同じAIモデルなのに、なぜある会社は複利を生み出し、ある会社は空振りに終わるのか

企業はとっくに「AIを使うか否か」というフェーズを通り過ぎている

Anthropicは企業向けの電子書籍『Building AI agents for the enterprise』（企業向けAIエージェント実践ガイド）を発表した。副題は「業界リーダーたちのベストプラクティスから」。この本は、静かに進行しているのにほとんど誰も言語化してこなかったことを、はっきりとテーブルの上に載せた。

あるテクノロジーの普及率が2年で倍増し、しかも加速し続けているとき、誰が使っているか、どれだけ使っているかは、もはや差別化要因にはならない。会社と会社の格の差を本当に分けるのは、別の問いだ——AIを机の上に置いた一つの道具として扱うのか、それとも会社全体を再編成する基盤能力として扱うのか。

本書はその変数を取り出し、名前を付けた——エージェント思考の分水嶺（agentic thinking divide）。以下では、その中で最も骨太な二つの命題——なぜscope（範囲）がすべてを決めるのか、なぜこの優位性が複利で膨らむのか——に沿って、一層ずつ解きほぐしていく。読み終えたら結論を覚える必要はない。自分で導き出せるはずだ。

「導入」か「変革」か——二つの道の違いは一目瞭然

一言でいえば——点在的な施策は、点在的な結果しか生まない。一つひとつを見れば問題はなく、デモの実演はむしろ見事なくらいだ。だが共通の運命がある——いつまでもパイロット段階にとどまり、会社の動き方は何一つ変わらない。

点在的な施策が必ず凡庸に終わる理由

まず主張を先に出しておこう——AIを孤立した道具として使う会社は、結果が凡庸になる運命にある。これは姿勢の問題ではなく、構造が決めていることだ。

こうしたツールが食べているのは「汎用AI」であり、汎用AIが返すのは汎用的なアウトプット——文法は正しく、構成も整っているが、誰が見ても「まだ手直しが要る」代物だ。問題はまさにこの「まだ手直しが要る」にある。社員はAIが下書きした文書を受け取っても、それが会社の基準を理解しておらず、会社の専門用語も使えず、ベテラン社員の頭の中にだけあってどの文書にも落とし込まれていない組織知識（institutional knowledge）を知らないことに気づく。結局、社員は使えるレベルになるまで手間をかけて手直しをする羽目になる。

証拠は何か？本書には繰り返し現れる現象がある——二つの会社が同じモデルを使っても、結果はまるで違う。その差は、どれだけ組織のコンテキストを注ぎ込んだかにある。この一文はすでに「モデル決定論」に死刑を言い渡している——同じモデルがまったく異なる結果を生み出せるなら、モデルが決定変数でないことは明らかだ。決定変数はscopeである。AIを点在的な道具として扱えば、点在的な結果しか得られない。変革として取り組めば、再構築するのは三つのことが同時に起きることになる——社員の働き方、プロセスの回り方、生み出せるプロダクトだ。

この三つこそが本書の主軸となる枠組み——三本の柱だ。一本ずつ見ていこう。それぞれの柱の背後には、実在する一社が立っている。

L'Oréal：一人ひとりのスタートラインを前へ押し出す

冒頭のあの営業担当者の話に戻ろう。あの数秒間を成立させたのは、モデルが賢くなったからではなく、モデルがこの会社の実際のデータフロー——CRM、会議の録音、見込み顧客リサーチ——に組み込まれていたからだ。会社が変わり、データセットが変われば、同じモデルでもこのブリーフィングは作れない。

これは営業だけの話ではない。財務はデータウェアハウスに接続して照合レポートを出す。法務は会社独自のリスクフレームワークに沿って契約書を審査し、逸脱した条項を洗い出す。マーケティングはブランドガイドラインに沿ってキャンペーン案の初稿を書く。法則は一貫している——価値の大きさは、そこに組み込んだ組織知識の量に等しい。

L'Oréal（ロレアル）はこの法則を数値化した。同社の状況を想像してみてほしい——製品は150以上の国で販売され、データはあちこちのパイプラインに散らばっている。ある社員が特定の市場のある製品ラインの最近の売れ行きを知りたければ、要望を出し、データ専門家がカスタムクエリを組んでくれるのを待ち、専門家が自分の本当に聞きたかったことを正しく理解してくれていることを祈るしかない。会社全体のデータ活用能力が、このボトルネックで詰まっていた。

同社が出した答えは、Claudeをベースにした社内AIプラットフォームの構築だった——マルチエージェントシステムが、社員が普段の言葉で投げた質問を、正しいデータソースと15以上の専門agentに自動で振り分け、図表付きの回答へと統合する。

ここで注目すべきは「もっと強いモデルに乗り換えた」ことではなく、90種類の方式と一つの99.9%という対比だ——数多くの方式を試してもうまくいかず、うまくいったのは15の専門agentと正しいデータソースをきちんとオーケストレーションしたその一つだった。オーケストレーションとコンテキストこそが、90%から99.9%への溝を埋めるものなのだ。このプラットフォームを担当するThomas Menard（L'Oréal エージェントプラットフォーム&LAB責任者）はこう語る。「LLM-as-a-judgeのような自動評価能力によって、Claudeモデルの優位性はすでに何度も証明されています」

Lyft：「数ヶ月」を「数分」に圧縮する

この柱が語るのは別の光景だ——誰か一人が速くなったのではなく、生産ライン全体が速くなった。しかも直感に反する法則がある——プロセスが複雑で情報が密であるほど、得られる恩恵は大きい。

理由はやはり同じだ——プロセス自動化の価値は、その背後にあるコンテキスト次第で決まる。基準、コンプライアンス要件、組織知識をシステムに組み込めば、処理時間は数ヶ月から数分へと短縮でき、しかも品質は落ちない。成功の姿はこうだ——臨床文書作成者は数週間かけてレポートをまとめる作業から、ほとんどの労働時間をレビューと磨き込みに使う作業へと変わる。コンプライアンス担当者は数日かけて規制当局への提出書類を作る作業から、数分で初稿を生成する作業へと変わる。チーム全体が、労働時間の80%を文書作成に費やす状態から、80%を判断に費やす状態へと変わる。

Lyftはこの柱の確かな証拠だ。深夜に配車サービスでトラブルに遭ったことがあれば、あのイライラ感はわかるはずだ——移動でトラブルが起き、サポートに電話しても30〜40分待たされてようやくつながり、その先のサポート担当者も同時に3、4人を相手にしていて、返ってくるのはコピペのテンプレート文ばかり。これはまさにLyftがかつて置かれていた状況だった——6つの大陸、数千の都市にまたがり、カスタマーサポートシステムは限界まで追い込まれ、サポート担当者自身の消耗感も跳ね上がっていた。

LyftがClaudeを選んだのは、きちんと比較検討した結果だった——一つはパフォーマンスそのもの、もう一つはブランドの声のトーンに合うかどうか。ドライバーサポートから始め、乗客サポート、課金トラブルへと広げていった。今の光景はこうだ——Claudeが顧客の名前で挨拶し、具体的な状況を調べ、数秒で解決する。本当に人の判断が必要なときだけ、チケットと自ら生成した会話要約をセットにして、人間のサポート担当者にルーティングする。

この因果関係に注目してほしい——解決時間が87%短縮したのは、Claudeがサポート担当者よりタイピングが速いからではなく、Lyftの一連のチケット処理フローに組み込まれていて、調査ができ、判断ができ、人に渡すべきときには要約付きで渡せるからだ。これは埋め込みの深さがもたらした見返りであり、モデルの速さがもたらした見返りではない。

浮いた費用は数百万ドル規模にのぼるが、Lyftはそれを懐に入れず、サポートチームと新プロジェクトに再投資した。その一つがLyft Silverで、年配の乗客専用のマンツーマンサポートだ。AIが人を機械的な労働から解放し、浮いたコストが、以前なら到底作れなかった、より温かみのある新サービスへと姿を変えた。

Rakuten：顧客が以前はできなかったことをできるようにする

前の二本の柱は社内向けだったが、この柱は社外向けだ——AIはコストを削減してくれるだけでなく、以前なら到底作れなかったプロダクトを作れるようにしてくれる。

本書は一つの共通パターンを指摘している——最先端のAIモデル + 独自データ + 既存の信頼関係 + 深い専門領域の知見。AIはあくまでイネーブラーであり、本当の堀はその周りにあるすべてから生まれる。だからプロダクト層の機会は「コスト削減」だけにとどまらない。新しいプロダクト能力で純増収益と複利で膨らむ競争優位を生み出すことだ——先に動いた者が統合、データフライホイール、顧客の習慣を築き上げ、後発組が追いつきにくくなる。

この柱を最も完成度高く体現しているのがRakuten（楽天）だ。同社は70以上の事業を運営し、全社を挙げて「AI化（AI-nization）」戦略を推し進めている。同社は早い段階で見抜いていた——agentが本当に仕事をこなすには、持続的な計算資源、記憶、ストレージが要るということを。そこでエンジニアは最初、基盤をゼロから作り上げるところから始めた。この判断は当時としては正しかったが、代償もあった——差別化のためのイノベーションに投じられたはずのトップ人材が、まるごと基盤づくりに費やされてしまったのだ。

転機になったのは、Claude Managed Agents（Claudeプラットフォームが提供する、あらかじめ構築済みで設定可能なagent実行フレームワーク）の採用だった。「実行層」という地味で骨の折れる仕事をまるごとアウトソースし、自社のエンジニア人材を本物のagentic体験の磨き込みに専念させられるようにした。効果はまるで堰を切ったようだった——1週間以内に、エンジニアリング、プロダクト、営業、マーケティング、財務をカバーする専門agentが展開され、Slack、Microsoft Teams、自社のカンバンシステムに直結し、数時間にわたる長時間タスクをこなすようになった。しかもagentの記憶は複利で積み上がる——過去に犯したミスを覚えているので、同じ過ちを繰り返さない。

だがRakutenで最も印象に残るのは数字ではなく、一つの光景だ。同社は社内で、領域を横断して貢献するそうしたスーパーユーザーを「Galileo」（ガリレオ）と呼んでいる。その一人はプロダクトマネージャーであって、エンジニアではない。彼はたった一人で、複数のパブリッククラウド上にFinOps（財務運用）のパイプラインを組み上げ、さらにバックグラウンドで静かに動き続ける監視agentまで自分で用意した。かつてなら、プロダクトマネージャーがこんなことを思いつくことすらなく、エンジニアリングチームに頼み込んで順番待ちをするしかなかった。これこそがRakutenが下した構造的な判断だ——agentはあなたの未来の同僚でも、仕事を奪いに来る競争相手でもない。会社があらゆるものの構築を加速させるためのインフラなのだ。

この優位性は複利で膨らむ、線形には増えない

ここまでで前の二つの論点はすでに成立している——点在的な施策は凡庸に終わり、変革は組織のコンテキストにかかっている。だがそれだけでは足りない。優位性が一度きりの「お前より少し強い」で終わるなら、いずれ追いつかれる。本書の最も鋭い命題は第三層にある——この優位性は雪だるま式に膨らみ、先に動いた者が後発組と引き離す距離は、時間とともにどんどん広がっていく。

複利はどこから来るのか？本書は「精度がどう複利で伸びるか」という具体的なメカニズムを示している。よくあるやり方は、専門家に毎回同じ基準からAIのアウトプットをレビューさせるというもので、専門家はくたくたに疲れ、AIはいつまでも同じ場所にとどまる。正しいやり方は、人間の専門知識のフィードバックをAIのナレッジベースに還元する仕組みを作ることだ。専門家によるレビュー一回一回が、これから先のすべてのプロセスをより良いものにしていく。つまりAIの能力曲線は右肩上がりであって、平坦ではないということだ。

「道具」と「インフラ」を区別することが、複利を理解する鍵だ。道具は使い終わったら元の場所に戻すもので、価値は一定。インフラはその上にどんどん建物を建て増していくもので、建てた建物が増えるほど価値も上がっていく。点在的な施策は道具であり、変革はインフラを敷いていることだ。だから前者は線形で、後者は複利になる。

このメカニズムを突き詰めれば、結論は単純明快だ——最も早く始めた組織が、最も大きな優位性を積み上げる。毎月蓄積される承認記録、専門家のフィードバック、修正事例が、翌月のアウトプットをより速く、より正確にしていくからだ。あなたが1年遅れて始めれば、遅れるのは1年分の差ではなく「1年分の複利」の差だ——競合はその1年間、毎月強くなり続けているのに、あなたはゼロから始めることになる。

プラグインが組織知識を組織インフラへと変える

ここまでで論理の連鎖はすでに閉じている——点在的な施策は凡庸→変革はコンテキスト次第→コンテキストは複利で膨らむ→だから先に動いた者が勝つ。だがこの連鎖には一つ隠れた前提がある。ここまでのすべての事例を振り返ってみよう。L'Oréalの15agentオーケストレーション層、Lyftのカスタマーサポートシステム、RakutenのManaged Agents、さらに本書で触れられているNovo Nordisk（NovoScribeが臨床研究文書を10週間以上から10分に圧縮）、RBC（agenticソリューションが2200人のアドバイザーを支援し、6890億ドルの資産を管理）——どの会社も、Claudeにコンテキストを注ぎ込むためだけに、自前でカスタムプラットフォームを構築していた。

見返りは大きいが、参入障壁も高い——いずれもエンジニアリングリソース、時間、技術的専門性を必要とする。このゲームのスタートラインは、「自前でプラットフォームを構築できるエンジニアリングチームを持っていること」に設定されてしまっていた。大多数のナレッジワーカーは、この門の外に締め出されていた。

Claude Coworkはこの方程式を変えた。技術者でない人でも、企業がAPI上で自前構築していたのと同じagent能力を、カスタム開発なしで手に入れられるようにしたのだ。タスクを渡せば、返ってくるのはアドバイスの一節やアウトラインではなく、本当にやり終えたもの——Wordファイル一つ、Excelのモデル一つ、スライド一式、分析レポート一本だ。

その背後にあるのがplugins（プラグイン）という仕組みだ——skills（スキル）、コンテキスト、コネクタを一つのプラグインにパッケージ化し、Claudeに役割専用の専門性を与える。組織知識はもともとベテラン社員の頭の中に閉じ込められ、その人がいなくなれば消えてしまうものだったが、今やプラグインとしてパッケージ化され、複製でき、共有でき、蓄積できる——「個人の学習を組織の学習に変える」ことをエンジニアリングの仕組みに落とし込んだわけだ。Anthropicはすでに11個のプラグインをオープンソース化しており、生産性、営業、財務、データ、法務、マーケティング、カスタマーサポート、プロダクトマネジメント、エンタープライズ検索、生物学研究、そしてプラグイン管理そのものをカバーしている。

この仕組みを企業の中で本当に機能させるために、本書は企業レベルの四要素を挙げている——ガバナンス統制（組織専用のプラグインマーケットにより、ガバナンスを受動的な締め出しから能動的なキュレーション配布へと変え、shadow AIの野放図な蔓延を断つ）。セキュリティ設計（タスクはローカルで実行され、何もクラウド処理にアップロードしない。「企業AIへの最もよくある反対意見」が出される前にそれを解決しておく）。監査可能性（OpenTelemetryと互換性があり、AIがいつ、誰の代わりに、何をしたかを正確に把握できる）。統合と継続性（既存のCRMや文書システムの中で動作し、CoworkとExcel、PowerPointの間を切り替えてもコンテキストを失わない）。

4つの原則+3段階タイムライン、全文掲載

ここまで他社の物語をたくさん語ってきたが、最後は自分自身の話に落とし込む番だ。本書が示す実践方法は二つのパートに分かれる——4つの原則（それぞれがよくある衝動的な行動へのアンチテーゼになっている）と、原則をカレンダーに落とし込んだ6ヶ月のタイムラインだ。この二つは本書全体の中で最も実行可能な価値のある部分であり、日本語全訳を以下にそのまま掲載する。そのまま真似して使ってほしい。

• Start with specificity, not scale. Give Claude your standards, your tools, your institutional context from the beginning. Employees who receive generic output from a first interaction rarely give the tool a second chance. The organizations in this guide succeeded because they gave Claude enough context to produce output that felt like it came from someone who understood the business.

• Choose pilots with a measurable finish line. Each of the three pillars has different success metrics. Smarter employees might be measured by adoption rates and time savings. Faster processes might be measured by cycle time compression and quality scores. Transformative products might be measured by revenue impact and speed to market. Define your success criteria upfront, before the pilot starts, so the results are unambiguous.

• Build plugins for reuse from the beginning. The temptation is to build a quick solution for one team and worry about reuse later. Resist that temptation. Plugins built for one team should benefit the entire organization. When you encode tribal knowledge once, every team that installs the plugin gets the benefit immediately. The marginal cost of sharing a plugin is zero, while the marginal value is enormous.

• Never underestimate the governance layer. Admin controls, auditability, and organization-specific marketplaces are prerequisites for broad rollout, not features you add after adoption takes off. The organizations that skip governance early spend more time cleaning up unsanctioned usage than they saved by moving fast.

Phase 1: Setting evaluation and success criteria

For the first several weeks, focus exclusively on your evaluation and success criteria. Identify two to three teams with clear pain points and measurable workflows. Install the relevant plugins from the open-source repository or build custom plugins that encode your team's specific standards and processes. Define what success looks like before anyone starts using the tool.

For a sales team, for example, that might be call prep time reduced by 50 percent. For a legal team, it might be a contract review turnaround cut from five days to one. For a documentation team, it might be first-draft quality reaching 80 percent of the final approved version. The specificity of the success criteria matters: vague goals like "improve productivity" produce vague results that are easy to dismiss.

Phase 2: Launching a champion pilot

The second and third months of the initiative are the champion pilot. Two to three teams use Claude Cowork with their configured plugins in production workflows, not sandboxed experiments. Measure adoption weekly. Collect qualitative feedback alongside quantitative metrics, because the moments when employees discover unexpected value are often more informative than time-saved calculations.

The goal of this pilot phase is not perfection but proof of value and a clear understanding of what needs to change before broader rollout. Getting started with Claude Cowork in the help center provides practical guidance for configuring access and managing this initial deployment.

Phase 3: Scaling impact

Successful proof of concept in hand, months four through six shift to scaling and governance. It's time to deploy the admin marketplace controls, establish plugin review and approval workflows, and begin the rollout to additional teams using the plugins and configurations refined during the pilot.

Each team that comes online benefits from the institutional knowledge already encoded, which means the second wave of adoption moves faster than the first. The third wave moves faster still. This is the compounding dynamic in action: every investment in context, configuration, and governance makes the next deployment cheaper and more effective.

その中の「第二波は第一波より速く、第三波はさらに速い」という一文こそ、前述の複利メカニズムがカレンダーに落とし込まれた姿だ——モデルが良くなったからではなく、それまでに蓄積してきたコンテキスト、設定、専門家のフィードバックのすべてが、あなたの代わりに加速してくれているからだ。

完璧な計画は要らない。要るのは具体的な出発点だ

私たちは、ある営業担当者の電話が鳴る前の数秒間から話を始めた。今ならおそらくはっきり見えているはずだ——あの数秒間に隠されていたのは、節約できた数時間だけではないということが。

論理の連鎖全体をまとめておこう——モデルは決定的な変数ではない。その証拠に、同じモデルでも会社が違えば結果はまるで違ってくる。決定的な変数はscopeであり、AIを点在的な道具として扱うか、それとも変革の基盤として扱うかだ。点在的な施策は必ず凡庸に終わる。汎用的なアウトプットしか出さず、汎用的なアウトプットは永遠に「まだ手直しが要る」からだ。変革は組織のコンテキストをシステムにコード化することにかかっている。三本の柱の事例の数字（L'Oréalの99.9%、Lyftの解決時間87%短縮、Rakutenの重大エラー97%低下）が繰り返し証明しているのは、差を広げているのは埋め込みの深さとコンテキストの厚みであって、モデルそのものではないということだ。そしてこの優位性は複利で膨らんでいく——専門家のフィードバックがナレッジベースに還元され、agentの記憶が積み上がり、プラグインが組織知識を共有可能なインフラへと変える。だから先に動いた者が後発組を引き離す距離は、時間とともにどんどん大きくなっていく。

本書は最もよくある、そして最も致命的な過ちを指摘している——戦略が完璧に固まるまで最初の一歩を踏み出さないこと。成功する組織はまさにその逆で、狭い切り口から入り込み、素早く学び、確信を持って拡張していく。あなたに必要なのは完璧な計画ではない。必要なのはたった三つだけだ——具体的な出発点、数値化できる成功基準、そしてこれから実際に起きることから学び続ける意志。