「AI格差」の正体とは？｜AIの成果の74%が上位20%の企業に集まる背景

AIを使う企業は増えましたが、AIで得ている成果には企業ごとに大きな差が開いています。弊社は、この「AI格差」の正体は、AIを使っているかどうかの差ではないと考えています。データや仕組みといった基盤と、AIの利用とが互いを強め合う循環を回せているかどうかの差だと見ています。

PwCが2026年6月に公表したレポートによると、世界1,217社のうち、AIによる成果が上位20%に入る企業が、AIによる成果全体の74%を得ていました。一方、総務省の「令和8年版 情報通信白書」では、生成AIを何らかの業務で利用している日本企業は86.4%に達し、米国やドイツとの差は縮まっています。使う企業は増えているのに、AIの成果は一部の企業に偏っている。この2つを合わせて見ることが、AI格差を考える出発点です。

この記事では、AIの成果の差がどのような仕組みで開くのかと、日本企業がどこで差をつけられているのかを、調査データをもとに開発を担う立場から解説します。成果を出す企業と出ない企業の具体的な違い（狙い・投資の配分・データと部品・業務への組み込み・人と体制）や、成果の測り方は、AI導入で成果が出ないのはなぜ？｜成果を出す企業と出ない企業の5つの違いで詳しく整理しています。

この記事でわかることは次のとおりです。

• 「AI格差」とは何を指すか
• AIの成果が一部の企業に集まる理由と、差が開く仕組み
• 日本企業が差をつけられている点
• 差を開いたままにしないために、自社で手を付けること

「AI格差」とは何か？#

この記事でいうAI格差とは、AIから得ている経済的な成果に、企業のあいだで開いている差のことです。個人のあいだでAIを使いこなせるかどうかの差を指して使われることもありますが、ここでは企業が売上や効率化として得ている成果の差を扱います。

成果は、どのくらい一部の企業に集まっているのか？#

AIによる成果の4分の3近くを、上位2割の企業が得ています。

PwC Global AI Performance Study China Report｜PwC Chinaは、25業種・1,217社の経営幹部に、AIの管理と投資に関する60の取り組みについて尋ねた調査です。同レポートは中国企業向けにまとめられたものですが、この記事で引用する数値は、いずれも世界1,217社全体についての結果です。

同レポートは、AIによる成果を「AIから得た売上と効率化の効果」と定義し、業種ごとの中央値と比べて各社を評価しています。そのうえで、次のような差を報告しています。

• 成果の集中：成果が上位20%に入る企業（同レポートの「AIリーダー」）が、AIによる成果全体の74%を占めていた
• 成果の差：AIへの取り組みの度合い（同レポートの「AI Fitness Index」）が上位20%に入る企業は、AIによる成果が他の企業の7.2倍だった
• 投資の差：AIリーダーと他の企業を比べると、AIへの投資は2.5倍だった（売上高に占めるAIへの投資の割合の中央値で比べたもの）

裏を返せば、残りの8割の企業を合わせても、AIによる成果の4分の1ほどしか得ていないことになります。

「使っている企業」と「成果を出している企業」は同じではない？#

同じではありません。AIを使う企業の割合は国のあいだで近づいてきましたが、それだけで成果の差が縮まるとは限りません。

総務省の白書によると、生成AIを一つ以上の業務で利用している日本企業の割合は86.4%で、前年度の調査の55.2%から大きく上がり、米国（90.9%）・ドイツ（91.6%）との差も縮まりました（出典：令和8年版 情報通信白書 データ集（図表Ⅰ-2-1-6）｜総務省）。

PwCの調査とこの白書は別々の調査で、対象も設問も違うため、数値をそのまま比べることはできません。ただ、「使っているかどうか」を物差しにしている限りAI格差は見えず、差がつくのは使い始めたあとの進め方だと、弊社では考えています。

AIの成果の差は、なぜ開くのか？#

PwCのレポートは、AIの基盤とAIの利用とのあいだに、互いを強め合う「複利」のような効果が働くと分析しています。調査は一時点の関連を見たもので、この効果が差の原因だと断定できるわけではありませんが、差が開く仕組みを考えるうえで参考になります。

基盤と利用は、どう互いを強め合うのか？#

同レポートによると、データと基盤（プラットフォーム）が強いほどAIを業務に展開するまでの時間が短くなり、業務の流れの見直しと従業員の信頼づくりが利用を広げます。そして利用が広がるほど、より多くのデータと現場からの反応が集まり、仕組みが時間とともに良くなっていきます。

この説明をもとに、弊社で流れを5つの段階に整理すると次のようになります。

1. 1基盤を整える：データと、AIを動かす仕組みを用意する
2. 2展開が速くなる：次の業務にAIを入れるまでの時間が縮む
3. 3利用が広がる：業務の流れを見直し、現場が使い続ける
4. 4データと反応が増える：使われるほど記録と修正が集まる
5. 5仕組みが良くなる：集まった記録で精度と使い勝手を上げる

5つ目の「仕組みが良くなる」は、1つ目の「基盤を整える」に戻ります。同レポートは、基盤がしっかりした企業では、基盤が弱い企業と比べて、AIによる成果の改善幅がほぼ2倍になると報告しています。弊社では、この循環を回せている企業ほど次の業務への展開が速くなり、差は自然には縮まりにくくなると見ています。

なぜ、2件目以降の取り組みで差が開くのか？#

弊社の見方では、使い回せる基盤があるかどうかで、2件目以降の取り組みの手間と効果が変わるからです。

PwCのレポートは、成果で他社に後れを取っている企業でも、適切な進め方を整えると、AIの用途を1件増やすごとに得られる平均的な成果が実質的に2倍になると報告しています（レポートではこれを「転換率」の効果と呼んでいます）。その背景として挙げられているのは、基盤が手間や重複作業、単発の案件で終わってしまう無駄を減らし、展開を速く、安く、確実にすることです。

開発を担う立場から見ると、これは現場でもよく起きていることです。データの取り出し方や、AIの出力を人が確認する仕組みを案件ごとに一から作っていると、件数を重ねても1件あたりの手間は減りません。反対に、最初の案件で作った連携や確認の仕組みを次の案件で使い回せれば、2件目からは試すまでの期間が短くなり、費用も小さくなります。弊社では、差を開いているのはAIのモデルの性能よりも、この積み重ねの有無だと考えています。

日本企業は、どこで差をつけられているのか？#

日本企業は、AIの利用の広がりでは他の国との差を縮めてきました。一方で、活用方針の明確さと、AIに学習・参照させるデータの準備では、なお差が残っています。

活用方針は、追いついてきたのか？#

上がってはいるものの、他の国より低い状態が続いています。

白書によると、生成AIを「積極的に活用する方針である」「活用する領域を限定して利用する方針である」と答えた日本企業は合わせて68.9%で、前年度の調査の49.7%から大きく上がりました。それでも白書は、他の3か国（米国・ドイツ・中国）と比べると日本は引き続き低いとしています。「方針を明確に定めていない」と答えた割合は、日本の20.2%に対し、米国は7.8%、ドイツは9.7%でした（出典：令和8年版 情報通信白書 データ集（図表Ⅰ-2-1-1）｜総務省）。

基盤では、どこに差があるのか？#

差が目立つのは、社内データを生成AIに学習・参照させる取り組みと、施策そのものの有無です。

白書は、生成AIによる業務変革等に関する環境整備の状況を国別に尋ねています。そのうち、この記事でいう基盤にあたる項目を選んで、日本・米国・ドイツの結果を並べると次のとおりです。

表の「社内データの整備」は「分析・活用可能な社内データの整備が進められている」、「学習・参照用のデータ」は「生成AIに社内データを学習させたり、生成AIが参照可能なデータベースを構築したりしている」、「開発できる技術環境」は「社員が生成AIを活用したアプリやAIエージェントを開発可能な技術環境にある」、「特に施策なし」は「特に実施している施策はない・把握していない」と答えた割合です（出典：令和8年版 情報通信白書 データ集（図表Ⅰ-2-1-5）｜総務省。白書は中国を含む4か国を比べており、予算や人員、スキルを学ぶ環境などの項目もあります）。

「社内データの整備」ではドイツとの差は小さい一方、「学習・参照用のデータ」では米国・ドイツが5割を超え、日本の2倍以上でした。白書も、中国を含む他の3か国ではこの回答が5割を超え、日本より大幅に高いと指摘しています（出典：令和8年版 情報通信白書 第Ⅰ部 第2章 第1節｜総務省）。「開発できる技術環境」も、日本の15.3%に対して米国は22.1%、ドイツは27.4%と、日本が低くなっています。弊社の見立てでは、先に見た循環の起点にあたる部分で、日本企業は手薄になっています。

中小企業は、大企業より取り組みが遅れているのか？#

方針と基盤の両方で、大企業より遅れが目立ちます。

白書によると、活用方針を定めている割合（「積極的に活用する方針である」と「活用する領域を限定して利用する方針である」の合計）は、大企業の74.0%に対して中小企業は58.1%でした。「方針を明確に定めていない」は、大企業の15.0%に対して中小企業は31.5%です（出典：令和8年版 情報通信白書 データ集（図表Ⅰ-2-1-2）｜総務省）。

基盤についても、「学習・参照用のデータ」にあたる取り組みをしている割合は大企業の26.7%に対して中小企業は17.7%、「特に施策なし」は大企業の17.8%に対して中小企業は26.6%でした（出典：令和8年版 情報通信白書 データ集（図表Ⅰ-2-1-5）｜総務省）。取り組みの差は、国と国のあいだだけでなく、国内の企業規模のあいだにもあるということです。

差を開いたままにしないために、何から手を付ける？#

上位の企業に一度で追いつく必要はありません。小さくても、基盤と利用の循環を自社の中で回し始めることが先決です。日本企業で手薄な「AIに参照させるデータ」の準備を含めて、弊社では次の4つの打ち手から始めることをおすすめしています。

4つの打ち手は、それぞれ何をするのか？#

1つ目の「業務を1つに絞る」は、循環の起点をつくる打ち手です。対象を広げすぎると、どの業務でもデータが整わず、成果も測れません。問い合わせ対応や受注入力のように、件数が多く、導入前の対応時間や誤りの件数を数えられる業務から選びます。業務とデータの絞り方は、社内データがバラバラでもAIは始められる？｜1つの業務に絞ったデータの整理手順で解説しています。

2つ目の「参照データをまとめる」は、白書で日本企業の差が目立った部分に手を付ける打ち手です。選んだ業務でAIに参照させるデータ（よくある質問、商品マスタ、社内の規程など）を1か所に集め、誰がいつ更新するかを決めます。全社のデータを一度に整える必要はありません。更新の担当者が決まっていないと、AIは古い情報をもとに答え続けることになります。

3つ目の「使い回せる形で作る」は、2件目以降の手間を減らす打ち手です。データの取り出し、AIの出力を人が確認して承認する画面、記録の残し方などを、その業務専用にせず、次の業務でも使える部品として作ります。

4つ目の「修正を記録に残す」は、利用から仕組みの改善へ戻す打ち手です。現場がAIの出力をどう直したか、どんな例外で人に引き継いだかを記録しておくと、それが参照データの修正や次の改善の材料になります。記録が残らない運用では、使うほど良くなるという循環が回りません。

あわせて、成果の出た用途に人と予算を寄せ、成果の見えない試行は止める判断も欠かせません。試行の期限とやめる条件の決め方は、先に挙げたAI導入で成果が出ないのはなぜ？｜成果を出す企業と出ない企業の5つの違いで解説しています。

たとえば、小売業ならどう進めるか？#

たとえば小売業で、顧客や店舗からの問い合わせに、AIが一次回答する業務から始めるとします。まず、問い合わせ1件あたりの対応時間と、担当者が回答を直した件数を導入前に記録します。次に、商品マスタとよくある質問を1か所にまとめて更新担当者を決め、AIの回答を担当者が確認してから返す仕組みを作ります。

ここで作った商品マスタの連携と確認の仕組みは、次にECの商品説明文の下書きや、店舗向けの販促文の作成にAIを使うときにも、そのまま使えます。問い合わせ対応で担当者が直した回答の記録は、よくある質問の改訂や、商品マスタの誤りの発見にもつながります。1つ目の業務で作ったものが2つ目の業務を速くする。これが、自社の中で循環が回り始めた状態です。

どんな進め方だと、差が開いたままになるか？#

次のような進め方では、件数を重ねても差は縮まりにくいと考えられます。

• 部署ごとに別々のツールを入れ、データの連携や確認の仕組みを毎回作り直している
• AIが参照するデータの更新担当者が決まっておらず、古い情報のまま使っている
• AIの出力を現場が直しても、その記録が残らず、仕組みの改善に戻っていない
• 「全社のデータを整えてから」と考え、最初の1業務に手を付けられずにいる

とくに最後の例は、慎重さが裏目に出やすい進め方です。弊社では、全社のデータが整うのを待つより、1つの業務で循環を回し始めたほうが、整えるべきデータの範囲も早く見えてくると考えています。

まとめ#

弊社は、AI格差の正体を、AIを使っているかどうかではなく、基盤と利用が互いを強め合う循環を回せているかどうかの差だと考えています。

• PwCの調査では、成果が上位20%に入る企業がAIによる成果の74%を得ていた
• 同レポートは、基盤が展開を速め、利用が広がるほどデータと反応が集まって仕組みが良くなるという、複利のような効果を分析している
• 日本企業は利用では他の国に近づいたが、活用方針の明確さと、AIに学習・参照させるデータの準備では差が残っている
• 中小企業では、方針を定めていない企業や施策のない企業の割合が大企業より高い

差を開いたままにしないためには、業務を1つに絞り、参照データをまとめ、使い回せる形で作り、修正を記録に残すことから始めてください。

よくある質問（FAQ）#

Q. AI格差とは何ですか？

A. この記事では、AIから得ている経済的な成果に企業のあいだで開いている差を指しています。PwCの調査では、AIによる成果が上位20%に入る企業が、成果全体の74%を得ていました。AIを使っているかどうかではなく、使ったあとに成果を出せているかどうかの差です。

Q. AIの成果で後れを取っている企業は、追いつけないのですか？

A. PwCの調査から、後れを取っている企業が追いつけるかどうかまでは言えません。ただしPwCのレポートは、成果で他社に後れを取っている企業でも適切な進め方を整えると、AIの用途を1件増やすごとの平均的な成果が実質的に2倍になると報告しています。弊社では、使い回せる基盤をつくれば、2件目以降の取り組みの手間は減らせると考えています。

Q. 日本企業は、AIの活用で遅れているのですか？

A. 利用の広がりでは、他の国との差は縮まっています。総務省の白書では、生成AIを一つ以上の業務で利用している日本企業は86.4%でした。一方で、社内データを生成AIに学習・参照させる取り組みは日本が24.5%と、米国の57.2%やドイツの54.4%を大きく下回っており、AIに参照させるデータの準備では差が残っています。

Q. 中小企業は、何から始めればよいですか？

A. 成果を数字で測れる業務を1つに絞り、そこでAIに参照させるデータと確認の仕組みを、次の業務でも使える形で作ることから始めるのが現実的です。担当者が兼務で手が回らない場合は、データの連携や仕組みづくりといった技術の部分を外部の開発会社に任せ、狙う成果と判断は社内で持つ分担も、一つの進め方です。

AI格差を開いたままにしないための基盤づくりから、ご相談ください#

弊社（株式会社TryWith）は、AIソリューション開発とシステム開発支援を通じて、開発を担う立場から次の工程を支援しています。

• 最初に取り組む業務の選定と、導入前の数字の記録
• AIに参照させる社内データの連携と整備
• AIの出力を人が確認する仕組みづくり
• 次の業務で使い回せる部品の設計

AIを使い始めたが成果につながっていない、案件ごとに仕組みを作り直している、何から基盤を整えればよいかわからない、といった段階からのご相談も承ります。

お問い合わせはこちら