「経営OS」を語る前に、AIが変えられる業務レバーを定義すべきである
はじめに
近年、AI活用の文脈において、「経営OS」「組織OS」「デジタルツイン」といった表現が用いられる場面が増えている。企業内に分散するCRM/SFA、人事評価、面談記録、採用データ、営業活動履歴、問い合わせ履歴などを統合し、AIによって経営判断や組織運営の質を高めようとする問題意識は、データ活用の方向性としては理解できる。
とりわけ、採用、育成、配置、評価、マネジメントといった人事領域は、業務の属人性が高く、定性的な情報も多いため、AIによる構造化や示唆抽出の余地がある。例えばHR Analytics領域ではAI面接、AI面談の情報を統合し、AIが経営アクションを提案する構想を掲げている。
もっとも、社内データを統合し、AIに分析させれば、売上向上や組織変革の因果関係が明らかになり、経営判断を高精度にシミュレーションできるという見方には慎重であるべきだ。データ統合は経営判断の材料を増やすが、それ自体が企業業績を動かす因果構造を説明するわけではない。
社内データは経営判断の材料であって、経営成果の原因そのものではない
CRM/SFAや人事面談データを統合すれば、商談の進捗、受注率、失注理由、社員のコンディション、育成課題、組織上の不満などは一定程度可視化できるかもしれない。しかし、それらはあくまで企業活動の一部を記録したデータであり、売上や利益を動かす因果構造そのものではない。
売上が上がるかどうかは、営業担当者の人数や配置だけで決まるものではない。営業の進め方、価格設定、プロダクトの競争力、顧客セグメントの選び方、マーケティング施策、競合環境、既存顧客の継続率、マネジメントの質、現場の実行力など、多数の要素が相互に作用する。
したがって、営業人員を何人採用するか、どの部門に何人配置するかといった人員計画のシミュレーションは、経営判断の一部にはなり得るものの、それだけで売上予測や事業成長の妥当性を語るには情報が不足している。仮にCRM/SFAのデータを取り込んだとしても、顧客がなぜ買うのか、なぜ買わないのか、どのプロダクトが市場で選ばれるのか、どの価格なら受容されるのかといった問いに答えるには、顧客接点、競合、商品力、価格、導入後の利用実態まで含めた検証が必要になる。
面談データから暗黙知が自然に出てくるわけではない
人事面談データについても同様である。社員との面談記録を集めれば、組織の状態がすべて分かるわけではない。面談の場で語られる内容は、本人の認識、上司との関係、評価制度、心理的安全性、組織内の力学に大きく影響される。
特に重要な論点ほど、本人が言語化できていないことも多く、仮に言語化できていても、面談の場では出てこないことがある。組織の本質的な課題は、往々にして「言われたこと」ではなく、「言われなかったこと」「言えなかったこと」「現場では当然視されているため説明されなかったこと」に宿る事すらある。
言い換えれば、人事データは組織状態を把握するための重要な材料ではあるが、現場の暗黙知や業績を動かす実務上の制約を自動的に抽出するものではない。AIが面談ログを要約し、論点を分類し、傾向を可視化することはできるとしても、その出力が経営判断に耐える示唆になるかどうかは、問いの設計、データの品質、業務理解、施策実行の仕組みに依存する。
「聞けばコンテキストが取れる」という前提の危うさ
ここで問題になるのは、「顧客に聞けばコンテキストが取れる」という前提である。会社や組織、業務、長年の商習慣、部門間の力学、顧客との暗黙の前提は、単純なヒアリングによって網羅的に取得できるものではない。
本当に重要なコンテキストは、業務の現場を観察し、業界の収益構造を理解し、顧客自身が言語化できていない制約や違和感を拾える人がいて、初めて解釈可能になる。これは、単にプロンプトへ投入する情報量の問題ではなく、そもそも何を問うべきか、どの情報が業績に関係するのか、どの情報が建前にすぎないのかを見極める業務理解の問題である。
さらに、そのコンテキストは業界ごとに大きく異なる。金融、製造、小売、SaaS、建設、医療、物流では、業務の前提、意思決定の癖、顧客接点、規制、収益を動かすレバーが異なる。したがって、AIで経営支援を行うという話は、単にプロダクトや分析基盤を作る話ではない。
業界別に深い業務知見を持つ人材をどう集めるのか。その知見をAIの分析基盤や顧客企業の業務プロセスにどう組み込むのか。分析結果を実際に変えられる業務レバーへどう落とすのか。施策を実行した後に効果をどう検証し、次の改善にどうつなげるのか。ここまで設計されていなければ、AIによる経営支援は、見栄えのよいダッシュボードや、もっともらしい示唆を出す分析基盤にとどまる可能性が高い。
FDE的価値は、顧客データをAIに渡すことではない
この点は、近年注目されるFDEの議論にも通じる。FDE的な価値の本質は、顧客データをAIに渡すことではなく、顧客業務を深く理解し、現場で実際に変更可能な業務レバーを特定し、実行と検証まで接続することにある。
Palantir公式ブログでは、Forward Deployed Software Engineerは顧客に直接入り込み、Palantirのプラットフォームを設定し、顧客課題を解く役割として説明されている。つまり、FDEを特徴づけるのは、エンジニアが顧客と会話すること自体ではなく、顧客の業務に入り込み、プロダクトを顧客の意思決定や業務運用に接続し、その過程で得られた知見を再びプロダクトに還流させる運用モデルである。
SalesforceもAgentforceの本番導入を広げるため、Forward Deployed Engineering Partner Networkを発表しているが、そこでも論点はAIエージェントの試験導入ではなく、実運用への移行、エンジニアリング知見、プロダクトロードマップへの接続に置かれている。
この構造を踏まえると、「AIが経営判断をシミュレーションする」という表現は、現時点ではかなり広い意味を含んでいる。実務上問うべきことは、AIがどの経営会議で、どの指標をもとに、誰の意思決定を支援し、どの業務レバーを変更し、その変更後の効果をどのように測定するのかである。
AI活用で成果を出す企業は、業務プロセスそのものを変えている
AI活用の成果については、単なるツール導入と業務変革を分けて考える必要がある。PwC Japanの生成AI調査では、生成AIを単なる効率化ツールではなく、業務や事業構造の抜本的改革の手段と捉え、業務プロセスへの本格的な組み込み、ガバナンス体制の整備、従業員への価値還元に取り組む企業が高い効果を上げていると整理されている。
この示唆は、経営OSや組織デジタルツインの議論にもそのまま当てはまる。データを統合し、AIに分析させるだけでは、経営成果は生まれない。成果が生まれるのは、AIによる分析が業務プロセスに組み込まれ、意思決定の責任者が明確になり、実行される施策が定義され、その効果が測定され、次の改善につながる場合である。
データ統合やAI分析は、意思決定の材料にはなる。しかし、現場の暗黙知、業界固有の勝ち筋、社内政治、実行能力を自動的に置き換えるものではない。むしろAI活用で成果を出すためには、データを統合することよりも、業務プロセスそのものにAIをどう組み込み、どの責任者が施策を実行し、どの指標で効果を確認するのかを設計することが重要になる。
おわりに
「経営OS」や「組織デジタルツイン」という表現は、企業内データを活用して経営判断を高度化したいという問題意識を端的に示す言葉ではある。しかし、その言葉が示す実態を分解しないまま用いると、AIが経営判断を自動的に高度化するかのような誤解を生みやすい。
現時点でより妥当な表現は、「AIが経営判断をシミュレーションする」ではなく、「人事、営業、育成、組織運営に関する施策仮説を整理し、実行後の効果検証を支援する業務基盤」である。これは決して小さな価値ではない。むしろ、企業がAIを実務に組み込むうえでは十分に重要な領域である。
ただし、その価値を過大に見せるために抽象的な言葉を重ねるよりも、どの業務を、誰が、どのように変え、どの成果指標で検証するのかを明確に語る方が、AI時代の経営支援としてははるかに説得力がある。
最後に、AIやSaaSを「経営OS」として語るなら、少なくとも次の3点は確認すべきだと思う。
業務データが単なる記録ではなく、意思決定単位で整理されているか。
AIが提案を出した後に、誰が承認し、どのKPIで結果を検証するのかが設計されているか。
SaaS導入が入力画面の置き換えで終わらず、判断プロセスそのものの再設計まで進んでいるか。
この3つがないままAIを導入しても、現場に便利な道具は増えるかもしれないが、経営の意思決定システムが変わったとは言いにくい。
参考文献
Palantir Blog - A Day in the Life of a Palantir Forward Deployed Software Engineer
PalantirにおけるForward Deployed Software Engineerの役割を、顧客に直接入り込み、プラットフォームを設定しながら顧客課題を解く職種として説明している。
https://blog.palantir.com/a-day-in-the-life-of-a-palantir-forward-deployed-software-engineer-45ef2de257b1
Salesforce - Salesforce Launches the Forward Deployed Engineering Partner Network to Scale Agentforce Success
SalesforceがAgentforceの本番導入を拡大するため、Forward Deployed Engineering Partner Networkを立ち上げた背景と狙いを説明している。
https://www.salesforce.com/news/stories/salesforce-launches-forward-deployed-engineer-partner-network-announcement/
Salesforce Japan - Agentforceの展開を加速する「Forward Deployed Engineering Partner Network」を日本で本格展開
SalesforceのFDE Partner Networkについて、日本国内での展開、初期パートナー、本番稼働支援の位置づけを説明している。
https://www.salesforce.com/jp/news/stories/salesforce-launches-forward-deployed-engineer-partner-network-announcement/
PwC Japan - 生成AIに関する実態調査 2025春 5カ国比較
日本、米国、英国、ドイツ、中国における生成AIの活用状況と効果を比較し、日本企業が直面する構造的課題と、効果を上げる企業に共通する成功要因を整理している。
https://www.pwc.com/jp/ja/knowledge/thoughtleadership/generative-ai-survey2025.html
PwC Japan - 生成AIに関する実態調査 2025春 5カ国比較 PDF
同調査の詳細版。生成AI活用の推進度、効果実感、成功要因、提言を図表とともに整理している。
https://www.pwc.com/jp/ja/knowledge/thoughtleadership/2025/assets/pdf/generative-ai-survey2025.pdf
BCG - 生成AIは行政をいかに変えるか
行政領域における生成AI活用の可能性と、正確性、適用範囲、ポリシー策定などの導入上の課題を整理している。
https://www.bcg.com/ja-jp/publications/2023/how-generative-ai-can-be-used-in-public-sector
BCG - Are You Generating Value from AI? The Widening Gap
AI活用で財務的価値を創出している企業と、十分な成果を出せていない企業の差分を分析し、AI活用を価値創出につなげるための要件を整理している。
https://www.bcg.com/publications/2025/are-you-generating-value-from-ai-the-widening-gap
NRI - DXと多様化がもたらす消費の変化 2030年将来シナリオ
DXと価値観の多様化を前提に、2030年の消費者像をシナリオプランニングで描き、企業経営への示唆を提示している。
https://www.nri.com/jp/knowledge/report/2022forum343.html
（本記事は生成AIをサポートに利用しています。）
