AIの生産性の最小単位は「人」ではなく「プロセス」──Bret Taylor対談から読む、AI導入がうまくいかない本当の理由

この記事の要点

• 企業がAIで生産性を上げられないのは、モデルの性能ではなく「組織図をそのまま出荷している」構造に原因がある

• 部門単位ではなくエンドツーエンドの業務プロセス単位で領域を絞ると、「研究テーマ」だった自動化が「実装可能な工学」に変わる

• AI導入は競争優位ではなく「やらないと脱落する」たぐいの投資。ROIをコスト削減だけで測ると判断を誤る

全社員にCopilotのライセンスを配り、「わが社もAI活用を始めました」と宣言する。それなのに、決算の数字にも現場の残業時間にも、目に見える変化が現れない──。AI導入のご相談で、ここ1年もっとも多く耳にするパターンです。

なぜそうなるのか。Stripe共同創業者John Collison氏のポッドキャスト「Cheeky Pint」(2026年3月公開回)で、Bret Taylor氏がこの問いに明快な仮説を示していました。

Taylor氏の経歴は少し異様です。Google Mapsの開発者の一人であり、「いいね!」ボタンの発明者の一人であり、Salesforceの共同CEOを務め、Twitter取締役会議長としてMuskによる買収を経験し、現在はOpenAI取締役会議長。そして本業は、カスタマーエクスペリエンス向けAIエージェント企業Sierraの共同創業者兼CEOです。Sierraは創業から7四半期でARR1億ドルに到達し、対談時点では約1.65億ドル。Cigna、SoFi、SiriusXM、Rocket Mortgageといった大企業へのAIエージェント実装を、おそらく世界でもっとも多く見てきた人物の一人です。

その彼の主張を一言に凝縮すると、こうなります。

AIの生産性の最小単位は、「人」ではなく「プロセス」である。

企業は「組織図をそのまま出荷している」

ソフトウェア業界には古くから「システムの構造は、それを作った組織の構造に似る」というコンウェイの法則があります。Taylor氏はこれをAI導入に敷衍して、大企業がAIの恩恵を受けられない理由を「企業は組織図を出荷しているからだ」と表現します。

彼が挙げるのは、新規サプライヤーのオンボーディングという、どの会社にもあるありふれた業務の例です。

契約書のレビューは法務部。取引条件の交渉は調達・財務。基幹システムへの登録は情報システム部門。そもそもの発注元は事業部門。仮にこの一連の流れに中央値で17日かかっているとしましょう(この数字はTaylor氏が説明用に置いた仮定です)。経営者が「AIで17時間に短縮せよ」と号令をかけたとして、技術的には、担当者を置いて各工程を丁寧に最適化すれば十分達成できる、というのが彼の見立てです。

しかし現実には進まない。理由は単純で、「17日」という数字に責任を持つ人がどこにもいないからです。法務は契約に、調達は交渉に責任を持っています。しかし部門をまたぐプロセス全体のオーナーは、ほとんどの組織に存在しません。

だから「部門ごとにAIツールを配る」型の導入は、各部門のサイロ内での局所最適に留まります。本来AIが効くのは、部門間の受け渡しで発生している待ち時間・転記・差し戻しの圧縮です。ところが組織図起点の導入では、いちばん美味しいその部分に誰も手を付けられない構造になっている。ツールの問題ではなく、責任設計の問題です。

領域を狭めると、「科学」が「工学」になる

もう一つ、技術面で重要な指摘があります。「法務部門を効率化する」という部門起点の問いの立て方は、実は問題を不必要に難しくしている、という点です。

あらゆる契約類型・あらゆる交渉パターンに対応する汎用の契約レビューAIを作るのは、Taylor氏の言葉を借りれば「科学の問題」です。まだ研究テーマの域を出ません。

一方、「サプライヤー向け契約の締結」に領域を絞ればどうでしょうか。多くの会社では、サプライヤー契約は標準条項がほぼ固定で、交渉可能な軸も限られています。「支出額が一定以下なら標準契約のみ。交渉が必要な1割だけ従来どおり法務に回す」と業務を設計し直せば、残り9割は既存技術で完全自動化できる「工学の問題」に変わります。

エンドツーエンドのプロセスというレンズで見て領域を絞ることで、科学を工学に変換できる。プロセス起点アプローチには、組織論だけでなく、こうした技術的な合理性があります。

システムを統合する前に、AIに「考えさせる」

対談の中で、個人的にいちばん示唆的だったエピソードがあります。

Sierraのある顧客企業は、3社を買収した結果、ID管理もCRMも「3系統ずつ」抱えていました。そこで数年がかりの大規模システム統合プロジェクトを計画していた。それに対するTaylor氏の提案は、「統合せず、AIエージェントに3系統すべてを見せて、考えさせればいい」というものでした。

「データが重複していたら? 矛盾していたら?」という顧客の懸念への返しが秀逸です。人間の担当者ならどうするか。目の前の情報を見比べて、考えて、判断する。同じことをさせればいい──。

従来のシステム開発では、データがきれいに正規化されていることが自動化の前提でした。だからこそ「AI活用の前に、まずデータ基盤整備を数年がかりで」という定石が生まれた。しかしLLMベースのエージェントは、重複や表記ゆれ、多少の矛盾を推論で吸収できます。この定石が常に正しいとは限らなくなった。投資の順序が変わりうるという点で、これは経営判断に直結する変化です。

導入しても差はつかない。導入しないと脱落する

Taylor氏はAI導入を「競争優位」ではなく「imperative(やらねばならないこと)」と位置づけます。引き合いに出すのはATMの歴史です。ATMは窓口業務を自動化しましたが、銀行の支店は減りませんでした。ある銀行が空いた支店に収益を生む人員を配置するというアイデアを実行し、支店の役割そのものが変わったからです。単純な人員削減ではなく、まったく別の何かが起きた。

1994年に「Webサイトを作れば銀行は競争優位を得られる」と言ったなら、それは過大でした。しかし「作らなければ脱落する」は正しかった。AIも同じで、競合他社も同じ技術にアクセスできる以上、削減したコストをそのまま利益として抱え込めるのは独占企業だけです。普通の会社は、価格に反映するか、顧客体験に再投資するかの競争に入っていく。

ここから導かれる実務的な示唆は、AI導入のROIをコスト削減だけで測ると投資判断を誤る、ということです。実際、Sierraの顧客のある小売企業では、問い合わせ対応をAIエージェント化した結果、コストはほぼ横ばいのまま、顧客との対話量が2〜3倍に増えました。かつてのチャットボットが不快で誰も使わなかったのに対し、快適になった途端、顧客が話しかけてくるようになった。同社のCEOはこれを「ようやく顧客の声を聞けるようになった」と歓迎したそうです。コスト削減の物差しだけでは、この成果はゼロ点になってしまいます。

明日から何をするか──3つのステップ

Taylor氏の議論を、私たちなりに実務へ翻訳すると次の3ステップになります。

1. プロセスの棚卸し。 部門ではなく、「受注から請求まで」「採用決定から入社初日まで」のようなエンドツーエンドの単位で業務を書き出します。デジタル上で完結する工程の比率が高いプロセスほど、AI適性は高くなります。

2. プロセスオーナーとKPIの設置。 「リードタイム17日を17時間に」のような測定可能な目標を持つ責任者を、部門横断で任命します。既存の組織図のどの箱にも収まらない役割なので、意図して作らない限り自然発生しません。

3. 領域を絞って、完全自動化を狙う。 「8割の定型ケースは全自動、2割の例外だけ人が判断」という切り分けを最初に設計します。全部門への汎用ツール一斉配布より、狭い領域のエージェントを1本立てるほうが、早く、確実に、測定可能な成果が出ます。

最後に一つ。Taylor氏は対談の中で、仮にAIモデルの進化が今日止まったとしても、既存技術だけで未実現の経済価値が数兆ドル規模で残っている、という趣旨の発言をしています。成果が出ない原因は、モデルの性能ではなく実装の設計にある。「プロセス」というレンズを持てるかどうかが、その分水嶺です。

出典: Cheeky Pint "Bret Taylor of Sierra on AI agents, outcome-based pricing, and the OpenAI board"(2026年3月10日公開)