MIT が最近発表したレポート「GenAI Divide: State of AI in Business 2025」によると、世界中の企業の95％は、GenAI（生成AI）を導入しても目立った成果を上げられていないとされています。300億〜400億ドル規模の投資が行われたにもかかわらず、実質的な成果を創出できた企業は、わずか5％にとどまりました。
MITはこの状況を「GenAIディバイド（GenAI Divide）」と名付けています。重要なのは、95％の失敗に目を向けることではなく、5％がなぜ成功できたのかに注目することでしょう。MITのレポートは、GenAIディバイドを乗り越えた企業に共通する三つの原則を提示しています。
その5％は、どのようにして成功を掴んだのでしょうか。ここでは、その原則に MakinaRocks の現場経験を重ね合わせながら、読み解いていきます。
1. AI導入の成功率：Buy 66％ vs Build 33％
Buy か Build か。
企業が新しい機能やシステムを必要とする際、必ずといってよいほど議論される選択肢です。自社で開発するのか（Build）、それとも外部のソリューションやサービスを購入・活用するのか（Buy）――これは典型的な戦略フレームですが、AI導入においてはこの判断がとりわけ重要になります。というのも、AIは単なるソフトウェア購入ではなく、データ、インフラ、モデル、そして運用経験が同時に求められる、極めて複雑な領域だからです。MIT のレポートは、AIを企業内でゼロから開発するよりも、MakinaRocks のような専門企業と共同開発する方が、時間・コスト・成果の面で大幅に効率的であると指摘しています。
では、実際にAIで成果を上げている企業は、なぜBuildではなくBuyを選ぶのでしょうか。MakinaRocksは、その理由を「実戦経験」に見出しています。企業が本当に必要としているAIは、現場で動くAIだからです。研究段階でAIを開発することと、現場の実務者が価値を実感できるAIを実装することの間には、明確な違いがあります。多くの企業が、社内パイロットから本番環境へ移行できない「Pilot-to-Production Chasm（パイロットからプロダクションへの断絶）」に直面しているのが実情です。
この壁を乗り越えるための共同開発モデルは、次のように機能します。企業は、解決すべき課題を明確に定義し、現場に根ざしたドメイン知識をAI専門企業に提供します。一方、AI専門企業は、その課題をAIが学習可能な形に構造化し、モデル構築とエンジニアリング全体に責任を持ちます。このとき決定的に重要になるのが、AI専門企業の実戦経験です。どれだけ速く、かつ賢いやり方で「本当に現場で使われるAI」を作れるかは、この経験値によって大きく左右されるからです。成果を生むAIは、次のような実戦経験を土台として構築されています。
- 定型的な手法にとらわれず、多様なアプローチで現場稼働するAIを開発してきた経験
- 単一ドメイン内でも、異なるタイプの課題を多様な方法で解決してきた能力
- モデルを安定的に拡張・再現してきたAI運用の知見
- 現場のドメイン知識を、AIが理解できる形に落とし込む設計力
- ユーザーのフィードバックを継続的に反映し、AIソリューションを改善してきた経験
MITは、Buyを選択した企業の方が、「完全なデプロイ（Full Deployment）に到達する確率」および「AIツールの従業員利用率（Employee Usage Rate）」において、最も顕著な成果差を示したと報告しています。また、共同開発においては、ユーザーのフィードバックが継続的に反映される構造が極めて重要であるとも指摘しており、これはこの後に述べる成功要因とも密接につながっています。
2. 権限を「中央」ではなく「現場」に委ねる
Bottom-up か Top-down か。組織の意思決定を語る際、Top-downの方が有効だとされる場面は、実はそれほど多くありません。MIT のレポートも同様の結論に達しています。MITは、AI導入の主導権を中央の研究組織ではなく、現場マネージャーに委ねた企業ほど、導入スピードが速く、利用率も高いと分析しました。現場マネージャーは、AIスタートアップやソリューション提供企業を、単なるソフトウェアベンダーとしてではなく、業務変革を共に設計するビジネスパートナーとして捉えています。失敗と試行を繰り返すプロセスそのものを、前述の共同開発として受け止めているのです。特に、ChatGPT や Claude といった生成AIをいち早く使いこなしてきたパワーユーザーが、この変化を牽引してきたとされています。
もっとも、現実には新規プロジェクトを推進するには、予算や意思決定権がTop-downで動くという構造的な制約が存在します。しかし近年、MakinaRocksは新たな変化を現場で目の当たりにしています。それは、現場起点でAI課題がBottom-upに立ち上がる企業が増えているという点です。Top-downで与えられた課題に対しても、「この問題は本当にAIで効率化したい」と、実務者が主体的に関与するケースが増えています。AIの有用性と可能性を自ら確認した実務者が、ドメイン専門性を武器に、主導的にAI導入を進める動きが広がっているのです。
こうした積極的な実務者の存在は、共同開発におけるユーザーフィードバックの循環を実際に機能させ、同時にAIを既存のワークフローへ自然に統合するスピードを高めます。現場でAIを使い、改善点を提案する過程を通じて、AIは組織の働き方の中に溶け込み、徐々に完成度を高めていきます。中央部門の役割は、このプロセスが現場で円滑に進むよう方向性を示すことにあります。もし、その役割を担う中央部門が存在しない企業にとっては、AI専門企業と協業する前方配置エンジニア（FDE／Forward-Deployed Engineer）の存在が、ますます重要になっています。
3. 時間とともに賢くなるAI
「AIが失敗する理由は、AIモデルの性能ではなく、学習できず、文脈に適応できないことにある。」
MITは、95％が失敗する技術的要因を、この一文で端的に表現しました。先の二つが、組織レベルでのAI導入の進め方を見直す必要性という組織的要因だったのに対し、最後のポイントは、AIを実装するうえでの技術的な課題に踏み込んでいます。そしてMITは、この技術的限界を克服するアプローチとしてAgentic AIを提唱しました。
Agentic AIとは、それぞれ異なる専門性を持つ複数のAIエージェントが協調しながら問題を解決するシステムです。各AIエージェントは、記憶や文脈を保存するメモリを通じて情報を共有し、タスク全体の流れを理解します。さらに、オーケストレーション・エージェントが全体を統括し、各エージェントが担う機能を最も効果的に発揮できるよう調整します。この仕組みの中でAIは、環境から自律的にフィードバックを収集し、文脈を理解し、時間の経過とともに性能を高めていきます。つまり、MITのレポートが指摘した「学習できない」「適応できない」という技術的失敗要因を、Agentic AIは学習と適応を通じて克服し、実際の企業環境で機能する形へと進化させているのです。
🔗 AIエージェントは知っているけれど、エージェンティックAIって何？
現場で稼働する Agentic AI の事例
Agentic AIが真に機能するためには、企業のワークフローの中に自然に統合される構造が不可欠です。AI技術がいかに高度であっても、既存の業務フローから切り離されていれば、実務者に使われることはありません。結局のところ、AIは私たちが働く環境の中でフィードバックを受け取り、改善点を自律的に反映しながら進化できる構造を備えていなければならないのです。MakinaRocks は、新たなデータが入るたびに学習へ反映し、現場のフィードバックを自ら参照して最適な判断を下す、Adaptive Learning基盤のAgentic AIシステムを設計しています。では、実際の産業現場に適用されているAgentic AIの事例を見てみましょう。
- 🔗 デジタルファクトリー運用 Agentic AI: 情報検索・コード生成・制御といった役割を担うマルチエージェントが、工程上の課題をリアルタイムに検知し、現場制御まで実行します。
- 🔗 PLCコーディング Agentic AI: 自然言語を用いてPLCプログラムを解析・検証・生成し、工程の効率性と安定性を高めるとともに、企業の専門知識を資産として蓄積します。
- 🔗 図面レビュー Agentic AI: デジタル化された図面情報をもとに、変更点や意味的な差分を自動解析し、設計レビューの精度とスピードを大幅に向上させます。
MIT のレポートは、Agentic AIがさらに拡張された形として「Agentic Web」へと発展していくと分析しています。Agentic Webとは、数多くの自律システムがインターネット基盤全体で互いに探索し、交渉し、調整し合う知能ネットワークを指します。MITは、このAgentic Webを、ビジネスプロセスを根本から再構築するAIエコシステムとして位置づけています。
Beyond the 5%
Buy、Bottom-up、ドメイン専門性、ワークフロー統合、Agentic AI、Agentic Web。MIT のレポートを通じて、AIで成果を出す組織が備えるべき中核キーワードが明らかになりました。改めて要点を整理します。実戦経験が豊富なAI専門企業と協業し、現場の実務者主導でAIを推進し、ワークフローに深く統合しながら、継続的に学習する構造を備えた組織が成功する――これがMITの分析です。一方で、失敗する組織は、汎用ツールの開発や社内での独自機能構築に固執する傾向があるとも指摘されています。
MakinaRocks が現場で目の当たりにしている変化を見ると、成功率は今後さらに高まっていくと予想されます。私たちと協業する企業は急速に増えており、主体的な実務者との協働、そしてGenAIを起点にAgentic AIへと発展させる取り組みが広がっているからです。さらにMakinaRocksは、実戦の中でもう一つの共通点を見出しました。それは、ドメイン専門性に基づき、狭いが高付加価値なユースケースに集中すること、そして単一モデルの完成度を追うのではなく、複数の工程へ安定的に展開できるスケーラブルな仕組みを構築することです。
MakinaRocksは2017年以降、製造、自動車、半導体、バッテリー、化学、国防・公共、流通といった多様な産業で、企業が直面する課題をAIで解決してきました。急速に進化する高度な知能を活用し、産業の超生産性（Hyper-Productivity）を実現。Runway を基盤に、パイロットからプロダクションへの迅速な移行と、AI性能の維持・改善を実運用で積み重ねてきました。こうした経験から導かれた 🔗 多様な産業別ユースケース は、AIがいかに企業の生産性と効率を最大化するかを示しています。「95％が失敗する」と言われる中で、私たちは5％になれるのか。その問いに向き合っているなら、MakinaRocksとともに、実戦経験の中で答えを見つけてください。
