企業の取締役会は毎年、より大きな自動化予算を承認してきた。RPA（ロボティック・プロセス・オートメーション）から機械学習、生成AI、そして現在はAIエージェントへと、各波のたびに投資規模は膨らんでいる。だが Bain & Company が2026年に実施した「Automation and AI Pathfinder Survey」は、その循環に鋭い問いを突きつけた。
調査対象は世界951社。そのうち37%が「コスト削減率11〜20%」を目標に掲げたにもかかわらず、実際にコスト削減を測定した企業の約40%は削減率が0〜10%にとどまった。技術的な失敗ではない。ROIの実現過程で何かが機能していないのだ。そして問題の深刻さは、その後の行動に如実に表れている——失敗を経た企業の90%が、翌年もAI予算をさらに増額する計画を持っている。
「自律型エージェント」という幻想と現実の7%
AIエージェントに関する議論の多くは、複雑な意思決定を端から端までシステムが自律的に処理する「近未来」を想定している。しかし調査データが示す現実はより地に足のついたものだ。完全自律型エージェントを本番環境で稼働させている企業は、わずか7%に過ぎない。
最も多いモデルは「人間の承認が必要」とするもので、回答企業の38%が採用している。次いで「例外発生時のみ人間が介入する」スタイルが32%を占める。つまり、大多数のAIシステムは依然として人間の判断を前提とした設計になっている。
問題はその「慎重さ」ではない。結果に伴う意思決定に人間の監督を置くこと自体は、現時点では適切な判断といえる。問題は、投資計画が前提としていた自動化の水準と、実際に稼働しているシステムの水準の間に生じている乖離だ。投資判断を下したCFOが「完全自動化」の経済性を前提に承認した数字と、実際の現場で人間が介入し続けているシステムが生む数字は、根本的に異なる。
目標未達企業と目標達成企業を比較すると、その差はより鮮明だ。「ガードレール以上の自律性」を持つエージェントを保有しているのは、成果を出した企業で50%であるのに対し、未達企業では38%にとどまる。急いで完全自律化を目指すよりも、まず投資計画と稼働実態のギャップを正直に認識し、埋めることが先決だ。
過去の未達分を原資に次を賭ける「複利リスク」
財務面では、見過ごされがちな第二のリスクが存在する。生成AI・AIエージェント投資の資金源として最も多く挙げられたのは「過去の自動化プログラムで生まれた削減効果」であり、全回答企業の44%がこれを選択した。自己資金で次の波を賄う姿勢は、一見すると規律ある経営に見える。だが実態は、構造的な漏れを抱えた循環的な賭けだ。
過去の自動化プログラムは目標に届かなかった。つまり、原資となる削減効果のプールは想定より小さい。そして現在の投資計画は、実績ではなく「想定された削減効果」をベースにサイジングされている。この構造は例外ではない。Bainが「Automation Scorecard」調査で繰り返し文書化してきた、自動化の各波に共通するパターンだ。
次のプログラムへの投資を承認する前に、過去のプログラムが実際に何%の削減をもたらしたかを検証しないまま進めることは、リスク管理ではなくリスクの積み重ねだ。
データ問題は「IT部門の話」ではない
調査で最大の障壁として挙げられたのは、コンプライアンスでも予算でもスキル不足でもなく、「データアクセスと統合」だった。回答企業の41%がこれを最大の課題として挙げており、世界全体で数千億ドル規模のデータ近代化投資が行われてきた一方で、依然として自社データに確実にアクセスできないことがAIプログラム不振の主因となっている。
一点、見落とされがちだが重要な事実がある。目標を達成した企業ほど、データ問題をより大きな障壁として認識している（44% vs. 40%）。これは「成功企業でさえデータ問題を抱えている」ことを意味するのではなく、「本格的にスケールした企業がより深くデータ問題に直面している」という現実を示している。
一方、未達企業がより多く挙げる障壁は予算不足、Center of Excellenceの欠如、優先順位の競合といった組織的課題だ。これらはいずれも技術的問題ではなく、AIに十分な権限と経営的関心が与えられていないことのシグナルである。成果を出したリーダーはデータ問題をIT部門の案件として扱うことをやめ、取締役会レベルのビジネス要件として扱った。そして、データが完璧になるまで何も始めないという姿勢を捨てた。
乖離を縮める5つの経営判断
Bainの分析が示すのは、成果を出している企業に共通するのが技術選定の優位性ではなく、先行した組織的意思決定だったという事実だ。
1. ワークフローの負債を返済してからAIを展開する
壊れたプロセスを自動化することは最もコストの高い誤りであり、AIはワークフローの負債を修正しない。それを固定化し、加速させ、解体をはるかに高コストにするだけだ。承認前の問いは一つだ。このプロセスを今日ゼロから設計するなら、どんな姿になるか——AI適用箇所を探す前に、その問いに答えること。
2. 投資ケースを実績値で検証し、ガバナンス担当者を事前に決める
CFOは次の支出を承認する前に、過去の自動化プログラムの「実際の成果」を監査すべきだ。予測値ではなく実績値を原資として現在の投資規模を設定することが、最も避けやすい財務リスクの解消につながる。ガバナンスについても、「AIエージェントが本番環境で重大な誤りを犯したとき、誰が個人的に責任を持つか」という問いにCEOが事前に回答しておかなければならない。IT部門がこの問いに答えることはできない。
3. データが完璧になるのを待たず、整備済みの領域からAI化を始める
データ問題が解決するまでAI投資を延期するという発想は捨てる必要がある。最も有望なアプローチは、データがすでに存在し整理されているワークフローからAI化を始め、そのプロセス自体にAIを使ってデータの流通を改善することだ。
Amazon Finance Technologyの事例がこれを裏付けている。「World Wide Watch」と呼ばれる生成AIソリューションは、VAT（付加価値税）規制の更新を世界規模で追跡するツールだ。税務チームが1件の規制更新に要していた26分が2分に短縮され、削減率は92%に達した。AI生成サマリーの80%は人間の専門家が修正なしに受け入れており、データが既存かつ整備されていた領域での適用が成果に直結している。
大規模なデータ近代化の議論は、本当にそれを必要とするユースケースのために取っておき、こうした早期の成果によってその資金を捻出する順序が正しい。
4. プロセスだけでなくオペレーティングモデルそのものを再設計する
AIエージェント導入後も人間の働き方を変えなければ、ビジネスケースの達成はほぼ不可能だ。エージェント主導のモデルでは、社員の役割はプロセスの運搬から、オーケストレーション・監督・高度判断へと変わる。この役割転換と変革管理への投資は、現在のほとんどのAIプログラムで後回しにされているが、成果を出した企業はいずれも展開前にCEOレベルでこれを明示的に資金化・承認している。
5. 成果をプログラム単位でなくエンタープライズ単位で測定する
個別プログラムはコスト削減と工数削減のために最適化する。企業にとって真に重要なのは、AIへの投資が速く正確な意思決定と顧客成果の改善をもたらしているかどうかだ。CEOのダッシュボードにその指標がなければ、プログラムは誤ったものを効率的に生み出し続け、予算を増やすほど乖離は広がる。
組織の問題を技術が解決することはない
Bainの調査が突きつける核心は明快だ。この問題は技術的なものではなく、組織的なものだ。次の予算サイクルでも、次のベンダープレゼンの場でも、答えは変わらない。経営者がAI成功のための組織的条件を作る個人的責任を自覚するかどうかにかかっている。
AIエージェントの波は実際に来ている。問題は技術が機能するかどうかではない。機能させるための組織が整っているかどうかだ。その問いに答えられない企業は、予算を増やせば増やすほど乖離を広げる結果になる。
