はじめに
Harvard Business Reviewのポッドキャスト「HBR IdeaCast」が2026年7月7日に公開したエピソードでは、The Atlantic誌の記者ジョシュ・タイランジェル氏が、企業のAI導入で本当に重要なのは技術の選定ではなく解決すべき課題の明確化であると語りました。本稿では、この対談内容をもとに、AI導入を成功させるための視点について解説します。
参考記事
- タイトル: How Leaders Can Use AI to Solve Real Business Problems
- 著者: Josh Tyrangiel(聞き手: Adi Ignatius、Alison Beard)
- 発行元: Harvard Business Review(HBR IdeaCast)
- 発行日: 2026年7月7日
- URL: https://hbr.org/podcast/2026/07/how-leaders-can-use-ai-to-solve-real-business-problems
関連記事
要点
- AI導入の成否は、モデルの性能よりも「解決すべき課題を明確にすること」に左右されるとタイランジェル氏は指摘している
- クリーブランド・クリニックでは医師主導でAI活用を進め、退院・転院予測ツールにより救急外来の待ち時間を90分短縮し、敗血症予測モデルにより院内死亡率を41%低減させた
- 敗血症予測モデルは、判断根拠を示す「説明可能性」を組み込むまで現場の医師に活用されず、AIが人間の経験的な察知をすべて代替することはできなかった
- タイランジェル氏は、AI導入を組織に定着させるには経営層と従業員の透明なコミュニケーション、そして予算設定が重要であると述べている
- 人材面では、既存スキルとAIを組み合わせる「統合」の発想が、上から押し付ける導入よりも効果的であるとしている
詳細解説
「課題ファースト」という原則
タイランジェル氏によれば、AI導入の現場で成功しているケースに共通するのは「何を解決したいのかを最初に明確にし、その解決策への期待値を現実的に持つこと」だといいます。一方で、多くの企業がAIを万能薬のように扱い、ライセンスを購入すればソフトウェアが自動的に業務へ組み込まれ、生産性が向上すると期待してしまう傾向があると述べています。実際には、課題を精緻に切り分けたうえで、システムとソフトウェアの両方を扱える人材が不可欠だと同氏は指摘しています。
また、AI開発企業が自らを「ラボ(研究所)」と呼ぶことについても、同氏は営利企業としての性質を覆い隠す効果があると分析しています。AI開発企業の多くは多額の投資を受けており、投資回収への期待が事業判断の背景にあると考えられます。モデルの学習やチューニングに長けていることと、顧客理解や組織運営といった「ソフトスキル」に長けていることは別問題であり、両者を混同しないことが導入判断において重要だと思います。
この点は、AI変革を実現できている企業がごく一部にとどまるという調査結果とも重なります。経営層が楽観的である一方、現場とのギャップが埋まっていない実態を示した調査でも、課題設定の甘さが導入の壁になっている様子がうかがえます。
クリーブランド・クリニックの事例:病院運営の効率化
タイランジェル氏が取材した医療機関の一つがクリーブランド・クリニックです。同院のCEOであるトミスラフ・ミハリェヴィッチ氏は、外部パートナーとの大規模提携ではなく、医師自身がAI活用の意思決定を担う体制を敷いていると同氏は紹介しています。
具体的な事例として、病床の稼働管理があります。病院は宿泊施設に似た性質を持ちながら、患者の入退院タイミングを事前に把握しづらいという課題を抱えています。クリーブランド・クリニックでは、Palantirと連携し、診療データや医師の音声記録を活用して患者の退院・転院時期を予測するツールを構築しました。その結果、救急外来の待ち時間が90分短縮され、転院受け入れ率の向上にもつながったと説明されています。
病床管理という一見地味な業務領域であっても、データに基づく予測が病院経営の効率と医療の質の両方を押し上げる可能性があることを示す事例だと考えられます。
クリーブランド・クリニックの事例:敗血症予測とAIの限界
もう一つの事例が、敗血症の予測です。敗血症は米国において年間約35万人の死者を出す主要な死因の一つとされ、早期発見できれば抗菌薬治療で対応できる一方、発見が遅れると重篤化しやすい疾患です。同院では2021年、自院の敗血症による死亡者数を課題視し、Bayesian Healthの予測ソフトウェアを導入して電子カルテシステムEpicと統合しました。
導入当初は、リスクを緑・黄・赤の3段階で示す仕組みでしたが、判断根拠が示されないため、現場の医師には活用されなかったといいます。ICUでは常時さまざまな機器がアラートを発しており、根拠のない警告に対して人命に関わる判断を委ねることは難しいという背景があったと考えられます。その後、警告に説明可能性を組み込む改善を重ねた結果、1年間で院内死亡率が41%低減し、約1,000人の命が救われた計算になるとタイランジェル氏は述べています。
一方で、ICUでの症例の約1割は、経験豊富な医師や看護師が患者の様子や肌の色から敗血症を察知できても、AIモデルはそれを検知できなかったといいます。データ化しにくい経験的な察知の領域では、AIによる代替には限界があると言えるでしょう。この2つの事例は、専門知識を持つ現場担当者がAIの精度を継続的に調整し続けたことが、成果につながった要因だと考えられます。
経営層に求められる姿勢:人材・コミュニケーション・予算
タイランジェル氏は、AI活用の議論が技術そのものよりも組織運営の話に近づいていると述べています。例えば、コーディング支援AIの登場によってエンジニア一人あたりの生産量は大きく増えた一方で、成果物の設計品質やブリーフィングの反映漏れが起きやすくなっているという課題も紹介されています。また、AIを活用したカスタマーサポートを導入した企業で、利用者が最も多く入力する言葉が「人間に代わってほしい」だったという指摘もあり、技術の高度化と顧客体験の向上が必ずしも一致しないことがうかがえます。
人材育成については、既存のスキルとAIを組み合わせる「統合」の発想が重要だと同氏は述べています。米国では約40年間続いた連邦の職業再訓練プログラムが2022年に終了しており、後継となる仕組みは確立されていないといいます。同氏は、電気工事士がAIを使って写真から不具合を素早く診断する例を挙げ、既存の熟練労働とAIを組み合わせる方向性に可能性があるとしています。
経営者への実践的な助言としては、次の4点が挙げられています。第一に、「AI」を一枚岩の技術として扱わず、どの技術がどの課題に対応するのかを具体的に伝えること。第二に、導入の意図を透明に共有し、従業員をパイロットの当事者として巻き込むこと。第三に、利用予算の上限をあらかじめ設定すること。第四に、自社の業務の中で法務や会計処理など「コード化された規則」に相当する領域を洗い出し、そこにAI活用の機会を探ることです。特にデータの品質が低い場合は、AI活用の前にデータ整備という大きな課題が控えている点にも注意が必要だと思います。
同様に、AI導入を最後までやり切れずに経営トップが交代したケースも報告されており、技術の導入自体よりも変革を完走させる組織運営の難しさが浮き彫りになっています。
まとめ
本稿では、The Atlantic誌記者ジョシュ・タイランジェル氏の対談をもとに、AI導入の成否を分けるのは技術選定ではなく課題設定であるという視点を紹介しました。クリーブランド・クリニックの事例は、現場主導での地道な調整が成果につながることを示しています。生成AI導入の実践ポイントについては過去記事でも整理していますので、あわせてご覧いただければと思います。
