日本企業はAIを使い始めた
――だが、仕事の組み替えはまだ始まったばかり

お盆休み明けの朝を思い浮かべてほしい。社員が生成AIに会議メモを要約させる。三十分かかっていた作業は三分で終わる。ところが、その要約は表計算ソフトに貼り直され、別の様式に転記され、上司の確認を待ち、最後は従来と同じフォルダに保存される。ひとつの作業は速くなった。しかし仕事全体は、ほとんど変わっていない。

これは特定の会社の逸話ではない。2026年7月に情報処理推進機構（IPA）が公表した「DX動向2026」の数字から浮かぶ、日本企業の現在地を理解するための場面だ。AIは個人の机には届いた。だが、誰が何を判断し、どのデータを使い、どこで人が確認し、顧客にどう価値を返すかという「仕事の設計図」までは、十分に書き換わっていない。

一つの数字に隠れた、二つの革命

「AIを導入した」という言葉には、まったく異なる二つの革命が折り畳まれている。

第一は、道具の革命だ。文章を要約し、翻訳し、メールを下書きし、情報を探し、コードを書く。導入は比較的容易で、社員はその日のうちに時間を節約できる。IPA調査で最も多い用途は「文書・音声の要約・翻訳・校正」の82.5%。「文書・レポートの作成」が80.5%、「情報検索・収集・分析・レポーティング」が77.0%で続く。

第二は、仕事の革命だ。問い合わせが来てから回答するまで、受注してから出荷するまで、設備異常を見つけてから保全するまでを一つの流れとして見直す。入力データを整え、AIが提案する範囲と人が決める範囲を分け、承認を減らし、例外処理を設計し、結果を測る。こちらはソフトを配れば終わらない。部署、権限、評価、予算、時には取引先との関係まで動かさなければならない。

調査では、生成AIを「個人で業務利用している」が63.3%、「個人や部署で試験利用」が44.8%だった一方、「部署の業務プロセスに組み込まれている」は11.9%、「全社的なサービスに組み込まれている」は18.6%だった。複数回答なので足し算はできない。しかし方向は明白だ。日本企業は第一の革命を急速に進め、第二の革命の入口に立っている。

1982年から続く「技術」と「実装」の距離

日本にAIへの野心がなかったわけではない。1982年、通商産業省は「第五世代コンピュータ・プロジェクト」を開始した。知識情報処理を目標に、並列推論マシンを開発し、11年間で約540億円を投じた。現在の生成AIとは技術も時代も違う。それでも、機械に知識を扱わせる国家的な挑戦が四十年以上前に始まっていたことは、日本の物語を「AIに出遅れた国」という一言では説明できないことを示す。

2016年には政府が「Society 5.0」を掲げた。サイバー空間と現実空間を高度に融合し、経済発展と社会課題の解決を両立する人間中心の社会を目指す構想だ。2018年の経済産業省「DXレポート」は、複雑化・老朽化した基幹システムが変革を妨げる「2025年の崖」を警告した。2019年のAI戦略、2025年のAI法、そして2026年の第2次AI基本計画へと政策の言葉は、研究開発から社会実装、さらに「AX（AIトランスフォーメーション）」へ移った。

第2次AI基本計画は、AXを「AIを前提として、意思決定と業務のあり方を根本的に見直す」こととしている。興味深いのは、2026年の政策文書と企業調査が同じ地点を別の言葉で指していることだ。国は「根本的な見直し」を求める。企業の現場では、生成AI利用の中心がまだ要約と文書作成にある。

なぜAIは「個人の便利」で止まるのか

一番簡単な答えは、人材不足だ。AI導入・運用の課題として50.1%が「専門人材不足」を挙げ、45.8%が生成AIの効果やリスクへの理解不足、39.7%が利用ルールづくりの難しさを挙げた。しかし「AI人材がいない」で話を終えると、より深い問題を見落とす。

会社全体の仕事を変えるには、モデルを扱える技術者だけでなく、現場の例外を知る人、顧客が本当に待っている成果を定義する人、法務・セキュリティ、データ責任者、そして承認経路を変えられる経営者が同じ机につく必要がある。IPA調査では、AI活用を主導するのはIT部門長が46.0%で最多。経営層は32.1%、現場部門長は27.5%。最高AI責任者（CAIO）は2.9%、その他のAI専任組織は9.8%だった。

IT部門主導が悪いのではない。問題は、AIが「情報システム案件」として閉じることだ。仕事の流れを所有する現場と、権限を持つ経営が加わらなければ、AIは既存工程の一部を速くするだけで、工程そのものは残る。

実際、生成AIの利用部署はITシステム71.9%、経営企画69.0%、総務・法務68.4%と管理系が先行する。調達は31.3%、製造は35.7%、流通は23.9%。会社の中枢で文章を扱う仕事には入りやすいが、在庫、品質、納期、設備、人員配置のように現実世界のデータと責任が絡む仕事への浸透は遅い。

「内向き」の成果は出た。「外向き」の価値はこれから

AIを導入・試験利用した企業のうち、「期待以上」または「期待どおり」の効果を得た企業は31.8%。50.6%は「一定の効果はあったが、期待したほどではない」と答えた。失敗ではない。むしろ、多くの企業が小さな効率化を実感しながら、経営成果への橋をまだ架けられていないという数字だ。

効果があった企業に具体的な内容を尋ねると、「業務が効率化・迅速化」が91.6%。「企画提案の品質や速さ」が48.9%、「残業時間の削減」が29.2%だった。一方、「顧客満足度向上」は4.5%、「売上や利益向上」は3.9%にとどまる。

ここにも測定の問題がある。AIが一通のメール作成を五分短縮したことは測りやすい。返品率が下がったか、顧客の待ち時間が減ったか、新しいサービスの売上が増えたかをAI導入と結びつけるには、導入前の基準値と業務全体の成果指標が必要だ。ところがDXの成果指標を設定している企業は23.9%にすぎない。測らない変革は、予算会議では「便利そうなツール」に戻ってしまう。

AIの前に、データが散らばっている

生成AIの画面は滑らかでも、その背後にある会社のデータは滑らかではない。顧客名が部署ごとに違う。製品コードが統一されていない。古いPDF、表計算、メール、紙に判断の根拠が分散する。モデルの性能を議論する前に、どれが正しい数字かを決めなければならない。

AI向けの学習データを「整備し、活用している」企業は7.0%。28.4%は整備しているが不十分、27.6%は必要性を認識しながら未整備だった。データを全社的または一部部門で活用する企業は59.9%だが、全社利用だけを見ると20.0%。従業員100人以下では、データ利用は38.6%に下がる。

データ整備は華やかではない。しかし、品番、顧客、契約、作業履歴の定義を揃える仕事こそ、AIが個人の助手から会社の能力へ変わる土台になる。会社固有のデータは、誰でも買えるモデルより模倣されにくい。2026年の第2次AI基本計画が、日本の現場データと「垂直AI」を重視するのも、そのためだ。

中小企業にとって、遅れは運命ではない

規模の差は大きい。全社戦略に基づくものから部署別まで含めてDXに取り組む企業は全体で75.7%だが、従業員1,001人以上では98.7%、100人以下では41.6%。小規模企業の34.6%はAIに関心がありながら具体的な予定がない。

それでも、小さいことには利点がある。変更する部署が少なく、経営者と現場の距離が近ければ、一つの流れを端から端まで変えやすい。大田区の町工場で、近隣企業同士が仕事を融通し合う「仲間回し」をデジタルで広げた事例のように、変革の出発点は巨大なシステムではなく、地域や取引の実態をよく知る人が困りごとを一つ選ぶことにある。

中小企業のAI戦略は、大企業の縮小版である必要はない。見積もり、問い合わせ、保全、受発注、検品のうち、待ち時間か手戻りが最も大きい流れを一つ選ぶ。モデルの購入額ではなく、顧客への回答時間、欠品、再作業、粗利、残業で成果を測る。そこから隣の工程へ広げればよい。

ガバナンスはブレーキではなく、走るための路面

AIを業務に深く組み込むほど、誤り、機密漏えい、著作権、差別、説明責任の問題は重くなる。IPA調査では、全社的なAIガイドラインやルールがある企業は32.5%、社内周知したAIポリシーがある企業は28.8%。生成AI固有のリスクマネジメントを実施している企業は14.2%だった。

この数字を見て「危険だから待つ」と考えるのは簡単だ。しかし調査では、AI効果を感じる企業ほどリスク管理も進んでいた。これは因果関係の証明ではないが、重要な示唆がある。ルールは利用を止める壁ではなく、社員がどのデータを入れてよいか、誰が確認するか、いつ人に戻すかを明確にし、安心して範囲を広げるための土台になり得る。

経済産業省とIPA・AISIが2026年3月にまとめた「AI事業者ガイドライン 第1.2版」も、イノベーション促進とリスク緩和を対立させず、経営層のリーダーシップ、リスクベースの管理、ステークホルダーへの説明を求めている。小さな会社でも、禁止事項だけの一枚紙ではなく、目的、利用可能なデータ、検証、記録、責任者を一つの業務ごとに決めることはできる。

道具導入から、仕事改革へ

AIを「足す」	仕事を「組み替える」	測るもの
会議メモを要約	会議前の論点整理、決定記録、担当割当てまで一つの流れにする	決定までの時間、未完了事項
問い合わせ回答を下書き	分類、回答、例外の人への引継ぎ、再発防止の知識更新までつなぐ	初回解決率、待ち時間、再問い合わせ
見積書の文章を作成	顧客要件、原価、納期、承認を共通データで結ぶ	回答速度、粗利、受注率
保全報告書を整形	異常検知、部品確認、作業指示、履歴更新まで設計する	停止時間、再故障、在庫

AIに仕事を任せるという表現は、しばしば人間を外す話に聞こえる。実際には、良い再設計ほど人間の責任を明確にする。AIは情報を集め、候補を示し、定型処理を進める。人は目的を決め、曖昧な例外を裁き、顧客との関係を守り、最終責任を負う。その境界を曖昧なまま高速化すると、誤りも高速になる。

火曜の朝に経営者が問うべきこと

お盆明けの会議で「何人がAIを使っているか」と聞けば、導入の広がりはわかる。しかし競争力を知るには不十分だ。

聞くべきは、「AIでどの顧客価値が変わったか」「消えた作業は何か」「誰の意思決定が速くなったか」「結果を測る基準値があるか」「誤った時に誰が止めるか」「会社固有のデータが整っているか」だ。

日本企業は、AIに慎重すぎて何もしていない段階を抜けつつある。生成AIの導入率が22.6%から44.0%へ上がったことは、その証拠だ。次に必要なのは、社員一人ひとりを少し速くすることだけではない。古い手順を残したまま新しい利用料を払う「二重コスト」から抜け出し、仕事を端から端まで描き直すことだ。

1982年の巨大な国家プロジェクトから、2026年のブラウザ上の小さな入力欄まで、日本とAIの距離は劇的に縮まった。残された距離は、コンピュータと人の間ではない。新しい技術と、古い組織の間にある。

資料・取材ノート

1. IPA「DX動向2026」公開ページ、2026年7月30日（8月4日更新）。
2. IPA「DX動向2026」本文PDF。AI導入、用途、成果、データ、人材、調査方法の数値は原則として同資料による。
3. 情報処理学会 コンピュータ博物館「第五世代コンピュータプロジェクトの開始」。
4. 内閣府「Society 5.0」。
5. 経済産業省「レガシーシステムモダン化委員会 総合報告書」。2018年DXレポートと「デジタルの崖」の経緯。
6. 内閣府「第2次AI基本計画」暫定英訳、2026年7月14日時点。
7. 経済産業省・IPA/AISI「AI事業者ガイドライン 第1.2版」、2026年3月。
8. IPA DX SQUARE「大田区の町工場とデジタル仲間回し」。中小企業の業務ネットワーク改革の参考事例。

編集注：本文の「お盆明けの朝」は調査結果を説明するための仮想場面で、特定企業への取材描写ではない。比率は設問ごとに回答母数が異なり、四捨五入により合計が100%にならない場合がある。為替レートは読者提供値を日本時間へ換算して表示した。