AIが企業のアーキテクチャを書き換える

1936年に設立されたAcademy of Management（AOM）は、経営学・組織論分野において世界を代表する学術団体へと発展し、現在では約120カ国から20,000人を超える会員を擁している。第86回目を迎えたAOMの年次大会は、研究者が最先端の知見を発表し、既存理論に挑戦し、新たな研究課題を形成する場として、この分野で最も重要なフォーラムの一つとなっている。AOM自身も、本大会を経営学・組織論分野における世界最大の学術者の集まりと位置づけている。

本レポートは、2026年次大会への参加を踏まえ、NTTデータ経営研究所（以下、当社）が現地で観察した主要なテーマ、議論、および研究動向について報告するものである。特に、人工知能（AI）が経営学・組織論研究に及ぼす影響の高まりに焦点を当てるとともに、AIが経営における根本的な課題、リーダーシップの実践、組織設計、意思決定プロセス、そして仕事の未来をどのように再構築しつつあるかについて、当社の考察を述べる。

人工知能は、「技術をどう導入するか」という問いから、「企業のアーキテクチャそのものをどう設計するか」という問いへと移行しつつある。

2026年のAcademy of Management年次大会では、AIは単なる生産性向上のツールとしてではなく、経営における最も根本的な問い——持続的競争優位は何によって生まれるのか、どの活動・能力を企業内に残すべきか、組織はどのように設計されるべきか、そして経済的価値は最終的にどこで獲得されるのか——に影響を及ぼす力として、ますます議論されるようになっている。

本レポートの中心的な結論は、AIによる優位性は、より優れたモデルへのアクセスやAIツールの導入数の多さから主に生まれるのではなく、企業が価値を創造し、そこから学習し、統制し、獲得する仕組みそのものを再設計することから生まれるというものである。

Academy of Managementには約7,500人の発表者が参加し、ペンシルベニア・コンベンションセンターと周辺のカンファレンスホテルを舞台に、戦略、組織、アントレプレナーシップ、テクノロジー、人間行動といった領域にわたる3,500以上の対面セッションが開催された。この規模自体も重要だが、それ以上に注目すべきはテーマの変化である。AIはもはや専門的な技術トピックとして扱われてはいなかった。AIは、企業がなぜ存在するのか、どのように競争するのか、どのように価値を獲得するのかという議論の中心に位置するようになっていた。

以下の観察は、当社が参加したセッションに基づくものであり、全プログラムに関する統計的な主張ではなく、現地での所見である。

本セクションでは、当社が最も重要と考えた議論を、経営者が今日直面する4つの戦略的判断——何が防御可能な優位性として残るのか、企業は何を継続して行い、あるいは統制すべきか、AIネイティブな設計とは何を意味するのか、そしてAIが生み出す価値は最終的にどのように獲得されるのか——に整理して紹介する。これらの議論は多様な領域・手法にわたっていたが、次第にこれらの根本的な問いへと収斂しており、AI時代における競争優位、組織の境界、価値創造の再評価が広く進んでいることを示していた。

経営者への問い

企業が同様のAIモデル、AIツール、AIの技術的能力にアクセスできるとすれば、AIそのものが持続的な競争優位を生み出すことは可能なのか。

学者たちの主張

戦略論におけるリソース・ベースド・ビュー（RBV）の代表的な提唱者であるユタ大学の特別教授、ジェイ・バーニー氏は、AIは大きな価値を創出し、一時的な優位性をもたらすことはできるが、それ単独で持続的な競争優位を生み出す可能性は低いと主張した。

その論拠は構造的なものである。AIが変革的であるからこそ、それは急速に拡散する。どの企業もAIを無視することはできず、その結果、AIの導入は差別化要因ではなく、競争に参加するための前提条件となる。早期に導入した企業はスピードと学習の面で優位に立てるかもしれないが、競合はやがて追いつき、しばしば先行者の学びから恩恵を受ける。

バーニー氏はこの議論を、多くの経営者が最も強力な防御力（堀）があると考える領域——独自データ——にも展開した。彼の見解では、データが持続的な優位性をもたらすのは、極めて限定的な条件の下でのみである。すなわち、（1）競合が機能的に同等のデータを持っていないこと、（2）多くの知見が比較的小規模なサンプルからでも得られるにもかかわらず、当該のユースケースが本当に大規模データセットを必要とするものであること、（3）競合が、企業の観察可能な意思決定の背後にある分析内容を推測できないこと、（4）提携関係、規制上のデータ移植性要件、従業員の転職などがあってもデータが独自性を保ち続けること、という4条件である。これら4条件をすべて同時に満たす企業データセットはほとんど存在しない。

これは、企業がAIへの投資を減らすべきだという意味ではない。むしろ企業は、競争優位が、AIそれ自体ではなく、価値があり、希少で、模倣が困難な資源とAIを組み合わせることから生まれると認識すべきである。バーニーは、AIが情報処理・分析をますますコモディティ化させるにつれて、差別化の源泉は、彼が「残余的異質性（residual heterogeneity）」と呼ぶもの——リーダーシップ、組織文化、社会関係資本、対人的な信頼——へと移っていくと論じた。

同じセッションで発言したラファエル・アミット教授は、これを補完しつつも異なる視点を示した。彼はAI技術そのものが単独で持続的な優位性の源泉となる可能性は低いという点でバーニーに同意した。しかし、AIを企業の活動システムに組み込むことで、より持続的な差別化が生まれる可能性があると論じた。

アミット教授の見解では、AIを活用する組織はますます循環的かつ自己強化的になっていく。下流の活動から生まれる出力が、継続的に上流の活動にフィードバックされる。顧客行動がデータを生み、データが知見を生み、知見が製品・サービスを改善し、改善された提供物が新たな顧客行動を生む——こうした学習の好循環が生まれる。AIは観察、解釈、適応をほぼリアルタイムに圧縮し、組織学習を加速させる。

優位性の潜在的な源泉は、その結果として生まれるシステムレベルの複雑性にある。競合はモデルやアプリケーションを模倣できるかもしれないが、その力学が外部から観察・診断しにくい、相互に連関した活動システム全体を模倣することは容易ではない。

同時に、アミットはAIを深く統合することに伴う重大なリスクも指摘した。緊密に結合したシステムは、エラーをスピードとスケールの両面で増幅させる可能性がある。人間とエージェントが混在する環境は、アカウンタビリティ、責任、そして学習の所有権に関する未解決の問いを生む。さらに、外部のモデルプロバイダーやクラウドプラットフォームへの依存は、企業が「AI活用度を高めている」ように見えながら、実際には価値創出プロセスの重要な要素に対する統制を徐々に手放してしまうという、誤った能力感を生み出しかねない。

未解決の論点

最も重要な意見の相違は、データが競争優位の源泉となり得るかという点に関するものであった。

バーニー氏が懐疑的であったのに対し、生成AI関連の新興企業に関する自身の研究を踏まえて、スタンフォード大学のキャスリーン・アイゼンハート教授は、より楽観的な見解を示した。彼女は、多くの生成AIの文脈において、優れたデータは単なる入力情報ではないと論じた。それはハルシネーションを減らし、モデルの性能を高め、継続的なユーザーフィードバックを通じて学習の経済性を生み出す仕組みでもある。この意味において、独自かつ高品質なデータは、真の戦略的資産となり得る。特に、信頼された臨床文献と専門知識が模倣困難な障壁を生み出すヘルスケアのような領域において、その傾向は顕著である。

経営者にとっての意味合いは、「自社のデータは『堀』となり得るのか」という問いが、依然として開かれたままであるということである。データが本質的に防御可能である、あるいは必然的にコモディティ化するという前提のいずれか一方に立つのではなく、企業はバーニー氏が提示したような基準を用いて、自社の状況をケースバイケースで評価しつつ、AIネイティブ業界から現れる新たなエビデンスにも注意を払うべきである。

日本企業にとっての意味

日本企業は、バーニー氏がAI時代においても希少性を保ち続けると指摘した資源——深く根付いた組織文化、組織内・組織間における高い信頼、長年にわたる顧客関係、そして蓄積された組織知——の多くを有している。

しかし、これらの資産が優位性を生むのは、それらが自社固有の方法でAIと組み合わされた場合に限られる。競合と同じ基盤モデル、コパイロット、AIツールを購入し、ほとんど変わらないワークフローにそのまま導入するだけでは、持続的な差別化は生まれにくい。

したがって、より戦略的な課題は、AIを導入するかどうかではなく、自社の独自の強みを増幅させる独自の活動システムに、AIをいかに統合するかである。この意味において、持続的な競争優位の源泉となるのは、AIそのものではなく、他社が模倣困難な能力とAIを組み合わせる組織の力である。

経営者への問い

AIがリサーチ、契約、調整、生産のコストを引き下げた場合、企業は自ら何を行うべきか。そして、何を統制し続けなければならないのか。

学者たちの主張

ロンドン・スクール・オブ・エコノミクスのユンジン・ユー氏が議長を務めたセッション「生成機械時代における企業の理論」には、この分野を代表する研究者たちが集結し、経営学における最も古い問いの一つを、まったく新しい条件のもとで再検討した。生成AIシステムは、予め定義された出力を通じてではなく、利用のまさにその瞬間に価値を創出する。これは、資産や価値は展開される前に規定できるという、企業の古典理論の根底にある前提そのものに挑戦するものである。

経営者への問い

企業を真にAIネイティブにするものとは何か。そして、既存企業（インカンベント）は、どこで自らの地位を守ることができるのか。

学者たちの主張

企業がAIネイティブであると言えるのは、その製品、生産システム、組織設計、エコシステムとの関係性が、当初からAIを中心に構築されている場合である。従業員が生成AIツールを使っているというだけでは、AIネイティブとは言えない。この2つのアプローチが根本的に異なる結果をもたらすことから、この区別は最も重要な実務的知見の一つとして浮かび上がった。

ハーバード・ビジネススクールのレンブランド・コーニング教授は、この問題を生産関数の問題として再定義した。経済学者、マイケル・クレマーの補完的タスクに関する「Oリング理論」を引用しつつ、彼はAIが最大の組織的効果を生み出すのは、高度に相互依存したシステムの中で最も弱いタスクを改善する場合であると論じた。ボトルネックに対処することで、個々の活動の改善を単純に足し合わせた以上の価値が生まれうる。逆に、一つの重要なタスクの失敗が、システム全体のパフォーマンスを損なうこともある。

コーニング教授はまた、企業家が場当たり的にツールを導入するのではなく、AIを自社の生産プロセスに体系的にマッピングすることで、著しく良い成果を得ている、というフィールド実験のエビデンスを示した。AIがワークフローをどこで再構築しうるかを理解するだけで、創業者が何を構築するかが変わり、マイルストーンの達成率が高まり、必要な資金額が減少した。

AIネイティブ・スタートアップに関する研究は、この違いをさらに定量的に示した。マッチングされたサンプルにおいて、AIネイティブ企業は比較対象となるスタートアップよりも規模が小さく、階層も少ない一方で、従業員一人当たりの価値は著しく高い傾向にある。サンプルによって差はあるが、従業員一人当たりのバリュエーションは30〜76％高く、サービス集約的な業種においては、AIネイティブ企業の従業員数は同業他社の概ね3分の1程度であった。

そのメカニズムは、研究者たちが「プロダクト・チャネル」と呼ぶものにあるようだ。AIが製品そのものに組み込まれることで、顧客はその提供物を通じて直接的に価値を生み出すことができる。これに対して「プロセス・チャネル」とは、従業員が社内でAIツールを使い、生産性を高めることを指す。これも有用ではあるが、エビデンスによれば、社内利用だけでは同じような構造的インパクトは生まれない。実際、この研究は、ChatGPT、Copilot、Cursorといったツールの導入それ自体は、組織が著しく小規模・効率化されることを予測しないと明確に示している。

これは重要な意味を持つ。組織的な「配当」は、主にツールの導入からではなく、再設計から生まれるのである。

AIの導入と生産性に関する併設ワークショップで示されたエビデンスは、その理由を説明する助けとなる。初期のAIコーディング支援ツールに関するランダム化フィールド実験では、完了したタスクにおいて約26％の生産性向上が見られた。これは意味のある、しかし依然として漸進的な向上である。より高度なコーディングエージェントに関する研究では、さらに顕著なパターンが示された。コーディングの活動量は大幅に増加したものの、最終的にリリースされたソフトウェアの量は約20％程度の増加にとどまった。

その説明は、組織的なボトルネックにある。AIが生成した成果物は、依然としてレビュー、テスト、統合、コンプライアンス、承認、導入といったプロセスを経なければならない。その結果、パフォーマンスはバリューチェーンの中で最もAI化が進んでいない部分によって制約される。したがって、リリースされた成果ではなく、生成された活動量を測定することは、AIの実際のビジネスインパクトを大幅に過大評価するリスクがある。

バブソン・カレッジのフィリップ・キムは、組織の「軽量化」を、人間組織の重要性が低下した証拠として解釈することに注意を促した。信頼、アカウンタビリティ、正当性、コミットメントは依然として不可欠である。AIネイティブ企業は従業員数が少ないかもしれないが、必ずしも単純な組織になっているわけではない。複雑性は消えるのではなく、従業員数からシステムアーキテクチャ、ガバナンス構造、エコシステムへの依存関係へと移行しているのである。

未解決の論点

既存企業の優位性の最終的な源泉について、コンセンサスは得られなかった。

多くの経営者は独自データが持続的な防御壁をもたらすと想定しているが、その前提は会議全体を通じて疑問視された。複数のセッションで議論された、より防御可能性の高い立場としては、以下が挙げられる。

• 真のオペレーション上のボトルネックの統制
• 規制上の資産やライセンスの所有
• 模倣が困難な物理的インフラ
• 深く根付いた顧客関係
• 高い信頼に基づく提供能力
• 確立された販路と実行ネットワーク

同時に、重要な問いが未解決のまま残されている。AIネイティブ企業に見られる優れた資本効率性と軽量な運営モデルは、規模拡大後も持続するのだろうか。極端な組織の軽量化は、ガバナンス、レジリエンス、イノベーション能力における隠れた脆弱性を生み出さないのだろうか。現在のエビデンスはスタートアップの環境に集中しており、同様の優位性がより大規模で複雑な企業においても成立するかどうかは、依然として未解決である。

日本企業にとっての意味

日本の大手既存企業にとって、戦略的な問いは、何人の従業員がAIを使っているかではない。より重要な問いは、レガシーなプロセスがその価値を損なう前に、どの独自かつ模倣困難な資産をAI活用型のシステムへと転換できるか、である。

そうした資産には、規制上の市場地位、物理的なネットワーク、信頼に基づく顧客関係、オペレーション上の専門知識、独自のワークフロー、蓄積された組織知などが含まれる。これらの優位性は依然として価値を持つが、それはAI活用型の環境に向けて再設計された場合に限られる。

AIがどの個別タスクを自動化できるかを問うのではなく、企業は顧客価値が生まれる活動システム全体をマッピングし、最も弱い補完的なステップを見極めるべきである。多くの日本の大企業において、ボトルネックは生産そのものではなく、承認、レビュー、調整、意思決定といった活動にある。

こうした制約を再設計することは、すでに効率化されている活動を自動化するよりも、大きな価値を生むことが多い。

最後に、経営者は成功を、AIの活動量ではなく、事業の成果というレベルで測定すべきである。プロンプトの数、生成されたコンテンツの量、コードの行数が増えても、それが必ずしも顧客価値につながるわけではない。重要な指標は、実際に顧客に届くもの——発売された製品、提供されたサービス、改善された意思決定、達成された事業成果——である。

この議論から得られる中心的な教訓はシンプルである。AIネイティブとしての優位性は、競合よりも広範にAIを使うことから生まれるのではなく、価値がどのように創造され、届けられ、継続的に改善されるのかという仕組みの中に、AIが組み込まれるように企業を再設計することから生まれる。

経営者への問い

AIが価値を創出したとしても、誰が対価を支払うのか、いつ支払うのか、そしてバリューチェーンの中のどのプレイヤーがその見返りを獲得するのか。

学者たちの主張

オハイオ州立大学のリチャード・マカドック教授は、価値獲得という課題を理解するための、おそらく最も明快なフレームワークを提示した。彼は、マネタイズ戦略は大きく2つのカテゴリーに分けられると論じた。

• 直接マネタイズ：ユーザーが購入、サブスクリプション、利用量に応じた課金を通じて、消費の前または消費中に対価を支払う。
• 間接マネタイズ：広告、フリーミアムのアップグレード、データのマネタイズ、クロスサブシディ（相互補助）を通じて、利用後に、あるいは第三者から対価が支払われる。

この2つのモデルのどちらを選ぶかは、単なる経営上の好みの問題ではない。それは、その製品を取り巻く「専有可能性レジーム（appropriability regime）」の強さ——すなわち、企業が自社の提供物を模倣、海賊行為、価値の流出からどの程度守れるか——に依存する。

マカドック教授は、これを異例なほど説得力のある因果関係のエビデンスによって示した。2016年12月、予期しない制限解除によってApple のiOSの専有可能性レジームが弱まった後、新たにリリースされる有料アプリの数は年間約700本減少し、一方で広告収益型の新規アプリは年間約1,400本増加した。ユーザーから事前に課金することがもはや成立しない環境になったため、企業は直接マネタイズから間接マネタイズへと移行したのである。

マカドック教授のより広い論点は、モバイルアプリの範囲を大きく超えて当てはまる。専有可能性が弱まると、企業は直接的に価値を獲得する能力を失い、間接的なマネタイズの形態へと押し出されることが多い。彼は、AI時代において強く共鳴する問いをもって議論を締めくくった。収益がアダプション（利用の開始）ではなくエンゲージメント（利用の継続・深化）に依存するとき、製品は次第に、有用なツールから、注意（アテンション）の最大化を主目的とした仕組みへと変化していくのではないか、という問いである。

ハーバード・ビジネススクールのアンディ・ウー教授は、価値獲得の第二の側面——タイミング——に焦点を当てた。彼の研究は、マネタイズのタイミングは中立的な実装上の決定ではないと論じる。それは、顧客の期待と組織の能力の両方を形づくるものである。

第一のメカニズムは「マネタイズ・アンカリング」である。顧客が製品を無料で受け取ることに慣れる期間が長くなればなるほど、後から課金することが難しくなる。ユーザーは「ゼロ」という参照価格を内面化し、将来の価格決定力を弱めてしまう。

第二のメカニズムは「マネタイズ・インプリンティング」である。無料期間が長期化する間に、組織自体がそのビジネスモデルに適応してしまうことである。製品設計上の決定、業務上のルーティン、組織能力は、直接的な支払いではなく、間接的なマネタイズに最適化されていく。

その意味合いは重大である。直接マネタイズが実行可能な選択肢として残る期間には、限られた「窓」しか存在しない。ある時点を過ぎると、顧客の理論上の支払い意思にかかわらず、直接課金することはもはや最適ではなくなる可能性がある。

生成AIに関する彼のより広い視点は、もう一つの懸念を提起する。従来型のソフトウェアとは異なり、生成AIは高い変動コストと不確実な変動収益を組み合わせていることが多い。計算コストは利用量に応じて増加するため、その経済性は、ソフトウェア産業の多くを特徴づけてきた、限界コストがほぼゼロという構造とは根本的に異なる。

未解決の論点

中心的な未解決の問いは、AIのバリューチェーンの中で、最終的にどこに利益が蓄積するのか、という点である。

ボストン大学クエストロム経営大学院のマーシャル・ヴァン・アルスタイン教授は、最先端モデルの開発企業は、長期的な価値獲得の機会が構造的に限定される可能性があると論じた。モデル間の乗り換えコストは比較的低く、ユーザーはしばしば複数のプロバイダーを併用（マルチホーム）でき、直接的なネットワーク効果も、多くの従来型プラットフォーム市場と比べて弱い。

その結果、持続的な価値獲得は、スタックの別の場所——特に、企業が顧客のコンテキスト、ワークフロー、決定権限、統合ポイントを統制する「オーケストレーション層」——で生じる可能性がある。

ヴァン・アルスタイン教授は、経済的レント（超過利益）は、技術と同じペースで改善しない希少な資源の周辺に蓄積する傾向があると指摘した。それには以下が含まれうる。

• 人間による判断と検証
• 信頼に基づく顧客関係
• 規制上の地位とライセンス
• 物理的インフラ
• 独自のオペレーション上のコンテキスト

フロンティアモデルへの今日の巨額投資が、最終的に魅力的なリターンを生むかどうかは、依然として不確かである。同様に、AIエコシステムのどの層が、時間の経過とともに企業価値の最大のシェアを獲得するのかも、依然として明らかではない。会議全体を通じて議論されたマネタイズのタイミングと専有可能性のフレームワークが有用なのは、これらの問いに答えを出すからではなく、事態が展開していく中でそれらを評価する手段を提供してくれるからである。

日本企業にとっての意味

日本企業にとって、マネタイズはAI推進の最終的な商業ステップとして捉えられるべきではない。それは、どのような能力が構築され、誰が学び、戦略的な統制がどこに蓄積するかを左右する、早い段階での設計上の決定である。

この議論からは、3つの実務的な規律が導かれる。

• 大規模な展開の前に、誰が対価を支払うのか、そしてどのマネタイズモデルを採るのかを定めること。長期にわたる無料提供や大幅な補助は、顧客の期待と組織の能力の両方を徐々に間接マネタイズの方向へシフトさせ、後からの価格設定を難しくする。
• 現実的なユニットエコノミクスを用いてAI推進を評価すること。生成AIは、計算、推論、モニタリング、品質保証など、意味のある変動コストを伴うことが多い。ソフトウェア時代から引き継いだ前提の上に構築された事業モデルは、こうしたコストを無視すると立ち行かなくなる可能性がある。
• 直接マネタイズにコミットする前に、専有可能性を評価すること。模倣が容易で差別化を守ることが難しい市場では、顧客の需要にかかわらず、持続的な直接課金は難しい場合がある。そのような状況では、企業は補完的資産、エコシステム上の位置づけ、信頼関係、あるいはサービスの統合を通じて価値を獲得する必要があるかもしれない。

より広い教訓はシンプルである。AIによって価値を創造することは、ますます可能になっている。しかし、その価値を獲得することは、依然としてより難しい戦略的課題である。勝者となるのは、最も高度な技術を持つ企業ではなく、AIが創出する価値の意味あるシェアを保持できるように、事業モデル、エコシステム上の位置づけ、マネタイズ戦略を設計する企業なのかもしれない。

AIによる優位性は、最も多くのツールを導入した企業のものではなく、仕組みそのものを再設計した企業のものとなる。中心的な経営課題は、もはやAIをどこで使うかではない。AIが差別化を強化し、重要な学習への統制を保ち、価値創造を価値獲得へと転換できるように、企業をいかに再設計するかである。

1. 技術は拡散する：モデルへのアクセスや汎用的な活用方法は、希少なものではなくなっていく。すべての競合が購入できるものによって、誰も勝つことはできない。
2. 境界は移動する：低下する協調コストに代わって、検証、ガバナンス、依存関係のコストが現れる。企業が気づいているかどうかにかかわらず、企業が統制すべき対象は変化している。
3. 組織はアーキテクチャになる：優位性は、AI、人、資産、外部プロバイダーがシステムとしてどのように構成されるかに依存する——そして、最も強い部分を加速させることではなく、最も弱い補完的なステップを再設計することに依存する。
4. 価値獲得は設計されなければならない：企業がAIによってより多くの価値を創造しても、エコシステムの別の層がその見返りを獲得することがある。誰が、いつ、どのような仕組みで支払うのかは、後から考えるべきことではなく、設計上の決定である。

日本の課題は、単純にAI導入が不足していることではない。より重要なリスクは、境界、決定権限、マネタイズの論理が変わらないままのプロセスの中に、AIを導入してしまうことである。その道筋は、戦略的な差別化を伴わない、目に見える効率化——「優位性のない活動」——を生み出しかねない。

しかし日本には、この時代に向けた本当の強みもある。蓄積された専門知識、高い信頼に基づく提供力、オペレーションの深さ、規制上・物理的な資産、そして長期的な顧客関係である。これらはまさに、汎用的なAI能力がコモディティ化するにつれて価値を高める補完資産である——しかし、それは静的な過去の優位性として扱われるのではなく、企業固有のAI活動システムへと転換された場合に限られる。

最後に、日本の経営者がAIを活用して持続的かつ差別化された競争優位を創出する際に検討すべき、3つの原則を当社から提案したい。