「AIを入れたのに、気づいたら誰も使っていない」。この相談を、群馬の中小企業から何度か受けた。ツールが悪かったわけではない。多くは始め方でつまずく。実際、調査を見ると、AIの取り組みを本格運用の前でやめてしまう会社が急に増えている。

止まるパターンには型がある。先に型を知っておけば、同じ落とし穴は避けられる。この記事では、公開されている調査で確かめられる数字だけを使って「なぜ止まるのか」を3つの型に整理し、止めずに広げるための小さな始め方をまとめる。

AI導入は、進めた会社の4割が途中でやめている

AIの試作を表す小さな歯車の芽がいくつも芽吹いているが、その多くが本番運用を表す大きな建物の手前で立ち枯れて折れており、建物まで届く芽はわずかしかない概念図。芽から建物へ向かう道の途中に断絶がある構図。バイオレットとパープルを基調とした線画。文字や数字は一切入れない。

まず数字を並べる。いずれも2025年の調査だ。S&P Globalの調査（北米・欧州の1,000社超が対象）では、大半のAIの取り組みを本番に進める前にやめた企業が42%にのぼった。前年は17%だったので、1年で倍以上に膨らんだ計算になる。試作から本格展開までの間に平均46%のプロジェクトが打ち切られている（CIO Diveの報道による）。

試作そのものの成果も芳しくない。MITの研究チーム（Project NANDA）が公表した「The GenAI Divide: State of AI in Business 2025」は、生成AIの試作の95%が損益に測定できる効果を出せていない、と報告した。効果を出せているのは5%だけ。しかも報告書は、この差は「モデルの性能の差ではなく、進め方の差だ」と言い切っている（Forbes）。技術が足りないから失敗しているわけではない、という指摘は重い。

経営層の実感も似ている。PwCが2026年1月に公表した世界のCEO調査では、直近1年でAIによる増収を実感したのは30%どまり、56%はコストにも収益にも効果がなかったと答えた（Forbes）。これらは海外の大企業も含む数字で、群馬の中小企業にそのまま当てはまるわけではない。ただ「入れれば効く」ではない、という前提は共通して置いておきたい。

つまずくのは技術ではなく、始め方——3つの型

道の途中に落とし穴が並んでいる概念図。手前の穴は目印となる旗が立っておらず（目標なし）、次の穴は小さな財布から大きな請求書があふれ（本番の費用）、その先の穴では工具箱と歯車がかみ合わずに浮いている（業務に噛み合わない）様子を表す。バイオレットとパープルを基調とした線画。文字や数字は一切入れない。

MITの報告が「差は進め方にある」と言うとおり、止まる会社には共通の型がある。中小企業の現場で見てきたものを3つに絞る。

型1: 成功の基準を決めずに始める

「とりあえずチャットボットを入れてみよう」で走り出すと、何をもって成功とするかが誰にも言えない。だから続ける根拠も、やめる根拠も出てこない。予算の見直しが来たとき、効果を数字で示せないものから順に消えていく。MITの報告が挙げた失敗の中心も、作り始める前に「達成したい結果」を決めていないことだった。導入の目的と、成果を測る指標を先に紙1枚で決める。ここを飛ばすと、後からは取り返せない。

型2: 試作の安さで本番の予算を組む

試作は驚くほど安く動く。少人数で、少ないデータで、限られた場面だけなら月数千円で回ることもある。ところが本番は違う。処理する件数が増え、保存するデータが増え、監視や運用の手間が乗る。S&P Globalの調査でも、取り組みをやめた理由の上位はコストとデータの扱いだった。試作の見積もりで本番の予算を組むと、走り出してから採算が合わなくなり、止める判断に追い込まれる。小さく試した段階で、本番の規模に伸ばしたときの月額を一度だけでいいので概算しておく。

型3: 現場の業務に噛み合わないまま配る

汎用のAIツールを全社員に配って終わり、という進め方も止まりやすい。個人が思いつきで使う分には便利でも、既存の業務の流れに組み込まれないと、使う人と使わない人に分かれ、やがて誰も開かなくなる。MITの報告は、汎用ツールが「その会社の仕事を学ばず、合わせてこない」から本格運用で停滞する、と指摘した。配る前に、どの業務のどの工程に挿すのかを1つ決める。全社ではなく、1工程から始める。

小さく測ってから広げる

小さな段差の階段を、ストップウォッチを持った人物が一歩ずつ上っている概念図。最初の段には小さな作業机がひとつだけ置かれ、上の段へ進むにつれて机が少しずつ増え、いちばん上で建物へとつながっていく。各段の脇に、経過を測る目盛りが添えられている構図。バイオレットとパープルを基調とした線画。文字や数字は一切入れない。

3つの型は、裏返せばそのまま対策になる。私たちが導入を伴走するとき、能力を試すより先にこの順番を決める。

  1. AIに任せたい業務を1つだけ選ぶ。全社ではなく、手間がかかっていて効果を測りやすい1工程に絞る。
  2. 合格ラインを先に決める。処理にかかる時間、正確さ、確認にかかる手間。何がどうなったら「続ける」なのかを数字で書く。
  3. 1か月ほど実データで回し、導入前と後を測って比べる。良い数字も悪い数字もそのまま残す。
  4. 本番の規模に伸ばしたときのコストを概算し、合格ラインと採算の両方を満たしたものだけ広げる。
  5. 広げるときも、次の1工程を選んで同じ手順を繰り返す。一度に全部を切り替えない。

この進め方は派手ではない。だが、止まった会社の多くが飛ばしていたのは、まさにこの「先に基準を決めて、小さく測る」の一手間だった。慎重に、地に足をつけて広げるほうが、結局は早く根づく。

まとめ

  • 2025年の調査では、AIの取り組みを本番前にやめた企業が42%（S&P Global）、生成AI試作の95%が損益に効果を出せていない（MIT）。失敗の中心は技術ではなく進め方にある。
  • 止まる型は3つ。成功の基準を決めずに始める／試作の安さで本番の予算を組む／現場の業務に噛み合わないまま配る。
  • 対策は「1業務に絞る→合格ラインを先に決める→1か月測る→採算を概算→満たしたものだけ広げる」。全社一斉ではなく、1工程ずつ。

「入れてはみたが続かなかった」「どの業務から手をつければいいか分からない」。そんなときは、最初の1業務を一緒に選ぶところからご相談ください。目的と合格ラインを決め、小さく測ってから広げる進め方を、ククルデザインが伴走します。