AIを入れても組織が速くならない理由を、40年前の工場の本が説明していた

こんな方におすすめ

• AIツールを導入したが、事業指標が思うように動かない経営者・事業責任者
• 「現場は便利になった」と聞くのに、全体の成果に繋がっている実感がない方
• AI導入の次の一手を考えたい方

この記事を読むと

Before：AIを現場は便利と言っているけれど、事業の数字が動かない。なぜかわからない...

After：「どこが詰まっているか」が見通せる。AIを当てるべき場所と、組織設計を触るべき場所を区別できる

AI、速くなったのに成果が出ない問題

どこもかしこもAI活用に取り組むシーンが増えてきました。Gemini,Claude、ChatGPT...。開発でもマーケでも営業でも、AIが業務に入り始めています。

実際、個人単位での仕事は目に見えて速くったことを実感する方は多いと思います。自分もクライアントワークでAIを使っていて、以前なら1週間かかっていたデータの分析が1時間で終わったりします。

個人の作業は速くなったということは、その分生産性が何倍にも向上して、組織全体としての成果も何倍にも上がっている？と問われると、意外と即答しきれない場面も多いかもしれません。

リードタイムは縮まったか？顧客に届く価値のスピードは上がったか？「AI利用率」や「タスク消化速度」ではなく、事業の数字で見たとき、どれだけ変わったか？

この問いに対して、40年前に書かれた本が今につながる説明を出していました。エリヤフ・ゴールドラットという物理学者が書いた『ザ・ゴール』という本です。世界で1000万部以上読まれていて、舞台は赤字の工場。主人公の工場長は高性能なロボットを入れて全工程の稼働率を上げたのに、利益が出ない。在庫ばかりが膨らんでいく。しまいには「3ヶ月以内に改善しなければ工場閉鎖」と宣告されて、強制的に問題と向き合わざるを得なくなる。はてどうする？　という示唆に富んだお話です。

この本が言っていることはシンプルで、どんな組織にも「一番詰まっている工程（ボトルネック）」があり、全体のアウトプットはそこで決まる。ボトルネック以外をいくら速くしても、全体の成果は変わらない。

今のAI導入で起きていることと、本の中で導入された高性能ロボットとで構造が同じだなと膝を打ちました。

非ボトルネックを速くしても、在庫が増えるだけ

自分はスタートアップや成長企業の事業開発を伴走支援する仕事をしています。その過程でAI活用の相談をいただくことも多く、組織の業務構成を棚卸しした上でAIを組み込む場面にも立ち会ってきました。

その中で、あるとき気づいたことがあります。

分析を爆速で仕上げても、それをレビューする人のカレンダーが埋まっていたら、「レビュー待ちの分析」が増えるだけじゃないか。次のアクションを決めるのが次の役員会なら、1時間で終わろうが1週間かけようが、意思決定のタイミングは変わりません。

先述の本、ザ・ゴールの工場でもまったく同じことが起きています。

高性能なロボットを入れた工程は速くなります。でも次の工程の処理能力は変わらない。結果、ロボットの後ろに仕掛品が山積みになった。全体の出荷量は変わらないのに、在庫コストだけが増えてしまっていることに主人公は気づきます。

AIに置き換えてみましょう。

• AIで資料作成が速くなった → でも承認フローは変わらない → 「承認待ちの資料」が増える
• AIでコードが速く書ける → でもレビュー体制は変わらない → 「レビュー待ちのPR」が積み上がる
• AIで分析が速く出る → でも意思決定者の時間は有限 → 「判断待ちの分析」が滞留する

これはメタファーではなく、同じ現象と言えるのではないでしょうか。入力と出力がある工程が複数つながっているシステムで、一部の工程だけを速くしたときに起きることは、工場でもIT企業でもコンサルのプロジェクトでも、共通する構造があるといえます。ゴールドラットが物理学者だったのは偶然ではなく、これを「法則」として扱えるからです。

ザ・ゴールの工場よりAI導入が厄介な2つの理由

ここまで読むと「じゃあボトルネックを見つければいいだけでしょ」と思うかもしれません。でも、AI導入にはザ・ゴールの工場にはなかった厄介さが2つあります。

1つ目は、在庫が見えないこと。

工場の仕掛品は物理的に積み上がります。通路に山積みの部品を見れば、誰でも「これおかしくないか？」と気づけます。

でも知識労働の在庫は見えません。レビュー待ちのドキュメント、承認待ちの提案書、判断待ちの分析結果。これらはSlackやNotionやGoogle Driveの中に大量に生成されて溜まっていきます。物理的に邪魔にならないから、誰も危機感を持たない。半年経って「あれ、事業指標動いてなくない？」と初めて気づきます。

自分がクライアント先に入り込んで仕事をしていて、「ヒアリングしても本質的なボトルネックが見えない」と感じることがあります。それは現場の人が隠しているわけではなくて、そもそも在庫が目に見えないから、本人たちも気づきにくい、という状況になります。

2つ目は、個人の熱狂が問題を覆い隠すこと。

工場でロボットを入れたとき、作業者が「うわー楽しい！」とはなりません。むしろ「仕事を奪われるんじゃないか」と警戒します。だから経営者は冷静に「これ本当に利益出てるの？」と検証できます。ロボットに熱狂する人がいないぶん、投資対効果の議論がストレートにできます。

AIは逆です。ボトムアップで、使った本人が気持ちよくなる。「こんなの一瞬でできた」「もう手放せない」「今までにないクオリティまで高められた」。しかもSNSで「こんなのできました！」が拡散されて、組織の外からも熱狂が注入されます。

ここが厄介なのは、個人レベルでは本当に速くなっているから嘘ではないということです。でも「組織全体として成果出てるの？」という問いを立てようとすると、「いや実際速く、質も良くなってるんだから」と熱狂に押し返されます。「AI活用してないの、遅れてない？」というFOMOな空気感もあります。

もっとも、ザ・ゴールの工場でも「稼働率上がりました」「生産個数増えました」という報告は上司受けがよかったはずです。部分最適の指標ほど報告しやすいのです。だからゴールドラットは「間違った指標が間違った行動を誘発する」と警告していました。AIの場合はそれに加えて「個人が楽しい」という感情面の熱狂が乗るぶん、問いを立てること自体がさらに難しくなってしまいます。

この2つが重なると、ザ・ゴールの工場よりも問題の発見が構造的に遅れます。在庫は見えない。みんな「いい感じです」と言っている。数字を見るまで誰も疑問を持ちません。

AI導入で起きるボトルネック移動の3パターン

では実際に、AIを導入した組織ではどこにボトルネックが移動するのか。自分がクライアント先で見てきた範囲で、大きく3つのパターンがあるように思います。

パターン1：意思決定・承認がボトルネックになる

AIでアウトプットが速く出るようになると、それを「判断する人」の処理能力が追いつかなくなります。分析レポートが1日で3本出てきても、それを読んで方針を決める経営者の1日は24時間のままです。

結果、意思決定者のカレンダーがボトルネックになります。「次の定例会議で話しましょう」「来週の役員会で議題に入れます」。AIが1時間で出した成果物が、2週間のキューに入る。全体のリードタイムを支配しているのはAIの速度ではなく、会議体のリズムのままになります。

パターン2：レビュー・品質チェックがボトルネックになる

AIが大量のアウトプットを出すと、それを受け止める側の負荷が増えます。コードならPRレビュー。ドキュメントなら内容確認。提案書ならファクトチェック。

AIのアウトプットは利用者個人の力量に強く作用する場合が多いです。「ものすごい精度のアウトプットを爆速で仕上げた」場合は良いですが「一見それっぽいけど、実は誤った前提を起点に爆速で大暴走していた」というものもありうると言う意味で玉石混交です。結局、レビュアーの人間が確認しないと出せない。でもその確認工数は、AIの導入前には想定されていません。AIで3倍のアウトプットが出るなら、レビューも3倍必要になります。ここを見落とすと「AIを入れたらむしろ忙しくなった」という逆説が起きてしまいます。

パターン3：「そもそも何をやるか」の定義がボトルネックになる

これが一番見えにくいパターンです。AIは「作る」のは速いですが、「何を作るか」は教えてくれません。要件定義、課題の特定、優先順位の合意形成。ここが曖昧なままAIに作らせると、速く作っては壊し、速く作っては壊しの繰り返しになります。

ある意味、AIが遅かった時代は「作るのが大変だから、作る前にちゃんと考えよう」というブレーキが自然に働いていました。AIで作るコストが限りなく下がると、そのブレーキがなくなって、考える前に作り始めてしまう。結果として手戻りが増えて、トータルのリードタイムはむしろ伸びることもあります。

3つに共通しているのは、どれもAIの問題ではなく、組織の問題だということです。ツールを追加しても解決しません。

ザ・ゴールの5ステップをAI導入に翻訳する

ボトルネック解消への解決アプローチとしてザ・ゴールには「継続的改善の5ステップ」というフレームワークが紹介されています。この記事では、AI導入の文脈に当てはめつつ紹介してみます。

ステップ1：ボトルネックを見つける

AIをどこに入れるかを考える前に、自社のバリューストリーム（アイデアが生まれてから顧客に届くまでの流れ）をまずは描いてみます。そして「作業時間」ではなく「待ち時間」を見てみましょう。

多くの場合、作業そのものは数時間で終わっています。でも、その前後に「確認待ち3日」「承認待ち1週間」「調整待ち2週間」が挟まっている。ひとつの機能や提案を届けるのに何チーム、何人の合意が必要かを数えると、その数がリードタイムにほぼ比例しています。

一番待ち時間が長い工程が見つかれば儲けもんです。それこそがボトルネックです。

ステップ2：ボトルネックを徹底活用する

ボトルネックが見つかったら、まず工程の無駄を徹底的に削ります。

ザ・ゴールの工場では「ボトルネック工程の昼休みをなくす」「不良品をボトルネックに流さない」といった対策を取りました。これをAI導入の文脈に転用してみましょう。たとえばボトルネックが「意思決定者の判断待ち」であれば、判断に必要な情報をAIで事前に整理して、意思決定者が30分で判断できる状態を作ることができます。ボトルネックが「レビュー」であれば、AIでセルフレビューを済ませた状態でレビューに出して、レビュアーの負荷を最小化することを試みる、と言った具合です。

ポイントは、AIを当てるべきはボトルネック工程の負荷軽減であって、すでに速い工程をさらに速くすることではない、ということです。

ステップ3：他のすべてをボトルネックに従属させる

ここがザ・ゴールの中で最も直感に反する、でも最も重要なステップです。

非ボトルネック工程は、ボトルネックのペースに合わせて動くことになります。全部署が一斉にAIでアウトプットを増やすと、レビューや承認のキャパシティを超えて、待ち行列がいたずらに増える結果に陥りがちです。

「全員の稼働率を上げる」のではなく「ボトルネックの処理能力に合わせて、上流の投入量を調節する」。非ボトルネック工程に余裕があるのは無駄ではなく、必要なバッファです。これは「AI利用率」を全社KPIにすることの危うさでもあります。

ステップ4：ボトルネックを強化する

ステップ2と3で改善してもまだ足りなければ、ボトルネックの処理能力自体を上げられないか、検討してみましょう。

意思決定がボトルネックなら、権限を委譲して決裁ラインを短くする。レビューがボトルネックなら、レビュー体制を増強するか、レビュー不要な仕組みを作る。合意形成がボトルネックなら、チーム構造を再設計して、調整コストの低い組織にする。

ここに来ると、「投資」や「構造変更」の話になってきます。となると当然高カロリーな話になってくるので、最初からここに飛びつくのではなく、ステップ2・3を先にやるのがまずは大切です。

ステップ5：惰性に注意して、最初に戻る

ザ・ゴールが繰り返し警告するのが「惰性」です。以前のボトルネックに合わせて作ったルールや習慣が、新しい状況にそぐわなくなっているのに、そのまま残り続けてしまうという現象です。

AI導入の文脈で言えば、「3日かかる前提で設計された承認フロー」「情報共有が遅かった時代に作られた会議体」「手作業前提の品質チェックリスト」。AIで工程が速くなったのに、その前後のプロセスがAI以前のまま残っていたら、プロセス自体が新たなボトルネックになってしまいます。

ボトルネックが解消されたら、次に詰まる場所が必ず別のところに現れるはずです。そこでまたステップ1に戻る。この繰り返しが「継続的改善」です。施策1発で完結することは基本的にはなく、継続的な取り組みが必要となります。

まとめ。AIは加速装置ではなく、組織の解像度を上げる装置

本記事をまとめていきましょう。

AIを入れても組織が速くならないなら、それはAIや使い手側が微妙だからではありません。AIが照らし出した本当のボトルネックが、別の場所にあるということです。

もともと流れの良い組織は、AIでさらに伸びるはずです。でも、意思決定が遅い、承認が多い、調整コストが高い、何を作るか決まらない、といったボトルネックを抱えた組織がAIを入れると、詰まりがより鮮明に浮かび上がることになります。

つまり、「AI入れたのに成果が出ない」は、失敗ではありません。組織のどこが本当のボトルネックになっているかが可視化されるという、必要不可欠なプロセスの途上にあるわけです。

大事なのは、その見えたものをごまかさないことです。「もっとAIツールを増やそう」「利用率を上げよう」と部分最適を重ねるのではなく、ボトルネックがどこにあるかを見極めて、そこに集中する。それがAIの問題ならAIで解決する。組織設計の問題なら組織設計を変える。ルールの惰性なら、ルールを棚卸しする。

ゴールドラットは40年前に、ボトルネックに集中することの重要性と、部分最適の罠と、惰性の危険について解説していました。AIという道具が変わっても、組織が成果を出すための原理は変わっていません。

そしてこの本の主人公の恩師ジョナは、たびたび作中で登場しても、主人公に答えを決して教えませんでした。「ゴールは何だ？」「本当にそれでいいのか？」と問い続けただけです。その問いに誠実に向き合い、解決策を見出して実行したのが主人公であるわけです。AIがあらゆる答えを出してくれる時代に、正しい問いを立てられることの価値は、むしろ上がっているのだと思います。

関連記事

• （内部リンク候補：AI活用関連の既存記事があれば追加）

Kumonoに相談する → https://kumono-inc.com/contact