AIガバナンスは誰の仕事か — 責任所在とAI資産の棚卸しから読む「PoC止まり」の構造

サマリ

生成AIの実証実験（PoC）では使えたのに、本番利用の判断が進まない。そんな場面で、モデルの性能や現場の理解だけを点検しても、判断待ちが残ることがあります。本番で使ってよいと誰が決めるのか。問題が起きたら誰が止めるのか。利用中のAIを誰が把握しているのか。これらは技術評価とは別に答えを用意すべき問いです。

PwC Canadaの「Trust in AI」では、責任あるAIを最優先事項とする組織が72%ある一方、専任のガバナンス機能を持たない組織が36%と報告されています。Accentureは、AIを核に一連の業務プロセスを再設計していると報告した割合を21%と示しています。

ただし、これらの調査だけで「AI導入が止まる主因はガバナンス不足」とは断定できません。本レポートでは、海外のAI全般に関する調査を、生成AIの本番運用を考える材料として読みます。結論は、規程の整備と、実際に判断できる体制を分けて点検することです。

データ：優先事項と専任機能は別の指標

PwC Canadaの調査対象は、カナダの複数業種でAIガバナンスに関わる上級意思決定者220名です。最高AI責任者、最高情報責任者、最高データ責任者、最高リスク責任者などを含みます。レポート案内ページは2026年2月2日、公式発表は翌日に公開されています。

0%50%100%

• 責任あるAIを最優先事項とする
  72%
• 専任ガバナンス機能を持たない
  36%

※出典：PwC Canadaの2026年2月3日公式発表。2項目は対になる回答区分ではなく、合計・差分・重なりは解釈できません。日本企業の割合や生成AIだけの状況を示す数値ではありません。

ここでいう「専任機能なし」は、ガバナンスがまったく存在しないことと同義ではありません。既存の情報システム部門やリスク管理部門が兼務している可能性もあります。また、72%と36%のクロス集計は確認できていないため、「優先すると言うだけで実行していない組織が何割ある」とは計算できません。

PwC Canadaの公式発表は、責任所在の不明確さ、既存AIシステムを棚卸しする難しさ、責任あるAIがイノベーションを遅らせるという懸念も挙げています。本レポートではこれらを論点として採用しますが、各課題の回答率としては引用しません。公式発表の数値が複数の課題をまとめた記述であり、設問原文や内訳まで確認できていないためです。

調査期間、抽出方法、設問別の有効回答数も、今回確認した案内ページと公式発表では未確認です。ガバナンスの有無を外部監査した結果として扱わず、調査対象者の回答を整理した資料として読みます。

データ：一連の業務プロセスの再設計はどこまで進んだか

Accentureが2026年3月27日に公開した「From early impact to enduring advantage」は、Pulse of Change調査を引用し、AIを核に一連の業務プロセスを再設計していると報告した割合を21%としています。同レポートPDFの本文4ページでは、引用元の調査対象を20カ国・20業種の経営幹部3,650名と説明しています。

0%50%100%

• 一連の業務プロセスをAI中心に再設計
  21%

※出典：Accenture「From early impact to enduring advantage」本文4ページ。論考の公表値であり、本番導入率・成功率・ガバナンス整備率ではありません。PDF末尾では2026年1月調査と記載。実査の開始・終了日、設問原文、当該設問の分母は本レポートでは未確認です。

この21%を逆算して、残りがすべてPoC止まりだと読むことはできません。限定した業務で本番利用している組織や、AIを補助的に使う組織もあり得ます。PwCのガバナンス関連の数字とは、対象者も設問も異なるため、同じグラフで大小を比較しません。

Accentureの論考が示す全社展開の条件には、データの整備、部門をまたぐ業務手順、責任あるAIのための制約、役割や決裁権を含む運用モデルがあります。これは複数の条件を組み合わせた提言です。ガバナンスだけを切り出し、それを整えれば全社展開できると実証した調査ではありません。

岡崎の分析

問いを、効果から判断の仕組みへ移す

既存レポートでは、効果測定のレイヤーや導入から効果創出への移行を扱いました。組織摩擦のレポートでもガバナンスに触れていますが、そちらは予算配分や組織の受け皿を広く点検する内容です。今回の焦点は、その手前や途中で発生する「使ってよいと判断するための情報と権限」です。

私たちは、ガバナンスを規程の冊数や委員会の有無だけで評価するのではなく、具体的な用途について、判断者と判断材料がそろうかで点検することを提案します。これは上記調査が直接実証した因果関係ではなく、フィールフロウの運用設計上の見立てです。

例えば、営業が生成AIで提案書の下書きを作るケースを考えます。文章を作れることは確認済みでも、顧客情報の入力範囲、価格や納期の確認者、社外送付の決裁者が曖昧なら、本番利用の条件は定まりません。この例は説明のための仮例であり、調査の実例や当社顧客の事例ではありません。

ガバナンスを日々の判断へ分解する

次の表は、本番運用の準備を点検するための当社の整理です。専任部署を新設するかどうかよりも、各欄に具体的な担当と記録を置けるかを確かめます。

点検する領域	決めること	残す記録の例
責任と決裁権	業務成果の責任者、利用開始・例外・停止の判断者	担当者と代行者、相談先
AI資産の可視化	どの業務で、どのAIを、誰が使っているか	用途、利用者、モデルやサービス、接続先、入力する情報
用途別のリスク	社外への影響、機密情報、取り消せない操作の有無	用途ごとの確認項目と審査の経路
評価と受入基準	何を満たせば利用開始でき、何が起きれば止めるか	評価用の例、判定結果、承認した条件
継続監視と変更管理	不具合の検知方法、モデルやデータ変更時の再評価	変更履歴、点検結果、停止・復旧の記録
業務プロセス設計	AIの出力を誰が確認し、次工程へ渡すか	作業手順、引き継ぎ条件、人が判断する箇所

台帳は、製品名を並べるだけでは判断材料として不足します。同じ生成AIサービスでも、公開情報から見出しを考える用途と、顧客情報を参照して契約条件を提案する用途では、確認すべき内容が違うからです。用途ごとに所有者と利用範囲を結び付け、確認が必要な変更を追える形にします。

AIは台帳の記入案やテストケース案の作成を支援できます。ただし、実際に何が利用されているかの確認、リスクの受入れ、利用開始や停止の判断は、人の責任として残します。自動収集した一覧も、未申告の利用がないことを保証するものではありません。

統制を重くすると、見えなくなる可能性もある

すべての用途に同じ審査を課し、相談してから回答を得るまでが長くなると、現場が申告を避ける誘因になり得ます。これは今回の調査で因果や発生率が確認された結論ではなく、制度を設計する際に検証すべきリスク仮説です。

対策として私たちが提案するのは、入力できる情報や出力の使い方を限定した標準利用の経路と、個別審査が必要な経路を用意することです。誰でも使えるという意味ではなく、承認済みの範囲を明確にし、その範囲を外れたときの相談先を短くつなぎます。

現場の申告件数が増えても、直ちにリスクの悪化と決め付けないことも大切です。それまで見えていなかった利用が把握できるようになった可能性があります。件数だけでなく、申告から回答までの待ち時間や、未確認のまま残る用途も合わせて見ます。

提言 — どう付き合っていくか

最初に取り組む対象として、生成AIによる提案書の下書き作成を例にします。既に利用している業務から対象を選び、開始・停止・変更の判断が実際に回るところまで確かめます。以下は当社の提案であり、調査が効果を保証した手順ではありません。

1. 1利用を見える形にする利用者、用途、入力情報、接続先、業務責任者を台帳へ記録する。→↓
2. 2利用条件を決める出力の確認者、許可する入力、受入基準、社外送付の決裁者を定める。→↓
3. 3変更と停止を試す問題発生やサービス変更を想定し、相談・停止・再評価の手順を確かめる。

✓AIは下書きを支援し、人が内容の確認と社外送付を判断する。判断に必要な記録と担当を同じ用途に結び付けます。

この業務なら、例えば「価格・納期・契約条件は元資料と照合する」「機密情報の入力は承認範囲内に限る」「担当者の確認前に社外へ送付しない」を利用条件の候補にできます。具体的な基準は、自社の情報管理方針や取引上の要件に照らして責任者が決めます。

試行後は、台帳が実際の利用と合っているか、確認者に仕事が集中しすぎていないか、変更を検知して再評価できるかを点検します。担当者名が埋まっていても、その人に判断材料や権限が届いていなければ見直しが必要です。

生成AIの本番運用へ向けて経営が確認すべきなのは、「ガバナンスを整備しました」という報告の先です。いま利用している用途について、誰が何を根拠に続行・変更・停止を判断できるか。その答えを具体的な業務で確かめることから始められます。

---

本レポートは公開資料に基づく分析です。海外のAI全般に関する調査を日本企業や生成AIだけの状況へ一般化せず、調査の報告内容とフィールフロウの提案を分けて記載しています。