なぜ私たちのAX転換は 10%で止まるのか

「コンピュータの時代はどこにでも見られる。生産性の統計を除いては。」 — Robert Solow, New York Times Book Review, 1987

今年2月、NBER（全米経済研究所）が米国・英国・ドイツ・オーストラリアのCEOとCFO約6,000人を対象に行った調査結果が発表されました。AIを導入した企業のうち、生産性に測定可能な変化があったと報告したのはわずか10%。残りの90%は、何の変化も感じていませんでした。

この結果を報じたFortuneは、興味深いフレーミングをしています。1987年のノーベル経済学賞受賞者Robert Solowが捉えた「生産性のパラドックス（Productivity Paradox）」が、AI時代に正確に繰り返されているというものです。コンピュータはあらゆるところにある、生産性の統計のどこにもその痕跡が見当たらないことを除いては——。39年が経った2026年、文中の「コンピュータ」を「AI」に置き換えれば、今日の状況そのものになります。

Goldmanの分析によれば、2025年の1年間に世界の企業がAIに費やした金額は約4,100億ドルにのぼります。AI関連投資は2025年上半期の米国GDP成長の92%を占めました。しかしGoldmanは同時に、この投資が米国経済成長に測定可能な影響を与えなかったという結論も出しています。

根本的な原因は何でしょうか。この問いに答えるには、130年前の工場まで遡る必要があります。

The Dynamo and the Computer

1990年、経済史家Paul Davidは「The Dynamo and the Computer」という短い論文を発表しました。この論文はひとつの問いから始まります。電気という汎用技術が発明されてから、生産性の向上につながるまでなぜ40年かかったのか。

19世紀末の工場を思い浮かべてみてください。建物の中央に巨大な蒸気エンジンがあり、そこから伸びるベルトとプーリーのシステムが建物全体の機械を動かしています。工場のレイアウトは「どの機械が蒸気エンジンに近いか」で決まっていました。「生産フローはどうあるべきか」ではなかったのです。建物が多層構造だったのも、回転力を上下に伝える必要があったからです。

電気が初めて導入されたとき、工場主たちはごく合理的な判断をしました。蒸気エンジンを取り外し、同じ場所に電気モーターを据えたのです。速く、安く、リスクも少ない選択でした。問題は、工場の構造がそのままだったことにあります。動力源は変わりましたが、動力の伝達方式も、機械の配置も、労働者の役割も、建物の形も、すべて蒸気時代の論理に従っていました。Davidが見出した核心は、「管理者たちが既存の技術体系の上に新しい技術を上書きした」という点でした。

30年間、電化された工場の生産性向上はわずかなものに留まりました。

変化が訪れたのは1920年代のことで、それをもたらしたのは「ユニットドライブ」という単純な発想でした。巨大な中央モーター1台ではなく、個々の機械それぞれに小型電気モーターを1つずつ搭載する方式です。この転換がもたらした結果は、エネルギー効率の改善をはるかに超えるものでした。機械を動力伝達ではなく、生産フローの論理に従って自由に配置できるようになったのです。多層建屋は単層の組み立てラインへと生まれ変わりました。

2026年、私たちは同じ地点に立っています。英国政府が2024年末に1,000本のMicrosoft 365 Copilotライセンスを配布し、3ヶ月間測定した結果がこのパターンを如実に示しています。ユーザーはメール作成と会議の要約で時間を節約できましたが、Excelの分析はむしろ遅くなり、品質も低下しました。評価報告書の結論はこうでした——「時間の節約が生産性向上につながったという証拠は見つからなかった」。

モーターは換えました。工場はそのままです。

AXとは何か

では、工場を再設計するとは具体的に何を意味するのでしょうか。

今年3月、HebbiaのファウンダーGeorge Sivulkaがa16zのブログに書いた記事の冒頭の一文は、この問題を正面から突いています。「AIはすべての個人を10倍生産的にした。しかしいかなる企業も10倍価値あるものにはなっていない。」Sivulkaはここでポールデービッドの歴史を引き合いに出します。私たちはモーターを換えた、工場を再設計してはいない、と。

個人の生産性と組織の生産性の間には、大きな隔たりがあります。個人がClaudeを使って報告書を2倍速く書いたとしても、その報告書が組織の意思決定フローの中で適切なタイミングに適切なコンテキストとともに届けられなければ、組織レベルの価値は変わりません。

「データをAIに接続すればAXだ」という考えも、同じくらい根深い誤解です。Notionのドキュメント、JiraやLinearのチケット、SalesforceのCRM記録。これらをAIエージェントに接続すれば、それらしいインフラが出来上がります。しかしこれらのデータは、組織が保有するビジネスコンテキスト全体のどれほどを占めているでしょうか。

Tiroチームが毎週月曜日に行うWeekly Syncミーティングを例に考えてみましょう。AARRRファネルの指標をレビューしながら、数字の背景にあるコンテキストが議論されます。「Activation Rateはなぜ下がったのか」について、PMはオンボーディングフローの特定のステップを、セールスは最近流入した顧客層の特性を、エンジニアは先週のデプロイの副作用をそれぞれ語ります。この45分の会話が、その週全体の方向性を決めます。しかしLinearには「Activation Rate改善」というチケット1行だけが残り、その1行の裏にあった議論の密度も、反対意見も、合意に至ったコンテキストも、翌週にはメンバーごとに異なる記憶として残るだけです。

企業がデジタル化したデータは、ビジネスコンテキスト全体のごく一部に過ぎません。ビジネスコンテキストの大半は口頭の会話の中で生まれ、記録されないまま消えていきます。10%のコンテキストで100%の変換を期待するのは、1章だけ読んで本全体を要約してほしいと頼むようなものです。

AX（AI Transformation）とは結局のところ、組織の中で知識が生まれ、流れ、蓄積され、再利用される構造そのものを、AIが機能できる形に再設計することです。

5レイヤー・アーキテクチャ

工場を再設計するには設計図が必要です。AXの設計図は5つのレイヤーで構成されます。

(a) Context Source

組織のあらゆる情報が生まれる場所です。NotionやConfluenceのようなドキュメントワークスペース。Google DriveやGitHubのようなファイルシステム。JiraやLinearのようなプロジェクト管理ツール。SalesforceやHubSpotのようなCRM。従来「データ」と呼ばれてきたものがこのレイヤーに属します。

AI時代にこのレイヤーが特別な意味を持つのは、デジタル化されたデータがそのままAIにアクセス可能なデータになるからです。しかし構造的な限界はここにあります。テキストや構造化データは時間とともに陳腐化（deprecation）していきますが、その管理が行き届かず信頼性の問題が生じます。ビジネスコンテキストがデジタル化されるまでにはタイムラグがあります。そして何より、ビジネスコンテキストの大半はそもそもデジタル化されていません。

この空白をどう埋めるかについては、Context SourceとConversation Intelligenceを扱う次の記事で詳しく取り上げます。

(b) Ontology

オントロジーは、組織のデジタルツイン（Digital Twin）を構成する意味体系です。現実世界の実体——顧客、契約、製品、会議、チーム——をデジタルオブジェクト（Object）として定義し、これらのオブジェクト間の関係（Link）を明示し、これらのオブジェクトに対して実行できるアクション（Action）を規定します。

たとえば「顧客A」というオブジェクトは「契約B」と紐づき、「会議C」で議論され、「離脱リスクセグメント」という属性を持ちます。この構造がなければ、AIは個々のデータを読むことはできても、データ間の関係とビジネスコンテキストを理解することができません。Palantirが20年かけて構築してきたFoundry Ontologyが、このレイヤーの最も成熟した実装例といえます。

(c) AI Model

汎用AIモデルの知性水準はすでに相当な閾値を超えています。核心はモデル自体にあるのではありません。モデルがオントロジーとどのように接続されるかが、結果を左右します。

同じClaudeモデルであっても、非構造化テキストの塊を渡すことと、オントロジーを通じてオブジェクト・関係・コンテキストが構造化されたデータを渡すことでは、まったく異なる結果が生まれます。モデルに「何を検索して供給するか」は、結局のところオントロジーがいかに適切に構成されているかにかかっています。

このレイヤーでの選択（モデルの種類、コンテキストウィンドウの管理、プロンプト設計、ファインチューニングの有無）はすべて重要ですが、(a) Context Sourceと(b) Ontologyが貧弱な状態では、どのようなモデルの最適化も低い天井を持つことになります。

(d) Agentic Workflow

AIが実際に仕事を遂行するワークフローです。n8nやZapierのような既存サービスから、openclaw、hermesのような新しいエージェントフレームワークまで、激しい競争が繰り広げられているレイヤーです。

Agentic Workflowが意味を持つためには、(b) Ontologyで定義されたオブジェクトと関係の上で動作しなければなりません。オントロジーのないエージェントは、地図なしで走る自動車です。

(e) User Interface

ユーザーがAIと出会う接点です。SlackのようなメッセンジャーワークスペースとCLIターミナルが、現在最も強力なインターフェースとして定着しています。

多くの企業が行き詰まる場所

ここに問題のパターンが見えてきます。

ほとんどの企業が(c)、(d)、(e)のレイヤーに時間とお金を注いでいます。どのモデルを使うか、どのワークフローツールを導入するか、どのインターフェースが良いか。PwCの2026年グローバルCEOサーベイはこれを数字で裏付けています。95カ国4,454人のCEOのうち、AIでコスト削減と売上成長を同時に達成した企業はわずか12%でした。その12%は、ツールを導入しただけでなく、AIを製品・需要創出・戦略的意思決定に全社的に内在化した企業でした。

その間に(a)と(b)のレイヤー、すなわちコンテキストの源泉と意味の構造は空っぽのままです。AIに優れた頭脳と優れた手足を与えましたが、読むものを渡していません。

Daron Acemoglu（MITの経済学者、2024年ノーベル経済学賞受賞者）の診断も同じ場所を指しています。「私たちはAIを自動化に使いすぎており、労働者に専門性と情報を提供することには十分に使っていない。」技術そのものではなく、技術を組織に内在化する方法が問題だということです。

Paul Davidの工場の話が残す教訓はシンプルです。モーターを換えるのは数週間でできます。工場を再設計するには時間がかかります。しかし生産性は、常に後者からしか生まれません。

次の記事では、5レイヤーの中で最も大きな空白がある(a) Context Sourceレイヤーを取り上げます。デジタル化されたデータだけではなぜ不十分なのか、そしてその空白を埋める技術とは何かを、より深く掘り下げていきます。

FAQ

Q: AXとは何ですか？

AX（AI Transformation）は、AIツールを単に導入することではなく、組織の知識フローと意思決定構造をAI中心に再設計する転換プロセスです。Paul Davidの電気モーターの歴史が示すように、技術の置き換えだけでは生産性は上がらず、組織構造の再設計が必ず伴わなければなりません。

Q: 5レイヤーAXアーキテクチャとは何ですか？

Context Source（コンテキストの源泉）、Ontology（意味の構造）、AI Model（知性のエンジン）、Agentic Workflow（実行のフロー）、User Interface（ユーザーの接点）の5つのレイヤーで構成されたAX設計フレームワークです。ほとんどの企業が後半の3レイヤーに集中する一方で、前半の2レイヤーを放置していることが構造的な問題です。

Q: なぜほとんどのAI転換は失敗するのですか？

NBERの2026年の研究によれば、AIを導入した企業のうち生産性に測定可能な変化を報告したのはわずか10%です。主な原因は、AIに供給するデータが全体のビジネスコンテキストのごく一部に過ぎないことにあります。ほとんどの企業がAIモデルとインターフェースに投資しながら、コンテキストの源泉（Context Source）と意味の構造（Ontology）は空のままにしています。

会話に集中できる、最も正確なAI議事録。
登録直後から300分の無料体験が可能です。

チームまたはエンタープライズでの導入をご検討中の方は、
カスタマイズされたオンボーディングとともにスタートできます。