DXツールを導入したのに現場で使われず効果が出ない——その『止まったDX』を、作り直しではなくAIエージェント/生成AIで足元から動かし直す考え方を、目的の再設定・現場が使う理由の設計・既存資産の活かし方に分けて整理します。
DXという言葉が経営課題に上がってから相応の年数が経ち、多くの企業がすでに一度は投資を経験しています。基幹システムを刷新した、ペーパーレスのためにワークフローツールを入れた、データ活用のためにBIやダッシュボードを導入した——にもかかわらず、「導入はしたが、現場では以前のやり方が残っている」「効果を聞かれても定量的に答えられない」という状態に陥っている組織は少なくないと考えられます。本記事では、この『止まったDX』を、大がかりな作り直しではなくAIエージェントや生成AIで足元から動かし直す視点を整理します。読者として想定しているのは、過去のDX投資が停滞し、次の一手を求められているDX推進・経営企画の担当者の方です。
止まったDXを診断するとき、最初に切り分けたいのが「導入率」と「活用率」の違いです。ライセンスを配った、全社に展開した、というのは導入の指標にすぎません。実際に日々の業務がそのツールを前提に回っているか、使わない選択肢が現場から消えているか——ここまで到達して初めて「使われている」と言えます。多くの停滞は、この二つの間の谷で起きていると考えられます。ツールは存在するが、Excelや紙、口頭の申し送りといった旧来の手段が並存し、結局そちらが主線になっている、という状態です。
停滞の原因をツールの機能不足に求めると、次はもっと高機能な製品へ、という再選定に向かいがちです。しかし現場を観察すると、原因はツールそのものより、「経営が掲げたDXの目的」が「現場の一人ひとりの業務の言葉」に翻訳されないまま導入された点にあることが多いと考えられます。たとえば「データドリブン経営」という目的は、現場の担当者にとっては「今まで感覚でやっていた判断を、わざわざ入力してからやる」という追加負担として現れます。目的と現場の損得が接続されていない限り、どれだけ高機能なツールでも使われ続けることは難しいと考えられます。
現場で見られる停滞は、いくつかの型に分けて捉えると診断しやすくなります。目的が曖昧なまま「他社もやっているから」と始まった投資、導入時のコンサルティングが去った後に運用が誰にも引き継がれなかったケース、部門ごとに個別最適でツールが乱立しデータが分断されたケース、そして入力の手間だけが増えて出力の恩恵が現場に還元されないケース。いずれも共通するのは、「ツールを使うためのコスト」が「ツールから得られる便益」を上回っている、あるいは便益が特定の人にしか見えていない、という構造です。この構造を放置したまま新しいツールを足しても、同じ停滞を繰り返す可能性が高いと考えられます。
本記事は、止まったDXを「作り直す」のではなく「動かし直す」立場を取ります。既存の投資を全否定して新システムに載せ替える発想は、コストとリスクが大きく、しかも同じ組織的原因を解決しないまま繰り返す危険があると考えられます。むしろ、すでにある基幹システム・データ・手順書といった資産を土台として活かしながら、その上に生成AIやAIエージェントを薄く乗せ、「使うためのひと手間」を減らす方向で再起動するアプローチを提案します。この考え方は、AIを既存業務に足すだけの発想と、業務そのものをAI前提で設計し直す発想の違いを整理したAIファーストと『ツール追加』の違いとも接続します。
止まったDXを前にすると、つい「今のツールがダメだから別の製品へ」と考えたくなります。しかし動かし直しの起点は、ツールの再選定ではなく、目的の再設定に置くべきだと考えられます。なぜそのDXをやるのか、誰のどの手間をどれだけ減らすのか——この問いに現場の言葉で答えられない限り、次に選ぶツールも同じ運命をたどる可能性が高いためです。
「生産性向上」「データ活用」「業務効率化」といった目的は、経営の言葉としては正しくても、現場の行動を変える力は弱いと考えられます。動かし直しでは、これを一段解像度を上げて翻訳します。たとえば「経理部門の月次締めで、複数システムから数字を転記する作業を、毎月延べ何時間分減らす」「品質部門で、過去の不具合報告を探すのに毎回かかっている検索時間をなくす」といった、担当者が自分の一日で実感できる粒度まで落とします。目的が具体的な手間の削減に接続されて初めて、ツールを使う理由が生まれると考えられます。
目的の再設定は、新しくやることを増やす作業ではなく、むしろ「やめること」を決める作業に近いと考えられます。止まったDXの多くは、旧来の業務を残したままツールを追加したために、二重入力・二重管理が生まれています。動かし直しでは、そのツールが機能したら旧来のどの作業を廃止するのかを、導入と同時に約束します。廃止する作業が明確でないツールは、便益が上乗せではなく純増の負担として現れるため、使われなくなる可能性が高いと考えられます。
動かし直しの対象業務を選ぶとき、全社一律に広げるのは避けたほうがよいと考えられます。停滞した組織にとって必要なのは、まず一つ「動いた」という事実です。そのためには、効果が見えやすく、関係者が少なく、失敗しても影響範囲が限られる一業務・一部門を選び、そこで深く成功させることが有効と考えられます。人手不足を背景に、どの業務を人が担いどこを仕組みに任せるかを再設計する観点は人手不足とAIエージェントでも整理しており、対象業務の優先順位づけの参考になります。
目的の再設定は、担当者が一人で紙に書いて終わる作業ではなく、経営・現場・情シスが同じ言葉で目的を確認する合意の場として設計することが望ましいと考えられます。ここで目的の粒度と、廃止する作業と、効果をどう測るかを合意しておくと、後の展開段階での「聞いていない」「効果が分からない」といった摩擦を減らせる可能性があります。動かし直しは技術の問題である以上に、合意形成の問題だと捉える視点が重要と考えられます。
目的を再設定できたら、次は現場が実際にそれを使う理由を設計します。止まったDXの核心は「使うと今より楽になる実感」が用意されていないことにあると考えられます。ここで生成AIやAIエージェントが効いてくるのは、これらが「ツールを使うためのひと手間」そのものを肩代わりできる可能性があるためです。
多くのツールが使われない直接の原因は、入力の負担です。決められたフォーマットに、決められた項目を、正確に入れる——この作業は現場にとって明確なコストであり、旧来のやり方に戻る動機になります。生成AIは、自然な文章やメール、写真、音声といった非定型の入力を、システムが求める定型のデータに変換する橋渡しに使える可能性があります。現場は普段の言葉で伝え、整形はAIに任せる、という分担にできれば、入力の壁は下がると考えられます。実際にどこまで任せられるかは、対象業務ごとに現物で検証することが前提です。
導入したはずの情報が「どこにあるか分からない」ために使われない、というのも頻出のパターンです。手順書、過去の議事録、不具合報告、規程類が複数のフォルダやシステムに散在し、必要なときに引き出せない状態です。ここでは、社内文書を横断して自然文の質問に答える仕組み——いわゆるRAG的なアプローチや社内ナレッジ基盤——が有効と考えられます。「探す」から「聞けば返ってくる」へ変わると、蓄積された資産が初めて生きた形で使われ始める可能性があります。既存のデータ集約基盤やファイルサーバをそのまま活かせる点で、作り直しを伴わない動かし直しと相性が良いと考えられます。
入力と検索の先にあるのが、複数の作業をまたいだ処理の自動化です。AIエージェントは、あらかじめ与えた手順に沿って、複数のシステムやデータをまたいで下準備を進める使い方が考えられます。たとえば、関連情報を集めて要約し、определ形式の草案まで用意し、最終判断だけを人に残す、といった分担です。人は判断に集中し、その手前の定型的な段取りは仕組みに任せる——この線引きの設計が、現場が使い続ける理由になり得ると考えられます。どこまでを任せ、どこで人が承認するかは、業務のリスクに応じて慎重に設計する必要があります。
現場が使う理由は、説明会や通達では生まれにくく、「一度使ったら明らかに楽だった」という体験から生まれると考えられます。したがって設計段階では、最初に触れる業務で確実に楽になる一点を作り込むことが重要です。あれもこれもできる汎用ツールとして見せるより、「この作業のこの手間が消える」と一言で言える形に絞るほうが、定着につながりやすいと考えられます。導入の進め方の全体像はAIエージェントを社内に導入するにはも併せて参照ください。
動かし直しの原則は、既にある資産を捨てないことです。止まっているとはいえ、そこには過去の投資で蓄積された基幹システム、データ、手順書、そして現場の運用ノウハウがあります。これらを全て置き換える『作り直し』は、コストとリスクが大きいだけでなく、停滞を招いた組織的な原因は温存されるため、同じ失敗を繰り返す危険があると考えられます。
既存の基幹システムやSaaSは、多くの場合そのまま残して構いません。問題は、それらが相互につながっておらず、人が転記や照合で埋めている点にあることが多いと考えられます。生成AIやAIエージェントは、この『人が埋めていた隙間』に入る形で使える可能性があります。システムそのものを刷新するのではなく、システムとシステムの間、システムと人の間の翻訳・転記・照合を肩代わりする——この乗せ方であれば、既存投資を無駄にせず、短い期間で効果を出せる可能性があります。
データ活用がテーマの場合、しばしば「まずデータを一箇所に集める大規模基盤を作る」という重い計画に向かいがちです。しかし動かし直しの現実解としては、完全な統合を待たず、今あるデータに対して自然文で問い合わせられる状態を先に作るほうが、効果が早く見えると考えられます。データ集約基盤の整備は並行して進めつつ、現場には「聞けば答えが返る」体験を先に届ける——この順序が、止まったDXを再び動かす助けになる可能性があります。
見落とされがちな既存資産が、手順書やマニュアル、そして人の頭の中にある暗黙知です。これらは形式が不揃いで検索しづらいため、あるのに使われていないことが多いと考えられます。生成AIは、こうした非定型の文書を横断して要約・検索できる形に変え、さらに熟練者への聞き取りを言語化・構造化する補助にも使える可能性があります。置き換えではなく継承の補助として設計する点が重要です。技能や判断基準を残す観点は今後の記事でも掘り下げていきます。
既存資産の上にAIを薄く乗せるアプローチは、外部のパッケージを丸ごと導入するより、自社の業務に合わせて小さく作り、育てる進め方と相性が良いと考えられます。近年は生成AIの支援により、専門の開発部隊を持たない組織でも、社内の業務ツールを内製・改修しやすくなってきたと考えられます。この流れは社内ツールはAIエージェントで内製する時代へで詳しく扱っています。丸ごと外注してブラックボックス化するのでも、全て自前で抱え込むのでもない、伴走しながら自走力を育てる中間の形が、止まったDXの動かし直しには適していると考えられます。
抽象論だけでは自社に引きつけにくいため、代表的な部門ごとに「何から始め、どこでつまずくか」を具体化します。いずれも実際の適用可否は現物・現場での検証が前提であり、ここでは入り口の考え方を示します。
間接部門は、規程やマニュアルに基づく問い合わせ対応と、複数システム間の転記が多く、動かし直しの入り口として選びやすいと考えられます。社内規程やFAQを社内ナレッジ基盤にまとめ、自然文で聞けるようにするだけでも、担当者の問い合わせ対応の負担が軽くなる可能性があります。つまずきやすいのは、元となる規程類が古い・矛盾しているケースで、AIを乗せる前に情報源そのものの整理が必要になることがあります。
製造や品質の現場では、過去の不具合報告や作業記録が蓄積されているのに検索性が低く、活かしきれていないことが多いと考えられます。まずはこれらを横断検索できる状態にし、次に日報や検査報告書の下書きを生成AIに任せる、といった段階が入り口になり得ます。つまずきやすいのは、記録が紙や画像で残っていて構造化されていないケースです。ここは画像から文字や状態を読み取る技術の適用余地があり、当社が扱う画像検査・OCRの知見と接続する領域でもあります。適用可否は現物での検証が前提です。
営業部門では、顧客情報・過去のやり取り・製品資料が分散し、提案準備に時間がかかっていることが多いと考えられます。関連情報を集めて要約し、提案の草案まで下準備するAIエージェント的な使い方が入り口になり得ます。つまずきやすいのは、顧客データの品質や入力ルールが揃っておらず、集めても使いづらいケースで、ここでも目的の再設定で触れた「入力の壁を下げる」設計が効いてくると考えられます。
物流や現場を持つ部門では、伝票・ラベル・帳票の読み取りと照合に人手がかかっていることが多いと考えられます。ここは画像認識やOCRとの接続が具体的な入り口になり得る領域です。既存のWMSや基幹システムはそのまま残し、その手前の「読み取って入力する」工程を仕組みに寄せる、という乗せ方が現実的と考えられます。いずれの部門でも共通するのは、既存システムを作り直さず、その周辺の手間を減らすところから始める、という原則です。
止まったDXを動かし直す過程には、繰り返し現れる落とし穴があります。あらかじめ知っておくことで、二度目の停滞を避けやすくなると考えられます。
これらの落とし穴の多くは、技術ではなく合意形成と運用設計の問題です。どこから入れるべきかの部門選定や社内合意の取り方については、AIエージェントを社内に導入するにはも参考になります。
最後に、これまでの内容を動かし直しの順序として整理します。大切なのは、大きな絵を一度に描くことではなく、小さく動かして事実を積み上げ、その事実で次の合意を取る、という循環を回すことだと考えられます。
まず、既に入っているツールが「導入止まり」か「活用されているか」を切り分け、止まっている業務を棚卸しします。その上で、経営・現場・情シスが同じ言葉で「どの手間を、なぜ、どれだけ減らすのか」を再設定し、廃止する旧来業務と効果指標まで合意します。この段階は技術より対話が中心です。
効果が見えやすく関係者の少ない一業務を選び、既存資産の上に生成AIやAIエージェントを薄く乗せて、入力・検索・下準備のいずれかの手間を実際に減らします。ここで「一度使ったら明らかに楽だった」という体験と、事前に決めた指標での効果を記録します。無理に広げず、まず一点を確実に成功させることが目的です。
一業務での事実をもって、隣接する業務や部門へ展開します。この段階では、外部に丸投げするのでも全て自前で抱えるのでもなく、伴走しながら自社の推進役を育て、自社に合う形へツールを育てていく進め方が、持続する動かし直しにつながると考えられます。SaaSの積み増しではなく、既存資産を活かした内製寄りの形が、長期の運用コストとノウハウ蓄積の両面で有利になり得ます。
ここまで述べた内容は、あくまで一般的な考え方の整理です。実際にどの業務でどこまで効果が出るかは、業種・部門・データの状態によって大きく変わるため、現物・現場での検証が前提となります。Nsightは、産業用画像検査やVLM/OCRといった現場の技術と、AI研修・社内AIエージェント/業務OSの内製化支援を手がけており、元キーエンス画像処理事業部出身の監修者の現場知見をもとに、止まったDXの動かし直しを机上でなく現場で一緒に確かめる立場を取っています。まずは自社のどの業務が「動かし直し」の入り口になり得るか、現物を前に整理するところから始めていただければと考えます。
多くの場合、最初にすべきはツールの入れ替えではなく目的の再設定だと考えられます。停滞の原因はツールの性能より、目的が現場の業務の言葉に翻訳されていない点にあることが多いためです。目的と廃止する旧来業務、効果指標を合意し直したうえで、既存資産の上に生成AIやAIエージェントを薄く乗せる形から始めるほうが、リスクを抑えつつ効果を出しやすいと考えられます。再選定はその判断の後でも遅くありません。
効果の大きさは業種・部門・データの状態によって変わるため一概には言えませんが、既存の基幹システムやデータ、手順書を活かしたまま、入力・検索・下準備といった『使うためのひと手間』を減らす方向であれば、比較的短い期間で現場の実感につながる可能性があると考えられます。まずは関係者の少ない一業務で小さく試し、事前に決めた指標で効果を測ることをおすすめします。実際の適用可否は現物での検証が前提です。
『使うと今より楽になる実感』を設計に組み込むことが要点だと考えられます。具体的には、最初に触れる業務で確実に手間が減る一点を作り込み、旧来業務の廃止を導入と同時に約束し、汎用ツールとしてでなく『この作業のこの手間が消える』と一言で言える形に絞ることが有効です。加えて、運用を一人に背負わせず、現場側の推進役を育てることが定着につながると考えられます。
多くの場合、既存の基幹システムやSaaSはそのまま残して構わないと考えられます。生成AIやAIエージェントは、システム間やシステムと人の間で人が担っていた転記・照合・検索といった隙間の作業を肩代わりする形で乗せられる可能性があるためです。システムそのものの刷新を待たずに効果を出しやすいのが、この乗せ方の利点と考えられます。ただし機能や制約は変わり得るため、利用するツールの最新の公式情報を確認することが望ましいです。
効果が見えやすく、関係者が少なく、失敗しても影響範囲が限られる業務から始めるのが原則です。間接部門の問い合わせ対応や転記、品質・製造部門の過去記録の検索、物流現場の読み取り・照合などが入り口になり得ます。ただし最適な出発点は組織ごとに異なるため、自社の業務を棚卸しし、現場での検証を通じて見極めることをおすすめします。部門選定の考え方は関連記事も参考にしてください。
どの業務が動かし直しの入り口になり得るか、既存資産を活かした現実的な進め方を、元キーエンス画像処理事業部出身の知見をもとに整理します。まずは現状の棚卸しからご相談ください。
動かし直しの相談をする