AIの実証実験（PoC）がうまくいったのに、全社展開に進めない。この状態が珍しくないことを、AnthropicとAccentureが2026年9月14日に共同公開した実務ガイドが数字で示しました。AIで持続的・全社的な成果を得たと答えた経営層は23%にとどまります。ガイドの主張は明快で、本番に移せるかどうかは技術ではなく「誰が何を持つかを、実証を始める前に決めたかどうか」で決まる、というものです。7つの検討事項と、人の監督を4段階に分ける設計を、自社で使える形に整理します。
何が公開されたのか
AnthropicとAccentureは2026年9月14日、企業のAI導入を実証実験から本番運用へ移すための実務ガイド「Deploying AI from pilot to production」を公開しました。CIO・技術責任者向けに書かれた全37ページの文書です。
このガイドの特徴は、検討項目を分野別ではなく時系列に並べている点にあります。7つの検討事項が「実証の前に決めること」「実証から本番へ移す段階で決めること」「本番運用中に決めること」の3区分で並びます。
さらに各検討事項の末尾に、2種類の設問が置かれています。部門横断で答えを出す「Work out（詰める問い）」と、CIOまたは事業責任者が単独で決める「Assign（所有者の割り当て）」です。誰が答えるべき問いかを分けているのが、他のAI導入フレームワークとの違いです。
なぜPoCの成功が本番の予測にならないのか
ガイドは、PoCが成功しやすい理由そのものが、本番の予測を狂わせると指摘します。PoCは選抜されたチーム、保護された予算、整備済みのデータ、限定された範囲で動きます。これらはいずれも本番環境の条件ではありません。
裏付けとして引用されている数字は次のとおりです。
| 指標 | 数値 | 出典と調査時期 |
|---|---|---|
| AIで持続的・全社的な成果を得たと答えた経営層 | 23% | Accenture「Pulse of Change」2026年7月公表（20カ国・6,000人、うちC-suite 3,000人。2026年4〜6月実施） |
| 実証を越えて複数部門の本番運用や全社的な取り組みに着手した組織 | 64% | Accenture「AI-Ready Data for Advanced AI」2026年5月調査 |
| うち、拡大に必要なデータ準備に到達した組織 | 7% | 同上 |
| AIのコストと成果に単独の責任者がおらず、ITと財務の共同責任に依存する組織 | 42% | Accenture「Tokenomics」2026年9月 |
注目したいのは64%と7%の差です。着手した組織のうち、拡大に耐えるデータ整備まで到達したのは9分の1程度という計算になります。止まっている場所はモデルの性能ではなく、その手前のデータと体制です。
なお、AccentureのPulse of Changeのページでは、この23%は2026年初頭の32%から低下した数値だと説明されています。投資は増えているのに、成果を実感する割合は下がっている状況です。AI投資と成果のギャップについては「AI投資78%・成果13%｜日本企業の差はどこで開くか」でも日本企業のデータを整理しています。
7つの検討事項と、決める順番
ガイドの7つの検討事項は、次のように並んでいます。右列は、各項目でCIO・事業責任者が単独で決めるとされる「Assign」の代表例です。
| # | 検討事項 | 時期 | 決めておく所有者の例 |
|---|---|---|---|
| 1 | 戦略目標・ROI・オーナーシップ | 実証の前 | 評価設計と採点方法の責任者／TCOモデルを見直す人 |
| 2 | データの準備と統合 | 実証の前 | 本番での各データソースとパイプラインの所有者 |
| 3 | インフラとアーキテクチャ | 実証の前 | 本番での統合レイヤーの所有者／新しいモデルを評価する人 |
| 4 | セキュリティ・コンプライアンス・信頼 | 実証の前 | アーキテクチャ確定前のセキュリティ評価の責任者／AI出力の監査証跡の責任者 |
| 5 | 組織の準備 | 実証から本番へ | 本番展開に拒否権を持つ人／リスキリング投資の出し手 |
| 6 | ガバナンスとリスク管理 | 本番運用中 | 継続監視と劣化アラートの所有者／レビュー工程を外す権限を持つ人 |
| 7 | スケールと進化 | 本番運用中 | AIプログラム運営そのものを担当する人 |
4項目が「実証の前」に置かれている点が重要です。セキュリティ評価もデータの所有者も、PoCを走らせてから考えるものではない、という設計になっています。
ガイドがとくに強調しているのが、ユースケースの定義です。ユーザー・タスク・アウトプット・測定可能な品質のしきい値の4要素をすべて書けて初めてユースケースだとしています。「AIは文書を分析できる」は能力の説明であってユースケースではなく、「AIは取得チーム向けに賃貸借契約の要約を作り、非標準的な条項を法務に回す」はユースケースだ、という例が挙げられています。
あわせて、実証を始める前に軽量なTCO（総保有コスト）モデルを作ることも求めています。含めるのはAPI費用・統合の負荷・保守の負担・導入しない場合の機会費用の4つで、AIの価格環境が変わるため四半期ごとに見直すとしています。費用の内訳の立て方は「AI導入支援の費用相場｜何にいくらかかるかを内訳で見る」も参考になります。
人の監督を4段階に分ける
ガイドが提示する具体策のなかで、そのまま自社に持ち込めるのが人の監督を4段階に分ける設計です。すべての出力に同じ強さの確認を課すと、レビューの負荷で止まるか、形だけの確認になってリスクを見逃すかのどちらかになる、というのがガイドの前提です。
| 段階 | 監督の形 | 例として挙げられた業務 | レビューの頻度 |
|---|---|---|---|
| 1. 自動（Automated） | 人のレビューなし。出力はそのまま次の工程へ | 会議の文字起こしの要約、システム間のデータ整形、コードのドキュメント生成 | 四半期ごとに出力品質を監査 |
| 2. 抜き取り（Sampled） | 無作為に選んだ一部を定期的に確認 | 請求書からの構造化データ抽出、問い合わせチケットの分類、通話記録からのCRM項目入力 | 週次で一定割合を確認。最初は高めの比率から始め、誤りの傾向が安定したら調整 |
| 3. 全件確認（Reviewed） | 相手に届く前に人がすべて承認 | 顧客向け文書の下書き、社外配布用の財務分析、テンプレートからの契約文言生成、マーケティング制作物 | 公開前に全件。月次でレビュー工程自体を「検出率と費用」の観点から監査 |
| 4. 助言（Advisory） | AIは分析まで。判断と成果物は人が作る | 与信・融資の推奨、採用の候補者スクリーニング、医師が確認する臨床所見、規制当局への提出書類の準備 | 全決定を監査証跡付きで記録。四半期ごとにコンプライアンスレビュー |
この表の使い方で見落としやすいのは、段階は固定ではないという点です。ガイドは、エラー率が低い状態が6か月から1年続いた工程は、上の段階（より軽い監督）へ移してよいと明記しています。
逆に言えば、見直さないレビュー工程は「構造的な足かせ」になります。チェックポイントは追加するほうが削除するより簡単で、外すリスクは目に見えるのに、維持し続ける費用は見えないためです。ガイドは各レビュー工程について「それは実際に何を捕まえているのか」「レビュアーが出力を変更する頻度はどれくらいか」「1件あたりの費用と、それを払う正当な理由は何か」を定期的に問い直すよう求めています。
AIエージェントの権限と承認の設計については「自律型AIエージェント導入のセキュリティ｜権限設計と人間の承認ゲート」でも整理しています。
中堅・中小企業はこのガイドをどう読み替えるか
このガイドの想定読者はCIOと技術責任者、つまり専任の情報システム部門を持つ規模の企業です。CIOがいない会社では、そのまま適用できません。読み替えの要点は3つあります。
1. 「Assign」は役職ではなく個人名で埋める。 ガイドの各項目は「誰が所有者か」を問います。役職が存在しないなら、社内の実在の個人名を入れてください。データの所有者・セキュリティ評価の責任者・レビュー工程を外す権限を持つ人の3つだけでも決めておけば、実証後に止まる確率は下がります。兼任で構いませんが、空欄にはしないことが要点です。
2. 監督は最初から4段階すべてを作らない。 現実的な出発点は、第3段階（全件確認）から始めて、業務ごとに第2段階（抜き取り）へ下げられるかを四半期ごとに検討する形です。段階を増やすより、見直す日を決めるほうが効きます。
3. TCOは4項目だけでよい。 API費用・統合の負荷・保守の負担・導入しない場合の機会費用。この4つを1枚に書き出せば、稟議の土台になります。精緻な試算より、四半期ごとに更新される粗い試算のほうが役に立ちます。
AI導入の進め方全体は「AI導入支援｜中小企業の進め方と支援会社の選び方」、発注前に確認する具体的な基準は「AI導入支援会社の選び方｜発注前に確認する7つの基準」で解説しています。
なお、AIのコストと成果の責任者が定まっていない組織が42%あるという数値と、正式な社内課金の仕組みを持つ組織はAIトークン支出1ドルあたり32セントを定量化された事業成果に紐づけている（配賦なしの組織の6倍）という数値は、ガイドがAccentureの2026年9月Tokenomics調査として引用しているものです。同調査は17カ国・上級幹部750人を対象に2026年6〜7月に実施されています。ただし、Accentureの公開ページにはこの2つの数値の記載が確認できず（2026年9月17日時点）、ガイド側の記載に基づく数値である点は差し引いて読む必要があります。
よくある質問
- AIの実証実験を始める前に、最低限どこまで決めておくべきですか。
-
ガイドは実証前に4分野（戦略目標とROI、データ、インフラ、セキュリティ）の所有者を決めるよう求めています。最小限なら、ユースケースの4要素（ユーザー・タスク・アウトプット・品質のしきい値）と、データの所有者を先に確定させることです。
- AIの出力に対する人の確認は、どこまで減らしてよいですか。
-
ガイドは出力のリスクに応じた4段階を示し、エラー率の低い状態が6か月から1年続いた工程は、より軽い監督へ移してよいとしています。減らす判断の前に、そのレビューが実際に何を捕まえているかを測ることが前提です。
- 情報システム部門が無い規模でも、このガイドは使えますか。
-
使えます。役職ではなく個人名で所有者を割り当てれば成立します。データの所有者、セキュリティ評価の責任者、レビュー工程を外す権限を持つ人の3つを決めるところから始めるのが現実的です。
まとめ
AnthropicとAccentureのガイドが示したのは、AIの本番移行を止めるのが技術ではなく決定の順番だという整理です。実証の前に決める項目が7つ中4つを占め、その中身は評価設計・データの所有者・インフラ・セキュリティという、いずれも後から差し替えにくいものでした。
人の監督は、すべてを同じ強さで確認するのではなく、出力のリスクに応じて4段階に振り分ける。そして段階は固定せず、エラー率の実績を見て軽くしていく。この2点は、規模を問わずそのまま持ち込める考え方です。
次に取るべきアクションは、いま動いているPoCについて「ユースケースの4要素」と「データの所有者」「レビュー工程を外す権限を持つ人」の3つを1枚に書き出すことです。空欄が残るなら、そこが本番移行で止まる場所になります。
自社のAI実証をどう本番運用へ移すか、体制と監督の設計から整理したいという方は、AI導入相談フォームからお気軽にご相談ください。
出典・参考資料
- Anthropic： Deploying AI from pilot to production: a practical blueprint for CIOs and technical leaders （） （Accentureとの共著）
- Accenture： Pulse of Change
- Accenture： A CIO’s guide to AI tokenomics （）
