「AIだけの部署」とAIを使わない学習は矛盾しない——自律度を段階で設計する方法

AIへ仕事をどこまで任せるべきでしょうか。2026年9月10日に報じられたNECの「コーポレートAI・Workforce部門」は、部門長、経営視点を担うボード、マネジャー、社員という全階層をAIで構成します。一方、教育の現場では、AIに文章の要約や課題の下書きを任せた生徒ほど成績が低い傾向を示すOECDのデータが報じられました。企業ではAIだけの部署を作り、学校では利用を制限する。表面だけを見ると、正反対に見えます。

しかし、二つの動きは矛盾していません。違うのは「AIを使うか」ではなく、利用者が自分で目的を定め、結果を評価し、失敗時に引き取れる段階へ達しているかです。NECの仕組みでも、人が消えたわけではありません。AIへ行動基準を与え、活動を可視化し、品質とガバナンスを最終評価する仕事は人に残ります。教育でも、AIの出力品質を繰り返し評価するよう教えられた生徒には、利用が成績の小さな向上と結び付く傾向がありました。

この記事では、NECのAI組織、角川アスキー総合研究所のシャドーAI調査、OECDのPISAデータ、Microsoftと米教員組合の学校向け原則をつなぎます。結論は、全面許可と全面禁止の二択をやめ、観察、提案、限定実行、自律運用という四段階で権限を上げることです。日本企業に必要なのは、AIの能力表ではなく、AIへ渡す権限の昇格表です。

結論——能力ではなく「自律度」を仕事ごとに決めます

生成AIの導入方針を「全社員が自由に使う」または「安全になるまで禁止する」の一文で済ませると、実際の仕事とのずれが広がります。同じAIでも、公開情報を要約する仕事と、顧客データを読み、契約を変更し、外部へ送信する仕事では、許される自律度が違うからです。

そこで、業務ごとに次の四段階を設定します。

段階	AIが行うこと	人が行うこと	代表的な用途
観察	情報を整理し、異常や候補を示します	原文を読み、採否を決めます	会議整理、検索候補、学習の質問作り
提案	下書き、比較、実行計画を作ります	修正し、承認し、実行します	文書案、コード案、問い合わせ回答案
限定実行	承認済みの範囲で処理します	例外と不可逆操作を引き取ります	定型更新、社内照会、試験環境の操作
自律運用	複数のAIが分担し、改善まで回します	目的、予算、権限、停止、監査を統制します	標準化された分析、反復運用、監視

この表は人の熟練度を評価する序列ではありません。同じ人でも、慣れた業務は限定実行へ進め、初めて扱う業務は観察へ戻します。同じAIエージェントでも、根拠データ、対象者、影響範囲が変われば段階を下げます。自律度は製品名に付けるラベルではなく、仕事と状況の組み合わせに付ける設定です。

AI成果を答え・工程・境界・追試の四点で受け取る方法と合わせると、昇格条件も明確になります。良い答えを一度出しただけでは足りません。別の担当者が工程を追え、境界を説明でき、同じ条件で追試できる仕事だけを、次の自律段階へ上げます。

NECのAIオンリー組織で、人の仕事はむしろ見えやすくなります

NECが2026年8月1日付で新設したコーポレートAI・Workforce部門は、AI部門長、AIボード、AIマネジャー、AI社員の四階層で構成されます。AI部門長は全体の稼働を把握し、AIボードは経営視点で状況を評価します。AIマネジャーは品質やコストを横断管理し、AI社員が個別のタスクを実行します。

特徴的なのは、AI社員を固定配置しないことです。社内から業務の需要が来ると、AIマネジャーが必要なAI社員をその都度生成し、役割を任命します。生成されたAI社員には、NECの存在意義、行動基準、社内規定、判断基準などが組み込まれます。人の入社教育に当たる条件を、実行前に機械が読める形で渡す設計です。

ここから分かるのは、「AIだけで構成する」と「人が関与しない」は同じではないことです。業務の割り振り、実行、日常管理、改善はAI同士で回しても、活動の透明性、品質、ガバナンスの最終評価は人が担います。AIが自力で解決できない課題も、人へ要求として返します。報じられた例には、必要なデータがない、適切な権限がない、背景情報が足りないといった不足があります。

これは重要な境界です。AIに不足を推測で埋めさせるのではなく、「実行できない理由」を構造化して人へ返すからです。自律性の高い組織ほど、成功件数だけでなく、保留、拒否、人への引き継ぎを正常な出力として扱う必要があります。止まるAIは未完成なのではなく、停止条件を守れるAIです。

NECの社内実証では、役員会議向けの経営分析、シミュレーション、リスク予兆検知を一連でAI組織へ任せ、所要時間が従来の約7分の1になったと説明されています。ただし、時間短縮だけを横展開の条件にすると危険です。何を入力し、どの仮定でシミュレーションし、誰がリスクを受け入れたかまで再現できて初めて、経営判断の補助として使い続けられます。

最新AIを発表日ではなく「使える日」で評価する記事では、提供、評価、運用、現場の四関門を整理しました。AI組織は、その先にある運用形です。導入できるモデルを選ぶだけでなく、仕事を受け取る入口、役割を生成する条件、人へ戻す出口を一続きにします。

AI組織を集中管理する理由は、シャドーAIの現実にあります

NECは、個別部門や利用者がばらばらにAIエージェントを構築する状態を抑え、業務をAI組織へ集約する狙いも示しています。この設計を、同日に報じられた「AI白書2026」の調査と重ねると背景が見えます。

角川アスキー総合研究所は、上場企業または従業員300人以上の非上場企業に勤める経営者、役員、従業員を対象に調査し、310件の有効回答を得ました。会社が公式に認めていないAIを業務で使った経験は、課長以上の管理職で46.5％、係長・主任以下の一般社員で38.1％でした。ルールを作り、守らせる側に近い管理職の方が高い結果です。

さらに、「ルールやガイドラインが現場の実態に追いついていない」と答えた割合は、管理職57.4％、一般社員47.1％でした。全社共通のガイドラインを整備済みの企業でも、公式外AIの利用経験は46.9％で、一部整備の企業の50.0％と大差がありませんでした。文書を作っただけでは、使いたい仕事と公式の手段との距離が埋まっていないことを示します。

シャドーAIを個人の規則違反だけとして処理すると、本当の原因を見失います。公式ツールが遅い、必要なファイル形式を扱えない、申請手順が長い、出力品質を比べる場所がない、短期案件へ間に合わないといった業務上の空白が残っている可能性があります。管理職は期限と成果に責任を持つため、その空白を非公式ツールで埋めやすくなります。

対策は、禁止事項を増やすことだけではありません。公式経路に三つの機能を持たせます。第一に、使いたい仕事を短時間で登録できる入口です。第二に、データ分類に応じて利用可能なモデルと権限を自動で絞る仕組みです。第三に、公式経路ではできない理由を記録し、改善候補へ戻す出口です。シャドーAIの発見を処罰件数ではなく、公式経路の欠損を知る信号として使います。

AIエージェントを集中管理する場合も、単一モデルへ固定する必要はありません。NECは、タスクごとのモデルルーティング、フロンティアモデルとオープンウェイトモデルの使い分け、入力キャッシュ、参照コンテキストの整備などを挙げています。同じ使われ方を基準に、2026年上期中に実質的なトークンコストを5分の1、下期中に10分の1へ下げる目標も説明しました。利用量は増えても、仕事一件に必要な計算、再試行、待ち時間を減らす考え方です。

ここでも、自律度とコストを分けてはいけません。安いモデルへ振り分けても、誤りが増えて人の確認が長くなれば、仕事全体は安くなりません。高価なモデルを使っても、キャッシュや整理された文脈で一度に完了できれば、一件当たりでは合理的な場合があります。AIマネジャーが見るべき指標はトークン単価だけでなく、完了率、人への引き継ぎ率、修正時間、再実行回数、権限エラーです。

学校のデータは「使うほど学ぶ」とは限らないと示します

企業が自律運用へ進む一方、学習者にはAIを使わない時間が必要です。The Vergeが紹介した2026年のOECD報告は、2025年に91カ国、15歳の生徒76万人超から集めたPISAデータに基づきます。社会経済的な条件を調整した後でも、理科ではAIを使わない生徒が、使う生徒をおおむね上回る傾向がありました。

ただし、「AIは教育に悪い」と一文で結論づけられる結果ではありません。本文の要約や作文の下書きへ使う生徒は相対的に低い傾向が強く、予備調査や学習全般の助けとして使う場合は低下が小さくなりました。利用頻度にも単純な比例関係はなく、年に一、二度だけ使う層と毎日使う層が低く、月次または週次の利用が比較的良い傾向でした。

特に注目すべきなのは、AIが生成した情報の品質を頻繁に評価するよう求められている生徒です。この訓練を伴う場合、学習全般の助けとして定期的にAIを使う生徒は、使わない生徒を上回りました。小さな差であり、調査から因果関係を断定することはできません。それでも、AI利用の回数より、出力を評価する学習活動の有無が重要だという実務的な示唆があります。

OECDの学習・技能局長アンドレアス・シュライヒャー氏は、スポーツを見るだけで体が鍛えられないのと同じように、学習は内容を消費するだけでは起きず、新しい材料と向き合う認知的な葛藤が必要だと説明しました。AIがその葛藤を支えれば前進し、近道で消してしまえば発達を弱めるという整理です。

日本の生徒でAI利用を報告した割合は約60％で、報道で比較されたベトナムの95％超より低い水準でした。この数字を遅れとだけ捉え、利用回数を増やす目標を置くべきではありません。問いを自分で作る、AIへ根拠を求める、原文と照合する、誤りを説明する、自分の回答を作り直すという学習工程を先に増やすべきです。

「AIを使わない新人研修」も、限定された段階なら合理的です

同じ日のITmedia記事には、新人へあえてAIを使わせないという企業人の発言もありました。基礎を身に付ける時期に、考える工程をAIへ移さないという判断です。これは永続的な禁止ではなく、観察と提案の品質を自分で評価できるようにする準備期間として位置付けると意味が明確になります。

例えば、新人の文章研修を三周に分けます。最初の一周はAIを使わず、資料を読み、要点と反論を自分で書きます。二周目はAIへ同じ課題を解かせ、自分の文章との差、抜け、誇張を指摘します。三周目はAIと共同で書き、採用した提案と退けた提案を記録します。この順序なら、禁止は道具を遠ざけるためではなく、道具を評価する物差しを作るために働きます。

コード、営業提案、顧客対応でも同じです。基礎課題では自分で失敗し、原因を説明します。次にAIの候補をレビューします。その後、試験環境や社内文書で限定実行させます。本番データの更新、外部送信、契約、支払いなど不可逆性の高い操作は、十分な記録と停止手順が整うまで人の承認を残します。

AI人材を操作研修ではなく反証教育から考えた記事で提案した反証力は、この昇格の土台です。プロンプトの書き方を覚えただけでは、自律度を上げられません。根拠へ戻り、もっともらしい誤りを見つけ、訂正し、事故時に止められることが昇格条件になります。

Microsoftの学校向け原則は「お願い」を契約条件へ変えました

米国では、ニューヨーク市とロサンゼルスの学校制度が、多くの生徒向けAIツールを一年間停止し、用途と安全策を検討する動きが報じられました。その一週間後、Microsoftは米国教員連盟とニューヨーク市の教員組合との合意で、学校向けAIに関する十の原則を受け入れました。

報じられた内容には、生徒や教育者のデータをモデル学習へ使わないこと、収集するデータを最小限にすること、仕組みを家族へ平易な言葉で説明すること、AIコンパニオンを禁止すること、高リスクな意思決定に人のレビューを求めることが含まれます。2026年11月から、学校区は契約全体を交渉し直さず、新規または既存契約へこれらの条件を追加できるとされています。

重要なのは、安全原則をウェブサイト上の宣言で終わらせず、導入者が選べる契約条項へしたことです。ガイドラインだけではシャドーAIが減らなかった国内企業の調査と対照的です。約束を実装するには、データを学習経路から技術的に分離し、収集項目を管理画面で確認でき、高リスク判断を自動実行できない権限構造が必要です。

日本企業も、AIサービスの調達票へ同じ発想を持ち込めます。「安全に配慮する」と書くのではなく、入力を学習に使うか、ログをどこへ保存するか、削除期限はいつか、第三者提供はあるか、どの操作に人の承認が要るか、契約終了時に何を返却・削除するかを選択可能な条件にします。自社のガイドラインを、ベンダー、管理画面、アクセス権、監査ログで実行できる条項へ変えます。

日本企業が30日で作る「自律度の昇格表」

大規模なAI組織をすぐ新設できなくても、自律度の段階設計は一部署から始められます。最初の30日で完成させるのは、高価な統合基盤ではなく、五つの仕事を比較できる一枚の表です。

最初の一週間——仕事を動詞で切り分けます

「営業でAIを使う」のような大きな単位を避けます。顧客情報を探す、過去案件を要約する、提案を比較する、メール案を書く、送信する、見積もりを変更する、契約を承認するといった動詞へ分けます。各動詞について、使うデータ、外部への影響、元へ戻せるか、誤りを誰が発見できるかを記録します。

最初に選ぶのは、頻度が高く、元へ戻せて、結果を短時間で採点できる仕事です。公開情報の分類、会議メモの構造化、既存試験の実行などが候補です。契約締結、採用決定、送金、医療上の判断、公開投稿は、同じ表の中でも低い自律度から始めます。

二週目——観察と提案を分けます

AIが情報を読むだけの権限と、下書きを作る権限を分けます。観察段階では、元資料への参照、分からない項目、情報の日時を必須出力にします。提案段階では、採用条件、却下条件、人の承認者を追加します。

この時点で、禁止された非公式ツールを探すだけでなく、なぜ公式経路を使わなかったかを匿名でも集めます。速度、品質、対応形式、モデル選択、利用枠、申請のどこに空白があるかを分類します。ルール違反者の名簿より、公式経路の改善順位を作ることが目的です。

三週目——限定実行へ進める合格条件を決めます

十件成功したから自動化するのではなく、失敗の種類を含めて決めます。例えば、根拠参照率、重大な誤り、修正時間、人への引き継ぎ、再試行、権限外操作、データ漏えいの有無を測ります。モデルや指示を変えても同じ受け入れ条件を通るかを確認します。

限定実行では、対象データ、操作、時間、件数を絞ります。一度だけ有効な権限、試験環境、少額上限、承認済み顧客だけといった境界を使います。失敗したときに停止し、処理済みと未処理を分け、担当者へ渡せることを合格条件にします。

四週目——費用と学習を同じ画面で見ます

利用トークンだけでなく、完了した仕事、修正時間、レビュー時間、再実行、人へ戻った理由を同じ単位で見ます。安価なモデルへの変更で人の確認が増えていないか、キャッシュで古い前提を再利用していないか、長い文脈を減らした結果として根拠が落ちていないかを確認します。

さらに、月に一度は自律度を下げる訓練をします。モデル停止、権限剥奪、誤った参照データ、予算上限、担当者不在を想定し、自律運用から限定実行、提案、手作業へ戻れるかを試します。昇格できることだけでなく、安全に降格できることが、長く使えるAI組織の条件です。

四段階を支える六つの指標

導入率や利用者数だけでは、自律度を上げてよいか判断できません。少なくとも次の六つを仕事単位で追います。

1. 根拠到達率——人がAIの結論から元資料へ戻れる割合です。
2. 初回完了率——再質問や再実行なしに受け入れ条件を満たした割合です。
3. 人への引き継ぎ時間——AIが止まってから担当者が状況を理解するまでの時間です。
4. 不可逆操作率——取り消しにくい操作のうち、人の承認なしで行った割合です。
5. 修正込み一件原価——モデル、検索、保存、再実行、人の確認を含む費用です。
6. 安全な降格時間——自律運用から限定実行や手作業へ戻すまでの時間です。

学習でも同じ指標へ置き換えられます。根拠を示せるか、AIなしで要点を説明できるか、誤りを見つけるまで何分かかるか、別の生徒へ解法を引き継げるかを測ります。AIを使った回数ではなく、AIがいてもいなくても理解を再現できるかを見ます。

出典

• ＠IT「NECが新設した『AIオンリー組織』、仕事はどう回る？」（2026年9月10日）
• ＠IT「ルールを作る『管理職』ほどシャドーAI」（2026年9月10日）
• ITmedia AI＋「NEC、社内の『AIトークン節約』に注力」（2026年9月10日）
• The Verge「Students who use AI generally score worse at school」（2026年9月9日）
• The Verge「Microsoft has new AI privacy rules for schools」（2026年9月9日）

まとめ——AIを増やす前に、昇格と降格の条件を決めます

NECのAIオンリー組織は、人を組織から消す未来というより、人が暗黙に行ってきた目的設定、役割付与、予算管理、品質評価、停止判断を明示する試みとして読むべきです。国内のシャドーAI調査は、ルール文書だけでは現場の空白を埋められないことを示します。OECDの教育データは、利用回数を増やすだけでは学びが深まらず、出力を評価する訓練が結果を分け得ることを示します。Microsoftの学校向け原則は、その評価と保護を契約条件へ変える一歩です。

企業でも学校でも、最初の問いは「AIを許可しますか」ではありません。「この仕事、この学習、このデータについて、AIはいま観察、提案、限定実行、自律運用のどこまで進めるか」です。そして、次の問いは「問題が起きたら一段下げられるか」です。

あなたの組織でAIへ任せている仕事のうち、昇格条件と降格手順の両方を説明できるものは、いくつあるでしょうか。まず一つの仕事を四段階へ置き直すところから、AIと人が交代可能な運用を作ってみませんか。