経営者こそやってほしい。
組織にAIを使えと言う前に、
自分の判断を移植する、
5分で始める経営のハーネス

この記事は、大企業のAI/DX導入が「使われているのに成果が見えない」状態から抜け出すために、国内外のレポート・データ・事例を読み解き、業務・判断・データ・KPIへ接続する視点で整理しています。

今回起点にするのは、PwC「第29回世界CEO意識調査」、デロイトトーマツ「プライム上場企業における生成AI活用の意識調査」です。

前回の記事とあわせてどうぞ。

先日、Fable 5を使って、自分がSlackで行ってきた修正指示を分析してみた。

「修正」「気をつけて」「徹底」「NG」「ダメ」「AI感」「揃える」「手戻り」「ワークプラン」「結論」などの言葉で自分の発言を検索し、直近から2024年末頃までの投稿1,500件から更に約160件を抽出した。

それをAIに読ませ、自分が繰り返し行っている指摘を整理してもらった。

出てきたのは、単なるチェックリストではなかった。

仕事の進め方、成果物の合否基準、機械的に検出できるルール、そして、自分が何を良い仕事だと考えているのか。

それらが、次の4層に分解されていた。

• Harness：事故や手戻りを防ぐ仕事の進め方

• Verifier：成果物の合否を判断する完了条件

• Lint：機械的に検出できる表記や形式のルール

• Taste：正誤だけでは測れない良し悪しの判断基準

一覧を見たとき、少し大げさではなく、自分の脳の一部がOS化されたように感じた。

ただ、これは自分の仕事を少し楽にするだけの話ではない。
むしろ、大企業の経営者や役員がAI活用を考えるときに、最初にやるべきことではないかと思っている。

AI導入は進んだ。それでも、成果にはつながっていない

日本の大企業では、AIを「導入するかどうか」の議論は、すでに終わりつつある。

デロイト トーマツが、プライム市場に上場する売上1,000億円以上の企業の部長クラス以上を対象に行った調査では、回答者の87.6％が、自社で生成AIを導入済みと答えている。
一方、実際の利用は「一部の社員のみ」にとどまる回答が多く、導入と社内浸透の間にはギャップがあった。

さらに、PwCが2025年秋に日本企業のCEO139名へ行った調査では、AIによって過去12カ月間に「売上が増加した」と答えたCEOは21％、「コストが減少した」は22％だった。
また、53％の日本のCEOが、「AIを含むテクノロジーの変化に追いつくための事業変革が、十分迅速に進んでいるか」を気にかけている。

AIは入っている。資料作成、情報収集、議事録、要約といった個人業務では使われ始めている。
それでも、売上、コスト、顧客体験、意思決定の質といった経営成果にまで接続できている企業は、まだ一部にとどまる。
ここから先は、調査結果そのものではなく、自分の見立てである。

経営者の頭の中にある基準が、最後のレビュー待ちを生む

大企業の役員や事業責任者は、日々、多くの成果物をレビューしている。
提案資料、経営会議資料、事業計画、プロダクトの企画、顧客向けの説明資料。

成果物が上がってくると、どこかに違和感を覚える。
「結論が弱い」「論点がずれている」「この数字では意思決定できない」「顧客の文脈を理解できていない」「このまま外には出せない」

問題は、その違和感を判断する基準が、本人の頭の中にしかないことである。

同じ指摘を一度しても、次の案件では別の担当者が同じ失敗をする。指摘はSlackやメールの中に流れ、組織の仕組みには戻されない。
その結果、AIで資料を作る速度は上がっても、最後には経営者や責任者のレビュー待ちになる。

経営者の発言、チャット、メールは、未構造の「経営OS」である

今回、自分のSlack発言を分析して分かったのは、修正指示の多くが、その場限りのものではなかったことだ。

案件や担当者が変わっても、同じようなことを繰り返し指摘していた。

「ゼロベースから始めないでほしい」
「着手前に前提と論点を分けてほしい
「まず構造を見せてほしい」
「完成間際ではなく、早くレビューに出してほしい」
「AIの出力をそのまま提出しないでほしい」
「結論まで書き切ってほしい」

つまり、自分は毎回新しい問題を発見していたのではない。

過去に一度起きた問題の再発に対して、何度も同じレビューコストを払っていた。

この見方をすると、SlackやTeams、メールに残された経営者の修正指示は、単なるコミュニケーションログではなくなる。

ハーネスに必要な判断基準は、4つの層に分けられる

OpenAIやAnthropicは、AIを実務に組み込むうえで、ツールや実行制御だけでなく、Guardrails、成功条件、Evals、Graders、Rubricを設計する必要性を示している。

自分のSlackや会議メモに残された約160件の修正指示を分析すると、これらは実務上、Process、Verifier、Lint、Tasteの4層に整理できた。これは両社の公式フレームではなく、自分の業務経験から整理した分類である。

今回の分析では、自分の指摘を4つに分けた。この分類は、どの会社にもそのまま当てはまる普遍的な理論ではない。
ただ、経営者の判断をAIが使える形に変えるための、実務的な入口にはなると思う。

1．Process：事故を起こさない仕事の進め方

Processは、成果物の中身以前に、事故や手戻りを減らすためのプロセス制約である。

自分の場合、次のような指摘が繰り返し出てきた。

• ゼロベースから作らず、既存のマスターや成果物から始める

• 着手前に前提と論点を分ける

• 作業前にワークプランを共有する

• いきなり完成品を作らず、先に構造をレビューする

• 完成間際ではなく、早い段階でレビューを入れる

• AIが出した内容を、そのまま成果物として提出しない

これは「気をつけよう」という心構えではない。
そもそも問題が起きにくい順番に、仕事の流れを変えるためのルールである。

2．Verifier：何をもって完成とするのか

Verifierは、成果物が完了条件を満たしているかを判断する基準である。

• 元データと資料の内容が一致しているか

• 過去の修正指示が反映されているか

• 全体から個へ、論理がつながっているか

• 結論に最終的な答えが書かれているか

• 誰の承認をもって完成とするのか明確か

「もっと良くして」では、AIも人も動けない。
何を満たせば合格なのかを定義して、初めて提出前に検証できる。

3．Lint：人間が見なくても検出できるルール

Lintは、解釈を伴わず、機械的に確認できるものだ。

• 資料タイトルと表紙タイトルが一致しているか

• 日付が入っているか

• ファイル名が命名規則に合っているか

• ページ番号や見出しの位置が揃っているか

• 左右揃えや表記が混在していないか

• 不要な装飾や、AIが作ったような表現が残っていないか

これらを経営者が毎回目視で確認しているなら、そのレビュー工程にはまだ自動化の余地がある。

4．Taste：正しさを超えた、良し悪しの基準

最も難しく、同時に最も価値があるのがTasteである。

• 常に全体から個へ説明する

• 論点を増やすのではなく、結論を最後まで書き切る

• 中途半端な差分ではなく、明確なジャンプを作る

• クライアント固有の言葉、組織構造、文脈を理解する

• 相手に答えを聞く前に、自分の仮説を持つ

• 美しく見せるのではなく、相手が先を見たくなる状態を作る

Tasteは、単純な正誤判定ではない。
長年の経験の中で身につけた、何を良いアウトプットとみなすかという基準である。

5分で始める「自分AIハーネス」

最初からSlackの全履歴をエクスポートしたり、システムを開発したりする必要はない。

5分で完成するわけではないが、始めるだけなら5分でできる。
まず、Slack、Teams、メールなどで、自分が過去に行った修正指示を検索する。
検索語は、例えば次のようなものが使いやすい。これもAIに収集させる。

最初は30件程度でよい。
それを、会社で利用が認められているAI環境へ入力する。
顧客名、案件名、個人名、機密情報は削除または一般化したうえで、次のように依頼する。

以下は、私がメンバーの成果物や仕事の進め方に対して行った、
指摘、修正依頼、差し戻しのログです。

案件固有の指示ではなく、複数の案件で繰り返し現れている
判断基準、禁止事項、完了条件、仕事の進め方を抽出してください。

以下の4層に分類して、ハーネスとしてまとめてください。

1. Process
事故や手戻りを防ぐための進め方、着手条件、レビュー工程

2. Verifier
合否を判定できる完了条件、整合性、反映確認

3. Lint
機械的に検出できる表記、命名、レイアウト、形式上の規則

4. Taste
良し悪しを分ける構造、顧客理解、表現、審美上の判断基準

各項目を、以下の形式で整理してください。

・ルール
・根拠となる発言
・適用する業務や成果物
・機械判定の可否
・人間の判断が必要な部分
・例外となる条件
・再発頻度

顧客名、案件名、個人名は一般化し、
重複する項目は統合してください。

最後に、次回の提出前にAIが確認する
10項目のチェックリストを作成してください。

AIから出てきた結果を、そのままルールにしてはいけない。
一度きりの案件固有の指示もある。
当時は正しかったが、今は不要になった基準もある。
経営者自身の思い込みや、過剰なこだわりが含まれている可能性もある。
残すもの、捨てるもの、例外を認めるものを、自分で再判断する。

ここまで含めて、自分AIハーネスである。

文書にしただけでは、ハーネスにはならない

判断基準を一覧にして、Google Docsや社内Wikiに保存しただけでは、新しいルール集が増えるだけだ。

実際の業務フローに組み込まなければ機能しない。
例えば、経営者へ提案資料を提出する前に、次の工程を通す。

これが実装できれば、経営者は、本質的な指摘内容から、誤字や表記揺れ、過去指摘の反映漏れ、基本的な構造不備を毎回確認しなくてよくなる。

見るべきなのは、より上位の問いである。

この方向性で本当によいのか。
顧客や市場について何を見落としているのか。
どの選択肢を取るべきか。
どのリスクを引き受けるか。
どこに経営資源を配分するか。

AI時代の経営者には、「判断基準を設計する仕事」が増える

デロイト トーマツが、生成AIを業務利用する企業の経営層、幹部、採用担当者1,004名を対象に行った2026年の調査では、大企業の回答者がAIを重要と感じる場面として、「会議・ミーティングでの意思決定」が46.9％、「経営・事業戦略」が41.2％、「リスク・コンプライアンス」が39.3％に上った。

また、回答者全体の82％が、AIによって幹部に求められる役割が変化していると答えた。
変化した役割として最も多かったのは、「データや根拠の妥当性、リスクを評価すること」で、59.4％だった。

AIが意思決定に入り込むほど、経営者の判断が不要になるわけではない。

むしろ、何をAIに任せるのか。
どの情報を信用するのか。
どこで人間が介入するのか。
何をもって合格とするのか。
例外が起きたとき、誰が責任を持つのか。

こうした判断基準を設計する仕事が増える。

経営者の役割は、すべての成果物を自分で確認することから、組織とAIが正しく判断できる仕組みを作ることへ移っていく。

「AIを使え」と言う前に、自分の判断をAIに渡す

大企業のAI活用というと、全社戦略、データ基盤、CoE、AI人材育成、ガバナンスといった大きな議論から始まりやすい。

もちろん、それらは必要である。
ただ、その前に経営者自身ができることがある。
自分が過去に行った修正指示を30件集める。
繰り返している判断基準を抽出する。

Harness、Verifier、Lint、Tasteに分ける。

次の成果物から、提出前レビューに使ってみる。
経営者が組織に「AIを使え」と言う前に、まず、自分が何を良しとしているのかをAIに渡す。

自社のAI導入が、PoCや個人の業務効率化で止まり、経営成果につながっていない場合、論点はツール選定だけではありません。

業務、責任、判断基準、データ、KPI、改善ループを、一つの実行システムとしてつなぎ直す必要があります。

AIハーネス設計、業務再設計、AIを前提とした組織や顧客体験の設計について、壁打ちや初期論点整理からご相談ください。

THE VALUE CREATION / 価値の見立てでは、デザイン、経営、AI、投資、ブランドを横断しながら、価値がどこで生まれ、どう評価され、どう回収されるのかを考えています。
今後はメンバーシップ限定記事なども増やし、具体企業の数字、投資視点、事業づくりへの示唆まで、もう少し踏み込んで書いていきます。

参考にした調査

• PwC Japanグループ「第29回世界CEO意識調査（日本分析版）」(PwC)

• デロイト トーマツ グループ「プライム上場企業における生成AI活用の意識調査」(Deloitte)

• デロイト トーマツ グループ「AI時代の判断と責任―幹部採用の新基準」(Deloitte)