AI活用の定着支援2026｜研修の後に使われなくなる3つの断層

ライセンスは全員に配り終えた。研修も2回やった。それでも3ヶ月後に開いてみると、実際に使っているのは一部の人だけで、業務のやり方そのものは何も変わっていない。AI活用 定着 支援という話が社内で持ち上がるのは、たいていこの局面である。ここで原因をツールの性能や研修の質に求めると、次の施策も同じ場所で止まる。詰まっているのは、配った数を数えていて、業務に組み込まれた数を数えていないという一点だ。本稿では、定着を止める3つの断層と、それを埋める実装の順序、そして効果の測り方を整理する。

AI活用の定着支援が必要になるのはどの局面か

生成AIの社内展開は、最初の3ヶ月がいちばん順調に見える。契約が締結され、アカウントが発行され、キックオフの説明会には人が集まる。指標として報告されるのは「導入率100%」だ。問題が表面化するのは、その次の四半期に「で、何時間減ったのか」と経営から聞かれたときである。答えられない。答えられない理由は、効果が出ていないからではなく、効果を出したかどうかを判定する材料を最初から集めていなかったからだ。

導入率は上がったのに成果が出ない状態の正体

この状態には、はっきりした症状が3つ出る。どれか1つでも当てはまるなら、定着支援の設計を先にやり直したほうがよい。

第一の症状は、使われている業務が周辺に偏ることだ。議事録の要約、英文メールの下書き、社内文書の体裁直し。どれも役には立つが、いずれも「間違っても誰も困らない業務」である。逆に言えば、間違うと困る業務——見積の一次作成、不具合報告の原因分類、顧客向け回答文の作成——には手が伸びない。周辺業務にしか使われないのは、現場の想像力の問題ではなく、後述する検収の断層が効いている結果である。

第二の症状は、使う人が固定されることだ。最初の1ヶ月で試した人のうち、続けているのは同じ顔ぶれで、残りは一度も開いていない。ここで起きているのは能力差ではなく、業務の型の差だ。毎日同じ形式の文書を作る人はプロンプトを再利用できるので習慣になるが、業務がその都度違う人は毎回ゼロから書くことになり、負担が上回って離脱する。この差は研修の回数を増やしても縮まらない。プロンプトを業務側に備え付けるかどうかで決まる。

第三の症状は、成果が個人の時短で止まることだ。「30分かかっていた作業が10分になった」という声は上がるのに、部門の工数計画も締切も人員配置も何ひとつ変わっていない。個人が浮かせた20分は、その人の残業が少し減るか、別の作業に吸収されて消える。組織の数字として現れないので、経営から見れば「効果がない」と同じ意味になる。ここを埋めるには、浮いた時間を何に振り替えるかを業務設計として決める必要があり、それは研修の守備範囲ではない。

「使われない」ではなく「測っていない」

この3症状に共通しているのは、いずれも「導入率」という指標では検出できないことである。導入率、すなわちライセンス配布数を対象人数で割った値は、契約した日に100%になる。それは調達が完了したことを示す数字であって、業務が変わったことを示す数字ではない。設備投資でいえば、機械が工場に納入されたことと、その機械で良品が出ていることを取り違えているのに近い。

必要なのは実利用率だ。定義は「週に1回以上、実業務のアウトプットに生成AIを使った人の割合」である。ここには2つの条件が入っている。頻度の条件（週1回以上）と、用途の条件（実業務のアウトプットに使った）。試しに触ってみた、研修中に動かした、といった行為はここに入らない。この2条件を外すと、数字は簡単に高く出るが、施策の当否を判定する力を失う。

実利用率を測り始めると、たいていの組織で最初の数字は想像より低く出る。それは失敗ではなく、いままで見えていなかった実態が可視化されただけだ。むしろここで数字が低く出ることを事前に経営層と共有しておかないと、測定を始めた月に「うまくいっていない」と判断され、活動そのものが止まる。導入から測定への切り替えは、必ず「数字は一度下がって見える」という説明とセットで行う。

もうひとつ重要なのは、実利用率が施策の効果を判定するための唯一の共通言語になることだ。研修を1回追加した、テンプレートを配布した、権限設計を変えた——どの施策も、実利用率という同じ物差しの上に効果を置ける。物差しがないと、施策は「やった/やっていない」でしか語れず、次に何をすべきかが決まらない。この構造はAI導入の効果測定をどの指標で組むかで扱った枠組みとそのまま重なる。

定着を止める3つの断層

実利用率が上がらない組織を分解していくと、詰まっている場所はほぼ3ヶ所に集約される。指標、検収、書き戻しの3つだ。これらは独立した問題ではなく、上から順に依存している。指標がなければ検収の設計が始まらず、検収が決まらなければ書き戻す対象が生まれない。

3つの断層を並べると、それぞれ「何が欠けているか」と「現場に何が起きるか」がはっきり分かれる。

この表で押さえておきたいのは、埋める担当が3つとも違うことだ。定着支援を情報システム部門の仕事として発注すると、第1の断層までしか埋まらない。第2の断層と第3の断層は業務所管部門の意思決定が要るため、外部にも情報システムにも代行できない。プロジェクトの体制を組む段階で、この3ヶ所に別々の責任者を置いておかないと、後半で必ず止まる。

第1の断層 指標の断層（配布率と実利用率）

配布率と実利用率のあいだには、たいてい大きな開きがある。前章で述べたとおり、配布率は契約日に100%に達する。一方の実利用率は、測り始めなければ永遠に空欄のままだ。値が0なのではなく、値そのものが存在しない。

この断層が厄介なのは、数字がないこと自体が「うまくいっている」ように見える点にある。悪い数字が出てこないので、報告書には導入率100%とだけ書かれ、経営層は展開が完了したと理解する。半年後に成果を問われた時点で初めて、判定材料がないことが発覚する。そのときには、最初の3ヶ月に何が起きていたかを遡って再現する手段がもうない。

測るタイミングにも順序がある。実利用率は、ライセンスを配る前——正確には、対象業務を決めた時点——から定義しておく必要がある。配ってから「さて何を測ろうか」と考え始めると、測定対象の業務が決まっていないため、「ログイン回数」のような取りやすいだけの指標に流れる。ログイン回数は測れるが、業務に組み込まれたかどうかとは無関係に動く。何を測るかは、何を変えたいかが決まって初めて決められる。

第2の断層 検収の断層（出力の責任者が決まっていない）

第2の断層は、現場から最も見えにくく、影響が最も大きい。生成AIの出力を業務に使うとき、その内容が正しいことを誰が保証するのかが決まっていない状態を指す。

具体的に考えてみる。品質保証の担当者が、顧客への不具合報告書の初稿を生成AIで作ったとする。この文書に誤りがあった場合、責任を負うのは書いた本人か、承認した課長か、それともツールを導入した会社か。この問いに社内で答えが用意されていないと、担当者にとって合理的な行動は「使わない」になる。使わなければ、少なくとも従来どおりの責任の所在で済むからだ。

ここを「AIの出力は必ず人が確認すること」という一文で済ませている規程は多い。だがこの一文は、実務上ほとんど何も決めていない。確認するのは誰か、何を確認するのか、確認した記録をどこに残すのか、確認しきれない部分が残ったときにどうするのか。これらが未定義のまま「必ず確認」とだけ書かれると、現場は確認の負荷を全部自分で背負うことになる。結果として、確認コストが従来の作成コストを上回る業務では使用が止まる。間違っても誰も困らない周辺業務にだけ使用が偏るのは、この計算が働いた結果である。

検収の設計とは、業務ごとに「何をどこまで確認すれば承認とみなすか」を書き下ろす作業だ。たとえば見積の一次作成なら、単価マスタとの突合と数量の再計算は必須、文面の言い回しは確認不要、と決める。この粒度まで決まって初めて、担当者は自分が負う責任の範囲を計算できる。範囲が計算できる業務では、人は使う。この作業は権限設計とも直結しており、どのデータにどの職位がアクセスできるかの整理と同時に進めるのが効率的だ。実務的な進め方はCopilot導入における権限設計とデータ境界の決め方に整理がある。

第3の断層 書き戻しの断層（標準作業に戻らない）

第3の断層は、成果が出た後に起きる。ある担当者が、月次報告の作成手順を工夫して、3時間かかっていた作業を1時間に短縮したとする。素晴らしい成果だ。しかしその手順が、どこにも書かれていない。本人のチャット履歴と頭の中にしかない。

この状態で本人が異動すれば、後任は3時間の手順に戻る。組織として得た時間はゼロになる。しかも厄介なことに、指標の上では「その人が使っていた期間の実利用率」は高く出ていたので、成果が消えたことに誰も気づかない。半年後に「以前は成果が出ていたはずなのに」という不可解な状況だけが残る。

書き戻しとは、個人が見つけた成功パターンを標準作業手順（SOP）の側に移す作業である。具体的には、業務手順書の該当ステップを書き換え、使用するプロンプトを添付し、確認すべき項目をチェックリストに追加する。これをやらない限り、生成AIの導入は個人の生産性向上どまりで、組織の生産性には接続しない。

書き戻しには手間がかかる。20の業務についてSOPを改訂するなら、それ自体が数百時間規模の作業になる。だからこそ、この工数を最初から予算に入れておく必要がある。後述する費用試算で第4層に320,000バーツを置いているのは、この作業を誰かの空き時間でやろうとすると必ず未完に終わるからだ。書き戻しは、余力でやるものではなく、工程として組むものである。

データで見る2026年の生成AI 社内展開の実態

ここまでの構造が、実際の数字とどう対応するかを確認する。以下の数値はすべて公表されている調査に基づくもので、出典は文末の参考情報に挙げた。

日本国内の数字（活用34.5%、規模別の差、懸念の順位）

帝国データバンクが2026年3月17日から31日にかけて実施した調査（有効回答10,312社）によると、生成AIを業務で活用している国内企業の割合は34.5%だった。規模別では大きな差がある。

この分布を「大企業ほど進んでいる」と読むのは半分しか当たっていない。従業員1,000人超で63.6%ということは、規模のある企業でも3社に1社以上はまだ業務で使っていない。そして本稿の観点から重要なのは、この「活用している」という回答が実利用率ではなく企業単位の有無だという点だ。1,000人の会社で10人が使っていても「活用している」に入る。つまりこの34.5%という数字が示しているのは、社内展開の到達度ではなく、着手の有無である。

同じ調査で挙げられた懸念の順位は、3つの断層とほぼ一対一で対応する。

1位の「情報の正確性」（50.4%）は、そのまま検収の断層である。正確性が心配だという声の実体は、間違いが起きたときに誰が責任を負うかが決まっていないことへの不安だ。3位の「活用すべき業務の範囲」（40.0%）は業務棚卸しが済んでいないことを意味し、これは実装5層でいう第1層に相当する。そして18.8%が挙げた「使いこなし格差の拡大」は、書き戻しをしていない組織で必然的に起きる現象である。個人の成果が個人に留まれば、格差は時間とともに開く一方になる。

使いこなせないのは現場ではなく課長・リーダー職

もうひとつ、社内展開の設計を根本から変える数字がある。管理職1,008名を対象にしたコーレの調査では、「生成AIを使いこなせていない層」の1位に挙げられたのは課長・リーダー職で29.3%だった。経営層が26.8%、一般職が25.6%と続く。

一般職が最下位である点に注目したい。多くの日本企業の展開計画は、暗黙のうちに「現場が使えないから教える」という前提で組まれている。しかしこの数字が示すのは、いちばん詰まっているのが中間管理層だということだ。そしてこれは、能力の問題ではなく役割の問題である可能性が高い。課長・リーダー職は自分で文書を作る量が相対的に少なく、部下の成果物を確認する側に回る。つまり生成AIを「使う」側ではなく「検収する」側にいる。にもかかわらず、研修の内容は使い方の説明に終始し、検収のしかたを教えていない。

この層が詰まると、展開全体が止まる。部下が生成AIで作った文書を、課長が確認できない——どこを見ればよいか分からない——ため、承認に時間がかかる。結果として、部下にとっては生成AIを使うほど承認が遅くなるという逆インセンティブが働く。研修の対象を一般職に集中させると、この構造は改善しない。

同じ調査で、活用を阻む要因の1位は「セキュリティ面の懸念」で33.5%、2位が「具体的な活用アイデアが出ない」で26.0%、3位が「情報システム部門の理解・協力が得られない」で22.4%だった。2位の「アイデアが出ない」は、業務棚卸しを個人の発想に任せていることの帰結である。日常業務を分解して候補を並べる作業は、担当者が片手間に思いつくものではなく、手順を持って外から進めたほうが速い。3位の情報システム部門との齟齬は、権限設計の議論を後回しにした組織で必ず出る。

世界の調査が示す逆転（従業員はもう使っている）

ここで前提をひっくり返す調査がある。Human Driven AIが3年間にわたって22社・2,724名を対象に実施し、経営層への594件のインタビューを含む企業AI調査は、専門職の85%がすでに業務でAIを使っていると報告した。同調査の結論は、AIの導入自体はもはや課題ではなく、課題は組織の適応の側にある、というものだ。

この構図は、日本本社が置きがちな前提と正面から食い違う。多くの展開計画は「従業員が使ってくれない」という問題設定から始まり、対策として研修と啓発が並ぶ。だが実態が「すでに使っているのに組織が追いついていない」であれば、必要なのは訓練ではない。業務定義の書き換え、検収基準の設定、標準作業の改訂——つまり組織側の作業である。

問題設定を間違えると、投じたコストの向き先がまるごとずれる。従業員を訓練する予算は取れたが、SOPを改訂する予算は取っていない、という状態がまさにそれだ。定着支援を「教育」として発注すると、この形になりやすい。定着支援は教育ではなく業務再設計であり、成果物は受講者名簿ではなく改訂されたSOPである。この線引きを最初にしておくと、見積の中身も検収条件も具体的になる。層ごとに誰が何を持つかの整理はAI内製化支援における層ごとの持ち場でも扱っている。

タイ・ASEANの拠点で前提が変わる点

ここまでは国を問わない構造だった。タイをはじめとするASEANの拠点では、この前提のうちいくつかが逆向きになる。日本本社の想定をそのまま持ち込むと、施策の向きが実態と反対になるので注意が要る。

Microsoft Work Trend Index 2026のタイ版データを並べると、タイの労働者がAIに対して極めて前傾していることが分かる。

この表の上の4行と下の2行で、示している方向が逆になっている点が本節の核心である。

タイの労働者はAIに前のめり（Frontier Professionals 32%）

上の4行から読めるのは、タイでは「使わせる」ための施策がほぼ不要だということだ。AIを業務の中心に据えて働くFrontier Professionalsの割合は32%で、世界平均16%の2倍にあたる。AIの出力を作業の出発点として使う人は89%に達し、AIなしでは取り残されると感じる人は85%と、世界の65%を大きく上回る。経営層が明確なAI方針を示していると答えた割合も51%で、世界の26%の約2倍だ。さらに、成果が出なくてもAIの試行を評価する経営層はタイでは3人に1人にのぼる。

外部環境の数字も同じ方向を向いている。UOB Business Outlook Study 2026（タイのSME、n=265、2026年上期）では、AIを導入しているSMEの割合は7割超で、58%がコスト削減を、44%が生産性向上を実感していると回答している。Bangkok PostとSME Asiaが報じた調査では、一貫してAIを使うタイ企業の割合が前年の32%から43%に上昇し、デジタル成熟度も4点満点で前年1.56から2.12へと上がっている。

つまり、タイ拠点で「まず生成AIの有用性を説明する研修」から始めると、内容の大半が既知の話になる。時間の使い方として効率が悪いだけでなく、現場から「本社は現地の状況を見ていない」という評価を受ける。ここは日本本社が最も外しやすい点だ。

品質管理と批判的思考の順位が低いという事実

一方で、表の下の2行は別のことを言っている。AI出力の品質管理を重要と考えるタイの労働者の割合は53%で、東南アジア6カ国中5位。批判的思考を重要と考える割合は45%で、域内最下位である。

前傾姿勢と品質管理意識の低さが同居している状態は、リスクの形として明確だ。89%が出力を出発点として使う一方で、品質管理を重要と考える層は53%と半分程度しかいない。この2つの数字が同じ母集団について同時に成り立つということは、確認されないまま次工程に流れる出力が一定量存在する、ということを意味する。製造業の間接業務でいえば、仕様書の翻訳、顧客への技術回答、不具合の暫定原因、部品表の転記——いずれも誤りが下流で高くつく業務である。

したがって、タイ拠点の定着支援では施策の順序が日本と逆になる。日本では「使ってもらう施策」を先に置き「検収の仕組み」を後から足す組み立てが一般的だが、タイでは検収を先に置く。具体的には、実務ハンズオンよりも前に、業務ごとの確認項目とチェックリストを整備する。使用はすでに始まっているのだから、後追いで規律を入れるより、規律の側を先回りさせるほうが手戻りが少ない。

この順序の入れ替えは、費用配分にも現れる。日本国内の展開では研修費の比重が大きくなりがちだが、タイ拠点では第2層（利用規程・権限設計）と第4層（標準作業への書き戻し）に厚く配分するのが実態に合う。後述する試算で第4層が最大の320,000バーツになっているのは、この判断による。

ローカルスタッフ AI教育で日本本社が外す想定

日本本社がタイ拠点のAI教育を設計するとき、外しやすい想定が3つある。

1つ目は、リテラシーが低いという想定だ。前述の数字が示すとおり、少なくとも利用意欲と使用頻度において、タイの労働者は日本より前にいる。入門的な内容から始めると、受講者の時間を無駄にする。

2つ目は、日本語で研修すればよいという想定である。日系企業の拠点であっても、間接部門の実務を回しているのはタイ人スタッフであり、日本語話者は一部に限られる。研修を日本語のみで実施すると、実際に業務でAIを使う層に届かない。後述の試算で第3層を日本語・タイ語の2言語で組んでいるのはこのためだ。加えて、業務手順書やチェックリストといった成果物も2言語で用意しないと、書き戻しが日本人駐在員の中だけで完結してしまう。

3つ目は、教育を1回のイベントとして設計する想定だ。研修を実施し、アンケートを取り、報告書を出して終わる。この形では、実利用率が実際に上がったかどうかを誰も追わない。前述のとおり、必要なのは月次で数字を見て施策を調整する運用であり、これは単発の研修では代替できない。製造業に特化した研修設計の考え方は製造業における生成AI研修の組み立て方にまとめている。

AI活用 定着 支援の実装5層

ここからは実装の話に移る。定着支援は5つの層に分けると、抜けと担当が見つけやすい。層ごとに「何を決めるか」と「決めないと何が起きるか」を並べる。

この5層で難易度が高いのは第2層と第4層である。第1層と第3層は手順が決まっていれば進む作業だが、第2層と第4層は業務所管部門の意思決定を伴うため、外部にも情報システムにも代行できない。

第1層の業務棚卸しでは、対象業務を絞ることが最も重要になる。全業務を対象にすると棚卸しだけで数ヶ月かかり、そのあいだに現場の関心が切れる。実務的には、間接部門から20業務程度を選ぶ規模が扱いやすい。選定の基準は「頻度が高い」「アウトプットの形式が定型」「誤りが即座に検出できる」の3つを満たすものを優先し、逆に「頻度が低い」「毎回条件が違う」「誤りが下流まで発覚しない」業務は初回の対象から外す。棚卸しの成果物は業務名の一覧ではなく、業務ごとの現状工数（月あたり何時間）と、その工数を誰が持っているかまで含めた表であるべきだ。工数が入っていないと、第5層で効果を測れない。

第2層の利用規程・権限設計では、前述の検収の設計がここに入る。規程に書くべきは禁止事項だけではない。むしろ重要なのは許可事項の明確化で、「この業務のこの範囲は、この確認をすれば使ってよい」という肯定形の記述が要る。禁止事項だけの規程は、書かれていないことの扱いが不明なままになり、結局は使用の抑制として働く。加えて、入力してよい情報の境界（顧客名は可か、図面は可か、原価は可か）を業務ごとに決めておかないと、判断が担当者ごとにばらつく。

第3層の実務ハンズオンで守るべき原則は1つだ。サンプルデータを使わない。自分が明日やる業務の、実際のファイルを持ち込んで動かす。サンプルで動かした研修は、満足度は高く出るが翌週に再現されない。自分のデータで一度動いた業務は、翌週も動く可能性が高い。研修の成果物は「受講した」という記録ではなく、受講者が持ち帰る動作するプロンプトと手順メモである。持ち帰る成果物を定義しておけば、研修の設計が自動的に実務寄りになる。

第4層の書き戻しは、前述のとおり工程として組む。20業務のSOP改訂を対象とし、改訂の承認者を業務所管部門の長に置く。ここで決めておくべき細部が2つある。プロンプトをどこに保管するか（個人のメモではなく、手順書からリンクできる共有の場所に置く）と、改訂の周期をどうするか（初回改訂の3ヶ月後に必ず見直す）である。生成AIのモデルは更新されるため、初回に書いたプロンプトが半年後に最適である保証はない。見直しの周期を規程に書いておかないと、SOPが古いプロンプトを抱えたまま固定化する。

第5層の伴走と月次レビューは、実装の中で最も地味で、最も効く。月に1回、実利用率と後述の3指標を出し、下がっている部署について原因を1つ特定し、打ち手を1つ決める。これだけである。重要なのは、レビューの場に業務所管部門の長が出席することだ。情報システムと推進事務局だけで開くと、報告会にはなるが意思決定の場にならない。打ち手が決まらないレビューは、3回目で自然に消滅する。

実利用率をどう測るか

第5層を回すには、見る数字が要る。ここでは何を測り、何を測らないかを決める。

測定の設計で最初にやるべきは、取れるから測るという発想を捨てることだ。ログから簡単に取れる数字ほど、業務の実態から遠いことが多い。

測ってよい指標と測ってはいけない指標

指標を2つに分けて考える。業務の変化に連動して動く指標と、業務が変わらなくても動いてしまう指標である。

測ってはいけない指標を並べたのは、これらが実際の報告書に頻出するからだ。特に研修受講率と満足度は、施策を実施した側にとって都合よく高い数字が出るため、報告の中心に据えられやすい。だが受講率が100%で満足度が満点でも、実利用率が0%であることは十分ありうる。指標が施策の当否を判定する道具である以上、実施側にとって都合よく動く指標を主指標に据えてはならない。

送信メッセージ総数についても補足しておく。この数字は一見「たくさん使っている」ことを示すように見えるが、うまく使えていない人ほど同じ質問を何度も言い換えて試すため、習熟度と逆に動くことがある。総数を追うなら、1業務あたりの往復回数が時間とともに減っているかを見るほうが、習熟の指標としては意味がある。

週次アクティブ率・業務組み込み率・書き戻し率の3本

主指標は3本に絞る。3本より増やすと、月次レビューで全部を見きれなくなり、結局いちばん取りやすい数字だけが読み上げられる。

1本目は週次アクティブ率だ。定義は「週に1回以上、実業務のアウトプットに生成AIを使った人の割合」。分子の判定は自己申告でも構わないが、その場合は業務名を必ず添えてもらう。業務名が書けない申告は、実業務での使用ではない可能性が高い。目安として、第1層で選んだ対象業務を持つ部署でこの値が50%を切っている月があれば、原因を特定する対象になる。

2本目は業務組み込み率である。定義は「第1層で選んだ対象業務のうち、SOP上で生成AIの使用が定義されている業務の割合」。分母は固定（たとえば20業務）なので、進捗が直線的に見える。この指標が動かないまま週次アクティブ率だけが上がっている場合、それは個人の工夫が積み上がっているだけで、組織としては何も確定していない状態を意味する。異動が起きた瞬間に戻る。

3本目は書き戻し率だ。定義は「現場で見つかった有効な使い方のうち、SOPまたはプロンプト集に反映されたものの割合」。この指標は分母の把握が難しいので、実務では月次レビューで報告された工夫の件数を分母に置く運用にする。厳密さより継続性を優先してよい。重要なのは、工夫が報告される経路と、それを書き戻す担当が存在することを毎月確認することにある。

この3本は、3つの断層に一対一で対応している。週次アクティブ率は指標の断層を、業務組み込み率は検収の断層を（SOPに定義するには検収基準を決める必要があるため）、書き戻し率は書き戻しの断層を、それぞれ可視化する。3本のうちどれが低いかで、次に手を入れる層が決まる。

費用と投資回収｜タイ拠点・間接部門80名の試算

金額の話に移る。以下はタイ拠点で間接部門80名を対象とし、12ヶ月の定着支援を実施した場合の試算である。前提となる数字は工場ごとに大きく異なるため、この金額をそのまま自社に当てはめることはできない。特に時間単価と1人あたり削減時間は要差し替えの変数であり、以下は計算の順序を示すための枠組みとして読んでほしい。

まず前提を置く。

時間単価の256バーツは、平均人件費を年間労働時間で割った値である。自社で計算しなおす際は、社会保険・法定福利・賞与を含めた総人件費を使うこと。基本給だけで計算すると単価が過小になり、効果額が実態より低く出る。

次に定着支援の費用を、実装5層に沿って積み上げる。

この内訳で目を引くのは、最大項目が研修（240,000バーツ）ではなく書き戻し（320,000バーツ）であることだろう。一般的な「AI研修」の見積では、この第4層が丸ごと欠けていることが多い。欠けていても提案書は成立するが、前述のとおり成果が個人に留まる構造は残る。見積を比較するときは、金額の総額よりも、SOP改訂の工数が入っているかどうかを先に確認したほうがよい。

ここから効果側を計算する。以下では実利用率の違いで3つのシナリオを比べる。1人あたりの削減時間は仮置きの値であり、自社の業務構成に合わせて差し替える必要がある。

シナリオAは、ライセンスを配って終わりにした場合である。実利用率を25%と置く。実際に使うのは 80 × 0.25 = 20名。1人あたり週2.0時間の削減と仮置きすると、年間の削減時間は 20 × 2.0 × 52 = 2,080 時間/年。金額換算では 2,080 × 256 = 532,480 THB/年の効果になる。一方で費用はライセンスのみで 1,008,000 THB/年。差引は 532,480 − 1,008,000 = −475,520 THB/年となり、毎年赤字が続く。この構造では投資回収という概念自体が成立せず、永久に回収しない。

シナリオBは、定着支援を入れて実利用率を70%まで上げた場合だ。実際に使うのは 80 × 0.70 = 56名。習熟が進む前提で1人あたり週2.5時間の削減と置くと、年間削減時間は 56 × 2.5 × 52 = 7,280 時間/年。金額換算で 7,280 × 256 = 1,863,680 THB/年。初年度の費用はライセンス1,008,000に定着支援1,130,000を足して 2,138,000 THB なので、初年度の差引は 1,863,680 − 2,138,000 = −274,320 THB で赤字になる。2年目はライセンス1,008,000に伴走のみ240,000を足した 1,248,000 THB となり、差引は 1,863,680 − 1,248,000 = +615,680 THB/年の黒字に転じる。累計での損益分岐は 12 + 274,320 ÷ (615,680 ÷ 12) = 12 + 5.3 で、約17ヶ月となる。

そして対照シナリオが本節の山場である。定着支援を入れたにもかかわらず、実利用率が50%に留まった場合を同じ式で計算する。使うのは 80 × 0.50 = 40名。40 × 2.5 × 52 = 5,200 時間/年、金額換算で 5,200 × 256 = 1,331,200 THB/年。初年度は 1,331,200 − 2,138,000 = −806,800 THB。2年目以降は 1,331,200 − 1,248,000 = +83,200 THB/年しか残らない。累計の損益分岐は 12 + 806,800 ÷ (83,200 ÷ 12) = 12 + 116 で約128ヶ月、およそ10年半かかる。システムの陳腐化と組織変更のサイクルを考えれば、これは事実上回収しないと判断すべき水準だ。

3つのシナリオを並べると、分岐している変数が何であるかがはっきりする。

シナリオBと対照シナリオで違うのは実利用率だけである。ツールは同じ、ライセンス費用も同じ、支払った支援費用も同じ1,130,000バーツ。それでも回収期間は17ヶ月と128ヶ月に分かれる。つまり、投資判断で問うべきは「どのツールを買うか」ではなく「実利用率を何パーセントまで上げられる体制か」である。そして25%と70%の差はモデルの性能差ではなく、指標・検収・書き戻しという3つの断層を埋めたかどうかの差だ。

もし第2層と第4層を回す体制に自信が持てないなら、選択肢は「導入しない」ではなく「対象を絞って始める」である。80名を一度に対象にせず、まず1部門20名程度、業務も5〜7に絞る。この規模なら支援費用も比例して下がり、実利用率が70%に届くかどうかを数ヶ月で確認できる。回収期間の感度がこれほど高い投資では、規模を広げる前に再現性を確かめるほうが合理的だ。

最初の90日で何をするか

いきなり全社展開しない前提で90日を組む。目的は成果を出すことではなく、自社で第2層と第4層が回るかを確かめることにある。

最初の30日は定義を揃える期間だ。対象部門を1つ、対象業務を5〜7に絞り、それぞれの現状工数を実測する。並行して、実利用率の定義を文書化する。「週に1回以上、実業務のアウトプットに使用」という定義と、その判定方法（自己申告か、ログか、業務名の記載を求めるか）まで決めきる。この30日でライセンスを追加購入する必要はない。既存のアカウントで足りる。

次の30日で第2層に入る。対象業務ごとに、入力してよい情報の境界と、出力の確認項目を書き出す。ここで作る成果物は規程本文ではなく、業務ごとの1ページのチェックリストである。規程は読まれないが、チェックリストは使われる。同時に、各業務の検収責任者を実名で決める。役職名ではなく実名で決めることが重要で、名前が入らない業務は、その時点で対象から外したほうがよい。責任者が決まらない業務は、どのみち使われない。

最後の30日は第3層と第4層を回す。ハンズオンを1回実施し、参加者は自分の実データで動かす。その2週間後に、実際に使い続けている業務を2〜3件選び、SOPの該当ステップを書き換える。プロンプトを共有の場所に置き、手順書からリンクする。ここまでできた業務が1件でもあれば、書き戻しの工程が自社で回ることが確認できたことになる。1件も書き戻せなかったなら、原因を解いてからでないと、対象を80名に広げても同じことが起きる。

90日の終わりに見る数字は1つでよい。対象業務のうち、SOPが改訂された業務の数である。研修の受講率でも、満足度でもない。改訂されたSOPの数が0なら、そのまま拡大してはいけない。

よくある質問

AI活用の定着支援とは具体的に何をするのか。

業務棚卸し、利用規程・権限設計、実務ハンズオン、標準作業への書き戻し、伴走と月次レビューの5層をひととおり進める作業を指す。研修はこのうちの1層でしかない。成果物は受講者名簿ではなく、改訂された標準作業手順書と、業務ごとの確認項目、そして実利用率の推移データである。発注時に成果物をこの形で定義しておくと、検収の基準が明確になる。

生成AIが浸透しない原因は何か。

本文で挙げた3つの断層に集約される。実利用率を測っていないため施策の当否が判定できないこと、AI出力の責任者が決まっていないため現場が使うほどリスクを個人で負うこと、成功パターンが標準作業に書き戻されないため成果が個人に留まることの3つだ。ツールの性能や研修の質が原因であるケースは、実務上ほとんど見かけない。帝国データバンクの調査で懸念の1位が「情報の正確性」（50.4%）だったことは、この問題が検収の未整備として現れていることを示している。

定着支援の費用はいくらか。

本文の試算では、タイ拠点・間接部門80名・12ヶ月の条件で1,130,000バーツという内訳を示した。これに生成AIライセンス1,008,000バーツ/年が加わる。ただしこれは規模と対象業務数（20業務）に依存する値で、対象を1部門20名・5業務に絞れば費用は大きく下がる。見積を比較する際は、総額よりも第4層のSOP改訂工数が含まれているかを確認するのが実務的だ。ここが欠けている見積は、金額が安く見えても成果が個人に留まる構造を残す。

研修だけでは足りないのか。

足りない。研修は実装5層のうち第3層にあたる。第1層（業務棚卸し）が済んでいなければ研修で扱う題材が決まらず、第2層（検収）が決まっていなければ受講者は翌週から使えず、第4層（書き戻し）がなければ成果は個人に留まる。研修の満足度が高いのに3ヶ月後の実利用率が上がらない、という状況が起きるのはこの構造による。逆に言えば、第1層と第2層が済んでいれば、研修そのものは短時間で足りることが多い。

タイのローカルスタッフにはどう教えるべきか。

入門的な内容から始めない。Microsoft Work Trend Index 2026によれば、タイの労働者のうちFrontier Professionalsは32%で世界平均16%の2倍、AI出力を出発点として使う人は89%に達する。使い方の説明はすでに知られている可能性が高い。一方で、AI出力の品質管理を重要と考える割合は53%で東南アジア6カ国中5位、批判的思考を重要と考える割合は45%で域内最下位である。したがって重点を置くべきは使い方ではなく、業務ごとの確認項目と検収の手順だ。教材とチェックリストは日本語とタイ語の2言語で用意し、日本人駐在員の中だけで書き戻しが完結しないようにしておく。

まとめ

生成AIが使われなくなる原因は、ツールの性能でも研修の質でもない。測っている指標が「配った数」であって「業務に組み込まれた数」ではないことにある。ここから3つの断層が派生する。実利用率を測っていないため施策の当否が判定できない指標の断層、AI出力の責任者が決まっていないため現場が自発的に使用をやめる検収の断層、成功パターンが標準作業に戻らないため成果が個人と一緒に消える書き戻しの断層である。

そして、3年間・22社・2,724名を対象にした企業調査が示したのは、専門職の85%がすでにAIを使っているという事実だった。問題は従業員が使わないことではなく、組織が使っている従業員に適応できていないことにある。つまり定着支援とは従業員を訓練する作業ではなく、業務定義・検収基準・標準作業を組織側で作り替える作業だ。タイ拠点ではこの構図がさらに鮮明になる。Frontier Professionals 32%、出力を出発点として使う人89%という前傾姿勢に対し、品質管理を重要と考える割合は53%、批判的思考は45%で域内最下位。使わせる施策は不要で、検収させる仕組みを先に置くのが正しい順序になる。

投資判断の本質も同じ場所にある。本文の試算では、同じ1,130,000バーツの支援費用でも、実利用率が70%に届けば約17ヶ月で回収し、50%に留まれば約128ヶ月かかって事実上回収しない。この分岐を決めているのはモデルの性能差ではなく、3つの断層を埋めたかどうかだ。ライセンスの見積を取る前に、実利用率をどう測るか、誰が出力を検収するか、SOPを誰が改訂するかの3点を社内で決めておくと、その後の議論はずっと具体的になる。

TOMAS TECHでは、タイおよびASEANの日系製造業向けに、業務棚卸しから利用規程・権限設計、実務ハンズオン、標準作業への書き戻し、月次の伴走までを含む生成AIの定着支援に取り組んでいます。まずは自社の実利用率をどう定義するか、どの業務から検収基準を作るかといった初期の整理からでも構いません。検討段階の材料集めとしてお使いいただければと思いますので、お問い合わせからお気軽にご相談ください。

参考情報

• Microsoft unveils 2026 AI work trends for Thailand – Microsoft Source Asia
• Microsoft Work Trend Index（タイの労働者のAI利用動向） – The Story Thailand
• 生成AIの活用に関する企業の意識調査（2026年3月・有効回答10,312社） – 帝国データバンク
• 管理職1,008名に聞いた生成AI活用の実態調査 – コーレ
• Three-Year Enterprise AI Study – AI Adoption Is No Longer the Challenge, Organizational Adaptation Is
• UOB Business Outlook Study 2026（タイSMEのAI導入状況） – ThaiPR
• AI adoption helps Thai firms become digitally mature – Bangkok Post
• Thailand’s AI use surges to 43% but most firms still struggle in adoption – SME Asia