はじめに｜数十万人にAIを使わせる意味
企業のAI導入が急速に広がっています。しかし、その目的は単なる業務効率化だけではなく、もっと先を見据えていると思われます。2026年、国内のある大手企業が、数十万人規模の従業員を対象に、全業務プロセスへ先進的なAIを展開する方針を発表しました。さらに、自社を最初の利用者・実証環境としてAI活用の知見を蓄積し、その成果を顧客向けサービスへ展開していく考えも示しています。
普通に読めば、「大規模にAIを導入し、生産性を高める」という話です。もちろん、それ自体が大きな目的でしょう。
しかし私は、この動きを見て、もう一つ別の意味があるのではないかと感じました。
なぜ、一部の優秀な技術者やAIへの関心が高い社員だけではなく、数十万人規模、しかも全業務プロセスを対象にするのでしょう。
AIの性能や業務上の効果だけを確認するのであれば、専門部署や意欲の高い社員へ対象を限定した方が、短期的には成果を出しやすいはずです。それでも企業全体へ広げるのは、AIを単なる便利な道具として配るだけではなく、企業全体に存在する仕事、知識、判断、課題そのものをAIと接続する必要があるからではないでしょうか。
ここまでが、公表されている方針から読み取れる範囲です。
ここから先は、特定企業の内部意図を説明するものではありません。大規模な企業AI導入が一般的にどのような意味を持ち得るのかを、私なりに考察します。
数十万人がAIを使えば、そこには数十万人分の仕事の進め方が表れます。社員は何を問題だと認識しているのか、どのような情報を持っているのか、どこで仕事が止まり、どのような指示なら成果へつながるのか。部署やグループ会社ごとに閉じ込められている知識や、AI活用水準の差も見えやすくなります。
もちろん、AIの利用状況だけで、これらすべてが自動的に明らかになるわけではありません。利用データの分析方法、社内制度、セキュリティ、プライバシーへの配慮も必要です。
それでも、AIを企業全体で利用する過程では、それまで見えにくかった仕事の構造や組織の違いが、従来より表面化しやすくなります。
これは単なるソフトウェア導入ではありません。
企業全体を対象にした、仕事の大規模な観測でもあるのです。
AIは仕事の結果だけでなく、過程を映し出す
従来、企業が把握してきたのは、売上、工数、納期、人事評価、提出された資料など、仕事の「結果」が中心でした。
しかし、AIとの対話には、結果に至る前の過程が表れます。
社員が何に迷い、どのような前提を置き、何の情報を探し、何をAIに任せ、最終的に何を自分で判断したのか。AIの使い方を見ることで、従来よりも仕事の思考過程を捉えやすくなります。
同じAIを使っても、得られる成果は同じではありません。簡単な検索や文章の要約にとどまる人もいれば、問題を整理し、複数の情報を結びつけ、AIとの対話を重ねながら新しい提案へ到達する人もいます。
AIは、すべての人を同じ能力にする道具ではありません。
むしろ同じ道具が与えられることで、問題設定、質問、検証、判断、実行といった能力の違いが、これまで以上に見えやすくなる可能性があります。
突き詰めれば、これまで見えにくかった社員一人ひとりの仕事の進め方や、成果へ至る能力の違いを把握する手がかりにもなるでしょう。
ただし、ここで扱いたいのは「AIを使った社員監視」ではありません。個人の人格を評価することと、仕事の進め方や組織構造を観測することは分けて考える必要があります。
本記事で注目しているのは、AIを通して、企業の仕事そのものが見えてくるという点です。
AIが映し出すものは、職種によって違う
ここで一つ注意したいのは、AIによって見えてくる仕事の姿は、すべての職種で同じではないということです。
営業、企画、管理、経理、人事などの事務系業務では、文章作成、情報検索、資料整理、顧客対応、会議、企画立案といった仕事の多くが、AIとの対話へ比較的直接現れます。
何を質問したのか、どの情報を使ったのか、どのように問題を整理し、どこで判断したのか。こうした思考の過程は、AIとのやり取りを通じて見えやすくなります。
一方、研究、設計、製造などの技術系業務では事情が少し異なります。
技術系の仕事では、専門知識だけでなく、設計条件、実験結果、シミュレーション、設備の状態、品質、安全性、物理現象、現場で蓄積された暗黙知など、AIとの文章上の対話だけでは捉えきれない要素が多く存在します。
例えば設計者であれば、AIが提示した案をそのまま採用するのではなく、強度、コスト、製造性、安全性、過去の不具合などを踏まえて検証する必要があります。製造現場では、設備のわずかな挙動や、数値には表れにくい違和感を経験から察知することもあります。
そのため、事務系では「何を考え、どう整理し、どう判断したか」が比較的見えやすいのに対し、技術系では「AIの提案をどこまで検証できるか」「現実の制約へ落とし込めるか」「現場の情報と結びつけられるか」といった能力が、より重要になります。
つまり、AIはすべての社員を同じ物差しで測る装置ではありません。
むしろ職種ごとに異なる仕事の構造を映し出し、これまで一括して「能力」や「経験」と呼ばれていたものを、より細かく分解して見せる可能性があります。
企業にとっても、この違いは重要です。どの仕事はAIとの対話だけで改善できるのか。どの仕事には専門データやシミュレーションが必要なのか。どの判断には現場経験を残すべきなのか。
AIを全社へ広げるということは、単に同じ道具を全員へ配ることではありません。
職種ごとに異なる仕事の構造を、改めて調べ直すことでもあるのです。
AIに説明できない仕事は、企業にも説明できていない
AIに仕事をさせるためには、目的、前提条件、必要な情報、判断基準、期待する成果を伝える必要があります。
ところが、企業の中には、これらを明確に説明できない仕事が少なくありません。
上司は、その仕事の目的や判断基準を本当に理解したうえで部下へ指示しているのでしょうか。それとも、部下が理解してくれることを前提にして、曖昧な依頼を渡しているだけなのでしょうか。
能力の高い部下がいることで、曖昧な指示でも仕事が成立してしまうことがあります。反対に、上司が目的や期待する成果を説明していても、受け取る側の理解力や経験が不足し、求められた水準へ到達できない場合もあります。
さらに、部下の成果が不足していても、上司や周囲が不足分を補い、その結果をチーム全体の成果として処理していることもあります。
本来であれば、どこまでが本人の判断や成果で、どこからが上司や周囲の支援によるものなのかを分けて見る必要があります。
しかし組織では、温情や人間関係によって、その境界が曖昧なまま評価されることがあります。その状態が長く続けば、本人の能力開発の機会を失うだけでなく、より大きな成果を生み出せる人材や仕組みへの改善余地まで見えなくなる可能性があります。
企業には、「なぜその資料を作っているのか分からない」「前任者のやり方をそのまま踏襲している」「判断基準が上司の頭の中にしかない」「部署によって同じ言葉の意味が違う」「誰が最終責任を持つのか曖昧」「会議は多いが何を決めたのか分からない」といった仕事が、少なからず残っています。
AIが期待した成果を出さない原因を調べていくと、AIの性能ではなく、人間側の仕事の曖昧さに行き着くことがあります。
目的が定まっていなければ適切な指示は出せず、必要な情報が整理されていなければAIも正しい判断材料を持てません。さらに、人間同士で判断基準が共有されていなければ、AIの出力が正しいかどうかを評価することすらできません。
つまり、AIに説明できない仕事は、人間同士でも十分に共有されていなかった可能性があります。
AI導入は、企業の中に残されていた曖昧さを映し出します。
優秀な社員だけを見ても、企業の実態は分からない
AI導入の効果を検証するとき、AIに詳しい社員や、大きな成果を出した成功事例が注目されがちです。
しかし、それだけでは企業全体の実態は分かりません。
本当に企業全体を変えるのであれば、平均的な社員、AIを使いこなせない社員、何を質問すればよいか分からない社員も含めて見なければなりません。
AIを使える人だけに使わせれば、きれいな成功事例は作れます。しかし、全社へ展開したときに何が起きるのか。そこで初めて、その企業がAIを「個人の便利な道具」ではなく、「組織能力」へ変えられるかどうかが分かります。
AIを活用できない原因が、本人の能力や資質にある場合も当然あります。ただし、すべてを本人の問題として片づけることもできません。
そもそも仕事の目的が共有されていない、必要なデータが存在しない、情報へのアクセス権限がない、業務手順が複雑すぎる、判断基準が不明確といった、組織側の問題も考えられます。
高い能力を持つ社員が、組織の不備によって力を発揮できないこともあります。反対に、組織や上司の支援によって成果を出していた人が、その成果を自分一人の能力だと認識している場合もあります。
AIを全社的に利用することで、個人の能力差と組織構造の問題を、以前より切り分けて考えやすくなる。
ここに大きな意味があります。
優秀な人材を発見するだけではありません。優秀な人材が、なぜその企業の中で十分に活用されていないのか。そこまで見えてくる可能性があります。
企業が手に入れるのは、AIではなく自社の知見
AIを全社展開すると、各部署でさまざまな経験が蓄積されます。
どの業務にAIが有効だったのか。どのような指示が機能したのか。どこで失敗したのか。何のデータが不足していたのか。人間に残すべき判断は何だったのか。
価値を持つのは、AIそのものだけではありません。
その企業が、AIを使って仕事を変えた経験そのものが独自の知見になります。
自社を最初の利用者・実証環境とし、そこで得られた知見を顧客向けサービスへ展開する企業にとって、この経験は特に大きな資産になります。
大企業はAIを利用する顧客であると同時に、多様な業務や組織を通じて企業AI活用の知見を生み出す、巨大な実証環境にもなり得ます。
どの業務で成果が出たのか。どの組織では成果が出なかったのか。その違いは社員の能力なのか、データなのか、組織構造なのか。人間に残すべき判断とは何だったのか。
こうして蓄積された知見は、やがて他社がAIを導入するときに利用できるサービスやノウハウへ変わる可能性があります。
ここで重要なのは、AIモデルそのものを所有しているかどうかではありません。
AIを使って、自社の仕事をどこまで理解したか。
その差が、企業の競争力へ変わっていくのではないでしょうか。
AIを通して見えてくるのは、企業そのものである
AIを使うことで表面化するのは、社員の能力差だけではありません。
企業そのものの能力も見えてきます。
その企業は、解決すべき問題を定義できるのか。必要なデータを蓄積しているのか。現場の知識を共有できているのか。意思決定の基準が明確なのか。間違いを認めて修正できるのか。AIの出力に最終的な責任を持つ人がいるのか。
高性能なAIを導入しても、これらが整っていなければ、平均的な資料が速く作られるだけです。
AIによって作業時間が短縮されても、不要な資料を大量に作れば、価値のない仕事が高速化しただけです。目的のない会議をAIが要約しても、何も意思決定されなければ企業の価値は増えません。
反対に、目的、データ、判断基準、責任が整っている企業では、AIが組織全体の能力を増幅します。
だから私は、AIが企業間格差を作るのではなく、AIによって、それまで隠れていた企業間格差が表面化するのだと考えています。
会社のゲームは「作業量」から「価値の発見」へ変わる
AIによって、資料作成、情報整理、要約、定型分析などの作業コストは下がります。その結果、企業が社員へ求めるものも変わっていきます。
これまでは、どれほど時間をかけたのか、どれほど多くの資料を作ったのか、どれほど複雑な手順を処理したのかといった「作業量」が、能力や努力の代わりとして評価されることがありました。
しかし、AIによって作業そのものが短時間で終わるようになれば、その評価方法は維持しにくくなります。
これから問われるのは、何を解決すべきなのか、どの情報を使うべきなのか、AIの回答は妥当なのか、現実の業務へどう落とし込むのか、誰が最終的に判断するのか、という部分です。
これは、前回の記事「AI時代に、何を積み上げるべきか」で扱った内容にもつながります。
前回の記事では、AI時代に個人が積み上げるべき判断力について考えました。本記事では、その判断力を企業がどう発見し、評価し、組織全体の能力として生かすのかへ視点を広げています。
最後に残るのは、何を目的とし、何を判断し、どのような価値を生み出したのか。
そこになるのではないでしょうか。
おわりに｜企業は自分自身を観測し始めた
AI導入は、便利な道具を社員へ配るだけの話ではありません。
AIを通じて、企業は自社の仕事を、これまでより詳しく見ることになります。
価値を生んでいた仕事と、慣習だけで続いていた仕事。一部の人の頭の中へ閉じ込められていた知識と、目的が不明確なまま繰り返されていた作業。本当に判断していた人と、決められた作業を繰り返していただけの人。
もちろん、個人の能力不足も、上司による曖昧な指示も、組織の仕組みの不備も、AIによって自動的に判別されるわけではありません。
しかし、職種ごとに異なる形でAIの活用が広がり、その成果や過程を検証する環境が整っていけば、これまで曖昧にされていた違いは表面化しやすくなります。
実態が見えることで、これまで曖昧な説明で成立していた評価や役割分担が、通用しにくくなる場面も出てくるでしょう。
作業量を成果として見せていた人も、周囲の支援を含めた成果を自分一人の能力として認識していた人も、反対に高い能力を持ちながら組織の不備によって成果を出しにくかった人も、従来とは違う形で見られるようになります。
企業側も同じです。
社員の能力不足だと思っていた問題が、実は仕事の目的を説明できない上司や、必要な情報を整備していない組織にあったと分かるかもしれません。
AIが揺さぶるのは、単純な仕事だけではありません。
仕事を曖昧にしたまま成立していた評価や、組織の中に残されていた思い込みも揺さぶります。
だから、企業はAIを導入しているだけではありません。
AIという観測装置を通して、自分たちが何をしている企業なのかを調べ始めたのです。
