AXとは？AIトランスフォーメーションの意味とDXとの違いを解説

AX（AIトランスフォーメーション）とは

まずは言葉の定義から確認します。AXは比較的新しい概念で、使う人によって範囲が揺れやすい言葉です。政府の定義と、よく混同される「AI活用」との違いを押さえておくことで、自社が何に取り組むべきかが明確になります。

AXの定義

AXとは「AI Transformation（AIトランスフォーメーション）」の略で、AI技術を前提に業務プロセス・組織・ビジネスモデルを再設計し、新たな価値を生み出す取り組みを指します。

重要なのは、AXが「AIを使うこと」そのものを指す言葉ではないという点です。AXが目指すのは、次のような変化です。

業務の前提が変わる：これまで人が時間をかけていた判断を、AIが即座に提示する前提で業務フローを組み直す
組織の役割が変わる：定型処理を担っていた部門が、AIの出力を検証し活用方針を決める部門に変わる
事業モデルが変わる：AIによって初めて成立するサービスを新たな収益源にする

逆に言えば、既存の業務フローをそのまま残したまま一部をAIに置き換えただけでは、AXには至りません。それは後述する「AI活用」の段階にとどまります。

政府はAXをどう定義しているか

2026年7月14日に閣議決定された「人工知能基本計画～日本ＡＸ、より強く、より豊かに～」では、AXを「あらゆる組織で、ＡＩを前提として意思決定や業務の進め方を根底から見直す」ものと位置づけています。

この計画がAXを推進する理由として挙げているのは、人口減少、国内への投資不足、賃金停滞、そして人手不足といった構造的な課題です。つまり政府は、AXを「便利になる話」ではなく「このままでは立ち行かないから必要な話」として扱っています。

また同計画は、政府自身が率先して取り組む姿勢を「隗より始めよの観点から、政府自らが積極的かつ先導的に利活用する」と明記しています。2026年7月10日の人工知能戦略本部では、「日本AXは行政から始める」という方針も示されました。

企業に対しては、「AIを基軸とした組織経営改革」と「DX・AI利活用の取組状況の可視化や人材育成・確保」が求められています。注力分野としては、特定領域に特化したバーティカルAIと、ロボットなど物理空間で動作するフィジカルAIが挙げられています。

「AI活用」とAXの違い

実務でもっとも混同されやすいのが、「AI活用」と「AX」の区別です。両者は段階が異なります。

	AI活用	AX
対象範囲	特定の業務・部署	組織全体
やること	既存業務の一部をAIに置き換える	AI前提で業務・組織を再設計する
目的	作業時間の短縮、コスト削減	事業の競争力そのものの転換
主導者	現場担当者、情報システム部門	経営層
成果の表れ方	工数が減る	収益構造や提供価値が変わる
期間	数週間〜数か月	数年にわたる継続的な取り組み

たとえば議事録作成をAIに任せるのは「AI活用」です。一方、議事録が即座に全社で検索・要約できる前提に立って、会議そのものの回数と参加者を見直し、意思決定のスピードを上げるところまで進めば「AX」の領域に入ります。

AI活用はAXの出発点であり、否定されるものではありません。ただし、AI活用を積み上げるだけでは自動的にAXにならないという点は、最初に理解しておく必要があります。

AXとDXの違い

AXを語る際、必ず引き合いに出されるのがDX（デジタルトランスフォーメーション）です。両者は対立する概念ではなく、重なり合う関係にあります。違いと関係性を整理しておきましょう。

焦点と手段の違い

DXは、デジタル技術全般を使って業務やビジネスモデルを変革する広範な取り組みです。紙の書類を電子化する、クラウドで情報共有を効率化する、業務システムを刷新する——これらはすべてDXに含まれます。

これに対してAXは、AIという特定の技術に焦点を絞り、より踏み込んだ再設計を行う変革です。

	DX	AX
中心技術	デジタル技術全般（クラウド、IoT、業務システムなど）	AI（生成AI、機械学習、AIエージェント）
主な変化	業務のデジタル化・可視化	判断と実行の自動化・高度化
データの役割	蓄積・可視化する対象	AIが学習・判断する材料
人の役割	ツールを使って作業する	AIの出力を検証し、方針を決める
価値の源泉	プロセスの効率	判断の速度と精度

乗り物に例えるなら、DXが馬車から自動車へ乗り換えることだとすれば、AXは自動運転によって「運転する」という前提そのものをなくし、移動時間の使い方を変えてしまう試みです。

DXが終わってからAXではない

よくある誤解が、「まずDXを完了させて、それからAXに進む」という順序の理解です。これは実務的に成り立ちません。

理由は単純で、DXが「完了」する企業はほとんどないからです。業務のデジタル化は常に途中であり、完了を待っていればAXへの着手は永久に先送りされます。

現実的な進め方は、両者を並走させることです。

AIを入れたい業務から逆算してデジタル化する：全社のデジタル化を目指すのではなく、AIで成果が出そうな業務のデータだけを先に整える
AI導入をきっかけに業務を標準化する：AIに任せるには手順を明文化する必要があるため、結果としてDXが進む
成果が出た領域から横に広げる：一度に全社展開せず、成功した型を他部門へ移す

申請・承認のような全社員が関わる定型業務からAIを入れると、業務の標準化が同時に進み、AIが学習しやすい形のデータも溜まっていきます。DXとAXが互いを押し上げる構造をつくれるのが、この進め方の利点です。

AXとGX・SXなど他の「○X」との関係

近年は「○X」という言葉が複数使われています。混乱しやすいので整理しておきます。

略語	正式名称	変革の軸
DX	デジタルトランスフォーメーション	デジタル技術
AX	AIトランスフォーメーション	AI
GX	グリーントランスフォーメーション	脱炭素・環境
SX	サステナビリティトランスフォーメーション	持続可能な経営
CX	コーポレートトランスフォーメーション	企業構造そのもの

これらは択一ではなく、重なり合います。AIによるエネルギー消費の最適化はGXに貢献し、サプライチェーンの可視化はSXにつながります。AXは他の変革を加速させる手段としても働きます。

なお「CX」は文脈によって「カスタマーエクスペリエンス（顧客体験）」を指す場合もあるため、社内で使う際は定義を揃えておくことをおすすめします。

なぜ今AXが注目されるのか【2026年の背景】

AXという言葉が急速に広まった背景には、技術の進化だけでなく、社会的・政策的な要因が重なっています。4つの観点から見ていきます。

背景1：生成AIからAIエージェントへ移行しつつある

2023年前後に広まった生成AIは、「指示を出すと文章や画像を生成する」ツールでした。これに対して近年注目されているAIエージェントは、目的を与えると自ら手順を考え、複数のツールを操作してタスクを実行します。

人が1つずつ指示を出す必要がなくなるため、任せられる業務の範囲が大きく広がります。これが「AIで作業を速くする」段階から「AI前提で業務を組み直す」段階へ、議論が移った直接のきっかけです。

ただし成熟した技術とは言えません。ガートナージャパンが2026年9月2日に発表した日本における先進テクノロジのハイプ・サイクルでは、エージェント型AIとフィジカルAIはいずれも「過度な期待」のピーク期に位置づけられています。

同社は、すべてが自律的に置き換わる段階には至っておらず、当面は人とエージェントが連携して業務を遂行する形が主流になるとしています。

背景2：人手不足が構造的な制約になっている

少子高齢化による労働人口の減少は、採用努力で解決できる範囲を超えつつあります。「人を増やして対応する」という選択肢が実質的に取れない企業が増えており、業務量を人員に比例させない仕組みが必要になっています。

AXが注目されるのは、これが「効率化によるコスト削減」ではなく「事業を継続するための条件」になってきたからです。政府の人工知能基本計画が人手不足を正面から挙げているのも、同じ文脈です。

背景3：国策として推進されている

2025年6月、AIの研究開発と活用の推進を定めた法律（人工知能関連技術の研究開発及び活用の推進に関する法律、通称AI新法・AI推進法）が公布され、同年9月に全面施行されました。

この法律は基本法・理念法としての性格を持ち、事業者への義務は努力義務にとどまり、罰則は設けられていません。

この法律に基づいて、内閣総理大臣を本部長とする人工知能戦略本部が設置され、人工知能基本計画が策定される仕組みになりました。第Ⅰ期の計画は2025年12月、第Ⅱ期が2026年7月14日に閣議決定され、その副題に「日本AX」が掲げられています。

あわせてルール整備も進んでいます。総務省・経済産業省の「AI事業者ガイドライン」は2026年3月31日に第1.2版が公表され、AIエージェント時代を見据えたリスク管理の考え方が盛り込まれました。

罰則がないことは「対応しなくてよい」という意味ではありません。 取引先や顧客からAIの利用方針を問われる場面は増えており、ガイドラインに沿った社内ルールの整備は、実務上の信用に直結します。

背景4：DXが「効率化」で止まっている企業が多い

4つ目の背景は、企業側の事情です。DXに取り組んだ結果として業務は効率化したものの、売上や新しい価値の創出には至らなかった——この停滞感が、「次の打ち手」としてAXへの関心を高めています。

この構図は統計でも裏づけられます。次章で具体的な数値を見ていきましょう。

データで見る日本企業のAXの現在地【2026年最新】

ここでは公的機関の調査をもとに、日本企業がどこまで進んでいるのかを数字で確認します。印象論ではなく実数で見ると、課題がどこにあるのかがはっきりします。

生成AIを「使っている」企業は86.4%に達した

総務省が2026年7月に公表した令和8年版情報通信白書によると、企業における生成AIの業務利用実績は日本86.4%でした。米国90.9%、ドイツ91.6%、中国98.1%と比べても、利用そのものの差は大きくありません。

生成AIの活用方針について「積極活用」「領域を限定して活用」と答えた企業の合計は、日本で68.9%。前年度調査の49.7%から大きく伸びています。「AIを使うかどうか」という段階は、すでに終わっていると見てよい状況です。

個人の利用についても、生成AIの利用経験率は日本58.8%（2026年1〜2月調査）で、前年度の26.7%から急伸しました。米国・ドイツの75.6%、中国の93.6%には及びませんが、普及が一気に進んだことは数字に表れています。

しかし成果は「効率化」に大きく偏っている

問題は、使った結果どうなったかです。IPA（情報処理推進機構）が2026年7月に公表した「DX動向2026」（2026年4月17日〜6月12日に実施、1,799社が回答）では、AI活用の成果について次の結果が出ています。

AI活用による成果	達成したと回答した割合
業務が効率化・迅速化した	91.6%
売上・利益が向上した	3.9%
顧客満足度が向上した	4.5%

効率化はほぼ全社が達成している一方、売上・利益の向上は4%に届きません。AIは「コストを下げる道具」としては機能しているが、「売上を生む仕組み」にはなっていないということです。

AXが「業務効率化を超えた変革」と定義されることの意味が、この数字に集約されています。多くの企業が到達しているのはAI活用の段階であり、AXには至っていません。

決定的な差は「データ基盤」にあった

ではなぜ、効率化の先に進めないのか。情報通信白書の国際比較に、きわめて示唆的な数字があります。

企業の取り組み	日本	米国	ドイツ	中国
社内データの学習基盤を構築	15.3%	57.2%	54.4%	73.0%
スキル・ノウハウの学習環境を整備	26.1%	62.7%	60.4%	71.7%
業務変革の組織的取組が「なし」	27.0%	（他国より低い）	（他国より低い）	（他国より低い）

生成AIの利用率では各国と肩を並べているのに、社内データをAIが学習できる形に整える取り組みでは、日本は15.3%で米国の4分の1程度にとどまります。

この1点に、効率化の先へ進めない理由が表れています。既製のAIツールに手元の文章を貼り付けて要約させるだけなら、データ基盤は要りません。

しかし「自社の顧客はどんな人で、何が成約につながっているのか」をAIに判断させようとすれば、自社のデータが整っていなければ何も始まりません。

日本企業がやっているのは「汎用AIを借りて作業を速くすること」で、諸外国がやっているのは「自社データでAIに自社固有の判断をさせること」です。

前者は誰でも真似できるため差になりませんが、後者は模倣できない競争力になります。売上への貢献で差がつくのは当然と言えます。

企業規模による格差も大きい

IPAの調査では、AI導入率に企業規模による明確な差が出ています。

従業員1,001人以上：約8割が導入済み
従業員101人以下：16.6%

ただしこれは「中小企業はAXに取り組めない」という話ではありません。むしろ意思決定が速く、業務フローの変更に合意を得やすい中小企業のほうが、全社を巻き込んだ再設計には向いています。

規模の差は体力の差ではなく、着手の有無の差として表れている段階です。

AXに取り組むメリット

AXが実現したときに企業が得られる効果を整理します。効率化だけが目的ではないことが、ここで明確になります。

1. 人手不足を構造的に解消できる

定型業務や単純作業をAIに任せることで、限られた人員をより付加価値の高い業務に振り向けられます。重要なのは、これが「残業を減らす」レベルの話ではなく、業務量の増加に対して人員を比例させなくて済む構造をつくるということです。

受注が2倍になっても事務処理の人員を2倍にしなくていい状態をつくれれば、成長の天井が一段上がります。

2. 意思決定の速度と精度が上がる

AIは社内外に散在するデータを継続的に分析し、変化を検知できます。経験や勘に頼っていた判断にデータの裏づけが加わることで、判断の質と速度の両方が改善します。

需要の変動、顧客の離脱兆候、設備の異常といった「気づいたときには遅い」種類の事象を、起きる前に捉えられるようになる点が特に大きい効果です。

3. 顧客体験をパーソナライズできる

購買履歴、閲覧行動、問い合わせ内容といったデータをAIが分析することで、顧客一人ひとりに合わせた提案やタイミングでのアプローチが可能になります。

ハイパーパーソナライゼーションと呼ばれる領域では、属性による大まかな分類ではなく、個々の行動に応じた個別対応が現実的になってきました。結果としてリピート率や顧客単価の向上につながります。

4. 新しい事業・収益源を創出できる

AXは既存事業の効率化だけでなく、AIによって初めて成立するサービスを生み出す可能性を持ちます。

画像認識による検査サービス、蓄積データを使った予測サービス、自社ノウハウを組み込んだAIアシスタントの提供など、これまで社内資産だったものを事業化する道が開けます。

5. 現場のノウハウが組織の資産として残る

見落とされがちなメリットが、属人化の解消です。ベテラン社員の判断基準は、本人が辞めれば失われます。AIに判断を学習させる過程では、その判断基準を言語化しデータ化する作業が必要になります。

この作業自体が、暗黙知を組織の資産に変える工程になります。AX推進の副産物として、事業継続性が高まります。

AXのデメリットと注意すべきリスク

一方で、AXには無視できない課題があります。導入前に把握しておかなければ、途中で止まるプロジェクトになりかねません。

AI人材の確保と育成が難しい

AIモデルを扱うデータサイエンティストやエンジニアは市場で希少であり、採用競争は激しい状況が続いています。外部採用だけで体制を組むのは現実的ではありません。

実務で重要になるのは、専門家よりも各部門でAIを使いこなせる人材の層の厚さです。業務を理解している人がAIの使いどころを判断できる状態をつくることが、全社浸透の鍵になります。

データ基盤の整備にコストと時間がかかる

前章で見たとおり、ここが日本企業の最大の弱点です。データが部署ごとに分断され、形式も統一されていない状態からの整備には、相応の時間と費用がかかります。

地味で成果が見えにくい工程であるため後回しにされやすく、結果としてAI導入が「ツールを入れて終わり」になる原因になります。

情報漏洩とシャドーAIのリスク

従業員が会社の許可なく外部のAIサービスに業務情報を入力してしまう、いわゆるシャドーAIの問題があります。禁止するだけでは隠れて使われるため、安全に使える環境を用意したうえでルールを示す対応が必要です。

機密情報を外部に出さない構成（社内閉域での運用や、学習に利用されない契約形態の選択）を検討する企業が増えています。

ガバナンスの不備で撤退するプロジェクトが出ている

ガートナーは2026年5月26日、2027年までに企業の40%が、運用開始後に判明したガバナンスの不備を理由として自律型AIエージェントを降格または撤退させると予測しています。

同社が指摘する失敗の原因は、「全面的に禁止するか、全面的に信頼するか」という二者択一でAIを扱ってしまうことです。

リスクの低い用途に過剰な統制をかけて開発が止まる一方、自律的に動く用途には統制が追いつかず、書き込み権限や外部通信に対する監査やガードレールが不足する——どちらの方向にも失敗が起きています。

AXを進めるなら、能力（何ができるか）とアクセス範囲（どこまで触れるか）を切り分けて権限設計するという視点が必要です。

期待が先行している時期である点を踏まえる

先述のとおり、エージェント型AIは現在「過度な期待」のピーク期にあると評価されています。ベンダーの提案や事例紹介をそのまま自社に当てはめると、想定した成果が出ずに社内の信頼を失うことがあります。

AIは万能ではなく、得意な領域と苦手な領域があります。 ルールが明確で判断基準を言語化できる業務、データが蓄積されている業務、効果を数値で測れる業務から始めるのが、着実な進め方です。

AXの進め方【6ステップ】

ここからは実践の手順です。順序を飛ばすと後戻りが発生しやすいため、上から進めることをおすすめします。

ステップ1：経営課題からテーマを選ぶ

最初にやるべきことは、AIツールの選定ではありません。「自社が解決したい経営課題は何か」を定義することです。

人手が足りず受注を断っている業務はどこか
判断が遅れて機会を逃している場面はどこか
属人化していて代わりがいない業務はどこか

そのうえで、効果が大きく、かつ測定可能なテーマを1つに絞ります。「AIで何かやる」という漠然とした目標は、必ず途中で止まります。

ステップ2：業務を棚卸しして可視化する

対象を決めたら、その業務の流れを工程単位で書き出し、それぞれにかかっている時間を把握します。

この作業には2つの効果があります。1つは、AIに任せるべき工程が特定できること。もう1つは、改善前の数値が記録として残り、後で効果を測れるようになることです。

多くの企業がAIの効果を説明できないのは、導入前の状態を測っていないからです。

ステップ3：小さく試して効果を測る（PoC）

いきなり全社展開せず、限定した範囲で検証します。期間は3か月程度を目安に、達成基準を事前に決めておきます。

ここで重要なのは、成功と同じくらい失敗の判定基準を決めておくことです。基準がないと、成果が出ていないプロジェクトを続けてしまい、社内のAIへの不信感を招きます。

小さな成功体験が全社展開の推進力になるため、確実に効果が出そうな領域を最初に選ぶのが戦略的です。

ステップ4：データ基盤を整える

PoCで方向性が見えたら、本格展開に向けてデータを整備します。

部署ごとに分断されたデータを統合する
形式・項目名・粒度を揃える
入力ルールを定め、データの質を保つ仕組みをつくる
個人情報の取り扱い方針と管理体制を整える

AIの精度は、学習させるデータの質と量に左右されます。不正確なデータや偏ったデータを学習させれば、出てくる判断も同じように歪みます。質の低いデータを入れれば、質の低い結果しか出てこない——この原則は、どれほど高性能なAIを使っても変わりません。

CDP（カスタマーデータプラットフォーム）のようなデータ統合基盤が検討されるのは、この工程です。

ただしツールを導入すればデータが整うわけではなく、高額なツールが活用されずに終わるケースも少なくありません。何のためにどのデータを集めるのかを先に決めることが前提になります。

ステップ5：ガバナンスと運用ルールを決める

本格展開の前に、AIの利用ルールを文書化します。AI事業者ガイドラインを参照しながら、少なくとも次の項目を決めておきます。

入力してよい情報、禁止する情報の区分
AIの出力を人が確認する範囲と責任者
AIに与える権限（閲覧のみか、書き込みも許すか）
問題が起きたときの報告経路と停止手順
利用状況の記録と定期的な点検

前述のガートナーの予測が示すとおり、ガバナンス設計の不在は後から発覚して撤退の原因になります。この工程を省略した分の時間は、後でより大きなコストとして戻ってきます。

ステップ6：効果測定と横展開

導入後は、ステップ2で記録した数値と比較して効果を測定します。工数削減だけでなく、売上・顧客満足度・離脱率といった事業指標への影響も追いかけます。

成果が確認できたら、同じ型を他部門に移します。このとき、成功事例だけでなくつまずいた点とその対処も一緒に共有することが、横展開の速度を上げます。

AX推進を阻む4つの壁と越え方

多くの企業が同じ場所でつまずきます。典型的な4つの壁と、その越え方を整理します。

壁1：スキル・リテラシーの壁

「何に使えるのか分からない」「使ってみたが期待した答えが返ってこない」という段階で止まるケースです。

この壁の越え方は、研修よりも身近な業務での成功体験です。自分の仕事が実際に楽になった経験がないまま知識だけ学んでも、行動は変わりません。部署ごとに「この業務でこう使う」という具体例を用意するのが有効です。

壁2：データの壁

データが分散し、形式も揃っていないため、AIに学習させられない状態です。日本企業の15.3%しかデータ学習基盤を構築できていないという数字が、この壁の高さを示しています。

この壁の越え方は、全社のデータを一度に整えようとしないことです。最初に取り組むテーマに必要なデータだけを対象に、範囲を絞って整備します。全社データ統合を先に目指すと、数年かかって何も動かない状態になります。

壁3：組織・マインドセットの壁

「仕事を奪われるのではないか」という不安や、既存のやり方を変えたくないという抵抗です。

この壁の越え方は、経営層がAIによって削減した時間をどう使うのかを先に示すことです。「効率化した結果どうなるのか」が示されないまま効率化を求められれば、現場が警戒するのは自然な反応です。人員削減が目的でないなら、それを明言する必要があります。

壁4：ガバナンスの壁

ルールが整備されていないため、情報漏洩を恐れて利用を禁止するか、逆に無統制で使われるかの両極になってしまう状態です。

この壁の越え方は、用途ごとにリスクを分類して統制の強度を変えることです。社内文書の要約と、顧客データを扱う処理と、外部システムへ書き込む自動処理を、同じ基準で管理する必要はありません。

【業界別】AXの活用例

実際にどのような領域でAIが使われているのか、業界別に整理します。自社に近い領域から着手の糸口が見つかるはずです。

製造業：予兆保全と品質検査

設備の振動・温度・電流といったセンサーデータをAIが継続的に分析し、故障の兆候を検知します。これにより、故障後の対応ではなく計画的なメンテナンスに切り替えられ、生産ラインの停止時間を抑えられます。

品質検査では、画像認識によって肉眼では捉えにくい微細なキズや汚れを検出します。検査員の経験に依存していた工程を標準化できる点が、人手不足対策としても有効です。

小売・EC：需要予測と在庫最適化

販売実績、天候、曜日、地域のイベントなど複数の要因を組み合わせて需要を予測し、発注量を最適化します。過剰在庫と欠品の両方を減らせるため、利益率に直接効きます。

ECサイトでは、閲覧履歴と購買履歴に基づくレコメンドが広く使われています。

金融・保険：リスク評価と不正検知

取引データをリアルタイムで分析し、通常と異なるパターンを検知してカード不正利用やマネーロンダリングを防ぎます。審査業務では、信用評価の精度向上と判断の迅速化が進んでいます。

判断根拠の説明が求められる業界であるため、AIの出力をそのまま採用せず、人が検証する体制が前提になります。

医療・介護：診断支援と記録業務の軽減

画像診断の支援により、病変の見落としリスクを下げる取り組みが広がっています。また、記録・報告書作成といった事務負担をAIが軽減することで、専門職が本来の業務に向かう時間を確保できます。

マーケティング・広告：配信の最適化と顧客理解

広告配信の領域は、すでにAIによる自動最適化が標準になっています。Google広告やMeta広告では、どの顧客に・いくらで・どの訴求を出すかをAIが判断しており、運用者が手動で細かく指定する余地は小さくなりました。

その結果、成果を左右する要素が「設定の巧拙」から「AIに渡すデータの質」へ移っています。この点については後の章で詳しく扱います。

バックオフィス：定型処理の自動化

請求書処理、経費精算、問い合わせ対応といった定型業務は、ルールが明確でデータも蓄積しやすいため、AX の起点として適しています。

申請・承認のような全社員が関わる業務から始めると、効果を全社員が実感しやすく、業務の標準化とデータ蓄積も同時に進みます。

組織と人材をめぐる2026年の動き

AXは技術導入だけでは完結せず、組織体制と人材定義の見直しを伴います。2026年に起きている変化を押さえておきましょう。

「AX」を冠した組織が生まれている

AXを専門に担う部門を設ける企業が出てきています。ソフトバンクは2024年7月に生成AI活用支援の子会社Gen-AX株式会社を設立し、AIエージェント時代を見据えた企業のAX支援を事業として掲げています。

日立ソリューションズは2024年4月にAX推進本部を新設しました。

従来のDX推進部門をAX体制へ組み替える動きも見られます。海外ではSK C&Cが社名を「SK AX」へ変更するなど、事業アイデンティティのレベルで位置づける例も出ています。

組織名を変えること自体に意味があるわけではありません。 ただ、専任の責任者と予算を置かなければ、AXは「現場の工夫」の範囲を超えられないという判断が共通して働いていると読み取れます。

国もスキルの定義を更新した

2026年4月16日、経済産業省とIPAは「デジタルスキル標準（DSS）ver.2.0」を公表しました。この改訂で注目すべきは、「データマネジメント」という人材類型が新設された点です。

データスチュワード、データエンジニア、データアーキテクトの3ロールが定義され、人材類型は6つに再編されました。共通スキルリストには、AI実装・運用やAIガバナンスに関する項目が追加されています。

国が人材定義を更新してまでデータマネジメントを独立した類型に立てたのは、整ったデータがない企業はAIを活かせないという現実が明確になったからです。情報通信白書が示した日本の15.3%という数字と、この政策対応は同じ問題を指しています。

経済産業省は2026年6月以降、「AX時代におけるスキルのあり方検討ワーキンググループ」を開催し、AX時代に必要な人材像の議論を続けています。

中小企業はどう取り組むか

従業員101人以下のAI導入率が16.6%という数字を見ると、中小企業にとってAXは縁遠いものに思えるかもしれません。しかし取り組み方を変えれば、不利な条件ばかりではありません。

意思決定が速い：経営者の判断で業務フローを変えられるため、全社再設計の合意形成コストが低い
対象業務が絞りやすい：部門が少ないため、着手すべき業務を特定しやすい
既製のクラウドサービスで足りる場合が多い：独自開発せず、月額制のサービスを組み合わせる構成で成立する

着手の順序としては、まず経営者自身が日常業務でAIを使ってみること、次に時間を取られている業務を1つ選んで置き換えること、そして効果が出たら隣接業務へ広げることです。

AXの成否を分けるのは「データ」である

ここまで見てきた統計と政策の動きは、すべて同じ結論を指しています。AXで差がつくのは、AIツールの選定ではなくデータの整備です。この章では、その理由を具体的な場面に落として説明します。

AIの性能は、渡されたデータで決まる

生成AIのような汎用モデルは、どの企業が使っても同じ性能を発揮します。だからこそ、汎用モデルを使うだけでは競合との差になりません。

差が生まれるのは、自社固有のデータをAIに学習させたときです。自社の顧客は誰か、どんな経路で成約しているのか、どの顧客が離脱しやすいのか——これらはすべて自社のデータにしか書かれていません。

情報通信白書が示した「社内データの学習基盤を構築した企業が日本では15.3%、米国では57.2%」という差は、この競争力の差そのものです。生成AIの利用率では並んでいるのに成果で差が開いているのは、偶然ではありません。

マーケティング領域で起きている典型的な断絶

データ整備の重要性が最も分かりやすく表れるのが、広告・マーケティングの領域です。具体的な場面で考えてみましょう。

ある企業が広告を配信し、次のような成果が生まれたとします。

広告を見たユーザーがWebサイトを訪問する
内容を確認し、電話で問い合わせる
商談を経て、高単価の契約が成立する

これは最も価値の高い成果です。しかしWebフォームの送信だけを計測している設定では、この成果は1件も記録されません。すると次のことが順番に起こります。

成果が記録されない——電話で決まった優良顧客のデータが広告媒体に戻らない
AIが偏った顧客像を学習する——フォームから申し込む層だけが「良い顧客」として学習される
成果を生んでいた配信が止まる——電話で問い合わせる層への配信が、成果ゼロと判断されて削られていく

人間の担当者であれば「最近、電話の問い合わせが増えている」と経験から補正できます。しかしAIにとっては、渡されたデータがすべてです。記録されていない成果は、AIにとって最初から存在しなかったことになります。

同じ構造は他の領域でも起きます。店舗で成約した案件、営業担当が対面で決めた案件、既存顧客からの紹介——オンラインの外側で起きた成果を取り込めていなければ、AIは現実と違う世界を学習し続けます。

ファーストパーティデータ基盤という土台

この断絶を埋めるには、ブラウザの外側で起きた成果も含めて自社でデータを収集し、AIが使える形に統合する必要があります。そのための基盤がファーストパーティデータです。

Cookie規制によって外部から借りてくるデータが使いにくくなった分、自社で取得したデータの価値は相対的に上がっています。具体的には、次のようなデータを1か所に集約し、各媒体へ連携する構成になります。

Webサイト上の行動とフォームからの問い合わせ
電話での問い合わせと、その通話内容・成約可否
実店舗での来店・購入
CRM上の受注・契約金額

ここまで揃えば、「どの施策が、金額ベースでいくらの売上を生んだか」をAIに伝えられます。

コンバージョン件数ではなく価値（金額）を学習させることで、自動最適化の精度は大きく変わります。計測の技術的な手段としては、サーバー側から成果を送信するコンバージョンAPIの活用が前提になります。

オムニデータバンクは、こうしたファーストパーティデータを収集・統合し、Google・Facebook（Meta）・Instagram・Yahoo!といった各広告媒体へ連携するためのプラットフォームです。

ウェブトラッキングに加えてコールトラッキング機能を標準で備えているため、計測から抜け落ちていた電話経由の成果を広告の成果として戻すことができます。

データクリーンルーム機能により、個人情報の取り扱いに配慮しながらデータを活用できる設計になっています。

AXを「AIツールを入れること」と捉えると、導入後に効果が出ない理由が分からなくなります。AXは、AIが正しく判断できる材料を自社で用意する取り組みです。

マーケティング領域はその成否が数字で最も早く表れる分野であり、ここでデータ基盤を整えた経験は、他領域のAXにも応用できます。

よくある質問

AXについて実務でよく寄せられる疑問をまとめました。

AXとは何ですか？

AI Transformation（AIトランスフォーメーション）の略で、AIを前提に業務プロセス・組織・ビジネスモデルを再設計し、新たな価値を生む取り組みを指します。

2026年7月に閣議決定された人工知能基本計画では「あらゆる組織で、AIを前提として意思決定や業務の進め方を根底から見直す」ものと定義されています。

AXとDXはどちらを優先すべきですか？

どちらか一方を選ぶ必要はありません。DXが完了する企業はほとんどないため、完了を待っていては着手できません。AIで成果を出したい業務から逆算して、その周辺のデジタル化とデータ整備を先に進めるのが現実的です。

AXとAI導入はどう違いますか？

AI導入は特定業務の一部をAIに置き換えることで、成果は工数削減として表れます。AXはAIを前提に業務や組織の設計自体を見直すことで、成果は収益構造や提供価値の変化として表れます。AI導入はAXの出発点ですが、積み上げるだけでは自動的にAXにはなりません。

中小企業でもAXは可能ですか？

可能です。従業員101人以下のAI導入率は16.6%にとどまりますが、これは体力の差というより着手の有無の差です。

意思決定が速く業務フローを変えやすい点では、中小企業のほうが全社的な再設計に向いています。既製のクラウドサービスを組み合わせる構成なら、独自開発は不要です。

AXは何から始めればよいですか？

AIツールの選定からではなく、経営課題の特定から始めてください。人手が足りず機会を逃している業務、属人化して代わりがいない業務を書き出し、効果が大きく測定しやすいテーマを1つ選びます。そのうえで改善前の数値を記録してから着手してください。

AX導入にはどのくらいの費用がかかりますか？

取り組む範囲によって大きく異なるため、一律の相場はありません。既製のSaaSを使った限定的な導入なら月額数万円規模から始められますが、データ基盤の構築や独自モデルの開発を含めれば数千万円規模になることもあります。

判断すべきは相場との比較ではなく、対象業務の人件費や機会損失に対して投資が見合うかどうかです。

AI人材がいない場合はどうすればよいですか？

専門家の採用は競争が激しく、それだけに依存するのは現実的ではありません。まず各部門でAIを使える人材の層を厚くし、専門性が必要な領域は外部パートナーと協業する構成が有効です。

2026年4月に改訂されたデジタルスキル標準ver.2.0は、必要な役割を整理する際の参照軸として使えます。

AI新法に対応しないと罰則がありますか？

AI新法（人工知能関連技術の研究開発及び活用の推進に関する法律）は基本法・理念法としての性格を持ち、事業者への義務は努力義務にとどまり、罰則は設けられていません。

ただし罰則の有無とは別に、取引先や顧客からAIの利用方針を問われる場面は増えています。AI事業者ガイドラインに沿った社内ルールの整備は、実務上の信用につながります。

社員の「仕事を奪われる」という不安にはどう対応すればよいですか？

削減した時間を何に使うのかを、経営層が先に示すことが有効です。効率化の目的が人員削減でないのであれば、それを明言する必要があります。目的が示されないまま効率化を求められれば、現場が警戒するのは自然な反応です。

AXで最も失敗しやすいポイントはどこですか？

データ基盤の整備を後回しにすることです。日本企業で社内データの学習基盤を構築できているのは15.3%にとどまり、この不足が「効率化はできたが売上は伸びない」という結果に直結しています。

もう1つはガバナンス設計の不在で、ガートナーは2027年までに企業の40%がこの理由でAIエージェントを降格・撤退させると予測しています。

まとめ

AXについて、押さえるべき点を整理します。

AXとは、AIを前提に意思決定や業務の進め方を根底から見直す取り組み。AIツールの導入そのものを指す言葉ではない
DXとの違いは焦点にある。DXがデジタル技術全般による変革であるのに対し、AXはAIに特化したより踏み込んだ再設計。両者は並走させるもので、順番に進めるものではない
国策として推進されている。2026年7月14日に閣議決定された人工知能基本計画は副題に「日本AX」を掲げ、政府自身が先導して取り組む方針を示している
日本企業はAIを「使っている」段階には到達した（企業の業務利用86.4%）が、成果は効率化に偏っている（業務効率化91.6%に対し売上・利益向上3.9%）
効率化の先へ進めない原因はデータ基盤にある。社内データの学習基盤を構築した企業は日本15.3%、米国57.2%と4倍近い差がついている
注意すべきリスクは、人材不足、情報漏洩、そしてガバナンス設計の不在。ガートナーは2027年までに企業の40%がガバナンスの不備を理由にAIエージェントを撤退・降格させると予測している

AXで差がつくのは、どのAIを選ぶかではありません。汎用的なAIは誰でも同じものを使えるからです。差が生まれるのは、自社にしかないデータをAIが判断できる形で用意できたときです。

自社の成果が正しくデータとして蓄積されているか、電話や店舗といったオンラインの外側の成果が抜け落ちていないかを確認したい方は、オムニデータバンクの資料をご覧ください。

散らばった顧客データを統合し、AIに正しい判断材料を届けるための仕組みをご紹介しています。