AI時代のチェンジマネジメント、その次にあるもの ― 変化が止まらない時代の組織適応力

July 23, 2026

数十年にわたり、組織は変革を管理することが上手くなってきました。チェンジマネジメント・オフィスを設け、KotterやADKARといったフレームワークを採用し、ERP導入、デジタルトランスフォーメーション、M&A、組織再編を率いる術を身につけてきました。これらのアプローチには共通の前提がありました。変革とは明確な始まりと定められた終わりを持ち、やがて新しい定常状態に落ち着くプロジェクトである、という前提です。リーダーの仕事は、人々を旧状態から新状態へ移し、その周りで組織を安定させることでした。AIはその前提の一部を覆しつつあります。

なぜこの問いに至ったか

先日シンガポールで開催されたSuperAIカンファレンスに参加し、AI導入という通常の議論を超えて考えるきっかけを得ました。議論の多くは、高性能化する基盤モデル、エージェント型AI、自律システム、そしてこれらが進化するスピードに向けられていました。組織にとっての可能性は、ほぼ無限になりつつあります。しかし最も強く印象に残ったのは、AIがどれほど強力になったかではありませんでした。組織がその潜在能力を実現するのを、何が妨げうるか。こちらです。

AIが仕事の遂行方法を根本から作り変えられるなら、問うべきはもはや技術の準備状況ではありません。より重要なのは、組織の側が準備できているのかという問いです。意味のある変化は、実際どこで起きる必要があるのでしょうか。人か、プロセスか、ガバナンスか、意思決定か、それともビジネスモデルそのものか。今日の組織構造やマネジメント慣行の一部が、AIが約束する生産性を阻む制約になってはいないでしょうか。これらの問いが本稿の出発点です。

従来のチェンジマネジメントは、別の時代のために作られた

多くの経営者が学んだチェンジマネジメントの規律は、エンタープライズソフトウェアの時代に鍛えられたものです。ERPを導入するとき、企業は定義されたプログラムを走らせました。ビジネスケース、設計、構築、カットオーバー、安定化、そしてクローズ。CRMを展開するときは、営業チームを訓練し、データを移行し、次に進みました。デジタルトランスフォーメーションの大波でさえ、最終的にはマイルストーンと予算と完了日を持つ施策群としてスコープされていました。

根底のロジックは常に同じです。混乱は一時的であり、ゴールは組織をより高い能力水準で均衡状態に戻すこと。このロジックは有用なツールを生みました。Kotterの8ステップは危機感を醸成し成果を固定する順序を与え、ADKARは個人がAwareness（認知）、Desire（意欲）、Knowledge（知識）、Ability（能力）、Reinforcement（定着）を備えているかを追跡する手段を与えました。ここが重要です。

両フレームワークとも目的地を前提としています。ひとつの安定状態から別の安定状態へ組織を運び、新しい行動を根付かせて維持するために作られている。両モデルの最終ステップである定着や強化は、強化すべき固定的な何かが存在して初めて意味を持ちます。

なぜ、その前提が成立していたのか。技術が、組織の吸収できるスケジュールで変化していたからです。ERPプラットフォームは10年間オペレーションを支え、CRM移行は数年にわたり商流ワークフローを規定しました。ツールの進化ペースは、組織に安定する時間を与え、新プロセスを標準作業手順へと硬化させる余裕を与えていました。

安定は旧モデルの弱点ではなく、旧モデルが届けるよう設計された報酬でした。この点は後段で改めて扱います。安定を手放すことにも相応の対価があるからです。AIはこのスケジュールを、少なくとも一部の領域で壊します。基盤モデルは年単位ではなく月単位で改善し、その改善のたびにワークフローのあるべき姿が書き換わりうる。前四半期の能力を前提に再設計したプロセスは、次の四半期にはすでに最適でないかもしれません。目的地が動き続ける領域では、組織は決して到着しません。

ただし、一つの重要な留保

ここで正直に認めるべき論点があります。基盤モデルの改善速度と、業務ワークフローを作り変えるべき頻度は、同じものではありません。モデルが月次で賢くなったからといって、決算締めのプロセスを月次で再設計すべきとは限りません。多くの領域では、安定したインターフェースの背後でモデルだけを差し替えれば足ります。要件が変わっていないのに実装を作り変えるのは、適応ではなく消耗です。つまり本稿の主張は、すべてが常に変わり続けるというものではありません。一部のワークフローで目的地が動き続けるようになり、そこでは従来のチェンジマネジメントが機能しなくなる。そして、どのワークフローがそれに該当するかを見極めること自体が新しい設計課題になった。これが正確な言い方です。

変化の単位のシフト

ここに、チェンジマネジメントの思考がまだ吸収しきれていないシフトがあります。そしてそれは、一見思えるより微妙な話です。直感的には、こう言いたくなります。AIが変えるのは部門やタスクではなくワークフローだ。ならばワークフローを新しい変化の単位にしよう。

それは真実に近い。しかし、それでもまだ単位が小さすぎます。単一のワークフローが単独で変わることは、めったにありません。AIが経理チームの決算締めプロセスを作り変えるとき、それは同時に次のものを動かします。

  • そのプロセスが依存するデータ
  • 人から機械へ移る意思決定
  • その意思決定を覆うべきガバナンス
  • 業績の測定方法
  • 関わる人々の説明責任

糸を一本引けば、布全体が動きます。変化の単位はもはや、孤立したプロジェクトでも部門でもプロセスでもありません。それは適応型ビジネスシステム、すなわち継続的に共進化しなければならないワークフロー、意思決定、ガバナンス、メトリクス、技術、人材の相互接続されたネットワークです。この6要素は常に関連していましたが、変化の遅い時代には別々に管理できました。それぞれが独自のサイクルで、それぞれの部門によって。AIは、対象となる領域においてその分離を取り払います。AIはプロセスを単独でアップグレードするのではなく、6要素の間の関係性そのものを変えるからです。

なぜAI施策は失速するのか

技術は動いているのに成果が出ない。この現象の答えはシンプルです。企業は高性能なモデルを導入します。しかし次の状態が残ります。

  • メトリクスは依然として旧来の行動に報いる
  • ガバナンスは依然として四半期サイクルで回る
  • 意思決定権限は依然として3階層上にある
  • 人材はリスキリングされていない

技術は前進した。他の5要素は前進しなかった。制約はモデルではなく、システム全体を一緒に動かせなかったことでした。主要な調査もこれを裏づけています。McKinseyの分析では、ワークフローの根本的な再設計はAIによるEBITインパクトと最も強く相関する要因の一つであり、高い成果を上げている企業は他社の約3倍、ワークフローを抜本的に再設計しています。BCGはこれを資源配分の原則として定式化しました。10-20-70原則です。成果を上げる組織は、アルゴリズムに10%、データと技術に20%、そして人とプロセスと組織変革に70%を割きます。BCGの推計では、AIの価値ポテンシャルの約70%は、意思決定とコストと成果が交差する中核業務ワークフローに集中しているとされます。

モデルを導入しただけの企業に成果が出ていないのは、技術の問題ではないということです。

相互依存は、あらゆる職能で観察される

領域AIが可能にすることそれだけでは無価値になる理由調達サプライヤーリスクの継続的検知ガバナンスが四半期承認を要求し、バイヤーがコストのみで評価されるなら意味がない採用候補者スクリーニング公平性のガバナンス、良い採用の定義、リクルーターの役割も同時に変わる必要がある営業リアルタイムの優先順位付け意思決定権限とインセンティブが技術と並走して初めて成果が出る製造人間より先に欠品に対処行動を許可するガバナンスと、消火活動より予防を評価するメトリクスが必要マーケティングコンテンツの大量生成とパーソナライズブランド基準の判定が人手のままなら、生成量がそのままレビュー待ち行列になるカスタマーサクセス解約シグナルの常時検知検知後に動ける権限と予算がCSMになければ、アラートが増えるだけで解約は減らないファイナンス月次予測の継続的更新予算が年次で固定されているなら、予測精度が上がっても打ち手は変わらない

パターンが見えてきます。AIは常に速く検知することができます。しかし速く動くには、その周囲の5要素が許可を出す必要があります。

職能組織という問い

AIが多くの職能で価値の作られ方を変えるのなら、組織はそもそも職能を軸に設計され続けるべきなのでしょうか。今日、AIが初日から使える状態で会社を興すと想像してください。それでもマーケティング、セールス、人事、財務、オペレーションという形で組織を編成するでしょうか。それとも顧客ジャーニー、エンドツーエンドのワークフロー、事業アウトカムを軸に編成するでしょうか。AIは部門境界の内側では動作しません。顧客ジャーニーを追い、職能をまたいで情報を接続し、意思決定が起きる場所ならどこでもそれを支援します。McKinseyの分析でも、AIが最もスケールする形で効くユースケースは、複数チームにまたがるワークフロー全体を再構想できる場合だとされています。

しかし、この議論には長い前史がある

ここで慎重になるべき理由があります。顧客ジャーニー軸やプロセス軸への組織再編は、AI以前から30年にわたって提唱され、繰り返し失敗してきた議論です。BPR、プロセス組織、アジャイル組織。名前を変えながら、同じ処方箋が出され続けてきました。失敗の理由は明確です。職能組織は非効率だから存在しているのではありません。専門性の育成と品質基準の維持のために存在しています。

ジャーニー軸に切り替えたとき、誰が会計士を育て、誰が監査品質を担保し、誰がその職能の技術標準を更新するのか。この問いに答えないまま組織図だけを描き替えた企業は、数年後に静かに職能組織へ戻っています。また、AIネイティブ企業は職能境界を超えて設計されているという観察には、規模のバイアスがあります。そうした企業の多くは創業数年、数十人規模であり、そもそも職能を分ける必要がない段階です。それを数万人規模の企業への示唆として直接転用するのは飛躍でしょう。

より現実的な着地点は、二者択一ではなく二層構造です。専門性の育成、品質基準、キャリアパスは職能が担い、日々の実行はジャーニー横断のチームが担う。マトリクス組織の再来に聞こえるかもしれません。違いは、AIが横断チーム側の調整コストを実際に下げうる点にあります。かつてマトリクスが破綻した主因は調整負荷でした。そこが変わるなら、結論も変わりうるということです。おそらくAIが求めているのは、ワークフローの再設計だけではありません。組織そのものの設計を改めて問い直すことなのかもしれません。ただしその問いへの答えは、まだ誰も持っていません。

セルフチェック：あなたの組織は昨日向けに設計されていないか

AIのスピードと組織設計のミスマッチは、めったに正面から現れません。摩擦として、失速する施策として、結果に転換しない能力として姿を現します。以下をご自身の組織で確認してみてください。

チェック1：SOPとドキュメント

  • 主要な業務手順書が、半年以上更新されていない
  • SOPの改訂には、四半期レビューを待つ必要がある
  • AIをどう使ってよいかのルールが文書化されていない

標準作業手順は仕事のやり方の記憶です。四半期レビューでしか改訂できないなら、技術がすでに追い越したバージョンに組織を縛りつけます。ただしSOPには、調整コストをゼロに近づけるという本来の機能があります。問うべきはSOPをなくすかどうかではなく、どのSOPを高頻度更新の対象にし、どれを意図的に固定するかです。

チェック2：戦略と計画のサイクル

  • 戦略は年に一度だけ策定・更新される
  • 期中に前提が崩れても、計画を見直す正式な機会がない
  • 競合のAI活用状況を、四半期より短い頻度で把握していない

年次計画は、12か月先を予測できる程度に競争環境が安定していることを前提とします。一方で、資本配分や人員計画には年次のリズムが必要です。変えるべきは計画サイクル全体ではなく、その中で見直し可能と宣言する領域の切り分けです。

チェック3：承認と意思決定

  • ワークフローの小さな変更にも、3階層以上の承認が要る
  • AI関連の実験を始めるまでに、1か月以上かかる
  • 現場が試してみることに、事前承認が必要

多層承認は、変更が大規模かつ高額かつ低頻度だった世界で設計されました。変化の単位が数日でテストできるワークフローになったとき、年次資本投資向けの承認チェーンは律速要因になります。

チェック4：評価指標

  • KPIが去年から実質的に変わっていない
  • 計画通りに実行したかが評価の中心にある
  • 失敗した実験について、報告する場も評価する仕組みもない

継続的変化の環境で、より価値ある行動は学習し適応しワークフローを改善することです。インセンティブが適応より遵守に報いるとき、最も有能な人材が実験をやめます。

チェック5：部門横断の可視性

  • AI導入が部門ごとにバラバラに進んでいる
  • AIのROIを全社共通の方法で測れていない
  • どの部門がどんなAIを使っているか、一覧できない

職能が別々のデータ、別々の成功定義で動くとき、AIが何をもたらしているかを一貫して測る方法は存在しません。AIは単に、その不整合を加速させます。チェックの数が多かった場合も、それ自体は失敗ではありません。これらはいずれも、変化がプロジェクトだった時代には理にかなっていた設計上の選択です。問題は選択そのものではなく、その選択を見直す機会が制度化されていないことにあります。

適応力にも値札がついている

ここで、変化を推奨する議論がしばしば省略する論点に触れておきます。継続的な再配線は無料ではありません。安定したSOP、固定された承認経路、年次の計画サイクル。これらは硬直の原因であると同時に、調整コストを劇的に下げる装置でもあります。全員が同じ手順を知っているから、いちいち相談せずに仕事が進む。四半期ガバナンスが遅いのは事実ですが、連続ガバナンスは監視と計測と判断の負荷を常時発生させます。したがって、目指すべきは組織全体を適応型にすることではありません。どのワークフローを適応型にし、どれを意図的に固定するかを選別すること。それ自体が中核的な設計判断です。

大まかな判断軸は、次の3つで足ります。

問い適応型にすべき固定すべきAI能力の変化が要件を変えるか変える（コンテンツ生成、リサーチ、一次対応）変えない（会計処理、法定報告）やり直しのコストは低いか低い（数日でテスト・巻き戻せる）高い（基幹システム、規制対応）失敗の影響範囲は限定的か限定的全社・顧客・法令に波及する

3つとも適応型に振れるワークフローから始める。BCGの調査でも、大きな価値を生んだ企業は少数の施策に絞り、それを迅速にスケールさせ、中核プロセスを変え、成果を体系的に測定していました。

組織適応力は測ることができる

変化の単位が適応型ビジネスシステムであり、そのシステムが継続的に進化しなければならないなら、リーダーシップの目的も変わります。目的はもはや、変革を通じて組織を管理することではありません。6要素すべてを一緒に進化させられるシステムを、必要な領域に構築することです。これはチェンジマネジメントから、能力としてのアダプタビリティへのシフトです。AIからの価値獲得はツールそのものよりも、その周囲でオペレーティングモデルを再配線することにかかっているというMcKinseyの主張と同じ線上にあります。ただし適応力は、スローガンで終わらせては意味がありません。測れなければ投資判断ができないからです。では、何を測るのか。

適応力を分解する4つのベロシティ

組織の適応力とは、システム全体がどれだけ速くうまく共進化するかであり、4つの速度に分解できます。

ベロシティ定義測り方の例① 学習ベロシティ人々がどれだけ速く新しい知識を獲得し使えるようにするか新ツール導入から実務定着までの日数② 意思決定ベロシティどれだけ速く十分な情報に基づく決定ができるか提案から意思決定までのリードタイム③ 実行ベロシティどれだけ速くワークフローを再設計・実装できるか変更の意思決定から本番稼働までの日数④ ガバナンスベロシティどれだけ速くポリシーとメトリクスを進化させられるかルール改訂の申請から発効までの日数

この4つは独立ではありません。

適応型ビジネスシステムは、最も遅いベロシティの速さでしか動けません。速い意思決定も、ガバナンスが追いつくのに数か月かかるなら、その制約速度以上には進みません。再設計されたワークフローが、それを測るメトリクスを追い越せば、価値ではなく混乱を生みます。実務的な含意は明快です。一番遅いベロシティ以外に投資しても、システム全体の速度は上がりません。どこが律速かを特定することが、投資判断の出発点になります。そしてこの適応力は、4つのレイヤーで構築できます。

（バーの長さは例示であり、実測値ではない）

AI時代の変化の4レイヤー

レイヤー1　ワークフロー層：管理対象を部門ではなくシステムにする

ワークフローは、適応型ビジネスシステムが可視化される場所です。だから適応力の仕事はここから始まります。適応的な組織は、すべてを一度に再設計するのをやめ、一度に一つのシステムを再配線する規律を築きます。プロセスだけをアップグレードして残りを置き去りにするのではなく、6要素を同時に動かすのです。McKinseyのエージェント型AI研究も同じ結論に達しています。価値は全社を一挙に変革することからではなく、高インパクト領域の重要なワークフローをいくつか意図的に再配線し、そこから積み上げることから生まれる。同研究では、世界の企業の3分の2近くがエージェントを試したものの、実質的な価値を生む形でスケールできたのは1割未満とされています。前章の3つの判断軸で選別したワークフローから着手し、それぞれを完成させるプロセスではなく、進化し続けることが期待される生きたシステムとして扱う。これがレイヤー1の実務です。

レイヤー2　意思決定層：権限を下ろし、サイクルを速める

ワークフローが月次で変わるとき、それに関する意思決定を四半期のステアリングコミッティまで待つことはできません。適応的な組織は、意思決定権限をワークフローを運用する人やチームの近くへ移し、その決定を下し見直すサイクルを短縮します。よりフラットな意思決定構造、より高いコンテキスト共有、そして何層もの階層をエスカレートせずにワークフローを調整できる権限です。ただしこれは無条件の権限委譲ではありません。委譲されるのはあらかじめ定義された範囲内での判断であり、その範囲を定義する作業こそが次のレイヤーです。

レイヤー3　ガバナンス層：承認の対象を個別判断からポリシーへ移す

AIをより重く遅い承認プロセスで制御しようとする本能は理解できますが、自滅的です。四半期に一度集まるガバナンスは、毎週変わるワークフローを監督できません。ここで誤解を避けるべき点があります。連続ガバナンスとは、承認をなくすことではありません。規制産業において四半期承認は選択ではなく法的要件であり、それを外す話ではないのです。変えるべきは承認の対象です。従来型連続型個別の判断を一件ずつ承認する判断のルールを承認し、個別実行は自動化する事後に四半期でレビューする実行と同時に計測し、閾値超過を即時にフラグする承認記録が主な監査証跡ログ、根拠、例外処理が監査証跡になるガバナンス委員会が判断者ガバナンス委員会はルールの設計者・監督者

具体的には、次の3つを定義する作業になります。

  1. AIが自律的に決めてよいこと（範囲、金額、影響度の閾値で定義）
  2. 必ず人間にフラグすべきこと（閾値超過、例外パターン、低信頼度の判断）
  3. 人間の判断に残すこと（最終的な説明責任の所在を含む）

この3つを文書ではなくシステムに埋め込み、四半期の委員会はこの定義自体を見直す場になります。承認頻度は下がりませんが、承認の粒度が上がるため、単位時間あたりに監督できる意思決定の量が桁違いに増えます。

ここに、今回最も注目すべきデータがあります。

Deloitteが24か国3,235名のIT・事業リーダーを対象に行った2026年調査によれば、エージェント型AIに成熟したガバナンスモデルを持つと回答した組織は21%にとどまります。裏を返せば約8割が、いま述べた3区分、すなわちAIが独立して判断できる境界の定義、異常を検知するリアルタイム監視、行動連鎖を捕捉する監査証跡を持っていないということです。一方で、2027年までに74%がAIエージェントを少なくとも中程度に使うと見込んでいます。能力の普及が、ガードレールの整備を追い越している。これがレイヤー3が急務である理由です。

レイヤー4　学習システム層：学習を仕組みにし、一貫して測る

最も深いこのレイヤーが、他の3つが持続するかどうかを決めます。ここで、よく見かける表現を一つ修正しておきたいと思います。この層はしばしば文化と呼ばれますが、文化だけでは不十分です。必要なのは学習システム、つまり学習が偶発ではなく構造的に起きる仕組みです。

適応的な組織は、次の3つを備えています。

1. 学習の時間と経路が制度化されている

BCGの調査では、AIから最も価値を得ている企業は従業員の50%超のリスキリングを計画しているのに対し、遅れている企業は20%にとどまります。さらに前者は、構造化されたAI学習プログラムを持ち、学習のための時間を確保している確率が4倍高いとされています。学習は意欲ではなく配分の問題です。

2. 成果とコストを測る共通の基盤がある

アウトカムとコストを測る共通の方法がなければ、適応力は単なる活動に堕します。変化それ自体は成果ではありません。共通基盤があって初めて、どの変更が機能しているかを判断し、機能しないものを退役させ、学習を複利で積み上げることができます。

3. 失敗を報告できる前提がある

ここが、文化が依然として必要な理由です。失敗を報告すると不利になる環境では、計測データそのものが汚染されます。うまくいかなかった実験が報告されなければ、組織はすべてうまくいっているというデータを見ながら、同じ失敗を繰り返すことになります。心理的安全性は、学習システムと並ぶものではなく、学習システムが機能するための前提条件です。

この4つのレイヤーは、完了して閉じる順序ではありません。それこそ、AI時代が陳腐化させたまさにその誤りを繰り返すことになります。同時に、これはすべてを常に変え続けよという主張でもありません。変化が定常状態になった領域とそうでない領域を見分け、前者に適応型のインフラを、後者に安定の恩恵を与える。その選別と設計こそが、いま求められている仕事です。この時代をリードする組織は、次の変革を最も滑らかに管理する組織ではないでしょう。かといって、最も多くを変え続ける組織でもありません。

どこで変わり続け、どこで安定を保つかを意識的に選び、その両方を支える仕組みを持つ組織です。AIが変えたのは、仕事のやり方だけではありません。

変化の単位が変わりました。ならば、マネジメントの単位も変わらねばなりません。

参考文献

‍

Iku Hirosaki
Elana Radzmi
  |  
エラナ・ラズミ
Go-to-Market (GTM) Strategy Manager – Southeast Asia

グローバル環境で豊富な経験を持つ、ブランド・マーケティング戦略のスペシャリスト。緻密なリサーチと分析フレームワークを駆使し、事業の方向性を形作り、マーケットポジショニングを強化するインサイトを創出。MAXIS、Toshiba T&D Systems Asia、FGV Holdingsなどマレーシアのラージエンタープライズにてキャリアを構築。Toshiba T&D Systems Asia在籍時には、日本・中東市場を含むブランドプレゼンスの構築を主導し、同社過去最高売上の達成に貢献。2026年ゼロワングロース入社、GTM Strategy Managerとして主に東南アジア市場のリサーチ、および同地域への進出企業に対するGTM支援に従事。University of Malaya Graduate School of BusinessにてMBA取得。

一覧に戻る
arrow

おすすめ記事

Nov 7, 2024

AIデータガバナンスの重要性

読む
arrow
Oct 30, 2024

AIセールスエージェントの未来

読む
arrow
Jan 1, 2026

新年のご挨拶 2026

読む
arrow

Let's Talk!

レベニュー組織に関する課題やお悩みについて、ぜひお気軽にご相談ください。

お問い合わせ
arrow
ぼやけた白い円形の点。