「AIは期待超えた」わずか9%——普及率9割でも効果実感が薄い日本企業、勝機は『規制産業×国産スタック』の深層にあった

「使っている」のに「効いていない」——日本企業を襲う導入パラドックス

2026年6月、PwC Japan Groupの調査が衝撃的な数字を突きつけました。国内企業の生成AI活用率は9割に達したというのです。試験導入から本格運用へ、導入フェーズは確実に進んでいます。

ところが、ほぼ同時期の共同通信調査（6カ国比較）では、日本企業の**「AIが期待を超えた」と回答した割合はわずか9%**。米国38%、中国31%、ドイツ18%、英国17%、フランス14%と並ぶ中で、日本は最下位でした。普及率と満足度が真逆に開く——この「導入パラドックス」こそが、今の日本企業が直面しているリアルです。

会議室でPCを見つめるビジネスパーソンたち、画面にはAIダッシュボード

3枚目の視点：データセンター内部のGPUクラスタ

データセンター内部のGPUクラスタと光ファイバー配線

なぜ「使っている」のに「効いていない」のか。PwC調査の詳細を見ると、活用の内訳は「文章作成・要約」「アイデア出し」「翻訳」など汎用的なナレッジワーク支援に集中しています。これらは確かに生産性を底上げしますが、業務プロセスの根幹——「判断」「決裁」「コンプライアンス」「顧客対応の質」——には踏み込めていません。つまり**「補助ツール」止まりで、「業務変革」に至っていない**のです。

規制産業で静かに進む「国産スタック」の深層

一方で、表舞台の汎用活用とは別のレイヤーで、確実に積み上がっている動きがあります。規制産業（金融・行政・医療・インフラ）における「国産ソブリンAIスタック」の構築です。ここでは「便利さ」ではなく「説明責任・トレーサビリティ・データ主権」が要件になり、汎用SaaSでは太刀打ちできない領域で、日本独自の実装が始まっています。

1. 金融：メインフレームごとAI駆動開発へ——三菱UFJ×IBM×日立×NEC

7月7日、三菱UFJ銀行・日本IBM・日立製作所・NECの4社が**「金融システム全工程にAI駆動開発を適用」する提携を発表しました。対象はメインフレームを含む全システム**。COBOL資産の解析・モダナイゼーション、テスト自動化、運用監視まで、開発ライフサイクル全域にAIエージェントを組み込みます。

これは単なる「開発効率化」ではありません。金融システムは**「止められない」「間違えられない」「説明責任が求められる」三重制約下にあります。汎用LLMをAPIで呼ぶだけでは、判断根拠のトレーサビリティ、データのオンプレミス完結、監査証跡の要件を満たせません。だからこそ、「モデル・データ・ハーネス」を一体で内製・オンプレミス配備する「ソブリンスタック」**が選ばれるのです。

前回記事「AIエージェントが招く『電力危機』と日本が握る『フィジカルAI』の勝機」で論じた「ハーネス内製＝外側のループの電力効率化」は、まさにこの金融メインフレーム現場で、今、実装されようとしています。

2. 行政：厚労省×オラクル——情報公開事務の「説明責任」をAIで担保

同7日、日本オラクルが厚生労働省のAI基盤を構築し、情報公開事務を効率化したと発表しました。行政文書の非開示判断支援、個人情報マスキング、決定理由の自動生成——これらはすべて**「行政文書管理法」「情報公開法」「個人情報保護法」の法的要件を、AIの推論過程としてトレース可能にする」**必要があります。

オラクルのアプローチは注目に値します。Oracle Cloud Infrastructure（OCI）上でデータ主権を日本国内に閉じた専用リージョンを提供し、モデル学習・推論・監査ログを一気通貫で管理する。「パブリッククラウドの利便性」と「オンプレミス級の主権・説明責任」を両立させる、このハイブリッドアーキテクチャこそが、日本の規制産業が求める現実解です。

3. 研究基盤：理研「理究（りきゅう）」本格稼働——富岳と連携する国産AIスパコン

7月7日、理化学研究所が新スパコン**「理究（りきゅう）」を近く本格運用開始すると発表しました。富岳と連携し、AI専用計算基盤として大規模言語モデルの事前学習・ファインチューニング・推論**を国内完結で回せる環境です。

これまで日本の大規模モデル開発は、クラウド大手のGPUリソースに依存せざるを得ませんでした。だが「理究」稼働により、**「データ（学習コーパス）→ 計算（富岳・理究）→ モデル（国産LLM）→ 配備（オンプレ・専用クラウド）」**という、エンドツーエンドの国産ソブリンパイプラインが物理的に完成します。

汎用活用とソブリン実装の「二重構造」をどう統合するか

ここまで見ると、日本のAI現場は**「汎用SaaS活用層（広く浅く・効果薄）」と「規制産業ソブリン実装層（狭く深く・効果大）」の二重構造に見えます。だがこの二層は、実はデータとハーネスで繋がるべき**なのです。

層	代表例	強み	弱み	欠けている接続
汎用活用層	ChatGPT API、Copilot、Notion AI	導入即効、コスト低、ユーザー慣れ	業務変革に届かない、データ・主権預けっぱなし	現場ナレッジの構造化・蓄積
ソブリン実装層	金融メインフレームAI、行政情報公開AI、国産LLM	説明責任・主権・コンプライアンス完備	開発コスト高、導入遅い、現場フィードバック弱い	汎用層の実用ナレッジ還流

この「接続」を設計できるかどうかが、日本企業が「導入パラドックス」を抜け出せるかの分岐点になります。

具体的には、汎用層で日々発生する**「プロンプト・応答・ユーザー修正・採用/不採用」のログを、個人情報・機密情報を除外・匿名化した上で、ソブリン層のファインチューニング・RAGナレッジベース・評価ベンチマークに還流させる仕組みです。逆に、ソブリン層で磨かれた「業務特化モデル・プロンプトテンプレ・ガードレール」**を、汎用層の社内ポータル経由で全社展開する。

この**「外側のループ（汎用実験 → ナレッジ化 → ソブリン取り込み → 全社展開 → フィードバック）」を、電力・コスト・ガバナンスの制約下で高速回転させるハーネス基盤**こそが、前回記事で整理した「MCPハイブリッド戦略（機密B・汎用A/C）」の現場での姿です。

「So what for Japan?」——三つの具体アクション

この構造理解を踏まえ、今四半期で取るべきアクションを整理します。

1. 「活用率」KPIを捨て、「業務変革深度」KPIに切り替えること

「社員の○○%が生成AIを使った」は、もはや意味を持ちません。代わりに**「エージェント型ワークフローで完結した業務プロセス数」「人間の判断介入を減らせた工程数」「監査証跡が自動生成されるようになった帳票数」を追うべきです。金融メインフレーム現場では、これが「開発工数○○%削減」ではなく「リリースリードタイム短縮・バグ混入率低減・監査対応工数ゼロ」**として現れ始めています。

2. 汎用層のログを「学習資産化」するパイプラインを今月作ること

社内ChatGPT利用ログ、Copilot採用/却下履歴、RAG検索クエリ——これらを日次バッチで匿名化・構造化・ベクトル化し、社内専用ナレッジベースへ自動投入するパイプラインを、まずは情報システム部門主導で立ち上げます。これが「外側のループ」の燃料になります。

3. 規制産業の「最初の一歩」を自社のコア業務で特定し、PoC予算を確保すること

全社一斉ではなく、「説明責任・トレーサビリティ・データ主権」がボトルネックになっている単一業務（例：与信判断書起案、薬事申請資料作成、保守点検報告書自動生成）を選び、オンプレ・専用クラウド・ハイブリッドのいずれかでソブリンPoCを回します。ここで得られる「ハーネス実装ノウハウ」が、全社展開のテンプレートになります。

終わりに——「期待超え」は、主権を握った現場から来る

「AIは期待を超えた」9%という数値は、悲観すべきデータではありません。逆説的に**「主権・説明責任・コンプライアンスを自前で握りきった現場（金融メインフレーム、行政情報公開、国産LLM学習基盤）では、すでに期待を超え始めている」**ことを示唆しています。

汎用SaaSの便利さに浸りきるのではなく、**「自社のコア業務において、判断根拠をトレースでき、データを外に出さず、電力コストも自前で最適化できるAIスタック」**を、規制産業の現場から一歩ずつ積み上げる。それが、日本企業が「導入パラドックス」を解き、世界に通用する「実装力」を取り戻す唯一の道筋です。

あなたの組織では、汎用AIの利用法人気投票をKPIにしていませんか？ それとも、メインフレームのCOBOL資産を、自前のエージェントで読み解き始めていますか？