牛の小道を舗装するのはやめよう――AI導入の前に業務プロセスの分析と最適化を



今や、取締役会で「当社のAI戦略は何か」という問いが出ないことはほとんどありません。行動を求める圧力は現実のもので、取り残されることへの不安も高まっています。競合他社はパイロットを発表し、AIで話題を集め、ベンダーは変革を約束し、誰も波に乗り遅れた企業にはなりたくありません。こうした圧力のもとで、よくあるパターンが現れます。組織はAIの導入そのものをプロジェクトとみなし、まずツールを選び、その後で適用先を探すのです。

経済学、情報システム研究、そして失敗したAI施策の事後検証が蓄積するなかで、エビデンスは逆の方向を示しています。人工知能から価値を得る組織は、最も速く導入する組織ではありません。導入の土台を整える組織です。つまり、モデルを一つでも本番稼働させる前に、事業を見直し、業務プロセスを可視化し、分析し、最適化するのです。ビル・ゲイツの言葉としてよく引用される格言は、その根底にある論理を捉えています。「効率的な業務に自動化を適用すれば効率性が増幅される。一方、非効率な業務に適用すれば非効率性が増幅される」。この言葉の出典は伝説の域を出ないかもしれません。しかし、これから見るように、その仕組みは十分に記録されています。

本記事では、規律ある業務運営を行う組織が常に守ってきた順序を、根拠とともに論じます。まず分析し、次に最適化し、最後に自動化するのです。

 

企業のAIをめぐる厳しい計算

まずは成果から見てみましょう。経験豊富なデータサイエンティストやエンジニアへの聞き取りに基づく2024年のRAND Corporationの調査は、AIプロジェクトの80%超が失敗すると推定しました。これは、AIを含まないITプロジェクトの失敗率のおよそ2倍です[1]。その1年後、MITのProject NANDAは、生成AI時代についてさらに厳しい数字を報告しました。企業が数百億ドルを投資しているにもかかわらず、GenAIのパイロットの約95%は損益に測定可能な影響をもたらしておらず、企業向けに開発されたカスタムツールのうち、大規模に本番稼働に至ったのはわずか約5%でした[2]。

調査データも、別の角度から同じ状況を示しています。S&P Global Market Intelligenceによると、AI施策の大半を中止した企業の割合は、前年の17%から2025年には42%に急増しました。また、概念実証の平均46%が本番稼働に至る前に打ち切られていました[3]。Gartnerはこの淘汰を正確に予測し、2025年末までに生成AIプロジェクトの少なくとも30%が概念実証後に中止されると見込んでいました[4]。そして、こうした状況は生成AIに限った話ではありません。ChatGPTが登場する前の2019年、MIT Sloan Management ReviewとBoston Consulting Groupによる世界規模の調査では、企業の10社中7社が、それまでのAI投資による影響はごくわずか、または皆無だと回答していました[5]。

しかし、重要なのは失敗率ではなく、失敗の原因です。RANDの研究者が根本原因を分類したところ、主な要因はアルゴリズムとはほとんど関係がありませんでした。AIで何を解決するのかについて、経営陣と技術チームの認識が一致していないこと。適切なモデルの訓練に必要なデータが不足していること。現実のユーザー課題の解決より最新技術の活用を優先していること。そして、インフラやデータガバナンスが不十分であることです[1]。MITの報告書も、これを補完する結論に至っています。ツールが実際の業務フローに適合せず、業務の文脈から学習できないためにパイロットは失敗するのです。これはモデルの品質ではなく、業務運営に根差した「学習ギャップ」です[2]。

言い換えれば、企業のAIは、主に課題の選定、データ、業務プロセスへの統合で失敗します。この3つこそ、業務プロセス分析が正しく整える対象です。

 

これは以前にも見た光景

汎用技術が企業に一斉に広がった前回のことを覚えている人なら、今回の状況に驚く必要はありません。企業がITに多額の投資を行った10年間を経ても、生産性向上の成果が期待外れに終わった1990年、Michael Hammerは、史上最も影響力のある経営論文の一つで、その原因を指摘しました。企業は従来のやり方をそのまま技術で機械化し、非効率な業務プロセスを残したまま、コンピューターで処理を速めていたのです。Hammerは「牛の小道を舗装するのはやめる時だ」と記しました。時代遅れのプロセスをシリコンやソフトウェアに埋め込むのではなく、まず仕事そのものを再設計すべきだと訴えたのです[6]。

その後、経済学者たちはHammerの直感を数値で裏付けました。Erik BrynjolfssonとLorin Hittは、1990年代の企業データを分析し、IT投資のリターンには大きなばらつきがあり、その差は補完的な組織投資によって説明できることを示しました。プロセスを再設計し、意思決定を分散し、スキルに投資した企業は、同じ技術を導入しただけで終わった企業にはほとんどもたらされなかった大きな生産性向上を実現したのです[7]。その約20年後、同じ研究の流れはこれを「生産性のJカーブ」として体系化しました。電力、コンピューティング、そして現在のAIのような汎用技術は、効果が出るまでに時間がかかります。企業が新しいプロセスやスキル、再編された業務フローといった無形の補完要素を、まず構築しなければならないからです。こうした補完要素を省けば、技術はいつまでも期待した性能を発揮できません[8]。

AIはこの物語の続編です。ただし、予算はさらに大きく、期待のサイクルはさらに速くなっています。技術は変わりましたが、補完性の経済学は変わっていません。

だからこそ、組織の効率性を高め、AI投資のリターンを最大化する道のりを導くパートナーとして、Mourinho Solutionsが最適なのです。私たちは、まず事業があり、技術（そしてAI）はその後に続くべきだと考えます。その理由は5つあります。

 

理由1：自動化は、対象となるプロセスの特性を増幅する

プロセスに導入されたアルゴリズムは、そのプロセスのロジックを引き継ぎます。問題点も例外ではありません。これは、HammerがITについて当初から警告していたことです[6]。また、2010年代後半にRPA（ロボティック・プロセス・オートメーション）が普及した際、研究者たちもまったく同じ注意を促しました。RPAロボットは、画面を同じようにクリックし、同じルールに従うなど、現在の仕事の進め方をそのまま再現します。そのため、プロセスを事前に検証せずに自動化すると、非効率にデジタルのコンクリートを流し込み、悪いプロセスを速く、硬直的で、変更しにくいものにしてしまうおそれがあります[9]。RPAに関する文献の系統的レビューでも、ルールベースで標準化され、成熟したプロセスを選び、適合性を見極めることが成功の主な決定要因の一つとされ、プロセス選定の誤りは施策失敗の繰り返し見られる原因として挙げられています[10]。

この教訓はAIにもそのまま当てはまり、リスクはさらに大きいと言えるでしょう。壊れた承認フローに組み込まれた言語モデルは、ボトルネックの待ち行列をより速く埋めるだけです。誰も従わない計画プロセスで需要を予測する機械学習モデルは、誰にも使われない予測を生みます。自動化の本質は増幅です。だからこそ、何を増幅するのかを先に精査する必要があります。

 

理由2：データ品質は業務プロセスの結果であり、想像以上に悪い

あらゆるAIシステムはデータを基盤とし、データは業務プロセスを基盤としています。データは、日々の業務を通じて作成され、入力され、変換され、引き継がれるからです。そのデータの実態は厳しいものです。管理職が自組織の記録サンプルを評価した調査では、基本的な品質基準を満たすデータがあった企業はわずか3%で、新たに作成された記録のほぼ半数には、業務に重大な影響を与える誤りが少なくとも1つ含まれていました[11]。RANDの調査対象者は、AIプロジェクト失敗の主な原因の一つに、十分で利用可能なデータの不足を挙げ、組織は必要なデータ準備の量を恒常的に過小評価していると指摘しました[1]。

この問題を無視した場合の影響は、実務家レベルでも十分に記録されています。重大な影響を伴う分野で働くAI実務家を対象にした調査では、92%が「データ・カスケード」を経験していました。上流のデータ品質の問題をきっかけに、下流で障害が連鎖的に発生する現象です。多くの場合、壊れたモデルや導入の中止という形で遅れて表面化するまで、問題は見えません[12]。この研究のタイトルだけでも、業界の順序づけの問題をよく表しています。「誰もがモデルの仕事をしたがる。データの仕事はしたがらない。」

ここで重要なのは、データ品質はデータクレンジングの短期集中作業だけでは改善できないということです。質の悪いデータは、それを生成するプロセスによって絶えず再生産されるからです。業務プロセス分析によって、データがどこで生まれ、重複し、再入力され、損なわれるのかを突き止め、業務プロセスの最適化で発生源の問題を解決します。まずプロセスを最適化する組織は、将来のAIを支えるデータ基盤も、着実に築いているのです。

 

理由3：プロセスが見えなければ、ユースケースの選定を誤る

AIをどこに適用するかを決めるのはポートフォリオ上の判断であり、実際の業務の流れを知らずに適切な判断を下すことはできません。DavenportとRonanki[13]は、152件のコグニティブ技術プロジェクトを調査し、野心的な「ムーンショット」型の導入は期待を裏切ることが多い一方、成功した導入企業は段階的なアプローチをとっていたことを明らかにしました。業務プロセスをタスクごとに検討し、特定の業務フローにある特定のボトルネックに、特定のAI機能を対応づけていたのです。

こうしたタスクレベルの可視性をもたらすのが、業務プロセス管理（BPM）の専門分野であり、これが私たちの中核的な専門分野の一つです。標準的なBPMのライフサイクルでは、実装や自動化に先立って、プロセスの特定、発見、分析、再設計を行います。未検証のプロセスを自動化するのは、そもそも問題の分類を誤っているという、数十年にわたる実践から導かれた順序です[14]。最新のプロセスマイニングは、この取り組みをさらに強化します。既存のITシステムのイベントログからプロセスを再構築することで、主観に基づくプロセスマップをエビデンスに置き換えます。インタビューだけでは決して見えない、実際のプロセスのパターン数、手戻りループ、逸脱、ボトルネックを明らかにします[15]。これは、いわば手術前に撮るX線です。そして多くの場合、経営幹部が説明するプロセスと、組織が実際に運用しているプロセスは異なることが分かります。

自動化の代表的な成功事例は、まさにこの選定規律に基づいていました。初期のRPA導入事例として最もよく知られ、最終的に数百パーセントの投資収益率を達成したTelefónica O2では、自動化の対象を慎重に選定しました。大量処理が必要で、標準化され、ルールベースのプロセスを安定させたうえで、ソフトウェアロボットを適用したのです[16]。成功を生み出したのはソフトウェアではなく、対象の選定でした。

 

理由4：最善の「AIプロジェクト」は、その手順をなくすことかもしれない

業務プロセスを分析すると、AIがまったく必要ない問題が次々に見つかるという、少々都合の悪いことが起こります。重複する承認、誰も読まないレポート、2014年の組織図が理由で残っている引き継ぎ、単純にシステム連携できる2つのシステム間での手入力。古典的なインダストリアル・エンジニアリングの原則では、自動化の前に排除、統合、簡素化を行います。無駄を自動化しても、より速い無駄が生まれるだけだからです。これはHammerの「自動化するな、根絶せよ」という主張の核心でした。技術で速めようとしていた作業の多くは、そもそも存在すべきではなかったのです[6]。

個人的な話をすると、レオナルド・ダ・ヴィンチの言葉としてよく知られる「単純さは究極の洗練である」というモットーが、私はとても好きです。プロセスをシンプルにするには、骨の折れる作業が求められます。高い分析力、組織の異なる領域からの情報を関連づける力、そして複数分野の知識を統合する力が必要です。まさにこの技術こそ、Mourinho Solutionsの事業の中核です。

AIプログラムへの投資を検討している組織にとって、これは回り道ではありません。すぐに得られるコスト削減とリスク低減です。排除した手順は自動化コストがかからず、モデルの保守も不要で、新たな障害要因も生まず、即座に効果をもたらします。さらに、プロセス改善はもう一つの成果を生みます。それは、測定可能な基準値です。MIT NANDAの報告書が示した重要な知見の一つは、GenAIのパイロットの大半が損益への影響を測定可能な形で示せなかったことです[2]。しかし、既知の出発点がなければ、影響を測定することはできません。最適化されたプロセスには、サイクルタイム、エラー率、取引あたりのコストが記録されています。その後のAI導入は、投資収益率を自ら実証する力を、追加コストなしで備えることになります。

 

理由5：AIの価値は、ソフトウェアとともに導入されるのではなく、組織の変革によって実現する

最後に、AIの価値が実際にどこから生まれるかに関する研究は、ツール優先の戦略にとって受け入れがたい真実に収束しています。価値が具体化するのは業務プロセスのレベルであり、技術に合わせて組織を変えた場合に限られるのです。AIと事業価値に関する文献の系統的レビューでは、第一段階の効果はプロセス効率やプロセス内の意思決定改善として現れ、その価値を実現できるかどうかは、モデルの高度さではなく、組織を支える要素と意図的な業務プロセス変革にかかっていると示されました[17]。AI導入企業への聞き取り調査でも、組織の準備状況――戦略との整合、データ品質とガバナンス、プロセスに関する知識、組織文化――は、導入後に初めて気づくのではなく、導入を決める前に評価すべき前提条件として挙げられています[18]。

実務家の調査も同じ見解です。Harvard Business Reviewに寄稿したMcKinseyのリーダーたちは、AIを拡大するうえで最大の障壁は技術的なものではなく、文化や組織に関するものだと報告しました。成功には、ワークフローの再設計と、IT導入としてではなく、部門横断型チームによる事業主導の業務プロセス変革としてAI施策を進めることが必要です[19]。また、MIT SloanとBCGによる世界規模の調査では、AIから実際に価値を得た企業は、技術を戦略そのものとして扱うのではなく、戦略、組織変革、技術を組み合わせていた点で際立っていました[5]。

業務プロセスの分析と最適化は、まさにこの組織的な取り組みを、正しい順序で行うことです。どの課題が重要かについて経営陣の認識をそろえ（RANDの失敗原因第1位に対処し[1]）、業務フローの再設計に必要なプロセス理解を築き、AIを確信をもって導入できる安定した標準業務をつくります。

 

Mourinho Solutionsが実現する「プロセス優先」

ここまでの理由は、誰かがモデルに触れることを許可されるまで、何年も分析を続けるべきだという主張ではありません。必要なのは、規律ある短い手順です。BPMライフサイクルの前半にあたる取り組みを[14]、数四半期ではなく数週間で、後に続くAIプログラムの規模に合わせて実行するのです。

Mourinho Solutionsは、最先端の知見と長年の経験に基づくオーダーメイドのコンサルティングを提供します。BPMライフサイクル全体を通じて組織を体系的に支援し、投資から最大限のリターンを得られるようにします。

さらに、積み重なる効果にも注目する価値があります。成功を収めた少数派――MITの調査でいう5%、MIT SloanとBCGの調査における「先駆者」――は、失敗を避けただけではありません。後続のAI導入を、そのたびにより低コストで、より速く進められる組織的な力を築いたのです[5]、[2]。プロセスの明確さ、クリーンなデータフロー、測定の規律は、インフラです。これらは時間とともに価値を増していきます。

 

結論：AI対応の前提はプロセス対応

AI導入を急ぐあまり、プロセス分析は遅れの原因と見なされがちです。しかし、根拠が示すのは正反対です。プロセス分析は、AIの失敗につながる根本原因として報告されている「課題設定の誤り」「データの質の低さ」「ワークフローの未統合」に対処し、それらが積み重なってパイロットが放棄される前にリスクを大きく低減できる、最も効果の高い手段です。牛の通り道を舗装しても、価値はほとんど生み出されません。むしろ価値を損なうことさえあります。ビジネスプロセス・リエンジニアリング[6]から補完性の経済学[7]、[8]、そして最新のAI導入の事後分析[1]、[2]に至る35年間の研究は、一貫した結論を示しています。テクノロジーは、それが導入される組織のあり方を増幅させるのです。まず組織を最適化すれば、AIは増幅する価値のあるものを増幅します。

したがって、経営チームが問うべきなのは「どれだけ早くAIを導入できるか」ではなく、「理解し、最適化したうえで、AIによって真に変革できるプロセスはどれか」です。この順序で問いに答えることが、上位5%と残りの95%を分けます。

Mourinho Solutionsは、お客様の組織が上位5%に入るための支援をします。

---

Mourinho Solutionsでは、この順序に沿って取り組みを進めます。組織のプロセスを可視化・分析し、測定可能な成果が得られるよう最適化したうえで、効果が実証できる領域に限ってAIを設計・導入します。AI施策を計画している企業の皆様は、まず自社のプロセスについて話し合うところから始めましょう。プロセス評価については、お問い合わせください。

 

 

参考文献

[1] J. Ryseff, B. F. De Bruhl, and S. J. Newberry, 人工知能プロジェクトが失敗する根本原因と成功への道：AIのアンチパターンを避ける。米国カリフォルニア州サンタモニカ：RAND Corporation、2024年。[オンライン]。入手先：https://www.rand.org/pubs/research_reports/RRA2680-1.html

[2] A. Challapally, C. Pease, R. Raskar, and P. Chari,「生成AIの格差：ビジネスにおけるAIの現状 2025」、MIT NANDA、米国マサチューセッツ州ケンブリッジ、2025年。[オンライン]。入手先：https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf

[3] S&P Global Market Intelligence、「企業の声：AIと機械学習」調査、2025年。調査結果は「AIプロジェクトの失敗率が上昇：レポート」、CIO Dive、2025年3月に掲載。[オンライン]。入手先：https://www.ciodive.com/news/AI-project-fail-data-SPGlobal/742590/

[4] Gartner、「Gartner、2025年末までに生成AIプロジェクトの30%が概念実証後に中止されると予測」、プレスリリース、2024年7月29日。[オンライン]。入手先：https://www.gartner.com/en/newsroom/press-releases/2024-07-29-gartner-predicts-30-percent-of-generative-ai-projects-will-be-abandoned-after-proof-of-concept-by-end-of-2025

[5] S. Ransbotham, S. Khodabandeh, R. Fehling, B. LaFountain, and D. Kiron、「AIで勝つ」、MIT Sloan Management ReviewおよびBoston Consulting Group、米国マサチューセッツ州ケンブリッジ、調査報告書、2019年。[オンライン]。入手先：https://sloanreview.mit.edu/projects/winning-with-ai/

[6] M. Hammer、「業務を再設計する：自動化ではなく、根本から変える」、Harvard Business Review、第68巻、第4号、104～112頁、1990年7～8月。[オンライン]。入手先：https://hbr.org/1990/07/reengineering-work-dont-automate-obliterate

[7] E. Brynjolfsson and L. M. Hitt、「計算を超えて：情報技術、組織変革、企業業績」、Journal of Economic Perspectives、第14巻、第4号、23～48頁、2000年、doi：10.1257/jep.14.4.23。

[8] E. Brynjolfsson, D. Rock, and C. Syverson、「生産性のJカーブ：無形資産が汎用技術を補完する仕組み」、American Economic Journal: Macroeconomics、第13巻、第1号、333～372頁、2021年1月、doi：10.1257/mac.20180386。

[9] W. M. P. van der Aalst, M. Bichler, and A. Heinzl、「ロボティック・プロセス・オートメーション」、Business & Information Systems Engineering、第60巻、第4号、269～272頁、2018年、doi：10.1007/s12599-018-0542-4。

[10] R. Syed et al.、「ロボティック・プロセス・オートメーション：最新のテーマと課題」、Computers in Industry、第115巻、論文番号103162、2020年2月、doi：10.1016/j.compind.2019.103162。

[11] T. Nagle, T. C. Redman, and D. Sammon、「企業データのうち、基本的な品質基準を満たすのはわずか3%」、Harvard Business Review、2017年9月11日。[オンライン]。入手先：https://hbr.org/2017/09/only-3-of-companies-data-meets-basic-quality-standards

[12] N. Sambasivan, S. Kapania, H. Highfill, D. Akrong, P. Paritosh, and L. Aroyo、「『誰もがモデルの仕事をしたがり、データの仕事はしたがらない』：重大な影響を伴うAIにおけるデータの連鎖的問題」、2021 CHI Conference on Human Factors in Computing Systems (CHI ’21) 論文集、日本、横浜、2021年、論文番号39、doi：10.1145/3411764.3445518。

[13] T. H. Davenport and R. Ronanki、「実社会で活用する人工知能」、Harvard Business Review、第96巻、第1号、108～116頁、2018年1～2月。[オンライン]。入手先：https://hbr.org/2018/01/artificial-intelligence-for-the-real-world

[14] M. Dumas, M. La Rosa, J. Mendling, and H. A. Reijers, ビジネスプロセス管理の基礎、第2版。ドイツ、ベルリン：Springer、2018年、doi：10.1007/978-3-662-56509-4。

[15] W. M. P. van der Aalst, プロセスマイニング：実践的データサイエンス、第2版。ドイツ、ベルリン：Springer、2016年、doi：10.1007/978-3-662-49851-4。

[16] M. C. Lacity and L. P. Willcocks、「Telefónica O2におけるロボティック・プロセス・オートメーション」、MIS Quarterly Executive、第15巻、第1号、21～35頁、2016年3月。[オンライン]。入手先：https://aisel.aisnet.org/misqe/vol15/iss1/4/

[17] I. M. Enholm, E. Papagiannidis, P. Mikalef, and J. Krogstie、「人工知能とビジネス価値：文献レビュー」、Information Systems Frontiers、第24巻、第5号、1709～1734頁、2022年、doi：10.1007/s10796-021-10186-w。

[18] J. Jöhnk, M. Weißert, and K. Wyrtki、「準備ができていてもいなくても、AIはやって来る―組織のAI導入準備要因に関するインタビュー調査」、Business & Information Systems Engineering、第63巻、第1号、5～20頁、2021年、doi：10.1007/s12599-020-00676-7。

[19] T. Fountaine, B. McCarthy, and T. Saleh、「AIを活用する組織の構築」、Harvard Business Review、第97巻、第4号、62～73頁、2019年7～8月。[オンライン]。入手先：https://hbr.org/2019/07/building-the-ai-powered-organization