AIネイティブ企業の6ステップ｜差は8.3倍

OpenAIが2026年9月1日、「AIネイティブ企業」の作り方をまとめた方法論を公開しました
AI活用の上位10%企業と平均的な企業の差は、1月の2.6倍から6月には8.3倍に拡大しています
成果を出す企業の共通点は「ツールの数」ではなく「ワークフローの作り直し」でした
Basis・Clay・Exa Labsという3社の実例から、6ステップの型が示されています
日本企業の生成AI利用率は86.4%ですが、業務プロセスの再設計が追いついていません

「AIを導入したのに、思ったほど楽になっていない」。そう感じている人は少なくないはずです。実は、成果を出している企業とそうでない企業の差は、使っているAIの性能ではありませんでした。OpenAIが公開した方法論から、その分かれ道を見ていきます。

OpenAIが公開した「AIネイティブ企業」の方法論

2026年9月1日、OpenAIが1本の記事を公開しました。

タイトルは「How AI-native companies turn workflows into operating capability」。日本語にすると「AIネイティブ企業はどうやってワークフローを組織の実行能力に変えているか」です。

ワークフロー（仕事の進め方の流れ）という言葉が中心に置かれているのがポイントです。

これまでのAI活用の話は、たいてい「どのツールを入れるか」でした。ChatGPTを全社員に配る、議事録AIを契約する、といった具合です。

今回の記事はそこから一歩踏み込んでいます。ツールを配ることと、組織が新しい仕事のやり方を身につけることは、まったく別物だという主張です。

そして実際にそれをやり切った3社を取り上げ、6つのステップに整理しました。

上位企業との差は、半年で2.6倍から8.3倍へ

この主張を裏づける数字があります。

OpenAIが企業向け利用データを分析したところ、AI利用が上位10%に入る企業（フロンティア企業）は、平均的な企業と比べて利用者1人あたりの出力トークン量が8.3倍でした。2026年6月時点の数字です。

注目すべきは、その変化の速さです。同じ指標は2026年1月には2.6倍でした。わずか半年で、差が約3倍に開いたことになります。

しかもこの差は、IT企業だけで起きているわけではありません。業種も企業規模も問わず観測されています。つまり「うちは製造業だから関係ない」とは言えない状況です。

なぜ差がつくのか

コンサルティング会社マッキンゼーの2026年の調査が、その理由を示しています。

この調査では、AIで個人の生産性が上がったと答えた人は80%に達しました。ところが、会社全体の利益（EBIT＝本業のもうけ）への効果を実感している割合は37%にとどまります。前年からほぼ横ばいです。

個人は楽になっているのに、会社の数字は動かない。この落差が「AIのパラドックス」と呼ばれています。

では、成果を出せている約6%の企業は何が違うのでしょうか。調査によると、そのうち約4分の3がAIに合わせて業務フローそのものを設計し直していました。それ以外の企業では4分の1にとどまります。

OpenAIが示した6つのステップ

記事で示された進め方は、次の6ステップです。

①重要なワークフローを1つだけ選ぶ — 手を広げず、会社にとって効きの大きい業務を1本決めます
②成果と測り方を先に決める — 「何がどうなれば成功か」を数字で定義します
③エージェントの職務記述書を書く — 新入社員を採用するつもりで、担当範囲と判断基準を文章にします
④人間側の仕組みを作る — 誰がレビューし、例外が出たら誰に上がるかを決めます
⑤実験を見える化し、使い回せる形にする — うまくいった指示や手順を個人の中に埋もれさせません
⑥成功した型を組織に定着させる — 1つの成功を、次の業務へ移植します

③の「職務記述書」という発想が特徴的です。

AIエージェント（自分で手順を判断して仕事を進めるAI）を、便利な道具ではなくチームの新しいメンバーとして扱うという考え方が根底にあります。

新人が入るとき、私たちは自然と担当範囲を決め、教育係をつけ、確認の仕組みを用意します。同じことをAIにもやる、というわけです。

3社の実例で見る「型」の作り方

Basis：例外が出るたびにスキルを磨く

Basisは会計事務所向けのAIエージェントを提供する米国企業です。2026年2月には1億ドル（約150億円）を調達し、評価額は11.5億ドルに達しました。

同社が取り組んだのは、新しい顧客を受け入れるオンボーディング業務でした。

ある会計事務所の担当者を想像してみてください。新規顧客が来るたび、勘定科目の対応表を作り、過去の帳簿を確認し、月次の締め方をヒアリングします。事務所ごとに手順は決まっているのに、毎回ゼロから人が動いていました。

Basisはこの決まった手順を、エージェントが繰り返し実行できる「スキル」の形に変換しました。

面白いのは、例外の扱い方です。想定外のケースが出たとき、担当者はその場で処理して終わりにしません。「このスキルのどこが足りなかったか」を洗い出し、スキル自体を書き直します。

結果として、同社を導入した会計事務所Wissでは最大30%の作業時間削減が報告されています。上位25の会計事務所のうち約30%が同社を利用しているとされます。

Clay：情報を「古くさせない」仕組み

Clayは営業やマーケティング向けのデータ基盤を提供する企業です。同社が扱ったのはアカウント管理でした。

営業担当が抱える悩みは、情報の鮮度です。半年前に調べた顧客の組織図や導入製品は、今も正しいとは限りません。

Clayはエージェントに継続的なコンテキスト（背景情報）を持たせ、変化し続ける顧客情報を常に最新に保つ役割を任せました。新規アカウントの動きや担当者の妥当性チェックを、エージェントが回し続けます。

Exa Labs：境界線を先に引く

検索インフラを手がけるExa Labsは、開発者向けの導入支援業務にエージェントを使っています。

ここで重視されたのは「どこまでやらせるか」の線引きです。使えるツールを限定し、テストを通し、人間のレビューを挟む。この3点で実行範囲を囲い込みました。

ちなみに、レビューで見つかった問題はそのまま次の境界線の調整材料になります。3社に共通しているのは、失敗を単発の事故ではなく設計の材料として扱う姿勢です。

従来の「AI導入」と何が違うのか

よくあるAI導入と、今回の方法論の違いを整理します。

コパイロット追加型：既存の業務手順はそのままに、各担当者にAIアシスタントを配る。導入は速いが、効果は個人の作業時間短縮にとどまりやすい
ツール横展開型：部署ごとに便利なAIツールを増やす。ライセンス費用は膨らむが、業務のつなぎ目は人が埋め続ける
ワークフロー再設計型：業務の流れ自体をAI前提で組み直す。時間はかかるが、マッキンゼーの調査では利益への効果が出るのはこの層

マッキンゼーの「Rewired」フレームワークの分析では、少数の高インパクト領域に絞った企業で平均約20%のEBITDA（利払い・税・減価償却前の利益）改善が見られたと報告されています。

他社の状況も似ています。GoogleはWorkspaceと連携するエージェント機能を、AnthropicはClaude Managed Agentsという実行環境を提供しており、各社とも「単発のチャット」から「継続して働くエージェント」へ軸足を移しています。

日本企業にとっての意味

日本の状況はどうでしょうか。

総務省が2026年7月に公表した令和8年版情報通信白書によると、何らかの業務で生成AIを使っている企業は86.4%に達しました。2024年度調査の55.2%から大きく伸びています。

数字だけ見れば、日本企業のAI導入は進んでいます。

問題はその中身です。同白書では、組織として体系的に取り組めていない企業が3割近く残ると指摘されています。

さらに気になるのが国際比較です。「業務プロセスの見直しに必要なスキルやノウハウを学ぶ環境がある」という項目で、日本は米国・ドイツ・中国より明確に低いという結果でした。

つまり、ツールは配られたが、業務の作り直し方を学ぶ場がない。OpenAIの記事が指摘する「差が開く理由」と、そのまま重なります。

身近な例で考えてみます。ある中小メーカーの営業事務担当が、見積書の作成にAIを使い始めたとします。文面づくりは確かに速くなりました。

けれど、その後の承認依頼、価格表の確認、顧客システムへの入力は、これまで通り人が手で回しています。全体の所要時間はほとんど変わりません。

6ステップの考え方に沿うなら、まず「見積作成から送付まで」を1本のワークフローとして選び、成功の基準を「初回提出までの日数」と決めるところから始めることになります。

よくある質問（FAQ）

Q1. 小さな会社でもこの6ステップは使えますか？

使えます。むしろ小規模なほど有利な面があります。ワークフローを1つ選び、関係者が数人で済むなら、②の成果定義と④の人間側の仕組みづくりが短期間で回せるためです。

Q2. 「エージェントの職務記述書」には何を書けばいいですか？

担当する業務範囲、判断してよいことと人に確認すべきこと、参照してよい情報源、成果の測り方の4点が基本です。新人向けの業務マニュアルを思い浮かべると書きやすくなります。

Q3. 8.3倍という数字は「使った量」であって成果ではないのでは？

その通りで、この数字は出力トークン量（AIが生成した文章量の目安）です。ただしマッキンゼーの調査で、業務フローを再設計した企業ほど利益への効果が出ていることが示されており、利用量の差は取り組みの深さを映していると考えられています。

Q4. どのワークフローから手をつけるべきですか？

手順がある程度決まっていて、繰り返しの回数が多く、遅れると他部署が待たされる業務が候補になります。3社の例でも、オンボーディング・アカウント管理・導入支援という「毎回発生する定型業務」が選ばれています。

Q5. AIに任せて品質が落ちるのが怖いのですが

だからこそ④と⑤が用意されています。人のレビューを工程に組み込み、そこで見つかった問題を手順の改善に戻す。Basisが例外をスキルの改訂に使っているのが、まさにこの形です。

まとめ

OpenAIが2026年9月1日、AIネイティブ企業の作り方を6ステップにまとめて公開しました
AI利用上位10%の企業と平均的な企業の差は、半年で2.6倍から8.3倍へ拡大しています
成果を分けたのはツールの数ではなく、ワークフローそのものを設計し直したかどうかでした
Basisは例外をスキル改訂に、Clayは情報の鮮度維持に、Exa Labsは実行範囲の線引きにエージェントを使っています
日本企業の生成AI利用率は86.4%に達する一方、業務プロセスを見直す学習環境は他国より弱いのが現状です

まずは自分の部署で「毎週必ず発生していて、遅れると誰かが待たされる業務」を1つ書き出すところから始めてみてください。