🧠

「GenAI Divide」とナレッジグラフ──生成AIが成果を出せない理由と、その先にある学習するAI

に公開
データ基盤
LLM
生成 AI
ナレッジグラフ
ai経済
idea

「GenAI Divide」とナレッジグラフ ── 生成 AI が成果を出せない理由と、その先にある学習する AI

近年、企業による生成 AI（Generative AI, 以下 GenAI）への投資は急速に拡大しています。
しかし MIT Media Lab の Project NANDA が発表したレポート『The GenAI Divide – State of AI in Business 2025』によると、世界中の企業が投じた 3〜4 兆円規模の GenAI 投資のうち、95%が ROI（投資利益）を生み出せなかったと報告されています。
この現象をレポートでは「GenAI Divide（生成 AI の分断）」と呼んでいます。

生成 AI 導入の現実：採用は進むが変革は進まない

報告書によると、ChatGPT や Copilot などの LLM ツールは広く導入されているものの、企業の構造的な変革にはつながっていません。
調査対象の 9 業界のうち、明確な変化が見られたのはテックとメディア分野のみでした。

一方で、AI 導入プロジェクトの多くは「実証止まり」のまま本番運用に至っていません。
特に企業向けにカスタマイズされた AI ツールやベンダーが提供するソリューションに絞ると、その現実はさらに厳しくなります。こうしたツールがパイロット段階（試験導入）から本番稼働に移行する割合は、わずか 5%です。
これは、多くのプロジェクトが試験導入の段階で頓挫してしまう「パイロットから本番への断絶（pilot-to-production chasm）」を示しています。

レポートによると、これは非常に意外な結果です。なぜなら、企業の 90%が AI ソリューションの導入を真剣に検討しており、その意欲は非常に高いからです。しかし、その熱意とは裏腹に、ほとんどのプロジェクトが成果を出せずに終わっているのです。
レポートは、この高い意欲と低い成果のギャップを生んでいる原因が、企業の公式プロジェクトの外で起きていると指摘しています。

「シャドー AI」の台頭：企業が失敗する一方で、従業員は成功している

企業の公式な AI プロジェクトが停滞する一方で、非常に興味深い現象が起きています。それが「シャドー AI 経済」の台頭です。これは、従業員が会社に隠れて個人の ChatGPT アカウントなどを仕事に活用し、大きな成果を上げている状況を指します。

レポートによると、公式な AI ツール（LLM）の利用契約を結んでいる企業は 40%に過ぎないのに対し、調査対象となった企業の 90%以上で、従業員が個人の AI ツールを日常的に業務で利用していると回答しました。

この事実から読み取れるのは、AI に対する現場の需要がいかに大きいかということです。筆者としては、この現象は単に従業員の工夫というだけでなく、市場がエンタープライズ AI に本当に求めている機能、つまり柔軟性や応答性の高さを明確に示していると考えます。
レポートも指摘しているように、従業員が公式ツールを避け、個人ツールに走る根本的な理由こそが、エンタープライズ AI が抱える最大の問題です。

盲目的な投資：企業は間違った AI イニシアチブに資金を投じている

レポートは、企業の AI 投資における驚くべき偏りを明らかにしました。
営業・マーケティングといった、成果が目に見えやすい「フロントオフィス」部門に AI 予算の約 5 割から 7 割が集中していると指摘しています。

しかし、レポートによると、最も高く明確な投資対効果（ROI）が期待できるのは、これまであまり注目されてこなかった「バックオフィス」部門（オペレーション、財務、調達など）であることが判明しました。
レポートで挙げられている具体的な成功事例には、以下のようなものがあります：

  • BPO（業務プロセスアウトソーシング）コストを年間 200 万〜1000 万ドル削減
  • 外部エージェンシーへの支出を 30%削減

レポートは、本当の価値が社内の人員削減から生まれるのではなく、高コストな外部サービスを代替することから生まれることを示しています。筆者としては、これははるかに影響が大きく、社内の反発も少ない ROI の形と考えることができます。
レポートが指摘するように、この資金の誤配分は、より根深い戦略的エラー、つまり最高のソリューションは自社で構築すべきだという広く浸透した思い込みの表れです。

レポートが指摘する根本原因

MIT の分析では、失敗の主因は「規制や人材不足」ではなく、学習構造の欠如にあるとされています。

"Barriers: Not regulation, infra, or talent, but learning."
（障壁は規制でもインフラでも人材でもなく、「学習」である）

では、なぜ企業向けの AI プロジェクトは失敗するのでしょうか。一般的には、AI モデルの性能、法的なリスク、データの不足などが障壁だと考えられがちです。しかし、レポートはこれらの「神話」を否定し、真の問題は他にあると指摘しています。

レポートによると、根本的な原因は「学習のギャップ（Learning Gap）」です。ほとんどの企業向け AI システムは、ユーザーからのフィードバックを記憶したり、文脈を保持したり、特定の業務フローに適応したりすることができません。
つまり、使えば使うほど賢くなる「学習能力」が欠けているのです。

学習の欠如を体現する具体的な事例

レポートでは、ある企業の法務担当者の事例が、この問題を的確に示しています。彼女は草稿作成には ChatGPT を愛用していますが、リスクの高い契約書の作成には決して使いません。その理由について、彼女はこう語っています。

「ブレインストーミングや初稿の作成には非常に優れています。しかし、クライアントの好みに関する知識を記憶したり、過去の修正から学習したりはしません。同じ間違いを繰り返し、セッションごとに膨大な文脈を入力する必要があります。リスクの高い仕事には、知識を蓄積し、時間とともに改善されていくシステムが必要です。」

レポートによると、この「学習のギャップ」こそが、多くのユーザーが単純なタスクには AI を好みながらも、複雑なプロジェクトでは依然として 90%が人間を好む理由です。この根本的な欠陥は、プロジェクトの停滞を招くだけでなく、企業の投資戦略そのものを歪めています。

多くの企業 AI システムは、一度作って終わりの"静的な仕組み"になっており、利用データやユーザーのフィードバックを取り込みながら継続的に改善する構造を持っていません。

この「学習の欠如（Learning Gap）」に加えて、以下のような課題も挙げられています：

  • ワークフローへの非統合：AI が業務プロセスに深く組み込まれていない

  • 知識の分断：AI が参照する情報が個別・サイロ化している

  • 評価ループの欠如：AI 出力の結果が次の改善に反映されない

  • 投資の偏り：予算の多くがマーケティングに集中し、基盤整備が後回しになっている

逆に成功している企業は、外部パートナーと連携しつつ、学習と適応をワークフローの中で継続的に行える仕組みを構築しています。

成功への意外な近道：「作る」のではなく「買う」

レポートは、多くの企業が抱く「自社開発こそ最善」という思い込みを覆す、意外な結論を提示しています。

レポートによると、AI ツールの内製プロジェクトは、外部ベンダーとのパートナーシップに比べて失敗率が 2 倍も高いことがわかりました。外部パートナーシップの導入成功率が約 67%であるのに対し、内製プロジェクトの成功率はわずか約 33%に留まります。
内製アプローチの方がはるかに多くの企業で試みられているにもかかわらず、その成功率は著しく低いのです。

レポートは、成功しているベンダーが、業務フローに深く特化し、学習能力を持つシステムを構築することを指摘しています。さらに、既存のパートナーからの紹介などを通じて、企業が抱く新しいツールへの不信感という障壁を乗り越える術を知っています。
レポートによると、最も成功している企業は、AI ベンダーを単なるソフトウェアの売り手としてではなく、戦略的パートナーとして扱い、深いカスタマイズを要求し、ビジネス上の成果に対して責任を共有する関係を築いているとのことです。

ナレッジグラフが提示する解決の方向

レポートが指摘する「学習できない構造」を解消するには、AI の背後に「知識を構造化して記憶する層」が必要になります。
ここで筆者が重要と考えるのが**ナレッジグラフ（Knowledge Graph）**です。

ナレッジグラフは、データ・概念・関係性をグラフ構造で表現し、AI や人が共通の文脈をもって情報を理解・再利用できるようにする仕組みです。

MIT レポートが示す課題と、筆者が考えるナレッジグラフが提供できる解決方向を重ねると次のようになります：

レポートの課題 ナレッジグラフによる解決の方向（筆者の分析）
学習の欠如（Learning Gap） フィードバックを知識として蓄積し、再利用できる構造化知識層を持つ
ワークフロー非統合 意味的接続（オントロジー）でシステム間の整合性を保ち、自動連携を可能にする
知識の分断 部門・ツール・文書を一つの意味ネットワーク上で統合する
評価ループの欠如 成果や修正をナレッジグラフ上に記録し、改善サイクルを可視化する

このように、筆者としては、ナレッジグラフが「生成 AI が学習し続けるための土台」として機能すると考えています。
モデルのパラメータではなく、知識と関係性のレイヤーに学習を委ねることで、企業は AI の進化を組織知として継続的に蓄積できるようになるでしょう。

“Agentic Web”の文脈と今後

レポートの最後では、次の時代として「Agentic Web」という概念が紹介されています。
レポートによると、これは AI エージェントがそれぞれのシステムやサービスをまたいで連携し、業務プロセス全体を自律的に調整していく世界観です。

レポートで言及されている MCP（Model Context Protocol）や A2A（Agent-to-Agent protocol）、そして MIT Media Lab の研究プロジェクトである NANDA（Networked Agents and Decentralized Architecture）は、エージェント同士を接続するための通信プロトコルを指しています。

ただし、これらのプロトコルが整備されても、それぞれのシステムが扱うデータのスキーマや意味構造は異なります。
筆者は、異なる定義・形式を持つ情報を横断的に理解し、意味を橋渡しする層こそがナレッジグラフであると考えます。

筆者としては、ナレッジグラフが各エージェントが共通の文脈で情報を理解できるようにし、異なるスキーマ構造のデータ間に意味的な接続（semantic link）を与えると考えています。
その結果、エージェント同士が共通の理解を持ち、動的に知識を更新し合うことが可能になるでしょう。

つまり、筆者としては、Agentic Web の実現には、通信のプロトコルだけでなく、意味を共有するための知識基盤としてのナレッジグラフが欠かせないと考えています。
それが「学習する企業システム」の本当の土台になるでしょう。

まとめ

レポートが指摘する「GenAI Divide」は、生成 AI が"使われてはいるが学習していない"という構造的な課題を浮き彫りにしました。
レポートが明らかにした主要な発見は以下の通りです：

  1. 95%の AI プロジェクトが失敗している：パイロットから本番への断絶（5%の成功率）
  2. シャドー AI 経済の台頭：従業員の個人利用（90%以上）が企業公式ツール（40%）を大幅に上回る
  3. 学習のギャップが根本原因：AI システムが文脈を保持し、フィードバックから学習する仕組みが欠如している
  4. 投資の誤配分：フロントオフィス（営業・マーケティング）に集中する一方で、真の ROI はバックオフィスの自動化にある
  5. 内製 vs 外部パートナーシップ：内製プロジェクトの成功率（33%）は外部パートナーシップ（67%）の半分

レポートが示すように、AI の精度やモデルの進化だけでは、組織の知識は進化しません。真の変革には、「AI が学習する仕組み」を企業システムの中に組み込む必要があります。

そのための鍵として、筆者はナレッジグラフによる知識の構造化と統合を提案します。筆者としては、ナレッジグラフが「生成 AI が学習し続けるための土台」として機能し、モデルのパラメータではなく、知識と関係性のレイヤーに学習を委ねることで、企業は AI の進化を組織知として継続的に蓄積できるようになると考えています。

レポートは、企業が主要な AI ベンダーとの関係を固定化する今後 18 ヶ月間で、この「格差」を乗り越えるチャンスの窓は急速に閉じていくと警告しています。一度システムを導入し、自社のデータで学習させてしまえば、乗り換えコストは非常に高くなります。

筆者としては、この「学習のギャップ」を大規模に解決した先に待っているのが、学習能力を持つシステム同士が自律的に連携する「エージェント・ウェブ（Agentic Web）」の到来であると考えています。これは単なる未来のコンセプトではありません。今、格差を乗り越えられない企業が、将来的に締め出されるであろう、ビジネスプロセスの次の姿です。

生成 AI の次のフェーズは、"生成する AI"から"学習する AI"へと移り変わると、筆者は考えています。
その中で、ナレッジグラフは、その進化を支える中核技術になるでしょう。

参考文献

更新履歴

  • 2025-10-21 — 初版公開
  • 2025-10-23 — トピック調整、記事フォーマット正規化
  • 2025-10-30 — 参考文献とリンク先を整理
  • 2025-11-01 — MIT レポート分析の強化

注記

本記事は AI を活用して執筆しています。
内容に誤りや追加情報があれば、Zenn のコメントよりお知らせください。

GitHubで編集を提案

Discussion