「AIを導入したいが、何から始めればいいかわからない」。 この問いに対して、「まず全社的なAI戦略を策定しましょう」と答えるのは正しいようで、実はPoC止まりを招く典型パターンです。Gartnerは2025年末までにGenAI（生成AI）プロジェクトの30%以上がPoC後に中止されると予測しています。本稿では、1業務から始めて90日で有効運用を実証する「最小実行可能AI運用（MVAO）」の設計をご紹介します。
図1: AI導入90日計画 — 実証（0-30日）→定着（31-60日）→拡張（61-90日）の3フェーズで、各ゲートにGo/No-Go判定を設置する
AI導入の現実：導入率と価値創出のギャップ
AI導入は進んでいます。しかし、導入率と経営価値は別の指標です。
McKinseyの「The state of AI in 2025」（2025年11月公開）によれば、調査対象企業の88%が少なくとも1つの業務機能でAIを定常利用しています。一方で、約3分の2は実験またはパイロット段階にとどまり、企業全体のEBIT（Earnings Before Interest and Taxes：利払い・税引き前利益）寄与を報告した企業は39%にすぎません。
Gartnerは2024年7月29日のプレスリリースで、「2025年末までにGenAIプロジェクトの少なくとも30%がPoC後に中止される」と予測しました。中止理由として挙げたのは、データ品質の不足、リスク統制の欠如、コスト超過、価値の不明確さです。さらに2025年6月25日のプレスリリースでは、「2027年末までにエージェンティックAIプロジェクトの40%以上が中止される」との予測を公表しています。
ただし、限定領域では成果が出ています。Deloitteの「State of Generative AI Q4」（2025年1月21日公開、14か国2,773名のdirector〜C-suite対象）では、3分の2超が「3〜6か月で全面スケールできる実験は30%以下」と回答する一方、約4分の3が「最先端施策はROI期待以上」と回答しています。90日で全社変革は非現実的ですが、90日で有効運用を1業務で再現することは十分可能です。
MVAO（最小実行可能AI運用）の定義
AI導入を成功させるには、「一度にすべてを変える」のではなく、価値実証できる最小単位から始めます。Eric Ries（リーンスタートアップの提唱者）が提唱したMVP（Minimum Viable Product：実用最小限の製品）の考え方を応用し、AI導入における最小実行可能単位をMVAO（Minimum Viable AI Operations）として定義します。
MVPとMVAOの違いを整理します。
- 目的: MVPは「最小努力で最大の学習を得る」こと。MVAOは「1業務で価値仮説を検証する」ことです
- 範囲: MVPは機能の最小セット。MVAOは1ユースケース×1業務プロセスです
- 成功基準: MVPはユーザーからのフィードバック。MVAOはKPI改善＋運用の再現可能性です
- 終了条件: MVPはピボットまたはスケール。MVAOはGo/No-Go判定で拡張・停止・縮小を決定します
MVAOは本記事独自の用語であり、MVPの概念（Eric Ries, Lean Startup Co.）をAI導入の文脈に再構成したものです。「最小機能」ではなく「学習可能性」を重視するMVPの本質を、AI運用の価値実証に適用しています。
90日3フェーズ計画
90日を実証→定着→拡張の3フェーズに分割し、各フェーズの終了時にGo/No-Go判定を設置します。
フェーズ別マイルストーン
| フェーズ | 期間 | マイルストーン | 成功基準 | Go条件 |
|---|---|---|---|---|
| Phase 1: 実証 | 0–30日 | ユースケース選定、MVAO構築、初期成果計測 | 価値仮説のKPI改善が確認可能 | KPI改善が測定可能＋リスクが統制範囲内＋運用が1名以上で回る |
| Phase 2: 定着 | 31–60日 | 運用手順整備、教育実施、品質監視開始 | KPIが安定し、運用負荷が許容範囲内 | 2週連続でKPI安定＋運用手順が文書化済み＋教育が完了 |
| Phase 3: 拡張 | 61–90日 | テンプレート化、横展開、継続改善体制 | 再現可能な手順が2業務以上で稼働 | テンプレート適用が別業務で成功＋監視体制が継続可能 |
技術成熟度の観点では、Google Cloud Architecture Centerの「MLOps（機械学習モデルの開発・運用を自動化する手法）: Continuous delivery and automation pipelines in ML」（2024年8月レビュー）が定義する段階モデルと対応づけられます。Level 0（手動運用、CI/CDなし）がPhase 1の初期状態、Level 1（MLパイプライン自動化）がPhase 2の到達目標、Level 2（CI/CD自動化、反復速度と再現性向上）がPhase 3以降の長期目標にあたります。
Azure Architecture Centerの「MLOps maturity model」も、段階導入において「現実的な成功基準」と「引き渡し成果物」を先に定義する必要性を明記しており、Go/No-Go判定を各フェーズに組み込む設計と整合します。
Go/No-Go判定の3軸設計
Go/No-Go判定は単一KPIではなく、3軸の統合判定で行います。
| 判定軸 | 評価内容 | Phase 1の判定例 | Phase 2の判定例 |
|---|---|---|---|
| Value（価値） | KPI改善の有無と程度 | 対象業務の処理時間が20%短縮 | KPI改善が2週連続で安定 |
| Risk（リスク） | データ・法務・説明責任の統制 | データ取扱い基準を設定済み | リスク監視が自動化されている |
| Operability（運用可能性） | 現場で回せる手順・人材・保守性 | 担当者1名が運用可能 | 手順が文書化され引き継ぎ可能 |
停止条件と拡張条件を同時に定義してください。 拡張条件だけを設定すると、成果が出ない場合の判断が曖昧になり、PoC止まりが長期化します。停止条件の例として、「KPI未達＋リスク高＋運用負荷過大が同時に該当する場合は縮小・停止」を事前に定義しておきます。
リスク管理の基盤
各フェーズのリスク判定には、NIST（米国国立標準技術研究所）のAI Risk Management Framework（AI RMF 1.0、2023年1月公開）の4機能が参考になります。
- Govern: AIガバナンスの方針・体制を定義します
- Map: AIシステムが及ぼす影響をマッピングします
- Measure: リスクを定量・定性で計測します
- Manage: リスクに対する対応策を実行します
ISO/IEC 42001:2023（AIマネジメントシステムの国際規格）もPDCAによる継続的改善を要求しており、90日計画を単発のPoCで終わらせず、継続運用に接続する設計の根拠となります。
日本では、経済産業省が「AIの利用・開発に関する契約チェックリスト」（2025年2月18日公開）を提供しており、Phase 1（実証）の開始前に契約・データ取扱いの論点を整理する際に活用できます。また「AI事業者ガイドライン（第1.1版）」（2025年4月4日最終更新）は、責任分担・評価・監視に関する実務向けチェックシートを含んでいます。
スコープ拡大モデル
MVAOから段階的にスコープを拡大するモデルを図示します。全フェーズを通じて、リスク管理を並行して適用します。
価値提供カーブ
90日間の価値の積み上がりを時系列で可視化します。Phase 1では価値が緩やかに蓄積し、Phase 2で安定化、Phase 3で加速するS字カーブを描きます。同時に、未対応リスクは段階的に低減していきます。
上記カーブは概念的なモデルであり、実際の数値は業務内容・組織規模・導入対象によって異なります。Go/No-Go判定ポイント（30日・60日）でカーブの傾きを評価し、想定を下回る場合は原因を分析してフェーズの延長・縮小を判断します。
日本企業での適用条件
DX成熟度の現実
IPA（独立行政法人 情報処理推進機構）の「DX推進指標 自己診断結果 分析レポート（2024年版）」（2025年5月公開、1,349件分析）によれば、DX成熟度はレベル0〜2未満に偏在しており、レベル4以上は全体の1%にとどまります。
IPAの「DX動向2025」（2025年6月公開、日本1,535社・米国509社・ドイツ537社）では、日本企業は部分最適・内向き傾向が強く、米独は全体最適・外向き傾向にあると報告しています。Phase 3で部門横断展開を判定項目に含める根拠となります。
人材・リテラシーの壁
NRI（野村総合研究所）の「ユーザー企業のIT活用実態調査」（2025年11月公開、517社回答）では、生成AI導入済みは57.7%（導入済み＋検討中で76%）に達する一方、生成AI活用の課題として70.3%が「リテラシーやスキル不足」を挙げています。約半数でレガシーシステムが残存しており、技術的制約も無視できません。
日本向けの実装指針
- 1業務から開始します。 最初の90日は「成功事例の作成期間」と割り切ります。IPA DX成熟度分布がレベル0〜2に偏在している現実を踏まえ、スコープを絞ることが重要です
- 教育を必須化します。 Phase 2に教育・トレーニングを組み込みます。NRI調査で70.3%がスキル不足を課題視しており、BCG調査でも5時間以上の訓練で利用率が向上する一方、適切な訓練を受けたのは3分の1にすぎません
- 部門横断は後段で判断します。 Phase 3のGo/No-Go判定で横展開可否を決定します。IPAの調査が示す日本企業の部分最適傾向を踏まえ、拡張は段階的に進めます
- 全社変革を急ぎません。 導入率と経営価値は別指標として管理します。McKinseyの2025年調査でも、88%がAIを利用しながらEBIT寄与を報告したのは39%にすぎません
BCG（ボストン コンサルティング グループ）の「AI at Work: Momentum Builds, but Gaps Remain」（2025年6月公開、11地域10,600名超対象）によれば、フロントラインの定常利用は51%に達しますが、「Deploy（導入）」から「Reshape（業務再設計）」への移行は約半数にとどまります。教育なき導入は定着しません。
図5: 日本企業でのAI導入適用条件 — DX成熟度・リテラシーの壁を踏まえた段階的アプローチと、MVAO→定着→拡張の成功パターン
あわせて読みたい
- [AIエージェント導入の社内企画術：PoC成果を](/posts/10_ai-agent-internal-proposal)
- 企業規模別AIエージェント導入パターン
- AIエージェント組織定着のチェンジマネジメント：現場が
まとめ：90日計画の3原則
- MVAOから始めます。 1業務×1ユースケースで価値を実証し、成功パターンをテンプレート化してから横展開します
- Go/No-Goを3軸で判定します。 価値（KPI）、リスク（統制）、運用可能性（人/プロセス）の3軸で判定し、停止条件と拡張条件を同時に定義します
- 90日で全社変革を目指しません。 最初の90日は有効運用の再現を目標とし、全社展開は次期計画に委ねます
Agenticベースでは、AI導入の90日計画策定から、MVAO定義、Go/No-Go判定基準の設計、段階的な拡張計画まで支援しています。 お問い合わせはこちら →
この記事の著者
Agentic Base 編集部
AIエージェントとWebメディア運用の知見を活かし、実践的なナレッジを発信しています。
