Podcastを今すぐここで聞くラウンドナップWebコンサルティングの中山陽平です。今回は、AI導入の成功事例や調査が、自分たちの会社にとってどのくらい参考になるのかという話です。AIの導入が進んできたと言いますが、いろいろな調査を見ると、各社で温度差があります。導入していても文字起こしなどの細かい用途だったり、もっと全社的に使っていたり、様々です。そのとき、参考にするのが「AI導入で生産性が何パーセント上がった」といった調査やニュースだと思います。気になりますよね。それをそのまま自分たちにも適用できるのではないか。同じことをすれば、すぐにとは言わないまでも、同じような成果がスムーズに手に入るのではないか。そう感じるのも仕方ないと思います。ニュースやページ自体も、そういう構成になっていますからね。こういう話をすると、「成功事例は当てにならない」「情報の出どころや裏を読まなければいけない」という話だと思われるかもしれません。そうではなく、事例をスタート地点として、うちはどうしようかなと考えながら使っていく。そのあたりを、METRというアメリカの非営利研究機関のデータも交えながらお話しします。成功事例の「試行錯誤」を読み飛ばさない成功事例を疑えということではありません。ただ、事例の裏側はストレートには書かれていないんです。皆さんが事例を見るのは、できるだけ失敗したくないからですよね。この使い方にはAIが向いている、この使い方には向いていない。そもそも中小企業がAIを導入することは有益なのか。先に情報を集めて、失敗を避けたい。今の社会では、特にそう考えがちだと思います。私も全ての事例を見ているわけではありませんが、多くの場合、書かれていないところで思い通りにいかないことを乗り越え、最終的に成果が出ています。失敗していないわけではないんですね。ぐるぐる回りながら、結果的にうまくいったという形です。でも、表面上は「いろいろな試行錯誤を経て」「うまくいかなかったことへのフィードバックをもとに」と、さらっと書かれている。そのため、読む側はスルスルとうまくいったような印象を受けます。自分たちでやってみて、いきなり失敗すると、「うまくいかないじゃないか。これじゃない。別のことを参考にしよう」となってしまう。それが、とてももったいないと思っています。 AIを受け入れる素養や状況、業種業態など、現場には多様性があります。巷の情報がそのまま当てはまるわけではない、ということをお話ししたいんです。 AIの改善率を見るときは、調査の条件も確かめる METRが2025年前半に行った実験が、一部で話題になりました。経験豊富なオープンソースの開発者に参加してもらい、報酬を払って、普段の仕事を「AIを使ってはいけない」「AIを使ってもよい」という条件にランダムに割り当てた実験です。その結果、AIを使った方が平均で19%時間がかかった。業務を効率化できるという話だったのに、この条件ではトータルで遅くなっているじゃないか、と。「そもそもAIってどうなの」という話にもなりました。もちろん、業務の範囲など、どこまでを境界条件にするかはある程度恣意的になってしまうので、そのやり方が適切かという議論はありました。ただ、目の前の作業工数が10分の1になったとしても、付随する業務の負荷まで考えると、うまくいかないこともあるということです。 DeNAの南場さんのお話でも、確か、社員の仕事時間を短くするだけではなく、会社の生産性を上げるところを見ないといけない、という話がありました。ただ使って、普段やらなくてもよいことまでAIでやって、本来取り組みたかった新規事業に時間を振り分けることにつながらなかった。AIによる生産性向上だけをKPIにするのではなく、もともとの上流の目的を大事にする、という話にもつながります。そのMETRが2025年後半に同じような研究をすると、結果が変わっていました。前回はAIを使った方が時間がかかりましたが、今度は短縮していた。単純に考えると、対象が世界を代表しているかは別として、AIの使い方に習熟してきたのかなと思いますよね。ただMETRは、この結果を現在のAIによる生産性向上率として使うのはよくない、としている。そこが興味深いんです。これだけ調査をしても、実態をそれほど反映していない可能性がある、と結論づけているんですね。各社が出している「こうすればうまくいきます」というメソッドも、取り入れたからといって自分たちが同じ効果を得られるわけではない。この話にもつながります。なぜそういう結論になったのか。報酬を下げたなど、いろいろな要因はあるのですが、一つは、調査に参加してくる人が違うことです。人間が関わる調査は、参加するかしないかという段階で、すでにバイアスがかかっています。普段の仕事をAIなしでやってくださいと言われれば、10倍ぐらいの時間がかかることもあります。その負担に対して報酬が低ければ、普段からAIを使って生産性を上げている人が参加するかというと、乗ってこないでしょう。前回と比べて参加者の属性が変わっていると、METRは言っているわけです。また、普段のタスクをAIあり・なしに割り当てるので、「この仕事でAIなしに割り当てられるのは困る。報酬も低いし」という仕事は、実験に出さない人もいた。そうなると、実験全体の前提条件にかなりバイアスがかかります。これは調査の良し悪しの話ではありません。少数のサンプリングによって得られたAIの生産性や、どの業務に向いているかという結果を、あらゆる業務、会社規模、人に適用できるわけではない、と結論づけるのは誠実だと思います。調査を信頼するなということではなく、出発点として使うのはいい。ただ、それで失敗を避けられる、それに沿えば自分たちも同じようにできる、とは考えない方がいいんです。他社でうまくいった方法を、自社の現場に合わせる例えば、「AI導入によって30%効率化しました」とします。これはMETRの調査ではなく、仮の例です。「うちも30%とはいかなくても、15%や20%はいけるのでは」と思ってしまいます。でも、関わる人、権限、仕事の内容、意思決定の仕組み、トップの考え方が違う。タイミングや運も含めて、全然変わります。エッセンスとして取り入れられる要素は、取り入れていいんです。ただ、それを自社に根づかせる、受け入れてもらう部分は、現場ごとに判断するしかありません。同じ業種、同じぐらいの規模で、私がどちらの代表も知っていても、浸透度が全く違うことはよくあります。例えば、顧客管理をしてこなかった会社で、新しいツールには抵抗がある。でも皆さん、普段Gmailを使っている。それならGoogle Workspaceを導入し、Google Apps Scriptで簡易的な顧客管理の仕組みを作ってみましょうか、と提案する。3か月ぐらいで形になるパターンもあれば、作ったけれど全然使われないパターンもあります。その差は千差万別です。ここで「こうすればいい」という答えはありません。決まったメソッドを言う人がいても、そのまま素直に受け取っていいのか、考えたいところです。ゴールに向かって、自分たちの会社ではどうすればいいかを、その場その場で考える必要があります。ツール選びで立ち止まるより、使って知見をためるどのAIツールを使うかも議論になりますね。Gemini、OpenAI系のChatGPTやCodex、Claudeなどがあります。「どれを使えばいいですか」と聞かれますが、多分使ってみないと分かりません。Geminiがいい人もいますし、他のGoogle製品との連携や、クラウドへの接続が合う場合もあります。お客さんがGoogle Workspaceを使っていれば、Google Apps Scriptで組んだものをスケールさせるとき、クラウドにつないで使いましょうか、となるケースもあります。逆に、ChatGPTで使うプロンプトが社内にたまっていれば、別のベンダーを介したり、Cloudflareを使ったりすることもあります。本当にケースバイケースです。どれが一番コスパがいいかと考えて立ち止まっているなら、複数使ってみた方がいい。企業では基本的に有料版を使うべきだと思いますが、毎月1回でも2回でも、どれがよかったかを話す勉強会を開く方が、はるかにいいと思います。自社で使って、知見をためるものと考えたいんです。 AIの力を車のトルクや馬力と同じように考えると失敗します。私たちはAIの全力を引き出せるわけではありません。自分たちが、その中のパワーをどれだけ引き出せるかという観点で見ていただくといいと思います。本人の時短だけでなく、周囲の仕事も見るもう一つ、何分の仕事が何分になったかにこだわりすぎるパターンもあります。「毎月30時間かかっていた集計が、AIで30分になりました」といった話です。本人は満足しますが、その人の目の前の業務だけで、会社の仕事が完結するわけではありません。 AIを入れることで、再チェックの作業が増えることもあります。AIも間違えますからね。繰り返してテンプレート化すれば、ズレはゼロに近づいていきますが、その間、周りは作業が増えたと感じたり、ストレスを抱えたりするかもしれません。AIに慣れていない人からは、ずるをしているように見えることもある。一昔前のExcelへの反応みたいなものです。そういうことまで考えないと、社内でAIに対する分断が起きてしまうので、トータルで考えたいところです。「平均何パーセント改善」というのも、人によります。新人に効くもの、熟練者に効くもの、現場に効くものがある。一律に生産性の改善率を人事評価に反映させるところまで一気に進むと、失敗することがあります。他社のデータをそのまま自分たちに当てはめる。事前にインプットしすぎて、どのAIを選ぶかで足踏みする。目の前の作業にだけ注目する。できるだけ失敗を避けようと、情報を入れ続けるところから始めると、こういったことが起きるんです。基本は、走りながら考えることです。成功事例の裏でも、「これではよくなかった。じゃあ次はどうしよう」と繰り返しています。諦めずにPDCAサイクルを回した結果、最終的に事例に載るようなレベルになっていると考えていただくといいと思います。 AIで空いた50分を、何に使っているか先ほどのDeNAのお話にもつながりますが、時短して余った時間で何をするかも大切です。60分かかっていた分析のデータ集計が10分になったとき、残りの50分で何をしていますか。その人にしかできない価値のある活動をしていれば、それはいいわけです。でも、「50分空いたから、残りを深掘りに使おう」となりがちです。その深掘りが、人を動かす、成果を生むという意味では、そんなに効いてこないことがあります。私もやりがちなんです。サクッと集計できたら、もっと知りたかったことや、追いかけたかったデータを見られるじゃないかと、回帰分析を始めたりする。でも、やってみたらあまり関係なかった、現場を動かす材料にはならなかった、ということがあるんです。「AIでダッシュボードを作りました」と言って、アクセス解析を入れてみたら、初日に10人ぐらいが見て、それ以降は一度も見られていない。そういうこともありますよね。AIで空いた時間が、どれだけ有効に使われているかまで見たいんです。自社の知識を加えながら、AIを育てていく話を戻すと、会社の大きな意思決定にも、もっとAIを活用してほしいと思います。ただ、世の中で言われていることを正解として、そのまま自社に適用すると、事故になると思っています。セールスでも製造でも、現場に合わせて柔軟にフィットさせる作業が必要です。AIだけで完結する仕事はないなと感じます。AIには自社のコンテクストや、ウェットな部分が分かりません。データの多い領域は得意でも、中小企業それぞれの細かい情報は学習データに入っていない。自分たちに合わせてカスタマイズする仕事は、人間に大きく残っています。業界のデータを外部知識として接続したり、長く関わる会社が蓄えてきた知見を入れたり、自分たちでも情報を入れたりして、みんなで育てる。「AIプラス外部知識」のようなものを作っていくといいと思います。会社がAIを中心に動いていると言うなら、そこまでやっている状態だと思います。画面の中にバーチャルな会社のフロアを作って、誰かに仕事をさせている、というレベルの話ではないんですね。事例は出発点として考えてください。これは印象だけではなく、私も現場でAI導入をいろいろやってきて感じることです。Webコンサルティングといっても、マーケティングだけではなく、社内の情報をどうまとめるかという仕事の方が多い。その中で見ると、本当に全部違います。同じ業種で地域が違うだけでも、全然違うんです。何か合わない、フィットしないと思ったら、それが当たり前だと思ってください。どう現場に合わせるかが、これからのITやWeb活用の仕事です。失敗も糧と考えて、自分たちのチーム、仕事、環境、パートナーを含め、どう進めるかを考えることが、会社の大きな仕事になっています。使いやすいものを試し、必要なら外部の力を借りるツールも、最初からどれが一番かを考えすぎなくていいです。有料版を使う前提で、使いやすいものを試してみてください。とっつきやすいところではChatGPTやCodex、Google系ならGemini。Claude Codeも、使ってみて使いやすければ使えばいいと思います。どれかが致命的に使いづらいわけではありません。強いて言えば、私は現時点ではローカルLLMには期待しない方がいいと思っています。高いパソコンを使っても、各社がサービスとして提供しているものとは性能が違うので、企業ではそちらを使う方がいい、というのが私の考えです。会社ごとのことを考えて提案してくれる導入ベンダーを選ぶのもありです。業務知識がないところでAIを導入するのは難しいですし、外部の人材を雇うのも大変です。うちのような外部の人間を入れる方法もあるので、よろしければお声がけください。半年や1年ぐらいかけ、自分たちで判断し、PDCAを回しながらAIと仕事を効率化するイメージがいいのではないかと思います。 AI活用に悩むのは当然です。自社ではどう活用できるのか、結果を出すにはどうしたらいいか、何から手をつければいいか。Webマーケティングと合わせて進めるのが効率的なので、お気軽にご相談ください。うちもいろいろなお客さんをお手伝いしていますが、現場ごとに違うのが面白いなと思います。納品したWebサイトを、自分たちでAIと一緒に改善して、「よくなった」「悪くなった」と伝えてくださる会社もあります。そういう運用を前提にサイトを作るプランも、もっとやっていきたいですね。自分の商売のことは、自分でやれるのが一番です。外部に頼る必要はありません。難しければサポートして、最終的に自走、自立していただく。あるいは、自立を前提に、伸びる速度を上げるところに私たちが入る。その方が、かけているお金に対してもいいと思います。そんなお付き合いをさせてもらっています。まとめ：成功事例は、自社の答えではなく出発点中小企業のAI活用では、調査や成功事例を参考にしながら、自分たちの現場で試行錯誤することが必要です。同じ業種や規模でも、人や仕事、意思決定の仕組みが違えば、浸透の仕方も変わります。改善率をそのまま自社に当てはめず、参加者や対象業務などの条件を見る。ツール選びの情報収集だけで止まらず、自社で使って知見をためる。作業時間だけでなく、周囲の確認負担や、空いた時間の使い道まで見る。合わない部分は現場に合わせて試し直し、自社の知識や外部パートナーの力も加えていく。 AIと開発者の生産性に関する研究 METR：2025年前半のAIが開発者の生産性に与える影響 METR：開発者の生産性を測る実験設計の見直し配信スタンド Apple iTunes 公式ストア Podcast（おすすめ） https://itunes.apple.com/jp/podcast/zhong-shan-yang-pingno-non/id750899892 YoutubePodcast(旧：GooglePodcast） https://www.youtube.com/user/WebMarketingJAPAN Spotify https://open.spotify.com/show/0K4rlDgsDCWM6lV2CJj4Mj Amazon Music Amazon Podcasts ■Podcast /Webinar への質問はこちらのフォームへどうぞ。 https://forms.gle/Lvy4nVauyJ2SRhJM7 運営・進行株式会社ラウンドナップ（ラウンドナップWebコンサルティング）代表取締役・コンサルタント　中山陽平 Webサイト：https://roundup-inc.co.jp/ 投稿第601回：中小企業のAI活用の壁は「失敗を避けるためのインプット」が多すぎること？は中小企業専門WEBコンサルティング会社・ラウンドナップWebコンサルティング(株式会社ラウンドナップ）に最初に表示されました。

Ask this episode

“What did the council decide on item 42?” — answered with the speaker and the moment.

Transcript

Related