多くの企業では、従業員による生成AIの場当たり的な利用（メールの下書き、ブレストなど）が学習効果を生む一方、組織全体の成果やROIに結びついていない。これを改善するには、個人実験から、構造化された全社的AIアプリケーションの導入へ移行する必要がある。本論文はこの移行を可能にする「データインフラの整備」と「事業・開発チームの新たな協働」について、先進企業の事例とともに解説している。
組織が生成AIで実質的な成果を上げるには、非構造化データを含むデータインフラの整備、部門横断の継続的な協働体制、個人実験から全社アプリケーションへの戦略的シフト の3つが不可欠である。先進企業は、すでにこの方向への転換を進めており、エージェント型AIの活用も視野に入れている。
1. 個人レベルのAI利用が限界に達している理由
- 個人実験は構造化・測定されず、全社的な価値創出につながりにくい。
- 企業がAI投資の効果を実感できていない原因の一つ。
- 効果を最大化するには、AIの自由度を特定ユースケース向けのエンタープライズアプリケーションに変換する必要がある。
2. エンタープライズAIは何をもたらすか
全社的に連携されたAIシステムは、
- データ統合による出力品質の向上
- スケールメリット（数千人が利用）
- 標準化とガバナンスの強化
- ROI測定の明確化と迅速な改善
といった効果を生む。
事例
- J&J：個人実験を終了し、医薬品開発・営業支援・サプライチェーンなど重点領域に集中投資。
- コカ・コーラ：世界180カ国・130言語向けの1万件のコンテンツ生成をAIで大規模実行。
3. 成功に不可欠なデータインフラ整備
鍵となるのは非構造化データの整理
従来の構造化データ中心のアプローチでは不十分で、
- 部門ごとにデータフローの可視化・マッピング
- 必要なデータ資産の定義
- データ品質管理の責任者の明確化
が必要。
アクセンチュアの事例
- マーケティング部門が、14のAIエージェント開発の前にワークフロー全体を徹底的に再設計。
- その結果、キャンペーン開始までのスピードを25–35%短縮。
4. 事業チームと開発チームの新しい協働モデル
事業チームに求められること
- 要件の丸投げではなく、
- データキュレーション
- 出力検証
- ユースケースに基づく反復
への継続的関与が必要。
開発チームに求められること
- ガバナンスは技術だけでは解決できず、ビジネス部門の知見が必須。
- 営業・人事・財務など多機能チームが関わるエコシステムを調整する役割を担う。
詳細は下記参照。定期購読登録が必要です。
“How to Make Enterprise Gen AI Work,” HBR.org, September 18, 2025.