AI・AXという言葉が一人歩きしている——成果を出す企業と出せない企業の分岐点

導入率57%、でも全社成果は6%——この乖離が示すもの

野村総合研究所のIT活用実態調査（2025年）によると、国内企業の生成AI導入率はすでに57.7%に達しています。過半数の企業がChatGPTやCopilot、社内向けチャットAIを何らかの形で導入したと答えている計算です。

一方、McKinseyが2025年3月に発表した「The State of AI」では、AIの取り組みによって全社レベルでの収益・コスト改善を実現できている企業は、グローバル全体でも約6%にとどまるという調査結果が示されています。

導入率57%に対し成果率6%——この10倍近い乖離は、何を意味しているのでしょうか。単純に考えれば、大多数の企業が「使っているけれど、成果が出ていない」状態に置かれています。そしてGartnerの予測が正しければ、その半数以上はいずれAIプロジェクトを中止に追い込まれる運命にあります。

こうしたデータを見せても、多くの経営者や推進担当者は「うちはうまくやっている」と感じているかもしれません。しかしその感覚自体が、「AI・AXという言葉が一人歩きしている」という現状の一側面です。

なぜ「AI・AX」という言葉が一人歩きするのか

「AX（AI Transformation）」という言葉は、もともとDX（デジタルトランスフォーメーション）という概念がそうだったように、ベンダーやコンサルティングファームが積極的に広めてきた言葉です。言葉として広まるスピードと、実態が伴うスピードには、必ずタイムラグが生まれます。

AXが特に一人歩きしやすい理由の一つは、「導入の入り口」が非常に低くなったことにあります。ChatGPTに月額20ドルを払えば、翌日から「うちはAIを活用している」と言えてしまいます。Copilotのライセンスをまとめ買いして、月1〜2回使った社員が数人いれば、「全社でAI活用を推進中」という報告ができてしまいます。

もう一つの理由は、経営層の「意思表示のしやすさ」です。「わが社もAIで業務変革を進める」と宣言することは、競合他社の動向を気にする経営者にとって、ほぼコストゼロの意思表示です。しかし宣言の後に何が起きるかは、またまったく別の話です。株主・取締役会・社員に向けて「AI推進」を掲げることのプレッシャーが、実態の構築よりも言葉の採用を先行させます。

こうして「AI活用率」「AX推進」という言葉は独り歩きし、現場では「何のためにAIを使うのかわからない」「ツールは入っているが誰も使い方を知らない」「データがバラバラで自動化が始まらない」という状態が放置されます。

成果を出せる企業・出せない企業の分岐点

この10年間でDXの文脈で繰り返されてきた問いが、AXでも再演されています。成果を出せる企業と出せない企業の差は、AIの技術選択でも、投資額でも、ベンダーの選定でもありません。分岐点は、もっと手前にあります。

成果を出している企業が共通して持っているのは、「自分たちの業務がどういう手順で動いているか」を把握し、文字や図に記述できている状態です。業務が可視化されていれば、どこを自動化できるか、どこにAIを当てれば効果が出るかが見えてきます。逆に業務が属人化されたまま、担当者の頭の中にしか存在していない状態では、どんなAIを導入しても「触れる場所」が存在しません。

もう一つの分岐点は、業務の標準化です。業務が可視化されても、担当者ごとにやり方がまちまちでは、自動化のルールを書くことができません。「Aさんはこうするが、Bさんは違う方法でやる」という業務は、AIはもちろんRPA（ロボットによる業務自動化）でも対応できません。標準化とは、マニュアルを作ることではなく、判断ルールを一本化することです。

そして三つ目の分岐点が、データです。Clouderaとハーバード・ビジネス・レビュー・アナリティク・サービスが2026年3月に発表した共同調査によると、AIに対応できるデータ基盤が「完全に整っている」と答えた企業は、全体のわずか7%にとどまります。多くの企業では、顧客データ・売上データ・在庫データ・従業員データがそれぞれ別のシステムに閉じており、相互に連携できていません。AIを動かすには、このデータを一つのフローに統合できる仕組みが必要です。

業務の可視化、標準化、データ基盤——この3つが揃っていない状態でAIを導入しようとすることは、地盤が固まっていない土地に高層ビルを建てようとするようなものです。建物（AI）がどれだけ優れていても、地盤が弱ければ傾きます。

AXの本質——ルールベース自動化が先、AIは後

ここで、多くの企業が誤解している点を整理する必要があります。AXの文脈で「AIをどう使うか」の議論が先行しがちですが、実際に成果を出している企業が最初にやっていることは、AIの導入ではありません。

正しい順序は「ルールベース自動化→AI」です。ルールベース自動化とは、「もし〇〇ならば△△する」という条件分岐が明確に書けるタスクを、まずツールで自動化することです。たとえば「毎朝9時に前日の売上データを集計してSlackに通知する」「新規取引先の社名を入力したら反社チェックAPIを呼んで結果をスプレッドシートに記録する」「請求書のPDFが届いたらOCRで金額を読み取って会計ソフトに転記する」といった処理です。これらはAIを使わなくても、ZapierやMake、n8nといったワークフロー自動化ツール（それぞれのシステムを連携させてタスクを自動で動かすソフトウェア）で実現できます。

なぜルールベース自動化が先なのかというと、この段階で業務フローが「機械が読める形」になるからです。自動化を設計する過程で、業務の曖昧さや例外処理が必然的に洗い出されます。「承認が必要なケースはどれか」「エラー時にはどうするか」「担当者が不在のときは誰に回すか」——こうした問いに答える作業が、業務標準化そのものです。

そのうえで、「ルールだけでは判断できないもの」「非構造化データ（自由記述、画像、音声など）が含まれるもの」「文脈を読んで柔軟に対応が必要なもの」の部分に、初めてAIを乗せます。土台となる自動化フローが動いている状態でAIを組み込むと、AIが何をやっているかが追跡可能で、ハルシネーション（AIが誤った情報を自信満々に答える現象）のリスクを限定的な判断箇所に閉じ込めることができます。

段階的アプローチの実例——反社チェックから始めた事例

この段階的アプローチがうまく機能した事例として、宿泊・不動産分野で事業を展開するNOT A HOTELが報告している取り組みが参考になります。

同社では、取引先の反社チェック業務に長い時間がかかっていました。人手で情報を集めてリスト化する作業に1.5日かかっていた処理を、まずZapierを使ってルールベースで自動化することで、処理時間を約5分にまで圧縮したと伝えられています。その後、さらにn8nへの移行によって、より複雑な条件分岐やシステム連携に対応できる基盤に進化させています。

注目すべきは、このアプローチが「最初からAIで全部解決する」ではなく、「まず明確なルールで自動化し、次のステップへと段階的に進む」という設計になっていることです。1.5日の業務が5分になるという成果は、AIを導入する前の、ルールベース自動化の段階で達成されています。この成果があるから、次のステップへの投資と改善が正当化されます。

データ基盤の欠如という根本問題

Gartnerが「2026年末までにAIプロジェクトの60%が中止される見込み」と予測した主な理由が「AI対応データの欠如」であることは、すでに触れました。この問題は、多くの企業で深刻な形で存在しています。

典型的なパターンは次のようなものです。会計システム・CRM（顧客管理システム）・勤怠管理システム・ファイルサーバー・Excelシート——これらがそれぞれ独立したサイロとして存在し、データ形式もバラバラで、手動でのコピー＆ペーストが日常業務の一部になっている。このような状態では、AIが学習・参照するための「一元化されたデータ」が存在しません。

AI導入の相談で最初に確認すべきは、「あなたの会社のデータは、どこにどういう形式で存在しているか」です。この問いに即座に答えられない企業は、データ基盤の整備から始める必要があります。それは地味な作業ですが、AXの成否を決める最重要の前提条件です。

データ整備の具体的な内容は、「散在しているデータを一か所に集約するパイプラインを作ること」「データの形式を統一すること（例えば日付の表記が部署によって異なるのを統一するなど）」「どのデータが信頼できる正本（マスターデータ）かを決めること」の3点に集約されます。これらが整うと、AIが参照できる情報の質と量が劇的に改善します。

実践的なアーキテクチャ——n8nとDifyを組み合わせた構成

では、実際に業務AXを進めていく際のシステム構成はどのようなものになるでしょうか。はてなベースが現場で採用しているアプローチをベースに、参考となる構成を紹介します。

中心に置くのは、n8n（エヌエイトエヌ）というオープンソースのワークフロー自動化ツールです。n8nは「オーケストレーター（指揮者）」の役割を担います。会計システム、CRM、Slack、メール、Google Workspace、各種SaaS——これらを接続し、「いつ・何が起きたら・どのシステムに・何を渡すか」というフローの全体を管理します。データの受け渡しと処理順序の制御が、n8nの仕事です。

そのフローの中で「自然言語の判断」「文書からの情報抽出」「文章の生成・要約」が必要な箇所には、Dify（ダイファイ）を組み合わせます。DifyはAIアプリケーションの構築・運用プラットフォームで、Claude・GPT-4・Geminiといった大規模言語モデル（LLM）を組み込んだAIエージェントを、プログラミングの知識が少なくても構築・管理できる仕組みです。n8nが「どのデータをどこへ動かすか」のフロー管理を担い、DifyがそのフローにAIの判断力を提供する「頭脳」の役割を果たします。

この構成のポイントは、役割の分離にあります。n8nがオーケストレーターとして全体のフローを把握しているため、AIが何の処理のどの部分に関与しているかが明確です。AIの判断に問題が生じた場合、その箇所だけを特定して修正できます。全部AIに任せる「ブラックボックス型」と違い、説明可能で保守しやすい構成です。

また、この構成は段階的な導入に向いています。最初はAIなしでn8nのルールベース自動化だけを動かし、フローが安定してきた後にDifyを通じてAIを組み込む——という進め方が自然にできます。逆から始めようとすると、フローが不安定なままAIが複雑な判断をしようとして混乱が生じます。

スモールスタートで効果検証——最も確実な進め方

AXの推進において、「全社一斉導入」は最もリスクの高いアプローチです。理由は単純で、業務フローの整備・データ基盤の構築・ツールの習熟・例外処理への対応——これらを全社規模で同時に進めると、問題が起きたときに原因が特定できなくなるからです。

推奨するのは、「1業務・1部門・3か月」のスモールスタートです。具体的には、次の手順で進めます。まず、1つの業務（例えば、経費申請の承認フロー）を対象に選び、その業務の現状フローを文字に起こします。次に、そのフローの中でルールが明確な部分——「5万円未満の申請は部門長承認で完結する」「特定の費目は経営承認が必要」など——をn8nで自動化します。3か月間運用してみて、どれだけの手作業が削減されたか、どんな例外が発生したかを記録します。

このサイクルを1業務で完走すると、「自動化のノウハウ」「例外処理のパターン」「社内のデータの実態」が一度に得られます。2業務目以降は、この知見をもとに進めるため、スピードが大幅に上がります。1業務目で出た「処理時間が3分の1に」「承認漏れがゼロに」という定量的な成果は、次の投資の根拠にもなります。

最初の1業務を選ぶ際のコツは、「繰り返し頻度が高く」「ルールが比較的シンプルで」「担当者の不満が大きい」業務を選ぶことです。この3条件を満たす業務は、成功しやすく、成果が可視化されやすく、周囲の理解も得やすいという特徴があります。

はてなベースが提供できること

はてなベースがAX支援で差別化できていると感じているのは、「地盤づくりからAI組み込みまでを一気通貫で見られること」です。

多くのAI導入支援ベンダーは、AIツールそのものの導入と初期設定を専門にしています。しかし前述の通り、AIの導入自体はAX成功の要件のほんの一部です。業務を可視化する段階、標準化する段階、データを統合する段階、ルールベース自動化を組む段階——これら「地盤づくり」の工程を担える支援者が少ないため、多くの企業が「AI入れたのに動かない」という状態で止まっています。

はてなベースのアプローチは、まず「現在の業務をそのまま動かす自動化」から始めることです。業務の可視化・標準化・データ連携パイプラインの構築をn8nベースで進め、それが安定稼働した段階でDifyやClaude APIを通じてAIを組み込んでいきます。フローが動いている状態でAIを足すため、「AIが何をしているか」が常に追跡可能で、責任の所在も明確です。

また、社内にエンジニアがいない企業でも進められるよう、n8nの操作研修やフロー設計の伴走を含めた支援体制を整えています。「AXを推進したいが、社内に知見がない」「外注しっぱなしで社内に何も残らない」という課題を持つ企業に対し、最終的に社内で運用できる状態になることをゴールに据えています。

まとめ——AXは言葉ではなく設計

「AI・AX」という言葉は、今後もしばらく経営の文脈で飛び交い続けるでしょう。しかし言葉の流通と、実態の進展は別物です。本記事で整理した内容を、最後にシンプルな問いに置き換えます。

あなたの会社の業務フローは、文字や図で記述されていますか。処理のルールは明確ですか。データは一か所に集まっていますか——この3つの問いに「はい」と言える状態が、AX成功の前提条件です。AIの技術選択よりも、ずっと地味で、ずっと重要な問いです。

McKinseyが6%と報告した「全社レベルの成果」は、高いハードルではありません。正しい順序で、正しい対象から始めれば、達成できます。ルールベース自動化で地盤を固め、その上にAIを乗せる。成果を数字で確認しながら、1業務ずつ拡大していく。この設計の思想こそが、言葉としてのAXではなく、実態としてのAXです。

「AI・AXをやっている」という言葉ではなく、「3か月で○業務を自動化し、処理時間を△%削減した」という事実を、最初の3か月以内に作ることが、すべての出発点になります。