ブログ / AX(AIトランスフォーメーション)とは?DXとの違いと事例

AX(AIトランスフォーメーション)とは?DXとの違いと事例

AX(AIトランスフォーメーション)とは何かを示すアイキャッチ画像

AX(AIトランスフォーメーション)とは、AIの活用を前提に業務プロセスやビジネスモデル、組織文化を根本から変革する取り組みです。単なる効率化を超え、生産性と競争力の向上まで目指す点に特徴があります。

かつてはDX(デジタルトランスフォーメーション)が企業の取り組みテーマの中心でしたが、生成AIの急速な普及とともに、現在はAXに注目が集まっています。その一方で、AIツールを配ったものの業務の進め方は変わらず、部分的な効率化で止まっている企業も少なくありません。

本記事では、AXの定義と、DXや部分的なAI活用との違い、政策と国内外の動向から解説します。そのうえで、どの業務からAXを始めるかの見分け方、業務別の使い道と企業事例、費用とROIの考え方、AXが進む会社と止まる会社の分かれ目、推進の5ステップまでをまとめました。

自社のAX推進を一歩前へ進める実践的な指針として、ぜひ参考にしてください。

目次

AX(AIトランスフォーメーション)とは?定義や範囲

AXとは、AI Transformation(AIトランスフォーメーション)の略で、AIの活用を前提に業務やビジネスモデル、組織のあり方そのものを変革していく取り組みを指します。単に既存の作業へAIを足すのではなく、AIができることを起点に仕事の進め方を組み替える点に本質があります。

企業がAIで変革を進める手順を早い段階で示したのが、AI研究者のアンドリュー・ング氏です。同氏はGoogle Brainの立ち上げに関わり、Baiduではチーフサイエンティストを務めた人物で、2018年12月に企業向けの指針として「AI Transformation Playbook(AIトランスフォーメーション・プレイブック)」を公開しました。

このPlaybookは、パイロットプロジェクトで成果を出して勢いをつけ、社内のAIチームづくりと全社的な研修を進めたうえで、AI戦略の策定や社内外への発信へ進むという5つのステップを示しています。こうした段階的な進め方は、いまAXを進めるうえでも参考になります。

日本では、ChatGPTをはじめとする生成AIが急速に普及したことで、AXという言葉が使われるようになりました。デジタル化を意味するDXになぞらえ、AIによる変革を表す言葉として、コンサルティング会社やIT企業がDXに続くテーマとして打ち出しています。

これまで人にしかできなかった業務までAIが担えるようになったことが、その背景にあります。

AIトランスフォーメーションが指す「変革」の範囲

AXが指す変革の範囲は、特定の作業の自動化にとどまらず、いくつもの段階にわたって広がっていきます。最も小さな単位は個人です。文章作成や情報収集といった日々の業務をAIが補助し、一人ひとりの働き方や、考えを整理して判断するプロセスそのものが変わります。

次に広がるのが、複数の工程をまたぐ業務プロセス、すなわちオペレーションの領域です。人とAIの分担を前提に、業務の流れ全体を設計し直します。

また、範囲はさらに、企業全体へと及びます。組織のあり方や経営の意思決定、ビジネスモデルそのものをAIを前提に組み替える段階です。そして最も大きな範囲が、市場や社会のレベルです。AIを活かした新しい顧客体験の提供や、社会インフラの変革にまで影響は広がっていきます。

このようにAXは、個人の働き方から社会全体までを貫く幅広い概念です。どの範囲から着手し、どこまで広げるかという見取り図を持つことが出発点になります。

AXとDX・AI活用の違い

AXは、DXや、ツール単位で生成AIを取り入れるAI活用と混同されやすい言葉です。まず3者の違いを表で整理したうえで、DXとの違い、AI活用との違い、GX・SXなど他の「○X」との関係を3つ紹介します。

DX(デジタルトランスフォーメーション)AI活用(部分的なAI導入)AX(AIトランスフォーメーション)
中心となる手段ITシステム・クラウドなどのデジタル技術既存の業務に追加する生成AIツール生成AI・LLM・AIエージェント
主な目的業務・データのデジタル化と効率化個々の作業の時短・効率化AIによる判断の代替・自律化と知的業務の変革
対象となる業務主に定型業務のデジタル化文章作成や要約など、個人の作業単位判断や文章作成を含む知的業務(非定型業務)
位置づけAXの土台。データとインフラをデジタル化するAXの入口。業務の流れや分担は変えないDXの先にある進化。デジタル化したデータをAIが学習する
主導する主体人間(ITは作業の道具)人間(AIは個人の作業を補助する道具)人間(AIは判断・作業を代替する担い手)

DXとの違い

AXとDXの違いは、変革の中心となる手段と、その目的にあります。どちらも企業をより良く変えるための取り組みであり、主導するのはあくまで人間です。違うのは、何を使って、何を目指すのかという点です。

DX(デジタルトランスフォーメーション)は、紙やアナログだった業務をデジタルデータやシステムに置き換え、業務の効率化やビジネスモデルの変革を進める取り組みです。ここで中心となる手段はITシステムやクラウドであり、人が行う作業を速く正確に処理することを目指します。

一方でAXでは、生成AIや大規模言語モデル(LLM)、AIエージェントといったAIが中心の手段になります。

AXが目指すのは、これまで人にしかできなかった判断をAIが代わりに行ったり、一連の業務を自律的に進めたりすることです。文章作成や意思決定といった知的業務そのものを変革していきます。

ここでも人とAIは対立せず、人が方針を定めてAIに任せ、最終的な見極めを人が担うという協働の形をとります。

AXは、DXを否定するものでも、まったく別の取り組みでもありません。生成AIの時代に合わせてDXが進化した先にあるのがAXです。

DXによってデータやインフラがデジタル化されると、そのデータをAIが学習できるようになり、より高度な変革が可能になります。つまりDXはAXの土台であり、DXの先にAXがあるという関係です。

AI活用(AI導入)との違い

AI活用とAXの違いは、AIをツールとして今の業務に足すのか、AIを前提に業務の分担そのものを組み替えるのかにあります。

例えば、全社員にチャット型の生成AIを配り、議事録の要約やメールの下書きを速くするのはAI活用の段階です。作業は速くなりますが、誰が何を判断し、どの順番で仕事が進むかは変わりません。これに対してAXでは、業務を工程に分け、AIが担う工程と人が判断する工程を決め直します。

実際、総務省の令和8年版 情報通信白書によると、日本企業が生成AIの効果として最も多く挙げたのは、作業時間の短縮などによる業務の効率化(61.6%)でした。同じ図表のデータを見ると、米国・ドイツ・中国ではいずれも製品・サービスの質の向上が最多で、日本の32.2%を大きく上回っています。つまり日本では、AIを時短の道具として使う段階にとどまる企業がまだ多く、AXへ進む余地が大きいといえます。

国最も多く挙げられた効果業務の効率化製品・サービスの質の向上
日本業務の効率化61.6%32.2%
米国製品・サービスの質の向上56.6%59.9%
ドイツ製品・サービスの質の向上51.1%54.4%
中国製品・サービスの質の向上46.9%65.7%

※総務省「令和8年版 情報通信白書」の図表データ(生成AIの活用により生じうる影響・国別)をもとに作成

GX・SXなど他の「○X」との関係

GXやSXは、目指す変革の中身を表す言葉です。これに対してAXは、そうした変革をAIという手段で進める取り組みを指し、両者は競合するものではありません。

まず、GX(グリーン・トランスフォーメーション)について、内閣官房のGX実行会議は、産業革命以来の化石燃料中心の経済・社会、産業構造をクリーンエネルギー中心に移行させる、経済社会システム全体の変革と説明しています。また、SX(サステナビリティ・トランスフォーメーション)は、経済産業省の定義では、社会のサステナビリティと企業のサステナビリティを「同期化」させることと、そのために必要な経営・事業の変革を指します。

言葉変える対象位置づけ
GX(グリーン・トランスフォーメーション)化石燃料中心の経済・社会、産業構造目指す変革の中身
SX(サステナビリティ・トランスフォーメーション)社会と企業のサステナビリティを同期させる経営・事業目指す変革の中身
AX(AIトランスフォーメーション)業務の分担と流れ変革をAIで進める手段

例えば、GXを進める企業が、温室効果ガスの排出量を算定するために請求書や検針データの読み取り・集計をAIに任せるのは、AXの進め方をGXに生かす形です。そのため、○Xと呼ばれる言葉が増えても、AXを別のテーマとして構える必要はありません。自社が目指す変革のどの工程をAIで組み替えるかという視点で捉えると、取り組みの重複を避けられます。

AXが注目される背景

AXが注目される5つの背景。生成AIとAIエージェントの進化、人を増やす前提が成り立たない労働市場、競合と市場の変化の速さ、政府のAI推進政策と人工知能基本計画、国内外の企業に広がるAI活用

AXが注目されている背景には、AIそのものの進化に加えて、労働市場や競争環境、国の政策の変化が重なっています。ここでは、AXを後押ししている要因を5つ紹介します。

生成AIとAIエージェントの進化

AXがこれほど注目されるようになったのは、AIの爆発的な進化といっても過言ではありません。

生成AIやAIエージェントが急速に発展し、AI自身が状況に応じて判断し、行動できるようになりました。これまで人間にしかできなかった高度な判断業務までAIが担えるようになり、企業の関心を一気に高めています。

人を増やす前提が成り立たない労働市場

同時に、人を増やして業務を回すという従来のやり方が、物理的に成り立たなくなってきました。働き手が限られるなかでは、人手をかけて量で対応する方法には限界があります。

だからこそ、貴重な人的リソースを創造的なコア業務へ集中させ、それ以外をAIに任せるといった業務変革が、AXを後押ししています。

もちろん、その根本には以前から指摘されてきた日本の労働力不足があります。しかし今のAXの広がりを生んでいるのは、それ以上にテクノロジーの急激な進化だといえます。

人手不足という長年の課題に、AIの進化が解決の道筋を示したことで、AXは一気に現実的な選択肢となりました。

競合と市場の変化の速さ

他にも、市場の変化が激しさを増していることも、見逃せない要因です。生成AIやAIエージェントを使いこなす競合他社が増え、製品やサービスだけでなく、ビジネスモデルそのものが急速に塗り替えられています。

こうした競争に対抗し、変化の波に乗るためにも、AXの推進が欠かせません。

政府のAI推進政策と人工知能基本計画

国もAIの活用を政策として後押ししており、AXは企業が個別に取り組むテーマにとどまらなくなっています。

具体的には、2025年6月4日に、AIの研究開発と活用を推進するAI法(人工知能関連技術の研究開発及び活用の推進に関する法律)が公布・一部施行され、同年9月1日に全面施行されました。内閣府によると、9月12日に開かれたAI戦略本部の初会合では、本部長である当時の石破総理大臣からAIを使う、AIを創る、AIの信頼性を高める、AIと協働するという4つの方針が示されています。さらに2026年7月14日には、人工知能基本計画(第Ⅱ期)が閣議決定されました。

ただし、国の方針が整っても、各社の業務が自動的に変わるわけではありません。法律の名前のとおり国が活用の推進を軸に据えた今、企業に問われているのは、どの業務にAIを組み込むかという自社の設計です。

国内外の企業に広がるAI活用

AIの活用は国内外の企業で急速に広がり、使うかどうかよりも、どこまで業務に組み込むかが問われる段階に入っています。

まず国内では、総務省の令和8年版 情報通信白書によると、生成AIを積極的に活用する、または活用する領域を限定して利用する方針の日本企業は68.9%で、前年度の49.7%から大きく伸びました。また、何らかの業務で生成AIを利用している企業は86.4%にのぼります。海外でも、米スタンフォード大学のAI Index Report 2026が、組織におけるAIの導入率は88%に達したと報告しています。

ただし、使い方の中身を見ると、まだ個人の作業が中心です。最も利用が多い議事録やメール作成の補助では約7割の企業が生成AIを使っています。ところが、その内訳で最も多いのは従業員が個人作業の効率化に使っている段階(35.2%)で、業務プロセスがAI中心に変わった企業は11.3%にとどまります。導入が当たり前になった今、差がつくのは、業務の流れそのものを組み替えられるかどうかです。

AXに取り組むメリット

AXに取り組む6つのメリット。人手不足の解消や労働環境の改善、コスト削減と生産性の向上、データドリブンへの転換、暗黙知の資産化、属人化の解消およびスキルの平準化、イノベーションの高速化

AXに取り組むことで得られる効果は、目先の効率化にとどまりません。ここでは、コスト面の効果から組織に蓄えた知の活用、競争力の強化まで、AXがもたらす代表的なメリットを6つ紹介します。

人手不足の解消や労働環境の改善

1つ目のメリットは、人手不足の解消と労働環境の改善です。

AIを活用すれば、24時間休まず働く有能なデジタル社員を何人も雇うのと同じ効果が得られます。それにより、メール対応や見積作成、顧客への一次回答といったルーティンワーク、深夜や休日の定型対応からも、人を解放できます。

その結果、従業員は本来やるべき仕事に時間を割けるようになり、モチベーションの向上や働きがいの改善にもつながります。

コスト削減と生産性の向上

2つ目は、コスト削減と生産性の向上です。

AIは人為的なミス(ヒューマンエラー)を減らし、手戻りやそれに伴う残業代・人件費を大幅に削減します。また、カスタマーサポートなどをAIが24時間365日カバーすれば、運用コストも抑えられます。人件費を削れる業務と、すぐには削れないコストの見分け方は、AIで人件費を削減できるかを解説した記事にまとめています。

さらに、資料の要約や市場動向の分析、プログラムのコード記述といった作業を、AIは数秒から数分で処理します。人が数時間かけていた仕事が一瞬で終わり、生産性は大きく高まります。

データドリブンへの転換

3つ目は、データドリブンへの転換です。

これまでのDXでは、データを蓄積するだけで終わりがちでしたが、AIを使えば売上や顧客の声、日報、財務情報といった社内の膨大なデータをリアルタイムに分析し、活用できます。

また、過去の傾向を把握するだけでなく、高精度な予測も可能です。経験や勘に頼るのではなく、客観的なデータの裏付けをもとに意思決定できるようにもなります。

暗黙知の資産化

4つ目は、暗黙知の資産化です。

これまで特定のベテラン社員だけが持っていた勘やコツ、ノウハウといった暗黙知も、AIとの対話や過去の商談ログ・業務履歴の解析を通じて、言語化し形式知として残せます。

そうすれば、ベテランが退職や異動でいなくなっても、そのノウハウは会社の共有資産として残り続けます。

属人化の解消およびスキルの平準化

5つ目は、属人化の解消とスキルの平準化です。

AIが業務プロセスを標準化することで、Aさんが休むと業務が止まるといった属人化のリスクを解消できます。

新入社員や未経験者であっても、社内のAIに質問すれば、ベテラン社員と同等の質の回答やアウトプットを瞬時に得られるようになります。

イノベーションの高速化

6つ目は、イノベーションの高速化です。

人力なら数日から数週間かかる新商品のアイデア出しやデザイン案の作成といった作業も、AIを使えば1日に何百パターンも生み出せます。

また、数ヶ月から数年を要していた研究開発や新規事業の立ち上げも、AIでシミュレーションや自動化を行うことで、数週間から数日に短縮できます。時間的な制約がなくなりトライ&エラーを重ねやすくなることで、イノベーションが次々と生まれるようにもなります。

AXと相性が良い業務

AXをどの業務から始めるかは、職種や部署ではなく、業務の中の工程を見て選びます。ここでは、当社が整理している見分け方をもとに、対象業務を選ぶための考え方を3つ紹介します。

職種ではなく工程で切り分ける考え方

業務を職種ではなく工程で切り分ける3つの区分。AIに完全に任せる、AIが下書きし人が仕上げる、最後まで人が担う

1つ目は、AXと相性が良いかどうかを、職種ではなく工程の単位で見ることです。

この点について当社では、営業はAI向き、CS(カスタマーサクセス)は不向きといったように業務名の単位で問うと答えを間違えるとし、切り分ける単位は工程だと考えています(詳細はこちら)。

実際、当社代表は前職でSaaS事業の全体を統括していたとき、当時のCS業務フローを工程表に起こし、10のフェーズ・53の作業を1つずつ棚卸ししました。その結果は、AIに完全に任せられる作業が26件(49%)、AIが下書きして人が仕上げる作業が18件(34%)、最後まで人が担うべき作業が9件(17%)という見立てです(分解の詳細はこちら)。

なお、この数字はAI化して効果を測ったものではなく、業務を分解して見立てたものです。それでも、同じCS業務の中に、AIに渡せる工程と人が持つべき工程が混ざっていることははっきり読み取れます。

AIに任せる仕事を見分ける4つの軸

2つ目は、工程ごとにAIへ任せるかどうかを、当社が目安にしている4つの軸で見極めることです。

軸AIに渡しやすい工程の例人に残す・準備が要る工程の例
型が決まっているか(手順を言語化できるか)商談メモから決まった項目をCRM(顧客管理システム)へ転記する文章だけでは新しく入った人に引き継げない工程
間違えたときのコストと、発見のしやすさ社内向けの下書き(ミスにすぐ気づける)請求金額の確定(気づいたときには損害になっている)
判断に社内外への責任が伴うか結果に責任が生じない作業値引きの可否や契約条件の確定
入力情報がテキスト化されているか必要な情報が文字で残っている工程情報がベテランの頭の中や電話にしかない工程(文字起こしや文書化が先)

1つ目の軸は、型が決まっているか、つまり手順が言語化できるかです。商談メモから決まった項目をCRMへ転記する作業のように、新しく入った人へ文章だけで引き継げる工程はAIに渡しやすくなります。2つ目の軸は、間違えたときのコストと、発見のしやすさです。社内向けの下書きならミスにすぐ気づけますが、請求金額の誤りは気づいたときには損害になっています。

3つ目の軸は、判断に社内外への責任が伴うかです。値引きの可否や契約条件の確定のように、結果に誰かが責任を負う判断は人に残します。そして4つ目の軸が、入力情報がテキスト化されているかどうかです。必要な情報がベテランの頭の中や電話でのやり取りにしかない工程は、文字起こしや口頭ルールの文書化を済ませて初めて、AIに渡せる状態になります。

人が持ち続ける判断の工程

3つ目は、AIに渡す工程と同じくらい、人が持ち続ける工程を先に洗い出しておくことです。

先ほどのCS業務の分解でも、最後まで人が担うとされた9件には、キックオフの打ち合わせ、解約の兆しがある顧客へのヒアリング、更新や解約の意向の聞き取りといった、顧客との関係に関わる工程が並んでいます。こうした工程が業務の大半を占めるなら、その業務はAXの対象には向きません。反対に、人が持つ工程が承認や最終確認に限られ、残りをAIに渡せる業務ほど、早く効果が表れます。

つまり、AXの対象選びは、AIに渡せる工程の多さと、人に残る判断の重さを見比べる作業です。対象を決めたあと、その業務の中で工程ごとの役割分担をどう組み直すかは、AI BPRの解説記事で詳しく紹介しています。

業務別に見るAIの使い道

業務別に見るAIの5つの使い道。製造の検査・検品、小売の需要予測と発注、金融の不正検知と審査、バックオフィスの定型事務、問い合わせ対応と社内ヘルプデスク

AIの使い道は、業界ではなく業務で見ると、自社に当てはめやすくなります。ここでは、代表的な業務ごとのAIの使い道を、どの工程をAIに任せ、どこを人が担うかとあわせて5つ紹介します。

製造の検査・検品

1つ目は、製造業での製品や原材料の検査・検品です。カメラで撮影した画像をAIが解析し、傷や異物を見つけ出します。

例えば、冷凍食品などを手がけるニチレイフーズは、2026年8月から船橋工場で、分光カメラとAIを組み合わせた異物検査の仕組みを稼働させています(ニチレイフーズのニュースリリース)。対象は、原材料に混じった透明なプラスチック片のように、原材料と見分けがつきにくい異物です。ねらいには、検査工程の自動化・省人化、検査品質のばらつきの低減、従業員の負担軽減が挙げられています。

ここで注目したいのは、この仕組みが人による検査を置き換えるものではなく、人とAIそれぞれの強みを生かして検査体制を強化するものと説明されている点です。検査業務のAXでは、見つけにくい異物の検知をAIが受け持ち、最終的な判断を人が担うという分担が基本になります。

小売の需要予測と発注

2つ目は、小売業での需要予測と発注です。販売実績や天候などから売れる量を予測し、発注数を決める業務でAIが使われています。

例えば、山形県を中心にスーパーマーケットを展開するヤマザワは、2024年9月、当時の全70店舗の日配部門(卵や冷蔵食品など、毎日入荷する商品)へ、AIの需要予測による自動発注を導入しました(導入時のリリース)。販売実績・気象情報・催事情報などから発注数量を算出し、品切れと過剰発注を減らして、販売機会のロスと廃棄ロスの削減を目指しています。あわせて、担当者ごとの品ぞろえのばらつきを平準化する効果も挙げられました。

そもそも発注は、担当者の経験と勘に頼りやすい工程です。需要の予測と発注数の計算をAIに任せ、新商品の導入や地域の行事に合わせた売り場づくりの判断を人が担う形にすれば、経験の浅い担当者でも一定の水準で発注を回せるようになります。

金融の不正検知と審査

3つ目は、金融業でのクレジットカードの不正利用の検知です。膨大な取引データから、いつもと違う動きを見つけ出す作業はAIが得意とする領域です。

例えば、三越伊勢丹グループのクレジットカード会社であるエムアイカードは、2023年6月から、不正手口のデータを導入企業の間で共有してAIの検知精度を高める仕組みを使い始めました(導入時のリリース)。開発時に複数社で行った検証では、既存の運用と比べて不正被害が約30%減ったとされています。ただし、これは検証段階の値で、実際の運用で測った数字ではありません。

そして、不正検知でも融資やカード発行の審査でも、AIが疑わしい取引や申込みを洗い出し、利用の停止や審査の可否を最終的に決めるのは人という分担が基本です。正当な取引を誤って止めれば顧客の信頼を損なうため、判断の責任をAIに渡さない設計が求められます。

バックオフィスの定型事務

4つ目は、経理や総務、人事といったバックオフィスの定型事務です。請求書の読み取りや経費精算のチェック、社内文書の作成など、手順の決まった作業が対象になります。

このうち、請求書の読み取りや仕訳の候補づくりは、手順を言語化でき、入力も書類やデータとしてそろっているため、先に紹介した4つの軸に照らしてもAIに渡しやすい工程です。一方で、支払いの承認や、勘定科目の判断に迷う取引の処理は、間違えたときの影響が大きく、責任も伴います。

そのため、バックオフィスでは、AIが書類を読み取って下書きや候補を作り、担当者が内容を確かめて承認する流れに組み替えるのが現実的です。例えば経費精算なら、規程に照らした一次チェックをAIが行い、規程から外れた申請だけを担当者が確認する形にすると、確認の手間を例外の処理に集中させられます。

問い合わせ対応と社内ヘルプデスク

5つ目は、顧客からの問い合わせ対応と、社員からの質問に答える社内ヘルプデスクです。総務省の白書でも、社内ヘルプデスクに生成AIを使っている日本企業は約5割にのぼります。

例えば社内ヘルプデスクであれば、就業規則や経費規程、システムの操作手順といった社内文書をAIに参照させ、よくある質問への一次回答を任せられます。規程に答えが書かれていない例外や、個人の事情への配慮が要る相談は、担当者へ引き継ぐ流れにしておきます。

また、顧客対応でも考え方は同じで、AIが回答の下書きまでを受け持ち、送る前の確認は人が担います。ここで先に決めておきたいのは、AIが答えてよい範囲と、人へ引き継ぐ条件です。この線引きが曖昧なまま始めると、誤った回答がそのまま顧客に届いたり、担当者がAIの回答をすべて確認し直して手間が減らなかったりします。

AXの業界別事例

業務別の使い道を踏まえて、ここからは実際にAXに取り組んでいる企業の事例を業界別に見ていきます。金融から物流、医療、業界を問わない使い方、当社が手がけた業務の再設計まで、5つ紹介します。さらに多くの企業の取り組みは、AXの事例をまとめた記事で紹介しています。

三菱UFJ銀行【金融・保険】

金融分野の事例として、三菱UFJ銀行の取り組みがあります。

同行は3メガバンクの一つで、膨大な事務処理と高い正確性が求められる業務を数多く抱えています。2023年には、稟議書の下書き作成や行内の手続き照会などで生成AIの効果を検証し、行内全体への展開を準備していると紹介しました。あわせて、生成AIの導入で労働時間を月22万時間以上削減できるとの試算をまとめたと報じられています。

加えて金融業では、先に紹介したエムアイカードの例のように、不正利用の検知でもAIが使われ始めました。正確さと安全性が何より重視される金融の現場でAIの活用が進んでいることは、AXが基幹業務にまで広がりつつあることを示しています。

佐川急便【物流・運送】

物流・運送分野の事例として、佐川急便の取り組みを紹介します。

佐川急便は全国規模で宅配サービスを展開する大手運送会社で、日々膨大な数の配送伝票を処理しています。同社では2019年、配送伝票に手書きされた数字をAIが読み取り、システムへの入力までを自動化する仕組みが本稼働しました。

これにより、入力作業の時間を月間約8,400時間短縮できる見込みとされ、浮いた人手をほかの業務に生かせるようになります。人手不足が深刻な物流業界において、定型作業をAIへ移す取り組みは、業界全体にとって示唆に富む事例です。

国立がん研究センター【医療・ヘルスケア】

医療・ヘルスケア分野の事例として、国立がん研究センターの取り組みがあります。

同センターは、日本のがん研究と治療を牽引する中核的な医療機関です。NECと共同で、AIの画像認識技術を活用し、大腸内視鏡検査の映像から大腸がんや前がん病変をリアルタイムで検出する仕組みを開発しました。この仕組みは2020年11月に医療機器として承認され、「WISE VISION 内視鏡画像解析AI」の名称で実用化済みです。

見逃されやすい病変の見落としを減らし、早期の発見につなげることが期待されています。AIが医師の判断を置き換えるのではなく、あくまで支援する役割に徹している点も重要です。専門性の高い医療現場でも、作業はAI、判断は人という分担でAXが進んでいます。

業界を問わない「全社共通」

続いて、業界を問わずどの企業でも取り組める全社共通の活用例を紹介します。

会議の録音から議事録を自動で作成する、提案資料やメールのたたき台をAIに用意させる、社内に散らばった規程やマニュアルからAIが必要な情報を探して答える、といった使い方は、業種や規模を問わず効果が見込めます。

これらは特別な設備投資を必要とせず、日々の定型作業を着実に軽くしてくれるため、AXの最初の一歩として取り組みやすい領域です。大企業の大がかりな事例に身構える必要はありません。

まずは自社の身近な業務のなかから、繰り返しが多く時間のかかる作業を1つ選んでAIに任せてみる。これが、AXを自分ごととして始める現実的な出発点です。

当社が手がけた業務プロセスの再設計

最後に、当社が手がけた業務の再設計を紹介します。

まず当社代表は前職のSaaS企業で、定型的な生成や下書きはAIに任せ、事実確認と最終判断、顧客との関係に関わる部分は人が握るという線を引いて業務フローを組み直しました。その結果、社内の業務を最大80%削減し、本番運用まで実証しています(詳細はこちら)。ツールを足したのではなく、業務の分担を組み直した結果です。

また、支援先の株式会社ウィルゲート様では、AIで作った動く試作品を使って事業部とすり合わせる進め方に切り替えました。当事者の体感では、要件定義に0.5人月ほどかかっていた工数が約2日まで縮まっています。支援の内容や、試作のスピード・手戻りの変化を含む詳しい成果は、ウィルゲート様の導入事例をご覧ください。

AX推進にかかる費用とROIの考え方

AXの費用は、ツールの利用料だけでなく、外部の支援やデータの整備まで含めて考える必要があります。費用の内訳から外部支援の相場、損益分岐点、ROIを見誤る原因まで4つ紹介します。

費用の内訳

1つ目は、費用の内訳です。AXにかかる費用は、ツールの利用料、外部への支援費、社内のデータ整備と人の時間の3つに大別できます。

このうちツールの利用料には、生成AIの有料プランやAIエージェントの利用料、自社の仕組みに組み込む場合のAPI(外部サービスと連携する仕組み)の利用料などが含まれます。1人あたり月数千円程度のプランから、処理する量に応じて請求額が大きく変わるものまで幅があるため、全社に広げたときの総額で見積もっておくと安心です。

さらに見落とされやすいのが、データの整備と社内の人の時間です。散らばった文書の整理や形式の統一、業務の棚卸しや試験導入に担当者が割く時間は、請求書には表れません。ここを予算に入れずに始めると、AIが正しい答えを出せる土台が整わず、かけた費用が成果に変わらなくなります。

外部に支援を頼む場合の相場

2つ目は、外部の専門家に月額で伴走を頼む場合の相場です。関わり方によって、月1万円台から100万円規模まで幅があります。

具体的には、チャットでの質問対応が中心のチャット相談特化型が月1万〜3万円、月1回程度の面談がつくスポット相談型が月5万〜10万円です。業務の棚卸しから導入・定着まで一緒に進める継続伴走型は月10万〜30万円、経営戦略へのAI活用や社内の内製化まで踏み込む戦略・内製化支援型は月30万〜100万円が目安になります。これとは別に、初月に10万〜30万円程度の初期費用がかかる場合もある点には注意が必要です。なお、いずれも一般的な市場相場であり、当社の料金ではありません。内訳の詳細はAI顧問の費用相場の記事で解説しています。

そのため、金額を比べるときは、月額の安さだけでなく、どこまでを支援の範囲に含むかを確かめてください。助言で終わるのか、実装や社内への定着まで手伝ってもらえるのかで、同じ月額でも得られるものは大きく変わります。

削減した時間で見る損益分岐点

3つ目は、削減できた作業時間を人件費に換算し、支払う費用と比べて損益分岐点を出す方法です。

例えば、社員の時給を3,000円とし、外部の支援に月15万円を払う場合、AIで月50時間の作業を減らせれば、削減した人件費と支援費が釣り合う計算です。ツールの利用料が別に月数万円かかるなら、その分だけ必要な削減時間は増えます。こうした分岐点を先に出しておけば、PoCの段階で、どの業務を何時間減らせば元が取れるかを目標に置けます。

ここで大切なのは、この試算を外部の支援先任せにせず、自社で持つことです。削減時間は、対象業務の作業時間を導入前に測っておかなければ比べられません。導入前の数字を残しておく一手間が、あとで投資の判断を説明できるかどうかを分けます。

ROIを見誤る原因

4つ目は、ROIを見誤る原因です。多いのは、効果が出るまでの期間を短く見積もりすぎることです。

そもそもAXの効果が業務に定着するまでには、最低でも半年から1年を見ておく必要があります。これは外部の調査にもとづく数値ではなく、当社が目安としてお伝えしている期間です。PoC自体は数週間で結果が出ても、担当者が新しい流れに慣れ、前後の工程まで組み替わるには時間がかかります。

また、当社では、生成AIの導入から6〜12ヶ月の時期を、利用率が頭打ちになり、入れたのに変わらないと感じやすい停滞・形骸化の段階と考えています(詳細はこちら)。これは調査データではなく、当社代表がCTOとして導入する側に立った経験と、その後の支援経験から整理した枠組みです。この時期に効果を示す数字がないと、費用だけが目に入り、取り組みが打ち切られかねません。導入の初期から削減時間を記録し、個人の利用を業務の組み替えへつなげておくことが、ROIを正しく評価する前提になります。

「生成AIのROI試算ガイド」を配布中!
▶︎資料(無料)を見てみる

AX推進の課題・デメリットと注意点

AX推進の5つの課題と注意点。情報漏えいやハルシネーション、著作権や知的財産権の侵害、専門人材の不足、論理的思考力や専門スキルの低下、データの集約や品質担保の負担

AXには大きな可能性がある一方で、導入前に理解しておくべきリスクや課題もあります。ここでは、安全に成果へつなげるために押さえておきたいAXの課題やデメリットを5つ紹介します。

情報漏えいやハルシネーションのリスク

1つ目の課題は、情報漏えいとハルシネーションのリスクです。

生成AIに社外秘の情報や個人情報を入力すると、そのデータがAIの再学習に使われ、まったく別の他社への回答として出力されてしまうリスクがあります。

また、AIは事実と異なる誤情報を、もっともらしく自然に出力することがある点にも注意が必要です。これをハルシネーションと呼び、特に最新の情報やニッチな分野で起こりがちです。

AIに任せきりにすると、間違った内容のメールを顧客へ自動送信してしまったり、不正確なデータをもとに経営判断を下してしまったりと、致命的なトラブルにつながりかねません。ハルシネーションが起きる原因と減らすための対策は、AIハルシネーションの記事で解説しています。

著作権や知的財産権を侵害する可能性

2つ目は、著作権や知的財産権を侵害する可能性です。

AIが裏側で学習している他者の著作物(画像や文章、プログラムコードなど)に酷似した成果物が、そのまま出力されることがあります。これに気づかず自社のビジネスで使ってしまうと、著作権侵害や知的財産権のトラブルに発展しかねません。

こうしたリスクを避けるには、利用するAIモデルの規約や、著作権法、とりわけAIが生成したデータの商用利用に関するルールを常に把握しておく必要があります。そのうえで、社内のガイドラインを厳格に整備することが欠かせません。

専門人材の不足

3つ目は、専門人材の不足です。

AXの人材を考えるうえで重要なのは、AIを使える人と、AIで変革できる人には大きな差があるという点です。単にAIチャットへ指示を出せる人ではなく、自社のビジネスモデルにどうAIを組み込むかという戦略を描ける人材が必要になります。

こうしたAXアーキテクトやデータサイエンティストと呼ばれる人材は、市場で圧倒的に不足しています。だからといって外部のコンサルタントに頼りきると、AIのカスタマイズやトラブル対応を自社で行えなくなり、結果として、コストが高騰し続ける悪循環、いわゆるベンダーロックインに陥りやすくなります。

論理的思考力や専門スキルの低下

4つ目は、論理的思考力や専門スキルの低下です。

AIが数秒で高品質な企画書やコードを出してくれるため、若手社員や現場メンバーが、自分で悩み論理的に考えるプロセスをスキップしてしまいがちです。その積み重ねで、本質的なビジネススキルや専門性が育たなくなる恐れがあります。

さらに、AIが出した答えの理由を人間が理解しないまま受け入れていると、いざトラブルが起きたときに、どこが間違っていたのかを検証し、修正することもできません。

データの集約や品質担保に労力やコストがかかる

5つ目は、データの集約や品質担保に労力やコストがかかることです。

AIにどれほど高度な判断をさせようとしても、社内のデータがバラバラのままでは、AIは正しい答えを出せません。

そのため、AXを成功させる前段階として、データのクレンジング、つまり整理と統合に莫大な時間と人手、システム投資が必要になります。そして、この地道な工程で挫折してしまう企業が非常に多いのが実情です。

AXが進む会社と止まる会社の分かれ目

同じようにAIを導入しても、AXが前に進む会社と途中で止まる会社があります。当社の見立てと支援の経験から、その分かれ目を表で整理したうえで、3つ紹介します。

分かれ目AXが進む会社AXが止まる会社
決める人責任者が仮の答えを決めて動かし、使いながら手直しする決断を先送りにし、AIへの予算や検証の時間を出さない
現場の巻き込み方旗を振る担当者を立て、現場が最も面倒に感じる定型作業から始める全社への号令でアカウントを配る、花形の業務から変えようとする
PoCの設計成果指標・現場の責任者・対象業務・運用の担い手・AI化後の人の仕事を始める前に決める成果の定義があいまいなまま、運用やAI化後の人の仕事を後回しにする

自分で決められる責任者の有無

1つ目の分かれ目は、代表や事業責任者が自分で決めて動けるかどうかです。

というのも、AIを前提に業務を組み替える取り組みには、前例や正解の手順がほとんどありません。どの部署に意見を求めても確かな答えは返ってこず、決断を先送りにするほど検討の期間だけが延びていきます。当社が支援してきた会社を見ても、責任者が仮の答えを決めて新しい業務の流れを動かし、使いながら手直ししていく会社ほど、AXが早く形になっています。また、他社の事例を丸ごと持ち込むのではなく、自社の業務に合う部分を選んで取り入れられることも、進む会社に共通する特徴です。

反対に、AIへの投資に後ろ向きな会社では、AXは途中で止まりやすくなります。対象にすべき業務が見えていても、ツールを契約する予算や検証にあてる人の時間が出なければ、計画は資料の上にとどまり、現場の仕事は何も変わりません。

現場の抵抗を乗り越える進め方

2つ目の分かれ目は、現場の抵抗を、手順を踏んで乗り越えられるかどうかです。号令から入らず、着手前の準備、最初の対象の選び方、広げ方の順に組み立てます。

実際、当社代表がCTOを務めていた当時、全体会議で生成AIの活用を宣言し、全員分のアカウントを配ったことがあります。ところが2週間後には、ログインすらしない人が大半になりました(詳細はこちら)。全社への号令は、一人ひとりの業務とつながらず、使う理由を生みません。

そこでまず着手の前に、現場の中で旗を振る担当者を立て、AIに任せて減らしたい作業の候補を現場から出してもらいます。そのうえで最初の対象には、現場が最も面倒に感じている定型作業を選びます。経営の目に留まりやすい花形の業務から変えようとすると、現場に当事者意識が育たず止まりやすくなります。早く楽になった実感が生まれれば、次の業務へ広げる動きは現場の側から出てきます。

PoCを本番に乗せる設計の有無

3つ目の分かれ目は、PoCを本番の業務に乗せるところまで、始める前に設計しているかどうかです。

当社では、生成AIのPoCが本番に乗らない会社には、5つの共通構造があると考えています(詳細はこちら)。成果の定義がなんとなく良さそうという感覚で止まっていること、業務オーナーが不在でIT部門の実験になっていること、一発で完璧を狙って対象が大きすぎることが、まず挙げられます。さらに、運用設計が後回しになっていること、AI化した後の人の仕事を設計していないことの2つが加わります。

いずれも技術の問題ではなく、設計の抜けです。裏返せば、始める前に成果指標と導入前の数値を決め、その業務の現場責任者を当事者に据え、対象を1つの業務に絞ることが出発点です。そのうえで、出力の確認や更新の担い手を決め、AI化した後に人が何をするのかまで示しておけば、PoCは本番へつながりやすくなります。

AXを成功させるための5ステップ

AX導入ステップのフロー図

AXを成果に結びつけるには、思いつきでAIを導入するのではなく、順序立てて進めることが欠かせません。ここでは、AXを推進する5つのステップを紹介します。

ステップ1 現状を把握し目的を明確にする

最初のステップは、現状の業務を把握し、何のためにAXを進めるのかという目的を明確にすることです。

誰がどの作業にどれだけ時間をかけているのかを書き出し、業務の全体像を見える形に整理します。そのうえで、解決したい経営課題や業務課題を起点に、AIをどこに活かすのかを定めます。

ここで目的が曖昧なまま進めると、AIを使うこと自体がゴールになり、成果を測る基準も持てなくなります。AXの成否は、導入するツールではなく、この業務設計の段階でほぼ決まると言っても過言ではありません。

ステップ2 ガイドラインを策定しデータを整理する

次のステップは、AIを安全に使うためのガイドラインを定め、AIが参照するデータを整理することです。

入力してよい情報とそうでない情報の区分、利用してよいツールの範囲、生成物の取り扱いなどをルールとして明文化し、全社で共有します。これにより、情報漏えいや著作権侵害といったリスクを抑えながら、安心してAIを活用できる土台が整います。

あわせて、社内に散らばったデータを集め、形式をそろえて最新の状態に保てるようにします。AIの出力の精度は、参照するデータの質に大きく左右されます。

AI活用に踏み出す前に、ルールとデータという足場を固めておけるかどうかが、その後の展開を左右します。

ステップ3 小さく試して実験する(PoC)

3つ目のステップは、対象を絞って小さく試すことです。これをPoC(Proof of Concept=概念実証)と呼びます。

いきなり全社へ展開するのではなく、効果を測りやすく負担の大きい業務を1つ選び、限られた範囲でAIを実際に使ってみます。例えば、問い合わせメールの返信や日報の要約、提案資料の作成といった、日常的で取り組みやすい業務がPoCに向いています。

短い期間で試して結果を確かめ、現場で無理なく運用できるか、期待した効果が出るかを検証します。小さく始めれば、うまくいかなくてもやり直しがきき、投資のリスクを抑えながら学びを積み重ねられます。

ここで得た手応えや課題は、本格展開に向けた判断材料となり、現場の納得感を得ながら取り組みを広げる土台にもなります。

そして、こうした小さな成功体験を現場が積むことは、検証以上の意味を持ちます。AIで仕事が楽になったという手応えが社内に広がると、メンバーのモチベーションが高まり、AX全体の推進も一気に早まります。完璧な仕組みを最初から目指すより、小さな成功を積み重ねて勢いをつける姿勢が大切です。

ステップ4 効果測定と全社への横展開

4つ目のステップは、効果を測定し、成功した取り組みを全社へ広げることです。

PoCで得られた成果を、削減できた作業時間や処理した件数、対応の品質といった指標で具体的に測ります。

ここで成果指標を、売上の何パーセント向上といった大きな数字に置くと、AIの貢献を切り分けにくく、評価に失敗しがちです。まずは従来の業務時間と比べてどれだけ時間を削減できたかを基準にすると、効果を客観的に把握できます。

確かな効果が確認できたら、同じ仕組みを他の部署や業務へ広げていく段階です。一部の成功を組織全体の成果へ広げるこの段階で、AXは点の取り組みから面の変革へと育ちます。

ステップ5 推進チームの立ち上げと組織への定着および教育

5つ目のステップは、AXを継続的に進める推進チームを立ち上げ、組織に定着させることです。

AXは一度仕組みを作れば終わりではなく、運用しながら業務とAIの役割分担を見直し、改善を重ねていく取り組みです。

そのため、部署をまたいで旗を振る推進チームを置き、現場の声を集めながら改善を続ける体制が欠かせません。あわせて、全社員がAIを正しく理解し使いこなせるよう、教育やルールの周知も継続して行います。

専門人材が足りない場合は、外部の専門家に伴走してもらいながら、社内に知見を残していく方法も有効です。技術の導入で終わらせず、人と組織に根づかせてはじめて、AXは成果を生み続けます。

AX推進におけるよくある失敗と対策

AX推進でよくある6つの失敗と対策。手段の目的化を避ける、現場の人間を置き去りにしない、データの質を軽視しない、法規制や規約の変化を追い続ける、AIに完璧を求めない、最終確認は人間のルールを徹底する

AXは正しく進めれば大きな成果を生みますが、進め方を誤ると投資が無駄に終わってしまいます。ここでは、多くの企業が陥りやすいAX推進の失敗と、その対策を6つ紹介します。

手段の目的化を避ける

1つ目の対策は、手段の目的化を避けることです。

話題のAIツールを導入すること自体が目的になり、どの業務をどう変え、何を成果とするのかが定まらないまま進めてしまうのが、最も多い失敗のパターンです。目的が曖昧なままでは効果を測れず、現場には使うこと自体が新たな負担として残ります。

これを避けるには、解決したい課題を起点に、その達成のためにAIをどう使うのかを必ず先に考えることです。つまり、AIはあくまで目的を実現するための手段にすぎません。

ツールから入るのではなく、業務をどう変えたいのかを先に描くことが重要です。

現場の人間を置き去りにしない

2つ目の対策は、現場の人間を置き去りにしないことです。

経営層が壮大なAX計画を掲げても、実際に業務を担う現場が必要性を理解し納得していなければ、仕組みは使われずに形だけのものになります。大きな計画ほど現場には自分ごととして伝わりにくく、抵抗感も生まれがちです。

これを防ぐには、現場が日々感じている困りごとから出発し、小さな成功体験を一緒に積み上げていくことが有効です。実際に業務が楽になったという実感が、AXを前に進める何よりの推進力になります。

トップダウンの号令だけでなく、現場の声を吸い上げながら進める姿勢が、定着できるかどうかを分けます。

データの「質」を軽視しない

3つ目の対策は、データの質を軽視しないことです。

AIは参照するデータをもとに出力するため、そのデータが古かったり、誤りや重複を含んでいたりすると、出力の質も同じように下がってしまいます。どれほど高性能なAIを使っても、土台となるデータが整っていなければ、期待した成果は得られません。

これを避けるには、AIに使わせるデータを定期的に見直し、最新で正確な状態に保つ仕組みを設けることです。

そのためには、データのクレンジング、つまり整理や表記の統一に、時間とコストを惜しまず割く必要があります。さらに、良質なデータを継続して集め続けられる環境を整えることも欠かせません。AIの精度を上げる近道は、より高度なツールを探すことではなく、与えるデータをきれいに整え、保ち続けることにあります。

法規制や規約の変化を追い続ける

4つ目の対策は、法規制やサービス規約の変化を追い続けることです。

AIをめぐる法律やガイドライン、各サービスの利用規約は、技術の進化に合わせて頻繁に見直されています。導入した時点では問題のなかった使い方が、規約の変更によって認められなくなることもあります。

とりわけ著作権や個人情報の扱いは、社会的な関心が高く、ルールが更新されやすい領域です。これに対応するには、最新の動向を定期的に確認する担当や仕組みを設け、自社の利用方法を必要に応じて見直すことが欠かせません。

AIに「完璧」を求めない

5つ目の対策は、AIに完璧を求めないことです。

生成AIは万能ではなく、事実と異なる内容を出力したり、文脈を取り違えたりすることがあります。最初から人手を一切かけずに完全な精度で動くことを期待すると、わずかな誤りで使えないと判断し、せっかくの取り組みが止まってしまいます。

大切なのは、AIを誤りも含めて補助してくれる存在と捉え、人が確認・修正する前提で運用することです。一度で完璧を目指すのではなく、使いながら精度を高め、苦手な部分は人が補うという考え方が現実的です。

「最終確認は人間」のルールを徹底する

6つ目の対策は、最終確認は人間が行うというルールを徹底することです。

AIに作業を任せるほど効率は上がりますが、その出力をそのまま使えば、誤りやリスクも一緒に通してしまいます。とりわけ顧客への発信や、金額・契約に関わる判断など、誤りが許されない場面では、人が必ず確認し承認する仕組みが必要です。

ここで指針になるのが、作業はAIに任せ、判断は人間が担うという役割分担です。どこまでをAIに任せ、どこから人が責任を持つのかを業務ごとに線引きしておけば、効率と安全性を両立できます。

AXを実現するツールやAIエージェント

AXを実現するには、自社の業務に合ったツールを選ぶことが欠かせません。ここでは、AIツールの選び方の考え方と、AX推進に役立つ代表的なAIツール・AIエージェントを紹介します。

業務に合わせたAIツールの選び方

AIツールを選ぶ際にまず押さえたいのは、知名度や機能の多さではなく、自社のどの業務に使うのかという視点です。

文章作成や情報整理が中心なら対話型の生成AIが、複数の手順をまたぐ作業を任せたいならAIエージェントが向いています。社内の文書やデータと連携させたい場合は、既存の業務システムと組み合わせやすいかどうかも重要な判断材料です。

あわせて、入力した情報が学習に使われないかといったセキュリティ面や、料金体系が自社の利用規模に合うかも確認します。

重要なのは、汎用的なツールをそのまま使うのではなく、自社の業務に合わせて設定やルールを育てていく前提で選ぶことです。最初から完璧な1つを探すより、小さく試しながら自社に合うものを見極めるほうが、結果的に失敗の少ない選び方につながります。

AXにおすすめのAIエージェント5選

ここからは、AX推進の現場でよく使われている代表的なAIツールやAIエージェントを5つ紹介します。

ツール得意なこと特徴向いている企業
Microsoft Copilot文書作成・要約、議事録Word・Excelなどに統合Microsoft 365を使う企業
Google Geminiメールや資料の下書き・要約Gmailなどと連携Gmailやドキュメントを使う企業
OpenAI ChatGPT文章作成、アイデア出し、コード生成無料から試せるまず生成AIを試したい企業
Dify問い合わせAIや業務自動化の構築画面操作で組み立てAIを内製したい企業
Anthropic Claude長い資料の要約・分析、文書作成安全性を重視長い資料や機密情報を扱う企業

Microsoft Copilot(旧称 Microsoft 365 Copilot)は、WordやExcel、PowerPoint、Outlook、Teamsといった日常的に使うオフィスソフトにAIを組み込んだサービスです。普段の業務画面のなかで、文書の作成や要約、表計算の分析、メールの下書き、会議の議事録作成などをAIに任せられます。すでにMicrosoft 365を導入している企業であれば、使い慣れた環境のまま導入できる点が強みです。バックオフィス業務を中心に、日々の作業をまとめて効率化したい企業に向いています。

Google Geminiは、Googleが提供する生成AIで、文章だけでなく画像なども扱えます。GmailやGoogleドキュメント、スプレッドシートといったGoogle Workspaceと連携し、メールの作成や資料のたたき台づくりを支援します。Google Workspaceを業務基盤にしている企業であれば、既存の環境に無理なく組み込めます。

OpenAI ChatGPTは、OpenAIが提供する対話型の生成AIで、AX推進の入り口として使われることの多いツールです。文章の作成や要約、アイデア出し、プログラムのコード生成まで幅広く対応し、無料でも試せる手軽さから個人利用が一気に広がりました。企業向けのBusinessやEnterpriseのプランでは、入力した内容が既定でモデルの学習に使われないため、社内のデータを扱う業務でも活用しやすくなっています。まず手元で生成AIの実力を確かめたい段階から本格的な業務利用まで、段階的に使える汎用性の高さが魅力です。

**Dify(ディファイ)**は、画面上の操作を中心に、AIを使った業務アプリやAIエージェントを構築できるツールです。社内の文書を読み込ませて専用の問い合わせ対応AIを作ったり、複数の手順を組み合わせた処理を自動で実行させたりと、自社の業務に合わせたAIの仕組みを画面の操作で組み立てられます。汎用ツールをそのまま使うのではなく、自社業務に特化したAIを育てたい企業に向いています。OpenAIやGeminiなどのモデルを部品として組み込める柔軟さもあり、内製でAXの基盤を作りたい場合の有力な選択肢です。

Anthropic Claudeは、Anthropicが提供する生成AIで、長い資料の読み込みや要約・分析、文書の作成に使われています。Anthropicは安全性を重視した開発方針を掲げており、法人向けのプランでは入力した内容を既定でモデルの学習に使いません。コードの生成にも使え、Claude Codeのように複数の作業を自律的に進めるエージェント機能も提供されています。長い資料を扱う業務や、機密性の高い情報の扱いを重視する企業に向いた選択肢です。

中小企業がAXを始めるには

ここまで見てきたように、AX(AIトランスフォーメーション)は、AIを導入することそのものではなく、AIを前提に業務を設計し直し、運用しながら改善を重ねていく継続的な取り組みです。DXとの違いやメリット、課題、進め方を理解したうえで、自社の業務のどこから変えるかを描くことが出発点になります。

とりわけ中小企業について、当社では、大企業の導入手順を小さくコピーしても失敗しやすく、進める単位と順番が違うと考えています(詳細はこちら)。全社から部署へ広げるのではなく、1つの業務を工程に分け、AIと人の分担を決めて小さく試し、KPI(重要業績評価指標)で効果を確かめてから、ほかの業務へ広げていきます。

実際、総務省の令和8年版 情報通信白書によると、生成AIを活用する方針の中小企業は58.1%で、大企業の74.0%を下回ります。方針づくりを待つより、1つの業務で成果を出すほうが前に進みやすいはずです。

とはいえ、日々の業務を抱えながら、現状の可視化から目的の設計、PoC、データ整備までを自社だけで進めるのは簡単ではありません。専門人材が限られがちな中小企業であればなおさらです。

Opsfieldは、中小企業のAXを業務設計の段階から伴走し、課題の整理から実行、定着までを一貫して支援します。何から始めればよいか迷ったときは、ぜひ一度Opsfieldにご相談ください。当社の支援の進め方は、導入事例でも紹介しています。

無料お役立ち資料

AX 12ヶ月ロードマップの描き方

AX 12ヶ月ロードマップの描き方 資料の表紙

ツールから入らず業務から、AXの12ヶ月計画を4ステップと3ステージで描くための資料です。

フォームに入力いただくと、ご記入のメールアドレス宛に資料をお送りします。

← ブログ一覧に戻る