AIカバレッジ（AI代替可能性）の可視化 （AIカバレッジ：VOL.02）
VOL.01では、AIの性能が急速に高まり、企業での活用が広がっているにもかかわらず、なぜAXがPoCや部分最適から抜け出せないのかを考えてきました。そこで見えてきたのは、問題がAIそのものにあるのではなく、AIを適用する対象である「自社の仕事」が十分に見えていないということです。企業の中にどのようなWorkやTaskが存在し、誰が担い、どこに時間やコストがかかり、何が事業成果につながっているのか。その全体像が見えていなければ、AIがどれだけ進化しても、「どこにAIを適用するべきか」を判断することはできません。
では、自社の仕事が見えるようになったとして、次に何を把握すべきなのでしょうか。重要になるのが、企業活動の一つひとつと現在のAI Capabilityを照らし合わせ、「企業活動のどこまでをAIが担えるのか」を可視化することです。本稿では、この企業活動に対するAIの適用可能範囲を捉える考え方を、「AIカバレッジ（AI Coverage）」と呼びます。
ここで注意したいのは、AIカバレッジが「AIによって何人の人員を削減できるか」を示す指標ではないということです。AIによる仕事の変化は、人の仕事を丸ごと置き換える形だけで起こるわけではありません。あるTaskではAIが情報収集を支援し、別のTaskではAIが大部分を実行して人が確認し、さらに別のTaskでは引き続き人が主体となる。これからの企業活動では、HumanとAIが一つの業務プロセスの中に混在していきます。見るべきなのは「人が不要になる割合」ではなく、HumanとAIの役割をどこまで再設計できるのかです。
そのため、AIカバレッジは単なるAI活用状況の可視化でもありません。生成AIの利用者数、発行したライセンス数、AIユースケースの件数が増えていても、それだけでは企業活動のどこまでがAIを前提とした形へ変わったのかは分かりません。100個の小さな業務効率化と、企業活動の中核を担う一つの業務プロセスの再設計では、AXに与える意味は大きく異なります。必要なのはAIを「いくつ使っているか」ではなく、自社のWork・Task全体を一枚の地図として捉え、その中でAIが届く範囲を見ることです。
この地図を持つことで、AXの議論は「次にどのAIを導入するか」から、「どのWorkをAIに任せるべきか」「どこに投資すれば最も大きな事業インパクトを生み出せるか」へと変わります。本稿では、AIカバレッジという新しい物差しを通じて、AI代替可能性をどのように捉え、AXの優先順位やHuman × AIの役割分担をどのように考えるべきなのかを整理していきます。
AXは「どのAIを使うか」ではなく、「企業活動のどこまでをAIが担えるのか」を可視化することから始まります。
AIカバレッジを考える前に、まず確認しておきたいことがあります。それは、現在の企業がAXの進捗をどのように捉えているのかという点です。生成AIの利用率、導入したAIツールの数、発行したライセンス数、社内で生まれたユースケース数など、AI活用を示す指標は増えています。しかし、これらの数字だけを見ても、「企業活動のどこまでがAIによって変わったのか」は分かりません。AXを本格的な経営変革として進めるために必要なのは、AIをどれだけ導入したかを示す一覧ではなく、企業活動全体を俯瞰し、その中のどこにAIが届いているのかを把握できる「一枚の地図」です。
企業におけるAI活用を把握する際、最も分かりやすい指標の一つが利用者数です。「全社員の何％が生成AIを利用しているか」「何人にAIツールのアカウントを発行したか」といった数字は、AIが社内にどれだけ浸透しているかを見る上では有効です。しかし、それはあくまでAIを「使える人」がどれだけいるかを示しているのであって、企業活動のどこまでがAIによって変わったのかを示しているわけではありません。
例えば、社員の80％が生成AIを日常的に利用していたとしても、その用途の大半がメールの下書き、文章の要約、アイデア出しなどに限られていれば、企業の基幹となる業務プロセスそのものはほとんど変わっていない可能性があります。一方で、利用者が限定されていたとしても、受注予測、商品開発、審査、顧客対応など、企業活動に大きな影響を与える業務プロセスへAIが組み込まれていれば、経営へのインパクトは大きくなります。
つまり、「何人がAIを使っているのか」と「企業活動のどこまでをAIが担っているのか」は別の問題です。利用率はAIの普及度を測ることはできますが、それだけではAXの現在地を測ることはできません。
同じことは、AIユースケースの数についても言えます。社内でAI活用を推進すると、「AIユースケース100件創出」「各部門で10個以上のAI活用を実現」といった目標が設定されることがあります。AI活用の可能性を広げるという意味では重要な取り組みですが、ユースケースの数が多いことと、AXが進んでいることは必ずしも一致しません。
例えば、メール作成、議事録作成、文章要約、資料のたたき台作成といった小さな業務効率化を100個実現した企業と、受注までの営業プロセスや顧客対応プロセスといった事業の中核業務を一つ抜本的に再設計した企業を比較した場合、単純に「100対1」で前者の方がAXが進んでいるとは言えません。重要なのはユースケースの数ではなく、そのAI活用が企業活動のどの部分を対象とし、どれほど大きな業務量や事業成果に影響しているのかです。
AI活用を「点」の数で捉えるだけでは、企業全体の変化を把握することはできません。必要なのは、それぞれのAI活用を企業活動全体の中に位置づけ、「どの領域までAIが入り込んでいるのか」を見る視点です。
では、AXの現在地をどのように捉えればよいのでしょうか。そのためには、AIツールを起点に見るのではなく、企業活動を起点にAIを見る必要があります。
営業、人事、経理、マーケティング、開発といった部門や職種は、企業活動を大きく整理する上では分かりやすい単位です。しかし、「営業にAIを導入している」「人事で生成AIを利用している」という情報だけでは、実際に何がAIによって変わっているのかは分かりません。営業という一つのJobの中にも、ターゲット企業の選定、情報収集、アプローチ文面の作成、商談準備、顧客との対話、提案資料の作成、見積もり、社内調整、契約交渉など、多くのWorkやTaskが存在します。そして、それぞれのTaskによってAIを適用できる可能性は異なります。
だからこそ、企業活動を部門や職種という大きな単位だけで見るのではなく、その中で実際に行われているWorkやTaskまで解像度を高めて捉える必要があります。自社にはどのようなTaskが存在し、どのTaskを人が担い、どこにAIが関与しているのか。それらを企業活動全体にわたって並べることで、初めてAXの現在地を俯瞰できるようになります。
重要なのは、Taskを細かく棚卸しすること自体ではありません。目的は、企業活動を共通の視点で捉え、「どこまでAIが届いているのか」「どこにはまだ届いていないのか」を判断できる状態をつくることです。
企業活動をWorkやTaskの単位で俯瞰すると、これまでのAI活用指標とは異なる景色が見えてきます。どれだけ多くの社員がAIを利用しているかではなく、企業活動全体の中でAIがどの範囲まで適用できるのかを見ることができるからです。
例えば、営業活動を構成するTaskのうち、情報収集や企業分析ではAIが大きな役割を担えるかもしれません。提案内容の作成では、人が方向性を決めながらAIが支援する形になるかもしれません。一方で、重要顧客との交渉や複雑な意思決定では、現時点では人が中心的な役割を担う可能性があります。このように、一つのJobの中でもAIが担える範囲や関与の程度には濃淡があります。
企業全体について同じようにWorkやTaskを並べ、その一つひとつに対して「AIがどこまで担えるのか」を重ねていけば、企業活動に対するAIの到達範囲を一枚の地図として見ることができます。それは、「AIを導入しているか、していないか」という二択ではありません。どの領域ではAIが大きく関与でき、どの領域では人の支援にとどまり、どの領域では依然として人が中心となるのか。その濃淡を含めて企業活動全体を捉えるものです。
この「企業活動のうち、AIが届く範囲」を可視化する考え方が、本稿で提示する**AIカバレッジ（AI Coverage）**です。
これまで企業は、AI利用者数やユースケース数によってAI活用の広がりを捉えてきました。しかし、AXを企業全体の変革として進めるのであれば、必要なのはAI活用の「数」ではなく、企業活動に対するAIの「範囲」を把握することです。自社の仕事を一枚の地図として捉え、その上にAIのCapabilityを重ねることで、「自社のどこまでをAIが担えるのか」が初めて見えてきます。
では、このAIカバレッジとは、具体的に何を意味するのでしょうか。次に、その定義と捉え方を整理していきます。
前章では、AXの現在地を把握するためには、AIの利用者数やユースケース数ではなく、企業活動全体に対して「AIがどこまで届いているのか」を見る必要があると整理しました。この考え方を、ここでは**AIカバレッジ（AI Coverage）**として具体化していきます。AIカバレッジは、単にAIが導入されている業務の割合を示すものではありません。企業活動を構成するWorkやTaskを起点として、それぞれに対してAIがどの程度適用できるのか、人とAIをどのように組み合わせられるのかを捉えるための考え方です。
本稿では、AIカバレッジを、**「企業活動を構成するWork・Taskのうち、AIによって代替または支援可能な範囲・程度を可視化したもの」**と定義します。
ここで重要なのは、「AIを使っている範囲」ではなく、「AIを適用できる範囲」を見るという点です。現在すでにAIが導入されているTaskだけを見ていては、企業のAXにどれほどの余地が残されているのかは分かりません。まだAIを導入していない業務であっても、現在のAI Capabilityと照らし合わせれば、大部分をAIが担える可能性があります。逆に、すでにAIツールを利用している業務であっても、実際には仕事全体のごく一部しか支援できていない場合もあります。
例えば、ある企業の営業部門で生成AIが広く使われていたとしても、活用がメール作成や議事録の要約に集中しているのであれば、営業活動全体に対するAIカバレッジは必ずしも高いとは言えません。営業活動には、ターゲット企業の選定、顧客情報の収集、仮説構築、アプローチ、商談、提案、社内調整、見積もり、交渉、契約など、多数のTaskがあります。その一つひとつについて、AIがどの程度担えるのかを見なければ、営業という企業活動に対するAIの適用可能性は捉えられません。
つまり、AIカバレッジが示すのは、AIツールの普及状況ではなく、企業活動そのものに対してAIがどの程度関与できるのかという構造です。この視点を持つことで、AXの議論をツール導入の有無から切り離し、自社の仕事を起点に考えられるようになります。
AIカバレッジを考える上でもう一つ重要なのが、「AIが人間を完全に代替できるかどうか」だけで判断しないことです。AIと仕事の関係について語る際、「この仕事はAIに奪われるのか」「この職種はなくなるのか」といった表現が使われることがあります。しかし、実際の企業活動では、仕事全体が一度に人からAIへ移るケースよりも、人とAIが役割を分担するケースの方が多くなります。
例えば、提案資料を作成するTaskを考えてみます。顧客情報の整理、過去資料の検索、構成案の作成、文章のたたき台生成といった部分はAIが大きく支援できる可能性があります。一方で、その顧客に対して何を提案するべきかを最終的に判断し、事業上の責任を持つのは人である場合があります。このTaskはAIによって完全に代替されてはいませんが、人が一からすべてを行う状態とも異なります。
同様に、採用であれば候補者情報の整理や面接内容の要約、経理であればデータの照合や異常値の検出、マーケティングであれば情報収集やコンテンツ案の生成など、人が主体となりながらAIがその一部を担う仕事は数多く存在します。こうしたHuman Augmentation、つまり人の能力をAIによって拡張する領域も、AIカバレッジに含めて捉える必要があります。
AIカバレッジとは、人間をどれだけAIに置き換えられるかを測るものではありません。企業活動の中で、どの部分をAIに任せ、どの部分を人が担い、どの部分をHumanとAIの協働によって実行できるのか。その可能性を可視化するものです。
AIカバレッジを具体的に把握するためには、企業活動を見る粒度が重要になります。「営業」「人事」「経理」といったJob単位だけでは、AIの適用可能性を正確に捉えることはできません。なぜなら、一つのJobの中には、性質の異なる多くのWorkやTaskが含まれているからです。
営業を例にすると、「顧客に提案して受注する」という一つのJobの中でも、実際にはさまざまなTaskが存在します。ターゲットとなる企業を選定する、企業情報を収集する、担当者を特定する、過去の接点を確認する、アプローチ文面を作る、商談前の仮説を整理する、商談を行う、議事録を作成する、提案資料を作る、社内の専門部門と調整する、見積もりを作る、契約条件を交渉するといった具合です。
これらをすべて「営業」という一つの単位でまとめてしまうと、「営業はAI化できるのか」という極端な問いになってしまいます。しかし、営業そのものがAIに置き換わるかどうかを判断する必要はありません。本当に見るべきなのは、営業を構成するそれぞれのTaskについて、「どの程度AIを適用できるのか」を判断することです。
この考え方は、営業以外のJobについても同じです。人事、経理、法務、マーケティング、開発、カスタマーサポートなど、どの職種も複数のTaskの組み合わせによって成立しています。AIカバレッジを把握するためには、Jobという大きな箱の中身を見て、実際に行われている仕事の単位まで解像度を高める必要があります。
Taskの単位まで仕事を分解すると、AIの適用可能性に大きな差があることが分かります。先ほどの営業の例であれば、大量の企業情報を収集し整理するTaskは、AIが比較的高い能力を発揮しやすい領域です。過去の商談履歴を要約する、提案資料のたたき台を作る、メール文面を生成するといったTaskについても、AIによる支援や実行の余地は大きいでしょう。
一方で、顧客の表情や発言の背景を読みながら対話する、複雑な利害関係を踏まえて交渉する、長期的な信頼関係を構築する、経営上のリスクを踏まえて最終判断を行うといったTaskでは、人が中心的な役割を担う場面が多く残ります。
つまり、一つのJobの中でも、AIを適用しやすいTaskと、適用が難しいTaskが混在しています。さらに、「AIができる・できない」という二択ですらありません。AIが補助的に関与できるTaskもあれば、人の確認を前提とすればAIが大部分を担えるTaskもあります。
この違いを無視して職種単位で「AI化率」を考えてしまうと、企業活動の実態から離れてしまいます。「営業の50％をAI化する」「人事業務の30％を自動化する」といった数字だけでは、具体的にどの仕事がどのように変化するのかは分かりません。必要なのは、それぞれのTaskについて、現在のAI Capabilityと照らし合わせながら、AIの関与可能性を見ていくことです。
AIカバレッジとは、こうしたTaskごとのAI適用可能性を企業活動全体に積み上げていく考え方です。一つひとつのTaskを見れば局所的な業務改善に見えるかもしれません。しかし、それらを企業全体の仕事の地図の上に並べれば、「どこはAIが大きく担えるのか」「どこはHumanとAIの協働が適しているのか」「どこは引き続きHumanが中心となるのか」という全体像が見えてきます。
そして、この全体像を持つことで初めて、「自社のどこまでをAIが担えるのか」という問いに対して、職種名や感覚論ではなく、企業活動を構成するTaskを起点に答えられるようになります。
ただし、AIの関与可能性は「できる」「できない」の二択ではありません。実際には、Humanが主体となる仕事から、AIが主体となる仕事まで、いくつかの段階があります。次に、AIカバレッジをより具体的に捉えるために、AI代替可能性を段階として整理していきます。
前章では、AIカバレッジを把握するためには、JobではなくTaskの単位まで仕事を分解し、それぞれについてAIの適用可能性を見る必要があると整理しました。ただし、ここでも注意が必要です。AI代替可能性を「AIができるか、できないか」という二択で捉えてしまうと、実際の企業活動を正しく表現することはできません。多くのTaskでは、人とAIのどちらか一方だけが仕事を担うのではなく、人とAIが役割を分担しながら実行する状態が生まれるからです。AIカバレッジを実際の経営や業務設計に活用するためには、AIの適用可能性を0か100かではなく、段階として捉える必要があります。
最も人の関与が大きいのが、Human Onlyの領域です。これは、現在のAI Capabilityや業務上の条件を踏まえると、AIによる代替が難しく、人が主体となって実行する必要があるTaskを指します。
例えば、複雑な利害関係を踏まえた重要な交渉、前例のない経営判断、相手との信頼関係そのものが成果を左右する対話などでは、人間の経験、責任、文脈理解、感情への配慮といった要素が大きな役割を持ちます。AIが情報整理や準備を支援できる場合はあっても、Taskの中核そのものをAIへ委ねることが適切ではないケースがあります。
ただし、Human Onlyは「今後も永遠にAI化できない領域」を意味するものではありません。AIのCapabilityは継続的に進化しているため、現在は人が担っているTaskであっても、将来的にはAIが支援できる範囲が広がる可能性があります。重要なのは、現時点におけるAIの能力やリスク、業務特性を踏まえて、人が主体であるべき領域を明確にすることです。
次の段階が、Human Led / AI Assistedです。人が仕事の主体となりながら、AIが情報収集、分析、生成、整理などを支援する状態です。現在、多くの企業で行われている生成AI活用は、この領域に該当します。
例えば営業であれば、顧客との商談や提案方針の決定は人が担いつつ、事前の企業情報収集、過去の商談履歴の要約、提案資料のたたき台作成をAIが支援することができます。採用であれば、最終的な採用判断や候補者とのコミュニケーションは人が行いながら、候補者情報の整理や面接内容の要約をAIが支援する形が考えられます。
この段階では、AIは人の代わりに仕事をする存在というより、人の生産性や判断力を高める存在です。これまで人が一から行っていた作業の一部をAIに任せることで、人は判断、対話、創造など、より重要な部分に時間を使えるようになります。AIカバレッジを考える際には、このような「支援可能な範囲」も含めて捉えることが重要です。
さらにAIの関与度が高まると、AI Led / Human Approvedという状態になります。これは、Taskの大部分をAIが実行し、人が最終的な確認や承認を行う形です。
例えば、大量の情報から一定条件に合う対象を抽出する、定型的なレポートを作成する、問い合わせに対する回答案を作る、契約書の確認ポイントを抽出するといったTaskでは、AIが一連の処理を実行し、人が結果をレビューするという役割分担が考えられます。この状態では、人がすべての作業を一から実行する必要はありません。人の役割は「実行すること」から、「AIの結果を確認し、必要に応じて修正し、最終的な責任を持つこと」へ変化します。
AI Led / Human Approvedが成立するかどうかは、AIの性能だけで決まりません。誤りが発生した場合の影響、求められる精度、利用するデータの品質、説明責任、セキュリティなどによって、人による確認の必要性は大きく異なります。そのため、技術的にAIが実行できるTaskであっても、企業としてどの程度までAIに権限を与えるのかという設計が必要になります。
最もAIの関与度が高いのが、AI Autonomousです。一定のルールや権限の範囲内で、AIが自律的にTaskを実行し、人が一件ごとに確認しなくても業務が進む状態です。
例えば、条件が明確に定義された定型処理や、一定の範囲内で完結する情報収集・分類・更新などでは、AIが状況を判断しながら連続的に処理を実行できる可能性があります。AIエージェントの発展によって、単一の作業だけではなく、複数のTaskをつなぎながら一連の業務プロセスを実行する領域も広がっていくと考えられます。
一方で、AI Autonomousは「人が一切関与しない」という意味ではありません。どの範囲までAIに権限を与えるのか、どの条件で人にエスカレーションするのか、結果をどのように監視するのかといったガバナンスは必要です。AIが自律的に動ける範囲と、人が責任を持つ範囲をあらかじめ設計することで、初めて企業活動の中にAI Autonomousな領域を組み込むことができます。
ここまでAI代替可能性を段階で整理してきましたが、AIカバレッジを考える上で最も避けるべきなのは、それを「どれだけ人を減らせるか」という指標として捉えることです。AIカバレッジが高い企業とは、人が少ない企業を意味するわけではありません。
見るべきなのは、人とAIのどちらがそのTaskを担うことで、最も大きな価値を生み出せるのかという点です。AIが得意とする大量処理、情報検索、整理、分類、生成などはAIに任せる。一方で、人が強みを持つ判断、創造、責任、関係構築、複雑な調整などは人が担う。その中間には、人が主体となってAIを活用する領域や、AIが主体となって人が承認する領域があります。
つまり、AIカバレッジとは、企業活動を「人かAIか」に二分するためのものではありません。TaskごとにHumanとAIの関与度を捉え、どのような役割分担が最も適切なのかを考えるための地図です。AIカバレッジを可視化することで、これまで人が担うことを前提としていた仕事についても、「本当に人がすべてを行う必要があるのか」「AIに任せられる部分はどこか」を具体的に議論できるようになります。
AIが担えるTaskが増えていくと、人間の仕事も変化します。重要なのは、AIによって既存の仕事が単純になくなると考えるのではなく、Jobを構成するTaskの組み合わせが変わっていくと捉えることです。
例えば、営業担当者がこれまで一日の多くを情報収集、議事録作成、提案資料作成といったTaskに使っていた場合、それらをAIが大きく担えるようになれば、人が使う時間の配分は変化します。その分、顧客との対話、課題の深掘り、提案内容の高度化、社内外の関係構築といったTaskに、より多くの時間を使えるようになります。
これは人事や経理、マーケティングなどでも同じです。AIが定型的な作業や情報処理を担うことで、人に求められる役割は、「自分で作業を行うこと」から、「AIを活用しながら判断すること」「複数の情報を統合すること」「より良い意思決定を行うこと」へと移っていく可能性があります。
その意味で、AIカバレッジの可視化はAI導入の議論だけにとどまりません。AIがどのTaskを担えるのかが分かれば、その結果として人にどのTaskが残るのか、どのようなSkillが必要になるのか、Jobそのものをどのように再設計すべきなのかという問いも生まれます。
ただし、AIを適用できるTaskが見えたからといって、すべてを同じ優先順位でAI化すべきとは限りません。技術的にAIが担えるかどうかと、企業としてそこへ投資すべきかどうかは別の問題です。次に、AIカバレッジを実際の経営判断へつなげるために、「どこからAXを進めるべきか」という優先順位の考え方を整理していきます。
ここまで、AIカバレッジをTask単位で捉え、Human OnlyからAI Autonomousまで段階的に整理する考え方を見てきました。しかし、AIカバレッジを可視化する目的は、単に「AIがどこまで使えるのか」を知ることではありません。より重要なのは、その情報をもとに、企業としてどこからAXを進めるべきかを判断できる状態をつくることです。AIのCapabilityが高まり、多くのTaskがAIによって支援・代替可能になるほど、企業は「何ができるか」ではなく、「何を優先して変えるべきか」を考える必要があります。
AXの優先順位を考える上で、最初の観点となるのがAI代替可能性です。これは、そのTaskを現在のAI Capabilityによってどこまで支援・代替できるのかという技術的な実現可能性を指します。情報収集、分類、要約、生成、データ処理など、AIが高い能力を発揮しやすいTaskもあれば、複雑な判断や関係構築など、現時点では人が主体となるべきTaskもあります。
AI代替可能性が高いTaskほど、AI活用の候補になりやすいことは確かです。しかし、AI代替可能性が高いからといって、必ずしも最優先で投資すべきとは限りません。企業の中には、技術的には簡単にAI化できても、発生頻度が低かったり、事業への影響が小さかったりする仕事も存在します。そのため、AI代替可能性はAX Priorityを判断する重要な要素ではありますが、それだけで優先順位を決めることはできません。
次に見るべきなのが、業務ボリュームです。そのTaskが企業内でどの程度行われているのか、何人が関与しているのか、どれほどの時間やコストが使われているのかを把握します。
例えば、一回あたり10分しか削減できないTaskであっても、数千人の社員が毎日繰り返しているのであれば、企業全体では非常に大きな生産性向上につながる可能性があります。一方で、一回あたり数時間を短縮できるTaskであっても、年に数回しか発生しなければ、全社へのインパクトは限定的かもしれません。
AIによる効果を正しく評価するためには、「一回の業務がどれだけ効率化されるか」だけではなく、「その仕事が企業活動の中でどれほどのボリュームを持っているのか」を掛け合わせて見る必要があります。
さらに重要なのが、そのTaskを変えることでどの程度の事業インパクトが生まれるのかという観点です。AXの価値は、単純な工数削減だけで測れるものではありません。
例えば、営業における顧客情報の分析精度が高まれば、提案の質や受注率が向上する可能性があります。カスタマーサポートにAIを活用すれば、対応時間の短縮だけでなく、顧客体験や解約率に影響する可能性もあります。開発であれば、コード生成による生産性向上だけではなく、開発速度や新規サービスの市場投入スピードが変わるかもしれません。
つまり、Taskごとの事業インパクトを見る際には、コスト削減、生産性、売上、品質、顧客体験、スピード、リスクなど、複数の観点で評価する必要があります。業務ボリュームが大きくなくても、事業成果を大きく左右するTaskであれば、AXの優先順位は高くなる可能性があります。
もう一つ欠かせないのが、実装難易度です。AI Capabilityの観点では実現可能であっても、実際に企業内で活用するためには、さまざまな条件を満たす必要があります。
例えば、そのTaskを実行するために必要なデータが十分に揃っているのか、複数のシステムとの連携が必要なのか、どの程度の精度が求められるのか、誤った判断が起きた場合のリスクはどれほど大きいのか、セキュリティや個人情報の観点で問題がないのか、人による確認をどこに置くのかといった条件です。
同じAI代替可能性を持つTaskであっても、必要なデータが整理されており、既存システムとの連携も容易なものと、複数のシステムや複雑な判断をまたぐものでは、実装までに必要な時間や投資は大きく異なります。AXを現実的に進めるためには、技術的な可能性だけではなく、企業固有の実装条件まで含めて優先順位を考える必要があります。
これらの観点を組み合わせることで、AIカバレッジは単なる可視化から、経営判断のための指標へ変わります。特に重要なのが、AI CoverageとBusiness Impactを重ねて見ることです。
AIによる支援・代替可能性が高く、かつ業務ボリュームや事業インパクトが大きい領域は、AXの優先度が高い領域と考えることができます。一方で、AI代替可能性は高くても事業インパクトが小さいTaskや、事業インパクトは大きいものの現時点ではAI Capabilityや実装条件が十分でないTaskについては、優先順位やアプローチを変える必要があります。
これまでのAI活用では、「導入しやすいものから始める」という判断が行われることも少なくありませんでした。しかし、導入しやすさと経営インパクトは必ずしも一致しません。AIカバレッジを企業活動全体の地図として捉えることで、「簡単にAI化できる場所」ではなく、「企業として変える価値が大きい場所」を見つけることが可能になります。
重要なのは、AIカバレッジを単純な一つの数値に集約することではありません。それぞれのTaskについて、AI代替可能性、業務ボリューム、事業インパクト、実装難易度を重ねながら、どこから着手するべきかを比較できる状態をつくることです。それによって、AXを個別のAI導入施策ではなく、企業全体の投資ポートフォリオとして捉えられるようになります。
AIカバレッジのもう一つの重要な価値は、経営、事業部門、IT、人事などが共通の視点でAXを議論できるようになることです。
これまでのAI活用では、経営は事業インパクト、現場は業務負荷、ITは技術的な実現可能性やセキュリティ、人事は人員やSkillへの影響を見るなど、部門ごとに異なる観点で議論されることが少なくありませんでした。その結果、それぞれの部門からAI活用の要望が上がり、個別のPoCが並行して進む一方で、企業全体としての優先順位が曖昧になることがあります。
AIカバレッジを共通の地図として持てば、自社にどのようなTaskが存在し、どこまでAIを適用でき、どこに大きな事業インパクトがあり、どこに実装上のハードルがあるのかを同じ視点で見ることができます。「営業部門がAIを使いたい」「このAIツールを導入したい」という議論ではなく、「企業活動全体の中で、このTaskを変えることの優先順位はどれほど高いのか」という議論へ変えることができます。
AXを全社変革として進めるために必要なのは、すべての部門が同じAIを使うことではありません。すべての関係者が、同じ仕事の地図を見ながら優先順位を判断できることです。AIカバレッジは、そのための経営と現場をつなぐ共通言語になり得ます。
AIカバレッジを企業活動全体で把握できるようになると、変わるのはAI投資の優先順位だけではありません。経営がAIについて考える際の「問い」そのものが変わっていきます。これまでAI活用の議論では、新しいAIツールやモデルが登場するたびに、「どのAIを導入するか」「どの部門で使うか」という問いが中心になりがちでした。しかし、自社のWorkやTaskとAI Capabilityを照らし合わせられるようになれば、Technologyではなく企業活動を起点としてAIを考えられるようになります。
従来のAI投資では、Technologyが議論の起点になることが少なくありません。「生成AIを導入しよう」「AIエージェントを活用しよう」「このサービスを全社員に展開しよう」といったように、まずAI製品や技術を選び、その後で使える業務を探すアプローチです。
もちろん、新しいTechnologyを試すことには意味があります。しかし、この順番だけでAXを進めようとすると、活用しやすいユースケースに集中しやすくなります。そのAIが得意な業務を探すことが中心となり、企業として本当に変えるべき仕事が後回しになる可能性があるからです。
また、AI Technologyの進化速度は非常に速く、現在最適なツールが数か月後にも最適であるとは限りません。個別のAI製品をAXの中心に置いてしまうと、Technologyが変わるたびに企業側の戦略まで揺らいでしまいます。経営が持つべき軸は、「どのAIが優れているか」ではなく、「自社の何を変えたいのか」である必要があります。
AIカバレッジを起点にすると、経営の問いは「何のAIを導入するか」から、**「どのWorkをAI化するか」**へ変わります。
まず企業活動の中にどのようなWorkやTaskが存在するのかを見て、その中でAI代替可能性が高く、事業インパクトの大きい領域を特定します。その上で、「このTaskを変えるためには、どのAI Capabilityが必要なのか」「どのTechnologyを組み合わせるべきなのか」と考えます。
つまり、Technology → Use Caseではなく、Business Goal → Work → Task → AIという順番で考えることになります。この順番になれば、新しいAIが登場するたびにユースケースを探す必要はありません。自社の仕事の地図を持ち、その時点で利用可能なAI Capabilityを当てはめながら、AIカバレッジを継続的に更新していくことができます。
AI Technologyは変わり続けます。しかし、自社にどのような仕事が存在し、その仕事がどのような事業価値を生み出しているのかという企業側の視点は、継続して必要です。AXの軸をTechnologyからWorkへ移すことによって、AIの進化に振り回されるのではなく、AIの進化を自社の変革に取り込めるようになります。
AIカバレッジが明らかになると、次に見えてくるのがWorkforceへの影響です。あるJobを構成するTaskの中で、AIが支援・代替できる領域が増えれば、そのJobに必要となる人の業務量も変化します。
例えば、ある職種の業務時間の多くが情報収集、整理、資料作成などのTaskに使われており、それらをAIが大きく担えるようになれば、同じ人数でより多くの成果を生み出せる可能性があります。一方で、AIによって生まれた余力を顧客対応や新しい事業活動へ振り向けることで、人数を減らすのではなく、組織全体のアウトプットを拡大する選択肢もあります。
重要なのは、「AIを導入すると何人減らせるか」と単純に考えないことです。AIが担えるTaskが変われば、必要となる人の量と配置の考え方が変わります。AIカバレッジを把握することで、従来の人員計画をそのまま延長するのではなく、HumanとAIを合わせた新しいWorkforce Capacityを考えることが可能になります。
AIによってTaskの構成が変われば、人に求められるSkillも変化します。これまで人が時間をかけて行っていた情報収集や文章作成、データ整理などをAIが担うようになれば、人に求められる価値は、それらの作業を速く正確に行う能力だけではなくなります。
AIに適切な指示を与える、AIが出した結果を評価する、複数の情報を統合して判断する、AIでは扱いきれない文脈を理解する、顧客や社員との関係を構築するといったSkillの重要性が高まります。また、AIを利用するSkillだけでなく、「どこでAIを使うべきか」「どこでは人が判断すべきか」を設計する能力も必要になります。
つまり、AIカバレッジを把握することは、単にAI化可能な業務を探すことではありません。AIが担うTaskが増えた後に、Humanへどのような役割を期待し、どのSkillを強化すべきなのかを考える入口にもなります。AI時代の人材戦略では、現在のJobに必要なSkillをそのまま育成するだけではなく、Taskの変化を前提に将来必要となるSkillを考える必要があります。
さらにAIカバレッジが広がれば、最終的にはJobそのものの設計も変化していきます。これまで一つの職種にまとめられていたTaskの一部をAIが担うようになれば、人が担当するTaskの組み合わせが変わり、職種の役割や責任も変わる可能性があるからです。
例えば、これまで「情報を集め、資料を作り、顧客へ提案する」ことが営業担当者の主な役割だったとして、情報収集や資料作成の多くをAIが担えるようになれば、営業担当者の役割は、顧客の課題を深く理解すること、複雑な意思決定を支援すること、信頼関係を構築することへと比重が移るかもしれません。同じ「営業」というJob名であっても、その中身は大きく変化します。
この変化は、営業だけに限りません。AIが担えるTaskが増えるほど、人が担うTaskの組み合わせが再編され、Job Designそのものを見直す必要が出てきます。そしてJobが変われば、必要なSkill、人員配置、評価の考え方、組織構造にも影響が及びます。
その意味で、AIカバレッジはAI部門やIT部門だけが見る指標ではありません。AI投資、事業戦略、人材戦略、組織設計をつなぐ経営上の共通言語になり得ます。**「どのAIを導入するか」という問いを、「企業活動のどこまでをAIが担えるのか」「その結果、人は何を担うべきなのか」という問いへ変えること。**それこそが、AIカバレッジを経営指標として捉える大きな意味です。
しかし、ここで一つ大きな前提が残ります。AIカバレッジを正確に把握するためには、比較対象となる自社のWorkやTaskが正しく見えていなければなりません。同じ職種名であっても、企業によって実際に行われている仕事は異なります。では、自社固有の仕事をどのように捉え、AI Capabilityと照らし合わせられる状態をつくればよいのでしょうか。次章では、AIカバレッジを測るために必要となる「企業固有の仕事」という前提について考えていきます。
ここまで、AIカバレッジを可視化することで、企業活動のどこまでをAIが担えるのかを把握し、AXの優先順位やHumanとAIの役割分担を考えられることを見てきました。しかし、AIカバレッジを実際に測ろうとすると、一つの大きな前提に突き当たります。それは、AI Capabilityと比較する対象となる「自社の仕事」が見えていなければならないということです。AIがどれほど高度になっても、企業側にどのようなWorkやTaskが存在するのかが分からなければ、「どこまでAIが担えるのか」を判断することはできません。つまり、AIカバレッジの精度は、AIをどれだけ理解しているかだけではなく、自社の企業活動をどれだけ正確に理解できているかによって決まります。
企業の仕事を把握しようとすると、まず「営業」「人事」「経理」「マーケティング」といった職種分類を使うことが考えられます。しかし、AIカバレッジを測るには、この粒度だけでは十分ではありません。同じ職種名であっても、実際に行われている仕事は企業によって大きく異なるからです。
例えば、同じ営業というJobでも、数万円のサービスをオンラインで販売する企業と、数千万円から数億円規模のソリューションを複数年かけて提案する企業では、仕事の構造が大きく異なります。前者では、見込み顧客の抽出、メールによるアプローチ、商談設定、定型的な提案といったTaskの比重が高いかもしれません。一方で後者では、顧客企業の事業構造の分析、複数部門との関係構築、社内専門家との連携、個別提案の設計、契約条件の調整などに多くの時間が使われる可能性があります。
同じ「営業」という職種であっても、顧客、商材、単価、販売方法、組織体制によって、実際に行われているWorkやTask、その業務量、必要なSkillは異なります。当然、AIを適用できる範囲も異なります。そのため、一般的な職種分類をもとに「営業はAIによって50％代替できる」といった評価を行っても、それが特定の企業にそのまま当てはまるとは限りません。
AIカバレッジは、一般論として「この職種はAI化しやすい」と判断するためのものではありません。自社の企業活動において、どのTaskをどこまでAIが担えるのかを把握するためのものです。そのためには、標準的なJobの定義よりも一段深く、自社の中で実際にどのような仕事が行われているのかを見る必要があります。
企業固有の仕事を理解するために重要なのは、制度上定義された仕事内容だけを見るのではなく、実際の企業活動を見ることです。組織図、職務記述書、業務マニュアルなどには、誰がどの部門に所属し、どのような役割を担うのかが整理されています。しかし、日々の業務の中で誰がどの案件に関わり、どのようなTaskを行い、どれほどの時間を使い、その結果としてどのような成果を生み出しているのかまでは、十分に表現されていない場合があります。
例えば、同じ営業担当者でも、ある人は新規顧客の開拓に多くの時間を使い、別の人は既存顧客との関係構築に多くの時間を使っているかもしれません。同じ部署の中でも、担当する顧客や案件によってWorkの構成は異なります。また、正式な業務プロセスには記載されていなくても、実際には社内調整や情報探索、資料修正などに多くの時間が使われていることもあります。
AIカバレッジを正確に捉えるためには、こうした実態まで含めて企業固有のWorkを理解する必要があります。必要なのは、一般的な職種データを自社へ当てはめることではなく、自社の中で実際に行われている仕事を起点としてAI Capabilityを照らし合わせることです。そうすることで初めて、「このTaskはAIが大部分を担える」「このTaskではAIによる支援が有効である」「このTaskはHumanが主体であるべき」といった判断が、企業の実態に即したものになります。
ただし、企業固有のWorkを把握するといっても、単にTaskの一覧を作れば十分というわけではありません。企業活動は、一つひとつのTaskが独立して存在しているのではなく、人、組織、Job、Work、Task、Skill、成果などが相互に関係しながら成り立っています。
例えば、あるTaskが存在することだけを知っていても、そのTaskを誰が担っているのか、どのJobの中で行われているのか、どのようなSkillが必要なのか、どの業務プロセスにつながっているのか、その結果としてどのような成果が生まれているのかが分からなければ、経営判断には十分に使えません。同じTaskであっても、誰が、どのような状況で、何のために実行しているのかによって、重要度やAIを適用した際の影響は異なります。
AIカバレッジを経営判断につなげるためには、「Task A」「Task B」「Task C」と仕事を並べるだけではなく、Person、Organization、Job、Work、Task、Skill、Performanceなどの関係性として企業活動を捉える必要があります。
そうすることで、「誰がどの仕事を担っているのか」「その仕事にはどのSkillが必要なのか」「どのTaskにどれほどの業務量が存在するのか」「その仕事がどの成果につながっているのか」といった情報を同じ構造の中で見ることができます。そして、その企業活動の構造にAI Capabilityを重ねることで、AIカバレッジをより具体的に捉えられるようになります。
重要なのは、AIカバレッジを測るために企業活動を理解するのであって、仕事を細かく分類すること自体を目的にしないことです。企業活動の構造を捉えることで、「どのTaskをAIへ移すべきか」「その結果、どのJobが変わるのか」「どのSkillが新たに必要になるのか」といった、AXに必要な一連の問いをつなげて考えられるようになります。
ここで、AIカバレッジの議論は次の問いへ進みます。企業固有のWorkやTaskを、どのように企業全体で捉え、その関係性を構造として表現すればよいのでしょうか。
単なる職種一覧や業務一覧では、企業活動を十分に表現することはできません。必要なのは、人、組織、仕事、Task、Skill、成果などがどのようにつながっているのかを、企業固有の構造として捉えることです。こうした「企業の中で仕事がどのような構造と関係性によって成り立っているのか」を表現する考え方が、次に取り上げるWork Ontologyです。
AIカバレッジという考え方を持つことで、「どのAIを導入するか」というTechnology起点の議論から、「自社のどこまでをAIが担えるのか」という企業活動起点の議論へ視点を移すことができます。しかし、その問いに正確に答えるためには、企業自身が、自社にどのような仕事が存在し、それらが人、組織、Skill、成果とどのようにつながっているのかを理解できていなければなりません。
つまり、AXを進めるためにAIを理解するだけでは十分ではありません。AIカバレッジを正確に把握するには、AIより先に「企業固有の仕事の構造」をつくらなければならないのです。
では、企業の中に分散して存在するさまざまな情報から、企業固有の仕事の構造をどのようにつくればよいのでしょうか。そして、その構造をAIが理解・活用できる状態にするには何が必要なのでしょうか。
次回のVOL.03では、この問いを解く鍵となるWork Ontologyを中心に、企業固有の仕事をどのように捉え、構造化していくのかを考えていきます。