世界中のAI論文100本を"超わかりやすく"まとめてみた──使える会社と使えない会社の差
3行でわかる、この記事の結論
① 生成AIプロジェクトの95%はPoC（お試し）から先に進めていない
② でも「AIが下書き、人間が判断」の設計にした企業は、ちゃんと成果を出している
③ その差は「技術力」ではなく「業務設計力」だった──世界中の論文がそう言っている
なぜ、論文を100本読んだのか
今やnoteにもXにも、生成AIの記事は溢れている。
「ChatGPTを使ってみた」
「Claude Codeがすごい」
「プロンプトのコツ10選」
全部、個人の体験談。
もちろん、体験には価値がある。 私自身、このシリーズで「やってみた」を書いてきた。
でも、自身の学習方法を模索する中で、ふと気づいた。
世界中の研究者が、何千人もかけて検証したデータを、わかりやすく紹介してくれている記事がほとんどない。
ハーバード、MIT、スタンフォード、Google、OpenAI、Anthropic。 2024年から2026年にかけて、生成AIに関する研究論文が爆発的に増えている。
しかし、研究論文は決して頭脳明晰でない私には難しい。
試しに1本開いてみると、こんな文章が出てくる。
「企業における生成AIの導入と価値実現の間のデプロイメント・トゥ・バリュー・ギャップは依然として顕著であり、パイロットプロジェクトの約95%が概念実証から測定可能な投資収益率への移行に失敗している。主因として、不十分なデータインフラストラクチャ、非整合な評価メトリクス、および組織変革マネジメントの欠如が挙げられる。」
……正直、読む気が失せる。
（この一文だけならまだしも、このトーンで日本語翻訳の論文で1万字～2万字以上続く…）
でも、ここに書いてあることは、ものすごく大事なことだ。
だから、AIの力を借りて読んだ。例えば以下。
Perplexityに「出典付きで論文を10本出して」と頼む。 Perplexityは学術論文の検索精度が高く、URLも一緒に返してくれる。
Geminiの「Deep Research」モードで全体俯瞰を取る。 2024年から2026年の技術進化マップが一発で出てくる。
Grokに「Xで今バズっている論文は？」と聞く。 研究者コミュニティで話題になっている最新論文が、いいね数付きで返ってくる。
ChatGPTに論文PDFを渡して「非エンジニア向けに要約して」と頼む。 専門用語が日本語に噛み砕かれて返ってくる。
Claudeに全部の結果を渡して「記事にするならどれを使うべきか」を聞く。
5つのAIを、それぞれの得意分野で使い分けた。 8テーマ、約100本。全部で3〜4時間。
「自分で全部やる」のではなく、「AIに任せる部分」と「自分で判断する部分」を切り分ける。
これ自体が、2026年の「AIとの仕事の仕方」。 そして、この記事の結論そのものでもある。
100本の論文から見えたことを、誰にでもわかりやすく3回に分けて執筆予定。
第1回のテーマは、
「AIが使える会社と、使えない会社の差」
95%が失敗している──論文が突きつける現実
冒頭で引用した、あの難しい文章。 噛み砕くとこういうこと。
「AIを試した会社の95%が、"お試し"の先に進めていない。」
理由は3つ。
データがぐちゃぐちゃ（不十分なデータインフラストラクチャ）。
成果の測り方が決まっていない（非整合な評価メトリクス）。
現場の仕事の仕方が変わっていない（組織変革マネジメントの欠如）。
論文の専門用語を剥がすと、中身は至ってシンプル。
「AIの前に、人間側の問題がある」ということ。
日本ではどうか。
大和総研が2026年1月に出した最新レポートのタイトルがすべてを物語る。
「AIエージェント"着手"元年を振り返る」
「元年」ではなく「着手元年」。
レポートにはこう書いてある。
「2025年は多くの企業がAIエージェントの導入検討およびPoC（概念実証）を実施したものの、実務における定常的な成功に至った企業は極めて限定的であった。生成AIに対する過剰な期待が先行し、複合タスクにおける精度の脆弱性──5〜6ステップの連続実行においてエラーが連鎖し、最終正解率が5〜6割程度まで低下する事象──が広く認識されるに至った。」
噛み砕くと──
「2025年、日本企業はAIエージェントを"試す"ところまでは行った。でも、実務で"使い続ける"ところまで行けた企業はほぼいない。単純な質問には答えられるAIでも、5〜6個の作業を連続でやらせると、途中で間違えて全部ダメになることが多い。」
これ、すごく重要な数字。
1つ1つの作業の正解率が90%だとしても、6つ連続でやると 0.9の6乗＝約53%。 つまり、半分近くは失敗する。
「1個はできる」と「6個連続でできる」は全く別の話。
この傾向は日本だけではない。
マッキンゼーの2024年グローバル調査「The State of AI」（1,300社以上が対象）も同じ方向を指している。以下抜粋。
「回答企業の約44%が、生成AIの利用に関連してインアキュラシーを含む少なくとも1つのネガティブな結果を経験していると報告している。最も頻出する問題はハルシネーションであり、次いでサイバーセキュリティ上の脆弱性、説明可能性の欠如が続く。」
──「インアキュラシー」。
──「ハルシネーション」。
──「説明可能性の欠如」。
噛み砕くと──
「世界1,300社以上に聞いたら、半分近くが"AIにやらかされた"と答えた。一番多いのは、AIが嘘をつくこと。」
2026年1月の日本のレポートと、2024年のグローバル調査。 時期も地域も違うのに、指摘している問題が同じ。
この問題は「一時的な技術の未熟さ」ではなく、構造的な課題だということ。
具体的な失敗事例も出ている。
ある大手小売企業。LP（ランディングページ）制作にAIを導入した。 文章を自動生成させたところ、不正確な情報や不適切な表現が多発。 担当者によるファクトチェックと修正作業が新たな負担になった。
結果──
AI導入前よりも全体工数が1.3倍に膨れ上がった。
AIを入れたら仕事が増えた。笑えない話だが、論文ではこれが「典型的失敗パターン」として分類されている。
ある中堅製造業。「全社一括AI化」を計画。 全部署でインタビューと要件定義を始めたが、スタッフが疲弊。 PoCにすら到達せずにプロジェクトが頓挫した。
「やりすぎ」も「やらなすぎ」も失敗する。
じゃあ、成功している5%は何をしているのか
ここからが本題。
成功事例にも、研究論文がある。 そして、成功している企業には驚くほど共通点がある。
成功パターン①：「AIが下書き、人間が判断」
2025年、Atlassianの研究チームがソフトウェア開発にAIエージェントを組み込んだ実験の論文を発表した。
「HULAフレームワークにおける実証評価の結果、要件分析・設計・実装・コードレビュー・プルリクエスト作成の各フェーズにおいてAIエージェントが実装候補を自律的に生成し、各チェックポイントにおける承認権限および修正的介入を人間開発者に留保するヒューマン・イン・ザ・ループ・アーキテクチャが、完全自律型エージェントパイプラインと比較して、成果物品質および開発者受容性メトリクスの双方において有意に優れた結果を示した。」
──「ヒューマン・イン・ザ・ループ・アーキテクチャ」。
──「修正的介入を人間開発者に留保」。
──「開発者受容性メトリクス」。
噛み砕くと、こう。
「作業の各ステップで"AIが案を出す→人間がOKかNGか判断する"という設計にしたら、AIに全部任せるより、結果の質も現場の満足度も高かった。」
ポイントは**「全部任せない」**こと。
AIは案を出す。 人間は選ぶ、直す、OKを出す。
この「選ぶ・直す・OKを出す」の部分こそが、人間の仕事。
前回の記事で「一番難しかったのは基準値を決めること」と書いた。
その「基準値を決める力」が、論文で裏付けられた。
さらに別の研究。
「Collaborative Gym（Co-Gym）」というフレームワークで、人間とAIの協働を定量的に測った実験がある。
「旅行計画タスクにおいて、人間とエージェントが非ターン制の双方向コミュニケーションにより共同でタスクを実行する協働型システムが、完全自律型の単独エージェントシステムに対して一貫して優位な性能を示し、勝率86%を記録した。これは、人間が保有する潜在的選好（レイテント・プリファレンス）およびドメイン固有の専門知識が、多くの実務プロセスにおいて不可欠であることを示唆する。」
──「レイテント・プリファレンス（潜在的選好）」。
──「非ターン制の双方向コミュニケーション」。
噛み砕くと──
「旅行計画をAIだけに任せるより、人間とAIが一緒に作った方が、86%の確率で良い計画ができた。理由は、人間には"言葉にしていないけど実はこだわっているポイント"がたくさんあるから。」
「海が見えるホテルがいい」
「前回のあの店が良かった」
「子供がまだ小さいから移動は短めに」
こういう「言語化されていない判断基準」は、AIにはまだ適切に渡せるに至っていないと結論付けられている。
成功パターン②：日本でもう動いている企業がある
論文だけじゃない。日本企業の実例がある。
三菱UFJ銀行。
2024年10月、マルチAIエージェント構成のシステムを導入した。
「複数のAIエージェントが役割ごとに連携し、融資稟議書作成タスクを分担・同期的に処理する構成を採用。従来2時間を要していた稟議書作成プロセスが数分に短縮され、95%の時間削減を達成した。さらに、現役行員が作成した文書との比較評価において、AIエージェントが生成した稟議書の方が精度・内容の双方で優れているとの評価を獲得した。」
噛み砕くと──
「融資の稟議書──あの分厚い書類を、複数のAIが分業して作った。2時間かかっていたのが数分。しかも、ベテラン行員が作った書類より出来が良かった。」
95%の時間削減。 これは「お試し」じゃない。本番で動いている。
ポイントは「マルチAIエージェント構成」。 1体のAIに全部やらせるのではなく、複数のAIが役割分担して連携する設計。
前回の記事で書いた「健康診断の分業」──採血する人、検査する人、読み解く人、診断書を書く人──と同じ構造が、日本の銀行でもう実装されている。
日本たばこ産業（JT）。
2023年3月から生成AIの導入を検討開始。最初はたった3部門のパイロット。
「社内用語等の固有コンテキストへの理解や、複数の推論結果の組み合わせが必要な問いかけにおいて精度がばらつき、検索回答機能については部門の期待に沿った運用をするのは難しいという判断に至った。」
噛み砕くと──
「最初は失敗した。社内の専門用語をAIが理解できず、使い物にならなかった。」
ここが重要。JTはこの**「失敗」を資産として捉えた**。
何が使えて、何が使えないかが明確になった。 そこから、研究開発部門の社員が自発的に集まり、生成AIの活用アイデアを出し合って検証を繰り返した。
結果、3部門→30部門、600名にまで拡大。 IT部門主導ではなく、現場の非IT部門が主体的に活用を広げた。
三井不動産。
2025年10月からChatGPT Enterpriseを全社展開。約3ヶ月で500件のカスタムGPTが社内で運用されている。 全社85部門から150名の「AI推進リーダー」を選出。
ここでも共通しているのは、IT部門主導ではなく、現場主導。
成功パターン③：「人間がどこで介在するか」を事前に設計している
成功企業に共通するもう1つの特徴。
研究者たちは「AIの委任レベル」を6段階に分類している。
「レベル1：人間がすべてを実行し、AIはアイデア出し・検証役としてのみ機能する。レベル6：AIがすべてを自律的に実行し、人間は例外処理および監査のみを担う。タスクのリスク水準・頻度・規制レベルに応じて、プロセスごとに適切な委譲レベルを選択すべきである。」
噛み砕くと──
「AIに全部任せるか、一切任せないか、の二択ではない。仕事ごとに"どこまでAIに任せるか"のレベルを決める。リスクが高い仕事ほど人間が最終判断する。」
成功している企業は、業務プロセスごとに「今はどのレベルで運用しているか」「将来どのレベルまで自動化するか」のロードマップを作っている。
失敗する企業は、この境界が曖昧。 「とりあえずAIに入れてみよう」で始めて、問題が起きてから対処する。
欧州の金融・ヘルスケア業界を比較分析した論文でも、同じ結論が出ている。
「成功事例においては、"どのタイプの意思決定をAIに委譲可能か"を事前にポリシーとして策定し、例外処理およびエスカレーションパスを明文化していた。一方、失敗事例においては、この委譲境界が不明確であり、責任の所在が曖昧であった。」
噛み砕くと──
「うまくいった会社は、"AIに任せていいこと"と"人間が判断すべきこと"のルールを最初に決めていた。ダメだった会社は、そのルールがなかった。」
論文が示す「使える会社になるための3条件」
100本読んで、成功企業の共通点を3つに絞ると──
条件①：ビジネス部門主導で始めること。
IT部門が「この技術を入れたい」で始めるのではなく、現場が「この業務を楽にしたい」で始める。JT、三井不動産、どちらも現場主導。
条件②：小さく始めて、失敗を資産にすること。
JTは最初の3部門で失敗した。でもそれを「何が使えないかわかった」と捉えて30部門に拡大した。中堅製造業のように「全社一括」で始めるとスタッフが疲弊して頓挫する。
条件③：「人間がどこで判断するか」を事前に設計すること。
AIに任せる範囲と、人間が判断する範囲を、業務プロセスごとに明確にする。曖昧なまま始めると、責任の所在がわからなくなり、事故が起きてからの対処になる。
この3条件、技術力の話は1つも入っていない。
全部、「業務設計」と「組織マネジメント」の話。
これが、95%の失敗企業と5%の成功企業を分ける差。
世界中の論文が、同じ結論に達している。
次回予告
今回は「使える会社と使えない会社の差」を論文で読み解いた。
次回は、AIの"中身"に起きている革命の話。
💡 論文の探し方も知りたい方は、Perplexityに「〇〇に関する最新論文を出典付きで教えて」と聞くのが一番早い。
📱 Xでは日々のAI実務検証をリアルタイムで発信しています → @data_ai_labo
📖「世界一わかりやすく」シリーズ
第1回｜非エンジニアが一晩でAIエージェント4体動かした全記録──「健康診断」で完全理解
今回（論文編①）｜論文100本で判明した、AIが"使える会社"と"使えない会社"の決定的な差
次回（論文編②）｜AIの"脳"に起きている3つの革命（近日公開）
Profile
時価総額1兆円超企業のAI導入プロジェクトに、事業側POとして複数案件参画中。
「使ってみた」でなく、「業務で実装した」側の記録を公開。Xも公開中→https://x.com/data_ai_labo
フォローしてくださった方の記事は、時間の許す範囲で積極的に読ませていただきます
