Bainが2025年5月に公開した調査結果によると、米国企業の95％が生成AIツールを利用しており、2023年10月から2024年12月までの1年間で、生成AIツールの本番利用のユースケース数は約2倍に増加した。

　その中でも特に伸びが大きいのがIT領域だ。2023年10月からの生成AIツールの利用率の推移を目的別に示した調査結果からは、IT領域の生成AIツールの利用が最も高い成長を示している。

　ITに次いで導入が進んでいる領域は、以下の通りだ。

• ソフトウェア開発
• 自然言語インタフェース
• コア製品やサービスの機能向上
• カスタマーサービス
• ナレッジワーカーの効率化
• 営業・営業オペレーション

　ここから読み取れるポイントは、次の2つである。

• 1．IT領域の成長率が最も高い
• 2．組織全体の幅広い領域でAI利用が進んでいる

　Bainは、こうした導入拡大を支える背景として、企業が生産性向上やコスト削減を目的とした生成AIの活用を積極的に進めている点を指摘している。

　一方で、導入が急速に進むほど課題も顕在化しているとBainは指摘している。

• セキュリティとプライバシーへの懸念の増大
• 出力品質に対する不安
• 生成AIを使いこなす専門人材の不足

　このように、生成AIツールはさまざまな業務領域で導入されているものの、管理体制やガバナンスが追いつかず、企業のIT基盤に負荷が生じ始めている企業があることが分かる。

構造2．日本企業はユースケース設計の弱さが成果のボトルネックに（PwC Japan）

　PwC Japanグループが2024年6月に公開した調査では、生成AIの活用に対する期待値と効果の差分を回答者に質問した。その結果、以下の結果が示された。

• 「期待通りの効果があった」（48％）
• 「やや期待を下回る」「期待とはかけ離れた結果になった」（各18％）

　注目すべきは、成功要因として最も多かった回答が適切なユースケース設定で、38％を占めている点だ。

　このデータから見えるのは、日本企業において技術そのものよりも、どの業務にどの目的で使うかという設計が成果に影響するという実態である。

　情シスの現場では、次のような状況が生まれやすい。

• 多くの部署の業務で活用用途が曖昧なままPoC（概念実証）が始まる
• なぜそのAIツールを使うのかの説明が不足している
• PoCは実施される一方で、本番運用の判断には至らない
• 契約したまま活用されないサービスが増えていく

　この構造が、日本企業特有のPoC疲れやAIツールの乱立を招き、サブスク疲れの一因になっている。

構造3．Copilotが乱立し、AI Sprawlが加速している（Gartner）

　例として、ユーザーは業務の中でツールごとに異なるAIと対話することになる。

• Microsoftの「Microsoft 365 Copilot」・Salesforceの「Einstein Copilot」
• Adobeの「Adobe Firefly」
• Googleの「Gemini」
• OpenAIの「ChatGPT」
• Anthropicの「Claude」

　これらが業務中に至る所で立ち上がると、ユーザーは何をどこで使うべきか判断がつきにくくなり、結果として管理するIT部門の負担は増大していく。

　Gartnerのバイスプレジデントアナリスト、ダリン・スチュワート氏は、「AI Sprawl」が拡大する企業は増加傾向にあると指摘する。AI Sprawlとは、企業の中で用途やベンダーごとに個別最適化されたAIアシスタントが乱立し、統制されないまま広がってしまう状態を指す。

　スチュワート氏によれば、企業から最も多く寄せられる質問は「結局、私たちはいくつAIアシスタントを使えばいいのか」というものだ。

　スチュワート氏の答えはこうだ。

• AIアシスタントの数は少ない方がよい
• そもそも多くの企業はAIに何をさせたいか定義できていない
• 目的設計なしに数を議論しても意味がない

　さらにAI活用には、データガバナンスに加えて、PDF、Word、画像、動画などの非構造化データを扱うコンテンツガバナンスが不可欠だ。しかし、コンテンツガバナンスの推進は大半の企業で遅れているとスチュワート氏は指摘する。

　AI Sprawl、ユースケース設計の弱さ、ガバナンスの未整備という3つの課題が重なることで、サブスクの件数は増えるのに成果が上がらないという悪循環が生まれる。

サブスク疲れを引き起こす3つの構造要因

　ここまでの内容を整理すると、サブスク疲れは次の3つの構造が重なって生じている。

• 導入速度の上昇
  • ユースケースが増えるほど、サブスク契約が積み上がる
• ユースケース設計の不足
  • 判断の曖昧なまま契約が残り、PoC疲れが起きる
• AI Sprawlの拡大
  • さまざまなベンダーのAIツールが導入され、支出が重複する

　ツールが増えることが問題の本質ではなく、ユースケース設計、つまりユーザーにAIツールをどう使わせるのかの設計が追いつかないことが本質的な問題である。

情シスが明日から取り組める3つの施策

　ここからは、負担を必要以上に増やさず、現実的に効果を出すための実践的な視点をまとめる

施策1．ユースケース単位で全体を棚卸しする

　契約しているSaaSをリストアップする。契約状況の可視化ではなく、業務に基づいた洗い出しを目的に一覧表を作成する。

　業務と目的、それに使っているツールをひも付けることで、どこが重複しているか見えやすくなる。

施策2．試算レベルのROIで十分に評価する

　ROI（投資対効果）を完璧に、細かく計算し過ぎる必要はない。

　各業務に対して

• どれくらい時短できるか
• どのくらいの頻度で発生するか
• どれだけの人数が使うか

　このあたりを押さえておけば、比較に足る数字は出せる。

施策3．データとコンテンツを整理して使える形にする

　AIツールを十分に活用するには、データだけでなくPDFや文書などの非構造化データを整理し、使える状態にしておくことが欠かせない。非構造化データがバラバラに散らばったままでは、RAG（検索拡張生成）の精度も成果もどうしても限定的になってしまう。

　こうした整理やルール作りは地味で手間のかかる作業だが、AIツール活用の土台として効果を発揮しやすい部分でもある。これらを整えていくことでAIツールの価値を引き出せるようになる。

まとめ：IT部門はツールを選ぶ立場から使われ方を作っていく立場へ

　近年の生成AIツールやクラウドサービスの広がりを振り返ると、各社の調査や提言には共通して見えるポイントがある。

　Bainは生成AIツールがこれまでにない速さで企業に広がっていることを示し、PwCはその効果を引き出すためにはユースケースの設計が欠かせないと指摘する。Gartnerは、AIツールが増え続けるAI Sprawlと、整備が追いつかないガバナンスが現場負担の原因になっていると警鐘を鳴らしている。

　こうした視点を重ねると、サブスク疲れは単にコストが積み上がっているという話ではなく、AIツールが組織の中でどのように使われているかという“構造の問題”として見えてくる。これからのIT部門に求められるのは、AIツール選びだけでなく、整理のための視点を持ち、使われ方そのものを整える役割へと一歩踏み出すことにありそうだ。