エグゼクティブ・サマリー
- 生成AIのPoC（概念実証）は動くのに本番に定着しない。原因はモデルの性能ではなく、AIに企業固有の「文脈」を渡せていないことにある。
- 企業に足りないのは4要素——Business Rules・Prompt Standardization・Data Context・Governance & Control。この4つが揃って初めてAIは「支援」から「実行」へ進める。
- AI Readyは1軸ではなく2軸で定義すべきだ。AI Governance Ready（方針・ガードレール・プロンプト統制・運用KPI）とAI Data Ready（接続・定義／KPI・品質／来歴・AIによる整備）——片方だけでは危険、もしくは無力になる。
- 2軸を掛け合わせると自社の現在地は4象限のどこかに写像できる。目標は右上のAI Ready Enterpriseであり、そこに至る道筋は業種・企業規模によらず共通のパターンを持つ。
- ゴールは「人が作業し、AIが支援する」から「人が判断し、AIが実行する（Human-in-the-loop）」への転換。守り（ガバナンス）は攻め（活用）の足かせではなく、安全に試行回数を増やすためのアクセルである。
背景・問題提起——なぜ「AI Ready」が経営イシューになったのか
2025年から2026年にかけて、多くの企業が生成AIの全社導入を試みた。ChatGPTやCopilotのライセンスを配布し、社内向けのAIアシスタントを構築し、業務部門ごとに小さなPoCを走らせる——ここまでは、どの企業もほぼ同じ軌跡をたどった。しかし、その先で企業の明暗がくっきりと分かれ始めている。あるチームのPoCは驚くほど滑らかに動き、経営層のデモでも高い評価を得る。ところが同じ技術を本番の業務プロセスに組み込もうとした瞬間、「回答が事実と違う」「毎回言うことが変わる」「誰が承認したか分からないまま数字が動いた」といった問題が噴出し、結局は一部の好事家が使う社内ツールのまま停滞する。
この断絶の正体を「AIの性能不足」に求めるのは的外れである。2026年時点の主要な大規模言語モデルは、一般的な推論・要約・コード生成において十分すぎる性能を持つ。問題は別のところにある。AIは世界中の公開知識を学習しているが、貴社固有の知識は何一つ知らない。貴社にとっての「売上」がどう定義され、どの時点で確定し、どの部門のどの承認を経て確報になるのか。誰が「正式な顧客リスト」で、どの取引は特例として扱うべきか。今朝の在庫数はどこのシステムのどのテーブルにあり、どれだけ古いデータなら使ってよいのか——こうした「企業の文脈」が渡されていない限り、AIは一般論しか語れず、経営判断や現場のオペレーションを動かす主体にはなり得ない。
この認識は、もはや一企業の経験則にとどまらない。経済産業省とIPA（情報処理推進機構）が2026年4月に公表した「デジタルスキル標準ver.2.0」では、データマネジメント類型が新設された。「AIを使う」ことの前提として「データを整える」役割が国家標準の人材類型として格上げされたことは象徴的である。AXの成否は、突き詰めればデータ基盤とガバナンスの成熟度で決まる、という潮流がここに裏づけられている。
問題は、多くの企業がこの「文脈を渡す」作業を軽視し、モデル選定やツール導入といった目に見える投資にばかり予算を割いてきたことだ。結果として、AIの導入率は上がっても定着率は上がらない、という奇妙な停滞が生まれている。本稿では、この停滞を突破するための鍵として「AI Ready」という状態を定義し、そこに至る2軸のフレームワークと実装の道筋を示す。