「まだ検討中です」の半年で、組織は何を学んだか
AI活用の必要性を否定する経営層は、もうほとんどいません。
それでも現場に聞くと、話は決まって同じところで止まります。
法務の確認待ち、情報セキュリティの審査、関係部門との合意形成、そして再説明。
誰も反対していないのに、いつ判断が下りるのかは誰も答えられない。
この状態を、私たちは「慎重に進めている」と呼んでいないでしょうか。
リスク管理そのものを否定するつもりはありません。
日本の大企業が積み上げてきた品質基準や審査体制は、簡単に手放してよいものではないと考えています。
問うべきは別の点です。その検討の長さは、実際の安全性にどれだけ寄与しているのか。もし寄与していない時間が含まれているなら、それはリスクを避けるための時間ではなく、判断を先送りするための時間かもしれません。
検討の長さと安全性は、必ずしも比例しない
時間をかけること自体が目的化すると、別のリスクが静かに育ちます。
ひとつは判断材料の陳腐化です。
AI領域では技術もコストも数か月単位で前提が変わるため、検討し終えた頃には議論の土台がずれている、ということが起こりやすい。
もうひとつは学習機会の損失です。実データで試し、失敗し、修正した回数こそが、次の判断の速度と精度をつくります。
しかも検討時間の大半を占めているのは、多くの場合「新しい検討」ではありません。
案件が変わるたびに、判断基準も、扱ってよいデータの範囲も、誰が決めるのかも、ゼロから議論し直している。
同じ論点を何度も往復するための時間です。
取り組むべきは検討の省略ではなく、慎重さを保ったまま所要時間を短くすることではないでしょうか。
金融：Klarnaの事例が示すのは、技術力より「決め方」の速さ
スウェーデン発の後払い決済サービス事業者であるKlarna（クラーナ）は、OpenAIの技術を用いたAIカスタマーサービスアシスタントを導入し、公開から1か月時点の成果を公式に発表しました。
顧客対応チャットの約3分の2にあたるおよそ230万件を処理し、35以上の言語に対応。平均解決時間は約11分から約2分へ短縮し、従業員約700人分の業務量に相当すると説明しています。
注目したいのは、数字そのものよりも、AIを検証段階にとどめず実際の顧客対応に組み込み、その結果を短期間で測定して公表している点です。
金融は本来、規制も顧客保護要件も重い分野であり、同社もすでに相応の規模を持つ企業です。企業規模だけで意思決定の速度が決まるわけではない、と捉えるほうが実態に近いでしょう。
IT・ソフトウェア：差を生むのはワークフローとガバナンス
では、速く始めれば成果が出るのか。そう単純でもありません。
世界的なコンサルティングファームであるMcKinsey & Companyのグローバル調査では、回答企業の大多数が少なくとも1つの業務機能で生成AIを利用していると答える一方、全社的な成果に結びついている企業は一部にとどまると報告されています。
同社は成果を左右する要因として、技術ではなく「ワークフローの再設計」と経営レベルのガバナンス関与を挙げています。
ツールを入れた企業と、仕事の流れごと組み替えた企業のあいだに差が生まれている。そして再設計は現場だけでは決められません。
経営がどこまで関与し、どこまで権限を渡すかという設計の問題です。ここでも論点は「決め方」に置かれています。
製造：守るべきは「多重承認」ではなく、品質と安全性
経済産業省とIPA（情報処理推進機構、国のIT政策を担う独立行政法人）のDX推進指標では、経営トップのコミットメントや権限委譲、挑戦と失敗から学ぶ仕組みが、DX成熟度を測る重要な要素として位置づけられています。
製造業のように品質要件と安全基準が重い業種では、多層的な承認構造が長年かけて整えられてきました。
ただ、守るべきは承認の層の数そのものではなく、品質と安全性です。
工程改善であれば妥当だった審査項目が、影響範囲を限定したAIの試行にも同じ重さで課されていないでしょうか。守る対象を取り違えると、手続きだけが残ります。
差は短期の業績には現れません。
だからこそ危機感が共有されにくい。
しかし中期的には、判断のたびに一から議論する組織と、前例と基準を持つ組織とで所要時間は確実に開きます。さらに、試せない環境からはAIに強い人材が離れていく。差は売上ではなく、組織の学習回数として静かに蓄積していきます。
検討を省くのではなく、繰り返しを減らす
まず、社内で止まっているAI案件をひとつ選び、着手からの経過日数と、その間に実際に減ったリスクを書き出してみてください。
次に、検討時間の内訳を「判断待ち」「情報収集」「部門調整」「再説明」に分解します。
多くの場合、安全性に寄与していない時間が可視化されます。
そのうえで、事前に決めておくべきは四つです。
撤退基準、扱ってよいデータの範囲、影響範囲を限定した試行の条件、そして決裁者。
これらが先に決まっていれば、案件ごとに同じ議論を繰り返す必要はなくなります。減らすべきは検討ではなく、繰り返しです。
人材については、「AIに詳しい人」ではなく「試行と修正を回せる役割」として定義し直すこと。意思決定の速さの正体が仕組みである以上、慎重さを手放さずに速くなることは、企業規模にかかわらず設計次第で十分に可能だと考えています。
AIxができること
AIxは、AIを前提に企業の仕事・人材・組織のあり方を再設計し、実行まで支援する会社です。独自のREWIREフレームワークを用いて、AI導入を単なるツール導入で終わらせず、業務プロセスや組織、人材まで含めて「AI時代にどう変えるべきか」を整理します。人材領域では、企業やプロジェクトに必要なAI人材を定義し、マッチングやチーム組成まで支援しています。
本記事のテーマである意思決定の速さについても、検討時間の可視化から、判断基準と権限の設計、それを運用できる人材の定義までをご一緒しています。慎重さを保ったまま、AIに関する意思決定のプロセスと権限設計を見直したいとお考えの方は、ぜひAIxへご相談ください。
参考情報
Klarna（OpenAI共同発表）「Klarna AI assistant handles two-thirds of customer service chats in first month」
McKinsey & Company「The State of AI（旧 The state of AI in early 2024 系列の最新版グローバル調査）」
https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
経済産業省／独立行政法人情報処理推進機構（IPA）「経済産業省・IPA「DXレポート」および「DX推進指標」関連公表資料」
