DeNAのAIオールインから学ぶ業務再設計と人材再配置

「生産性20倍」の裏で、なぜ人は思ったほど動かなかったのかこの記事で持ち帰れるものは3つです。・南場智子氏が語った「無慈悲」の本当の対象と、その経営上の意味・DeNAが「AIオールイン」の1年間で出した具体的な成果と、数字を読む際の注意点・会社員でも経営者でも、今日の仕事にそのまま移せる「95％を渡し、5％を握る」方法最初に、事実関係を一つだけ整理しておきます。 2026年3月6日の「DeNA × AI Day 2026 | Proof.」でクロージング講演を行った時点で、南場氏の肩書はDeNA代表取締役会長でした。その後、同年6月27日付で代表取締役社長兼CEOに復帰しています。つまり本稿が扱うのは、会長として1年間の実験結果を語り、その数カ月後には自ら経営の前面へ戻った人物の言葉です。 DeNAは役割変更の理由として、経営のスピードを格段に上げ、将来の環境を前提に組織と事業モデルを変える必要性を挙げています。講演で繰り返された「速さ」と「先に動かす」という思想が、そのまま経営体制にも表れたように見えます。先に結論：「無慈悲」なのは、感情のないAIではない南場氏の言葉は、しばしば「AIは人間の事情を考えず、仕事を奪うから無慈悲だ」という意味で紹介されます。しかし、講演の正確な文脈は少し違います。南場氏が無慈悲だと評した対象は、ファウンデーションモデルやLLMを開発する巨大プレイヤーです。彼らは巨額の資金を投じて競争しており、汎用モデルが対応できる範囲を猛烈な速度で広げている。その結果、アプリケーション企業や専門サービス企業が「ここは自分たちだけの領域だ」と思っていた場所まで、基盤モデル側が入ってくる。南場氏はこの競争構造を指して、「LLMプレイヤーが思ったより無慈悲」「中途半端な専門性では一撃を食らう」と表現しました。ここは重要です。「AIに感情がないから怖い」という話なら、私たちはAIとの付き合い方や倫理の話をすればよい。しかし南場氏が突きつけたのは、もっと経営的な問題です。昨日まで有料で売れた機能が、基盤モデルの次の更新で標準機能になるかもしれない。時間をかけてつくった「便利なだけ」のプロダクトが、より大きな企業の機能追加一つで薄くなるかもしれない。個人についても、「知識を知っている」「それらしい文章を書ける」「一般的な分析ができる」だけでは、価値の説明が難しくなるかもしれない。無慈悲なのは、AIが怒るからでも、冷たいからでもありません。市場が待ってくれないからです。モデルの進化は、こちらの習熟度や社内事情に合わせて速度を落としてくれません。稟議が終わるまで待たない。研修が全員に行き渡るまで待たない。自社の新サービスが完成するまで、競合の能力向上を止めてくれない。だから「無慈悲」という言葉は恐怖を煽る比喩ではなく、競争の時間軸が変わったことを知らせる経営用語として読むべきなのです。 ▼ここからコピー「AIに何を奪われるか」ではなく、「次のモデル更新で、いま売っている価値のどこが無料化・標準化されるか」を考える ▲ここまで 1年前、DeNAが宣言したのは「AIツール導入」ではなかった話を2025年2月5日に戻します。南場氏は「DeNAはAIにオールインする」と宣言しました。目標は、当時およそ3000人で運営していた既存事業を、AIによる徹底した生産性向上によって半分の人員でも成長させ、残る半分を新規事業へ振り向けること。さらに、少人数のチームで複数のユニコーン級事業を生み出す構想まで示しました。これは単にChatGPTの利用率を上げる話ではありません。人の配置、仕事の流れ、事業ポートフォリオをまとめて変える宣言でした。「AI導入」と「AIオールイン」は、似ているようで違います。 AI導入は、いまある仕事の横に便利な道具を置くことです。議事録を要約する。メールの下書きをつくる。資料の構成案を出す。もちろん、これだけでも意味はあります。一方、AIオールインは、AIが使えることを前提に仕事そのものを設計し直します。誰が最初の案をつくるのか。どこで人が確認するのか。何を入力データにするのか。どの例外だけを専門家へ上げるのか。空いた時間を何へ振り向けるのか。評価制度をどう変えるのか。ここまで触って初めて、経営のAIシフトになります。 DeNAは宣言後、2025年4月にAIコンサルティングやソリューションを担うDeNA AI Linkを設立。 8月には社員と組織のAI活用度を可視化する「DeNA AI Readiness Score」、通称DARSを導入し、年末には現場の活用例を100件集めた「AI活用100本ノック」を公開しました。 DARSは個人と組織をそれぞれ5段階で捉え、最上位を、個人ならAIを軸に全体設計や事業変革ができる状態、組織ならAIだからこそ可能な戦略が実行される状態と定義しています。この順番にも意味があります。会社をつくる。能力を測る。現場事例を共有する。つまり、号令だけではなく、推進主体、測定指標、学習の流通経路を用意したわけです。 AI活用を個人の好奇心だけに任せず、組織能力として育てようとした。この設計が、1年後の数字につながっています。数字で見る「AIオールイン」1年の成果 2026年3月の講演で示された代表的な成果は、次の通りです。・一部の開発プロジェクトでは、人が担う部分が5％、AIが担う部分が95％となり、DeNAの説明では生産性20倍・リーガルチェックで90％の効率改善・QA、つまり品質管理は半分の工数で同等の業務を実施・Pocochaの配信審査は60％削減・Devinのエンタープライズ版は全社1000人規模で利用され、あるレガシー移行では6カ月想定の作業を1カ月で完了・QAの特定工程では、テスト作成工数を80％削減し、生成結果の95％を修正不要の水準まで改善南場氏は、こうした結果を「AIを前提として業務フロー自体を組み換えた」成果として説明しています。 QAの現場では、要件整理、テスト分析、テスト設計、テスト実装を細かく分け、各工程でAIが高い完成度まで出した後、人がレビューして次工程へ渡す方式が採られました。 AIだけで最初から最後まで走らせるのではなく、人の確認点を工程の中へ埋め込んだのです。ここで、「20倍」という数字を正しく読みましょう。仮に、以前は100の人手が必要だった仕事を、同じ成果水準のまま5の人手で回せるなら、人手基準の生産性は100÷5で20倍です。計算は分かりやすい。しかし、この数字はDeNA全社の平均でも、全業務の一律目標でもありません。講演でも「プロジェクトによっては」と限定されています。したがって、次のように読むのが安全です。「DeNAの社員全員が20倍になった」ではない。「95％の社員が不要になった」でもない。「AIに任せれば品質確認がいらない」でもない。正しくは、業務を分解し、AIが得意な部分へ十分な情報と道具を渡し、人が担う確認点を設計すれば、特定の仕事では人の関与量を劇的に減らせることが実証された、です。この違いは大きいです。 20倍という見出しだけを追えば、AI製品を契約すれば明日から同じ成果が出るように見える。しかし実際に必要なのは、業務の観察、データ整備、仕様の言語化、権限設計、レビュー基準、失敗時の戻し方です。数字の派手さより、その裏の設計に学ぶべきなのです。「20倍」「90％」「半分」「60％」は、同じ種類の成果ではない数字を横に並べると、すべてが単純な工数削減に見えます。しかし、実際にはそれぞれ違う変革を示しています。まず、一部プロジェクトの20倍は、仕事の「担当者」が変わったことを示す数字です。人が自分で作業し、AIを補助に使う形から、AIが大半を進め、人が方向修正と最終判断をする形へ主従が入れ替わった。ここでは、個々の作業を数分短縮する改善ではなく、仕事の生産方式そのものが変わっています。リーガルチェックの90％効率改善は、専門家の価値が消えた数字ではありません。すべての案件を同じ重さで専門家が最初から読むのではなく、定型論点の抽出や比較を機械へ寄せ、人は例外、高リスク、交渉が必要な案件へ集中できる可能性を示します。専門家を工程から外すのではなく、専門家を最も価値の高い場所へ置き直す発想です。 QAの工数半減と、特定工程におけるテスト作成80％削減は、工程分解の成果です。 AIに「テストを全部やって」と曖昧に頼むのではなく、要件整理、分析、設計、実装へ分け、途中で人が品質を確定する。精度を100％へ近づけるためにAIだけを何度も回すより、適切な地点で人が短く介入する方が安い、という割り切りが効いています。 Pocochaの配信審査60％削減は、大量に発生する運用業務での効果を示します。件数が多く、判断パターンが蓄積し、例外を人へ戻せる業務は、AI化の恩恵が積み上がりやすい。 1件で数分の短縮でも、日々大量に発生すれば経営インパクトになります。そして、6カ月想定の移行を1カ月で終えた事例は、並列化の力です。人は一度に一つの重い作業へ集中しがちですが、AIエージェントには複数のタスクを並行して投げられる。仕事の総量だけでなく、完成までの経過時間を縮められる点が重要です。つまり、成果を測る物差しは一つではありません。人手が何割減ったか。完成までの日数が何日縮んだか。人が見る案件を何件まで絞れたか。品質や差し戻し率がどう変わったか。同じ人数で試せる仮説が何本増えたか。この五つを分けて見ると、自分の仕事で狙うべき効果が見えます。南場式の本質は「人を減らす」ではなく「仕事を組み替える」 AIの話になると、すぐに「何人削減できるか」という議論になりがちです。しかし、DeNAの事例から見える本質は、人員削減そのものではありません。第一段階は、タスクを移すことです。要約、検索、比較、下書き、形式変換、テスト案の作成など、一定の型を持つ作業をAIへ渡す。第二段階は、工程を組み替えることです。 AIが出したものを最後にまとめて人が直すのではなく、途中に短いレビューを置き、誤りが増幅する前に止める。 QAで行われた「工程ごとにAIが出し、人が精度を担保して次へ渡す」という考え方は、多くの職種へ移植できます。第三段階は、人と組織を動かすことです。効率化で生まれた時間を、既存業務の追加作業へ吸収させず、新規事業、顧客価値、研究、改善へ移す。ここまでできて初めて、AIによる生産性向上が会社の成長へ変わります。この三段階を飛ばし、いきなり「AIで人を半分にする」と考えると失敗します。現場は防衛的になり、知見が共有されず、AIの誤りを隠すようになり、結局は手戻りが増えるからです。先にやるべきは、どの成果を増やしたいのかを決め、そのために仕事を分解することです。たとえば営業なら、顧客への信頼形成や最終提案までAIへ丸投げするのではありません。商談前の企業調査、過去の会話整理、仮説の列挙、提案書の初稿、反論パターンの洗い出しをAIへ渡し、人は相手の表情、社内政治、優先順位、覚悟を読む。法務なら、条文の一次比較、論点抽出、定型チェックをAIへ渡し、例外判断、リスク受容、交渉方針、最終責任を人が持つ。編集なら、資料整理、構成の候補、重複検出、表記統一をAIへ渡し、何を伝えるか、何を削るか、誰を傷つけ得るか、どこに独自性があるかを人が決める。つまり、AI時代の仕事設計は「人かAIか」ではありません。「仕事のどの瞬間に、どちらが主導権を持つか」です。 ▼ここからコピー仕事を「情報を集める」「案をつくる」「比較する」「決める」「責任を取る」に分け、最初の3つからAIへ渡す ▲ここまで AIは「道具」から「スタッフ」へ。そのとき必要なのは環境設計南場氏は2026年の講演で、AIエージェントがサポートツールからスタッフへ変わったという趣旨の説明をしています。 DeNAでは、社内で「Lemon君」と呼ぶAIエージェントをSlack上で使い、リマインド、情報収集、会話からのタスク引き受けなどを試していました。重要なのは、AIの性能だけではありません。社内Wikiやカレンダーなど、AIが仕事をするためにアクセスできる範囲をIT部門が少しずつ広げていた点です。ここから分かるのは、優れたプロンプトを書く能力だけでは足りないということです。スタッフとして働くAIには、少なくとも五つの環境が必要です。一つ目は、正しい資料です。古い規程、重複したマニュアル、出所不明の数字しかなければ、AIは速く間違えます。二つ目は、権限です。何を読めるか、何を書き換えられるか、外部送信してよいかを決める必要があります。三つ目は、道具です。検索、表計算、コード実行、社内システムなど、言葉を返すだけでなく作業を完了する手段が必要です。四つ目は、評価基準です。何をもって完了とするか、どの誤りは許容せず、どこから人に戻すかを定義します。五つ目は、記録です。 AIが何を参照し、何を実行し、どこで失敗したかを追えるようにします。 DeNAはAI活用を進める一方、法務、セキュリティ、IT、コンプライアンスなどが横断するガバナンス体制を置き、入力データ、プロンプト、生成物、契約条件を含めて利用フローを管理しています。攻めるために守りを弱めたのではなく、速く試せる管理経路をつくったのです。個人でも同じです。 AIに「優秀な部下になって」と頼む前に、その部下が見るべき資料、使ってよい情報、完成条件、禁止事項を渡す。良いAI活用は、会話術より職場づくりに近いのです。最大の誤算：効率化しても、人は自然には新規事業へ移らない DeNAの1年間で最も価値のある学びは、成功の数字より、うまくいかなかった部分にあります。 AIによって同じ仕事が楽になると、社員は「時間が余りました」とは言わなかった。真面目な社員ほど、これまで手をつけられなかった既存業務を新しく詰め込んだ。結果として、新規事業への人材シフトは想定ほど進まなかったと、南場氏は率直に認めています。そこで出した答えが、「人が浮くのを待つ」のではなく、先に人を動かすことでした。さらに、マネージャーの評価に「人材の輩出」を入れる方向も示されました。これは、多くの企業が見落とす点です。効率化は、空白を自動的につくりません。仕事には、空いた時間を埋める性質があります。分析を詳しくする。会議資料を増やす。以前は見送っていた改善を始める。返信をさらに丁寧にする。どれも悪い仕事ではありません。だからこそ、現場の善意だけでは資源配分が変わらないのです。ここで経営の役割が出てきます。「AIで空いたら新規事業をやってください」とお願いするのでは足りません。既存チームの定員を先に減らす。新しい役割へ正式に異動させる。既存業務のサービス水準をどこまで維持するかを決める。やらない仕事を明文化する。人を送り出した管理職が損をしない評価制度にする。南場氏の経営術が「天才的」に見えるのは、AIの可能性を語ったからではありません。生産性が上がれば人は自然に創造的な仕事へ移る、という美しい前提が外れたとき、すぐに人事と評価の問題へ論点を移したからです。 AI活用の失敗は、しばしば技術の失敗ではありません。資源配分の失敗です。個人にも翻訳できます。 1時間短縮できた仕事の後に、別の雑務を入れてしまえば、人生は変わりません。浮いた1時間を、学習、営業、作品づくり、顧客との対話、休息のどれに使うか、先に予定へ入れる必要があります。 ▼ここからコピー AIで短縮できた時間は「空き時間」にしない。先に、売上・学習・創作・休息のどれへ再投資するかをカレンダーに確保する ▲ここまで「良いプロダクト」より「速く変わり続けるプロダクト」南場氏は、AI時代には静的なプロダクトの優位性が薄れ、ベロシティ、つまり改善速度が決定的になると述べました。ある時点でUIや機能が優れていても、顧客のずれに気づいた瞬間に直せない、新しいモデルをすぐ製品へ取り込めない、競合の変化へ短い周期で反応できないなら、その優位性は長持ちしないという見方です。さらに、開発が速くなるほど、販売チャネル、コミュニティ、顧客基盤といったディストリビューションの重要性が上がると説明しています。この話は、プロダクト企業だけのものではありません。企画書も同じです。最初から完璧な100ページをつくる人より、10ページの仮説を早く見せ、反応を受けて直す人の方が、最終的な精度を上げやすい。営業も同じです。一般論を長く準備するより、顧客固有の仮説を早く投げ、違いを聞き、次の提案へ反映する方が強い。採用も同じです。半年かけて完璧な採用広報をつくるより、候補者の反応を毎週取り込み、訴求と選考体験を更新できる組織が強い。 AIがつくるのは、単なる作業時間の短縮ではありません。「試す→反応を見る→直す」の一周を短くする力です。だから、AI時代の生産性を「1人が何件処理したか」だけで測ると、本質を外します。見るべきは、仮説を顧客へ届けるまでの日数、修正を反映するまでの時間、意思決定までの往復回数、学習サイクルの速さです。速さは、雑さではありません。小さく出し、早く間違い、安く直す能力です。「中途半端な専門性」は不要になるのかここで不安になる人もいるでしょう。自分は世界一の専門家ではない。突出した才能もない。なら、AIに淘汰されるのか。結論から言えば、南場氏の発言は「専門家はいらない」という話ではありません。むしろ逆です。 AIが一般知識や平均的な案を高速で出せるほど、人には深い専門性が必要になります。ただし、価値の置き場所が変わります。単に用語を知っていること。検索すれば出る情報を覚えていること。定型文を速く書くこと。過去資料と似たものをつくること。ここだけに価値を置くのは厳しくなる。一方で、次のものは価値が上がります。その業界でしか分からない例外。現場に蓄積された独自データ。顧客が言葉にしていない制約。何を採用し、何を捨てるかという基準。誤ったときに責任を引き受ける立場。他者から信頼され、実行まで動かす力。南場氏は「〇〇×AI」の〇〇に、複雑性と深さが必要だと説明しています。深いドメイン知識や、その領域のプレイヤーだけが持てるデータが、防御力になるという考え方です。 DeNAの現場記事にも、この考えを裏づける場面があります。 AIはもっともらしい出力をつくれる一方、その中身が正しいか、抜けがないかを見抜くには業務知識が必要でした。計算や整合性確認をAIへ直接任せて失敗した後、AIに検査プログラムを書かせる方式へ変えた例や、生成文章の偏りを人が発見して参照情報を組み直した例も公開されています。つまり、これから強い人は「AIより多く暗記している人」ではありません。 AIに仕事を渡せるほど業務を理解し、AIの出力を疑えるほど基準を持ち、最後に意思決定できる人です。中途半端な専門性を脱する方法は、資格を増やすことだけではありません。自分の仕事で起きる例外を記録する。判断基準を言葉にする。良い例と悪い例を集める。顧客の本音に触れる。失敗の理由を説明できるようにする。これらはすべて、AIへ渡す文脈になり、同時に自分の専門性になります。 ▼ここからコピー「自分が知っていること」ではなく、「自分にしか説明できない例外・判断基準・失敗パターン」を3つ書き出す ▲ここまで自分の仕事を「AI95％・人5％」に翻訳する方法ここからは、読者の仕事へ直接落とします。最初に注意したいのは、すべての仕事を本当に95対5へする必要はないということです。医療、法務、人事、経営、教育など、高い説明責任や対人関係を伴う仕事では、人の関与がもっと大きくて当然です。 95対5は目標値ではなく、「いま自分が抱えている作業のうち、本当に自分の判断が必要なのはどこか」を見抜くためのレンズです。まず、今日の仕事を一つ選びます。たとえば月次レポートの作成としましょう。工程を並べると、データ収集、形式統一、集計、異常値の検出、要因仮説、関係者への確認、結論、提案、文章化、体裁調整があります。このうち、AIへ渡しやすいのは、形式統一、集計用コードの作成、異常候補の列挙、仮説のたたき台、文章の初稿、体裁調整です。人が握るべきなのは、数字の定義が変わっていないか、異常が本当に事業上重要か、誰へ確認するか、どの仮説を採用するか、何を提案するか、誤りがあったとき誰が説明するかです。このとき、人の5％は「最後に誤字を直す部分」ではありません。目的と基準と責任を握る部分です。実務では、次の順番で仕分けすると失敗しにくくなります。頻度が高いか。毎日、毎週、毎月繰り返す仕事ほど効果が積み上がります。正解例があるか。過去の良い成果物、マニュアル、チェックリストがあれば、AIへ教えやすくなります。誤りを検知できるか。間違っても人が見抜ける、数式で照合できる、別資料と突合できる仕事から始めます。失敗時の影響が限定的か。外部送信、採用判断、契約締結、支払い実行などは、いきなり自動実行させません。浮いた時間の再投資先があるか。ここがなければ、効率化は雑務の増加で終わります。おすすめは、「作成」と「承認」を分けることです。 AIに作成させ、人が承認する。慣れたらAIに一次確認もさせ、人は例外だけを見る。それでも安定したら、限定された範囲で実行まで渡す。この段階を踏めば、速度と安全性を両立しやすくなります。 ▼ここからコピーこの仕事の目的は何か／完成条件は何か／AIに渡す入力は何か／人が必ず見る箇所はどこか／失敗したらどう戻すか ▲ここまで職種別に見る「AIへ渡す95％、人が握る5％」同じ95対5でも、職種によって人が握る部分は違います。ここを間違えると、速くなっても価値が下がります。営業 AIへ渡すのは、企業調査、ニュース整理、過去商談の要約、仮説づくり、質問案、提案書の初稿、商談後のToDo整理です。人が握るのは、相手が本当に困っていることの見極め、言葉に出ない不安、社内の意思決定構造、条件交渉、約束です。営業の5％は、話す技術より「この相手に何を約束してよいか」の判断です。マーケティング・編集 AIへ渡すのは、資料の横断整理、競合表、見出し案、複数パターンのコピー、表記統一、重複チェックです。人が握るのは、誰のどんな感情を動かすのか、何を言わないのか、ブランドとして許容できる表現か、独自の事実があるかです。平均点の文章はAIが大量につくれます。だから編集者の価値は、足すことより選び、削り、意味を与えることへ移ります。人事・採用 AIへ渡すのは、求人票のたたき台、面談記録の整理、候補者への案内文、質問候補、研修教材の初稿です。人が握るのは、採用基準、候補者の可能性、組織との相性、公平性、本人へ伝える責任です。過去の採用データには過去の偏りも含まれます。だから、AIが出した順位を判断そのものにしてはいけません。経理・法務・管理部門 AIへ渡すのは、資料照合、論点候補、差分抽出、規程検索、定型文、チェック用コードの作成です。人が握るのは、数字や条文の定義、例外、重要性、リスクを受け入れるかどうか、外部説明です。 DeNAの現場でも、AIへ直接計算させるより、検査プログラムを書かせる方が安定した例が示されています。エンジニア・デザイナー AIへ渡すのは、定型実装、テスト案、リファクタリング候補、調査、複数案の生成、仕様からの初期モックです。人が握るのは、アーキテクチャ、ユーザー体験、セキュリティ、性能上の制約、技術的負債をどこまで受け入れるかです。コードや画面をつくる速度が上がるほど、「何をつくらないか」の判断が重くなります。管理職・経営者 AIへ渡すのは、情報収集、議事録、シナリオ比較、論点整理、進捗の異常検知、会議資料の初稿です。人が握るのは、目標、優先順位、人の配置、撤退、投資、評価、責任です。管理職の5％は最もAIへ渡しにくく、同時に最も避けたくなる仕事です。だからこそ、資料づくりが速くなっただけで満足せず、意思決定へ時間を移す必要があります。どの職種でも共通するのは、人が握る5％が「高度な手作業」ではない点です。目的、例外、関係、責任です。 7日間で試す「南場式AIオールイン」会社全体の改革は大きくても、個人の実験は今日から始められます。次の7日間だけ、一つの反復業務で試してください。 1日目：時間を測る対象業務を一つ選び、開始から終了まで何分かかったかを記録します。感覚ではなく、現状値を取ります。成果物の品質も、「修正回数」「差し戻し」「誤り件数」など一つでよいので記録します。 2日目：工程を10個以内に分ける「資料をつくる」のような大きな単位ではなく、検索、転記、比較、構成、執筆、確認、送信まで分けます。そして各工程に、AI主導、人主導、共同の三つの印を付けます。 3日目：正解例を集める良い過去資料を3つ、悪い例を1つ、用語集やルールを一つにまとめます。 AIは指示の巧さだけでなく、参照する材料の質で変わります。 4日目：まず80点を出させる完璧なプロンプトを考え込まず、初稿を出させます。重要なのは、どこで失敗するかを見ることです。 DeNAの現場でも、使い始めから完成形だったわけではなく、誤りや偏りを見つけ、参照資料や方法を変えています。 5日目：失敗をルールへ変える「数字を作った」「古い資料を参照した」「結論が一般的すぎた」など、失敗を一行ずつ記録します。そして、禁止事項、確認手順、参照範囲、出力形式へ変換します。 6日目：人の確認点を減らす最初は全部を読み直して構いません。次に、数字、固有名詞、結論、外部送信部分など、事故が起きる箇所だけを見る形へ絞ります。確認をなくすのではなく、確認を設計します。 7日目：短縮時間を予約する初日の時間と比べます。 30分短縮できたなら、その30分を何へ使うか決め、翌週の予定へ先に入れます。新規提案を1本考える。顧客へ1件連絡する。専門書を読む。休む。ここまでやって実験完了です。この7日間で見る数字は、利用回数ではありません。所要時間は減ったか。品質は維持または向上したか。人が見る箇所は明確になったか。浮いた時間を価値ある活動へ移せたか。この四つです。 AIを何回使ったかは、成果ではありません。 DARSもAI利用そのものを目的にせず、より高い目標や成果へつなげる考え方で設計されています。チームで進めるなら「30日」でここまで設計する個人の7日間実験で手応えが出たら、チームでは30日を一つの区切りにします。大規模な全社プロジェクトを始める前に、小さな業務で経営の型をつくるためです。第1週：業務ポートフォリオをつくるチームの定例業務をすべて並べ、月間工数、頻度、失敗時の影響、正解例の有無を記録します。候補は「工数が大きい仕事」だけで選びません。繰り返しが多く、入力と完成条件が比較的明確で、誤りを検知できる仕事を優先します。ここで現在の所要時間、品質、差し戻し率を測っておかなければ、導入後に成果を証明できません。第2週：三つだけ実験する候補を三つに絞り、一つは文章・情報整理、一つは照合・チェック、一つは実行を伴う作業にします。最初から全員へ広げず、担当者とレビュー者を決めます。入力してよい情報、外部送信の可否、必須確認項目も先に決めます。 DeNAがAI活用を進めながら、部門横断のガバナンスと迅速な利用フローを整えたのと同じく、試す速度を上げるための最低限のガードレールを置きます。第3週：個人技を業務フローへ変えるうまくいったプロンプトを共有するだけでは足りません。参照資料、入力形式、出力形式、確認者、例外時の連絡先まで一つの手順にします。担当者が休んでも同じ品質で回るかを試します。この段階で初めて、「AIが得意な人の便利技」が「チームの生産能力」に変わります。第4週：人と時間を先に動かす短縮できた工数を合計し、その分だけ翌月の既存業務を減らすか、新しい仕事の担当を正式に決めます。「空いたらやる」ではなく、会議を一つやめる、レポートを一本減らす、新規提案の担当を置くなど、予定と役割を変更します。 DeNAの最大の課題が、効率化後の人材シフトだったことを忘れてはいけません。 30日後の報告では、次の六つだけを並べます。導入前後の所要時間。品質または差し戻し率。人が確認する箇所と所要時間。完成までの経過日数。短縮できた総時間。その時間を実際に移した先。最後の「移した先」が空欄なら、AI導入はまだ経営成果になっていません。ここで使える指標が「再投資率」です。短縮できた時間のうち、顧客価値、新規事業、学習、重要な改善、休息へ意図的に振り向けられた割合を測ります。 100時間短縮しても、100時間が別の低価値業務で埋まれば再投資率は0％です。 30時間を新規提案、20時間を品質改善へ移せたなら50％です。生産性向上を成長へつなぐ管理職は、節約時間ではなく再投資率を見ます。経営者と管理職が真似すべき5つの問い個人の工夫だけでは、組織の生産性は頭打ちになります。管理職には、次の問いが必要です。第一に、「どの仕事をやめるか」。 AIで速くなった後も業務を全部残せば、人は空きません。第二に、「誰を先に動かすか」。余力が自然に申告されるのを待たず、成長領域へ正式に配置します。第三に、「人を送り出した上司をどう評価するか」。優秀な人を抱え込む管理職が得をする制度では、全社最適は起きません。第四に、「何を全社共通にし、何を現場へ任せるか」。安全なツール、データ取扱い、最低限の研修は共通化し、使い方の発見は現場から出す。 DeNAがトップダウンの宣言と、100件の草の根事例を併存させた点は参考になります。第五に、「浮いた資源を何へ賭けるか」。コスト削減だけなら、いずれ競合も同じ道具を使います。新しい顧客価値、独自データ、販売網、コミュニティ、深い業務知識へ再投資して初めて差になります。 AI経営とは、AI予算を増やすことではありません。人、時間、意思決定、情報、評価を再配分することです。 AI導入を失敗させる5つの誤読最後に、DeNAの事例を表面だけ真似したときに起きやすい誤読を整理します。一つ目は、「最新ツールを契約すれば変革になる」です。ツールは入口にすぎません。参照資料、権限、工程、レビュー、失敗時の戻し方がなければ、速い下書きが増えるだけです。二つ目は、「人の確認をゼロにするほど優れている」です。高リスク業務では、確認ゼロより、確認箇所を少なく明確にする方が現実的です。 QAの事例が示すのも、AIだけで100点を目指すのではなく、適切な工程で人が介入する設計でした。三つ目は、「効率化すれば自然に新規事業が生まれる」です。 DeNA自身が、空いた時間が既存業務へ再吸収されたと認めています。再配置、やめる仕事、評価制度まで決めなければ、成長資源は生まれません。四つ目は、「利用率が高ければ成功」です。毎日AIを使っていても、会議資料が増えただけなら生産性向上とは限りません。所要時間、品質、サイクルタイム、新しい成果、再投資先まで測る必要があります。五つ目は、「専門性がなくてもAIが埋めてくれる」です。 AIは平均的な答えを出す力を広げますが、誤りや欠落を見抜く基準までは自動的に与えてくれません。業務知識が弱い人ほど、もっともらしい出力をそのまま通す危険があります。 DeNAの現場でも、出力を見極めるには人側の知識が不可欠だと報告されています。この五つを反対から読むと、導入の条件が分かります。仕事を分ける。人の確認点を決める。浮いた資源を先に動かす。成果を測る。人の専門性を深くする。これが、派手なデモを経営成果へ変える最低条件です。課題も込みで見るから、南場氏の言葉は強い南場氏の講演は、AI礼賛ではありません。基盤モデル企業は想像以上の速度で領域を広げる。中途半端な差別化は薄くなる。良いプロダクトを一度つくっても、速く更新できなければ優位性は続かない。効率化に成功しても、人は自動的に新規事業へ移らない。 AIエージェントを働かせるには、権限、データ、道具、監督が必要になる。それでも、悲観で終わらない。深い業務知識や独自データがある領域には勝ち筋がある。日本が強みを持つハードとソフトのすり合わせ、現場の暗黙知、きめ細かなサービスには可能性がある。南場氏は、フィジカルAIを含む新しい産業の試合はまだ始まったばかりで、日本はまだ勝てるという見方を示しています。この前向きさは、根拠のない楽観ではありません。無慈悲な現実を先に認める。うまくいかなかった配置転換も公開する。数字を出す。次の打ち手を変える。その上で、まだ戦える領域を選ぶ。ここに、南場式の経営術があります。現実を甘く見ない。しかし、人間の可能性まで安く見ない。 AIを使って既存業務を速くするだけでは足りない。浮いた力を、新しい価値へ先に移す。一般知識で勝とうとせず、深い専門性、独自のデータ、顧客との関係、実行力を磨く。完璧な計画を待たず、小さく試し、学習の速度を上げる。そして何より、自分が握るべき5％を決める。目的を決める。良し悪しの基準を持つ。例外を判断する。人との信頼を引き受ける。最後の責任を取る。この5％が曖昧なままでは、AIへ95％を渡せません。反対に、この5％が明確な人ほど、AIを大きく使えます。「AIに仕事を奪われるか」という問いだけでは、もう足りません。これから問われるのは、「AIに渡せる仕事を、なぜまだ自分が抱えているのか」「AIで空いた時間を、何へ賭けるのか」「次のモデル更新でも残る自分の深さは何か」です。無慈悲なAI時代に必要なのは、AIより速く答えることではありません。 AIによって答えが安くなった世界で、何を問うか、何を選ぶか、どこに人を動かすかを決めることです。

DeNAのAIオールインから学ぶ業務再設計と人材再配置

AIFCC — AI Fluent CxO Club