「あの時、止めておけばよかった」と社長が言った
先日、ある中堅メーカーの社長と昼食をご一緒した時のことです。話の途中で、彼がふと箸を置いてこう言いました。「正直に言うと、去年の AI プロジェクト、止めておけばよかったんですよ」。展示会で見た自動見積りツール。翌日に契約。半年後、誰も使っていない。導入費用と現場の疲労だけが残った、と。
私はその場で気の利いた返答ができませんでした。同じような話を、この一年で四度ほど聞いていたからです。場所も業種も違う。でも、つまずき方の形が驚くほど似ている。
第6回で AI 導入後の ROI 測定方法 について書きました。ところが、現場を回っていると、そもそも ROI を測る土俵にすら立てていない案件が想像以上に多い。今回は、その「土俵に立てない」案件たちが、どこで道を踏み外したのかを整理しておきたいと思います。第7回、つまり最終回のひとつ手前。ここまで読んでこられた方なら、たぶん「うちもこれ、やりかけた」と感じる箇所があるはずです。
パターン 1 : 目的不在の「とりあえず AI」
冒頭の社長の話が、まさにこれでした。展示会で見て、デモがきれいで、競合がやっているらしいから、と。何のために、誰の業務を、どれくらい変えたいのか。その問いに答えないまま稟議が通ってしまう。
悪いのは社長個人ではないのです。展示会というのは、よくできています。30 分のデモで「これは魔法だ」と思わせる構造になっている。ただ、魔法は持ち帰れない。持ち帰るのは契約書だけです。
回避法は身も蓋もないのですが、「導入を決める前に、半日だけ現場の人と座る」。これに尽きます。半日座って、一日のどこに無駄があるかを書き出す。その紙に出てこなかった業務に AI を入れても、まず使われません。
パターン 2 : トップダウン全社一斉導入
これは中堅以上の規模で起きやすい失敗です。経営会議で「全社で AI 活用を進める」と決め、各部門に号令がかかる。半年後、部門横断の会議が増えただけで、目に見える成果はゼロ。
業界事例として一般によく語られるのは、6ヶ月以上かけて部門横断の調整を続けた結果、現場が消耗して導入そのものが立ち消えになったケースです。誰も悪意はない。ただ、稟議文化と現場主義が、こういう全社一斉号令と相性が悪いのだ、という事実があります。
回避法はシンプルで、「最もインパクトの大きい一業務に絞る」。ひとつの部署、ひとつの業務、ひとつの KPI。これを 2~4 週間で検証し、効いたら横に広げる。広げ方は、号令ではなく、隣の部署の人が「あれ、ちょっといいかも」と覗きに来る形が理想です。
パターン 3 : 一度に全部 AI 化しようとする
パターン 2 と似ていますが、こちらは規模ではなく欲張りの問題です。「受注処理も、見積りも、問い合わせ対応も、全部一気に」。要件定義の段階で資料が 80 ページを超え、会議が止まらなくなる。
こうなると、何かトラブルが起きた時の切り分けが極端に難しくなります。受注の数字がずれた。原因はどこか。AI なのか、連携している基幹システムなのか、入力データなのか。複数のレイヤーが同時に変わっていると、誰にも分からない。
正直なところ、これは AI に限らずシステム導入全般の鉄則です。一度に変える対象は少なく、検証可能な単位で。PoC から本格運用までのロードマップ でも触れたとおり、最初の PoC を「ひとつの業務、ひとつの指標」に絞り込めるかどうかが、その後の 2 年間を左右します。
パターン 4 : 社内ルール未整備のまま走り出す
これは表面化しにくいのですが、じわじわ効いてくるタイプの失敗です。生成 AI の導入が決まり、ライセンスも配布された。でも、社内に「何を入力していいのか、何はダメか」のガイドラインがない。
結果、慎重な人ほど触らなくなります。顧客情報を貼っていいのか分からない、社外秘の図面を読み込ませていいのか分からない、出力されたものを社外に出していいのか分からない。判断材料がないので、賢明にも黙って使わない。一方で、深く考えない人は何でも貼ってしまう。組織として最悪のばらつきです。
2024 年以降、大企業ではガイドライン整備が進みましたが、中小企業ではまだ手付かずのところが多い印象です。FAX や紙の業務フローと、生成 AI が同居している。この組み合わせは、ルールがないと事故の温床になります。
回避法は地味ですが効きます。A4 一枚で良いので、「入れていい情報・ダメな情報・出力物の扱い」を書いて、配布する。完璧な規程を作ろうとすると半年かかるので、まずは A4 一枚。改訂前提で配る、というのが現実解です。
パターン 5 : 効果測定の欠如
「なんとなく速くなった気がする」。これは、導入後 3 ヶ月の現場で最も多く聞く言葉です。気のせいではないかもしれない。でも、稟議を通した側にとっては、これでは継続予算を取れません。
週あたり何時間削減されたのか。エラー率はどう変わったのか。問い合わせの一次回答までの時間はどう短くなったのか。数字が一つでも残っていれば、経営判断にも、現場のモチベーションにも橋がかかります。
30% の削減と聞くと小さく感じるかもしれませんが、月 100 件の処理で 30 件が消えるという話です。具体に直すと、急に景色が変わる。逆に、80% の精度で大幅に効率化されているのに、残り 20% のミスだけを見て「使い物にならない」と切り捨てる経営者の方も少なくありません。期待値の置き方ひとつで、同じ結果が成功にも失敗にも見える。これが厄介なところです。
5 つに共通するもの
並べてみて気づくのは、技術の問題が一つもないことです。アルゴリズムの精度でも、モデルの選定でもない。全部、「人が、組織の中で、どう決めて、どう関わるか」の話です。
逆に言えば、技術選定で躓く案件は、私の経験ではほとんどありません。今の生成 AI は、業務の 7 割の場面では十分に動きます。動かないのは、入れる側の準備の方です。これは少し残酷な事実かもしれませんが、救いでもあります。技術の進化を待たなくても、明日からできることがある、ということだからです。
最後に — 次回予告
とはいえ、抽象論だけでは現場のイメージが湧きにくいのも事実です。次回(最終回)は、ここまで7回かけてお話ししてきた内容が、実際の中小企業でどう動いたのか。導入のビフォー·アフターを、できるだけ生々しく書いてみるつもりです。失敗の隣には、必ず成功の影があります。その境目をどう越えたのか。一緒に見ていければと思います。
5years+ では、韓国市場で蓄積した経験を活かしつつ、日本の現場のリズムに合わせて伴走するスタイルで、中堅·中小企業の AI 導入をお手伝いしています。社内で「うちも、もしかしてパターン 1 かも」と感じられた方がいらっしゃいましたら、判断する前の段階で構いませんので、お問い合わせください。半日、現場のお話を伺うところから始めるのが、結局いちばん近道だと思っています。