AI時代のワークフローの再設計：古いプロセスにAIを後付けしても失敗する理由

著者: Victor Hoang · 更新日: 2026年9月22日

AI時代のワークフローの再設計とは、人がすべてのステップを手作業でこなすことを前提に作られたプロセスにツールを差し込むのではなく、AIが本当に得意なことを軸にプロセスを作り直すことです。 変わらないプロセスの1つのステップにAIを加えても、部分的な高速化に必ず課される限界にぶつかります。手をつけていない部分が、依然としてペースを決めるのです。ワークフロー全体を再設計した企業は、測定された効果の大半を手にしています。既存のプロセスにAIを後付けした企業は、ほとんど手にできていません。

チームがAIツールを導入し、1つのタスクが速くなったのに、相変わらず同じ締め切りを逃している様子を見たことがあるなら、それはボトルネックが移動したのに、誰も探さなかったということです。

重要なポイント

• Paul Davidによる1990年の電化の研究は、ダイナモの登場（1881年）から生産性の成果が表れる（1920年代）まで約40年の隔たりがあったことを突き止めました。工場が、個々の「ユニット駆動」の機械を軸に再設計せず、蒸気機関の時代と同じ「グループ駆動」のレイアウトに電動モーターを後付けしたからです（David, "The Dynamo and the Computer," American Economic Review, 1990）。
• 経済学者のErik Brynjolfsson、Daniel Rock、Chad Syversonの「生産性Jカーブ」モデルは、その理由を示しています。補完的な無形の投資（再教育、再設計、新しい役割）は、行われた時点ではコストとして計上され、数年後に測定される成果として初めて実を結びます（Brynjolfsson, Rock, Syverson, NBER Working Paper 25148）。
• MIT NANDAの2025年の調査は、生成AIのパイロットの95%でP&Lへの測定可能なリターンがないと突き止め、その失敗の原因をワークフローの層にたどりました。実際のプロセスに適応しないツールは、摩擦が生じた途端に放棄されます（MIT NANDA, "The GenAI Divide: State of AI in Business 2025", via Fortune）。
• BCGの10-20-70ルールは、AI変革の労力のうち、アルゴリズムに充てるべきは10%、テクノロジーとデータに20%、人とプロセスに70%だとしています。概念実証を超えられる企業は22%にとどまり、大きな価値を生み出せる企業は4%にとどまります（BCG, "The Leader's Guide to Transforming with AI"）。
• McKinseyの2025年State of AI調査は、ハイパフォーマーが、変わらないプロセスにツールを加えるのではなく、AIを軸に根底のワークフローを再設計している可能性が、ほぼ3倍高いことを突き止めました（McKinsey, The State of AI: Global Survey 2025）。

電化の教訓：新しい動力は、工場を代わりに再設計してはくれない

今AIで起きていることに最も明確に当てはまる先例は、コンピューターでは起きませんでした。1世紀前の電気で起きたことであり、経済史家のPaul Davidが1990年に決定版となる記録を書きました。

グループ駆動からユニット駆動へ：40年の隔たり

19世紀の工場は、通常は蒸気機関である1つの動力源で動き、ベルトと頭上の軸の共有ネットワークを通じてすべての機械につながっていました（「グループ駆動」）。すべての機械は1本の機械的な背骨を共有していたため、使っているかどうかにかかわらず、同時に回っていました。

電動ダイナモが商用化されたのは1881年です。その後およそ40年間、ほとんどの工場主は、安上がりで分かりやすい方法をとりました。蒸気機関を電動モーターに交換し、ベルトとレイアウトはそのままにしたのです。動力を得るプロセスが変わっていなかったため、生産性はほとんど動きませんでした。

成果が表れたのは、工場がグループ駆動を捨て、すべての機械に小型モーターを付ける「ユニット駆動」に移ってからでした。それによって、古いレイアウトではできなかったことが可能になりました。ベルトの幾何学ではなくワークフローの論理による機械の配置、軸の塔ではなく平屋の建物、必要なときだけ動く設備です。ユニット駆動が登場したのは1920年代で、ダイナモそのものから約40年後であり、Davidはその遅れの原因を、技術ではなく組織の再設計に求めています。

同じ物語、新しい技術

今日の企業の多くは「グループ駆動のAI」を動かしています。ツールが1つのステップを置き換える一方で、その周りの承認の連鎖、引き継ぎ、レビューのプロセスは、人間だけのチームのために作られたままです。ツールは速くなりました。プロセスは速くなっていません。AIの生産性パラドックスでは、この同じ導入と成果のギャップの背景にある、McKinsey、MIT、Gartnerの数字をより詳しく扱っています。

BrynjolfssonのJカーブは、実際の投資が進んでいる最中でも、何も起きていないように見える理由を説明します。チームの再教育や、引き継ぎの流れの再構築は無形の投資です。実施した年にはコストとして計上され、再設計が大規模に動くようになって初めて成果として現れます。今その作業を行っている企業は、帳簿上は、手をつけなかった企業とまったく同じに見えます。違いは後になって、作業をやった企業の側に表れます。そこで浮上するのが、生産性の配当が真正面から問う問いです。再設計が実を結び、実際に時間が空いたとき、それを誰が手にするのか、ということです。

「同じプロセスで、ステップだけ速く」が壁にぶつかる理由

個々のステップが速くなっても、全体の成果がめったに速くならない理由があり、コンピューターサイエンスにはそれを表す名前があります。アムダールの法則です。

コンピューティングの発想をプロセス設計に借りる

Gene Amdahlが1967年に並列計算について述べた点は単純でした。システムの一部を高速化しても、システム全体の改善の上限は、その部分が全体の時間の何割を占めていたかで決まる、というものです。サイクルタイムの10%を占めていたステップを10倍速くしても、全体で節約できるのは多くても9%です。手をつけなかった残りの90%が、依然としてゴールラインを決めます。

ほとんどのワークフローは、1つの支配的なステップではなく、ステップと引き継ぎの連鎖です。AIは通常、最も自動化しやすいもの、たとえば初稿の作成に向けられがちで、最もカレンダー上の時間を消費しているものには向けられません。メールの下書きが10分から10秒になるのは画期的に感じられます。しかし、そのメールがどちらにしても承認待ちの列で3日間止まるなら、下流の誰も気づきません。

BCGが見出し続ける10-20-70の配分

BCGの調査は、別の角度から同じ結論に行き着いています。10-20-70ルールは、AI変革を成功させるための労力のうち、アルゴリズムに充てるべきは10%、テクノロジーとデータに20%、人とプロセス（役割の再設計、意思決定権限、研修、インセンティブ）に70%だと主張します。ほとんどの企業は、本能的にこの比率を逆にします。モデルを買うことは「AIプロジェクトをやっている」ように感じられる一方、誰が何をするかを再設計することは、別の、より難しい取り組みに感じられるからです。

そのコストは、BCG自身の数字に現れています。概念実証を超えられる企業は22%にとどまり、大規模に大きな価値を生み出せる企業は4%にとどまります。どの企業も、ほぼ同じ世代のツールを使えたにもかかわらずです。結果を分けたのは、70%のうち、どれだけをやる意思があったかでした。

何かを自動化する前に、本当のボトルネックを見つける

間違ったステップを速くしてもほとんど何も動かないのなら、次の問いは、正しいステップを見つけることです。

タスクの一覧ではなく、プロセスをマッピングする

ほとんどのチームは、自分たちの仕事をタスクの一覧として説明できます。それをプロセス、つまりタスクとタスクの間の順序、引き継ぎ、意思決定のポイントとして説明できるチームは、はるかに少なくなります。時間がどこに使われているかを実際に明らかにするのは、この2つ目の説明であり、プロセスの中にいる人たちを驚かせるのが普通です。遅い部分が、最も骨の折れると感じられる部分であることはまれだからです。

オンボーディング、提案書、採用パイプラインなど、繰り返し発生するワークフローを1つ選び、すべてのステップと引き継ぎを順番に書き出してください。実際の1週間、仕事そのものにかかる時間ではなく、各案件がステップごとに次へ進むまでどれだけ滞留したかを記録します。この2つの数字の差が、プロセスが時間を失っている場所であることは、ほぼ例外なくそのとおりです。

本当の制約を明らかにする3つの問い

• 仕事が動かずに、たまって待っているのはどこか。 他のどこよりも物事が詰まる待ち行列や承認の段階です。それが制約であり、直す対象として面白いかどうかは関係ありません。
• どのステップがなくなれば、全体のサイクルタイムが最も変わるか。 人がなくなってうれしいものではなく、ゴールラインを測定可能な形で左右するものです。
• 直前のステップが誤ったものを出したために、やり直しになっているステップはどれか。 手戻りは隠れたサイクルタイムであり、多くの場合、下流に渡す前に適切に検証されていないAIの出力を指しています。この問題は拡張と自動化でより詳しく扱っています。

本当の制約が特定できたら、問いは具体的になります。どこにAIを加えられるかではなく、このボトルネックは何を必要としていて、AIはそれを変えるのか、です。

生産ではなく検証を軸に再設計する

最も多い再設計の誤りは、AIを生産の強化として扱うことです。ほとんどの知識労働に対するAIの本当の影響は、検証が必要になる場所が変わることにあります。

AIが下書きし、人が検証するとき、何が変わるか

AI以前のプロセスでは、タスクにおける人の時間の大半は生産の時間です。レビューはありますが軽くなります。書いた本人が、自分のミスの大半をすでに見つけているからです。

AIが初版を作ると、この比率が逆転します。生産の時間は激減しますが、検証の時間はそれに合わせて縮みません。他人の出力が正しいかを確認することは、それを作ることとは別の認知的なタスクだからです。再設計されたプロセスは、検証を新しい中核のステップとして扱い、そのための人員を置き、そのための時間を取り、それについて測定します。「AIがすでにやったもの」をちらっと見るだけにはしません。

これはまた、順序の問題だけでなく、役割の変化でもあります。以前は1日を生産に使っていた人が、今ではレビューと、何をエスカレーションすべきかの判断に使います。これは別の、しばしばより上級のスキルです。実行者からオーケストレーターへでは、その転換が何を求めるかを、人とエージェントのチームのためのチームトポロジーでは、それが再設計された役割の置かれるチームの形にどう影響するかを扱っています。

新たなボトルネックにならない検証ループの作り方

チームの一員としてのAIエージェントのマネジメントでは、これと同じループを、より運用面に即して、責任範囲の設定、品質基準の設定、意図的な引き継ぎの設計という形で解説しています。1回限りの再設計プロジェクトではなく、継続的な業務としてこれを運用する方に向けた内容です。

• この出力の許容できるエラー率はどれくらいで、誰が決めたか。 定型の返信と契約条項では、リスクが同じではありません。同じ扱いにすると、一方では時間を無駄にし、他方では確認が不足します。
• エスカレーションせずに承認できるのは誰で、何についてか。 AIが支援したすべての出力に、以前と同じ上級者の承認が必要なままなら、ステップが1つ増えただけで、再設計ではありません。ヒューマンインザループの設計とは、ループが実際にどの意思決定を必要とするのかを、意図的に決めることです。
• 検証で見つかったことから、ツールは改善するか。 文脈を保持しないツールは、数か月以内に静かに迂回されるようになると、パイロットの失敗に関するMIT NANDAの調査は突き止めました。ツールに戻らない検証のステップは、恒久的な税金であり、小さなエラーが積み重なってAI技術的負債になる場所でもあります。

ステップを自動化せず、完全になくすべきとき

ときには、正しい答えは、そのステップは、人間にとってもAIにとっても、そもそも存在すべきでない、ということです。

廃止テスト

ステップを自動化する前に、なぜそれが存在するのかを尋ねてください。成熟したプロセスの多くのステップは、その存在理由より長く生き残っています。何年も前に止んだ不正のパターンに対するコントロール、二度と再発しなかった一度のインシデントの後に追加された承認の層などです。そのようなステップを自動化しても、永久に走らせ続けるコストが安くなるだけです。しかも、安く走る不要なステップは、誰もコストに気づかないため、いつまでも削りにくくなります。

すべてのステップについて、それがどの具体的な失敗を防いでいるのか、その失敗が過去1年に実際に何回起きたかを尋ねてください。「分からない」「何年も起きていない」という答えなら、自動化ではなく廃止の候補です。最近実際に起きた失敗があるなら、まず再設計し、その上でAIによる強化を重ねるに値します。これは、AIが置き換えるのではなく変える仕事にある落とし穴を避ける最速の方法でもあります。1つのタスクが自動化されたからといって役割が消えることはまれですが、その周りの不要なステップが完全に削られると、役割の形は変わります。

後付けと再設計の比較

再設計の列に共通するパターンがあります。変わったのは、AIがタスクをより速くこなすようになったことではありません。タスクの周りのプロセスが再構築され、速さが次の変わらないステップで止まらず、実際にゴールラインまで届くようになったことです。

リーダーが実行できる、再設計の段階的な手法

1. 部門全体ではなく、ワークフローを1つ選ぶ。 始まりと終わり、責任者が明確で、四半期以内に変化を測定できるだけの量があるものにします。すべてを一度に再設計すると、誰も実行しないスライド資料になります。
2. すべてのステップと引き継ぎをマッピングし、実際の1週間を計測する。 待ちや承認を含め、各ステップでの実際の経過時間を記録します。これが、後のあらゆる改善の主張を測る基準になります。
3. 本当の制約を見つける。 仕事がどこでたまるか、どのステップがサイクルタイムを最も左右するか、どこで手戻りが生まれているかを調べます。AIを最も後付けしやすいステップから始めたくなる気持ちを抑えてください。それが制約であることは、多くありません。
4. まず、すべてのステップに廃止テストを行う。 各ステップが防ぐ具体的な失敗と、それが最近いつ起きたかを挙げ、もはや存在意義のないものは削ります。
5. 検証とエスカレーションを軸に役割を再設計する。 出力の種類ごとの許容できるエラー率、エスカレーションせずに承認できる人、修正がどうツールにフィードバックされるかを決めます。
6. パイロットの前に、事業指標の責任者を指名する。 利用回数ではなく、基準値に対するサイクルタイム、単位あたりのコスト、エラー率を指標にします。責任者のいないパイロットは、結論のない全社展開へと流れていきがちです。
7. ワークフローの指標を毎週測り、再設計を進化させる。 最初のバージョンが最終版になることはまれです。毎週の数字が、次のバージョンへ導いてくれます。

これを1つのワークフローで実行すれば、バラバラのパイロットを十数個回すより、AIが実際にどこで成果を出すのかについて、チームははるかに多くを学べます。

再設計を、誰かの本来の仕事にする

再設計の作業には、プロセスの動かし方を提案するだけでなく変えられる立場にある責任者が必要で、それは技術的な問題であると同時に、組織設計の問題でもあります。それは、AIがより多くの生産の仕事を引き受けるにつれて組織設計がどう変わるかにも、またワークフローの一部を、運用面だけでなく文化の面でも人間のものとして残すという、一部の企業の選択にもつながっています。

その責任の所在がなければ、中途半端に再設計されたプロセスは、未払いの負債のように積み上がります。誰も責任を持たない検証のステップ、誰も定義していないエスカレーションの経路、実際のエラー率に照らして誰も確認していない出力です。それらは合わさって、後にAIカルチャルデットとして表れ、最初から正しく設計していた場合よりはるかに高いコストをかけて解消することになります。同じ規律は、仕事が1つのAIエージェントにあっても、連携する複数のエージェントにあっても当てはまります。

1920年代にユニット駆動を軸に再編した工場は、より良いモーターを待ったわけではありません。モーターは40年前からありました。変わったのは、蒸気が必要としたものではなく、電気が可能にしたものを軸に、誰かが現場を再設計したことです。今、ほとんどの企業の目の前にあるツールは、すでに少なくともそれと同じくらい高性能です。現場はまだ蒸気の時代のままです。まず直す価値があるのは、そこです。