AI導入の事例はどこまで自社に移せる？｜読むときに確かめる条件

生成AIを業務で活用している企業は34.5%。帝国データバンクが2026年3月17日から31日にかけて1万312社から回答を得た調査の数字です。そして活用している企業のうち86.7%が「業務への効果が出ている」と答えています。効果は出ている。それでも社内では、次の2つの声が別の時期に出てきます。「他社の事例に対応時間が3割減ったと書いてあったので、その数字で稟議を書きました」「同じ手順をなぞっているのに、事例のような数字が出ません」——前者は稟議を出す前の会議で、後者は道具を配り終えて3か月ほど経った現場から届きます。順番が逆になることはほとんどありません。事例が誇張されているわけでも、自社の進め方が下手なわけでもありません。事例に載っている数字は「この業務をAIに任せると何割減るか」を表した数字ではなく、「ある会社の、ある人たちが、ある期間に、ある確認体制のもとで出した数字」でしかないからです。この記事では、事例を読むときに確かめる条件を項目に落とし、どこまでが自社に移せてどこからが移せないのかを、実測された研究と企業調査の数字で分けていきます。

「同じ業種の事例だから移せる」は、どこで外れるか

外れ方には順序があります。最初に外れるのは業種ではなく件数の桁です。次に外れるのは担い手の構成、最後に確認に割いている人手です。業種が同じであることは、この3つのどれも保証しません。同業の事例が並んでいると読み比べたくなりますが、同じ業種のなかでも、扱う件数は2桁も3桁も違います。

具体で見ます。月に800件の問い合わせを受ける窓口の事例と、月に60件の窓口があるとします。1件あたりの短縮時間が同じでも、後者では効果がほとんど残りません。件数が少ないと、下書きを出させて読み、直すという切り替えの手間が、短縮ぶんを食い切ってしまうからです。逆に800件の側では、同じ言い回しが何度も出てくるので、型を作った瞬間から効きはじめます。効果が出るかどうかは、業務の名前ではなく、同じ形の仕事が何回来るかで決まる。ここが最初の分岐です。

だから読むときに最初に探すのは業種ではありません。その事例の対象業務が月に何件処理されているかです。書かれていれば自社の件数と桁を比べる。書かれていなければ、その事例からは「やれる／やれない」だけを受け取り、「どれだけ効くか」は受け取らない。件数の桁が2つ違う事例は、同じ工程を扱っていても別の話をしています。

事例になる確率は、効果の大きさと相関している

事例が世に出るまでに、少なくとも3つの絞りがかかります。第一に、活用している側に入っていること。第二に、効果が出た側に入っていること。第三に、社名と数字を外に出す許可が社内で取れていること。先の調査に当てはめると、活用しているのが34.5%、そのうち効果が出ているのが86.7%ですから、第二の絞りを抜けた時点で全体の3割ほどまで細くなります。第三の絞りはさらに強く効きます。

効果の中身にも段差があります。売上高500億円以上の企業に所属し生成AIの導入に関与する課長職以上を対象にした2026年2月の調査では、日本の活用・推進度は87%、未着手・断念は4%でした。ところが効果の実感を聞くと、「期待を大きく上回る」と答えたのは日本で9%（米国38%、英国32%）、「期待未満」が19%、「まだ評価できていない」が日本で13%（米国は0%）です。事例として公表されるのは、この9%の側からです。19%と13%の側は、記事になりません。

これは調査の作り方の話ではなく、施策の効果測定の分野で測られている現象です。省エネの働きかけを大量の世帯に送る仕組みについて、111件の無作為化比較試験・860万世帯ぶんのデータを使った研究があります。最初の10件の詳細なデータから作った予測は、続く101か所での実際の効果を大きく上回りました。理由も特定されています。環境意識の高い地域の電力事業者が先に採用し、その顧客はもともと働きかけに反応しやすかった。さらに事業者は当初、使用量の多い層を狙って送っていたため、対象を広げるほど効果が落ちました。採用する確率が効果の大きさと相関していると、何度繰り返しても予測は系統的に外れる。研究はそう結論しています。

同じ道具でも、効果の符号が逆になった2つの実測

ここが本題です。2025年7月に公開され同月に改訂された無作為割り付けの実験は、経験のある開発者16人に246件の課題を割り当てました。対象の資産は平均5年つき合ってきたもので、課題ごとにくじでAIの使用を許すか許さないかを決めています。参加者は事前に完了時間が24%短くなると予測し、終えたあとも20%短くなったと申告しました。ところが記録から測った実際の結果は19%長くなっていました。経済学の専門家は39%短くなると、機械学習の専門家は38%短くなると予測していました。研究者は原因になりうる20の性質を集めて検証し、それでも遅くなる傾向は残ったとしています。

一方、同じ2025年7月に公開され2026年2月に改訂された別の実験は、151人（うち95%が職業として開発をしている人）を集めて2段階で測りました。第1段階の観察では、AIの助けを使った側の完了時間が中央値で30.7%短く、日常的に使っている人では推定55.9%短縮という差が出ています。ところが第2段階で、その成果物を別の人が引き継いで改修する工程をくじで割り当てて比べると、完了時間も品質も有意な差は出ませんでした。速く作れたぶんが、後の工程に貯金として残るわけではなかった、ということです。

並べると、片方は19%遅くなり、片方は30.7%速くなっています。どちらも捏造ではありません。違うのは、対象者の熟練度、課題の性質、求められる品質の高さ、そして何を測ったかです。効果の数字は、条件を書き写さないかぎり、そもそも比べられない。事例に載っている数字を自社の見込みに使ってよいかどうかは、数字の大きさではなく、この条件が写せるかどうかで決まります。同じ「開発にAIを使う」で符号が逆になるなら、業務名の一致だけを根拠に移すのは無理があります。

効果の大きさは「誰が使ったか」で変わる

担い手の違いがどれだけ効くかは、実務に近い場で測られています。顧客対応の担当者5,172人を対象に、会話を支援する仕組みを段階的に配った研究では、1時間あたりの解決件数が平均で15%増えました。ただし研究が強調しているのは平均ではなく、その内側の散らばりです。

経験の浅い層と技能の低い層では、速さと答えの質の両方が改善しました。一方で最も経験が長く技能の高い層は、速さの改善が小さく、質はわずかに下がりました。改善が最も大きかったのは、めったに来ない種類の問題でした。人の側に訓練と経験の蓄積が薄いところほど、支援の効き方が大きいという関係です。つまり同じ仕組みを入れても、現場の担い手の構成が違えば出てくる数字は別のものになります。

読むときの手続きは決まります。その事例がどんな担い手の現場で出た数字かを確かめる。経験の浅い人が多い現場の事例なら、熟練者がそろっている自社では同じ幅は出ません。逆に、熟練者ばかりの現場で小さな効果しか出なかった事例は、人の入れ替わりが多い自社では過小評価になります。効果の数字は道具の性能ではなく、道具と人の組み合わせの成績である。事例の見出しに書かれるのは道具の名前ですが、数字を作ったのは組み合わせです。

事例から必ず抜き出す前提7項目

ここまでを実務の手続きに落とします。1本の事例を読むときに抜き出す項目は7つで足ります。多くすると埋まらず、少なくすると効果の数字を鵜呑みにします。表の右端は、その欄が事例に書かれていなかったときの扱いです。空欄は空欄のまま残すのが要点で、推測で埋めた欄が後の判断を狂わせます。

前提	事例のどこを見るか	書かれていなかったときの扱い
対象の業務	任せた工程の名前。全部か、一部の工程だけか	工程名まで書かれていない事例は、効果の数字を引用しない
件数と頻度	月あたりの処理件数。繁忙の波の有無	桁が分からない事例は「やれる／やれない」の材料までにする
担い手	使った人数と、その人たちの経験年数	「全社で活用」と書かれていても、実際は数人のことが多いと見る
元の資料の状態	参照させた資料が整っていたか、整備から始めたか	整備の手間が数字の外に出ている前提で読む
確認の人手	出力を誰が何件見たか。差し戻しの扱い	ここが空欄なら、短縮の数字は割り引いて受け取る
期間	何か月ぶんの記録か。集計の始まりと終わり	1か月ぶんの数字は、季節と慣れの途中が混ざっていると見る
測り方	体感か、業務記録からの実測か。比較の相手は何か	測り方が書かれていない数字は、桁の確認までにとどめる

7つのうち最も抜けやすいのは確認の人手と測り方です。確認の人手は、事例を出す側にとって自慢にならないので省かれます。測り方は、そもそも社内で決めていないことが多いので書けません。この2つが空いている事例が悪い事例だという話ではありません。空いている2欄を自社側で先に決めてから読むと、同じ事例が急に使える材料に変わります。確認に何人割けるか、何をもって短縮と呼ぶか。この2つを自社の言葉で決めておくのが、事例を読む準備になります。

数字が体感か記録か、くじ引きで分けた比較かを見分ける

測り方は3段に分かれます。一段目が体感、担当者の申告です。二段目が業務記録からの実測、処理件数や所要時間の前後比較です。三段目がくじ引きで対象を2つに分けた比較です。確かさは三段目から順に落ちますが、事例に載っているのはほぼ一段目です。アンケートの集計しか手元にないためで、これは事例の欠陥ではなく制約です。

体感が役に立たないという話でもありません。負担感、続けられそうかという見通し、辞めたい気持ちの増減は体感でしか取れません。危ないのは、体感の数字を実測の数字と同じ列に並べることです。第3章で見た16人の実験では、同じ人たちが体感では20%短くなったと答え、記録では19%長くなっていました。体感と実測は、同じ方向に動くとは限らず、逆を向くことがあります。体感の数字と実測の数字を1つの表に並べた時点で、その表は判断材料の役目を失っている。

• 事例の数字を写すときは、必ず「体感」「業務記録」「くじ引きの比較」のどれかを添える
• どれとも書けない数字は、稟議の本文に入れず参考として脇に置く
• 体感の数字は、負担感と定着の見通しの材料として使い、時間短縮の根拠には使わない
• 前後比較の数字は、比較の相手（導入前の何と比べたか）が書かれているかを確かめる
• 自社で測る側に回るときは、体感と記録の両方を取り、食い違いをそのまま残す

自社で測るときも同じ作法にします。体感と記録の両方を取り、食い違いが出たら消さずに残す。食い違いは異常ではなく、「慣れていない工程を使ったときの徒労感」のような、定着を左右する情報がそこに入っています。実測が良くて体感が悪い工程は、放っておくと使われなくなります。

「導入した」と書かれている段階を3つに割って読む

事例の見出しは、たいてい最終段階の言葉で書かれます。実際の段階は3つに分かれます。第一段階は試した、期間を区切って一部の人が使った状態。第二段階は一部の部署の日常業務に入った状態。第三段階は全社の標準の手順になった状態です。見出しは第三段階のように書かれ、本文は第一段階のことが少なくありません。

見分ける手がかりは3つあります。対象人数が具体的に書かれているか、取り組みの期間が何か月と書かれているか、そして末尾に「引き続き検討」「今後は他部門への展開を」の一文があるかです。3つ目がある事例は、たいてい第一段階か第二段階です。先の6か国調査でも、日本では効果を「まだ評価できていない」が13%、米国は0%、効果が出るまでの期間を1年以内と見ている割合は米国66%に対して日本41%という差が出ていました。段階と、効果を語れる状態かどうかは連動します。

• 段階が第一なら、その事例は「できるかどうか」の判断だけに使う
• 段階が第二・第三の事例だけを「どれだけ効くか」の判断に使う
• 段階が書かれていない事例は、第一段階として扱っておくと外れが小さい
• 第一段階の事例が多い題材は、まだ型が固まっていない題材と見てよい

段階を割って読むと、事例の使い道が増えます。第一段階の事例は数字が使えない代わりに、つまずいた場所が生々しく書かれていることがあります。接続の権限が下りなかった、参照させる資料が想定より散らばっていた、現場が使い方の質問先を持っていなかった。これらは自社でもほぼ同じ形で起きるので、効果の数字より移しやすい情報です。

支援の人手が、その数字に含まれているかを確かめる

事例の多くは、外の支援を受けて作られています。支援の中身は3つに分かれます。立ち上げ（対象工程の設計、道具の接続、参照させる資料の整備）、走らせる間の伴走（週ごとの確認、指示の型の直し、詰まりの解消）、使えるようにする工程（研修、型の配布、質問の受け先）。この3つのどれが入っていたかで、自社に必要な人手がまるごと変わります。

手がかりは事例の文面に残ります。「共同で」「支援を受けて」という一文、期間の短さ、そして成果物の整い方です。3か月で全社の手順にまでなっている事例は、ほぼ確実に外の人手が入っています。手順書と指示の型が最初から整っているのも同じ徴候です。社内の担当者が本業と並行して作ると、そこまで整いません。支援を受けた事例をそのまま社内だけで再現しようとすると、立ち上げの工程が担当者の残業に乗る。止まるのはたいていここです。

読んだあとにやることは1つです。その事例の工程を、自社の誰が、どの週に、何時間かけてやるのかを書き出す。書き出せない工程が出たら、そこが外に頼む範囲です。AI導入の相談を受けるときも、最初にやるのは効果の見積りではなく、この「数字の外にある人手」を並べる作業になります。ここが埋まっていない計画は、着手した週に予定が崩れます。

規模が違うと、同じ工程でも増え方が変わる

先の企業調査では、活用している企業の割合が大企業46.5%、中小企業32.4%、小規模企業28.0%と並びました。この差を意欲や理解の差として読むと、事例の読み方を誤ります。効いているのは費用と手間の増え方です。増え方には3つの型があります。

第一に、使う人の数に比例して増えるもの。利用料と教育の手間です。第二に、処理する件数に比例して増えるもの。処理量に応じた費用と確認の人手です。第三に、規模に関係なく1回かかるもの。対象工程の設計、参照させる資料の整備、指示の型づくり、記録の残し方の決めごとです。小さい組織で重くなるのは第三の型で、人数で割ると1人あたりの負担が跳ね上がります。だから大企業の事例に出てくる「1人あたり」の数字は、小さい組織ではまず再現しません。

逆向きの注意もあります。大きい組織の事例には、承認の段数、部門間の調整、記録の保存という、小さい組織には存在しない手間が数字に含まれています。だから「大企業の事例は自社には過剰」という切り方も同じくらい雑です。確かめるのは従業員数ではなく、第三の型の工程がどれだけあるかです。資料の整備が終わっている業務なら、小さい組織でも事例に近い数字が出ます。

時点を確かめる——公開日と実施期間は別のもの

生成AIの事例は、半年で前提が変わります。読むときに時点を推定する手がかりは4つあります。取り組みの実施期間、参照している道具の世代（「当時はできなかった」の記述）、引用されている社内規程の年度、そして数字の集計期間です。記事の公開日は、このどれでもありません。

取り組みの開始から公表までには、実施、検証、社内の許諾、制作の工程が挟まります。期間が書かれていない事例は、公開日から半年から1年ほど引いて考えるくらいでちょうどです。「当時はこの処理ができなかったので人が挟んだ」と書いてある事例は、むしろ読みやすい部類です。その工程が今は自動で済むなら、事例より良い数字が出る余地があると分かります。

新しい事例のほうが良いとも限りません。公開直後の事例は第一段階のものが多く、続いたかどうかが分からないという弱みがあります。1年以上前の事例の価値はここにあります。続いていれば、その業務は型が固まった業務です。古い事例からは「続くかどうか」を、新しい事例からは「今はどこまでできるか」を受け取る。時点の新旧は、優劣ではなく読み分けの軸です。

書かれていないことの側に、移せない理由がある

事例に載りにくいものは4種類あります。途中でやめた工程、作り直した回数、対象から外した業務、そして導入によって増えた仕事です。4つ目が最も影響します。効果の数字は減った時間で書かれ、増えた仕事は本文の外に置かれるからです。

増えた仕事は具体的です。出力の確認、参照させる資料の整備と更新、現場から来る使い方の質問への一次対応、記録の保存と点検。先の1万312社の調査で挙がった懸念の上位は、情報の正確性50.4%、専門人材とノウハウの不足41.3%、生成AIを活用すべき業務の範囲40.0%でした。この3つはどれも、事例の本文にはほとんど出てきませんが、実際に使っている側の課題として並んでいます。つまり事例に書かれていないことは、起きていないことではなく、記事に向かないことです。

読み終えたあとの判定を1つ決めておきます。その事例について「この取り組みで増えた仕事は何か」を1行書いてみる。書けるなら、その事例は前提まで読めています。書けないなら、効果の数字だけを受け取った状態です。この1行が書けるかどうかで、稟議に載せてよい事例かが決まります。増えた仕事が見えていない計画は、配った翌月に現場から止まります。

前提の抜き出しはAIに任せ、移せるかの判断は人が持つ

この作業のどこまでを機械に寄せられるかを、はっきり分けます。任せてよいのは4つです。事例の本文から前提7項目を表に起こすこと、自社の現況を同じ7項目で並べ、差分だけを残すこと、複数の事例を同じ列に並べ直すこと、数字の出どころを体感・業務記録・くじ引きの比較に分類すること。1つ目と4つ目は、人がやると必ず抜けが出ます。脚注と注記に散っている条件を1枚に集める作業は、機械のほうが正確です。

人が決めるのは3つです。どの事例を候補に残すか、差分のどれを許容するか、移すと決めるか。1つ目を任せると、自社に近そうな見た目の事例、つまり同業で規模が近い事例が上に来ます。第1章で見たとおり、効くのは業種ではなく件数の桁です。2つ目を任せると、差分は「おおむね吸収可能」の側に寄ります。3つ目は、外したときに誰が説明するかという問題なので、そもそも出力の外にあります。

任せるときの作法は3つに絞れます。出どころのない行は空欄で返させる、数字は原文の言い方をそのまま引かせる、推測を混ぜた行には推測と印を付けさせる。そして聞き方を変えます。「この事例は自社に応用できますか」と丸ごと聞くと、答えは事例本文の語彙で組まれるので、肯定側に寄ります。聞くのは応用できるかではなく、7項目のうち自社と違う前提はどれで、その根拠は原文のどこかである。同じ道具でも、問いの形を変えるだけで返ってくるものが変わります。

• 事例の要約だけを読み、効果の率をそのまま自社の件数に掛ける
• AIに「自社に応用できますか」と丸ごと聞き、返ってきた肯定を判断材料にする
• 複数の事例の数字を1つの表に並べ、体感と実測を同じ列に置く
• 書かれていない前提を、それらしい値でAIに埋めさせる
• 同業で規模が近い事例だけを集め、件数の桁を確かめないまま比べる

1本の事例を自社に移すまでの5工程

読み方が決まったら、実際に移す手順に落とします。複数の事例を同時に扱わないのが要点で、1本に絞ると差分が具体的になります。3本並べると、どの事例のどの前提だったかが混ざって、結局「だいたい似ている」で終わります。

この5工程は、多くの部署で2週間から1か月に収まります。詰まるのは工程3です。自社側の件数と確認の人手が、どの部署の資料にも書かれていないことが珍しくありません。その場合は、工程3を数え直しの作業として独立させ、1週間かけて実際の記録から数えます。この数字は、次にどの事例を読むときにも使い回せます。

他社の数字を稟議に載せるときの線引き

試算の組み立て方そのものは別の話なので、ここでは持ち込みの線だけを引きます。他社の事例から持ち込んでよいものは3つです。桁の当たり（数十パーセントの話か、数倍の話か）、工程の並び（どの順で手を付けたか）、失敗の型（どこで止まったか）。持ち込んではいけないものは1つに絞れます。効果の率を、そのまま自社の件数や人数に掛けることです。

理由は第2章の111件の試験です。最初の10件から作った予測は、続く101か所での効果を大きく上回りました。事例として世に出るのは、この「最初の10件」の側です。だから率を掛けるなら割り引くしかなく、割引率を決める根拠が手元にないなら、率は使わないほうが早い。代わりに置くのは、工程4で自社が2週間測った数字です。稟議の根拠は自社で測った小さな数字に置き、他社の事例は「他社ではこうだった」として背景に回す。この形なら、後の検証で数字が動いても説明が立ちます。

同じ6か国調査では、成果を財務的な還元につなげていると答えた割合が日本40%、米国75%、英国74%でした。効果が出たと答えることと、その効果を社内の数字として扱えることの間にも、段差があると読めます。そして「期待を大きく上回る」と答えたのは日本で9%です。9%の側の数字を根拠に9%の側の結果を約束すると、半年後の振り返りで必ず問われます。稟議に書くのは、他社が出した最良の数字ではなく、自社が2週間で出せた数字と、その延長線です。

ミニ用語解説

最後に、事例を読むときに引っかかりやすい語を整理します。どれも日常の意味と、この文脈での意味が少しずれていて、社内で説明するときに誤解が生まれやすいものです。

語	この文脈での意味	読むときの注意
導入事例	出す側が選んで公表した記録	うまくいった結果の記録であって、うまくいった原因の記録ではない
前提条件	その効果の数字を成り立たせている条件	本文より、脚注と注記と写真の説明に出ていることが多い
選ばれ方の偏り	採用や公表の確率が、効果の大きさと相関している状態	何度事例を集めても、見通しは明るい側に系統的にずれる
体感	使った人が申告した増減	実測と逆を向くことがある。負担感の材料には使えるが時間の根拠にはしない
くじ引きの比較	対象を無作為に2つに分けて差を測る方法	事例では使えない。研究の数字と事例の数字を同じ列に並べない
段階	試した／一部の業務／全社の標準、の3つ	見出しは全社、本文は試した段階のことがある。人数と期間で見分ける
増えた仕事	導入によって新しく発生した作業	事例に載りにくく、自社に移したときに最初に表に出てくる

この7語のうち、社内で最も伝わりにくいのは選ばれ方の偏りです。「事例を集めれば集めるほど見通しが甘くなる」という言い方が、直感に反するためです。説明するときは、うまくいった会社だけが記事になるのだから、記事を何本読んでも失敗の側は視界に入らないという順で話すと通りやすい。偏りを消す方法はありません。できるのは、偏っていることを前提に、自社で測った小さな数字を判断の中心に置くことだけです。

まとめ

他社のAI導入事例は、成功の記録であって原因の記録ではありません。事例が世に出るまでには3つの絞りがかかります。活用している側に入り、効果が出た側に入り、社名を出す許可が取れた事例だけが記事になります。1万312社の調査では活用している企業が34.5%、そのうち効果が出ているのが86.7%。売上高500億円以上の企業を対象にした調査では、「期待を大きく上回る」は日本で9%、「期待未満」が19%、「まだ評価できていない」が13%でした。記事になるのは9%の側です。省エネの働きかけを111件の試験・860万世帯で調べた研究が示したとおり、採用する確率が効果と相関している場では、繰り返しても予測は明るい側に外れます。

効果の数字そのものも、条件付きです。経験のある開発者16人に246件の課題をくじで割り当てた実験では、体感が20%短縮に対して実測は19%の延長でした。151人を2段階で測った別の実験では、観察された短縮が中央値30.7%、日常的に使う人では推定55.9%で、それでも成果物を引き継ぐ後工程には有意な差が出ませんでした。顧客対応の担当者5,172人の研究では平均15%の改善のなかで、経験の浅い層は速さと質の両方が上がり、最も熟練した層は質がわずかに下がっています。同じ道具でも、担い手と測り方が変われば符号まで動く。だから移せるかどうかは、効果の大きさではなく前提の一致で判断します。

手順はここまでで7項目と5工程に落ちました。対象の業務、件数と頻度、担い手、元の資料の状態、確認の人手、期間、測り方を写し、空欄は空欄のまま残す。1本に絞って自社側を埋め、差分の最も大きい1つを2週間の試しで確かめ、合格の線と止める日付を先に書く。前提の抜き出しと差分の一覧化、出どころの分類は機械に任せてよく、候補に残す事例と、許容する差分と、移すという決めは人が持つ。そして読み終えたら「この取り組みで増えた仕事は何か」を1行書いてみる。この1行が書けた事例だけが、稟議に添えられる事例です。

※本記事にはAIが活用されています。編集者が確認・編集し、可能な限り正確で最新の情報を提供するよう努めておりますが、情報の完全性、正確性、最新性、有用性等について保証するものではありません。本記事の内容に基づいて行動を取る場合は、読者ご自身の責任で行っていただくようお願いいたします。