AI利用率が上がらない。社員はどこで止まっているのか ― 「浸透のブラックボックス」を分解する

「AI利用率は35%です」と報告を受けたとき、次に打つ手は研修の追加でよいのでしょうか。この記事では、方針を伝えてから社員が実際に使うまでの「浸透のブラックボックス」を段階に分け、社員がどこで止まっているかによって打ち手が変わることを、公開されている調査と既存の理論をもとに整理します。

利用率を見ても、使わない理由は分からない

AI活用を進める会社で、よく置かれるKPI（重要業績評価指標）が利用率です。ログイン率や利用回数、研修の受講率もよく使われます。どれも集計しやすく、毎月の推移も追いやすい数字です。

ただ、利用率が低いと分かっても、なぜ低いのかまでは分かりません。原因が分からなければ、打ち手も選べません。利用率を目標にしたときに起きる副作用は、以前の記事（AI利用率をKPIにすると何が壊れるか）で扱いました。この記事で扱うのは、その手前にある「使われていない理由」の側です。

同じ35%でも、使わない理由は人によって違う

利用率35%という数字の裏には、たとえば次のような状態が混ざっています。

それぞれ、効く打ち手が違います。知らない人には周知が要り、ツールがない人には環境の整備が要ります。最後の状態であれば、変えるべきは社員ではなく、会社の期待のほうです。

国の調査でも、「使い方がわからない」は4か国で日本が最も多い

使わない理由が一つではないことは、国の調査にも表れています。総務省の令和8年版 情報通信白書によると、テキスト生成AIを使っていない人が挙げた理由は、「自分の生活や業務に必要ない」が42.4%、「使い方がわからない」が38.8%でした。米国やドイツと比べると、「必要ない」の割合は日本もそれほど変わりません。一方で、「使い方がわからない」は、日本・米国・ドイツ・中国の4か国の中で日本が最も高い結果です。

この調査は個人全体が対象で、会社員に限ったものではありません。それでも、日本では「必要ない」と同じくらい、「使い方」でつまずいている人が多いことが読み取れます。

※画像はクリックで拡大できます

「伝えた」と「使った」の間は、ブラックボックスになっている

会社が把握しやすいことは、大きく2つあります。1つは、方針を伝えたという記録です。説明会を開いた、研修を実施した、社内報に載せた、という記録は残ります。もう1つは、社員が実際にAIツールを使った記録です。誰がいつ、何回使ったかは、利用ログ（ツールの利用記録）で分かります。

見えないのは、その間です。方針を聞いた社員がそれをどう受け止め、自分の仕事のどこで使えると考え、実際に動ける状態にあるのか。ここは研修の記録にも、利用ログにも残りません。方針が社員の行動に変わるまでの途中のうち、会社から見えないこの部分を、この記事では「浸透のブラックボックス」と呼びます。

※画像はクリックで拡大できます

利用率が低いとき、打ち手は見えている側の延長で考えがちです。研修の記録があるので研修を増やし、利用ログがあるのでログイン率の目標を上げる。けれども、止まっている場所がブラックボックスの中にあれば、どちらも的を外してしまいます。

購買研究の「Messy Middle」でも、勝負は途中で決まる

途中を見ないと結果の理由が分からない、という見方は、マーケティングの世界にもあります。Googleは2020年に、人が商品を買うまでの意思決定を調べたレポート「Decoding Decisions」を公開しました。そこでは、買い物のきっかけから購入までの途中を「Messy Middle」と呼び、この複雑な途中で顧客を得るか失うかが決まるとしています。人はこの途中で、選択肢を広げる「探索」と絞り込む「評価」を何度も行き来しながら、購入を決めていくとされています（いつもの買い物や衝動買いでは、この行き来を経ないこともあります）。

購入という結果だけを見ても、なぜ買ったのか、なぜ買わなかったのかは分かりません。社内のAI活用も同じで、利用率という結果だけを見ても、なぜ使われないのかは分かりません。見るべきなのは、その途中です。

では、社内のブラックボックスの中では、社員に何が起きているのでしょうか。

ブラックボックスの中を、既存の理論で分解する

ブラックボックスの中を分解するために、この章では3つの知見を順に使います。まず、社員が置かれている立場を普及理論で確かめます。次に、AIならではの難しさをProsciの指摘で確かめます。最後に、本人の中で起きる変化を、チェンジマネジメントのADKARで段階に分けます。

最初に押さえたいのは、社員と顧客の違いです。顧客は買わないことを自由に選べますが、社員には組織の一員として、会社の方針に沿って動く役割があります。この違いを整理しているのが、イノベーションの普及を研究したエベレット・ロジャーズの普及理論です。

普及理論では、会社主導のAI推進は「権威型」と捉えられる

ロジャーズは、新しいものを取り入れる決め方を、主に3つに分けました。個人が自分で決める「任意型」、メンバーの合意で決める「集団型」、そして権力や地位、専門性を持つ少数の人が決める「権威型」です。権威型では、一人ひとりはその決定にほとんど影響力を持たず、決まったことを実行する側に回ります。

この記事で3つのうち権威型に注目するのは、会社主導で導入や利用を決めるAI推進は、この権威型として捉えることができるからです。ロジャーズ自身も、組織では個人が自由に決める任意型より、集団型や権威型の決め方が一般的だと述べています。そして、組織がメールシステムを導入する例を挙げて、個々の社員はその決定にほとんど発言権を持たないことがある、と書いています。

国内でも、全従業員を対象に、生成AI活用の義務化を前提とした働き方を始めた例があります（生成AI活用の義務化事例 ― LINEヤフーはなぜ「利用率100%」で壊れなかったのか）。では、会社がこうして決めてしまえば、社員は使うようになるのでしょうか。

権威型は決定が速いが、社員が実際には使わないこともある

ロジャーズによれば、権威型は一般に、取り入れるまでが最も速い決め方です（ただし、決める側がどれだけ新しいものに前向きかにもよります）。一方で、実行の段階ではメンバーに回避されることがある、とされています。会社が「使う」と決めても、現場では実際には使われないまま終わることがある、ということです。

つまり、会社が「使う」と決めることと、社員が実際に使いこなすことは別です。決定は一瞬でも、そこから先の実行は、社員一人ひとりの中で進むからです。

Prosciによれば、AIは使う場面を本人が見つける必要がある

AIでは、この差がさらに大きくなります。組織の変化を支える方法を研究・支援しているProsciは、従来のシステムでは人が仕事をシステムに合わせてきたのに対し、AIはその関係を逆転させると指摘しています。AIを日常業務のどこに組み込むかを、社員一人ひとりが自分で見つけなければならない、ということです。

会計システムであれば、入力する画面も手順も決まっています。ところがAIは、どの仕事に、どう使うかが一律には決まっていません。会社が「使いなさい」と決めることはできても、一人ひとりの仕事のどこで、どう役立てるかまでを一律に決め切るのは難しいものです。使うことは命じられても、どこで使うかまでは命じきれないのです。だから、浸透のブラックボックスは、義務にしてもなくなりません。

では、本人の中では、どんな段階を経て「使う」に至るのでしょうか。

チェンジマネジメントの「ADKAR」で、4つの段階に分解する

本人の中で起きていることを分けて見るときに使えるのが、チェンジマネジメントの分野でProsciが示しているADKARモデルです。人が変化を受け入れて行動を変えるまでを、5つの段階で表したものです。この記事では、ADKARを目安にして、ブラックボックスの中を「知る」「分かる」「仕事と結びつける」「動ける」の4つの段階に分けました。

対応は一対一ではなく、あくまで目安です。ここに、普及理論とProsciの指摘を反映させています。

1つは、Desireの扱いです。ADKARはDesireを、変化に参加するという本人の選択と定義しています。けれども社員は、普及理論の権威型のように、納得する前に使うことを求められます。そこでこの記事では、Desireを独立した段階にせず、「分かる」の中で扱いました。

もう1つは、「仕事と結びつける」をあえて独立させたことです。Prosciの指摘のとおり、AIでは自分の仕事のどこで使うかを見つけることが、特に大きな壁になるからです。

なお、ADKARは個人の変化を表すモデルで、組織の変革の進め方すべてをカバーする方法論ではない、とProsci自身が明記しています。ここでも、本人の中を分けるための物差しとしてだけ借りています。

では、4つの段階に分けて測ると、何が見えてくるのでしょうか。

止まっている段階が違えば、打ち手も変わる

AI利用率が上がらないとき、社員が止まっている場所は会社によって違います。そして、利用率だけを見てもそれがどこなのかは分かりません。「知る」「分かる」「仕事と結びつける」「動ける」の4つに分けて測ると、止まっている段階が見え、その段階に合った打ち手を選べるようになります。

利用率35%を、4つの段階に分けてみる

説明のために、仮の数字で考えてみます。利用率35%の会社で、4つの段階ごとに「その状態にある社員の割合」を測ったとします。

※画像はクリックで拡大できます

この例では、方針を知っている人は95%、理由が分かっている人も80%います。周知も説明も、ある程度は届いています。大きく落ちているのはその次で、自分の仕事のどこでAIを使えるかが分かっている人は55%しかいません。そこから動ける状態の40%、実際に使った35%へと、少しずつ減っていきます。

この会社で使い方の研修を増やしても、効果は限られるかもしれません。落ちているのは使い方を覚える段階より手前の、「自分の仕事と結びつける」段階だからです。

若い層は「使い方」、中高年は「必要性」が壁になっている

実際の調査でも、使わない理由は人によって違っています。パーソル総合研究所が、正規雇用者3,000人のうち生成AIを業務で使っていない1,500人に理由を聞いた調査では、年代を問わず「自分の業務には必要性を感じない」「使い方がわからない」「どのような業務で使えるのかイメージできない」が上位に挙がりました。そのうえで、若い層では「使い方」が、中高年層では「必要性」が上位に挙がりやすい傾向も示されています。同じ「使っていない」でも、止まっている段階は人によって違うということです。

段階ごとに、効く打ち手は違う

段階ごとに、使わない理由の例と打ち手の例を並べると、次のようになります。理由の例は、パーソル総合研究所の調査の選択肢から取りました。ただし「知る」の行（※）は、調査で公表されている上位10項目に当てはまるものがないため、この記事で置いた例です。段階との対応も、この記事での整理です。

打ち手は、止まっている段階に合わせて選びます。たとえば、全社一律で使い方の研修を増やすのは、「動ける」で止まっている人には効きますが、「仕事と結びつける」で止まっている人にはあまり届きません。

では、実際に打ち手を選ぶときには、どんな点に気をつければよいのでしょうか。

打ち手を選ぶときは、事例の選び方と測り方に気をつける

段階に合った打ち手を選ぶうえで、気をつけたい点が3つあります。他社の事例の選び方、社員の本音の測り方、そして測った数字の使い方です。

他社の成功例は、同じ段階で止まっている会社にこそ効く

「仕事と結びつける」段階の打ち手として参考になるのが、ライオンの取り組みです。ライオンは2025年6月、ビジネス部門を対象に、業務の棚卸しから業務フローの見直し、効果の試算、開発、検証、効果の測定までを一通り回す形で、AIエージェントを開発できる人材を育成するプログラムを発表しました（ライオンのAI人材育成事例）。

ただし、この事例がそのまま効くのは、同じ段階で止まっている会社です。「仕事と結びつける」が弱い会社にとっては好事例ですが、方針がまだ伝わっていない会社や、ツールや権限がそろっていない会社が同じことをしても、止まっている場所には届きにくくなります。他社の事例は、自社がどの段階で止まっているかと照らし合わせてから選ぶことが大切です。

では、自社の社員がどの段階で止まっているかは、どうやって測ればよいのでしょうか。

本音は出にくいので、サーベイの回答と利用ログを突き合わせる

4つの段階は、どれも社員の頭の中にあるものです。そのため、利用ログだけでは測れません。サーベイ（社員向けのアンケート調査）や自由記述、聞き取りが必要になります。

ここで気をつけたいのが、会社と社員の力関係です。顧客への調査と違い、社員は会社の方針について本音を言いにくい立場にあります。「会社のAI方針を理解していますか」と聞かれて、「理解していない」とは答えにくいものです。そのため、サーベイの結果は、実態より良く出る可能性があります。

そこで、本人がサーベイで答えたことと、利用ログに残った行動を組み合わせて見ます。たとえば、サーベイでは「分かっている」が80%なのに、利用ログでは35%しか使っていないなら、その差のどこかで浸透が止まっています。

前半の段階ほど利用ログでは見えず、サーベイに頼ることになります。だからこそ、サーベイは匿名で行い、選択肢だけでなく「使わない理由」を自由に書ける欄を設けておくと、本音に近づきやすくなります。

段階ごとの数字は、部署の目標値にしない

人的資本の視点で見ると、これはAIに限った話ではありません。社員の状態を数字で測るとき、その数字自体を目標にすると、回答が目標に寄っていくおそれがあります。スコアを追いかけることの危うさは、エンゲージメントスコアにも共通します（エンゲージメントスコアは上げにいくものではない）。段階ごとの数字は、どこで止まっているかを知るための材料として使い、部署ごとの目標値にはしないほうが、本音が集まりやすくなるのではないでしょうか。

理論を道具にして、自社の現場に合う打ち手を見つける

この記事で使った4つの段階や打ち手の表は、ブラックボックスの中を分ける一つの例です。業種や職種によっては、段階をもっと細かく分けたほうがよい会社も、別の理論のほうが合う会社もあるはずです。

普及理論もADKARも、そのまま当てはめるためのものではなく、自社の現場を見るための道具です。利用率が上がらないとき、研修を増やすかどうかを決める前に、まず自社の社員がどこで止まっているかを確かめてみる。そこから、自社に合う打ち手が見えてくるのではないでしょうか。

【セルフチェック】社員がどこで止まっているかを確かめる7項目

この記事の考え方を、自社のAI活用に当てはめてみるためのチェックリストです。正解を出すためのものではなく、立ち止まって考えるためのもの。気になった項目だけ拾ってもかまいません。各項目に、考えるときの手がかりを一言ずつ添えました。

• 利用率を、段階に分けて見られているか「知る」「分かる」「仕事と結びつける」「動ける」のどこかで数字を取っているか
• 使わない理由を、社員に直接聞いたことがあるか選択肢だけでなく、自由記述でも聞けているか
• サーベイの結果と利用ログを突き合わせているか「分かっている」と「使っている」の差に、浸透が止まっている場所がある
• 打ち手を決める前に、止まっている段階を確かめたか研修を増やす前に、どの段階の打ち手なのかを考える
• 他社の事例を、自社の止まっている段階と照らし合わせたか同じ段階で止まっている会社の事例かどうか
• 段階ごとの数字を、部署の目標値にしていないか目標にすると、回答が目標に寄っていく
• 会社が期待する使い方が、現場の仕事に合っているか確かめたか変えるべきが社員ではなく、会社の期待のほうである場合もある

用語メモ

本記事に登場する専門用語をまとめました。▶ をクリックすると説明が表示されます。

出典・参考情報

※本記事は2026年9月時点で公開されている調査・資料をもとに、AI活用推進の考え方を一般的に整理したものです。図3の数値は説明のための仮想例で、実際の調査結果ではありません。自社での施策の検討にあたっては、社内の実態をふまえてご判断ください。