あのとき盛り上がったAI、その後どうなりましたか
「試しに使ってみたら、思ったより便利だった」。そう感じてAIを導入してみた経営者は、いま少なくありません。
ところが数か月後、現場を見渡すと、業務そのものはほとんど変わっていない。デモのときは盛り上がったのに、日々の仕事には根づかなかった。
これが、よく言われる「PoC止まり」です。PoCとは「実証実験」のこと。本格導入の前に、効果を小さく試す段階を指します。
試すところまでは進む。けれど、そこから先に進まない。もし心当たりがあるなら、それはあなたの会社だけの問題ではありません。
5%しか成果に届かない——これは”あなただけ”ではない
この感覚を、数字で裏づける調査があります。MIT（マサチューセッツ工科大学）のProject NANDAが2025年7月に公表した「The GenAI Divide: State of AI in Business 2025」です。
調査は、300以上の公開導入事例の分析と、企業リーダーへのインタビュー・調査をもとにしています。そこで示されたのは、次のような姿でした。
- 企業が生成AIに投じた金額は、世界で300〜400億ドル規模
- にもかかわらず、95%の組織では損益への貢献が測定できなかった
- 損益にはっきり効いたのは、わずか5%
報告書はこれを「GenAIディバイド（分断）」と呼んでいます。普及は進んでいるのに、変革は起きていない、という分断です。
図1：MITの調査では、生成AIで損益に成果を出せた企業はわずか5%。残る95%は、投資しても損益が動かなかった。
実際、ChatGPTのような汎用ツールは8割を超える企業が試し、約4割が導入したとされます。ただ、その多くは個人の作業が少し速くなった段階にとどまり、会社全体の損益までは動いていません。
ここで大事なのは、この差が何で決まっていたか、です。報告書によれば、5%と95%を分けたのは、AIモデルの優劣でも、規制でもありませんでした。分けていたのは「取り組み方（approach）」だったといいます。
根っこにあるのは「学習ギャップ」と呼ばれる問題です。多くのAIは、現場からのフィードバックを覚えず、その場の文脈に合わせて変わらず、使うほど賢くなる仕組みを持っていない。だから一度きりのデモで終わり、業務には残らないのです。
成果を出す5%が、最初にやっていること
では、成果を出した5%は何が違ったのか。報告書は、成功している側ほど三つの方向へ寄せていたと指摘します。自前で作り込むより、外部とうまく組む。中央の専門部署に抱え込まず、現場に任せる。固定的なツールより、学習し続ける仕組みを選ぶ。
ベンチャーネットがAI実装の伴走で見てきたことも、ここに重なります。AIを”単体のデモ”として業務の横に置くのではなく、既存の業務とデータの流れに織り込んだとき、はじめて成果が続いていく。つまり、技術選びより前に、入れ方の順番が効いてくるのです。
ここからは、PoC止まりに陥りがちな4つの落とし穴を挙げます。これは「うまくやれていない会社」をあげつらうためではありません。同じ穴に落ちてほしくないから、先にお伝えするものです。
落とし穴1：データを整える前に、AIだけ先に入れる
- よくある現象：部署ごとに数字がバラバラ、同じ顧客が別の名前で登録、Excelが各所に点在
- なぜ止まるか：AIは、渡されたデータの質を超えられません。ばらばらなデータからは、ばらばらな答えしか返りません
- どう回避するか：まず数字の通り道を整える。ベンチャーネットでは、AIを足す前に「データがどこからどこへ流れているか」を一緒に確かめます
落とし穴2：属人化を残したまま、仕組みだけ足す
- よくある現象：特定の人しか分からない手順の上に、AIを重ねる
- なぜ止まるか：「動いている」と「活用できている」は別の話です。手順が人に貼りついたままでは、AIも一部の人の道具で終わります
- どう回避するか：先に手順を共有できる形にする。仕組みより先に、仕事の流れを見えるようにします
落とし穴3：全社一斉で「完璧」を目指す
- よくある現象：最初から全部門・全業務に広げようとして、準備だけで止まる
- なぜ止まるか：範囲が大きいほど、整える対象も増え、動き出す前に息切れします
- どう回避するか：完璧を目指すより、まず回す。小さく動かし、磨きながら広げます
落とし穴4：自社だけで進める
- よくある現象：相談先を持たず、社内の手探りだけで進める
- なぜ止まるか：4つの落とし穴の多くは、渦中にいると気づきにくいものです
- どう回避するか：対等な関係で並走できる相手を持つ。ベンチャーネットは、売り込む相手としてではなく、伴走者として横に立ちます
落とし穴を裏返すと、5%がやっていることが見えてきます。データと業務を先に整え、小さく回し、現場とともに育て、必要なところは外の視点を借りる。どれも、大きな予算ではなく、順番の違いです。
図2：成果を出す5%は、4つの落とし穴の逆を実践している。違いは予算ではなく、業務とデータに織り込む”順番”にある（MIT Project NANDAの指摘と、ベンチャーネットのAI実装伴走の経験から整理）。
AIが”デモ”でなく”業務の一部”として回るとき
データと業務フローに織り込まれたAIは、請求・在庫・経理といった日々の流れの中で働きはじめます。会計や在庫、受発注を一つにつなぐERP（基幹システム）のような業務基盤と統合されると、AIは”使うほど現場に馴染む道具”に変わっていきます。
ただし、これは「AIに任せれば経営が変わる」という話ではありません。何を任せ、何を人が決めるかの線引きは、人が引きます。判断と責任は、人の側に残る。AIは、その人の仕事を支える側にいます。
PoC止まりから抜けるとは、AIを賢くすることではなく、AIが働ける土台を整えることだと言えます。
よくある疑問
Q. やはり小さく始めるべきですか？はい。ただし「小さく試す」と「その場限り」は違います。最初から業務とデータの流れに乗せたうえで、範囲だけを小さくするのがおすすめです。
Q. 自社だけでも進められますか？進められる部分はあります。一方で、4つの落とし穴の多くは、社外の視点があるほど早く気づけます。
Q. うちの規模でも成果は出ますか？規模より、順番です。データと業務を整えてからのほうが、規模に関わらず成果が続きやすくなります。
Q. PoCはやる意味がないのですか？意味はあります。問題は、PoCで止まることです。本番に渡す設計を最初から持っておくことが、止まらないコツです。
PoCで終わらせないために
5%と95%を分けていたのは、技術そのものよりも、取り組み方でした。それは難しい話ではなく、入れる順番の話です。
完璧を目指すより、まず回す。動かしながら磨いていく。ベンチャーネットは、その順番づくりを、伴走者として一緒に考えます。
AIをどこから業務に織り込むか迷っている方は、実装の進め方をまとめた記事もあわせてご覧ください。導入の伴走について具体的に知りたい方は、サービスのご案内からご相談いただけます。
