企業 AI 導入の潮流と課題──2026 年の権威ある 7 本の報告書から読む Agentic 時代の全景

一、序文:AI はすでに取締役会のテーブルに載せられた

2026 年、AI はもはや IT 部門の片隅に置かれた小さな実験ではない。取締役会のテーブルに直接載せられ、CEO が自ら目を光らせている。

KPMG、Deloitte、McKinsey、Accenture、Stanford HAI、EY といった権威ある機関が 2026 年初頭に公表した調査を読むと、企業 AI をめぐる話題が静かに変わりつつあることがはっきり見て取れる。「技術導入」から「組織変革」へ、「モデルを使えること」から「agents を管理できること」へ、「コスト削減」から「仕事の作り替え」へ。投資額は最高記録を更新し続け、CEO が自ら先頭に立ち、agent のスケール化という論調が大手コンサルティング機関の表紙を占めている。だが物語のもう一面は、それほど華やかではない──大多数の企業はそもそもまだ準備できていない。

本稿は KPMG《Global AI Pulse Survey Q1 2026》、Deloitte《State of AI in the Enterprise 2026》、McKinsey《State of AI Trust in 2026: Shifting to the Agentic Era》、McKinsey《Building the Foundations for Agentic AI at Scale》、Accenture《The Age of Co-Intelligence》、Stanford HAI《AI Index Report 2026》、EY《AI Pulse Survey Wave 3》という七本の研究を整理し、企業リーダーにとって最も重要な五つの問いに答えることを試みる。支出は十分に大きいのか。スケール化は成し遂げられるのか。ガバナンスは追いついているのか。インフラは準備できているのか。そして──agents が実行を引き受けたとき、人は結局何をすべきなのか。

七本の報告書のあいだには、共通認識もあれば相違もある。

共通認識:agentic AI はすでに概念から実装へ移った。投資のスピードは組織の調整スピードをはるかに上回っている。ガバナンスとデータ基盤こそが真のボトルネックである。相違:実際にスケール化した企業はどれだけあるのか。ROI はどう計算するのか。人間はこの変革でどんな役割を担うのか。以下ではこれらを一つずつ分解し、交差比較のなかから、リーダーにとって──そしてより重要なことに、投資家にとって──行動に移せる洞察を抽出する。

読者は気づくだろう。2023–2024 年が LLM 競争の年、2025 年がパイロットの年だったとすれば、2026 年は間違いなく「スケール化できるか」が試される年である。技術はもはやボトルネックではない。組織とガバナンスこそがボトルネックだ。

本題に入る前に、七本の報告書がそれぞれどの角度から見ているのかを手早く押さえておこう:

報告書	重点を置く視点	何を見るのに適するか
KPMG《Global AI Pulse Survey Q1 2026》	四半期ごとの経営幹部調査:投資意向、スケール化の進捗、リスク認識	市場が何をしているか
Deloitte《State of AI in the Enterprise 2026》	野心から始動までの実行ギャップ、sovereign AI、physical AI	戦略視点 × 実行の細部
McKinsey《State of AI Trust in 2026》	Responsible AI とガバナンスの側面、約 500 組織への調査	ガバナンスと信頼のグローバルな格差
McKinsey《Building the Foundations for Agentic AI at Scale》	データ、インフラ、プラットフォーム層という技術志向	CIO、CDO に最も有用
Accenture《The Age of Co-Intelligence》	Wharton との共同研究、労働時間の再構築、人間の役割の変化	経済的影響の定量推計
Stanford HAI《AI Index Report 2026》	技術、産業、政策、教育、地政学、環境	マクロのベースライン
EY《AI Pulse Survey Wave 3》	第 3 波の追跡調査、RAI の実践と Shadow AI	時系列の変化

七本の報告書を交差させて読めば、「市場の熱量」(KPMG、EY)、「実行ギャップ」(Deloitte)、「ガバナンスの現状」(McKinsey Trust)、「技術基盤」(McKinsey Foundations)、「人間の役割」(Accenture)、「マクロのベースライン」(Stanford HAI)という六つの層を同時に見渡せ、2026 年の企業 AI の比較的完全な全景が浮かび上がる。

二、投資の熱狂と価値のギャップ:カネは速く入るが、価値はまだ現れない

2026 年の企業 AI 投資は、かつてない高みに入った。

KPMG は《Global AI Pulse Survey Q1 2026》のなかで、世界のリーダーが今後 12 か月に平均 1.86 億ドルを AI に投じる計画だと指摘する。さらに驚くべきは、74% のリーダーが、たとえ景気が後退局面に入っても AI は最優先の投資項目であり続けると答えていることだ。

この数字は古い習性を打ち破るものである。過去数回のテクノロジー循環では、景気が下向くたびに IT 予算が真っ先に削られた。今回は違う。AI は「景気が良いときにしか投じられない」贅沢品ではなく、「危機のなかでこそ積み増すべきもの」として扱われている──これは企業の思考における重要な分水嶺だ。

EY は《AI Pulse Survey Wave 3》でさらに目を引く数字を投げ込む。「AI に投資した組織の 96% が過去 1 年で生産性の向上を確認し、半数超(57%)が顕著な生産性向上を確認した」、そして「97% の経営幹部が、組織は AI 投資からプラスの ROI を得ていると答えた」。

過去 10 年の ERP、CRM、クラウド移行と並べてみれば、どの投資であれ 97% の経営幹部が「リターンがある」と言えば、それは奇跡と見なされただろう。そして AI は、どうやらそれをやってのけたらしい。

だが KPMG は同じ報告書のなかですぐに冷や水を浴びせる。「AI により多くの金を使うことは、より多くの価値を生むことと同義ではない。」64% の組織は AI がすでに実質的な事業成果をもたらしたと答えるが、同時に「価値の測定と定量化」「スピードに追いつかないガバナンス」「データプライバシーとセキュリティのリスク」「従業員の抵抗」といった複数の課題に足を取られており、その結果、世界の多くの組織はいまだ「実験とパイロット」の段階にとどまっている。

言い換えれば、「満足度」と「真の価値」のあいだには、いまだ閉じていない裂け目がある。

野心から始動までの溝

このギャップは Deloitte《State of AI in the Enterprise 2026》のなかで、実に的確な名前を与えられている。「野心から始動までの溝」(From Ambition to Activation)である。

Deloitte はこう観察する。「74% の組織は将来 AI で売上成長を牽引したいと考えているが、現時点で実際にそれを実現しているのは 20% にすぎない。」ビジョンは現実のほぼ4 倍である。Deloitte は企業を三つの層に分ける:

層	比率	実質的な意味
深い事業変革	34%	AI で本当にビジネスモデルを作り替えている
主要プロセスを再設計するが既存のビジネスモデルは維持	30%	プロセス最適化型
依然として表層的な AI 利用にとどまる	37%	「AI を採用した」が実質的な効果は限定的

EY の観察もこのギャップを裏づける。「予算の 5% 超を AI に投じている組織は急速に差を広げつつある」──技術のアップグレード(82% vs. 62%)、顧客満足度(78% vs. 55%)、セキュリティ(78% vs. 49%)のいずれでも、高投資群と低投資群はすでに明確に分岐している。EY は一言でこうまとめる。「投じるほど、リターンの非対称性は大きくなる」。AI は従来の IT 投資のように限界効果が逓減せず、むしろ「勝者総取り」の様相を呈している。

これは中堅企業にとって進退窮まる状況である。投資しなければ振り落とされ、小規模な投資では正のフィードバックの臨界点を越えられないおそれがある。

帰属のギャップ:97% がリターンを確認、65% はその出所を説明できない

生産性向上の帰属という問題も、ますます居心地の悪いものになっている。EY はこう指摘する。「生産性の向上を確認した組織のうち、65% はその向上を AI の採用に直接帰属させるのは難しいと答え、63% は他の経営幹部が生産性向上を必ずしも AI の功績とは見なさないと答えた。」

この attribution gap(帰属のギャップ)は、企業社会ではあまり語られないが、ますます決定的になりつつある論点だ。考えてみてほしい。生産性が上がったとき、その功績は誰のものか。AI か。プロセス改善か。従業員の努力か。それとも今年はたまたま受注が多かっただけか。明確な測定の仕組みを欠いたままでは、AI 投資の「正当性の物語」は社内から挑戦を受け続け、CFO と CEO のあいだの緊張も高まっていく。

Stanford HAI はより巨視的な角度から AI の経済的価値の爆発を裏づける。「2026 年初頭、生成 AI ツールが米国の消費者にもたらす年間価値は 1,720 億ドルに達し、利用者 1 人あたりの中央値は 2025 年から 2026 年のあいだに 3 倍になった。」AI はすでに「試してみる価値がある」から「使わなければ負ける」段階へと移った。

だが、この価値をどうやって企業側の P&L 構造に吸収させ、監査可能な収益やコスト削減へと変えるのか。そこにはより精緻な測定ツールと会計フレームワークが必要である。

三、スケール化の溝:90% がパイロットで足止め

2025 年が AI パイロットの年だったとすれば、2026 年の最大の問いはこうだ。なぜ大多数のパイロットはスケールしないのか。

McKinsey が 2026 年 4 月に公表した《Building the Foundations for Agentic AI at Scale》は、最も直接的な答えを示す。「世界の企業のおよそ 3 分の 2 がすでに agents を試したが、真にスケール化して定量化可能な価値を生み出したのは 10% 未満である。」

この 60 対 10 の落差こそが、2026 年の企業 AI を最も象徴する痛点だ。想像してみてほしい。あなたの会社が 1 年の時間と数百万ドルの予算を投じ、10 個の agent ユースケースを試し、最終的に本番環境まで到達したのは 1 個だけ。これは失敗ではない──それが市場の平均水準だからである。だがそれは同時に、投じたものの圧倒的大部分が持続的な事業価値に転換していないことも意味する。

KPMG《Global AI Pulse Survey》は「スケール化」をより細かく分解する。「32% の企業がすでに agents を展開・拡張しており、別の 27% が複数の agents のオーケストレーションを始めている。」全体としてスケール化が最も速いのはアジア太平洋(49%)で、次いで米州(46%)、EMEA(42%)である。

一見すると McKinsey よりずいぶん高い数字だが、両報告書の差はむしろ「スケール化」という定義の曖昧さを映している──KPMG は「展開・拡張済み」と「複数 agents のオーケストレーション」の両方を数え、McKinsey は「定量化可能な価値の産出」を求める。基準を締めた途端、スケール化の比率は大きく下がる。

この定義の食い違い自体がシグナルである:業界はまだ「スケール化」の統一的な物差しを確立しておらず、コンサル各社は各様に語る。企業のなかでは「我々はもう agents を展開したのだから、スケール化したことになる」という自己満足に陥りやすい。

真のボトルネックはモデルではなく、データである

McKinsey はさらに踏み込む。スケール化の失敗の根本原因は「AI モデル自体ではなく、その下にあるデータとインフラにある」──「8 割の企業がデータの制約を agentic AI スケール化の最大の障壁として挙げている。」

これは 2026 年の企業 AI の競争がもはや LLM の選定ではなく、「データプレーン」(data plane)にあることを意味する──部門をまたいだデータを統一された意味論で agents にリアルタイムで読ませられる者が勝つ。IT とデータ部門にとって、これは重要な戦略転換である。かつて「新しいモデルの導入」に資源を割いてきたチームは、いまや「agent が走れるデータ基盤の構築」へ舵を切らねばならない。

Deloitte は別の角度からこのボトルネックを裏づける。「技術インフラの準備度は 43%、データ管理は 40%、人材の準備度は 20% まで低下した──しかもこれらの数字はいずれも昨年より下がっている。」低下したのは企業が後退したからではなく、AI の進化速度が企業の準備度の向上速度をはるかに上回り、実際のギャップがむしろ広がったからである。

Deloitte はこの現象を「トレッドミル効果」と呼ぶ:企業は走っているが、AI はもっと速く走っている。昨年インフラ投資を一巡させたばかりでも、今年また「準備度が足りない」という局面に直面しうる──これが AI 時代の新常態だ。

Accenture《The Age of Co-Intelligence》は機会の側から定量的な上限を示す。「年間売上 600 億ドルの企業であれば、Agentic AI は full maturity のもとで約 60 億ドルの潜在的な年間売上成長と、17 億ドルの年間生産性効果をもたらしうる。」だが 9 割の企業がパイロットで足止めされているなら、圧倒的大多数の企業はこの天井を見上げるだけで、手が届かない。

スケール化に成功した者は何を正しくやったのか?

McKinsey は《State of AI Trust in 2026》で手がかりを示す。「RAI(Responsible AI)に年間 2,500 万ドル以上を投じている組織は成熟度が著しく高く、EBIT への 5% 超の影響を含め、実質的なインパクトを伴う AI の便益を実現している可能性が高い。」

ここから重要な結論が導かれる。スケール化とは「モデルをもう何個か買い足すこと」ではなく、「ガバナンス、データ、人材、プロセスに体系的な投資を行うこと」である──そしてそれには持続的で、値引きのないコミットメントが要る。

言い換えれば、スケール化の勝者は「AI を買うのが最も上手い者」ではなく、「土台を築くのが最も上手い者」である。

EY は agentic AI の展開について、より実務的な観察を示す。「34% の経営幹部が、自組織はすでに agentic AI の展開を始めたと答え、早期採用者は agents を実際の業務シーンに投入している。」ただし EY は、採用率は上がっているものの「agentic AI は依然として進化のなかで立ち往生した革命である(a revolution stuck in an evolution)」とも注意を促す──ガバナンス、信頼、そして agent の振る舞いに対する社内の可視性が、いずれもまだ追いついていないからだ。

革命は速く、進化は遅い。その間にある緊張こそが、スケール化の真の戦場である。

四、Agentic AI の台頭:「間違ったことを言う」から「間違ったことをする」へ

2026 年の agentic AI と 2024–2025 年の chatbot/copilot のあいだには、本質的な違いが一つある。agents は自律的に意思決定し、ツールを呼び出し、動作を実行する。リスクの本質もそれに伴って徹底的に変わる。

McKinsey は《State of AI Trust in 2026》のなかで、核心を突く一文を示している。「agentic AI の時代において、組織は AI システムが間違ったことを言うリスクだけを気にしていればよいのではなく、AI システムが間違ったことをするリスク──意図しない動作を取る、ツールを誤用する、あるいは適切なガードレールの外側で動作することを含む──にも向き合わなければならない。」

この一文は、企業 AI のリスクパラダイムの根本的な転換を告げている。出力リスク(output risk)から行動リスク(action risk)へである。

chatbot が間違ったことを言っても、眉をひそめれば済む。だが agent が間違ったことをすれば、誤った価格を受注システムに流し込み、誤った金額を誤った口座に送金し、誤った権限を誤った人物に与えかねない。リスクの「半径」も「速度」も数桁拡大する。

認識と行動のギャップ

KPMG の調査によれば、「4 分の 3 近くのリーダーがデータセキュリティ、プライバシー、リスクについて一定または高い懸念を示しており──これは評価したすべての要素のなかで最も高い。」この強い懸念それ自体は悪いことではなく、むしろ企業がようやく「興奮期」から「責任期」へ移ったことを示している。ただ、懸念は懸念として、実質的な行動が追いついているかどうかは別問題である。

McKinsey はリスク認識をさらに分解する。「AI の採用が広がるなか、74% の回答者が inaccuracy を高い関連性を持つリスクと見なし、72% が cybersecurity を高い関連性ありとした。しかしほぼすべてのリスク類型を通じて、回答者は『関連性が高いと考えるリスク』と『実際に対処しているリスク』のあいだに顕著なギャップがあると報告しており、このギャップは『知的財産の侵害』と『個人のプライバシー』の 2 項目でとりわけ顕著である。」

この perception-action gap(認識と行動のギャップ)は、agentic AI 時代で最も危険な論点の一つだ。企業はリスクの所在を知っているが、ガバナンス、プロセス、ツール、責任分配のいずれもまだ整っていない。最も危険なのはリスクを知らないことではなく、リスクを知りながら対応する防衛線を持たないことである──それは一種の「意識された脆弱性」だ。

Shadow AI と Hallucination の複合リスク

EY は「Shadow AI」(シャドー AI)が強まりつつあると観察する。企業のガバナンスがスピードに追いつかないと、従業員は認可されていない AI ツールを内々に使い、企業データを追跡困難なリスクにさらす。EY は Wave 3 報告で、「Responsible AI の採用比率は第 1 波の 49% から第 3 波の 59% に上昇し、来年にはさらに 64% まで上がると見込まれる」と指摘する──だがこれは裏を返せば、4 割の組織がいまだ責任ある AI を日常の実践に組み込んでいないことを意味する。

Stanford HAI はマクロの視座から、不安を誘う傾向を明らかにする。「最も有能なモデルが、いまや最も透明性が低い。」26 の最先端モデルを対象とした新しい正確性ベンチマークでは、「hallucination の比率は 22% から 94% のあいだに分布する」──企業が選ぶ旗艦級のモデルであっても、状況によっては高い比率で事実でない内容を生成しうる。agentic AI にとってこれはとりわけ危険だ。事実でない内容がひとたび agent の意思決定の根拠とされ実行に移されれば、誤りはそのまま「動作化」されてしまうからである。

Stanford は同時に、国際数学オリンピックで金メダルを取るモデルでさえ、アナログ時計を読む正答率は 50.1% にすぎないと指摘する。この対比は企業に強く警告する。モデルの能力はきわめて不均一である。agent を展開する前に、具体的なワークフローの「エッジケース」に対して大量のストレステストを行わなければならない。

Accenture は責任の視座から警句を放つ。「知能はスケールできるが、責任はスケールできない。」(Intelligence may be scalable, but accountability is not.)AI が「思考量」の上限を取り払っても、人間は依然として何が重要かを決め、戦略を定め、結果を引き受けなければならない。

五、ガバナンスが能力に追いつかない:信頼、責任、セキュリティという三重の課題

リスクの本質が変わったのなら、ガバナンスの設計も変わらなければならない。だが七本の報告書はほぼ異口同音にこう指摘する。ガバナンスは深刻に遅れている。

Deloitte は最も身も蓋もない数字を示す。「Agentic AI はカスタマーサポート、サプライチェーン、研究開発、ナレッジマネジメント、セキュリティなどの面で最も大きな影響を及ぼすと見込まれるが、agent のガバナンスについて成熟したモデルを持つと答えた企業はわずか 21% である。」

平たく言えば──5 社のうち 4 社は、agents を本番環境へ押し出す時点でガバナンスの枠組みがまだ草稿段階にあるということだ。この比率をスケール化の 10% という数字と並べれば、意味はこうなる。スケール化した少数のなかでさえ、すべてがガバナンス成熟しているわけではない──一部の企業はまさに「とにかく先に走る」派の代表である。

McKinsey は地域差にも注目する。「アジア太平洋は総合的な RAI 成熟度で先行しているが、ガバナンスと agentic AI の統制はどの地域でもデータや技術に後れを取っている──これは世界的に共通するガバナンスのギャップを示す。」グローバル企業にとってこれは、ガバナンスが普遍的な課題であり、グループ全体のコンプライアンスリスクが最も弱い鎖に左右されることを意味する。

ガバナンス思考の根本的転換:「事後監査」から「機械への組み込み」へ

ではガバナンスには結局何が含まれるべきなのか。McKinsey のもう一本の報告書《Building the Foundations for Agentic AI at Scale》は四つの基礎能力を挙げ、そのうち二つがガバナンスに直接関わる:

この二つは従来のガバナンス思考を覆すものだ。伝統的な IT ガバナンスは「事後監査」だった──システムを展開したあとでコンプライアンスを点検する。だが agent の時代には「事後」ではしばしば手遅れである。agent は数秒で不可逆な動作を実行できるからだ。

McKinsey が示す「デフォルトで有効」と「振る舞いの可視化」は、本質的にガバナンスを「監査ポイント」から「機械に組み込まれた属性」へと変えるものである。CISO と CIO にとって、ガバナンスツールの購買ロジックもそれに伴って変わる。買うべきは「agent が何をしたかを見られる」ツールではなく、「agent に未承認のことをさせない」ツールである。

EY は重要なデータを提供する。「Responsible AI の採用比率は第 1 波の 49% から第 3 波の 59% に上昇し、来年にはさらに 64% まで上がると見込まれる。」これはガバナンス意識が広がりつつあることを示すが、EY は同時に、Shadow AI が伸び続け、従業員がスピードのためにガバナンスの枠組みを迂回していることも指摘する。「ガバナンスが追いつかない代償は、個別の事故という形で支払われつつある。」

RAI ポリシーが「存在する」ことと「守られる」ことは別物である──対応するツールとインセンティブ設計を伴わない RAI ポリシーは、紙の上の条文にすぎない。

確率的システムには新しいガバナンスの枠組みが要る

伝統的な IT ガバナンスは「予測可能なシステム」という前提の上に築かれている──システムの振る舞いはプログラムのロジックで決まり、入力が同じなら出力も同じになる。だが agentic AI は「確率的システム」である:入力が同じでも、出力は異なりうる。McKinsey が観察した「agent が何をするか分からない」は、本質的には agent が不透明だという話ではなく、「確率的システムに適合したガバナンスの枠組みを我々がまだ設計していない」という問題である。

企業のガバナンス委員会にとって、2026 年に必要なのは監査要員を増やすことではなく、定義し直すことだ。「何をもって合理的な事前統制とするか」「何をもって適格な事後追跡とするか」「何をもって許容可能な残余リスクとするか」。これらの根本的な問いを整理しない限り、ガバナンスツールをいくら買っても表面的な安心感にしかならない。

六、データとインフラ:真のボトルネックはモデルではない

七本の報告書を総合して見ると、2026 年に最も過小評価されながら、最も決定的な論点はデータとインフラである。

McKinsey《Building the Foundations for Agentic AI at Scale》はきわめて率直だ。「8 割の企業がデータの制約を agentic AI スケール化の最大の障壁として挙げている。このインフラ上の課題こそが、AI モデル自体ではなく、スケール化の成功を阻む中核的な論点である。」

McKinsey が挙げる四つの基礎能力のうち、最初の二つはいずれもデータに関わる:

基礎能力	中核となる考え方
共有されたセマンティック基盤 (Shared Semantic Foundation)	データだけでなく、意味を共有する。データに明確で共通の定義を添え、分析、AI モデル、agents のいずれもが同じ形で理解できるようにする。
統一されたデータインフラ (Unified Data Infrastructure)	分析と AI に同一のデータ基盤を使う。データは一度作れば、レポート、機械学習、生成 AI のどこでも使える──それぞれが別々のパイプラインを走らせるのではなく。

第一の能力は、先ほどの「社内辞書」の概念そのものである──部門によって「顧客」「注文」「アクティブユーザー」の定義が食い違えば、agents は部門をまたいだ協働のたびに衝突する。セマンティック層(semantic layer)は企業データアーキテクチャの新しい中心になりつつある。

第二の能力は、過去 10 年の企業データアーキテクチャの慣行(BI に 1 本、ML に 1 本、Gen AI にもう 1 本のパイプライン)に挑戦し、根本からの統合を勧める。統合の代償は小さくない──何年もかけて積み上げたデータパイプラインを一晩で書き直すことはできない──が、McKinsey の含意は明白だ。これをやらなければスケール化はできない。CIO にとって、これは 3–5 年の戦略計画を要する論点である。

トレッドミル効果:準備度は年々低下する

Deloitte は別の角度からこのボトルネックを裏づける。「技術インフラの準備度は 43%、データ管理は 40%、人材の準備度は 20% まで低下し、いずれも昨年より下がっている。」低下の原因は企業の後退ではなく、AI の進展が速すぎて企業が追いつけないことにある。

Deloitte はさらに、agentic AI と physical AI(フィジカル AI)が同時に拡大するとき、インフラへの圧力が複合的な形で現れると指摘する。「58% の企業が少なくとも限定的に physical AI を使用していると報告しており、何らかの形で physical AI を使う企業の比率は 2 年以内に 80% に達すると見込まれる。」

agents がバックオフィスで手順を回すだけでなく、ロボットや無人車、自動倉庫を制御するようになれば、インフラの遅延許容度は大きく下がる。

電力、炭素排出、データ品質の連鎖効果

Stanford HAI は産業全体の視座から、インフラ層のもう一つの課題を明らかにする。「AI データセンターの電力容量は 29.6 GW に達し、ニューヨーク州全体のピーク時の電力需要にほぼ相当する。Grok 4 の訓練による炭素排出は 72,816 トン CO2 換算と推計される。」

つまり、企業が agentic AI を抱え込むとき、間接的により大きな環境コストとエネルギーコストも背負っているということだ。CFO と最高サステナビリティ責任者(CSO)にとって、2026 年以降、AI の計算資源消費は炭素排出のコミットメントと調整すべき論点になる。「AI を多く使うこと」が「炭素排出目標」と真正面から衝突しうる。

別の角度から見れば、「データ・レディネス」が agentic AI に対して持つ意味も、かつての BI 時代とは異なる。BI 時代、データ品質の問題は多くの場合「レポートの誤り」という形で現れた。だが agent 時代には、品質に欠陥のあるデータがひとたび agent に読み込まれ動作に移されると、誤りは自動的に増幅され、急速に拡散し、システムを越えて伝播しさえする。

Deloitte が挙げる「physical AI は 2 年以内に 80% の採用率に達する」と重ね合わせれば、データ品質は物理世界とも結びつく。一件の誤った在庫データは、かつてなら分析担当者にスプレッドシートを作り直させる程度だったが、これからは自動倉庫のロボットに誤った貨物を誤ったトラックへ積ませるかもしれない。

インフラについての McKinsey の最後の一文は、座右の銘として書き写す価値がある。「Agentic AI scales on strong data.」agents をスケール化したいなら、まずデータをスケール化せよ。

七、労働力とスキル:共同知能のもとでの人間の位置

agents が実行を引き受けたとき、人は何をするのか。この問いは七本の報告書のなかで、異なる角度から繰り返し論じられている。

Accenture《The Age of Co-Intelligence》は鍵となる概念を提示する。「ツール」から「共同知能」(Co-Intelligence)への進化である。Accenture はこう書く。「AI の利用はツールから co-intelligence へ移りつつあり、人間が主導し、AI が判断、実行、自律性を増幅する。AI は単なる作業の補助(augmentation)から、意図を読み取り、選択肢を推論し、手順を調整し、機能をまたいで境界の定まった仕事を機械の速度で実行する協働者へと変わった。」

この転換は仕事の本質が変わることを意味する。「人が道具で仕事をする」のではなく、「人と agent が共同でタスクを仕上げる」のである。Accenture は影響範囲をさらに定量化する。「米国経済における労働時間の 50% 超が、約 60 種類のデジタルおよびフィジカル AI agents によって作り替えられつつあり、18 の産業で 1.2 億人を超える労働者が関わる。」

「最も創造的」「最も人間的」と見なされてきた仕事、たとえばマーケティング、デザイン、リサーチ、ライティングでさえ、すでに少なくとも一つの工程に agent が入り込んでいる。

どの人間の能力が価値を上げるのか?

KPMG《Global AI Pulse Survey》は逆向きの観察を示す。agent の普及は人間の能力が不要になることを意味せず、むしろ一部の人間の能力の価値を押し上げる。「リーダーは批判的思考と問題解決力(49%)、適応力と継続的学習(52%)、創造性と戦略的思考(41%)をますます重視している──これは、agents が拡大し続けても人間の能力は依然として不可欠だというメッセージを強める。」

この三つの能力に共通するのは、いずれも agent が代替しにくく、なおかつ agent の弱点を補える能力だという点である。批判的思考は agent の hallucination リスクを補い、適応力はエッジケースにおける agent の脆さを補い、創造性は「問題を定義する」うえでの agent の不足を補う。

入れたのに使われない:始動ギャップのもう一つの断面

Deloitte は、従業員が AI に触れる速度が実際の利用率をはるかに上回っていることを観察している。「従業員の AI ツール普及率は 1 年で 40% 未満から 60% へ跳ね上がった。だがツールを使える従業員のうち、日々のワークフローで実際に使っている人は 60% に満たない。」ここから有名な「入れたのに使われない」現象が生まれる。ツールはあるが、習慣が育っていないのだ。

EY は生産性の帰属という角度から、もう一つの次元を加える。「生産性の向上を確認した組織のうち、88% はそれがリーダーの評価対象となる重要指標だと答えた。だが 65% は生産性の向上を AI の採用に直接帰属させるのが難しいと答え、63% は他の経営幹部が生産性向上を必ずしも AI の功績とは見なさないと答えた。」

人と agent が共同で成果を出すとき、業績はどう帰属させるのか。KPI はどう設計するのか。業績賞与はどう分けるのか。これら HR と業績管理の根本的な問いには、いまのところ成熟した答えがない。

Stanford HAI は構造的な転換を明らかにする。「生成 AI は 3 年で人口普及率 53% に達し、PC やインターネットより速い。ただし普及の速度は国によって異なり、1 人あたり GDP と高い相関を持つ。組織の採用率は 88% に達し、大学生 5 人のうち 4 人がいま生成 AI を使っている。」

これから職場に入る新人にとって、「AI を使うこと」はほぼ既定の能力である。企業が「従業員が AI を使えるかどうか」を研修の基準にしているなら、職場の現実にすぐ追い越される。本当の研修が置かれるべきなのは、「人と agent はどう協働するか」「agent の出力をどう検証するか」「agent の行動に伴う責任境界のなかでどう働くか」といった、より高次の能力である。

八、グローバル競争とソブリン AI:地政学の新しい戦場

七本の報告書のうち二本は AI の地政学的な側面をとりわけ強調しており、この論点の重要性は急速に高まっている。

Stanford HAI は鍵となる観察を提供する。「米国と中国のモデルの差は実質的に縮小した。2025 年初頭以降、米中のモデルはリーダーボードの首位を何度も入れ替わりで奪い合っており、2026 年 3 月時点で Anthropic の旗艦モデルのリードはわずか 2.7 パーセントポイントである。」

この数字は「米国が一世代先行している」という従来の物語を打ち破る。企業にとってこれは、AI のサプライチェーンがもはや「米国の一強」ではなく、二極の競争、時には三極(欧州、アラブ諸国、インドも力を入れている)になったことを意味する。

Deloitte は調達判断の角度からソブリン AI(Sovereign AI)の台頭を裏づける。「77% の企業がいま供給者の国籍を調達判断に組み込んでおり、3/5 近くが AI stack の構築に主として国内の供給者を使っている。」

これはパラダイムの転換である。過去 10 年、企業はクラウドや AI ツールを調達する際に「この会社はどこの国の会社か」とはほとんど問わなかった。だが 2026 年からは、この問いが定番になる。

アジア太平洋の先行と双方向の還流

McKinsey も地域差に触れる。「アジア太平洋地域は総合的な RAI 成熟度で先行しているが、ガバナンスと agentic AI の統制はどの地域でもデータや技術に後れを取っている。」KPMG の地域別の分解も同様に有用だ。「Agent のスケール化が最も高いのはアジア太平洋(49%)、次いで米州(46%)、EMEA(42%)である。」

アジア太平洋の先行は一つの事実を映している。資源が相対的に限られ、人件費の上昇が速い市場ほど、agents を生産性の突破に積極的に使っているということだ。

アジア太平洋の企業にとって、これは圧力であり機会でもある。圧力は同じ地域の競合の歩みに追いつかねばならないこと。機会は、自らが最も強い agent 採用文化を持つ市場にいて、現地の経験を逆に輸出できることだ。これは従来の「本社が設計し、各地域が実行する」というガバナンスの流れを覆し、より双方向のグローバルガバナンス構造を求める。

サプライチェーンのレジリエンスも AI の論点である

地政学のもう一つの側面はサプライチェーンのレジリエンスである。AI モデルが重要な生産要素となり、モデル提供者が少数の国に集中するとき、地政学的な衝突はいつでも企業の AI 供給を断ちうる。Deloitte が観察した「国内供給者を採用する」という潮流も、本質的には企業がこのリスクをヘッジしていることの表れだ。

企業の戦略部門にとって、2026 年の AI 調達はもはや「どこが安いか、どこが使いやすいか」だけではなく、「地政学的な圧力のもとで、どこが最も遮断されにくいか」という新しい軸が加わる。

九、結語:投資家のための五つの質問フレームワーク

七本の報告書を総合すれば、2026 年に企業リーダーが優先的に扱うべき五つの論点が導ける。だが本稿はこの「企業リーダー向けチェックリスト」を「投資家向け質問フレームワーク」へと反転させる──同じ五題でも、問うのは「自社は準備できているか」ではなく、「自分が目をつけた企業は正しい位置にいるか」である。

#	もともとの CEO 向けの指針	投資家の問いへの反転
1	ガバナンスとスケール化を同じ一つのものと見なす	この企業は「ガバナンスツールを売る側」か、「ガバナンスなしで走る側」か?前者は長期の確度が高く、後者は短期の爆発力があるがブラックスワンを抱える。
2	モデルだけでなく、データプレーンに投資する	その AI ストーリーは「アプリを売る」ものか「データの土台を売る」ものか?後者は顧客のスイッチングコストが通常 1 桁高い。
3	人と agent の協働ワークフローを設計する	それは「サブスクを売って自分で使わせる」ものか、「既存のワークフローに AI を埋め込む」ものか?後者のほうが実際の採用率はずっと高い。
4	ROI の測定を制度化する	その顧客は「プラン ARR」で払うのか、「従量課金」で払うのか?後者の継続率のほうが真の価値に近い。
5	「間違ったことをする」に備える	その企業は「agent が間違ったことをしたときに訴えられる」側の企業か?そうであれば、法務と保険のコストをバリュエーションに織り込む必要がある。

七本の報告書が共に描く 2026 年は、AI が飛躍的に進歩する物語ではなく、企業組織が AI に追いつけるかどうかの物語である。

Agentic AI は新世代のツールにとどまらない。仕事がどう構造化されるか、意思決定がどう配分されるか、リスクがどう管理されるか、価値がどう測られるかを作り替える。だからこそ、それは本質的に技術のアップグレードではなく、経営とリーダーシップの変革なのである。

企業リーダーにとって本当の論点は「今年もっと積極的に AI を導入すべきか」ではなく、「我々の組織構造、ガバナンスの枠組み、人材制度、データプレーン、測定の仕組みは、agents に真の価値を生ませる準備ができているか」である。七本の報告書に共通するシグナルのなかで、答えはほぼ一致している。大多数の企業はまだできていない。だが良い知らせもある。早く動き、体系的に穴を埋めた企業は、2026 年のうちに縮めがたい差を広げられる──そしてその差こそが、次の 10 年の競争力の真の分水嶺である。

「広さ」と「深さ」の選択

2026 年の企業 AI にはもう一つ重要な区分がある。「広さ」と「深さ」だ。Deloitte が観察した「34% が深い変革、30% がプロセス再設計、37% が表層的な利用」という三分法は、自己点検のための鏡を提供する。

多くの企業は取締役会向けの報告で「広さ」を強調しがちだ──何人の従業員が AI ツールを持ち、いくつの部門が agents を展開したか。だが広さそれ自体は価値と同義ではない。真の価値は深さで決まる。いくつの主要プロセスが agent によって根本から書き換えられたのか。いくつの意思決定が agent によって 1 桁速くなったのか。いくつの新しい収益モデルが agent によって可能になったのか。

KPMG の「64% がすでに実質的な事業成果を確認した」と Stanford HAI の「組織の採用率は 88% に達した」のあいだのギャップは、広さの物語はすでに語られすぎ、深さの物語はまだ始まったばかりであることを示唆する。

本稿が統合した七本の報告書はいずれも世界トップクラスの研究機関によるものだが、2026 年の企業 AI の状態についての観察は完全に一致してはいない。たとえば EY 報告の 97% がプラスの ROI と McKinsey の「真にスケール化したのは 10% 未満」のあいだには明らかな緊張がある──この緊張そのものが、すべての企業リーダーと投資家にとって深く考えるに値する。あなたが注目している組織は、「プラスの ROI を確認した」多数派なのか、それとも「真にスケール化した」少数派なのか。この二つの立場は矛盾しないが、実質的な意味はまったく異なる。前者は「方向は正しい」ことを、後者は「実行が着地した」ことを意味する。2026 年の競争力は、前者から後者へ進化できるかどうかにかかっている。

出典

本稿が統合した七本の権威ある研究報告書: