日本企業のAI導入はなぜ遅れているのか
AI導入が世界的に進む中、日本企業は依然として後れを取っている。ランスタッドが2024年に発表した調査では、AIを職務で活用している人材の割合は15カ国中最下位の19％にとどまった。ランスタッドのデジタルタレントソリューション事業本部、常務執行役員本部長の北上由香氏は、この背景には日本特有のIT構造があると指摘する。
「日本の事業会社では、いまだに自社に所属するエンジニアが二、三割程度しかいません。大規模案件になればなるほど外部ベンダーに丸投げする構造が続いており、結果として自社にノウハウが蓄積されないままです」
一部の大手銀行や外資系企業では内製化の動きが進んでいるものの、全体としては依然としてSIer依存が強い。AI導入においては、技術そのものよりも「自社のビジネスやデータの意味を理解しているか」が重要になるため、この構造は大きな障壁となる。
「ベンダーは技術には詳しいですが、自社のビジネスの文脈やデータの意味までは理解できません。AI時代に求められるのは、技術だけでなくビジネスの中身を理解し、ベンダーと事業部門をつなぐ役割を担える人材です」（北上氏）
AI導入が進むにつれ、IT人材に求められる役割は大きく変化している。従来のように技術だけを扱うエンジニアではなく、ビジネス課題を理解し、データを整備し、プロジェクトを推進する「チェンジエージェント」としての役割が求められる。
北上氏は次のように語る。
「AIを活用するには、ビジネス側が持つデータをAIが使える形に整える必要があります。データクレンジングやアノテーションの設計、ビジネスプロセスのどこにAIを組み込むかの判断など、技術とビジネスの両方を理解した人材が不可欠です」
AI導入は単なる技術プロジェクトではなく、ビジネス変革そのものだ。だからこそ、IT部門がビジネスの課題を理解し、事業部門と共に変革を推進する力が求められる。
「AIを入れることでどれだけの価値が生まれるのか、投資対効果をシミュレーションし、ビジネスと一緒に改善ポイントを見つけていく。そうしたプロジェクト推進力を持つ人材が必要です」（北上氏）
データ設計・管理能力がAI活用の成否を左右する
AI導入において最も重要な要素の一つがデータである。AIは「ゴミを食べればゴミを出す」。つまり、データが整備されていなければ、AIの性能は発揮されない。
北上氏は、データ整備の重要性を繰り返し強調する。
「AIが使えるデータを整えるには、単にデータを集めるだけでは不十分です。データの意味づけを理解し、どのようにクレンジングし、どの形式に変換すればAIが活用できるのかを設計する必要があります」
Excelの列が結合されているだけでAIが読み取れなくなるケースもある。PDFをそのまま読み込ませても、構造化されていなければAIは正しく理解できない。こうした細かな設計を行うのは、ビジネスの文脈を理解したIT人材の役割だ。
AI人材育成において、座学だけでは不十分だ。北上氏は、実際のビジネス課題に基づくプロジェクト経験が不可欠だと語る。
「POC（概念実証）だけを担当させても意味がありません。実際にビジネス価値を生むプロジェクトに参加し、課題の特定から改善策の設計、効果検証までを経験することが重要です」（北上氏）
また、AIはIT部門だけのものではない。ビジネス側もAIの基本概念を理解し、共通言語を持つ必要がある。
「IT部門の担当者だけがAIを理解していても意味がありません。AIを使うのはビジネス側です。全社的にAI教育を行い、ビジネス側もAIの可能性を理解し、どこに活用できるかを想像できるようにすることが重要です」（北上氏）
ランスタッドの「ワークモニター2025」では、働き手の価値観が大きく変化していることが明らかになった。調査開始以来初めて、ワークライフバランスが報酬を上回り、最も重要なモチベーションとなった。
さらに、働き手の多くが「スキル習得の機会」を重視している。将来を見据えたスキルを身に付ける機会が提供されない場合、41％が離職を検討すると回答している。
「働き手は、自分が価値ある存在であり続けるために、スキル習得の機会を求めています。企業がリスキリングの機会を提供しなければ、優秀な人材ほど離れていくでしょう」（北上氏）
日本はAIスキルの学習機会でも最下位
ランスタッドの「AIと公平性」レポートでは、日本のAI活用度や学習機会が15カ国中最下位であることが示された。AIスキルを持つ人材の需要は急増しているにもかかわらず、学習機会が提供されていない。
特に深刻なのは、男女間や世代間の格差だ。AIスキルを持つ人材の71％が男性であり、女性は29％にとどまる。高齢層はAIスキル習得の機会が若年層の半分以下で、AIに対する懐疑心も強い。
企業は、こうした格差を放置すれば人材不足がさらに深刻化すると認識すべきだ。
AI人材の育成には時間がかかる。だからこそ、採用戦略の多様化も重要だ。
「新卒でコンピューターサイエンスを学んだ人材を年収1000万円クラスで採用する企業も出てきています。外国人人材を積極的に採用する企業とそうでない企業の二極化も進んでいます」（北上氏）
外部採用と内部育成を組み合わせ、必要なスキルを持つ人材を確保する戦略が求められる。
AI導入を成功させる企業には共通点がある。経営層が強くコミットし、CIOとビジネス責任者が連携していること。そして、継続的な学習環境を整え、実務経験を積ませる仕組みがあることだ。
北上氏は次のように語る。
「AI導入は一度きりのプロジェクトではありません。継続的に学び、改善し続ける文化が必要です。経営層が旗を振り、ビジネスとITが二人三脚で進むことが成功の鍵です」
AI導入の本質は「組織文化の変革」にある
AI導入が技術的な取り組みだけで完結するという考え方は、すでに時代遅れになりつつある。AIは単なるツールではなく、組織の意思決定、働き方、価値創造のプロセスそのものを変える存在だ。だからこそ、AI導入の本質は「組織文化の変革」にあると言える。
北上氏は、AI導入が進まない企業の多くが「文化的な壁」に直面していると指摘する。
「日本企業では、失敗を避ける文化が根強く残っています。AI導入は試行錯誤が前提で、最初から完璧な成果を求めると前に進めません。まずは小さく始め、成功と失敗を積み重ねながら学習していく姿勢が必要です」
AI導入の初期段階では、必ずしも大きな成果が出るわけではない。むしろ、試行錯誤を通じて組織がAIに慣れ、データの整備が進み、ビジネス側の理解が深まることが重要だ。こうした「学習する組織」への転換こそが、AI時代の競争力を左右する。
さらに北上氏は、AI導入を阻むもう一つの文化的課題として「縦割り構造」を挙げる。
「日本企業は部門間の壁が厚く、データも部門ごとに閉じてしまいがちです。しかしAIは部門横断で価値を生むものです。サイロ化された組織では、AIの力を十分に引き出せません」
AI導入を成功させる企業は、例外なく部門横断のチームを組成し、ITとビジネスが一体となってプロジェクトを推進している。AIは組織の境界を越えて初めて価値を生む。だからこそ、組織文化の変革が不可欠なのだ。
「データの民主化」がAI活用の鍵を握る
AIを活用するためには、データが整備されているだけでは不十分だ。データが「誰でも使える状態」になっていることが重要である。これを「データの民主化」と呼ぶ。
データの民主化とは、データが特定の部門や専門家だけのものではなく、ビジネス側の担当者も含め、組織全体がアクセスし、理解し、活用できる状態を指す。
北上氏は、データの民主化が進んでいない企業では、AI導入が必ず停滞すると語る。
「データがブラックボックス化している企業は、AI導入が進みません。データの意味を理解しているのが一部の担当者だけだと、AIをどこに活用できるのか判断できないからです」
データの民主化には、以下の3つの要素が必要だ。
① データの可視化
誰が見ても理解できる形でデータを整理し、アクセスできるようにする。
② データリテラシーの向上
ビジネス側の担当者がデータを読み解き、意思決定に活用できるようにする。
③ データガバナンスの確立
データの品質、データ・セキュリティ、データ・プライバシーを保護すると同時に、データを安全かつ迅速に利活用するための「ルール」と「仕組み」を構築する。
特に日本企業では、②の「データリテラシー」が大きな課題となっている。データを扱うことに苦手意識を持つビジネスパーソンは多く、データ分析をIT部門に丸投げするケースが後を絶たない。
しかしAI時代には、ビジネス側がデータを理解し、AIを使って意思決定を行うことが求められる。データの民主化は、AI活用の前提条件なのだ。
AI導入の成功企業に共通する「内製化の哲学」
AI導入に成功している企業には、ある共通点がある。それは「内製化の哲学」を持っていることだ。
内製化とは、すべてを自社で作ることではない。むしろ、外部パートナーと協働しながらも、自社のビジネス理解とデータ理解を軸に、AI活用の主導権を握ることを意味する。
北上氏は、内製化の本質を次のように説明する。
「内製化とは、技術を自分たちで作ることではなく、ビジネスの文脈を理解し、AIをどう使うかを自分たちで決められる状態をつくることです」
AI導入において、外部ベンダーは重要なパートナーである。しかし、ベンダーに丸投げしてしまうと、AI活用の方向性がベンダー任せになり、自社のビジネスに最適化されない。
内製化の哲学を持つ企業は、以下のような特徴を持つ。
① ビジネス側がAI活用の目的を明確に語れる
「何のためにAIを使うのか」が明確である。
② IT部門がビジネスの文脈を理解している
技術だけでなく、ビジネス課題を理解している。
③ 外部パートナーと対等に議論できる
丸投げではなく、戦略的パートナーシップを構築できる。
④ データの意味を自社で定義できる
データの価値を理解し、整備の方向性を決められる。
こうした内製化の哲学がある企業は、AI導入のスピードも速く、成果も出やすい。
AI導入の「失敗パターン」から学ぶべきこと
AI導入が進む中で、成功事例だけでなく失敗事例も増えている。失敗から学ぶことは多い。
北上氏は、AI導入の失敗パターンとして次のような例を挙げる。
「データ基盤が整っていないのにAIモデルの微調整を始めてしまうケースがあります。これは典型的な失敗パターンです。データが整っていなければ、どれだけ高度なAIを使っても意味がありません」
また、POCに終始し、実運用に移行できないケースも多い。
「POCだけを担当者に任せてしまうと、属人化してしまい、組織としての学びが蓄積されません。AI導入は組織全体の取り組みであり、個人の努力に依存してはいけません」（北上氏）
さらに、外部ベンダーに丸投げしてしまい、社内にノウハウが残らないケースもある。
「AI導入は運用が最も重要です。運用フェーズを軽視すると、AIが現場で使われず、形骸化してしまいます」（北上氏）
失敗パターンを避けるためには、データ整備、プロジェクト管理、運用設計など、AI導入の全体像を理解し、段階的に進めることが重要だ。
AIが普及することで、働き方は大きく変わる。単純作業はAIに置き換わり、人間はより高度な判断や創造性が求められる仕事にシフトしていく。
北上氏は、AI時代の働き方を次のように描く。
「AIが文章を作成し、データを整理し、業務を効率化することで、人間はより価値の高い仕事に集中できるようになります。これは脅威ではなく、チャンスです」
AI時代の働き方には、以下のような特徴がある。
① 反復作業からの解放
AIが定型業務を担うことで、人間はより創造的な仕事に集中できる。
② 意思決定の高度化
AIがデータ分析を支援することで、より精度の高い意思決定が可能になる。
③ スキルの重要性が増す
AIを使いこなすためには、デジタルリテラシーやデータリテラシーが不可欠になる。
④ キャリアの自律性が高まる
働き手は、自分の価値を高めるためにスキル習得を重視するようになる。
ランスタッドの調査でも、働き手の多くが「スキル習得の機会がなければ離職を検討する」と回答している。AI時代には、スキルがキャリアの中心となる。
日本企業が未来に向けて取るべき「長期戦略」
AI導入は短期的な取り組みではなく、長期的な戦略が必要だ。日本企業が未来に向けて取るべき長期戦略として、以下の3つが挙げられる。
① 人材ポートフォリオの再構築
技術人材、ビジネス人材、データ人材をバランスよく配置し、AI時代に適した組織構造をつくる。
② 継続的な学習環境の整備
リスキリングを単発の研修ではなく、継続的な取り組みとして制度化する。
③ 経営層のコミットメント
AI導入は経営課題であり、トップが旗を振らなければ進まない。
北上氏は、AI導入の成功は「経営層の覚悟」にかかっていると語る。
「AI導入は企業の未来を左右する取り組みです。経営層が本気で取り組む姿勢を示し、組織全体を巻き込むことが成功の鍵です」
これらの長期戦略を着実に実行することで、日本企業はAI時代において持続的な競争力を確立できるだろう。