生成AI導入の失敗2026｜95%が停滞する構造とタイ拠点の分岐点

生成AI導入の失敗は技術の問題として語られがちですが、停滞したプロジェクトを分解していくと、原因のほとんどは着手前の意思決定に集まっています。MIT NANDAの調査では、企業の生成AIパイロットの約95%が測定可能な利益への影響をほとんど、または全く生み出さずに止まっていました。本記事では、その95%と残り5%を分けているものは何かを整理したうえで、タイ・ASEAN拠点でだけ起きる固有の失敗パターンと、着手前に決めておくべき判断点をまとめます。

生成AI導入はなぜ失敗するのか｜まず数字で全体像を押さえる

「うちのPoCだけが止まっているのではないか」という前提で相談をいただくことがあります。結論から言えば、止まっているのは例外ではなく多数派です。まずは公開されている調査の数字を並べて、どこが平均線なのかを確認します。

MIT Media Lab傘下の研究イニシアティブであるNANDAが公表した「The GenAI Divide – State of AI in Business 2025」では、調査対象企業の生成AIパイロットのうち約95%が、測定可能な利益への影響をほとんど、または全く生み出さずに停滞していると報告されています。対照的に、急速な収益加速を達成したのは約5%でした。この調査は2025年の発表ですが、2026年に入っても企業のAI投資判断の議論で広く引用され続けています。

RAND Corporationの調査では、AIプロジェクトの80%超が失敗しており、これは通常のITプロジェクトの約2倍の失敗率にあたるとされています。

Gartnerは、2026年までにAI-ready dataの裏付けがないAIプロジェクトの60%が放棄されると予測しています。同社の観測では、プロジェクトの失敗率は2024年の17%から2025年には42%へ急増し、72%の企業がデータの準備不足によりAIのPoCを停止する可能性があるとされています。

日本国内の調査でも同じ傾向が出ています。管理職1,008名を対象とした2026年の調査では、生成AIによって実際に業務時間を削減できたと答えたユーザーは4人に1人にとどまりました。失敗の主因として挙がったのは、導入目的が曖昧であること、成果指標が未設定であること、AIの技術的限界を理解せず過度な期待を持ったことの三つです。

これらを並べると共通点が見えます。どの調査も「AIの性能が足りないから失敗した」とは言っていません。MIT NANDAが失敗理由として挙げているのは、企業統合の問題と予算配分の誤りです。Gartnerが挙げているのはデータの準備不足です。国内調査が挙げているのは目的と指標の欠落です。いずれもモデルの外側、つまり導入する側の設計に属する問題です。

この点は、経営会議での議論の向きを変えます。「どのモデルを使うか」「どのツールを契約するか」という比較検討に時間を使っても、95%側から5%側へ移動する効果はほとんどありません。移動を決めているのは、後述する課題の選び方、パートナーの選び方、データの状態の三つです。

生成AI導入の失敗は4つの構造に分解できる

停滞している案件を個別に見ていくと、原因は毎回違うように見えます。しかし整理すると、ほぼ4種類に収束します。ここでは順に見ていきます。

目的が曖昧なまま始まっている

最も多いのがこれです。「まずは触ってみよう」で始めたPoCには、終わり方が定義されていません。終わり方が定義されていないので、続けるべきか止めるべきかを判断する材料が生まれず、担当者の熱量が下がった時点で自然消滅します。国内調査が失敗の主因として導入目的の曖昧さと成果指標の未設定を挙げているのは、この構造を指しています。

ここで注意したいのは、目的が「業務効率化」や「DX推進」という粒度で書かれている場合、実質的には目的が無いのと同じだという点です。判断に使えるのは、どの部署の、どの作業の、どの時間を、いつまでに、どれだけ減らすか、という形まで具体化されたものだけです。

学習ギャップ｜汎用ツールは企業のワークフローから学ばない

MIT NANDAが企業統合の問題として指摘しているのが、この学習ギャップです。汎用の生成AIツールは個人の利用では非常に強い一方で、企業のワークフローから学習し適応することがありません。つまり、使えば使うほど自社の業務に馴染んでいくという期待が成立しないのです。

現場では次のような形で表面化します。過去の見積書の書き方を毎回説明し直さなければならない、自社の型番体系を知らないので回答が一般論になる、前回指摘した誤りを次回また繰り返す、といった状態です。個人が試している段階では小さな不便ですが、部門全体の業務に組み込もうとした瞬間に、この不便が人数分だけ掛け算されて表面化します。

予算配分の誤り｜ROIはバックオフィスにある

MIT NANDAは、予算配分の誤りも失敗理由として挙げています。多くの企業の生成AI予算は売上とマーケティングに偏って配分されている一方で、実際のROIはバックオフィスの自動化にあるという指摘です。

在タイの日系製造業に当てはめると、この指摘は腑に落ちるはずです。営業支援や顧客向けチャットの改善は、効果の測定が難しく、かつ現地法人の売上構造上は本社や商社との関係で決まる部分が大きい領域です。これに対して、経理の伝票処理、購買の見積比較、品質部門の不具合報告書の整理、総務の社内規程の問い合わせ対応といったバックオフィスの作業は、処理件数と1件あたりの所要時間という形で効果を数えられます。数えられる場所に投資したほうが、次の予算を取りやすくなります。

データがAI-readyでない

Gartnerが指摘するデータ準備不足は、生成AIの文脈では二つの意味を持ちます。一つは、そもそも必要なデータが電子化されていないこと。もう一つは、電子化されていても検索可能な形になっていないことです。

たとえば過去5年分の作業日報がPDFのスキャン画像として共有フォルダに置かれている場合、それは保存されてはいますが、AIから見れば存在しないのと同じです。同様に、Excelファイルが担当者ごとのローカルフォルダに分散し、同じ品名が3通りの表記で書かれている状態も、AI-readyではありません。

この4つは独立していません。目的が曖昧だと対象業務が決まらず、対象業務が決まらないとどのデータを整えるべきかも決まらない、という順に連鎖します。したがって着手の順序は、目的、対象業務、データ、ツールの順になります。ツールの比較検討から始めた案件が停滞しやすいのは、この順序が逆になっているからです。導入の進め方と費用の考え方は生成AI導入の進め方と費用で段階ごとに整理しています。

タイ・ASEAN拠点で固有に起きる失敗パターン

ここまでは世界共通の話です。ここからは、タイやベトナムに拠点を持つ日系企業でだけ起きる失敗を扱います。本社では順調に進んでいる取り組みが現地でだけ止まる場合、原因はほぼこの節のどれかです。

本社の生成AIガイドラインが現地で機能しない

多くの日系企業は、本社の情報システム部門が生成AIの利用ガイドラインを整備しています。ところがこのガイドラインは、日本国内の業務環境と日本語の文書を前提に書かれていることがほとんどです。

現地拠点に降りてくると、次のようなずれが生じます。承認された社内向けツールが日本語インターフェースのみで、タイ人スタッフが操作できない。機密区分の定義が日本の文書体系に沿っており、現地で日常的に扱う輸出入書類や現地当局向け書類がどの区分に当たるか判断できない。申請先の窓口が日本時間で運用されており、現地の業務時間内に回答が返ってこない。結果として、ガイドラインは遵守対象としては存在するのに、実務上は誰も使わない状態になります。

この状態が危険なのは、禁止されたからやらないのではなく、使えないから各自が個人アカウントで勝手に使う方向に流れることです。管理されていない利用が広がると、次にセキュリティ事故が起きたときに、拠点全体の生成AI利用が一括で禁止されます。これが最も重い形の失敗です。

タイ語・ベトナム語での精度劣化を検証していない

日本語と英語で試して良好だった精度が、タイ語やベトナム語で同じように出るとは限りません。特に、現地スタッフが日常的に使う略語、社内で定着した現地語の工程呼称、日本語の技術用語をそのままカタカナ的に借用した現地表記などが混ざる文書では、精度が目に見えて落ちます。

にもかかわらず、PoCの評価が日本人駐在員の日本語利用だけで行われることが少なくありません。この場合、本番展開して現地スタッフが使い始めた時点で「思っていたものと違う」となり、利用が止まります。評価の段階で、実際に使う言語と、実際に使う文書で試すことが必要です。

現地スタッフのAIリテラシーの分布を読み違える

「現地スタッフはAIに慣れていないだろう」という前提は、タイに関しては既に事実と合っていません。Microsoftの調査によれば、タイのデータワーカーのAI利用率は32%で世界平均の2倍にあたります。高度活用層であるFrontier Professionalsもタイの従業員の32%を占め、世界平均の16%の2倍です。

つまり、現地スタッフの一部は駐在員より使い慣れている可能性があります。問題は平均値ではなく分布です。すでに使いこなしている層と、業務で一度も触ったことがない層が同じ部署に同居しているため、全員一律の集合研修は上位層には退屈で下位層には速すぎるという結果になります。研修の後に使われなくなる構造についてはAI活用の定着支援で詳しく分解しています。

データがExcelと紙に分散したまま

在タイの製造拠点では、基幹システムに入っているのは会計と在庫までで、生産実績、品質記録、設備保全の履歴は現場のExcelと紙の日報に残っている、という構成が今も一般的です。この状態で生成AIに「不良の傾向を教えてほしい」と聞いても、参照するデータが無いので一般論しか返りません。

Gartnerの予測が示す通り、AI-ready dataの裏付けが無いプロジェクトは放棄されやすくなります。ここで重要なのは、全社のデータ基盤を先に作る必要はないという点です。必要なのは、最初に選んだ1つの業務に関係するデータだけを、参照可能な形に揃えることです。

PoCの成功基準を最初に決めていない

現地拠点のPoCでよく見るのが、成功基準が「現場の評判」になっているケースです。評判は測定できないため、結論が出ません。結論が出ないPoCは、本社への報告のタイミングで曖昧に延長され、担当者の異動とともに消えます。

この5つは、いずれも技術的な難易度が高い問題ではありません。着手前の30分から数時間の議論で決められる事柄が、決まらないまま数か月が過ぎることで失敗になっています。

タイのAI普及は想像より速い｜様子見もまた一つの失敗になる

失敗を避けるために着手を遅らせるという判断は、一見すると安全に見えます。しかしタイ市場の数字を見ると、この判断のコストは年々上がっています。

Microsoftが2026年6月10日のMicrosoft AI Tour Bangkokで発表したGlobal AI Diffusion Reportによれば、タイにおける本格的なAI活用は2025年初の9.1%から2026年第1四半期には12.4%に上昇し、成長率では世界2位につけています。1位は韓国の43.2%、3位は日本の34.1%です。経営層の51%が戦略的なAI方針を示しているとも報告されています。あわせてMicrosoftは、2026年から2028年にかけてタイに10億ドルを投資し、15万人のタイ人労働者を育成する計画を示しています。

製造業に絞った予測も出ています。タイの製造業におけるAI活用は2030年までに最大15%上昇する見込みで、需要予測ではサービスレベルの65%改善、AIを活用した産業オートメーションでは生産性の20%向上、予知保全では機械停止時間の53%削減、不安全行動の90%削減が期待されるとされています。タイの73%の企業がAI導入を準備中とも報告されています。

これらの数字の読み方には注意が必要です。普及率が上がっているという事実は、導入すれば成功するという意味ではありません。むしろMIT NANDAの95%という数字と組み合わせて読むべきです。つまり、着手する企業は急速に増えているが、その大半は成果に届いていない、という状態です。

したがって在タイ日系企業にとっての現実的な立ち位置は、急いで着手することでも、様子見を続けることでもなく、着手する範囲を絞って確実に1件を成立させることになります。次節ではその方法を見ます。

成功した5%は何をしていたのか

MIT NANDAの調査は、失敗の分析だけでなく、成功した約5%の傾向にも触れています。要約すると、1つの課題を選定して実行し、賢くパートナーシップを構築する、という三つの行動です。順に実務に落とします。

課題を1つに絞って実行している

成功事例に共通するのは、対象を広げていないことです。全社展開の計画から入るのではなく、1部署の1業務に限定して、そこで数字を出しています。

在タイ拠点の場合、最初の1件として選びやすいのは次のような業務です。日次の生産日報の集計と要約、サプライヤーからの見積書の項目抽出と比較表への転記、品質不具合報告書のタイ語と日本語の相互翻訳と要点整理、社内規程や作業手順書に対する現地スタッフからの問い合わせ対応です。いずれも件数が数えられ、1件あたりの所要時間が測れ、担当者が特定できるという条件を満たしています。

逆に、最初の1件として選ぶべきでないのは、効果が間接的にしか現れない業務です。会議の質を上げる、アイデア出しを活性化する、といったテーマは価値がないわけではありませんが、判定できないためPoCの題材には向きません。

内製にこだわらない｜購入67%に対して内製33%

MIT NANDAの調査で明確に差が出たのが、ツールの調達方法です。専門ベンダーから購入したツールの成功率が約67%であるのに対し、内製したツールの成功率は約33%でした。内製の成功率は購入の半分以下ということになります。

この差は、社内のエンジニアの能力の問題ではありません。内製は、モデルの選定、業務データの連携、権限設計、運用監視、精度の継続的な評価という工程をすべて自前で抱えることになり、そのどこか一つが手薄になると全体が止まるからです。特に現地拠点では、担当できる人材が1名か2名に限られ、その人が異動や退職をした時点でプロジェクトが停止します。

ただし、これは内製を否定する数字ではありません。購入から始めて運用の型ができた後に、自社で回せる範囲を段階的に広げていくという順序であれば、内製の成功率は上がります。どこまでを自社で持つかの線引きについてはAI内製化支援で判断の観点を整理しています。

データの整備を後回しにしない

三つ目は、Gartnerの指摘の裏返しです。成功している側は、対象業務を決めた直後にデータの所在確認をしています。どのフォルダに、どの形式で、いつからのデータがあり、誰が更新しているのかを一覧にする作業です。

この棚卸しには、副次的な効果があります。棚卸しの結果として「そもそもこの業務のデータは残っていない」と分かることがあり、その場合はPoCの対象業務を早い段階で差し替えられます。数か月かけてから気づくのに比べれば、はるかに安い失敗です。

生成AIの活用事例とAI導入事例をどう読むか

導入の検討段階では、他社の活用事例を集める作業に多くの時間が使われます。事例そのものは有用ですが、読み方を間違えると判断を誤ります。

第一に、事例に書かれている効果の数字は、その企業のデータの状態と業務量を前提にしています。同じツールを同じ業務に入れても、データが紙のままであれば同じ数字は出ません。事例を読むときは、効果の数字よりも、その企業が着手前にどんな状態だったかの記述を探すほうが有益です。

第二に、公開されている事例は成功したものに偏ります。MIT NANDAの調査が示す通り、実態としては約95%が停滞しているので、公開事例の分布は母集団の分布と大きく異なります。事例が多く見つかる領域だから成功しやすい、とは言えません。

第三に、製造業で効果が数字として出やすい領域は、生成AIに限らず既にある程度わかっています。タイ製造業の予測で挙がっている需要予測のサービスレベル65%改善、産業オートメーションによる生産性20%向上、予知保全による機械停止時間53%削減という数字は、いずれも入力となるデータが機械から自動的に取れる領域です。逆に、人が判断して人が記録している業務は、まずその記録を取ることから始まります。

事例収集に時間をかけるよりも、自社の候補業務を3つ挙げて、それぞれのデータ所在を確認するほうが、判断は早く固まります。効果をどの指標で測るかの設計はAI導入の効果測定とROI設計にまとめています。

生成AI導入支援とは何を頼むものか

生成AI導入支援という言葉は範囲が広く、何を頼めるのかが分かりにくい領域です。ここまでの整理を踏まえると、外部に頼む価値が高いのは次の順になります。

最も価値が高いのは、着手前の課題選定です。候補業務を洗い出し、データの所在と効果の測りやすさで順位をつけ、最初の1件を決める作業です。ここを外すと、その後の工程がすべて無駄になります。

次に、成功基準の設計です。判定日、指標、目標値、撤退条件を文書化します。前述の通り、これが無いPoCは結論が出ません。

三番目が、データの整備です。対象業務に関係するデータだけを、参照可能な形に揃えます。全社のデータ基盤構築とは切り離して考えます。

四番目が、現地語を含む運用設計と定着です。タイ語やベトナム語での精度確認、現地スタッフの層別の習熟支援、利用状況の可視化が含まれます。

なお、支援を受ける場合でも、対象業務を選ぶ最終判断は社内に残すべきです。どの業務が痛いかを知っているのは現場だからです。外部が提供できるのは、選ぶための判断軸と、他社での失敗の型です。導入支援の頼み方そのものについては生成AIコンサルティングで契約形態を含めて整理しています。

着手前に確認する10項目

ここまでの内容を、着手前のチェックリストにまとめます。1つでも空欄が残っているなら、その状態でPoCを始めても結論は出ません。

この10項目のうち、経験上つまずきやすいのは現状の工数、撤退条件、利用言語の三つです。現状の工数は測っていないことが多く、撤退条件は書きにくく、利用言語は日本語で評価してしまいがちだからです。

よくある疑問

PoCが止まったままです。撤退すべきでしょうか

まず、そのPoCに判定日と撤退条件があったかを確認してください。無かった場合、それは失敗ではなく未着手に近い状態です。この場合は撤退の判断ではなく、対象業務を1つに絞り直して条件を書くところからやり直すほうが早くなります。条件があったうえで満たせなかった場合は、撤退したうえで、なぜ届かなかったかを記録に残してください。その記録が次の1件の精度を上げます。

生成AI導入の費用はどのくらい見ておくべきでしょうか

範囲によって桁が変わるため、一律の金額は示せません。ただし予算の考え方には順序があります。最初の1件は、ツール利用料よりも、対象業務の選定とデータ整備に時間が掛かります。ツール費用だけを見積もって着手すると、実際の工数と合わなくなります。段階ごとの費用の内訳は生成AI導入の進め方と費用を参照してください。

タイ語対応はどう評価すればよいでしょうか

評価用の文書を、実際の業務から20件から30件ほど抜き出してください。整った文書ではなく、略語や社内呼称が混ざった実物であることが重要です。それを対象に、期待する出力を人が先に書き、AIの出力と突き合わせます。この作業を飛ばして「タイ語に対応しています」というベンダーの説明だけで判断すると、本番展開後に精度不足が露見します。

本社のガイドラインと現地の実務が合わない場合はどうすべきでしょうか

ガイドラインを変えるのではなく、現地での読み替え表を作るのが現実的です。本社の機密区分の定義に対して、現地で日常的に扱う文書種別がどの区分に該当するかを対応づけた表を作り、本社の情報システム部門に確認を取ります。この表があると、現地スタッフの判断が止まらなくなります。

まとめ

生成AI導入の失敗は、モデルの性能ではなく導入設計の問題として起きています。MIT NANDAの調査では約95%のパイロットが測定可能な利益を生まずに停滞し、成功したのは約5%でした。RANDはAIプロジェクトの80%超が失敗し通常のITの約2倍の失敗率だとしており、Gartnerは2026年までにAI-ready dataの裏付けが無いプロジェクトの60%が放棄されると予測しています。国内調査でも、業務時間を削減できたユーザーは4人に1人にとどまりました。

失敗の構造は、目的の曖昧さ、学習ギャップ、予算配分の誤り、データの未整備の4つに分解できます。タイ・ASEAN拠点ではこれに、本社ガイドラインの不整合、現地語での精度未検証、リテラシー分布の読み違え、Excelと紙への分散、成功基準の未設定という5つが加わります。

一方でタイのAI普及は速く、本格的な活用は2025年初の9.1%から2026年第1四半期の12.4%へ上昇し、成長率は世界2位です。着手を遅らせる判断のコストは上がっています。

進むべき方向は、範囲を広げることではなく絞ることです。成功した5%は、1つの課題を選び、実行し、賢くパートナーシップを構築していました。調達方法では、専門ベンダーからの購入が約67%、内製が約33%という成功率の差も出ています。着手前に、対象業務、現状工数、目標、判定日、撤退条件、データ所在、利用言語を数字と固有名詞で埋めることが、95%側に留まらないための最短の作業です。

最初の1件をどこにするか、そのデータが今どこにあるか、という整理だけでも状況は動きます。タイやベトナムの拠点で、本社の方針と現地の実務のあいだで判断が止まっている場合や、PoCが止まったまま次の一手が決まらない場合は、要件が固まっていない検討段階で構いませんので、お気軽にご相談ください。

TOMAS TECHへのお問い合わせはこちら

参考情報

• MIT report – 95% of generative AI pilots at companies are failing – MIT NANDAによる95%と5%の分布、学習ギャップ、購入67%と内製33%の成功率
• AI Project Failure Statistics 2026 – RAND Corporationによる80%超の失敗率と通常ITの約2倍という比較
• AI-Ready Data – Gartnerによる2026年までの60%放棄予測、失敗率17%から42%への推移、72%の企業のPoC停止見込み
• AI導入の失敗事例 – 管理職1,008名調査での4人に1人という削減実績、目的の曖昧さと成果指標の未設定
• Thailand ranks second worldwide for AI adoption growth – Microsoft Global AI Diffusion Reportのタイ関連数値と投資計画
• Thailand AI in manufacturing outlook – タイ製造業のAI活用予測、需要予測65%改善、生産性20%向上、予知保全53%削減