生成AIの個人利用やPoCは急速に広がっている。しかし、多くの企業では、リードタイム、品質コスト、在庫、P/L、キャッシュフローは依然として大きくは動いていない。
AIトランスフォーメーション（AX）に関する本連載では、第1回で「なぜ、何を変えるべきか（構想）」、第2回で「どこに投資し、どう回収するか（財務規律）」を整理してきた。第3回（変革実行篇）にあたる本インサイトでは、「実行の仕組み」に焦点を当て、停滞の原因を3つの構造的断絶──個別最適と全体成果、現場イベントと財務成果、AI活用と意思決定構造──として診断し、AIをPoCから本番業務・意思決定・財務成果へ接続するための変革実行モデルを提示する。
参考：
藤田 欣哉
生成AIの利用は急速に広がっている。個人の生産性は確実に向上し、PoCも増加した。しかし、経営者の実感は明るくない。AI利用は進んでいるものの業務量は減らず、リードタイム、品質コスト、在庫、P/L、キャッシュフローも大きくは動いていない。
IPA「DX動向2025」（日米独3カ国比較、日本1,535社）によれば、日本企業のDX取り組み率は約8割で米国と同水準に達している一方、「成果が出ている」と回答した企業は6割弱にとどまり、米国・ドイツの8割超と大きな差がある※1。また2025年のグローバル調査（105カ国、約2,000名）でも、AI導入企業のうち全社レベルでEBIT（利息・税金控除前利益）影響を報告できた企業は4割未満にとどまる※2。
ここで問うべきは、DXやAI導入の有無ではなく、取り組みの設計単位と成果接続である。個別業務の効率化にとどまれば、全体成果にはつながらない。成果指標が設計されていなければ、現場の改善は財務成果として把握されない。さらに、意思決定の権限や基準が変わらなければ、AIによるアウトプットの高速化は業務量削減に結びつかない。
本インサイトでは、この構造を3つの断絶として整理する（図1）。
個別ワークフローへのAI適用は、局所的な効率化を生む。しかし、その総和は全体最適と等しくない。
製造業のSCM領域で一例を示す。ある企業が受発注処理、在庫照会、請求処理にAIを導入し、それぞれ10〜20%の効率改善を実現した。しかし、キャッシュコンバージョンサイクルは改善しなかった。在庫滞留の原因は、需要予測、生産計画、調達リードタイム、営業の特注対応といった複合要因にある。在庫照会を高速化しても、判断構造が変わらなければキャッシュは動かない。したがってAIテーマは、導入しやすさだけではなく、全体制約への影響で優先順位を決める必要がある。
AIは各工程を速くする。しかし、企業全体を速くするとは限らない。
品質領域でも同様である。品質記録の作成をAI化しても、それが逸脱予防・原因分析・出荷判断に接続されなければ品質コストは下がらない。営業領域でも、提案書の作成が高速化されても、価格判断や案件採算が変わらなければ粗利率は動かない。
ワークフロー単位の最適化の総和は、受注から出荷・請求・入金に至る業務プロセス全体の最適化とは一致しない。IPA同調査でも、日本企業は個別業務の最適化に取り組む割合が高いのに対し、米国・ドイツは全社的なプロセス最適化に取り組む割合が高い※1。部分最適の積み上げで全体成果に至らないという構造は、日本企業に顕著である。AXで問うべきは、「どの業務にAIを入れるか」ではなく、「どの業務イベントを変えれば、全体の制約が解け、財務成果に接続するのか」である。
CFO組織は財務数値を把握するが、その因果構造までは可視化しきれていない。一方、現場は実態を把握するが、P/Lやキャッシュフローへの接続設計を担えていない。
この結果、AI活用の効果は「便利だった」「利用率が上がった」という活動指標にとどまり、企業価値には変換されない。すなわち、問題は成果が出ていないことではなく、成果を測るための接続構造が設計されていないことにある。
AIがアウトプット生成を高速化しても、業務量が減るとは限らない。企業における業務量の多くは作業そのものではなく、確認、承認、会議、擦り合わせ、例外判断といった意思決定プロセスから生じる。したがって、組織やシステムを見直すだけでは不十分であり、意思決定の階層・基準・権限を再設計しない限り、業務量は構造的に残り続ける。
PoCが乱立する企業では、AIテーマが多すぎるのではない。止める基準と権限が設計されていないのである。
以上の3つの断絶は、AI活用の領域を問わず共通して生じる。
AI活用は、全社横断で薄く広く効くホリゾンタル領域と、営業、SCM、品質、開発、規制対応など、特定の業務・機能・業界プロセスに深く入り込むバーティカル領域に分けて設計する必要がある。
ホリゾンタルAIは、文書作成、検索、要約、社内問い合わせなどの共通業務を対象に、業務量削減、外注費削減、採用抑制、要員計画への反映を通じてROIを生む。一方、バーティカルAIは、価格判断、在庫・生産判断、逸脱予防などの意思決定に接続して初めて、粗利、キャッシュフロー、品質コストを動かす。
いずれの領域でも、AI活用を業務量、意思決定、財務成果へ接続する設計がなければ、ROIは蒸発する。
※1 独立行政法人情報処理推進機構（IPA）「DX動向2025」2025年6月
※2 McKinsey & Company, "The State of AI: Global Survey," November 2025
この3つの断絶の背景には、AIとエンタープライズアーキテクチャ（EA）の断絶がある。AIは、モデルやエージェント、非構造データを扱い、高速な試行錯誤で価値を探索する。一方、EAは、業務・システム・データ・権限の整合を取り、企業全体を安定的に運用する。すなわち、AIは「まず試す」ことに強く、EAは「整合を取り、安定的に運用する」ことに強い。
AIをEAの枠組みに過度に適合させれば探索力は失われるが、EAから切り離したままでは本番業務に組み込まれない。したがって必要なのは、AIを既存システムへ直接つなぎ込むことでも、基幹システムを一気に刷新することでもない。データ参照範囲、実行権限、人による承認ポイント、監査証跡を定義し、EAの安定性を損なわずに段階的に本番業務へ組み込むことである。本インサイトでは、この仕組みをAIとEAの「接続面」と呼ぶ。
この議論は、AIエージェントの台頭によってさらに切迫性を増している。エージェントとは、業務プロセスの中で自律的に判断し、複数のステップを実行するAIである。従来のPoC型AIであれば、EAから切り離しても実害は限定的であった。しかし、AIエージェントが複数のシステムや業務プロセスを跨いで実行し始めれば、参照データ・実行権限・人の判断範囲・監査証跡を設計しない限り、統制不能なリスクが生じる。
例えば、品質逸脱が発生した場合、AIエージェントは検査記録、製造条件、部材ロット、変更履歴、過去の品質問題およびその是正・再発防止履歴を横断して原因候補を提示する。このとき、MES、PLM、ERP、品質システムのデータと権限をどの範囲で参照させるかを設計しなければならない。技術選択肢が増えるほど、どの技術をどの業務イベントに接続するかは見えにくくなる。
問題は技術の不足ではない。技術を業務・データ・権限・財務成果へ接続する設計の不足である。この接続面を設計するうえで中核となるのが、AIが参照可能な「価値接続オントロジー」である。
オントロジーとは、AIやシステムが業務の概念・関係・ルールを解釈できる形で構造化した知識体系であり、AIエージェントが業務文脈を理解して判断するための共通言語として機能する。本インサイトでは、これを企業価値の構造に接続したものを「価値接続オントロジー」と呼ぶ。具体的には、受注や在庫引当、品質逸脱、納期変更といった現場の出来事が業務判断を経て財務成果に波及する構造を、AIと人が共有できる形で構造化した設計図にあたる。価値接続オントロジーが定義されていなければ、データが存在しても業務文脈として解釈されず、AIは現場で機能しない。
なお、AIを本番業務と財務成果に接続するには、意味構造の設計だけではなく、どの価値を動かすのか、どの業務イベントを捉えるのか、誰が判断するのか、どのEAへ接続するのかを一体で設計する必要がある。このため、本インサイトでは価値接続オントロジーを3層・5設計要素で捉える（図2）。
この5設計要素は、前述した3つの断絶に対応する。価値ドライバー設計と業務イベント設計が「合成の誤謬」を、データ・意味構造設計が「情報の非対称性」を、意思決定設計が「意思決定構造の未更新」を埋める。EA・本番化設計は、これらをEAへ接続し、PoCを本番業務へ移行させる役割を担う。
この5設計要素を一体で設計するには、戦略・財務、業務改革、ガバナンス、データマネジメント、EA設計の各能力を横断的に統合する必要がある。AIモデルやデータ基盤の整備、業務改革、基幹システム刷新といった個別施策では完結しない。個別の専門能力を持つプレイヤーが存在しても、これらを一貫して設計できなければ、AIはPoCから本番業務へ移行できない。AXの難しさは、技術そのものではなく、設計能力を企業価値に向けて束ね切る点にある。ただし、価値接続オントロジーは設計の「What」を定義するに過ぎない。これを実行に落とすには、意思決定権限、EA接続、運用保守、成果刈り取りを含む仕組み、すなわち「How」が必要となる。次章では、これを担う実行構造として、AIの探索力とEAの安定運用力を企業価値へと変換する中間層、すなわち「価値実現レイヤー」を示す（図3）。
AXを実行に落とし込むための設計構造は、以下の5つの層で構成される。
この5層は、従来型のTOM（ターゲットオペレーティングモデル）が扱ってきた業務プロセスやテクノロジーに加え、意思決定構造、ガバナンス、人材配置、財務成果への接続までを含む点に特徴がある。
ただし、5層モデルは設計対象を示すに過ぎず、それだけではAXは動かない。各層を、可視化、意味構造化、判断・統制、本番化、成果刈り取りのプロセスで貫く必要がある。図4は、これらを5層ごとに具体化したものである。
※ROIC＝投下資本利益率
※CCC：キャッシュコンバージョンサイクル
※RACI：Responsible / Accountable / Consulted / Informed の責任分担フレーム
※価値認定ゲート：AI施策の投資判断・継続判断の基準
※SOP＝標準作業手順
※UAT＝ユーザー受入テスト
例えばSCM領域であれば、需要予測から入金までの業務イベントを可視化し、それぞれがCCCや粗利へどう波及するかを構造化する。そのうえで、在庫・生産・納期判断の権限と自動化条件、財務反映を設計する。ここまで設計して初めて、AIは単なる在庫照会の自動化ではなく、在庫・スループット・キャッシュフローを同時に動かす変革手段となる。
全社で効率化の成果が可視化・還元されないのはなぜか。答えは、L3の業務プロセスのみを変え、L2の意思決定構造とL5の組織・人材にまで踏み込まなかったためである。AXでは、5層のいずれか一つを変えるだけでは不十分である。5層を5つのプロセスで貫き、業務イベント、意思決定、データ、EA、要員計画を因果関係で接続して初めて、PoCは企業価値へ変換される。
この点、「可視化」と「統制」が欠落したまま実装に進むことが、PoC乱立の構造的原因である。
AXの難所は、技術実装や自動化だけではない。誰が何を決め、何を止め、どこまでAIに任せるかという権限設計にある。「統制（Govern）」の意思決定設計では、AI施策ごとに責任分掌（RACI）を定義する。「統制」を飛ばして実装に入れば、EAの安定性が損なわれる。「統制」なき実装は、変革ではなく混乱である。
ここで注目すべきは、第1章で指摘した「情報の非対称性」がこの構造の中で解消される点である。CFOはAI投資の価値認定と資源配分に責任を持つが、財務成果の設計は単独では完結しない。現場イベントと財務KPIを接続する因果構造を、事業・業務・データ側と共同で設計する必要がある。
この前提に立ち、アビームコンサルティングでは、AIを前提に業務・意思決定・人材配置を再構成するアプローチを「AI Native」として提唱している。AI CoEは標準化・統制に不可欠であるが、業務廃止、意思決定権限、人材再配置、成果刈り取りまでを単独で完結するものではない。
CoEを含む複数機能を束ね、AIを本番業務と企業価値へ接続するのが価値実現レイヤーである。
経済産業研究所（RIETI）の分析によれば、AIを利用している労働者は業務の生産性が平均で約20%向上したと回答している※3。AIは生産性を高めるが、その効果を業務量や要員計画、外注費、人材配置、予算に反映しなければ、財務成果には表れない。AIによる生産性向上が既存業務に吸収され、組織や財務に接続されない状態が「ROIの蒸発」である。この問題がAXにおいて深刻なのは、AIによって余剰が生まれる速度と規模が、従来の改善活動と桁違いであるためである。従来の業務改善は年単位で効果が積み上がり、人員計画の見直しもそのサイクルに合わせて行われてきた。しかし、AIは導入直後から全社横断で生産性向上を生み出しうるため、従来の見直しサイクルではこの速度に追いつかない。
AXの成果は、10%がアルゴリズム、20%がテクノロジー・データ、70%が人とプロセスの変革から生まれるとされる※4。したがって、成果刈り取りの本質は単なるコスト削減ではなく、①AIで代替可能な業務の所要人員を再定義し財務へ反映する仕組み、②生まれた余力をAIでは代替できない経営・事業の難所へ再配置する仕組み——この両輪を設計することにある。
しかし、ここに日本企業特有の構造的制約がある。事業部制・カンパニー制に共通するのは、P/L責任と人員配置の裁量が事業側にある点である。
事業部は自部門の効率化には取り組みやすいが、その効果を全社の資源配分へ接続することは難しい。分業が進むほど各部門の視野は狭まり、全社として変革を構想し実行する能力は構造的に低下していく。AIは横断的に効くからこそ、縦割り組織では成果が消える。
経団連の調査（2026年）によれば、企業におけるAI活用は全般では9割を超える一方、人材配置への活用は約2割、報酬への活用は1割未満にとどまる※5。この分布は、AIによる生産性向上を要員計画や人材再配置の意思決定に接続する仕組み自体が、多くの企業で未整備であることを示唆している。
問題はAI導入そのものではない。AIで生まれた余力を、全社の資源配分と人材配置にどう反映するかである。ただし、強権では現場の抵抗を招く。オントロジーに基づく業務量構造モデルが客観的根拠を提供し、価値接続モデルが再配置の財務的合理性を示すことで、構造と数字に基づく意思決定が可能となる。現場の納得を伴った成果刈り取りは、構造と数字によってこそ実現する。
したがって、AXの評価指標は、AI利用率やPoC件数ではない。業務廃止率、意思決定リードタイム、プロセス単位の財務KPI改善、外注費・採用計画への反映、エース人材の再配置実行度である（図5）。
※3 森川正之「日本企業・労働者のAI利用と生産性」RIETI Discussion Paper Series 24-J-011、2024年3月
※4 Boston Consulting Group, "The Leader's Guide to Transforming with AI," December 2024
※5 一般社団法人日本経済団体連合会「HR部門におけるAI等の活用に関する報告書」2026年4月
PoC止まりを越えるとは、AIを本番環境に移すことだけを意味しない。何をやめ、何を任せ、誰をどう配置し、どの成果を財務に反映するかを決め切ることである。仕組みは整っても、これを決め切る経営の意思がなければ、AXは動かない。
AXのリーダーシップとは、AI利用を奨励することではない。止めるべき施策を止め、業務と意思決定を再設計することである。PoCの撤退判断、業務廃止の決断、意思決定基準の更新──これらはいずれも、現場の合意形成だけでは動かない。経営が責任を持って担うべき領域である。特に重い決断は、人材配置にある。エース人材は、低採算事業の撤退・再生、SCM改革、品質・規制対応、海外子会社管理、M&A後のPMIといった、AIでは代替できない難所に配置されなければならない。AIが選択肢を提示できても、最後の意思決定と関係者を動かす責任は人が担う。問うべきはエース人材の人数ではなく、十分な責任と権限を持って難所に配置されているかである。
すなわちAXの成否は、技術導入の問題ではなく、経営の意思決定をどこまで徹底できるかで決まる。やめる権限を行使し、難所にエースを置き、構造と数字に基づいた全社最適を選び抜く。ここまで実行されて初めて、AIは変革実行の中核機能となる。
本シリーズでは、構想（第1回）、財務規律（第2回）、変革実行（本稿）という3つの観点からAXを整理してきた。第1回では「なぜ、何を変えるべきか」を構造的ボトルネックとして診断し、第2回では「どこに投資し、どう回収するか」を財務規律と資産化メカニズムとして整理し、本稿では「どう実行し、何をやめるか」を価値実現レイヤーと経営の意思決定として論じた。本シリーズを貫く一点の問いは、AIをいかに導入するかではなく、AIを前提に経営をいかに再設計するかである。構想なき投資は焦点を欠き、財務規律なき実行はROIを蒸発させ、実行なき構想はPoCに沈む。構想・財務規律・実行は、いずれか一つでも欠ければAIは企業価値に接続しない。この三位一体を担い切れるかが、AX時代の経営力の本質である。これは、AI部門やDX部門の課題ではなく、経営層が直接担うべき経営アジェンダである。
今後もアビームコンサルティングは、AXにともなう難しい意思決定に、経営と現場の双方に入り込んでハンズオンで伴走していく。構想策定にとどまらず、業務・データ設計、AI実装、EAとの接続・本番化、人材再配置、財務成果の実現までを一貫して支援する“Real Partner”として、企業のAIトランスフォーメーションを企業価値の向上へつなげていく。
この記事をシェアする
相談やお問い合わせはこちらへ
