企業のAI活用は「導入した数」では確実に増えているが、それが成果につながっているかは別問題だ。MITの調査は生成AI導入企業の9割が損益への効果を測定できていないと報告し、一方で従業員は会社の許可なくAIツールを使う「シャドーAI」を広げている。本稿ではこの二つの調査データと、現場で実際に効果を上げている立て直し策を整理する。
「9割は失敗」というMIT調査の衝撃
MITメディアラボ発の研究プロジェクトNANDAが公表した「The GenAI Divide: State of AI in Business」は、300件超の公開AI導入事例の分析と150人の経営層へのインタビューをもとに、生成AIパイロットの95%が損益への測定可能な効果を生んでいないと結論づけた。急速な収益拡大を達成できたのはわずか5%にとどまる。
興味深いのは失敗の理由だ。報告書は「壁になっているのはインフラでも規制でも人材でもなく、“学習”だ」と指摘する。ChatGPTのような汎用チャットボットは単純作業では83%というスピードで導入が進む一方、業務固有の文脈やカスタマイズが必要になった途端に止まってしまう。ツールが現場のフィードバックを蓄積・学習せず、ワークフローに組み込まれないまま終わるケースが大半だという。
なお同レポートはMIT本体の査読論文ではなく、NANDAという産学連携プロジェクトの独自調査である点には留意したい。数字の一人歩きを警戒する声もあるが、「導入しただけで満足し、ワークフロー統合まで踏み込めていない」という指摘自体は多くの現場感覚と一致する。
見えないところで広がる「シャドーAI」
成果が出ない一方で、従業員は会社の管理が及ばないところでAIを使い続けている。Verizonの2026年版データ侵害調査報告書（DBIR）によれば、社用端末で日常的にAIを使う従業員は45%に達し前年の15%から急増、しかもその67%は会社支給ではない個人アカウント経由だという。持ち出されるデータで最も多いのはソースコードだ。
役職が上がるほど無許可利用が増える傾向も明らかになっている。TrustedTechの調査を報じたCIO誌の記事では、未承認AIツールを使う経営層は約3分の2にのぼり、一般社員（31%）の2倍以上という結果が出ている。エージェント型AIになるとリスクはさらに広がる。Cloud Security AllianceとToken Securityの調査では、組織の82%が「セキュリティ部門が把握していなかったAIエージェントや自動化ワークフロー」を発見し、65%が過去1年間にAIエージェント関連のセキュリティインシデントを経験したと回答した。
| 調査 | 指標 | 数値 |
|---|---|---|
| Verizon DBIR 2026 | 業務でAIを日常的に使う従業員（前年比） | 45%（前年15%） |
| Verizon DBIR 2026 | 非公式アカウント経由での利用 | 67% |
| TrustedTech調査（CIO誌） | 未承認AI利用（経営層 / 一般社員） | 約65% / 31% |
| Cloud Security Alliance × Token Security | 未把握のAIエージェントを発見した組織 | 82% |
| 同上 | AIエージェント関連インシデント経験 | 65% |
マルチエージェント化の波と、Databricksが示す成功条件
Databricksの「State of AI Agents 2026」レポート（Fortune 500企業の6割超を含む2万organization以上のデータを分析）は、単体チャットボットからマルチエージェント構成へ移行する組織が4カ月足らずで327%増加したと報告する。ただし同レポートは同時に警告も添えている――「エージェントを増やすことが自動的に価値を増やすわけではない。設計の甘いマルチエージェント・ワークフローはかえって複雑さを増し、エラーの追跡を難しくし、運用コストを押し上げる」。
成否を分けるのは評価・ガバナンス体制の有無だ。同レポートによれば、評価ツールを使っている企業は本番投入に至るAIプロジェクトの数が約6倍多く、ガバナンス体制まで整えている企業では12倍以上に達するという。エージェントの数より先に、業務ルール・引き継ぎ・期待する成果を明確にすることが優先事項になる。
現場で機能させる4つのステップ
シャドーAIへの対応は「禁止」では機能しない。ブロックは利用を地下に潜らせるだけで、多くの現場ガイドが「速くて安全な公式の代替手段を用意すること」の方が効果的だとしている。実践的には次の4段階（See → Sanction → Set boundaries → Supervise）で進めるとよい。
| ステップ | 内容 |
|---|---|
| 1. See（棚卸し） | まず処罰なしの「アムネスティ」形式で、部署・業務ごとに実際使われているAIツールと触れているデータを洗い出す |
| 2. Sanction（承認） | 洗い出した用途を「承認」「代替」「停止」に仕分け、優先度はツールの人気ではなくデータの機微度で決める |
| 3. Set boundaries（境界設定） | 社外に出してよいデータの範囲を明文化し、少なくとも主要業務（下書き・要約・コーディング支援など）向けに公式ツールを1つ用意する |
| 4. Supervise（継続監督） | ログと定期レビューの仕組みを設け、権限を持って行動するエージェントには特に継続的な監督を課す |
導入そのものについても「一気に全業務を自動化しない」のが定石だ。反復的で手順が明確な業務を1つ選び、最初は出力を全件人がレビューする体制（human-in-the-loop）で回し、精度が安定してから対象を広げていくやり方が、多くの実務家の間で共通して推奨されている。
本番投入後も“見える化”を続ける
ワークフローに組み込んだ後も放置は禁物だ。エージェントの挙動を追跡し、出力の品質を継続的に評価する「オブザーバビリティ」ツールの利用が、Databricksの調査でも本番稼働率と強く相関していた。代表的なものに、LangChain系列のLangSmith、OpenTelemetryベースでセルフホストも可能なLangfuse、RAGの検索品質デバッグに強いArizeなどがある。トレース・評価・監視をワークフローに組み込むことは、エージェントの数を増やす以上に「本番で使えるAI」への近道になる。
まとめると、AI活用の実務ノウハウは意外にシンプルだ。①成果が出ない主因は技術ではなくワークフロー統合の甘さであると認識する、②シャドーAIを禁止ではなく可視化と公式代替で受け止める、③エージェントを増やす前に業務設計とガバナンスを整える、④本番投入後も評価・監視を続ける。この4点を押さえるだけで、多くの企業がつまずいている場所を避けられる。
主な情報源
- Project NANDA（MIT Media Lab）
- Databricks「2026 State of AI Agents」
- Verizon「2026 Data Breach Investigations Report」
- CIO: Senior executives abuse shadow AI twice as much as regular employees do
- Adaptive Security: Shadow SaaS governance（Cloud Security Alliance調査引用）
- Ontrac Solutions: Shadow AI Governance Guide
各ツールは提供元の規約に従ってご利用ください。情報は各情報源の公開時点のものです。収集・要約はAI、公開判断は人。