AIを機能させる：リーダーシップ、ラボ、そしてクラウド

企業は不完全な情報のもとで AI 変革に取り組んでいます。業界を横断する組織との広範な対話を経て、AI の導入において実際に何が起こっているのかを説明する4つの重要な事実があると考えます。

AI は業務パフォーマンスを向上させます。どうしてそう言えるのでしょうか？まず、労働者自身がそのように考えているという事実があります。デンマークの知識労働者を対象とした代表的な調査では、ユーザーは AI が職場で行うタスクの 41% の所要時間を半減させたと考えており、より最近のアメリカ人の調査では、AI を使用することで生産性が3倍になった（90 分かかるタスクが 30 分に短縮された）と回答しました。自己申告データは完全に正確とは限りませんが、製品開発、営業、コンサルティングにおける成果向上や、プログラマー、法学部の学生、コールセンターの従業員においても改善が見られるという、統制実験からの他のデータも存在します。

職場で AI を使用している人の割合が非常に大きいです。1 年前のデンマークの研究では、マーケティング担当者のおよそ 65%、ジャーナリストの 64%、弁護士などの 30% が職場で AI を使用したことが示されました。アメリカの労働者に関する調査では、2024 年 12 月に 30% 以上が職場で AI を使用しており、この数字は 2025 年 4 月には 40% に増加しました。もちろん、ChatGPT が世界で 4 番目に訪問されているウェブサイトである世界において、これは過小評価されている可能性があります。

今日の AI システムには、多くの人々が現在認識している以上に、変革的な成果をもたらす可能性が秘められています。深層調査レポートは数分で数時間の分析作業を完了します（多くの研究者から、これらのレポートを検証する方が作成するよりもはるかに速いと聞いています）。また、実際に業務を遂行できるエージェントもようやく登場し始め、さらに賢明化するシステムが高品質な成果を生み出すようになっています。

しかし、こうした成果は企業によって十分に活用されていません。これまでのところ、企業が報告している AI による効果は小規模から中程度に留まっており、2024 年末時点では賃金や労働時間に対する大きな影響はまだ見られていません。

最初の3つのポイントと最後の1つをどう調和させるか。答えは、個人の生産性を高めるAI活用が、自動的に組織のパフォーマンス向上につながるわけではないということだ。組織的な成果を得るには、組織イノベーションが必要であり、インセンティブやプロセス、さらには仕事の性質そのものの再考が求められる。しかし、企業内部の組織イノベーションを担う能力は長年衰えてきた。何十年もの間、企業はこの役割をコンサルタントやエンタープライズソフトウェアベンダーに外注してきた。彼らは多数の企業の課題を同時に解決する一般化されたアプローチを開発している。だが、これでは今回のケースには通用しない。少なくともしばらくの間はだ。自社のAI活用方法を最適に導くための特別情報も、組織への統合方法を示すプレイブックも、誰も持っていない。主要なAI企業でさえ、モデルをリリースする際にその最適な使用方法を知らないのだ。ましてや、あなたの業界や組織、文脈について彼らが知っているはずがない。

私たちは皆、この課題に共同で取り組んでいる。したがって、優位性を獲得したいなら、他者よりも速く答えを見つけなければならない。そのためには、AI変革の3つの鍵である「リーダーシップ」「ラボ（実験室）」「クラウド（群衆）」の力を結集する必要がある。

リーダーシップ

究極的に、AI はリーダーシップの問題として始まります。つまり、リーダーたちが AI が差し迫った課題と機会をもたらすことを認識する点です。私が数ヶ月前にこのテーマについて書いた際以来の大きな変化は、より多くのリーダーが AI への対応が必要であることを認識し始めたことです。これは、Shopify の CEO と Duolingo の CEO から出された viral なメモから見て取れます。これらのメモでは、自社の未来にとって AI がいかに重要であるかが示されています。

しかし、緊急性だけでは不十分です。これらのメッセージは「なぜ今か」を伝えるには効果的ですが、組織にとって AI 活用による未来が実際にどのような姿で、どのような感覚を持つのかという、決定的に重要な鮮明な絵を描くところまでは至っていません。私の同僚であるアンドリュー・カートンは、労働者がパフォーマンス向上や利益増大に関するリーダーシップの声明によって変化を促されるわけではないことを示しています。彼らが求めているのは、未来が実際にどのように見えるかについての明確で鮮明なイメージです：将来の仕事はどのようなものになるのか？効率化による成果は人員削減に転換されるのか、それとも組織の成長のために使われるのか？労働者は AI の使い方にどう応じた報酬（あるいは処罰）を受けることになるのか？答えを確実なものとして知る必要はありませんが、目指すべき目標を持ち、それを共有する用意があるべきです。労働者たちはガイダンスを待っています。そのガイダンスの内容は、「ザ・クラウド」がどのように AI を採用し利用するかという点に大きな影響を与えます。

しかし、全体的なビジョンだけでは不十分です。なぜならリーダーは、AI の世界において仕事がどのように変化するかを予測し始める必要があるからです。現時点では AI はほとんどの人間の仕事を代替するものではありませんが、その仕事の中にある特定のタスクを代替します。私は多くの法律専門家に話を聞きましたが、彼らは現在の Deep Research ツールの状態が、かつて高価だった研究タスクの一部を処理するのに十分であると見ています。Vibe coding（バイブコーディング）は、プログラマーが時間と労力を配分する方法を変えます。また、AI 動画における急速な進歩を見れば、マーケティングやメディア業務の変化を避けることは困難です。例えば、Google の新しい Veo 3 は、「オッター型のクラッカーで作られた新スナック『Cheesey Otters』の広告」というテキストプロンプトから、音声付きでこの短い動画クリップを作成しました。CM では子供がそれを食べており、母親はパッケージを掲げて「otterly great（カワウソのように素晴らしい）」と言います。

しかし、短い動画クリップを作れること、コードを高速化できること、あるいはオンデマンドで研究結果を得られることが、そのままパフォーマンスの向上を意味するわけではありません。それを実現するには、リーダーシップとラボが協力して AI と人間を統合した新しいワークフローを構築・テストすべき場所について決定を下す必要があります。また、特定のタスクをなぜ行うのかという根本的な再考も必要になります。かつて企業は単一の研究レポートに数万ドルを支払っていましたが、今では無料で数百件生成できます。それが分析担当者や管理者に何を可能にするのでしょうか？もし数百件のレポートが有用でないなら、研究レポートを行う意義は何だったのでしょうか？

私は、AI への対応として組織が仕事の画期的な新アプローチの実験を始めるケースをますます多く目にするようになりました。例えば、ソフトウェアエンジニアリングチームを分散させ、中央の IT 機能から外して、代わりに専門分野の専門家やマーケティングの専門家と連携するクロスファンクショナルチームで働かせるという事例です。これらのグループは一緒に「バイブワーク」を行い、部門間での数ヶ月にわたる調整が必要だったプロジェクトを数日で独自に構築することができます。これは仕事の未来における一つの可能性に過ぎません。リーダーは望む未来を描く必要がありますが、イノベーションのためのアイデアをすべて自分たちで生み出す必要はありません。むしろ、彼らは「ザ・クラッド（群衆）」と「ザ・ラボ（実験室）」に目を向けることができます。

The Crowd（群衆）

イノベーションとパフォーマンスの向上は、AI を活用して自身の業務を遂行する方法を見出す従業員たちである「ザ・クラッド（群衆）」の中で起こります。AI にはマニュアルが存在しないため（本気でそう言います、誰もが一緒にこの課題に取り組んでいます）、AI を効果的に使いこなすことは、経験豊富な労働者にとって有益な発見のプロセスとなります。自らの職務を深く理解している人々は、試行錯誤を通じて AI が自身の業務に有用かどうかを容易に評価できますが、これは外部の人々（そして AI に詳しい新人従業員でさえ）にはできないことです。経験豊富な AI ユーザーは、そのワークフローや AI の活用方法を共有し、全員にとって有益な形にすることができます。

このビジョンに惹かれた企業（厳格な規制業界にある企業を含む）は、労働者が AI チャットボットに直接アクセスし、基本的なトレーニングを受けることで「群衆」が革新を起こすことを期待して、その機会を拡大してきました。しかし、多くの企業が同じ問題に直面しています。公式の AI チャットボットの利用率は労働者の約 20% で頭打ちとなり、報告される生産性向上も限定的であるという事実です。一方で、労働者の 40% 以上が職場で AI を使用していると認め、私的には大きなパフォーマンス向上を報告しています。この乖離は、2 つの重要な動態を示唆しています。多くの労働者が、しばしば正当な理由から AI の利用を隠しており、また他の労働者は初期トレーニングを受けたにもかかわらず、AI をどのように効果的に業務に適用すべきか確信が持てない状態にあることです。

米国の労働者を代表するサンプルによる AI 利用に関する最近の調査結果：採用は加速しており、労働者は大幅な時間節約を報告している

これらは、リーダーシップとラボによって解決可能な問題です。

隠れた AI の利用（私が「シークレットサイボーグ」と呼ぶもの）の問題を解決することは、リーダーシップの問題です。平均的な労働者のインセンティブを考えてみましょう。彼らは、不適切な AI 利用がどのように罰せられるかについての恐ろしい話を聞いており、リスクを取りたくないのかもしれません。あるいは、驚くべき AI 支援による成果物で職場で英雄として扱われているが、自分が AI を使っていると誰かに話せば、管理者は自分を尊重しなくなるのではないかと疑っているのかもしれません。あるいは、企業が生産性向上をコスト削減の機会と捉えており、AI が一部の業務を担っていることが会社側にわかれば自分（や同僚）が解雇されるのではないかと疑っているのかもしれません。あるいは、罰せられなくても AI の利用を明らかにすれば報酬は得られないのではないかと疑っているのかもしれません。あるいは、企業がコスト削減を行わずに AI 利用を評価したとしても、生産性向上は単なる「より多くの作業をこなすこと」への期待として定着するだけだと知っているのかもしれません。AI を公的に使用しない理由の方が、使用する理由よりも多いのです。

リーダーシップは役立ちます。AI の倫理や恐ろしい包括的な方針についての曖昧な議論ではなく、あらゆる種類の experimentation が許可される明確な領域を提供し、倫理的かつ法的に可能であれば AI を利用することを許容する方向でバイアスをかけるべきです。また、リーダーはトレーニングをプロンプト技術の習得の機会としてだけでなく、人々に AI への実践的な経験を与え、AI に自らのニーズを伝える練習をする機会として捉えることも検討すべきです（プロンプト技術は価値がありますが、モデルが意図を理解する能力が高まるにつれて重要性は低下しています）。もちろん、労働者が生産性向上の成果を明らかにしても解雇につながらないことをどう保証するかを考える必要があります。大規模な変化の時期に技術的進歩を利用して従業員を解雇するのは、多くの場合悪い考えだからです。AI の利用における変革的な機会を発見した従業員に対して、休暇、昇進、多額の現金報酬など（実際にそのような事例を目撃しています）、大きなインセンティブ、あるいは巨額のインセンティブさえも構築する必要があります。リーダー自身も AI を活用するモデルとなり、あらゆる会議で積極的に AI を使用し、それがどのように自分を助けるかを語るべきです。

適切なビジョンとインセンティブがあっても、AI を探索しようとする気にならず、明確なユースケースや製品を望むだけの従業員が依然として多数存在します。そこが「ラボ」の出番です。

The Lab

分散型イノベーションが重要である一方で、組織内で AI をどのように活用するかを解明するための、より集中的な取り組みにも役割があります。多くの研究機関とは異なり、The Lab は二重の能力（ambidextrous）を持ち、未来のための探求（AI の場合、数ヶ月先のことさえあり得ます）と、新製品や手法を絶えずリリースする実用化の両方に関与しています。したがって、The Lab は専門知識を持つ人材と、技術者および非技術者の混合で構成される必要があります。幸いなことに、Crowd が研究者を提供します。AI の活用方法を発見し、それを誇りを持って社内に共有する熱心な人々は、しばしば The Lab における完璧なメンバーとなります。彼らの仕事は完全に、あるいは主に AI に焦点を当てたものになります。彼らには分析や抽象的な戦略ではなく、構築に集中してもらう必要があります。彼らが作るものは以下の通りです：

The Crowd からプロンプトとソリューションを引き出し、非常に迅速に広く配布します。Crowd は、即座の機会に変換できるユースケースや課題を発見します。シンプルなプロンプトとエージェント（agents）を中心としたクロスファンクショナルチームで、手早く簡易的な製品を構築し、反復してテストします。その後、組織内にリリースして結果を測定します。これを継続的に行います。

組織独自の AI ベンチマークを構築してください。AI の公式ベンチマークのほとんどは欠陥を抱えており、雑学や数学、コーディングに関するテストに焦点を当てています。これらは、どの AI が最も優れた文章作成を行えるか、財務モデルを最もよく分析できるか、購買を行う顧客をどのように支援できるかなどを教えてくれません。自社内で実際に実施するタスクにおいて、各モデルがどれほど優れているかを評価するための独自のベンチマークを開発する必要があります。また、その格差はどの程度縮まっているのでしょうか？リーダーシップ層は一定の指針を提供する役割を果たすべきですが、最終的に何を測定し、どのように測定するかを決定するのは「ラボ（研究チーム）」です。一部のベンチマークは客観的なものになるべきですが（Anthropic にはベンチマーク作成のためのガイドがあり、出発点として役立ちます）、複雑なベンチマークの一部については、経験に基づいた「直感」や「雰囲気」だけで構成されるものであっても問題ありません。

例えば、私は Claude を基盤とした AI エージェントである Manus について、「雰囲気ベンチマーク（vibe benchmarking）」を行いました。これは、新規スタートアップの分析能力を評価するために、困難な課題を与えてその結果を検証するというものです。私は架空のスタートアップに関する短い説明と、Excel ファイルに含まれる詳細な予測財務データを提示しました。これらの資料は、ウォートン商学院で構築した複雑なビジネスシミュレーションからのものであり、学生チームが数十時間をかけて完了するもので、これまでオンライン上で共有されたことはありません。AI がこれを解き明かせることができるのか、私は興味を抱きました。ガイダンスとして、分析すべきビジネスモデルの要素に関するチェックリストのみを与え、それ以外の指示は一切行いませんでした。

たった数回のプロンプトだけで、Manus はウェブサイト、PowerPoint のピッチデッキ、ビジネスモデルの分析、そして市場調査に基づいた財務仮定のテストを完成させました。その様子はこちらでご覧いただけます。私の評価では、45 ページにわたるビジネスモデル分析は非常に堅牢でした。完全に間違いがないわけではありませんが、有能な学生から期待されるものよりもはるかに誤りが少なく、はるかに網羅的です。また、要求された初期段階のウェブサイト草案、PowerPoint データ、そして財務仮定に関する詳細な深掘りも得られました。これらを確認することで、画像生成や私に尋ねずに答えを推測する傾向といった弱点と、強みを特定することができました。今では、新しいエージェント型システムが発表されるたびに、Manus と比較して今後の方向性を把握することができます。

ベンチマークを超えて、まだ機能していないものを構築することを目指してください。主要なビジネスプロセスを AI エージェントに任せた場合、どのような姿になるでしょうか？実際に構築してどこが失敗するかを確認します。そして新しいモデルが登場したら、あなたが構築したものに組み込んで、より良くなっているかを確認します。進歩の速度が続くなら、これは物事がどこに向かっているかを初めて垣間見る機会となり、AI モデルが臨界点を超えた瞬間に実際にデプロイ可能なプロトタイプを手にするチャンスになります。

挑発的な試みを構築してください。多くの人は AI の可能性に真摯に取り組んでいません。組織を変革する方法を理解するために人々を揺さぶり、あるいは少し不安にさせるようなデモや直感的な体験は、好奇心を刺激し不活性を克服するのに極めて大きな価値があります。今日では不可能に見えるが、明日には当たり前になるかもしれないものを示してください。

組織の再検討

真実は、このフレームワークさえも十分ではないかもしれないということです。私たちの組織は、その構造からプロセス、目標に至るまで、人間知能を中心に構築されてきました。なぜなら、それしかなかったからです。AI はこの根本的な事実を変えます。私たちは今や、ある種の知能をオンデマンドで得ることが可能になりました。これは、仕事の性質についてより深く考えることを要求します。かつて数週間かかっていた研究が今は数分で完了するようになれば、ボトルネックはもはや研究そのものではなく、「どのような研究を行うべきか」を見極めることです。コードが迅速に記述できるようになれば、制限事項はプログラミングの速度ではなく、「何を構築すべきか」を理解することになります。コンテンツが瞬時に生成可能になれば、制約は生産性ではなく、「人々にとって実際に何が重要なのか」を知ることです。

そして変化のペースは鈍化していません。数ヶ月（あるいは数週間？数日？）ごとに、私たちに可能性を再考させる新たな機能が現れます。モデルは複雑な推論、データとの連携、文脈の理解においてより熟練しています。自ら計画し行動することも可能になりつつあります。それぞれの進歩は、組織がより迅速に適応し、より多く実験し、AI が将来に何を意味するかについてより大きな視点を持つことを要求します。課題は AI を実装することよりも、仕事のやり方そのものを変革することにこそあります。そしてこの変革は、技術自体が絶えず進化を続ける中で行われなければなりません。

鍵となるのは、AI の導入を単なる技術的な課題ではなく、組織学習の課題として捉えることです。成功している企業は、リーダーシップ、ラボ、そして現場（クラウド）の間でフィードバックループを構築し、競合他社よりも速く学習しています。彼らは、仕事がどのように行われるかという根本的な前提を再考しています。さらに重要なのは、この課題を外部委託したり無視したりしていないことです。

始めるべき時期は、すべてが明確になった時ではありません。今です。まだすべてが混沌として不確実なうちに始めなければなりません。勝つのは、最も速く学習する意欲を持つ者たちです。

購読する

共有する

私が企業と話す際、法務部門（General Counsel's office）がしばしば AI 成功の成否を決定づけるボトルネックとなっています。多くの企業では、時代遅れのプライバシー上の理由からまだ AI の利用を禁止しています（主要なモデルはエンタープライズデータや API データで学習せず、HIPAA などに対応した完全準拠版も存在します）。クラウドソフトウェアにリスクがないわけではありませんが、行動を起こさないことにもリスクがあります。シャドウ AI の利用はほぼ普遍的であり、企業が AI 利用を認めない場合、すべての実験と学習が秘密裏に行われることになります。幸いなことに、多くのロールモデルが存在し、厳格な規制業界にある企業でも、自社の全機能にわたって AI を導入している例があります。