生成AI導入で「想像と違った」ことは何か？──現場で気づいた3つのギャップ

裏を返せば、技術の細かいことがわからなくても、現場をよく知っている人がいれば導入はできます。むしろ、技術だけ詳しくて現場を知らないほうがうまくいきません。

導入自体は急速に広がっています。NRI（野村総合研究所）の2025年の調査では、日本企業の生成AI導入率は57.7%。一方でBCGの2025年の調査では、AIのトレーニングを「十分に受けた」と答えた日本の従業員はわずか12%。導入は進んでいるのに、現場の準備が追いついていない ──このギャップが3つの驚きの背景にあります。

経営層に「精度90%出ました」と報告すると、反応は上々です。同じ話を現場に持っていくと空気が変わり、返ってくるのは「で、残り10%は誰が直すの？」でした。

もうひとつ落とし穴があります。業務は複数のステップが連鎖します。個々の処理の精度が90%でも、5ステップの業務なら全体は0.9の5乗で約59%まで落ちます。「テストでは良かったのに本番でダメ」の正体は、実はこれだったりします。

私の現場では、AIの出力を人間が30秒以内に確認・修正できる画面を作りました。AIが自信のないところをハイライトして、人がサッと目を通せるようにする。それだけで受容度が激変しました。 「完璧なAI」より「間違いを素早く直せるAI」 のほうが、現場には定着します。

CIO.comの調査によると、AIのお試しプロジェクトの約88%が本番稼働に至りません。原因の多くは技術不足ではなく、そもそもAIに向いていない業務を選んでしまったことです。

• 社内に「お手本」があるか？──過去の良い成果物やベテランの判断事例など、AIに学ばせるサンプルがあるかどうか
• 80点で業務が回るか？──AIの出力を完成品ではなく「80点の下書き」として使える業務かどうか

意外かもしれませんが、最初に効果が出やすいのは華やかな業務ではなく、誰もがめんどくさいと思っている定型作業です。報告書のドラフト、データの整理、社内問い合わせへの回答下書き。地味なところにこそ、生成AIの威力が出ます。

特に効くのは、ベテランが知っている「普通はこうだけど、このケースだけは違う」という例外パターンです。5個から10個集めるだけで、AIの判断がガラッと変わります。大量のデータより、こうした現場の勘所のほうがずっとインパクトがあります。

arXivに掲載された研究でも、専門家の知識をAIに組み込むと出力品質が206%向上するというデータがあります。

そしてこれは、技術継承にもなっています。ベテランの頭の中にしかなかった暗黙知が、AIへの指示という形で言語化・構造化される。ベテランが退職しても、その知識はAIの中に残ります。導入のつもりが、気づいたら技術継承の仕組みもできていた──嬉しい副産物でした。