビジネス成果を形成しない現象を「マイクロ生産性の罠」と呼んでいます。従業員は電子メール、プレゼンテーション、コード、分析作業をより速く完了できますが、これらの改善が完全な業務プロセスに接続されていない場合、収益、コスト、競争力に反映するのは難しいです。
したがって、次の段階の管理ダッシュボードには異なる指標が表示され始める必要があります。たとえば、見積もりが要求から正式な送信までの平均時間がどれだけ短縮されたか、カスタマーサービス案件が最初に成功解決された割合が上昇したか、調達プロセスに平均して何回の手動介入が必要か、どれだけの作業が上司の個別承認を必要としていたが、現在は異常案件のみが処理を必要としているか、元々 3 つの部門がデータを交換する必要があったプロセスが、1 つの情報フローに統合されたかどうかです。
これらの指標は「モデルがどれだけ速く回答するか」と比べると、AI 指標のようには見えませんが、企業が本当に関心を持つ結果に近づいています。AI の価値は最終的に収益、コスト、速度、品質、リスク、顧客体験のいずれかに落ち着く必要があります。すべての AI 使用量が急速に増加しているのに、これらの指標がまったく変化していない場合、管理者は再度確認する必要があります。会社が得たのは変革なのか、それとも単に多くのツールなのか。
AI 変革の焦点は、ツールから作業そのものへと移行している
現在の AI 技術は依然として急速に発展しており、企業は今後数年間でより強力でコストの低いモデルとエージェントを取得し続けるでしょう。言い換えれば、「AI を取得する」こと自体がますます容易になります。真に複製が難しい競争力は、企業が自社のプロセスを理解しているか、どの意思決定が本当に重要かを知っているか、人、AI、企業システム間の分業を再配置できるかどうかにあるかもしれません。
Deloitteの2026年の企業人工知能調査は注目すべき数字を示しています。人工知能が効率と生産性の成果をもたらす企業が増えており、人工知能が変革的な影響を与えていると考える経営者も前年より増加しています。しかし、実際に「ビジネス全体を再構築している」と述べる企業はまだ34％に過ぎません。これは、多くの企業が人工知能を既存の業務に追加する段階にあり、業務を再設計する段階には至っていないことを示しています。
BCGの最新の研究も同様に、真に成果を上げている企業は、単に人工知能を多く導入するだけでなく、AIをプロセス、役割、意思決定権、運営モデルと共に改造していることを示しています。企業が「一人が一日にどれだけ多くの仕事をこなせるか」を追求するだけでは、改善は部分的にとどまります。しかし、企業が「なぜこの仕事にはこれほど多くの人が必要なのか、なぜこれほど多くの引き継ぎと長い待ち時間があるのか」と問い始めると、人工知能は組織設計を変える力となり得ます。
したがって、今こそ企業がプロセスを再検討する良い機会です。すべての仕事を人工知能に任せるべきだというわけではなく、情報取得の困難さ、人手不足、システムの断絶によって過去に構築された業務方法が唯一の選択肢ではなくなったからです。管理者が本当に育成すべき能力は、最新のモデルの機能を知ることだけでなく、どの仕事が存在する価値があるのか、どの仕事を排除すべきか、どの仕事を機械に任せるべきか、そして人間の判断をどこに残すべきかを再評価する能力です。
技術自体が自動的に会社を変えるわけではありません。同じレポートを10倍速く生成できても、企業の意思決定速度が10倍速くなるわけではありません。すべての従業員に人工知能のアシスタントがいても、会社の運営モデルが変わったわけではありません。人工知能の真の変革価値は、企業が新しい技術能力を利用して「仕事をどのように完了すべきか」を再設計する意欲にあります。
したがって、次に企業が新しい人工知能ツールを購入する準備をする際、次のAIエージェントを構築する際、またはより多くの従業員に人工知能の使用を求める際に、管理者は別の質問を先にするべきかもしれません。もし今日このプロセスをゼロから設計し、最初から人工知能が現在の能力を持っていると知っていたら、私たちは今日のように仕事を設計するでしょうか？
もし答えが否定的であれば、企業が次に本当に更新する必要があるのは、人工知能ツールではなく、仕事そのものかもしれません。
