なぜ企業によるAI投資の95％が売上や利益に結びつかないのか？

生成AIは「第2のIT革命」と呼ばれますが、実際に売上や利益へ直結できる企業はごく一部です。この記事ではMITの最新調査をもとに、AI投資が実験止まりで終わってしまう理由と、成果を上げる企業の共通点を解説します。

95％が停滞、5％だけが加速する理由

MITのNANDAプロジェクトによると、生成AIのパイロット導入から急速な収益加速に至る企業はわずか5％です。多くの経営陣は「規制」や「モデル性能」を阻害要因と考えがちですが、実際の本質は学習ギャップにあります。

生成AIは個人利用では柔軟に機能しますが、企業の標準化された業務フローやデータ体系にうまく接続できなければ持続的な改善を起こせません。つまり、ただAIを“試す”だけでは足りず、“学習を業務に織り込む”仕組みが不可欠なのです。

成果を出している企業は、狙いを一つの痛点に絞り、適切なパートナーと連携し、短いサイクルで改善を繰り返すことで学習を業務へ反映しています。逆に、複数の機能を並行して試すほど学習は分散し、ROIが先送りになります。

多くの企業はAI予算を営業やマーケティングに投じます。しかし、MITの分析では、ROIが最も高いのはバックオフィス領域です。

たとえば以下のような領域は、即座にP/Lへ効果を与えます。

営業は顧客や市場ごとの文脈が多様でROIを示すのに時間がかかりますが、バックオフィスはプロセスが繰り返し可能で、成果が数値として明確に測れます。

まずは購買・経理決算・調達・顧客サポートなど、頻度が高く定義が明確な業務から着手し、小さな成功を積み重ねることが全社展開の推進力になります。

生成AI導入においてよく議論されるのが「自社で作るか、外部から買うか」です。MITのレポートは明確な差を示しています。

金融や規制産業では内製志向が根強いですが、コストやスピードの観点からは「まずは買って埋め込み、差別化が必要な部分だけ作る」方が合理的です。

ベンダー製品は、モデル選定や更新、責任分界が整理されており、PoC疲れに陥りにくいのが利点です。一方、フル内製は自社仕様に最適化できる反面、保守や継続学習に膨大なリソースを必要とします。結論として、SaaSを中核に据えつつ、競争優位性に関わる部分だけを自社開発するのが現実的です。

生成AI活用で成果を出している企業は、AIラボや本社主導ではなく、現場マネージャーに権限を与える点で共通しています。現場はKPIやSLAの責任を負っており、データ品質の調整や例外処理の設計に最も近い立場にあります。実務で重要なのは次の仕組みです。

また、単体のチャットボットではなく、ERP・CRM・RPAなど既存システムに結合させ、学習が継続的に業務へ反映される構造を作ることが決定的です。

AI導入は人材構成にも影響を及ぼします。現場ではカスタマーサポートや事務業務から欠員不補充による静かな再編が進んでいます。急なリストラではなく、自然減をAIが埋めていく形です。

また、従業員が未承認のAIツールを持ち込む「シャドーAI」は依然としてリスク要因です。品質・セキュリティ・コンプライアンスの面で問題が生じやすく、組織として統制を取る必要があります。

今後は、セキュリティ、データ品質、AI評価能力を人材要件に組み込み、採用・育成することが競争力に直結します。

一部の先進企業はすでに、記憶し行動する「エージェント型AI」の実証を始めています。これは人間の代わりにタスクを実行し、チケットを起票・検証・再試行できる仕組みです。導入は段階的に進めるのが現実的です。

短絡的な全面自動化ではなく、観察（Observe）→提案（Propose）→限定実行（Act）→監査（Audit）の流れで進めることで、安全性とスピードの両立が可能です。

AI投資の成否を分けるのはモデルの性能ではなく、業務への埋め込み度と学習の仕組み化です。
営業偏重からバックオフィスへ、フル内製から「買って埋め込む」へ、AIラボ中心から現場主導へ、チャットからエージェントへ。

順序を正しく踏むことで、企業は“成果を出す5％”に近づけます。まずは定義が明確で反復可能な業務を一つ選び、3か月で「測れる勝利」をつくること。それがAI戦略の最初にして最大のレバレッジとなるのです。