ナレッジ

AI導入の効果測定|技術部門が本当に測るべき3つの数字

公開 2026-07-24|更新 2026-11-13

「AIを入れて、作業は確かに速くなった。それなのに、開発全体は速くなった気がしない」

製造業の技術部門で、いま最も多く聞く言葉です。そして次に来るのが「で、結局いくら効果が出たの?」という経営からの問いと、それにうまく答えられないもどかしさです。

結論から書きます。この問題の多くは、AIの性能ではなく「効果測定の設計」で起きています。 作業時間だけを測っていると、技術部門で本当に詰まっているところ、つまり「決めるまでの時間」が、どの数字にも現れないからです。効果が数字にならないと、投資は続きません。続かない投資は、結局PoC(=概念実証。お試しで小さく試す段階)で終わります。

この記事では、日本企業の現在地を公開調査の数字で確認したうえで、技術部門が追加コストをかけずに今日から測れる3つの数字と、過去の案件から2週間で基準値を作る4つの手順をお伝えします。

AI導入に関して「使ってはいる。でも成果に変わっていない」という日本企業の現在地

まず、これが自社だけの悩みではないことを、公開されている調査の数字で確認します。

1. 検討は始まっているが、実現は10社に1社

三菱総合研究所が2026年6月29日に公表した「日本企業のDX推進状況調査結果【2026年度版】」によると、AIを前提に会社を組み立て直す「AIファースト」の社内検討を開始した企業は75.9%。一方で、全社標準としてAI活用が広がり主要業務・主要サービスに深く組み込まれている「実現」層は10.1%にとどまりました。

同じ調査でさらに注目したいのが次の2つの数字です。AI活用に向けて人やお金の配分を変えること(リソース再配分)を企図し、実行も伴っている層は6.8%。これに対し、企図はあるが実行には至っていない層は36.9%。つまり「やろうと思っているが、まだ決めきれていない」企業が、実行できている企業の5倍以上いるということです。

(出典: 三菱総合研究所「日本企業のDX推進状況調査結果【2026年度版】」2026年6月29日公表)

2. 使ってはいる。だが会社の財布に効いたと言える形になっていない

PwC Japanグループの「生成AIに関する実態調査2026 春 6カ国比較」(2026年6月公表)では、日本企業の生成AIの活用・推進度は87%に達し、米国などと大きく見劣りしない水準まで広がっています。

ところが、生成AI活用で得た効果を従業員への利益還元や顧客への価格還元といった財務的な還元につなげている日本企業は40%で、6カ国中で最も低い水準でした。米国の75%、英国の74%とは大きな差があります。「還元していない」と答えた割合も19%と6カ国で最高でした。

ここは誤解しやすいので正確に書きます。この40%という数字は「効果を測れている企業の割合」ではありません。効果を、従業員の処遇や顧客への価格という目に見える形にまで持っていけた企業の割合です。裏を返せば、多くの企業で効果が「現場の体感」の段階で止まっている、ということになります。

(出典: PwC Japanグループ「生成AIに関する実態調査2026 春 6カ国比較」2026年6月公表)

3. 製造業では、期待は設計・開発に集中している

MONOistの読者調査(2026年2月12日〜3月2日実施、有効回答328件、2026年4月23日公開)では、AIエージェント(=人の指示を受けて自分で手順を考えて作業を進めるAI)を「既に業務で本格活用している」は11.0%、「PoC/試験導入中」は14.1%。そして活用が期待される領域の第1位は「設計/開発(仕様検討、設計補助、レビュー)」で55.7%でした。生産技術(工程設計、条件検討、ライン改善)も26.0%が挙げています。

また、これに先立つMONOistの調査(2025年8月5日公開)でも、製造業のAI活用で本番使用まで進んだ企業は約1割との結果が出ています。

期待は技術部門の上流に集中しているのに、本番に届いているのは1割前後。この落差こそが、いま埋めるべき距離です。

⚠️ これらの数字が示しているのは「多くの企業が同じところで詰まっている」という事実であって、「だから外部に頼むべきだ」ということではありません。数字は自社の現在地を確かめるための物差しとして使ってください。

なぜ効果が見えないのか:測っている場所が、詰まっている場所とずれている

数字を並べたところで、本題です。なぜ「使っているのに成果に変わらない」のでしょうか。

技術部門の仕事を、思い切って2つに分けてみます。


手を動かす時間

決めるまでの時間

中身

解析を回す、図面を描く、資料をまとめる、データを整える

論点を定める、条件を握る、関係部署と合意する、決裁を通す

AIの効き方

直接効く。体感でも分かる

間接的にしか効かない

測りやすさ

測りやすい(時間で測れる)

ほとんど測られていない

実際の詰まり

ここは既にかなり速くなっている

ここで止まっている

AIを入れて最初に速くなるのは、左側です。そして左側は測りやすいので、効果測定の指標も自然と左側だけになります。「1件あたりの作業時間が30%短縮」といった数字です。

しかし、開発全体の速さを決めているのは、多くの場合、右側です。論点が定まらないまま検討が始まって差し戻される。条件の握りが甘くて後から前提が変わる。決裁待ちで案件が2週間眠る。ここが縮まないかぎり、左側をいくら速くしても全体は速くなりません。 前の工程が速くなった分だけ、次の判断待ちの列が長くなるだけだからです。

そして最悪なのは、この構図が数字に出てこないことです。作業時間の短縮だけを報告すると、経営からはこう見えます。「時間は減ったと言うが、製品が早く出た形跡はない」。こうして次の予算がつかなくなります。

先ほどの三菱総研の数字、リソース再配分を企図しているが実行に至っていない36.9%は、まさにこの状態を映していると読めます。決められないから配分が変わらない。配分が変わらないから、成果も変わらない。

技術部門が今日から測れる3つの数字

では、右側をどう測るか。新しい測定ツールも、専任の担当者も要りません。すでに社内に残っている記録から取れる3つの数字で十分です。

数字1: 差し戻し回数(1テーマあたり)

定義: 1つの検討テーマが結論に至るまでに、「前提が変わった」「論点が違った」「そもそも何を決める会議か分からない」といった理由で振り出しに戻った回数。

取り方: 会議の議事録またはレビュー記録を、テーマごとに時系列で並べる。同じ論点が2回以上出てきたら、差し戻し1回と数える。

なぜこれか: 差し戻しは、意思決定の質がそのまま出る数字です。AIで論点整理や事前の情報収集が効いているなら、まずここが減ります。1テーマあたり4回が2回になれば、体感ではなく回数で言えます。

数字2: 決まるまでの日数

定義: 論点が立った日(この件を決めようと合意した日)から、決裁が下りた日までの暦日数。検討に着手した日からではなく、「決めよう」と決めた日から数えるのがコツです。

取り方: 稟議・決裁のシステムに日付が残っています。そこから逆算して、起点となる会議の日付を議事録で確認する。

なぜこれか: 経営が最も直感的に理解できる数字だからです。「45日かかっていたものが28日になった」は、追加説明がなくても伝わります。

数字3: 同時に走っているテーマ数

定義: その部門で、いま結論が出ていない検討テーマがいくつ並行しているか。

取り方: 月初に一度、未完了のテーマを数えるだけです。

なぜこれか: 手が速くなっても決まらないと、仕掛かりが増え続けます。この数が増えているなら、それは「作業は速くなったが決断が追いついていない」という警告灯です。逆にこの数が減り始めたら、意思決定が本当に速くなった証拠になります。

3つをまとめると

指標

どこから取るか

集計の手間(目安)

何が分かるか

差し戻し回数

議事録・レビュー記録

1テーマ15分程度

意思決定の質

決まるまでの日数

稟議・決裁の日付

1件5分程度

意思決定の速さ

同時進行テーマ数

月初の棚卸し

月1回30分程度

決断が作業に追いついているか

作業時間の測定をやめる必要はありません。やめるのではなく、この3つを足す。それだけで、報告の説得力は大きく変わります。

過去の案件から2週間で基準値を作る4ステップ

「そんな数字は取っていない」と思われたかもしれません。大丈夫です。これから取り始める必要はなく、過去の記録から作れます。

ステップ1: 直近で完了した3件を選ぶ(所要30分)

大きすぎず小さすぎない、典型的な検討テーマを3件選びます。うまくいった案件と難航した案件を混ぜるのがコツです。1件だけだと、それが標準なのか例外なのか分かりません。

ステップ2: 3件の「決まるまでの日数」と「差し戻し回数」を数える(所要2〜3時間)

議事録と決裁記録を突き合わせるだけの作業です。ここで完璧を目指さないでください。日数は1日単位、差し戻しは数え方が人によって多少ぶれても構いません。 大事なのは、同じ数え方をこの先も続けることです。基準値は、比較のためにあります。

ステップ3: 数え方を1枚に書いて固定する(所要30分)

「差し戻しとは何を1回と数えるか」「起点はどの日か」を1枚の紙に書きます。これをしないと、半年後に別の人が数えたときに、数字が変わってしまいます。効果測定でいちばん多い失敗は、測り方が途中で変わって比較できなくなることです。

ステップ4: 次の1テーマで、同じ数え方で測る(所要: 検討期間中に随時)

ここで初めてAIの効き目が見えます。過去3件の平均と比べて、差し戻しが減ったか、日数が縮んだか。1テーマでは偶然の可能性がありますが、3テーマ続けば傾向と言えます。

合計で半日から1日程度の作業です。新しいツールの導入も、現場への追加入力のお願いも発生しません。ここは重要で、技術部門にとって新しいAIやDXの取り組みは「もう一つの兼務」として受け止められがちです。現場の入力作業を増やす効果測定は、まず続きません。

効果測定の記入例:過去3件と次の1テーマを1枚に並べる

4つのステップを終えると、次のような1枚の表ができます。テーマの名前と数字は、書き方を示すために作った架空の例です。作業時間は、そのテーマに関わった人が解析や資料づくりにかけた時間の合計で、すでに測っている記録から写します。AIが出した結果を人が確かめた時間も、作業時間に含めます。

テーマ

作業時間

差し戻し回数

決まるまでの日数

過去のテーマA(順調だった)

120時間

2回

30日

過去のテーマB(よくある進み方だった)

150時間

3回

41日

過去のテーマC(難航した)

210時間

6回

64日

基準値(テーマA・B・Cの平均)

160時間

約3.7回

45日

次のテーマD(AIで論点整理と事前の情報収集を行った)

110時間

2回

28日

同時に走っているテーマ数は、この表とは別に、月初に数えて書き足します。記入例は「9月は7テーマ、10月は7テーマ、11月は5テーマ」です。

テーマDの数字は基準値より良くなっています。ただし、1テーマだけでは偶然の可能性があります。テーマDを含めて3テーマを測り終えたら、3テーマの平均を基準値と比べて、次の判断の表に当てはめます。

効果測定の判断の表:数字の動きから、次に決めることを選ぶ

作業時間と、差し戻し回数・決まるまでの日数が、基準値と比べてどう動いたかを当てはめます。作業時間と日数は、基準値との差が基準値の1割より小さいときに「変わらない」に入れます。差し戻し回数は、差が1回より小さいときに「変わらない」に入れます。どちらも目安なので、自社で決めてステップ3の1枚に書いておきます。回数と日数の動きが違うときは、悪くなったほうを優先し、悪くなっていなければ良くなったほうの行で読みます。「考えられること」の欄は見立てです。決める前に、差し戻しの理由を議事録で読んで確かめてください。

作業時間

差し戻し回数と決まるまでの日数

考えられること

次に決めること

減った

回数が減ったか、日数が縮んだ

AIが、作業にも判断の準備にも効いている

同じ使い方を別のテーマに広げて、投資を続けるか

減った

どちらも変わらない

作業は速くなったが、決めるまでの時間は変わっていない

AIを増やす前に、論点の立て方と決裁の待ち時間をどう直すか

減った

回数が増えたか、日数が延びた

AIの結果の確認や、前提のそろえ方で手戻りが起きている

誰がAIの結果を確かめるか、AIに渡す前提を何にするか

変わらない

回数が減ったか、日数が縮んだ

論点の整理など、判断の準備に効いている

経営への報告を、作業時間から差し戻し回数と日数へ切り替えるか

変わらない

どちらも変わらない

AIが使われていないか、詰まっている場所の見立てが違う

利用を広げるのをやめて、使われ方と詰まっている場所を確かめ直すか

変わらない

回数が増えたか、日数が延びた

AIが作業に効いておらず、判断の手戻りも増えている

手戻りの理由を確かめて、このテーマでAIを使い続けるか

増えた

どの動きでも

AIの結果を人が確かめる時間が、AIで減った時間を上回っている

AIに任せる範囲と、確かめるやり方をどう変えるか

同時に走っているテーマ数が増え続けているときは、どの行に当てはまっても、結論が出ていないテーマを減らす判断を先にします。新しいテーマを始めるのは、その後です。

よくある3つの反論に、正直に答えます

「AIのおかげで縮んだのか、たまたまなのか分からないのでは?」

そのとおりです。厳密な因果関係の証明はできません。ただ、効果測定の目的は学術的な証明ではなく、次の投資判断ができる程度に傾向をつかむことです。3テーマ続けて日数が短くなり、現場も「論点の整理が楽になった」と言っているなら、判断材料としては十分です。逆に、数字が変わらないなら、AIの使い方か、そもそも詰まっている場所の見立てが違うということが分かります。これも大きな収穫です。

「作業時間の短縮は意味がないということですか?」

いいえ、逆です。作業時間の短縮は、効果の入口としては正しく、しかも測りやすい。問題は、そこで報告を止めてしまうことです。作業時間を測ったうえで、決まるまでの日数も並べる。この2つが並んで初めて、「作業は30%速くなったが、決裁の待ち時間は変わっていない。次はここだ」という次の一手が語れます。

「現場が数字で管理されると身構えませんか?」

これは実際に起きます。だからこそ、個人ではなくテーマ単位で測ることをおすすめします。差し戻し回数は、担当者の能力ではなく、論点設計と合意形成の仕組みの状態を表す数字です。測る目的を最初に伝えてください。「誰が遅いかを探すためではなく、どこで止まるかを見つけるため」だと。

まとめ

  • AI導入の効果測定を作業時間だけで行うと、技術部門の本当のボトルネックである意思決定の遅さが数字に表れない

  • 日本企業は生成AIの活用・推進度が87%に達する一方、効果を財務的な還元まで持っていけたのは40%で6カ国中最下位(PwC Japanグループ、2026年6月)。「リソース再配分を企図しているが実行に至っていない」層は36.9%(三菱総合研究所、2026年6月29日)

  • 技術部門が追加コストなしで測れる3つの数字は、差し戻し回数・決まるまでの日数・同時進行テーマ数

  • 基準値は過去3件の記録から半日〜1日で作れる。完璧さより、数え方を固定して比べ続けることが重要

AI導入がうまくいっているかどうかは、実は導入の前に決まっています。どこが詰まっているのかを正しく見立て、それが動いたと分かる測り方を先に決めておけるかどうかです。

技術部門の検討テーマについて、「どこで詰まっているのか」「何を測れば動いたと言えるのか」を整理する段階から、外部の立場で伴走しています。論点の地図づくりからご相談ください。

出典一覧

支援事例を見る

いま止まっているテーマは、ありますか。

初回は、相談したいテーマと現状のお悩み、テーマの推進に掛けられる予算規模の2つを一緒に確認します。「まだ相談する段階か分からない」という状態でも構いません。

ご相談・お問い合わせ

業務の進め方の見直しや、生成AIをどの業務で使うかを、効果と費用から決めたい方へ。当社の支援の内容は「業務改革・DX支援」にまとめています。

関連記事

記事の一覧を見る