AIネイティブな組織を問い直す

#AI Ready #AI Transformation #AI Native #Governance ガバナンスなんてやってる余裕ない！！ AIネイティブな
組織を問いなおす Algomatic AXガバナンスセンター宮脇峻平 @catshun_ 1

@catshun_ 株式会社Algomatic AXガバナンスセンター / IPA専門委員宮脇峻平 Shumpei Miyawaki 言語モデルやLLMアプリケーションの開発運用
LLM/AIエージェントにおける事業探索企業のガバナンス施策の推進 AIリテラシー研修の実施など... 2

宣伝です！こちらで本資料のお話を少しする予定です 🙏 flexy.connpass.com/event/398637/   3

宣伝です！窓の杜にて、AIガバナンスについて解説しています https://forest.watch.impress.co.jp/docs/serial/aidev/2114536.html 4

Algomaticをもっと知る公式サイト https://algomatic.jp/ 公式note https://note.com/algomatic_oa 技術ブログ https://tech.algomatic.jp/ X https://twitter.com/AlgomaticJp
5

ここから本題 6

本資料公開のきっかけ AXガバナンスセンターを立ち上げました 🙌 宮脇 - 企業のAI Transformationを安全に加速させるー『AXガバナンスセンター』を設立します 7

本資料公開のきっかけガバナンスセンターを立ち上げて感じたこと 8

ガバナンスセンターを立ち上げて感じたことその前に、ガバナンスって？ AIの利活用によって生じるリスクをステークホルダーにとって受容可能な水準で管理しつつ、そこからもたらされる正のインパクト（便益）を最大化することを目的とする、ステークホルダーによる技術的、組織的、および社会的システムの設計ならびに運用総務省・経済産業省 -
AI事業者ガイドライン（第1.2版）目的地の設定リスクの認識意思決定と制御 9

ガバナンスセンターを立ち上げて感じたこと AIの利活用によって生じるリスクをステークホルダーにとって受容可能な水準で管理しつつ、そこからもたらされる正のインパクト（便益）を最大化することを目的とする、ステークホルダーによる技術的、組織的、および社会的システムの設計ならびに運用リスクの認識
そうはいっても... その前に、ガバナンスって？目的地の設定総務省・経済産業省 - AI事業者ガイドライン（第1.2版）意思決定と制御 10

ガバナンスセンターを立ち上げて感じたことリスク管理からもたらされる、正のインパクト（便益）を最大化する AI施策うまくいってないし、予算だって余裕がある訳ではない一般的にガバナンスは「コストセンター」として位置づけされる... ガバナンスなんてやってる余裕ない!! という企業も少なくない A 11

本資料でお伝えしたいことガバナンスセンターを立ち上げたいま、改めてお伝えしたいのは、企業が実施すべきはガバナンスではなくガバナンスを含めた組織の再設計である ※ ガバナンス自体は重要な取り組みです本資料では... ガバナンスの枠組みを、推進と統制の２つの側面から捉え直します
ガバナンスの取組みを、AIネイティブな組織を達成するための中間地点と捉え直します 12

よくありそうな話《ガバナンス》って、「セキュリティ等の統制施策」や「ゴールデンパスの整備」のことだよね 🦆（統制｜推進）×（論｜手段）として広く捉えるべき。《AI Ready》って「データ基盤」を整備することだよね 🦆 修飾する対象によって異なる。「データ基盤」もあれば「組織・社会」の話もある。《AI Transformation》してますよ、AIツールも導入していますから 🦆
導入は成果の第一歩にすぎない。DX時代の「デジタイゼーション」の二の舞は避けるべき。《AI ネイティブな組織》だと思います、AIが扱いやすいようデータを整備しているので 🦆 AIネイティブな組織は、施策中心ではなくケイパビリティや成熟度で捉えるべき。 13

本資料で取り扱うテーマ AI時代とは代替可能性  説明責任 / コンテキスト不足 / STS AI導入の失敗を超えるために自動化の皮肉
/ アルゴリズム中心設計 AI時代を生き残る VUCA Prime / 自動車技術のガバナンス / Safety-II / アンチフラジリティ AI Ready な組織 GOVERN / MANAGE / ENABLE / MATURE AIネイティブな組織ケイパビリティ / 組織変容 / 価値手段 AI Transformation 組織変革 / システム変革 / 業務変革 14

AI時代を生き残る > AI時代に起きた大きな変化 AI時代に起きた大きな変化 A 16

AI時代を生き残る > AI時代に起きた大きな変化最も大きな違いの一つは「ヒトを代替する存在」として注目されるようになったこと。実際にAIエージェントはデジタル領域での労働力として普及しはじめている。スケーリング並列化・非同期情報処理能力速度・量・安定知識量
高品質・多様性代替可能になるのでは？仕事が奪われるのでは...？なんでもやるよ〜 A 17

AI時代を生き残る > AI時代に起きた大きな変化「データ」や「アルゴリズム」は行動をともなうことで価値が生まれる。 AIが情報資源の消費者となることで、価値創出の手段としての役割を期待するようになった。スケーリング並列化・非同期情報処理能力速度・量・安定知識量
高品質・多様性代替可能になるのでは？もうAIに任せれば良くない？データの読み書きもできるよ〜情報処理能力の高い存在が情報資源の消費者に行動媒体データ A 18

AI時代を生き残る > AIと組織の機能限界一方で、全ての業務が代替できるわけではないし、複雑な業務ほど意思決定パスが複雑になる限られた領域においてエージェントワークフォースとして機能単純な業務制御点は行動主体に応じて二次関数的に増える複雑な業務では完全自動化が難しい複雑な業務
A 19 Jason Evanish - “Developing Leaders: 6 Critical Things You Must Do When Your Team Grows Too Big”

AI時代を生き残る > AIと組織の機能限界事業者視点として難しいのは、主体性を持たないがゆえ、説明責任が求められること。特に「中身が見えない」ことで、その説明の難しさは格段に高くなっている。非決定論的ふるまいブラックボックス性
認知限界を超えた行動説明責任が生まれるなんでやねん... 利用者・事業者への責任転嫁自主性自律性結果がどうであれボクは責任を負わないよ。主体性自主性自律性主体性不可逆な行動例：決済、送信、公開、削除、変更、etc... A 20

AI時代を生き残る > AIと組織の機能限界いつだって、人間からの指示は曖昧だし、データ品質も完全に整備されているとはいえない。ハイコンテキストな組織体において、すべてを委譲できるほどAIの存在は都合の良いものではない。コンテキスト不足よしなにやってナニヲイッテイルノカワカリマセン... 情報資源が
整備されていない行動媒体データ A 21

AI時代とは > ここまでのまとめ AIという存在が「ヒトを代替する存在」として注目されるようになった。  情報処理能力・スケーリング可能性・知識という観点で、ヒトの能力を超える可能性すらある。ただし人の代替可能性については、現時点だと単純な業務に限定される。 ① AIは責任を持たない
ブラックボックス性 / 非決定論的なふるまい / 人の認知範囲を超えた行動により制限誤った場合に利用者・事業者が責任を負うことになる ② 組織サイドがAIを受け入れる準備ができていない人が与えるコンテキストはいつも不足しているデータを含む情報資源が完全に整備されていることはごく稀である複雑になるほどコントロールポイントが指数関数的に増加する A 22

/ アルゴリズム中心設計 AI時代を生き残る VUCA Prime / 自動車技術のガバナンス /   Safety-II / アンチフラジリティ AI Ready な組織 GOVERN / MANAGE / ENABLE / MATURE AIネイティブな組織ケイパビリティ / 組織変容 / 価値手段 AI Transformation 組織変革 / システム変革 / 業務変革 23

AI時代を生き残る > もう少し広い視野でAI時代を捉えると AI時代をもう少し広く見ると A 24

AI時代を生き残る > AI時代に求められるマインドセット AIの急速な進化は、組織・ビジネスの先行きをますます見通しにくくしている。 AI時代のうねり技術・能力のコモディティ化変化に適応して学習し続けるチェンジマネジメント AI時代に求められるマインドセット事故・悪用のリスク増加
Safety-II を見据えたアンチフラジリティ組織でAI利活用を推進する業務の代替可能性リーンオペレーションと人とAIの共同最適化正のインパクトを最大化する A 25

AI時代を生き残る > AI時代に求められるマインドセット AIの技術発展が VUCA 傾向を加速させている。変化に素早く適応し学習し続けるチェンジマネジメントを、組織に根づかせることが求められる。 Volatility 変動性 Uncertainty
不確実性 Complexity 複雑性 Ambiguity 曖昧性市場や環境の変化が激しく、急激な変動が起こりやすい状態過去のデータや経験から将来の予測が難しく、想定外の事態が起こりやすい状態さまざまな要因が複雑に絡み合い、単純な解決策や因果関係の特定が困難な状態情報が不足または不明確で、物事に対する明確な解釈が存在しない状態 A 26 Bob Johansen - Leaders Make the Future, Third Edition: Ten New Skills to Humanize Leadership with Generative AI

AI時代を生き残る > AI時代に求められるマインドセットところで、ガバナンスってなに？ AIの利活用によって生じるリスクをステークホルダーにとって受容可能な水準で管理しつつ、そこからもたらされる正のインパクト（便益）を最大化することを目的とする、ステークホルダーによる技術的、組織的、および社会的システムの設計ならびに運用
総務省・経済産業省 - AI事業者ガイドライン（第1.2版）目的地の設定リスクの認識意思決定と制御 A 27

AI時代を生き残る > AI時代に求められるマインドセット AIの急速な進化は、ビジネスの先行きをますます見通しにくくしている。変化に素早く適応し学習し続けるチェンジマネジメントを、組織に根づかせることが求められる。 Volatility 変動性 Uncertainty 不確実性
Complexity 複雑性 Ambiguity 曖昧性 Vision ビジョン Understanding 理解 Clarity 明晰さ Agility 機敏さ状況が激しく揺れ動くときほど、ぶれない目的がいる。目先の変化に一喜一憂せず、「何のためにやるのか」に立ち返る。状況の認識目的地の設定意思決定と制御 A 28 Bob Johansen - Leaders Make the Future, Third Edition: Ten New Skills to Humanize Leadership with Generative AI

Complexity 複雑性 Ambiguity 曖昧性 Vision ビジョン Understanding 理解 Clarity 明晰さ Agility 機敏さ先が読めないときほど、状況を理解し続ける努力がいる。社外・現場・顧客の変化を観察し、理解そのものを更新し続ける。状況の認識目的地の設定意思決定と制御 A 29 Bob Johansen - Leaders Make the Future, Third Edition: Ten New Skills to Humanize Leadership with Generative AI

Complexity 複雑性 Ambiguity 曖昧性 Vision ビジョン Understanding 理解 Clarity 明晰さ Agility 機敏さ要素が複雑に絡み合うときほど、本質を見極める力がいる。「いま何が最も重要か」を単純に言語化し、迷わず動ける状態をつくる。状況の認識目的地の設定意思決定と制御 A 30 Bob Johansen - Leaders Make the Future, Third Edition: Ten New Skills to Humanize Leadership with Generative AI

Complexity 複雑性 Ambiguity 曖昧性 Vision ビジョン Understanding 理解 Clarity 明晰さ Agility 機敏さ正解が一つに定まらないときほど、走りながら学ぶ機敏さがいる。まず小さく試し、結果を見て素早く修正するサイクルを回す。状況の認識目的地の設定意思決定と制御 A 31 Bob Johansen - Leaders Make the Future, Third Edition: Ten New Skills to Humanize Leadership with Generative AI

AI時代を生き残る > AI時代に求められるマインドセット VUCA環境で、実行しながら学習できる状態を成立させるには、４つの条件が同時に揃う必要がある。心理的安全性質問する・ミスを報告するといった行動が罰せられないという、チームで共有された信念。 VUCA環境ではエラー検知回路となり、「問題が隠れ、大きくならない」組織を目指す。認知構造情報が報告されても、チームとして処理されなければ判断には届かない。特定の人物だけで決めるのではなく、多様な視点が必要な知識に接続され、意思決定する状態を目指す。
全員が同じ意見になる必要はなく、違う正しさを一つの判断に変換する価値の優先順位が必要。責任構造多くの人が情報にアクセス・判断できても、明示的な責任経路でないと行動は実行されない。判断領域ごとに「誰が決め、誰が次に動き、誰が最後に引き受けるか」が明示的に分散配置する。実行･学習の循環目標・プロセス・前提を集合的に振り返るチームは、特に環境不確実性が高い条件下で高業績を示す。賢い失敗（未知領域での仮説検証の結果）は称賛すべき、複雑な失敗（システム要因の予期せぬ組み合わせ）は分析に値する、回避可能な失敗（既知プロセスからの逸脱）は再発防止すべき。 A 32 参考：エイミー・エドモンドソン著, 野津智子訳 - チームが機能するとはどういうことか――「学習力」と「実行力」を高める実践アプローチ

AI時代を生き残る > 組織でAI利活用を推進する AIの急速な進化は、組織・ビジネスの先行きをますます見通しにくくしている。 AI時代のうねり技術・能力のコモディティ化変化に適応して学習し続けるチェンジマネジメント AI時代に求められるマインドセット事故・悪用のリスク増加

AI時代を生き残る > 組織でAI利活用を推進する AIの普及とともに、事故や悪用のリスクも高まっている。 A 34

AI時代を生き残る > 組織でAI利活用を推進する自動車って危険がたくさんあるのになんで社会に受け入れられているの？ A 35

AI時代を生き残る > 組織でAI利活用を推進する ... A 36

AI時代を生き残る > 組織でAI利活用を推進する利便性が高い！みんな知ってること安全施策が普及！官民・教育が頑張ってきたこと A 37

AI時代を生き残る > 組織でAI利活用を推進する利便性が共有され安全施策が重なることで技術は受容され浸透する・利便性、変革可能性・事故への安全意識
まだ浸透していないすでに浸透している A 38

AI時代を生き残る > 組織でAI利活用を推進する利便性が高い！まだ一部の人しか知らない安全施策が普及！官民・教育を頑張らないといけないこれから頑張らないとね...。 A 39

AI時代を生き残る > 組織でAI利活用を推進する AI利活用は「利便性・生活の変革感」という WoW があってはじめて浸透する。リスクを減らすだけでなく、成功体験を再現して増やす施策も同時に行う。 A 40 エリック・ホルナゲル著
/ 北村正晴訳 / 小松原明哲訳 - “Safety-Ⅰ& Safety-Ⅱ― 安全マネジメントの過去と未来”

AI時代を生き残る > 組織でAI利活用を推進する AIの利便性は、体験した人には自明でも、組織には自然に広がらない。浸透には「知らせる」だけではダメで、判断の場面・人・記憶・反復に組み込む設計が必要になる。判断の場面に埋め込む意思決定テンプレートへの組み込み軽量な承認プロセス事例と物語で記憶させるグッドプラクティスの社内共有
失敗・ヒヤリハットの匿名共有人を介して広げるチャンピオン/アンバサダー制経営層の言行一致計測し反復する浸透度の計測単発研修ではなく反復接触 A

AI時代を生き残る > 組織でAI利活用を推進する利便性が高い！まだ一部の人しか知らない安全施策が普及！官民・教育を頑張らないといけないこれから頑張らないとね...。 A 42

AI時代を生き残る > 組織でAI利活用を推進するさらにAI技術が組織に受容されるために、多様な側面からの取り組みが必要となる。多層的な取り組みが揃ってはじめて「安全かつ継続的に使える状態」が実現する。総務省・経済産業省 - AI事業者ガイドライン（第1.2版） A

AI時代を生き残る > 組織でAI利活用を推進する企業が取り組むべきガバナンスにはコーポレート / IT / データ /
AI など様々な領域がある。 AI時代のガバナンスは「AIガバナンス」に限定されない。 IPA - 信頼できるパートナーになるためのデータガバナンス読本（2025） A

AI時代を生き残る > 組織でAI利活用を推進する “ 反脆弱性アンチフラジリティ秩序を求めようとすれば、得られるのは似非秩序だ。ランダム性を受け入れてはじめて、一定の秩序と統制が得られるのだ。 ” A
45 ナシーム・ニコラス・タレブ著 / 望月衛訳 / 千葉敏生訳 - “反脆弱性 ―― 不確実な世界を生き延びる唯一の考え方”

AI時代を生き残る > 組織でAI利活用を推進する事故や悪用が増えるなか、ゼロリスクの達成は不可能。予防や処方箋による対処療法だけでなく、回復力・免疫力のある組織を目指す。 A 46

AI時代を生き残る > AI利活用における安全性 AIの急速な進化は、組織・ビジネスの先行きをますます見通しにくくしている。 AI時代のうねり技術・能力のコモディティ化変化に適応して学習し続けるチェンジマネジメント AI時代に求められるマインドセット事故・悪用のリスク増加

AI時代を生き残る > 正のインパクトを最大化する定型業務・標準化可能な業務については、今後 AI による代替が発生する可能性が高い。中流については高度自動化による業務の代替、上流・下流については拡張型支援による体験が増えていく。人に求められる価値の所在上流
経営判断企画･検証人の判断が付加価値を生む業務イノベーション創出中流生産･流通事務処理人の判断基準に従った一定水準以上の価値をすばやく・たくさん提供下流営業･販売 CS 人と人のコミュニケーションが付加価値を生む業務サービスの個別最適化将来現在 A 48 参考：みずほリサーチ&テクノロジーズ - AI利活用がもたらす日本経済への影響～期待される140兆円の経済効果実現に向けた課題と対応方向性～

AI時代を生き残る > 正のインパクトを最大化する AI時代を生き残る組織は、２つの構造を併せ持つ。標準化できる領域はムダを減らして余力を生み、そうでない領域は人とAIの権限・裁量を設計して調和させる。業務を再設計・標準化し、自動化によりムダ・ムラ・ムリを削減。生まれた余力を、より付加価値の高い業務へ再配分する。標準化・効率化を追求する AIに委ねる裁量の範囲と人が持つ実行権限を意図的に設計。分散したチェック体制で人とAIが調和しながら成果を出す。
人と技術の調和を重視する A 49

AI時代を生き残る > 正のインパクトを最大化する技術を組織にどう活かすかという問いは、これまで幅広く議論されてきた。 DX時代には標準化・効率化、AX時代には人と技術の調和、を重視する手法に対して関心が高い。社会技術システム論への注目度（イメージ）人と技術の調和を重視する理論標準化・効率化を追求する管理手法 iSTS Cherns原則
アジャイル・スクラム 1980~ 2020~ リエンジニアリングデジタルテイラリズムリーンシックスシグマ AX 2000~ DX 科学的管理法人間関係論 STS 1950~ TQM 1900~ ※ 青い曲線は、社会技術システム論への注目度を主観的に書き起こしたイメージです。 Ai 50

AI時代を生き残る > 正のインパクトを最大化する社会技術システム論技術と人・組織を切り離さず、両者の結合を同時に設計することで成果を最大化する理論。 AIが労働力として組織に加わる時代において、再び注目を浴びている。入力を出力へ変換するための要素。テクノロジーやツール、技法に加え、それらの作業構造・プロセスを含む。
技術システム組織で働く人々とその関係性に関わる要素。スキル・価値観、チーム編成、調整・統制、責任と意思決定の委ねられ方を含む。社会システム A 51

AI時代を生き残る > 正のインパクトを最大化する Cherns原則（社会技術システム論）... 裁量を現場に、規定は最小限に、修正は発生源で AIへの権限委譲や監督のあり方を定めるAI時代のガバナンスは、この思想を受け継ぐ。互換性設計のプロセス自体が、目指す目標と整合していなければならない。トップダウンで一方的に決めた設計では、参加型組織は生まれない。最小限の重要指定
何をすべきかを明確にする。一方で、どうやるかは現場の裁量や創意工夫の余地を残す。分散制御エラーや問題は、それが発生した場所にできるだけ近いところで検出・修正されるべき。情報フロー情報は、実際にそれを使って判断・行動する現場の作業者に直接届くようにすべき。権力と権限責任を果たすために必要な資源（情報・道具・人員など）にアクセスする権限を、実際にその責任を負う人に与えるべき。多機能原則変化や不確実性に対応できるよう、個人やチームが複数のスキル・機能を持つべき。支援の整合性評価制度、報酬、研修などの支援システムが、目指す社会的行動（協働・自律性など）を強化する方向で設計されるべき。移行組織旧システムから新システムへの移行自体を、計画的にマネジメントする必要がある。不完結性設計は一度きりで終わるものではなく、継続的に見直し・調整を繰り返すべき。 Cherns - Principles of Sociotechnical Design Revisted (1987) A 52

AI時代を生き残る > ここまでのまとめ VUCA 時代に求められること変化に素早く適応し学習し続ける姿勢 Vision / Understanding
/ Clarity / Agility 心理的安全性 / 認知構造 / 責任構造 / 実行・学習の循環 AI活用による事故・悪用は増え続けている利便性の共有、安全施策の積み重ねによって技術は組織に受容され浸透する安全のための施策は、指示的施策 / 予防的施策 / 発見的施策 / 是正的施策など多岐にわたる問題にすぐ気づき、影響を最小化、復旧・再発防止する、レジリエンス・アンチフラジリティが重要社会技術システム論が再注目されている全てのタスクが代替可能ではなく、上流・下流は人による付加価値が高くなる DX/AX 時代は、効率化の追求だけでなく、人と技術の調和も必要 A 53

AIネイティブな組織 AIネイティブな組織 ... ﾅﾆｿﾚ 🧐 めっちゃ聞くけど結局なに？人によって解釈がバラバラじゃない？ ※ 「AIネイティブ」は様々な名詞に修飾しますが、ここでは組織（能力・成熟度）を対象とします A
55

AIネイティブな組織 IT分野では、特定の環境や仕組みに最初から備わっていること、  または、その特性に最適化されていることを表す。 “ ネイティブ ” 簡単に達成できるものではなくないか... A 56 IT用語辞典

AIネイティブな組織 AIネイティブな組織を《取り組みの集合》で捉えるような見方には、疑問を感じている。 🙅‍ これらを実施したら《AIネイティブ組織》である社員がAIツールを適切に使えるよう整備する AIエージェントによる組織のデータ資源への適切なアクセスを実現する AIを前提に
業務や組織を再設計する A 57

AIネイティブな組織取り組みの集合によって変化する《ケイパビリティ》や《マチュリティ》に注目すべきではないか。 AI Enabled 社員がAIツールを適切に使えるよう整備する一つ一つの取り組みは《AIネイティブな組織状態》の達成条件に過ぎない AIネイティブな組織状態 AI Ready（なデータ基盤）
AIエージェントによる組織のデータ資源への適切なアクセスを実現する AI First AIを前提に業務や組織を再設計する ... ... A 58

AIネイティブな組織業務プロセス・意思決定・評価基準が、AIの介在可能性を前提に設計されており、かつ、その設計自体を組織が継続的に見直し、再最適化・組織変容し続ける能力を持った状態。この状態下では、データ・アルゴリズム・スキル等を活用することが価値を生み出すという認識があり、 AIを特別視せず、あくまで「データを価値に変換する媒体の一つ」として扱う。  運用においては、人とAIそれぞれの役割・責任・リスクを明確に定義・評価・管理し、  顧客・事業にもたらす
価値を判断基準として、人とAIの分担を随時組み替える。 AIネイティブな組織 A 59 ※ 弊チームによる解釈を含みます

AIネイティブな組織状態のレベル分けこんな状態よくある悩み AI 活用の是非を判断する軸・基準がない AI利用状況の管理ができていない（シャドーAI） AI を使った成果物の責任の所在が不明確 AI導入したものの成果につながっていない AIの
判断ミスが業務に影響してしまっている部門ごとのAI投資対効果を示せていない一度決めた人と AIの役割分担が固定化している効果測定にとどまり、改善・再配置に繋がらない重厚なガバナンスと柔軟な組み替えの両立が難しい組み替えの判断が特定の人材に依存する Phase.01 初期 AI活用が個人任せで、成果が属人化している AI活用の是非を判断する軸・基準がない Phase.02 導入•管理ツールを導入し利用状況やアクセス権を管理できている業務プロセスは変わらず、既存業務の効率化にとどまる Phase.03 標準化従業員のAIリテラシーを底上げできている AIという手段を前提に業務・意思決定プロセスを見直している人とAIの役割や価値を組織横断で定義・共有している Phase.04 評価•改善 AIの寄与と成果を定量的に把握し、適切な撤退を行っている AIをどこに投じるかが根拠にもとづいて判断されている Phase.05 最適化人とAIの役割を変化に応じて柔軟に組み替えている生まれた余力が価値ある領域に再投資されている A 60 参考: Luis Gorgona - Building a Maturity Model for COBIT 2019 Based on CMMI

これらの段階に “あえて” ラベルを付与すると参考: Luis Gorgona - Building a Maturity
Model for COBIT 2019 Based on CMMI AIネイティブな組織状態のレベル分け Phase.01 初期 Phase.03 標準化 Phase.02 導入•管理 Phase.05 最適化 Phase.04 評価•改善こんな状態従業員のAIリテラシーを底上げできている AIを前提に業務・意思決定プロセスを見直している人とAIの役割や価値を組織横断で定義・共有している AIの寄与と成果を定量的に把握し、適切な撤退を行っている AIをどこに投じるかが根拠にもとづいて判断されている人とAIの役割を変化に応じて柔軟に組み替えている生まれた余力が価値ある領域に再投資されている AI活用が個人任せで、成果が属人化している AI活用の是非を判断する軸・基準がないツールを導入し利用状況やアクセス権を管理できている業務プロセスは変わらず、既存業務の効率化にとどまるよくある悩み AI 活用の是非を判断する軸・基準がない AI利用状況の管理ができていない（シャドーAI） AI を使った成果物の責任の所在が不明確 AI導入したものの成果につながっていない AIの判断ミスが業務に影響してしまっている部門ごとのAI投資対効果を示せていない一度決めた人と AIの役割分担が固定化している効果測定にとどまり、改善・再配置に繋がらない重厚なガバナンスと柔軟な組み替えの両立が難しい組み替えの判断が特定の人材に依存する A 61

AIネイティブな組織状態のレベル分けこんな状態よくある悩み Phase.01 初期 AI活用が個人任せで、成果が属人化している AI活用の是非を判断する軸・基準がない AI 活用の是非を判断する軸・基準がない AI利用状況の管理ができていない（シャドーAI）
Phase.02 導入•管理　＝ AI Enabled ツールを導入し利用状況やアクセス権を管理できている業務プロセスは変わらず、既存業務の効率化にとどまる AI を使った成果物の責任の所在が不明確 AI導入したものの成果につながっていない Phase.03 標準化　＝ AI Ready 従業員のAIリテラシーを底上げできている AIを前提に業務・意思決定プロセスを見直している人とAIの役割や価値を組織横断で定義・共有している AIの判断ミスが業務に影響してしまっている部門ごとのAI投資対効果を示せていない Phase.04 評価•改善　＝ AI Transformation AIの寄与と成果を定量的に把握し、適切な撤退を行っている AIをどこに投じるかが根拠にもとづいて判断されている一度決めた人と AIの役割分担が固定化している効果測定にとどまり、改善・再配置に繋がらない Phase.05 最適化　＝ AI Native 人とAIの役割を変化に応じて柔軟に組み替えている生まれた余力が価値ある領域に再投資されている重厚なガバナンスと柔軟な組み替えの両立が難しい組み替えの判断が特定の人材に依存する A 62 参考: Luis Gorgona - Building a Maturity Model for COBIT 2019 Based on CMMI

AIネイティブな組織 > ここまでのまとめ施策の集合ではなく、ケイパビリティ・マチュリティに焦点を当てるべき CMM ... ソフトウェア開発において、プロセスそのものの能力・組織的定着度を測るモデル COBIT成熟度モデル
... ITガバナンス・マネジメントの実践がどの程度整備されているか測るモデル AIネイティブな組織 AIを前提とするのではなく、AIの介在可能性を前提とする一過性の取り組みではなく、継続的に再最適化・組織変容し続ける AIを手段の一つと捉え、人とAIの役割・責任・リスクを適切に判断できるデータ・アルゴリズム・スキルが潜在価値を持っていると認識し、その価値を生み出す手段を模索する 2026.07 現在、多くの組織は、AIを使えるように整備した “AI Enabled” な段階にいる組織・人材・データなど、AIを受け入れる準備を整備して “AI Ready” を目指す必要がある A 63

AI Ready な組織こんな状態よくある悩み Phase.01 初期 AI活用が個人任せで、成果が属人化している AI活用の是非を判断する軸・基準がない得られたノウハウが組織に蓄積されない
AI 活用の是非を判断する軸・基準がない AI利用状況の管理ができていない（シャドーAI） Phase.02 導入•管理ツールを導入し利用状況やアクセス権を管理できている従業員のAIリテラシーを底上げできている業務プロセスは変わらず、既存業務の効率化にとどまる AI を使った成果物の責任の所在が不明確 AI導入の中期計画を説明できない Phase.03 標準化 AIをデータから価値への変換を行う手段として捉えている AIを前提に業務・意思決定プロセスを見直している人とAIの役割や価値を組織横断で定義・共有している AI の判断ミスが業務に影響する部門ごとのAI投資対効果を示せていない Phase.04 評価•改善 AIの寄与と成果を感覚でなく定量的に把握している効果が出ていない取り組みを撤退している AIをどこに投じるかが根拠にもとづいて判断されている一度決めた人とAIの役割分担が固定化している効果測定にとどまり、改善・再配置に繋がらない Phase.05 最適化人とAIの役割を変化に応じて柔軟に組み替えている生まれた余力が価値ある領域に再投資されている重厚なガバナンスと柔軟な組み替えの両立が難しい組み替えの判断が特定の人材に依存する Aa 65 参考: Luis Gorgona - Building a Maturity Model for COBIT 2019 Based on CMMI

AI導入の失敗を超えるために > AI導入だけではうまくいかない AI導入したけど成果につながっていない... A 66

AI導入の失敗を超えるために > AI導入だけではうまくいかない AI導入する企業は増えたが、多くが成果につながっていないことが指摘され始めている。成果の分岐点は、業務プロセスの再設計や推進体制といった「組織側の変革」にある。日本企業の生成AI活用・推進度は87% 期待を大きく上回る効果を示した企業は9% 生成AIは業務やデータが未整備な状態でも自動的に効果を生み出すものではなく、変革の構想とそれを業務・データ・プロセスに落と
し込む実装力があって初めて成果に繋がる pwc - 生成AIに関する実態調査 (2026.06) 88 %の組織がAIを1つ以上の業務で定常利用 EBITに5%以上のインパクトがあると報告した企業はわずか約6% 既存業務にAIを載せるだけではなく、業務の在り方自体を見直す企業が成果を出してい McKinsey - The state of AI (2025.11) カスタムエンタープライズAIが本番稼働に至った割合は 5% 高い導入率だが低い変革度 (GenAI Divide) の原因はモデルの欠陥や規制、人材不足ではなく、導入戦略の欠陥にある MIT - Project NANDA (2025.07) AI成功は「単なる技術的達成ではなく、組織的達成」だと明言 AIで成果を最大化するには operating model, governance, skills, leadership の変革が必要だと整理世界経済フォーラム (2025.07) 67

AI導入の失敗を超えるために > AI導入だけではうまくいかない弊社メンバーの記事紹介組織変革本部 BizDev 永井 https://note.com/famous_macaw5829/n/n2a8ac909cc37 BCG の最新レポートから「AIで成果を出す」論点を整理 
ツールを揃えるだけでなく、明確な戦略の重要性を解説 “ 浮いた時間は放っておくと組織から漏れていく  戦略の明確さはツールの充実を上回る  戦略の明確さが従業員の幸福度にも寄与する  業務の再設計に成功している企業は、  明確なロードマップと人への深い投資がある  事業価値と働く喜びはトレードオフではない ” A 68

AI導入の失敗を超えるために > AI導入だけではうまくいかない弊社メンバーの記事紹介事業変革本部本部長高橋 https://note.com/dory111111/n/na817a0544da3 企業のAI導入の障壁を、具体例を交えて３つ紹介 A
69

AI導入の失敗を超えるために > AI導入だけではうまくいかないどんなプロセス変革にも、必ず『適応の痛み』が伴う。 AI導入もその例外ではなく、適応課題を解決しない限り、AI導入は《便益》ではなく《負担》に終わる。検証コストの増大 AIの出力チェックに専門性と時間がかかる AI利用量が増えるほど確認負荷も比例して増える
引き継ぎは常に情報が足りない新たな運用タスクの発生プロンプト・モデル更新に追従できないコスト・利用量を監視しなければならないセキュリティ対応が求められる責任と信頼の再定義過大/過小評価の対応が十分でない責任分解点が明確に定義されない従来の意思決定フローと整合がとれない A 70 参考：Lisanne Bainbridge - Ironies of Automation (1983)

AI導入の失敗を超えるために > AI導入だけではうまくいかない顧客期待を満たすような価値を提供するだけでは、AI導入はうまくいかない。その後の《定着化・訓練》や《価値貢献の計画》までをセットで考える必要がある。宮脇 - AIプロジェクトにおける精度検証の要諦〜AI時代でも重要な期待値のすり合わせ A
71

AI導入の失敗を超えるために > 組織をアルゴリズムの集合と捉える組織を《人の集合》ではなく《アルゴリズムの集合》として捉える ※ 特定の問題を解決したり、一定の目的を達成したりするための「手順」や「処理方法」 A 72 参考:
kyonmm氏 - RALGO : AIを組織に組み込む方法 - アルゴリズム中心組織設計 (2026)

AI導入の失敗を超えるために > 組織をアルゴリズムの集合と捉える組織をアルゴリズムの集合として形式化し、個々のルーチンとして捉える。人材をスキル集合で捉える人手不足対応、DX/AX推進に向けて、スキルベース組織への移行・変革を進めているスキルの可視化や共通言語化を通じてスキル情報を活用、個人のリスキリングやキャリア
アップ、企業の採用・評価・人材育成を設計経済産業省 - Society 5.0 時代のデジタル人材育成に関する検討会報告書 (2025) 組織をアルゴリズム集合で捉える組織を人の集合ではなく「意思決定・検証・学習のアルゴリズムの集合」として設計、属人的な解決策から手順の品質向上へ移行する手法組織をセミラティス構造として捉え、部門横断の協働と複雑性を意図的に設計・可視化する振り返りアルゴリズム事業計画アルゴリズムテスト計画アルゴリズム RALGO 予算承認アルゴリズム信頼性向上アルゴリズムアプリ設計アルゴリズム kyonmm氏 - RALGO : AIを組織に組み込む方法 - アルゴリズム中心組織設計 (2026) 組織を統一構造で捉える組織の実体・関係・業務ルールを構造化し、 AIが処理できる形に変換するデータを意味のある単位に統合し、すべての操作をアクション定義経由で実行する業種特有の実体と業務プロセスを一つの構造に落とし込み、人間とAIが同じ「組織の言語」で意思決定できる基盤を作る Palantir - The Ontology system A 73

AI導入の失敗を超えるために > 組織をアルゴリズムの集合と捉える組織をアルゴリズムの集合として形式化することで、AIエージェントが個々ルーチンの実行主体として機能。単なる自動化だけでなく、並列化によるスケーリング、非同期・能動性による即応化・連続化を実現。 ✔️ 並列化 ✔️ 非同期 ✔️
プロアクティブ性 ✔️ 高速（速い） ✔️ 低価格（安い） ✔️ 高品質（うまい） 74

AI導入の失敗を超えるために > 組織をアルゴリズムの集合と捉える一方で、実行の均質化・構造の形式化によって、全てが解決できる訳ではない。現場の主体性・社会構造・暗黙知を破壊しない『社会・技術システムの共同最適化』も重要。社会技術システム論からの教訓社会システムへの意図せざる影響を通じて、新たな適応課題を生み出す品質低下の対応、例外処理が
人の認知帯域に集中する仕組み化の主体は、その仕組みを使う人々自身でなければならない 75

AI導入の失敗を超えるために > ここまでのまとめ AI導入だけでは成果につながらない多くのレポートで言及され、広く知られるようになっている戦略、業務プロセス・組織文化・ビジネスモデルなど、様々な組織の適応課題がある AIを導入した後の定着化、価値貢献の計画
が十分に検討されていない成果を出す《しくみ》を検討すべき組織をアルゴリズムの集合と捉えることで、AIが個々ルーチンの実行主体として機能する AIへの委譲が可能となり、並列化・非同期・能動化によりスケールする Society 5.0 時代のデジタル人材育成では、人材をスキルの集合と捉える Palantir のオントロジーは、組織とその機能群を統一構造で捉えようとしている社会システム・技術システムの共同最適化実行の均質化・構造の形式化だけで、全て解決できるわけではないしくみ化の主体は、そのしくみを使う人々自身でなければならない A 76

AI Ready な組織こんな状態よくある悩み Phase.01 初期 AI活用が個人任せで、成果が属人化している AI活用の是非を判断する軸・基準がない得られたノウハウが組織に蓄積されない
AI 活用の是非を判断する軸・基準がない AI利用状況の管理ができていない（シャドーAI） Phase.02 導入•管理ツールを導入し利用状況やアクセス権を管理できている従業員のAIリテラシーを底上げできている業務プロセスは変わらず、既存業務の効率化にとどまる AI を使った成果物の責任の所在が不明確 AI導入の中期計画を説明できない Phase.03 標準化 AIをデータから価値への変換を行う手段として捉えている AIを前提に業務・意思決定プロセスを見直している人とAIの役割や価値を組織横断で定義・共有している AI の判断ミスが業務に影響する部門ごとのAI投資対効果を示せていない Phase.04 評価•改善 AIの寄与と成果を感覚でなく定量的に把握している効果が出ていない取り組みを撤退している AIをどこに投じるかが根拠にもとづいて判断されている一度決めた人とAIの役割分担が固定化している効果測定にとどまり、改善・再配置に繋がらない Phase.05 最適化人とAIの役割を変化に応じて柔軟に組み替えている生まれた余力が価値ある領域に再投資されている重厚なガバナンスと柔軟な組み替えの両立が難しい組み替えの判断が特定の人材に依存する Aa 78 参考: Luis Gorgona - Building a Maturity Model for COBIT 2019 Based on CMMI

AI Ready な組織 “ 社会全体がAIによる便益を最大限に享受するために必要な変革が行われ、AIの恩恵を享受している、または必要な時にただちにAIを導入しその恩恵を得られる状態にある、AI活用に対応した社会を意味する。このために、個人、企業組織、社会のイノベーション環境等、社会全体が変革する必要があり、具体例として、以下のような状態となることなどが挙げられる：個人では、すべての人が仕事や生活で AIを利用できるようなリテラシーを身に着け、
企業では、AI活用を前提とした経営戦略に基づいたビジネスを展開し、イノベーション環境では、あらゆる情報がAI解析可能なレベルでデジタル化・データ化され、AI開発やサービス提供のために活用できる AI Ready な社会 ” 最近では『AI Ready なデータ基盤』という見方があるように、『AI Ready な組織』においては “AI Ready → 変革” という流れが自然 🦆 Aa 79 内閣府 - 人間中心のAI社会原則 (2019)

AI Ready な組織どうやったら上手く取り入れられるの？ AI技術を組織・業務に取り入れ使いこなせる状態どうやったら使いこなせるの？ Aa 80

AI Ready な組織 ❶ 戦略・経営のコミットメント ❷ 業務プロセス ❸ セキュリティ ❹
テクノロジー基盤 ❺ データ基盤 ❻ 組織文化・推進体制  ❼ 人材・リテラシー言いたいことは分かるけど、独立して進めるものなの？ Aa 81

AI Ready な組織 MAP コンテキストが認識され、その関連リスクが特定される GOVERN リスクマネジメントの文化が培われ、存在する MANAGE
予測される影響に基づいてリスクが優先順位づけされ、対処される NIST AI RMF MEASURE 特定されたリスクが評価, 分析, 追跡される推進観点を含めたうえで、これらを並列関係でなく正のインパクト最大化への繋がりを明確にしたい Characteristics of Trustworthy AI Systems. Aa 82 NIST - AI Risk Management Framework

AI Ready な組織既存の枠組みを沢山参考にして再検討してみた 👉 Aa 83

AI Ready な組織 Aa 84

GOVERN 全社のAI活用方針とリスク基準を定め、組織の進むべき方向をトップダウンで示す 85

AI-Ready な組織 > GOVERN 一般的に、方針を決める側（統制論）、実行する側（統制手段）は分離される。「方針決定・監督」と「実行・執行」という統治構造上の役割・責任の違いを明確にする。 ITガバナンス - ITマネジメント 3線モデル
ガバナンス機関ステークホルダーに対して、組織体の監督の説明責任を果たす誠実性、リーダーシップ、透明性外部のアシュアランス提供者マネジメント組織の目標達成のためのリスク管理を含む活動を担う第1線顧客に対する  製品・サービスの提供、  リスク管理第2線リスク関連事項について  専門知識の提供、支援、監視、異議申し立て内部監査独立したアシュアランス第3線目標達成に関する  全てにおいて独立で客観的な保証と助言経済産業省 - システム管理基準 The Institute of Internal Auditors - The IIA’s Three Line Model Aa 86

AI-Ready な組織 > GOVERN AI推進とAI統制の失敗の本質は「不足」よりも「乖離」にある。統制論の多くは、その実効性がトップの行動に依存する、という知見を制度設計に織り込んでいる。「言葉」と「行動」の乖離命令的規範（方針）より記述的規範（行動）が優先されるトップマネジメントの言行不一致は、信頼を大きく毀損する経営層によるAI活用実績・失敗事例の開示が有効
「手段」と「目的」の乖離研修・アセスメント実施も、リスク低減に寄与するか検証されないグッドハートの法則が組織版に拡張される統制の形式的充足が推進を疲弊させる可能性がある「方針」と「実践」の乖離規程・体制・委員会は存在するが、運用されていない形式は対外表示、実務が切り離されるデカップリングが発生する儀礼的体制は無いより悪く、組織的欺瞞が内部監視を解除する「変化」と「意味体系」の乖離儀礼的統制が実効性を持つと組織に摩擦が発生する制度設計だけを整えて移行過程を設計しないと失敗する実務者との対話を通じて規格を業務改善に翻訳することが有効 Aa 87

MANAGE 経営方針を具体的な統制手段と運用プロセスに翻訳し、日々の業務執行に適用する 88

AI-Ready な組織 > MANAGE AI推進・統制でまず起きる失敗は、施策の議論が先行し、判断基準が人によってバラバラなまま進むこと。企業方針・プロセス・資産を起点に「何を守り進めるか、どう検証するか、誰が責任を持つか」を共通言語として語れる状態を作る。企業方針 AI活用の原則・ガイドラインにより、活用を後押しする戦略・投資方針を示す。推進・統制を語る上での共通言語
業務プロセス組織の業務がどの工程で成り立ち、データの流れ・データの活用主体を描く。資産・資源資産の重要度に応じた統制水準と、資源の配分優先順位を定める。 Aa 89

AI-Ready な組織 > MANAGE 企業方針・業務プロセス・資産/資源を共通言語として持っても、それだけでは議論はまとまらない。何のために・どう検証するか・誰が責任を持つかについて語り、投資対効果・品質コスト・影響度で優先順位を束ねる。企業方針業務プロセス推進・統制を語る上での共通言語資産・資源
価値ナラティブ投資に値する価値どの領域の問題を対象としているのか収益性・コスト削減・リスク削減への  投資対効果について語られているか共通言語をベースに何を語るかテストナラティブ検証可能な要求問題領域での I/F・品質要求について  共有化されているか検証・テストの実現方法が語られているか責任ナラティブ責任と設計意図品質に責任を持つ主体は誰かどのような意図で設計されたか投資対効果、CoQ*、影響度、蓋然性、影響範囲等に基づいて対策優先度を決定する *予防コスト < 評価コスト < 内部失敗コスト < 外部失敗コスト Aa 90 Ronald Cummings-John著, Owais Peer著, 河原田政典訳 - LEADING QUALITY

AI-Ready な組織 > MANAGE 推進・統制の施策は、定義・展開しただけでは組織の判断や行動に根付かない。判断の場面に埋め込み、人を介して広げ、事例と物語で記憶させ、反復と計測で定着させる。企業方針業務プロセス推進・統制を語る上での共通言語資産・資源
価値ナラティブ投資に値する価値テストナラティブ検証可能な要求共通言語をベースに何を語るか責任ナラティブ責任と設計意図判断の場面に埋め込む意思決定テンプレートへの組み込み軽量な承認プロセス推進・統制施策をどう組織に浸透させるか人を介して広げるチャンピオン/アンバサダー制経営層の言行一致事例と物語で記憶させるグッドプラクティスの社内共有失敗・ヒヤリハットの匿名共有計測して反復する浸透度の計測単発研修ではなく反復接触 Aa 91

AI-Ready な組織 > MANAGE 推進・統制の施策は、定義・展開しただけでは組織の判断や行動に根付かない。サイクルを通じて、利害関係者間でリスクと機会の認識を揃え、全員が『じぶんごと』として攻めと守りを両立する文化を醸成する。システムが引き起こす可能性のある潜在的なリスクを識別するリスクを継続的に監視・改善し、全体を統括する
管理緩和マネジメント特定分析  評価リスク対策の効果を定期的に測定新しいリスクの出現に対応ステークホルダーへの報告ガバナンスとポリシーの更新バイアスや差別的な判定セキュリティ脆弱性やデータ漏洩説明可能性の欠如不正確な予測や判断プライバシー侵害リスクを低減・排除するための具体的な対策を実施する特定されたリスクに対して、重症度・蓋然性・影響範囲を評価する監視・テスト体制の構築アルゴリズムの改善・調整人による審査プロセスの導入アクセス制限やセキュリティ強化ドキュメント整備や透明性向上リスクの深刻度（高・中・低）を判定発生の可能性を推測組織や利用者への実際の影響を測定リスク優先度順をつける Aa 92

ENABLE 人材・データ・技術基盤を整備し、組織全体がAIを活用できる前提条件をつくる 93

AI-Ready な組織 > ENABLE よくある失敗は、経営層からのトップダウンな施策で終わってしまうこと。フォロワーシップ・スチュワードシップを、《ひと頼み》ではなく《しくみ頼み》で機能させる。経営層トップダウン号令
現場でのAI利活用の取り組み現場担当者・現場社員におけるAI推進の実施経営層からのトップダウンな推進・統制施策フォロワーシップスチュワードシップ組織方針の策定現場・マネジメント層 Aa 94

AI-Ready な組織 > ENABLE マジョリティ層は、「自分と同じ業務の誰かがうまくいったか」でAIの採用を判断する。展開の起点は一斉導入ではなく、まずは観察可能な成功事例を特定の部門でつくることにある。イノベーター新規性で判断
アーリーアダプター実利で採用を判断採用の５要素全部門へ一斉展開するのではなく、  まずは部門で成功事例をつくる適合性既存の業務習慣・価値観と馴染むか試行可能性とりあえず小さく試せるか相対的優位性従来よりどれだけ便利になるか複雑性理解・使用が難しくないか観察可能性採用の成果が他人から見えるかアーリーマジョリティ代理体験で採用を判断自分と同じ立場・同じ業務の部門がうまくいっているかレイトマジョリティ同調圧力・必要性で採用を判断ラガード最後まで変わらない Everett Rogers - Diffusion of Innovations (1962) Aa

AI-Ready な組織 > ENABLE AI推進・統制は、現場から離れた事後の監視では確保できない。統制の知識と手段を現場に移転し、自走できるようにする『イネイブリング』機能が必要。 “ 今回⾏った調査の結果、GenAIOps を実践するチームにおいては、業務の専⾨家を開発チームの構成員
として扱い、協調して作業するケースが多く確認された。専⾨家はプロンプトの記述や評価⽤データの構築を⾏い、チームの⼀員として開発サイクルに参加していた。また、開発チームも専⾨家と⼀緒に改善サイクルを回すことで、業務で提供したい真の価値を探索している様⼦が確認できた。 ” これらの結果から、GenAIOps における第2線 (AI ガバナンスチーム) は、第1線を監視・監督するだけの存在ではなく、「イネイブリングチーム」として機能することを提唱する。 “ ” Aa Aa 96 96 Citadel AI - 生成AI実践ガイドと企業事例集 ~ 品質・安全性・ガバナンスを統合し本番運⽤へ導くフレームワーク

MATURE AI活用の実態と統制の実効性を計測・監査し、そのフィードバックで組織全体を継続的に進化させる 97

AI-Ready な組織 > MATURE 高いケイパビリティがある組織ほど、AIに任せられる範囲を安全に拡げ続けられる。任せるほど判断はスケールし、速くなるだけでなく、判断の過程を説明でき、異常があれば止められる。業務の判断分岐が記述され、第三者が再現できるデータと業務文脈がAIから参照可能な形に構造化される AIの出力を評価し、異常時に止めて戻せる基盤がある統制と促進の二軸でガバナンスが設計・運用されている
業務ごとに介入点と責任の所在が定義されている社員が委譲範囲を判断し、出力を検証できる判断のスループットが人数に比例しなくなる判断の過程が記録され、再現・監査可能になるタスクの効率化を超えて、プロセス自体を再設計できる委譲範囲と統制を対外的に説明でき、信頼を調達できる人間の時間が判断・例外処理・改善に再配分される異常が隠れず、検知され、止められる高いケイパビリティ Aa 98

AI-Ready な組織 > MATURE こんな状態よくある悩み AI 活用の是非を判断する軸・基準がない AI利用状況の管理ができていない（シャドーAI） AI
を使った成果物の責任の所在が不明確 AI導入したものの成果につながっていない AI の判断ミスが業務に影響してしまっている部門ごとのAI投資対効果を示せていない一度決めた人と AIの役割分担が固定化している効果測定にとどまり、改善・再配置に繋がらない重厚なガバナンスと柔軟な組み替えの両立が難しい組み替えの判断が特定の人材に依存する Phase.01 初期 AI活用が個人任せで、成果が属人化している AI活用の是非を判断する軸・基準がない Phase.02 導入•管理ツールを導入し利用状況やアクセス権を管理できている業務プロセスは変わらず、既存業務の効率化にとどまる Phase.03 標準化従業員のAIリテラシーを底上げできている AIという手段を前提に業務・意思決定プロセスを見直している人とAIの役割や価値を組織横断で定義・共有している Phase.04 評価•改善 AIの寄与と成果を定量的に把握し、適切な撤退を行っている AIをどこに投じるかが根拠にもとづいて判断されている Phase.05 最適化人とAIの役割を変化に応じて柔軟に組み替えている生まれた余力が価値ある領域に再投資されている Aa 99 参考: Luis Gorgona - Building a Maturity Model for COBIT 2019 Based on CMMI

AI-Ready な組織 > MATURE これまで整備してきた方針・運用体制・組織能力が実際にどこまで根付いているかを測る。評価モデルを用いて、現在地を可視化し、継続的な高度化につなげていく。 OWASP - AI Maturity
Assessment Aa 100

AIネイティブな組織 > ケイパビリティ・マチュリティマチュリティではなく、ケイパビリティに注目すべきという論点もある。 “ マチュリティモデルは「所定のレベルに到達すれば完了」という到達点に近い発想。  一方で技術の変革は、到達点ではなく継続的改善のパラダイムで捉えるべき。  マチュリティモデルは「同レベルのチームは似た状態にある」という前提で、同一ツールや施策を勧めがち。 
チーム毎に状況・扱うシステム・目標・制約は異なるため、取り組むべき施策もチームごとに異なるはず。  マチュリティモデルは、成果と切り離して習熟度やツール利用状況を測るものが多い。  ケイパビリティモデルは、結果を起点にその手段が成果をどう良くするかを重視する。  マチュリティモデルは到達すべき静的なレベルを定義する。  ケイパビリティは変化し続ける環境にも応用できる動的な概念を定義する。 ” A 101 Nicole Forsgren, Jez Humble, Gene Kim - LeanとDevOpsの科学

AI Ready な組織 > ここまでのまとめ GOVERN AI推進・AI統制の失敗の本質は、不足よりも乖離にある統制論の多くは、その実効性がトップの行動に依存
する MANAGE 共通言語として、企業方針、業務プロセス、資産・資源、をまず明らかにする共通言語をベースに、価値、検証、責任、についてステークホルダー間で語り合う一過性の取り組みではなく、継続的・定期的なサイクルとして捉える ENABLE 現場社員・責任者による協力が必要不可欠だが、マジョリティ層は動かない AI推進・統制は、現場から離れた事後の監視では確保できない知識と手段を現場に移転し、自走できるようにする MATURE 高いケイパビリティがある組織ほど、AIに任せられる範囲を安全に拡げ続けられるケイパビリティ・マチュリティは段階的に捉える Aa 102

正のインパクトをどう生み出すか 103

AI Ready な組織 > 正のインパクトをどう生み出すか ❶ 戦略・経営のコミットメント ❷ 業務プロセス ❸
セキュリティ ❹ テクノロジー基盤 ❺ データ基盤 ❻ 組織文化・推進体制  ❼ 人材・リテラシー Aa 104

AI Ready な組織 > 正のインパクトをどう生み出すか正のインパクト最大化のために、AI Readiness 段階における施策がどう成果につながるかを考えたい。 DORA Models
は「ソフトウェア開発」チームに焦点を当てているので一般化したい。 DORA Core Model https://dora.dev/research/ DORA AI Capabilities Model https://dora.dev/ai/ Aa 105

AI Ready な組織 > 正のインパクトをどう生み出すか Capabilities Performance Agility ✔︎ 委譲可否の判断速度
✔︎ ポリシー改訂の追随 GOVERN 速く決め、多く試し、速く届け、速く適応する MANAGE ✔︎ 変更リードタイム ✔︎ 評価サイクル速度 ENABLE ✔︎ 試行の立上げ速度 ✔︎ 試行回数 ✔︎ 習熟速度 GOVERN ✔︎ AIへの委譲範囲 ✔︎ ポリシー設計 ✔︎ 責任ルーティング ✔︎ 対外説明 MANAGE ✔︎ 品質メトリクス ✔︎ リスク管理・運用 ✔︎ 監査証跡維持 ✔︎ 変更管理 Reliability GOVERN ✔︎ 委譲判断の一貫性 ✔︎ 責任所在の即答性ブレずに、止まらず、続ける MANAGE ✔︎ 出力品質の安定性 ✔︎ 異常検知/停止/復旧 ✔︎ 監査証跡の完全性 ENABLE ✔︎ 基盤の可用性 ✔︎ 属人依存の低さ ✔︎ コンテキストの鮮度 ENABLE ✔︎ 課題特定 ✔︎ コンテキスト基盤 ✔︎ 技術基盤の提供 ✔︎ 社員のスキル形成表明したポリシーと運用実態の一致が、検証可能な実績として蓄積される履行の積み重ねでしか得られず、一度の毀損で失われる非対称な資本蓄積された信頼が「関係資本」となり、次の委譲拡大の原資になる Integrity 速さと安定に、言行一致を重ねる MATURE ✔︎ 組織学習 ✔︎ 定期評価と改訂 ✔︎ 履行実績の蓄積 Outcomes Time-to-Value 短縮、仮説検証サイクル高速化 ROI・収益貢献の早期実現イノベーション速度向上ビジネス価値創出リスク予測可能性インシデント損失の最小化コンプライアンス下振れ（規制違反・罰則）の回避リスクの最適化リソースの最適化コスト予測可能性再作業・手戻りコスト削減人材・計算資源の効率化自己改善する組織パフォーマンスステークホルダー信頼・規制当局との関係構築 A/R/I の継続的向上による長期AI価値創出能力持続的な競争優位性 Alomati 106

AI Ready な組織 > 正のインパクトをどう生み出すか Four Keys は、ソフトウェア開発チームのパフォーマンスと生産性を測定・可視化する指標 AI Ready
な組織では、AIにどれだけレバレッジをかけたかという先行指標を加える。変更リードタイムデプロイ頻度変更障害率サービス復元時間手戻り率 Four Keys + 1 先行指標：入力側遅行指標：出力側試行回数スループット AI Ready 組織の主要指標 AI委譲度手戻り耐性 Aa 107

AI Ready な組織 > 正のインパクトをどう生み出すか試行回数カウンター指標 ⇆ スループット単位期間あたりに検証できた仮説・試行
の数、あるいは探索の並列度。試作コスト低下したことで、成果の質が一発の精度ではなく試行の母数に規定されるようになった。期間あたりの実験・プロトタイプ数仮説検証のサイクルタイム並列稼働エージェント数健全な破棄率 AIのトークン消費量 3案を並列に作って2案を捨てる組織は、 1案を慎重に作る組織より学習が速い。 Aa 108

AI Ready な組織 > 正のインパクトをどう生み出すか AI委譲度カウンター指標 ⇆ 手戻り耐性人間の介在なしにAIが完遂できる仕事の
割合と、その委譲対象の複雑度。補完・タスク委譲・ワークフロー委譲の段階があり、どのレベルの仕事をどれだけ任せられているか。 AI完遂タスク比率タスクあたりの人間介入ポイント数エージェントの自律実行時間 AI生成コード比率完全自動化高度自動化条件付き自動化部分自動化支援《条件付き自動化》と《高度自動化》の間にはとても大きな壁・インパクト差がある Aa 109

AI Ready な組織 > 正のインパクトをどう生み出すかスループットカウンター指標試行回数 ⇆ 単位期間あたりに完了した価値単位の量
と、業務全体で改善された時間価値。 AI生成物が増えたことで出荷量よりも、解決した課題・完了したエピックに価値がシフトした。チームあたり完了エピック数業務全体のリードタイム顧客に届いた機能数一部のタスクを高度化・効率化しても全体が改善されないと意味がない Aa 110

AI Ready な組織 > 正のインパクトをどう生み出すか適切に捨てる判断手戻り耐性カウンター指標 AI委譲度 ⇆
出荷した成果物のうち、計画外の修正なしに生き残る割合。 AI時代のボトルネックは人間側の検証能力にシフト。レビューや検証等を含めた、AI出力を安全に吸収する能力。 loop lifelong cycle ゴミを出さない計画外修正の頻度 N日後のAI生成物の生存率変更失敗率 PRレビュー滞留時間インシデント/変更比率手戻りコストを抑えつつ、捨てて進化する判断をループの外に持つ Aa 111

AI Ready な組織 > ここまでのまとめ AI-Ready な組織 GOVERN / MANAGE
/ ENABLE / MATURE / 現場部門の観点並列関係で捉えるのではなく、正のインパクト最大化も重要な論点正のインパクト最大化のモデル Agility / Reliability / Integrity を通じて価値創出につながる Integrity では、蓄積された信頼が関係資本となり、次の委譲拡大の原資になる AI時代に重要となる４つの指標試行回数 ... 試行コストが低下。トークン・試作回数を増やしつつ量質転化できるか。 AI委譲度 ... 人の介在がリードタイムのボトルネックに。質を高めつつどれだけ委譲できるか。スループット ... 一部の改善では、全体的な価値影響は少ない。全体を通して価値を出せるか。手戻り耐性 ... AI出力により手戻りも増加。適切に捨てる判断も含め、アセットを使い回せるか Aa 112

AI Ready な組織 > 組織におけるAIネイティブ化レベルこんな状態よくある悩み Phase.01 初期 AI活用が個人任せで、成果が属人化している
AI活用の是非を判断する軸・基準がない得られたノウハウが組織に蓄積されない AI 活用の是非を判断する軸・基準がない AI利用状況の管理ができていない（シャドーAI） Phase.02 導入•管理ツールを導入し利用状況やアクセス権を管理できている従業員のAIリテラシーを底上げできている業務プロセスは変わらず、既存業務の効率化にとどまる AI を使った成果物の責任の所在が不明確 AI導入の中期計画を説明できない Phase.03 標準化 AIをデータから価値への変換を行う手段として捉えている AIを前提に業務・意思決定プロセスを見直している人とAIの役割や価値を組織横断で定義・共有している AI の判断ミスが業務に影響する部門ごとのAI投資対効果を示せていない Phase.04 評価•改善 AIの寄与と成果を感覚でなく定量的に把握している効果が出ていない取り組みを撤退している AIをどこに投じるかが根拠にもとづいて判断されている一度決めた人とAIの役割分担が固定化している効果測定にとどまり、改善・再配置に繋がらない Phase.05 最適化人とAIの役割を変化に応じて柔軟に組み替えている生まれた余力が価値ある領域に再投資されている重厚なガバナンスと柔軟な組み替えの両立が難しい組み替えの判断が特定の人材に依存する Aa 114 参考: Luis Gorgona - Building a Maturity Model for COBIT 2019 Based on CMMI

弊社 MISSION

A I Tr a n s f o r m
a t i o n AI導入する企業は増加したが、その多くは成果につながっていない。成果の分岐点は、業務プロセスの再設計や推進体制といった「組織側の変革」にある。（Algomaticが目指す企業のあり方の型） Aomati 116 鴨居 - AlgomaticのCEOに就任します

AI Ready な組織 AI Ready との接続を考えるとこんな感じか 👉 Aa 117

業務変革 119

AI Transformation > 業務変革 AXでは、DXが踏み込めなかった「人の判断を含む複合業務」まで統合対象が広がる。業務変革の単位は、タスク単位の効率化からプロセス単位の再設計へと移る。 DX時代決定論的なふるまいを統合人の判断が入る余地はなかった労働生産性
= （点）単純な業務が対象労働投入量 (人・時間) 産出量や産出額 AX時代（線）複合的な業務も対象非決定論的なふるまいも統合人の判断と協働する余地がある労働生産性 = 労働投入量 (人・時間) 産出量や産出額 Aomati 120

AI Transformation > 業務変革 AI時代を生き残る組織は、２つの構造を併せ持つ。標準化できる領域はムダを減らして余力を生み、そうでない領域は人とAIの権限・裁量を設計して調和させる。業務を再設計・標準化し、自動化によりムダ・ムラ・ムリを削減。生まれた余力を、より付加価値の高い業務へ再配分する。標準化・効率化を追求する AIに委ねる裁量の範囲と人が持つ実行権限を意図的に設計。
分散したチェック体制で人とAIが調和しながら成果を出す。人と技術の調和を重視する Aomati 121

AI Transformation > 業務変革リーンオペレーション生産性の向上を目指して、業務効率の改善と価値強化を継続的に追求するプロセス。組織のオペレーションを効率化し、それによって生まれた余力を再投資する。 1. 現場の可視化現在の業務のプロセス
・手順を把握する徹底化 2. 標準化・単純化プロセス・手順が定まり継続的に改善できるプロセス・手順・ナレッジ・仕組み・装置等の標準化と単純化業務内容の分類と分岐 5. 育成効率化  ・定着化効率的な人材育成ができる適切にアサイン可能 6. 安定遂行現場が迷わずに  日々の業務ができる知識、プロセス、手順、情報の探索、作業結果の共有 7. 手戻り防止作業のロス、手戻り発生を  未然に防止できる 3. 外部化 BPOで業務を外部化し  リソースを最適化できる適切にアサイン可能 4. 自動化業務を自動化して  リソースを最適化できる知識、プロセス、手順、情報の探索、作業結果の共有庄司啓太郎 - リーンオペレーション「仕組み化」の教科書ムダを断ち、余力を価値に変える業務改革の9ステップ 8. 価値強化業務の結果を評価して価値を強化できる 9. 改善定着改善行動を確実に実行できる標準化・単純化・徹底化の各々のパートの改善へと循環する Aomati 122

AI Transformation > 業務変革社会技術システム論技術と人・組織を切り離さず、両者の結合を同時に設計することで成果を最大化する理論。 AIが労働力として組織に加わる時代において、再び注目を浴びている。入力を出力へ変換するための要素。テクノロジーやツール、技法に加え、
それらの作業構造・プロセスを含む。技術システム組織で働く人々とその関係性に関わる要素。スキル・価値観、チーム編成、調整・統制、責任と意思決定の委ねられ方を含む。社会システム Aomati 123

AI Transformation > 業務変革 Cherns原則（社会技術システム論）... 裁量を現場に、規定は最小限に、修正は発生源で AIへの権限委譲や監督のあり方を定めるAI時代のガバナンスは、この思想を受け継ぐ。互換性設計のプロセス自体が、目指す目標と整合していなければならない。トップダウンで一方的に決めた設計では、参加型組織は生まれない。
最小限の重要指定何をすべきかを明確にする。一方で、どうやるかは現場の裁量や創意工夫の余地を残す。分散制御エラーや問題は、それが発生した場所にできるだけ近いところで検出・修正されるべき。情報フロー情報は、実際にそれを使って判断・行動する現場の作業者に直接届くようにすべき。権力と権限責任を果たすために必要な資源（情報・道具・人員など）にアクセスする権限を、実際にその責任を負う人に与えるべき。多機能原則変化や不確実性に対応できるよう、個人やチームが複数のスキル・機能を持つべき。支援の整合性評価制度、報酬、研修などの支援システムが、目指す社会的行動（協働・自律性など）を強化する方向で設計されるべき。移行組織旧システムから新システムへの移行自体を、計画的にマネジメントする必要がある。不完結性設計は一度きりで終わるものではなく、継続的に見直し・調整を繰り返すべき。 Cherns - Principles of Sociotechnical Design Revisted (1987) Aomati 124

組織変革 125

AI Transformation > 組織変革経済産業省 - AX時代におけるスキルのあり方検討ワーキンググループ Aomati 126

AI Transformation > 組織変革弊社メンバーの記事紹介組織変革本部 BizDev 永井 https://note.com/famous_macaw5829/n/n17cd0d315a35 AI時代の組織変革の本質を、5つの命題で整理
“ AI変革の本丸は、  ツール導入ではなく「組織変革」である  AIは、組織のかたちそのものを書き換える  組織像を絵に描いた餅にしないための鍵は、  人事機能の再設計にある  AI時代の本当の競争優位は、自社らしさにある  そしてこれは、いつかやる話ではなく、  今日どこから手を付けるかの話である ” Aomati 127

AI Transformation > 組織変革 AIが組織に与える影響をふまえると、組織体制が変わっていく方向性は大きく３つ考えられる。組織変革本部永井 - AIで成果を出す企業が、最もこだわっている「組織変革」 Aomati
128

AI Transformation > 組織変革はじめにやるべきことは、自分たちが今、4つのステップのどこで止まっているのか戦略などが決まらずとも施策は実行していくべき。組織変革本部永井 - AIで成果を出す企業が、最もこだわっている「組織変革」
Aomati 129

AI Transformation > 組織変革弊社メンバーの記事紹介組織変革本部事業部長齋藤 https://note.com/kotasaito0922/n/nccf77250ee88 AIの企業変革では人材育成を含む組織の変革が必要、 
AI人材育成を成功させる「6つのチェックリスト」を紹介 “ 生まれた時間を活用し、  生み出すべき価値を決めているか  AI推進チームが存在し進めているか  誰をAIアンバサダーに育てるか  どの部署からAIアンバサダーを育てていくか  AIアンバサダーをどのレベルまで育てるか  経営層によるAIへのコミットメントがあるか ” Aomati 130

AI Transformation > 組織変革 AI推進チームは現場のプロではないケースが多く、人数も限られている。現場で協力者となる「AIアンバサダー」がいることで、並列で複数のAI活用が進む。組織変革本部齋藤 - AI人材育成、何から始める？200社支援でわかった6つのチェックポイント
Aomati 131

AI Transformation > 組織変革全社員をAIのプロにするのは現実的ではない。だからこそ、各部門で選抜した「AIアンバサダー」を育てることが大事になる。 Aomati 132 組織変革本部齋藤
- AI人材育成、何から始める？200社支援でわかった6つのチェックポイント

AI Transformation > 組織変革弊社メンバーの記事紹介組織変革本部エンジニア大見川 https://tech.algomatic.jp/entry/advent-calendar/2026-06/ workforce-reallocation-ai
AI時代の人材配置について、AIによって生まれた人的リソースを、どの業務・スキル・組織に再投資するのかを解説。 Aomati 133

AI Transformation > 組織変革企業内の異動配置に落とし込む際は、スキルを媒介にして人とタスクを結びつける、スキルベースという考え方が主流に。タスクが要求するスキルと人が持つスキルを照合することで、配置可能性を考える。 Aomati 134 組織変革本部大見川
- AI時代の人材配置を考える ~固定された組織から変化する組織へ

システム変革 135

AI Transformation > システム変革 AI は『問いかけに答える道具』から『仕事を任せられる実行主体』へと変わりつつある。システム変革の前提は、この実行主体を組み込める形へ業務とシステムを設計し直すことにある。 AI性能の向上処理可能な情報の拡大自律性
プロアクティブ性基礎/応用能力だけでなく実社会での課題解決能力も高くなっているアラインメント研究により安全面での対策も進んでいる言語だけでなく、画像・動画・音声をはじめとする多様なモダリティを扱えるようにツール呼び出し・MCP を通して現実のデータにアクセスしやすくなっているルーティング・オーケストレーション設計による複雑なタスクを構成的に分解して扱うようにハーネス・自己改善ループの設計により、長時間タスクの依頼が可能に特定のイベントをトリガーに起動することで、気づいたら終わっているようなプッシュ型体験へ Aomati 136

AI Transformation > システム変革これからの企業システムには、人間に加えてAIエージェントという新しい利用者が接続してくる。その接続口は個別に作り込むものではなく、標準規格として整備されつつある。 AIエージェントを外部のツー
ル・データベース・ A PIに統一的な方法で接続する。個別の連携コードを書かずに、エージェントが必要な情報やツールへプラグアンドプレイでアクセスできるようにする。 Model Context Protocol AIエージェントが商品発見・カート・チェックアウト・注文管理までの商取引フロー全体を実行できるように標準化する。ECサイトごとの個別対応を不要にし、エージェント経由の購買を単一の統合ポイントに集約する。 Universal Commerce Protocol Agent-to-User Interface エージェントが処理結果をテキストではなく、フォームやダッシュボードなどの操作可能なUIとして動的に生成・提示できるようにする。画面ごとのフロントエンド実装を不要にする。異なる開発者・プラットフォームで作られたエージェント同士が、互いの能力を発見し、安全に通信・タスク委譲できるようにする。複数の専門エージェントが連携するマルチエージェントシステムの基盤となる。 Agent-to-Agent エージェントが行う支払いに対して「誰が・何を・いくらまで承認したか」を証明し、支出上限などのガードレールを適用する。承認の証跡を残すことで、エージェントによる意図しない購入を防ぐ。 Agent Pa yments Protocol Open Kno wledge Format 指標定義・スキーマ・業務手順など、組織内に散在する知識を人間とエージェントの双方が読める共通形式で記述する。どのエージェントからでも同じ知識を参照・交換できるようにする。 A omati 137

AI Transformation > システム変革 AIの出力の良し悪しは、開発者ではなく業務の専門家にしか判定できない。小さく速く回す DevOps ループの中に専門家の暗黙知を取り込む「協調のしくみ」を組み込む。 Citadel AI
- 生成AI実践ガイドと企業事例集  ~品質・安全性・ガバナンスを統合し本番運⽤へ導くフレームワーク Aomati 138

AI Transformation > システム変革コーディングエージェントの登場により、開発ループの実行工程をAIへ委譲するように。人間の仕事は意図を仕様に落とす上流と、成果を検証する下流に移るが、そこがボトルネックになる。 Aomati 139

AI Transformation > システム変革弊社メンバーの記事紹介 AI駆動開発セクター渋谷 https://speakerdeck.com/sergicalsix/ hanesuenziniaringunogai-yao-toshe-ji-si-xiang ハーネスエンジニアリングの背景・定義・構成を整理
実際のコーディングの際のポイントを紹介 Aomati 140

AI Transformation > システム変革コーディングエージェントの登場により、開発ループの実行工程をAIへ委譲するように。同時に、安全に動かすためのハーネスという仕組みを設計・開発することが重要に。 Aomati 141 AI駆動開発センター渋谷
- ハーネスエンジニアリングの概要と設計思想

AI Transformation > システム変革弊社メンバーの記事紹介 AI駆動開発セクター渋谷 https://speakerdeck.com/sergicalsix/shi-yang-qu-dong-kai-fa- woshi-xian-surushang-liu-gong-cheng-niokeruaiesientohuo- yong
AIコーディングの課題と仕様駆動開発、開発サイクルにおけるAIエージェントの活用について紹介 Aomati 142

AI Transformation > ここまでのまとめ業務変革業務効率化だけでなく、一人当たりの生産性向上に貢献するモデルを検討する標準化・効率化を追求しつつ、人とAIの共同最適化
についても検討する組織変革人材育成・イネーブリングを伴う、定着化・最適化スキルベース組織の再注目に伴う、人的資源の再配置・再投資システム変革人とAIを繋ぐ、あるいはAIのやり取りを規定する標準規格が整備されている GenAIOps = 高速 DevOps + 業務の専門家による協調開発ループの実行工程をAIへ委譲するようになったことで、ハーネスの作り込みが重要に要求・要件、設計思想をAIと共有する、仕様駆動開発の注目度が高くなっている本資料で語っていない他の観点データ品質マネジメント・セマンティックレイヤーの作り込み System of Intelligence による意思決定の枠組み Aomati 143

最後に伝えたい内容を再掲 144

AI時代を生き残る > 組織でAI利活用を推進する利便性が共有され安全施策が重なることで技術は受容され浸透する・利便性、変革可能性・事故への安全意識
まだ浸透していないすでに浸透している A 145

AIネイティブな組織状態のレベル分けこんな状態よくある悩み AI 活用の是非を判断する軸・基準がない AI利用状況の管理ができていない（シャドーAI） AI を使った成果物の責任の所在が不明確 AI導入したものの成果につながっていない AIの
判断ミスが業務に影響してしまっている部門ごとのAI投資対効果を示せていない一度決めた人と AIの役割分担が固定化している効果測定にとどまり、改善・再配置に繋がらない重厚なガバナンスと柔軟な組み替えの両立が難しい組み替えの判断が特定の人材に依存する Phase.01 初期 AI活用が個人任せで、成果が属人化している AI活用の是非を判断する軸・基準がない Phase.02 導入•管理ツールを導入し利用状況やアクセス権を管理できている業務プロセスは変わらず、既存業務の効率化にとどまる Phase.03 標準化従業員のAIリテラシーを底上げできている AIという手段を前提に業務・意思決定プロセスを見直している人とAIの役割や価値を組織横断で定義・共有している Phase.04 評価•改善 AIの寄与と成果を定量的に把握し、適切な撤退を行っている AIをどこに投じるかが根拠にもとづいて判断されている Phase.05 最適化人とAIの役割を変化に応じて柔軟に組み替えている生まれた余力が価値ある領域に再投資されている A 146 参考: Luis Gorgona - Building a Maturity Model for COBIT 2019 Based on CMMI

AIネイティブな組織状態のレベル分けこんな状態よくある悩み Phase.01 初期 AI活用が個人任せで、成果が属人化している AI活用の是非を判断する軸・基準がない AI 活用の是非を判断する軸・基準がない AI利用状況の管理ができていない（シャドーAI）
Phase.02 導入•管理　＝ AI Enabled ツールを導入し利用状況やアクセス権を管理できている業務プロセスは変わらず、既存業務の効率化にとどまる AI を使った成果物の責任の所在が不明確 AI導入したものの成果につながっていない Phase.03 標準化　＝ AI Readiness 従業員のAIリテラシーを底上げできている AIを前提に業務・意思決定プロセスを見直している人とAIの役割や価値を組織横断で定義・共有している AIの判断ミスが業務に影響してしまっている部門ごとのAI投資対効果を示せていない Phase.04 評価•改善　＝ AI Transformation AIの寄与と成果を定量的に把握し、適切な撤退を行っている AIをどこに投じるかが根拠にもとづいて判断されている一度決めた人と AIの役割分担が固定化している効果測定にとどまり、改善・再配置に繋がらない Phase.05 最適化　＝ AI Native 人とAIの役割を変化に応じて柔軟に組み替えている生まれた余力が価値ある領域に再投資されている重厚なガバナンスと柔軟な組み替えの両立が難しい組み替えの判断が特定の人材に依存する A 147 参考: Luis Gorgona - Building a Maturity Model for COBIT 2019 Based on CMMI

AI Ready な組織 ❶ 戦略・経営のコミットメント ❷ 業務プロセス ❸ ガバナンス ❹
テクノロジー基盤 ❺ データ基盤 ❻ 組織文化・推進体制  ❼ 人材・リテラシー Aa 148

AI Ready な組織 > 正のインパクトをどう生み出すか Capabilities Performance Agility ✔︎ 委譲可否の判断速度
✔︎ ポリシー改訂の追随 GOVERN 速く決め、多く試し、速く届け、速く適応する MANAGE ✔︎ 変更リードタイム ✔︎ 評価サイクル速度 ENABLE ✔︎ 試行の立上げ速度 ✔︎ 試行回数 ✔︎ 習熟速度 GOVERN ✔︎ AIへの委譲範囲 ✔︎ ポリシー設計 ✔︎ 責任ルーティング ✔︎ 対外説明 MANAGE ✔︎ 品質メトリクス ✔︎ リスク管理・運用 ✔︎ 監査証跡維持 ✔︎ 変更管理 Reliability GOVERN ✔︎ 委譲判断の一貫性 ✔︎ 責任所在の即答性ブレずに、止まらず、続ける MANAGE ✔︎ 出力品質の安定性 ✔︎ 異常検知/停止/復旧 ✔︎ 監査証跡の完全性 ENABLE ✔︎ 基盤の可用性 ✔︎ 属人依存の低さ ✔︎ コンテキストの鮮度 ENABLE ✔︎ 課題特定 ✔︎ コンテキスト基盤 ✔︎ 技術基盤の提供 ✔︎ 社員のスキル形成表明したポリシーと運用実態の一致が、検証可能な実績として蓄積される履行の積み重ねでしか得られず、一度の毀損で失われる非対称な資本蓄積された信頼が「関係資本」となり、次の委譲拡大の原資になる Integrity 速さと安定に、言行一致を重ねる MATURE ✔︎ 組織学習 ✔︎ 定期評価と改訂 ✔︎ 履行実績の蓄積 Outcomes Time-to-Value 短縮、仮説検証サイクル高速化 ROI・収益貢献の早期実現イノベーション速度向上ビジネス価値創出リスク予測可能性インシデント損失の最小化コンプライアンス下振れ（規制違反・罰則）の回避リスクの最適化リソースの最適化コスト予測可能性再作業・手戻りコスト削減人材・計算資源の効率化自己改善する組織パフォーマンスステークホルダー信頼・規制当局との関係構築 A/R/I の継続的向上による長期AI価値創出能力持続的な競争優位性 Alomati 149

A I Tr a n s f o r m
a t i o n AI導入する企業は増加したが、その多くは成果につながっていない。成果の分岐点は、業務プロセスの再設計や推進体制といった「組織側の変革」にある。（Algomaticが目指す企業のあり方の型） Aomati 150 鴨居 - AlgomaticのCEOに就任します

AI Transformation > ここまでのまとめ業務変革業務効率化だけでなく、一人当たりの生産性向上に貢献するモデルを検討する標準化・効率化を追求しつつ、人とAIの共同最適化
についても検討する組織変革人材育成・イネーブリングを伴う、定着化・最適化スキルベース組織の再注目に伴う、人的資源の再配置・再投資システム変革人とAIを繋ぐ、あるいはAIのやり取りを規定する標準規格が整備されている GenAIOps = 高速 DevOps + 業務の専門家による協調開発ループの実行工程をAIへ委譲するようになったことで、ハーネスの作り込みが重要に要求・要件、設計思想をAIと共有する、仕様駆動開発の注目度が高くなっている本資料で語っていない他の観点データ品質マネジメント・セマンティックレイヤーの作り込み System of Intelligence による意思決定の枠組み Aomati 152

Algomaticをもっと知る公式サイト https://algomatic.jp/ 公式note https://note.com/algomatic_oa 技術ブログ https://tech.algomatic.jp/ X https://twitter.com/AlgomaticJp
153

AIネイティブな組織を問い直す

AIネイティブな組織を問い直す

More Decks by Shumpei Miyawaki

Other Decks in Business

Featured

Transcript