生成AIのライセンスを配り、研修を開いても、数週間後には一部の人しか使わなくなることがあります。一方、一つの業務で使い方が固まり、隣の担当へ広がる例もあります。
フィールフロウが伴走支援の設計で重視しているのは、ツールの機能差より、対象業務、使う場面、確認責任、改善周期の4点です。本記事では、顧客名や案件固有の数値を使わず、AI活用が定着しやすい運用を自社で診断できる形に整理します。
結論：定着する会社は、AIを「誰かの工夫」から「仕事の手順」へ変える
要点：対象業務、開始条件、最終確認者、振り返り日を決めると、個人の上手なプロンプトを組織の運用へ移せます。
定着しやすい組織は、どの成果物の、どの工程で使うかを決めます。たとえば「会議後に論点と未決事項を下書きし、主催者が原記録と照合して確定する」までを一つの手順にします。
定着しにくい組織では、利用場面が各自に委ねられ、良い例も失敗も共有されません。差をつくるのは利用回数ではなく、結果を次の標準へ戻す仕組みです。
公開研究が示すのは、ツール配布と業務変化が同じではないこと
要点：特定業務に組み込んだAIは成果を変え得ますが、個人への利用権付与だけで組織の仕事全体が変わるとは限りません。
Brynjolfsson、Li、Raymondの査読論文は、顧客対応担当者5,172人への生成AIアシスタント導入を分析しました。担当者が回答案を採用、編集、無視できる設計で、1時間あたりの解決件数は平均15%増えました。ただし、経験の浅い層では速度と品質が改善した一方、最も熟練した層では速度の伸びが小さく、品質がわずかに下がりました。
別の無作為化フィールド実験は、66社・7,137人へ、メール、会議、文書作成に組み込まれた生成AIを提供しました。6か月の実験後半には介入群の80%が利用し、利用者は週あたりのメール時間を2時間減らしました。一方、個人で変えられる時間の節約を除くと、仕事の量や構成の変化は検出されませんでした。
二つの研究は「4条件を満たせば定着する」と証明するものではありません。前者は一社の顧客対応、後者は個人単位の利用権付与が対象です。ただし、業務フローへ組み込むことと、道具だけ渡して協働の変化を期待することは分けて考えられます。
表1：定着を分ける4条件
要点：4条件のうち一つでも空欄なら、ツール選定を増やす前に運用上の未決事項を埋めます。
| 条件 | 定着しやすい状態 | 止まりやすい状態 | 確認する問い |
|---|---|---|---|
| 1. 対象業務 | 繰り返す成果物を一つ選ぶ | 「幅広く活用する」で終わる | 何を速く、正確にしたいか |
| 2. 使う場面 | 入力と開始条件が決まる | 思い出した人だけが使う | いつ、何を渡して始めるか |
| 3. 確認責任 | 人が原資料と照合し確定する | AI出力をそのまま転送する | 誰が何を確かめるか |
| 4. 改善周期 | 週次で例外と修正を共有する | 最初の研修後に見直さない | 次に手順を直す日はいつか |
この表は予測モデルではなく、FEEL-FLOWが伴走設計で使う整理です。各条件を「決まっている=1、未決=0」とすると、0〜1点は目的整理、2点は小さな試行、3点は不足条件の補完、4点は隣接業務への展開を検討する段階です。成果指標ではなく、次に話し合う項目を見つけるために使います。
最初の30日は、一つの反復業務で学習ループをつくる
要点：全社展開より先に、一つの成果物で「下書き、確認、修正、共有」を毎週回します。
1週目に反復業務を一つ選びます。2週目は利用データ、禁止情報、出力形式、最終確認者を決めて試します。3週目は誤り、使わなかった提案、追加確認が必要だった例も残し、4週目に入力、指示、確認項目を更新します。
見る数字は、AIの利用回数だけでは足りません。処理時間、差し戻し、確認で見つかった誤り、利用者が迷った例を同じ期間で記録します。改善しなければ、モデル変更の前に、対象業務が広すぎないか、確認責任が曖昧でないかを見直します。
現場知見は、成功率ではなく比較軸として使う
要点：匿名化した経験を「何社中何社」という実績に見せず、再利用できる判断項目だけを公開します。
本記事の4条件は、複数の相談や運用設計で繰り返し確認してきた論点を一般化したものです。特定の顧客を指す組み合わせ、社内データ、導入後の固有数値は含めていません。また、4点なら成功するという統計的な妥当性も主張しません。
自社へ当てはめるときは、業務名、扱う情報、責任者、評価期間を定義します。対象選びや確認フローに迷う場合は、AI伴走コンサルティングで、小さな実践単位を一緒に整理します。
FAQ
要点：研修やツール追加の前に、最初の一業務と人の確認責任を決めることが出発点です。
Q. 全社員へライセンスを配れば、利用は定着しますか？
利用機会は増えますが、それだけで業務の手順は変わりません。対象業務、使う場面、確認責任、振り返り日を一つずつ決めます。
Q. 最初に高度なプロンプト研修が必要ですか？
先に必要なのは、良い成果物と確認基準の共有です。プロンプトは実例から更新できるため、一般的な技法を大量に覚えるより、一つの業務で試す方が改善点を見つけやすくなります。
Q. 定着を何で評価すればよいですか？
利用回数に加え、処理時間、差し戻し、確認で見つかった誤り、例外の共有数を見ます。速さだけでなく、人の確認を含めた最終成果で評価します。
Q. 機密情報を扱う業務から始めてもよいですか？
最初は避けるのが安全です。利用規約、保存・学習の扱い、アクセス権、個人情報や秘密情報の入力可否を確認し、許可されたデータだけで試します。
まとめ
要点：AI活用の定着は、ツール導入ではなく、学習できる業務手順を一つずつ増やす仕事です。
AI活用が続く組織は、上手な個人を増やすだけでなく、その人の工夫を入力、出力、確認、改善の手順に変えます。まず一つの反復業務を選び、4条件の空欄を埋め、30日で修正例まで残す。そこから隣の業務へ広げれば、導入が一度きりのイベントではなく、組織が学習する運用になります。
参考資料・データソース
確認範囲：研究結果の母集団、介入内容、効果量、検出されなかった変化を原典で確認し、自社の4条件とは分けて記述しました。
- Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889–942. 顧客対応担当者5,172人、1時間あたり解決件数の平均15%増、経験別の効果差、担当者が提案を編集・無視できる設計を2026年8月31日に確認。
- Dillon, E. W., Jaffe, S., Immorlica, N., & Stanton, C. T. (2025, revised November 2025). Shifting Work Patterns with Generative AI. NBER Working Paper 33795. 66社・7,137人・6か月、実験後半の介入群利用率80%、利用者のメール時間週2時間減、仕事の量・構成では変化を検出しなかった点を2026年8月31日に確認。査読前のワーキングペーパーであり、一部著者が研究時にMicrosoftへ所属していたことも原典に開示されています。