2026年11月11日 10:48 AM

自社が持ち続けられる AI の優位性

※本ブログは、米国時間 10 月 27 日に公開された ‘The AI advantage your company can keep’ の抄訳です。

200 社を超える企業を対象とした新たな調査では、企業がエージェントを連携させ、さらにその業務から得た教訓を運用上の強みへと変えるうえで、共有ナレッジがどのように役立つのかを考察しています。

Microsoft では日々、ビジネスリーダーの方々と、Frontier Firm になるということは組織全体にわたる自己強化型の学習システムを構築することを意味する、という点について話し合っています。リーダーの方々は、その考え方自体は理解されています。知りたいのは、それをどのように実践に移すかです。自社では、それはどのような形になるのでしょうか。最も先を行く組織は、実際に何をしているのでしょうか。そして、前進できていることは、どうすればわかるのでしょうか。

これまで、全社的な変革に向けた実践的な指針を示す研究は限られていました。Microsoft がテクノロジーとアドバイザリーを手がけるグローバル企業 Keystone と共同で立ち上げた新たな調査では、主要企業の現在の状況を測定し、ほかの企業もたどることのできる有望な道筋を示唆するパターンを見いだしました¹。

端的に言えば、多くの企業がすでにエージェントを構築し、業務に活用しています。エージェントが担う役割が広がるにつれ、今や課題は、エージェントをどのようにオーケストレーションし、そこからどのように学ぶかに移っています。この課題に対応する方法の 1 つがナレッジ スパイン (knowledge spine) です。これは、エージェントが依拠するコンテキストを、エージェントの業務から生まれる修正、テスト、教訓とともに保存・更新する共有システムです。調査対象の企業のうち、研究者らが測定した取り組み (ナレッジスパインを構成する要素を含む) をより多く実践している企業ほど、2022 年から 2025 年にかけての営業利益率と総資産利益率の伸びも大きくなっていました²。企業のエージェントが業務を通じて学んだことは、その企業だけに帰属する貴重なインテリジェンスです。

サンプルのうち、ナレッジスパインの基盤となる要素を導入している企業はわずか 3% ですが、これらの企業は、ほかの組織も踏襲できるアプローチを明らかにしています³。とはいえ、まだ初期の段階であり、本調査が示しているのは因果関係ではなく相関関係です。つまり、私たち全員がともに歩んでいる変革の道のりについて、なすべきことも学ぶべきことも、まだ多く残されているということです。

調査について

こうした企業を際立たせている取り組みが何かを探るため、研究チームはまず、高度な AI 導入を進めている 29 の組織 (AI ネイティブのスタートアップ 18 社を含む) のリーダーにインタビューを行い、運用上の共通点を特定しました⁴。次に、その結果を詳細な質問票に落とし込み、それを用いて、上場・非上場を合わせた 200 社を超えるほかの企業を評価しました。サンプルの企業はいずれも従業員数が 1,000 人を超えており、全体として金融サービス、製造、ヘルスケア、小売、テクノロジーなどの業界にまたがっています。すべての企業がすでに AI を活用していたため、このサンプルは経済全体を代表するものではありません⁵。質問票では、エージェントの構築、運用、調整、チェック、そしてエージェントからの学習のために各企業が導入している取り組みに基づいて、企業ごとにスコアを付けました。

変革のためのフレームワーク

研究者らは、企業変革を理解するためのフレームワークとして、質問票のスコアに基づいて企業を 4 つのステージに分類しました⁶。ステージ 1 の企業では、AI のパイロットプロジェクトが寄せ集めの状態にあり、チャット以外の AI 導入には至っていないことも少なくありません。取り組みは連携を欠き、実際の業務ワークフローとも結び付いておらず、ビジネスへの影響もごくわずかにとどまっているようです。

ステージ 2 では、企業はエージェントを活用して実際の業務に取り組みます。さまざまな部門にわたって特定のワークフローを対象としていますが、管理とオーケストレーションのためのシステムが欠けています。その代わりに、チームや委員会を設けて、AI 投資の優先順位付けや相互チェックを行い、分散した取り組みを管理しています。要するに、人間がエージェントを調整し、その作業をチェックしているのです。当然ながら、人間によるオーケストレーションは拡張が難しく、そのためにリターンの実現がより困難になることがあります。

ステージ 3 は転換点です。企業は、人ではなくシステムを使ってエージェントを調整し始めます。共通のナレッジベースを共有することでこれを行う企業もあれば、エージェントの作業を綿密に監視することで行う企業もあり、どの作業をエージェントが担うかはビジネス成果を指針として決められます。研究者らが一部の企業から聞いたところによると、これは主に 1 つの部門や少数のワークフローなど、ビジネスの一部で行われているとのことで、そうした範囲は始める場所として現実的です。

ステージ 4 では、これらの取り組みが 1 つにまとまります。ほとんどの企業がオーケストレーション、ガバナンス、ナレッジスパインを整備しており、多くの企業が、エージェントの業務から得た教訓を、依拠している共有ナレッジやテストにフィードバックしています⁷。これこそが進むべき方向です。すなわち、システムが調整と学習のより多くを担う、単一のエージェント型オペレーティングモデルです。

企業変革の 4 つのステージ

調査対象の企業は、AI 成熟度に基づいて 4 つのステージに分類されました。ステージ 3 は、重要なブレークスルーの始まりを示すものです。それは、業務の調整を人からシステムへと移行することです。

出典: Keystone Frontier Firms 調査、2026 年

リターンはどこに表れるのか

研究チームは、調査対象のうち 100 社を超える上場企業について 2022 年から 2025 年までの財務実績を比較し、質問票のスコアが上位 2 つの四分位に入る企業が、下位の四分位に入る企業と比べてどのような業績を上げたかを調べました。スコアが最上位の四分位に入った企業は、最下位の四分位の企業を、営業利益率の改善幅で 5 ポイント超、総資産利益率の改善幅で約 2 ポイント上回りました⁸。簡単に言えば、スコアが高い企業ほど、利益率が伸びる傾向にありました。これらの財務実績は、現在のエージェントシステムの大半が登場する以前の期間を対象としています。そのため、本調査からは、エージェントがそうした利益率の伸びをもたらしたとは言えず、言えるのは、最もスコアの高い企業がすでに何かを正しく行っていたということだけです。因果関係を検証するため、追加の調査が計画されています。

なぜ下位 2 つの四分位の企業では、利益率がほとんど変化しなかったのでしょうか。研究者らは、経済学者が「J カーブ」と呼ぶ考え方を指摘しています。大きな新技術が登場すると、企業がその技術を中心に業務を再編している間は成果が落ち込んだり遅れたりすることがありますが、そうした変化が定着すると成果は上昇に転じる、というものです⁹。エージェントの場合、この遅れは、エージェントを調整するためのシステムを構築するよりも速いペースでエージェントを導入していることから生じている可能性があります。とはいえ、成果が遅れて表れる可能性があるのなら、その過程で AI への支出をどのように管理するかが重要になります。

多くの企業は、まず従業員に AI への幅広いアクセスを提供することから始めます。その後、約半数の企業が、チームやタスクごとにトークンや支出の予算を設定しています。さらに一歩進んで支出を成果と結び付けている企業も少数あり、たとえば、ヘビーユーザーには上限の引き上げの正当性を説明させています。トークンの使用量を減らすことが、必ずしも目標というわけではありません。重要なのは、良い成果ごとにどれだけのコストがかかっているかを把握することです。そして、大きなコストとなり得るのが、エージェントの作業を人がレビューすることです。そこで、ナレッジスパインの出番となります。

エージェントのための共有ナレッジスパイン

ナレッジスパインがあれば、修正はミスをしたエージェントだけで終わらず、ほかのエージェントもそのやり取りから学習します。企業のエージェントはビジネスに関する同じ信頼できるナレッジを活用し、そのナレッジは修正のたびに改善していくことができます。原則はシンプルで、当社のエンタープライズインテリジェンスレイヤーである Microsoft IQ の背景にある考え方でもあります。つまり、共有ナレッジを 1 か所で更新し、すべてのエージェントがそれを利用できるようにするということです。これにより企業は、ナレッジスパインのうち自社にしか生み出せない部分、すなわち自社の業務から得られる修正、テスト、教訓に注力できるようになります。

ナレッジ スパインのエコシステム

連携したエージェントの活動が、共有された学びを独自のノウハウへと変える仕組み

出典: Keystone Frontier Firm 調査、2026 年

エージェントのためのナレッジスパインを構築する方法

ナレッジスパインを構築している企業は、4 つの取り組みを実践しています。これらは、ほかの企業も 1 つのチーム単位または組織全体で導入を検討できるものです。第 1 に、チャットアプリケーション、基幹システム、社内ドキュメントなどの多様なソースからビジネス運営に関するコンテキストを収集し、エージェントが最新の情報を取得できるよう一元的に保存します。第 2 に、修正を情報として扱います。誰かがエージェントの出力を修正しなければならなかった場合は、その失敗を次のバージョンのテストケースにします。第 3 に、それらすべての情報を組み合わせて、エージェントの行動を方向付けます。回答を修正するだけで終わらせず、エージェントがその種の作業をどのように処理するかを変えます。最後に、ナレッジスパインの責任者を決めます。エージェントがどのソースに依拠すべきか、それらのソースが食い違う場合にどう対処するか、古くなった情報をいつ置き換えるべきかについて、誰かが責任を負う必要があります。

これら 4 つの取り組みの根底には、共通の原則があります。それは可観測性です。エージェントをリリースする前に、企業は、過去のエラーに基づくケースも含め、期待される結果を明確に定義したテストケースのセットを作成します。これがゴールデンデータセットであり、エージェントの作業が自社の基準を満たしているかどうかを一貫した方法で確認する手段となります。ステージが進んだ企業は、エージェントが実行する各アクションや試行について詳細な運用テレメトリも取得しており、それによって、エージェントになぜ修正が必要なのか、そしてその修正をどのように実現すればよいのかを、より容易に特定できます¹⁰。

記録からエージェントが正しく作業できていることがわかれば、そのエージェントが自律的に行える範囲を広げることも選択できます。エージェントが何かを誤った場合は、その範囲を狭めることができます。エージェントは、エビデンスに基づいて自律性を獲得していくのです。

どこから始めるか

このシステムを企業全体で構築するのは容易ではなく、一度にすべてを行う企業はほとんどないでしょう。現実的な道筋は、ビジネスの一部から始めることです。1 つのチーム、またはいくつかの関連するワークフローを対象にナレッジスパインを構築し、それが機能することを実証してから、範囲を広げていきます。それでも最終的に目指すべきは、組織全体でエージェントが互いに学び合う、全社レベルのシステムです。しかし、小さく始めて、そこに向けて構築していくことができます。

次の 3 つの質問は、皆様とチームが現在の立ち位置を把握するのに役立ちます。誰かがエージェントを修正したとき、その教訓はほかのエージェントにも届いていますか。何か問題が起きるたびに磨かれていく、良い仕事の共通基準はありますか。そして、エージェントが依拠するナレッジの責任者が誰なのかを把握していますか。いずれかの答えが「いいえ」であれば、そこから始めるとよいでしょう。

これが、エンタープライズ AI における大きな変化、すなわち、モデルからシステムへ、AI の機能から AI インフラストラクチャへ、そして孤立したインテリジェンスから連携したインテリジェンスへの移行です。モデルは今後も変わり続けます。企業のエージェントが自らの業務から学んだ教訓はその企業のもとに残り続け、それこそが今すぐ構築を始めるべき優位性です。当社は本調査を、何が有効で、それをどのように構築すればよいかをお客様にご理解いただくための第一歩と考えています。さらにエビデンスが得られるにつれて、引き続きここで共有していきます。調査結果と手法について詳しくは、Keystone による Harvard Business School のワーキングペーパー「Organizing AI at Enterprise Scale」をお読みください。

¹ Sarkar, E., Abudurexiti, D., Beltinger, E., Daubenspeck, J., and Iansiti, M. (2026). “Organizing AI at Enterprise Scale: Agentic Operating Models and Firm Outcomes.” Harvard Business School Working Paper No. 27-038、2026 年 10 月。本調査の資金の一部は、Microsoft と Keystone が提供しました。また、Microsoft は初期インタビューで検討された仮説の参考となった現場での観察結果を共有しましたが、それ以外の調査のすべての側面は、Microsoft から独立して実施されました。

² Sarkar et al. (2026)、Section 5.4 および Figure 5。調査対象の上場企業について、2022 年から 2025 年までの財務実績を質問票のスコアグループ間で比較しました。取り組みはこの期間の後の 2026 年に測定されたため、結果が示しているのは過去の業績との関連性であり、因果関係ではありません。

³ Sarkar et al. (2026)、Section 5.2 および Table B5。202 社中 6 社 (3%) が、AI 運用を結び付ける 4 つの取り組みすべてを実施していると回答しました。その 4 つとは、自動的に更新されるエージェントレジストリ、本番環境のシグナルをトリガーとする評価、過去のエラーパターンのテストでの再利用、タスクに応じたモデルの選択です。

⁴ Sarkar et al. (2026)、Section 4.1 および Table A1。AI ネイティブのスタートアップ 18 社と既存企業 11 社を含む 29 の組織のリーダーへのインタビューが、質問票の作成に生かされました。

⁵ Sarkar et al. (2026)、Section 4.2。2026 年 6 月から 9 月にかけて、訓練を受けたファシリテーターが、米国内の従業員数が 1,000 人を超える米国企業 202 社の AI に関する意思決定者にインタビューを行いました。内訳は、金融サービス 42 社、製造 41 社、ソフトウェア 30 社、ヘルスケアおよびライフサイエンス 29 社、小売 21 社、その他の業種 39 社です。参加者は全員が AI を積極的に活用していたため、このサンプルは米国企業全体を代表するものではありません。

⁶ Sarkar et al. (2026)、Sections 5.2、6.1 および Figure 6。統計分析により、類似した取り組みを行う 5 つの企業グループが特定されました。研究者らはこれを、4 つのレベルから成る成熟度フレームワークの案として解釈しており、3 番目のレベルには 2 つの構成が含まれます。ここではこれを 4 つのステージとして説明しています。これらのレベルはある一時点における企業間の違いを表すものであり、論文ではレベル間の移行を今後検証すべき仮説として扱っています。

⁷ Sarkar et al. (2026)、Tables B2 および B4。ステージ 4 の企業のうち、稼働中のオーケストレーションレイヤーがあると回答した企業は 86%、共有コンテキストレイヤーがあると回答した企業は 76%、エージェントの成果に対する責任者を指名していると回答した企業は 90% でした。また、66% が本番環境で新たに発生した失敗を評価セットに加えて拡充しており、33% がエージェント運用から得た教訓を共有コンテキストに自動的にフィードバックしています。

⁸ Sarkar et al. (2026)、Section 5.4、Figure 5 および Table C3。財務データは Capital IQ による 2022 年から 2025 年のもので、総資産利益率については 113 社、営業利益率については 97 社の上場企業を対象とし、企業規模と業種に応じて調整しています。スコアが上位 2 つの四分位に入る企業は、下位の四分位の企業と比べて、営業利益率の改善幅が約 5.4 ポイント、総資産利益率の改善幅が約 2.3 ポイント大きくなりました。四分位別に見ると、営業利益率の変化は最上位の四分位で約 +5.8 ポイント、最下位の四分位で約 +0.4 ポイントであり、総資産利益率の変化はそれぞれ約 +2.3 ポイントと約 0.0 ポイントでした。

⁹ Sarkar et al. (2026)、Figure 5 および Section 6.2。調整後の営業利益率の変化は、スコアの最も低い四分位から最も高い四分位まで順に、約 +0.4、−0.3、+5.1、+5.8 ポイントでした。研究者らはこれを J 字型のパターンと説明していますが、統計的検定ではその正確な形状は確認されなかったと述べています。

¹⁰ Sarkar et al. (2026)、Table B3。スコアが最上位の四分位に入る企業の 76% が、エージェントの活動について検索可能な記録があると回答したのに対し、最下位の四分位では 8% でした。