PERSPECTIVES読了目安 6分
AIエージェント時代のオペレーティングモデル
生成AIの価値は、個人の生産性向上ではなく、業務とガバナンスの設計を組み替えたときに現れる。人とエージェントが協働する前提で、オペレーティングモデルを再定義するための視点を整理する。
AT A GLANCE概略
- AIの導入は急速に広がったが、使われ方は個人の文書作成や要約が中心で、効果も社内の効率化にとどまっている。
- エージェントが実務を担う段階では、ガバナンス・プロセス・データ・ケイパビリティの4つのレイヤーを同時に設計し直す必要がある。
- 全社一斉ではなく、収益へのインパクトが大きい一つの業務領域で4つのレイヤーを通した「型」をつくり、展開の設計図にする。
生成AIの導入は、多くの企業で「ツールの配布」から始まりました。チャット型のアシスタントを全社に展開し、利用率を追い、プロンプトの研修を行う。このアプローチは一定の生産性向上をもたらす一方で、経営指標へのインパクトは限定的にとどまりがちです。理由はシンプルで、業務の構造そのものが変わっていないからです。
公的な調査も、この構図を裏づけています。IPA『DX動向2026』は、国内企業1,799社の経営層またはICT関連部門を対象に、2026年4月中旬から6月中旬にかけて実施された調査です。[1] これによれば、AIを導入または試験利用している企業は58.0%に達し、生成AIを「導入している」企業は前年度の22.6%から44.0%へと急増しました。[1]
一方で、使われ方には偏りがあります。生成AIの組織での利用状況は「個人で業務利用している」が63.3%と最も高く、用途は「文書・音声の要約・翻訳・校正」が82.5%、「文書・レポートの作成」が80.5%と、個人の業務の効率化が中心です。[1] AI導入の効果も「業務が効率化したり迅速化した」が91.6%に上る一方、「顧客満足度が向上した」は4.5%、「売上や利益が向上した」は3.9%にとどまります。[1] 同じ調査は、AIエージェントの利用はいずれの部署でも低水準にとどまっていると指摘しています。[1]
AIエージェントが実務を担える水準に近づいた今、問うべきは「AIをどう使うか」ではなく、「AIが働く前提で、組織はどう動くべきか」です。
タスクの自動化から、プロセスの再設計へ
従来の業務改善は、既存のプロセスを前提に、その一部をシステムで置き換えるものでした。エージェントを前提にすると、この順序が逆転します。まず意思決定と価値創出のポイントを特定し、そこに至るまでの情報収集・判断・実行のうち、どこを人が担い、どこをエージェントに委ねるかを設計します。
- 判断の所在を明示する:エージェントが提案し、人が承認するのか。人が方針を示し、エージェントが実行するのか。業務ごとに責任分界を定義します。
- 例外処理を設計の中心に置く:定型処理の自動化は容易です。価値を左右するのは、例外をどの粒度で検知し、誰にエスカレーションするかです。
- データの流れを先に決める:エージェントが参照する情報源と、実行結果を書き戻す先が定まっていなければ、業務は分断されたままです。
個人の文書作成を速くするAIと、業務の流れの一部を担うエージェントとでは、設計の対象が異なります。前者は個人のスキルの問題として扱えますが、後者は業務の責任と手順の問題です。ここを取り違えると、エージェントを導入しても、人がその出力を確認し、転記し、例外を処理する作業が残り、全体の処理時間はほとんど変わりません。
エージェントに向く業務、向かない業務
エージェントに任せる業務を選ぶ基準は、作業の量よりも、判断の性質です。次の3つの条件がそろう業務ほど、エージェントに向きます。
- 判断の根拠がデータにある:受注内容、在庫、契約条件など、判断に必要な情報がシステムや文書に記録されている。
- 誤りの影響を後工程で止められる:誤った処理が顧客や取引先に届く前に、検知と修正の機会がある。
- 繰り返しが多く、例外が識別できる:大半が定型で、例外は条件で切り分けられる。
反対に、判断の根拠が担当者の経験の中にしかない業務や、一度の誤りが取り返しのつかない影響を持つ業務は、まず人の判断を支援する使い方から始め、根拠の記録と例外の定義が進んでから委任の範囲を広げます。前述の調査で、AIの用途として「情報検索・収集・分析・レポーティング」が77.0%と上位にあるのは、判断の材料を集める段階からAIが入りやすいことを示しています。[1] 材料集めから判断、実行へと段階的に委任を広げることが、現実的な道筋です。
オペレーティングモデルの4つのレイヤー
Deerは、エージェント時代のオペレーティングモデルを次の4つのレイヤーで捉えています。
- ガバナンス:AIに委ねてよい判断の範囲、リスクの許容度、監査の方法
- プロセス:人とエージェントの役割分担、例外のハンドリング、KPI
- データ:業務データの統合、権限、品質管理
- ケイパビリティ:エージェントを設計・運用・改善できる人材と体制
前述の調査を4つのレイヤーに当てはめると、どのレイヤーにも整備の余地が残っていることが分かります。
| レイヤー | 調査に見える現状 |
|---|---|
| ガバナンス | AIや生成AI独自のリスクマネジメントを実施している企業は14.2%。ポリシーもガイドラインも定めていない企業が16.7% |
| プロセス | 生成AIの利用は「個人で業務利用」が63.3%と最多。効果は効率化・迅速化が中心 |
| データ | AI向けの学習データを「整備しておりAIに活用している」企業は7.0% |
| ケイパビリティ | AI導入を主導するのは「IT部門の長」が46.0%、「経営層」が32.1%。CAIO(最高AI責任者)は2.9% |
出典:IPA『DX動向2026』をもとにDeer作成 [1]
なかでも見落とされやすいのが、プロセスのレイヤーです。個人がAIを使って作業を速めても、その前後の承認、転記、確認の手順が変わらなければ、業務全体の処理時間は短くなりません。エージェントを前提にするなら、KPIも個人の作業時間ではなく、受付から完了までのリードタイム、例外の発生率、人が介在した件数といった、業務の流れを測るものに置き換える必要があります。
多くの取り組みが停滞するのは、このうちの一つだけに投資が集中するためです。ツールの導入だけではプロセスが変わらず、プロセスの設計だけではデータが追いつかず、データ基盤だけでは現場に定着しません。4つのレイヤーを同時に、小さく動かすことが、変革のスピードを決めます。
ガバナンスは、エージェントに仕事を任せるための前提
エージェントに業務の一部を任せるには、任せてよい範囲を先に決める必要があります。総務省・経済産業省の『AI事業者ガイドライン(第1.1版)』は、AIに単独で判断させるだけでなく、適切なタイミングで人間の判断を介在させる利用を検討すること、その際に人間の判断が自動化されたシステムへの過度の依存に左右されないよう対策を講じることを求めています。[2] また、AIの出力の品質は活用開始後に大きく変動しうるため、事後検証のための作業記録を残しつつ品質を維持・向上することも挙げています。[2]
これをオペレーティングモデルに落とすと、次の3点になります。
- 委任の範囲:エージェントが単独で完了してよい処理、人の承認を経る処理、人が担う処理を、業務ごとに区分する。
- 介在の設計:人が確認する位置と基準を決め、確認が形骸化しないよう、確認すべき例外だけが人に回る流れにする。
- 記録と検証:エージェントが何を参照し、何を実行したかを記録し、品質の変化を定期的に検証する。
委任の範囲は、一度決めて終わりではありません。最初は人の承認を多めに置き、記録から誤りの傾向と例外の種類が見えてきた段階で、承認を抜き取りに切り替える、あるいは特定の条件の処理だけをエージェントに任せる、というように段階的に広げていきます。記録と検証の仕組みがあるからこそ、委任の範囲を根拠をもって広げられます。
ガバナンスは、利用を止めるための仕組みではなく、エージェントに任せる範囲を安心して広げるための仕組みです。前述の調査でも、AIで効果を感じている企業ほど、リスクマネジメントを実施できている傾向が示されています。[1]
経営アジェンダとしてのAI
エージェントの導入は、IT部門のプロジェクトではありません。業務の責任分界と意思決定のプロセスを組み替える以上、それは組織設計そのものであり、経営が主導すべきアジェンダです。
人材の面でも同じことが言えます。調査では、AIの効果が高いと実感している企業ほど、AIの影響を踏まえた人材育成・確保への対応に着手しており、たとえば「効率化・自動化が見込まれる既存業務の把握」に着手している割合は、効果が高い企業で37.6%、低い企業で23.8%でした。[1] どの業務が変わり、どの役割が必要になるかを把握することは、技術の導入と同じ重みを持つ経営の仕事です。
次の一手:一つの業務領域で「型」をつくる
重要なのは、全社一斉の大規模な変革を構想することではなく、収益性へのインパクトが大きい業務領域を一つ選び、4つのレイヤーを通した「型」をつくることです。一つの領域で成立した型は、他の領域へ展開する際の設計図になります。取り組みの段階に応じて、次の手を打ちます。
- 個人利用が中心の段階:利用状況から、業務の流れの中で繰り返し発生している判断と転記を洗い出し、エージェントに任せる候補の業務領域を一つ選びます。同時に、委任の範囲と記録の方針を決めます。
- 部門での検証が進んでいる段階:選んだ領域で、4つのレイヤーを同時に設計します。特に、例外が人に回る流れと、エージェントが参照・書き戻すデータを先に固めます。
- 複数の領域に広げる段階:最初の型を文書化し、ガバナンスとデータの共通部分を全社の仕組みに引き上げます。推進の責任を、IT部門だけでなく経営層と事業部門の長が分担する体制にします。
Deerは、戦略の策定から業務の再設計、システムの実装、組織への定着までを一貫して支援しています。自社の業務にエージェントをどう組み込むべきか、まずは論点の整理からご相談ください。
SOURCES出典
- [1]独立行政法人情報処理推進機構(IPA)『DX動向2026 広がるAI導入、DXは変われるか』(2026年7月30日)
https://www.ipa.go.jp/digital/chousa/dx-trend/dx-trend-2026.html(2026年11月8日閲覧) - [2]総務省・経済産業省『AI事業者ガイドライン(第1.1版)』(2025年3月28日)
https://www.soumu.go.jp/main_content/001002576.pdf(2026年11月8日閲覧)
Related Insights
関連するインサイト
- PERSPECTIVES2026年11月19日データの品質は、所有者を決めない限り上がらないデータ品質の問題は、ツールや人材の不足として語られることが多いが、根本は責任の配分にある。所有者を「名前」ではなく権限と負担を伴う役割として設計し、データが生まれる業務に置き直すことで、品質を継続的に保つ仕組みを示す。
- PERSPECTIVES2026年11月18日配車の最適化は、アルゴリズムより「制約」で決まる輸送力不足を前に配車・庫内計画へのAI導入が語られるが、非効率の多くは計画の外にある制約から生まれている。予測・計画・調整の3層で最適化とAIの役割を分け、荷主と一体で制約を設計し直す道筋を示す。
- PERSPECTIVES2026年11月16日AI投資はROIではなく「オプション価値」で判断する生成AIへの投資は増えているが、投資対効果を確認できている企業は少ない。最初に精緻なROIを求める判断は、AI投資の性格に合っていない。投資を「選択肢を買う投資」として設計し、段階ごとに拡大・縮小・撤退を決める判断の枠組みを示す。