経営とAIの打ち手を導く戦略フレームワーク大全179選

序章 フレームワークとの付き合い方

本編に入る前に、フレームワークというものとの付き合い方について、私の考えを短くお話しさせてください。

フレームワークとは、先人たちが無数の経営の現場から抽出した「考える型」です。ゼロから考えるより速く、抜け漏れが少なく、チームの共通言語になる。これがフレームワークの価値です。一方で、フレームワークは埋めることが目的化した瞬間に思考停止の道具になります。SWOTの4象限を埋めて満足してしまう、という光景は、残念ながら多くの会議室で見られるものだと思います。

大切なのは、「問い」から出発することです。いま自分たちが答えるべき問いは何か。市場の魅力度なのか、自社の勝ち筋なのか、実行体制なのか。問いが定まれば、それに合った型は自然と絞られます。本大全が14の章に分かれているのは、まさにこの「問いの種類」で道具を整理するためです。

そしてもう一つ。AIの時代になって、フレームワークの価値はむしろ高まったと私は感じています。生成AIは文章や分析の作業を高速化してくれますが、「どの課題を解くべきか」「何を優先すべきか」という設計の判断は、依然として人間の仕事です。フレームワークはこの設計の質を高める道具であり、AIに的確な指示を出すための思考の骨格にもなります。各フレームワークの解説に「AIプロジェクトでの活かし方」を添えたのは、そのためです。

Anagraftでは、AIプロジェクトの構想・課題設計から、データ分析・機械学習モデルの開発、AI人材の育成まで一貫したご支援を行っています。ご相談は、以下よりお問い合わせください。

お問い合わせ

全体の地図：14章の構成

本大全の構成は以下のとおりです。左の列が「章」、右の列が「その章が答える問い」です。いま向き合っている問いに近い章から読み始めてください。

章	テーマ（収録数）	答える問い
第1章	企業戦略・ポートフォリオ戦略（17）	どの事業に資源を配分すべきか
第2章	競争戦略・事業戦略（19）	この事業はどう戦えば勝てるのか
第3章	業界・市場構造の分析（12）	この市場は儲かる構造なのか、どう変わるのか
第4章	成長・イノベーション・破壊（17）	次の成長はどこから生まれるのか
第5章	ビジネスモデル・価値提案（10）	誰にどんな価値をどう届け、どう儲けるのか
第6章	顧客・マーケティング・ブランド（14）	顧客をどう理解し、どう選ばれるのか
第7章	ケイパビリティ・組織・オペレーティングモデル（12）	戦略を実行できる組織になっているか
第8章	業績管理・価値創造・ファイナンス（14）	戦略は数字と企業価値につながっているか
第9章	デジタル・データ・プラットフォーム（11）	デジタルとデータで事業をどう変えるのか
第10章	オペレーション・サプライチェーン・効率化（11）	現場のムダをどう見つけ、どう絶つのか
第11章	リスク・不確実性・シナリオ（10）	読めない未来にどう備えるのか
第12章	国際・グローバル戦略（7）	国境を越えるとき何が変わるのか
第13章	戦略プロセス・問題解決・意思決定（15）	どう考え、どう決め、どう変革を進めるのか
第14章	社会的インパクト・ESG・公共価値（10）	社会的価値と経済的価値をどう両立するのか

各フレームワークの解説は、①何のための道具か（提唱者・背景）、②使い方の要点、③AIプロジェクトでの活かし方、の3点セットで統一しています。また章末には、その領域を深く学びたい方への参考書籍を添えました。

第1章 企業戦略・ポートフォリオ戦略

企業戦略、いわゆるコーポレート戦略が向き合う問いは、事業戦略のそれとは少し性質が違います。事業戦略が「この市場でどう勝つか」を考えるのに対し、企業戦略は「そもそもどの事業を持つべきか」「本社は複数の事業に対してどんな存在意義を発揮できるのか」「限られた資金と人材をどの事業に振り向けるのか」を考える仕事です。複数の事業や案件を抱える組織であれば、規模の大小を問わずこの問いから逃れることはできません。

本章で紹介する17のフレームワークは、事業ポートフォリオの評価（BCGマトリクスやGEマッキンゼーの9セルマトリクスなど）、本社の存在価値の問い直し（アシュリッジ・ポートフォリオ・ディスプレイやペアレンティング・アドバンテージなど）、成長領域の広げ方（隣接領域拡張マトリクスや3つの地平線など）、資本と事業の整理（資本配分フレームワークやコア／ノンコア事業の仕分けなど）という、大きく4つの問いに対応しています。どれも1970年代から2000年代にかけて確立された考え方ですが、事業の代わりにAI・データ活用のテーマを当てはめてみると、驚くほど今日的な使い方ができます。

実際、AIプロジェクトの現場で最初に問題になるのは、技術の話ではなく「乱立したPoCをどう仕分けるか」「限られたデータサイエンティストの工数を何に振り向けるか」という、この章のフレームワークがまさに扱ってきた問題であることが多いように思います。事業ポートフォリオを事業や施策の集合体としてではなく、企業戦略の意思決定の対象として捉え直す視点は、AI活用の全社展開を考えるうえでの土台になると感じています。

企業戦略とは、どの事業を持ち、限られた資金と人材をどこに振り向けるかを決める仕事です。事業ポートフォリオを俯瞰する視点は、乱立したAI・データ活用テーマの仕分けにもそのまま応用できます。

フレームワーク	ひとことで言うと
プロダクト・ポートフォリオ・マネジメント（PPM）／BCGマトリクス	市場成長率と相対市場シェアの2軸で事業を4象限に分け、資金配分の方向を決める
GEマッキンゼーの9セルマトリクス	市場の魅力度と事業の競争地位を多面的に評価し、投資優先度を9段階で判定する
BCGアドバンテージ・マトリクス	競争優位の源泉の数と規模の効きやすさで、事業に合った戦い方の型を見極める
アシュリッジ・ポートフォリオ・ディスプレイ	本社が事業の価値を高められるかという「相性」の視点でポートフォリオを評価する
ペアレンティング・アドバンテージ	自社が他のどの親会社よりもその事業の価値を高められるかを問う
コーポレート・スコープ・マトリクス	市場の魅力度と既存事業との関連性で、手を広げるべき事業領域を絞り込む
本社の役割／コーポレート・ペアレンティング・スタイル	本社が事業会社にどう関与すべきかを3つの型に整理する
メイク・バイ・アライ／垂直統合フレームワーク	バリューチェーン上の各活動を内製・購買・提携のどれで担うかを判断する
隣接領域拡張マトリクス	コア事業からの距離が近い隣接領域から順に成長機会を広げる
3つの地平線（スリーホライズン）	時間軸の異なる成長機会をH1・H2・H3の3層でバランスよく管理する
企業価値創造ロジック	本社が事業の単純合計を超える価値をどう生み出すのかを言語化する
SBUセグメンテーション	戦略を立てられる最小単位（戦略事業単位）にポートフォリオを切り分ける
ストラテジック・コントロール・マップ	時価総額の規模と市場評価の高さで、業界再編における自社の立ち位置を可視化する
ポートフォリオ・バリューギャップ分析	現在の市場価値とポートフォリオの潜在価値の差を定量化し、改革の的を絞る
資本配分フレームワーク	投資、M&A、株主還元へのキャッシュ配分を資本コストの規律で決める
コア／ノンコア事業の仕分け	基準に基づき事業をコアとノンコアに峻別し、選択と集中を進める
リストラクチャリング／ポートフォリオ・プルーニング	止血、再建、再成長の段階を踏んで事業の再構築と刈り込みを計画的に進める

1. プロダクト・ポートフォリオ・マネジメント（PPM）／BCGマトリクス（BCG Growth-Share Matrix）

ボストン コンサルティング グループが1970年代に開発した、企業戦略のフレームワークの中でもっとも広く知られたものの一つです。市場成長率と相対市場シェアという2つの軸で事業を「花形」「金のなる木」「問題児」「負け犬」の4象限に分類し、事業間の資金循環をどう設計するかを議論するために使われます。

使い方の要点は次の通りです。

• 分析対象となる事業単位（SBU）を定義する
• 各事業の市場成長率と相対市場シェアを算出する
• 4象限のマトリクス上に、事業を売上規模の円としてプロットする
• 象限ごとの定石（金のなる木で稼いだ資金を問題児や花形に回すなど）に照らして方針を議論する

1970年代以降、総合電機や総合商社など多角化した日本企業の事業仕分けに広く使われてきたことで知られ、現在でも中期経営計画の策定時に事業の位置づけを整理する出発点として用いられています。

AIプロジェクトでは、社内に乱立したAI・データ活用テーマの棚卸しにそのまま応用できます。縦軸を「テーマの将来性」、横軸を「自社の成熟度・競争力」に置き換えれば、育成すべきテーマ、安定運用に移すテーマ、撤退すべきPoCを仕分けられます。最初のワークショップでこの図を描いてみるだけで、経営層の間で共有されていなかった「本当は撤退したいテーマ」の存在が浮かび上がることもあり、シンプルな図には独特の説得力があると感じています。

2. GEマッキンゼーの9セルマトリクス（GE-McKinsey Nine-Box Matrix）

GEとマッキンゼーが共同で開発した、BCGマトリクスの発展版に位置づけられるフレームワークです。「市場（業界）の魅力度」と「事業の競争地位」をそれぞれ複数の指標で総合評価し、3×3の9セルで事業の投資優先度を判定します。

使い方の要点は次の通りです。

• 市場の魅力度を測る指標（市場規模、成長率、収益性、競争環境など）を選び、重みづけする
• 事業の競争地位を測る指標（シェア、技術力、ブランド、コスト競争力など）を選び、重みづけする
• 各事業を両軸でスコアリングし、9セル上にプロットする
• 右上（魅力度高×地位強）は積極投資、対角線上は選別、左下は収穫・撤退という原則で方針を議論する

事業数の多い大手メーカーや持株会社が、中期経営計画で事業ごとの投資スタンス（強化・維持・縮小）を色分けする際の定番手法として使われており、近年は資本収益性（ROIC）を評価軸に組み込んだ変形版を開示する企業も見られます。

AIプロジェクトでは、案件の優先順位付けマトリクスとしてそのまま転用できます。縦軸を「ビジネスインパクト」、横軸を「実現可能性（データの有無、技術成熟度、現場の受容性）」とすれば、すぐ着手すべき案件、データ整備から始める案件、見送る案件を体系的に選別できます。BCGマトリクスより評価軸を増やせる分、経営会議での納得感が高まりやすいと感じています。

3. BCGアドバンテージ・マトリクス（BCG Advantage Matrix）

事業の競争環境そのものを類型化する、ボストン コンサルティング グループのフレームワークです。「競争優位の源泉の数」と「優位性の大きさ（規模の効きやすさ）」の2軸で、事業を「規模型」「特化型」「分散型」「手詰まり型」の4タイプに分類します。

使い方の要点は次の通りです。

• 各事業について、競争優位を築く手段が多いか少ないかを評価する
• 規模の拡大が収益性向上につながる度合いを評価する
• 4象限に各事業を分類する
• タイプごとの定石（規模型はシェア拡大、特化型はニッチ深耕など）に沿って戦略を検討する

素材や部品など規模の経済が効く事業と、特定用途向けのニッチ事業を併せ持つメーカーが、事業ごとに異なるKPIや投資基準を設定する際の整理に使われるのが典型的な適用場面です。

AIプロジェクトでは、AI活用領域の見極めに応用できます。需要予測や与信のようにデータ量がそのまま精度と優位性につながる「規模型」の領域と、特定業務の専門知識を組み込むことで勝てる「特化型」の領域を区別すれば、汎用基盤に投資すべきか、ドメイン特化のモデル開発に注力すべきかという技術投資の方針を整理できます。どちらの型かを見誤ると投資が長期間実を結ばないため、私はプロジェクトの初期段階で必ずこの見極めを行うようにしています。

4. アシュリッジ・ポートフォリオ・ディスプレイ（Ashridge Portfolio Display）

英アシュリッジ戦略経営センターのグールドとキャンベルらが提唱した、本社と事業の「相性」でポートフォリオを評価するフレームワークです。「本社が事業に価値を付加できる余地」と「本社の特性と事業の重要成功要因の適合度」の2軸で、事業をハートランド、バラスト、バリュートラップ、エイリアンテリトリーなどに分類します。

使い方の要点は次の通りです。

• 本社が持つ経営資源・スキル・管理スタイルの特徴を棚卸しする
• 各事業の重要成功要因を整理し、本社の特徴との適合度を評価する
• 本社の関与によって事業価値を高められる余地を評価する
• 2軸のマトリクスに事業を配置し、分類に応じて保有・強化・売却の方針を決める

祖業から多角化した企業グループが「なぜこの事業をわが社が持つのか」を問い直す事業ポートフォリオ見直しの場面で有効です。近年、日本の大手企業がノンコア事業をファンドや同業に売却する動きの背景には「自社が最良の親会社（ベストオーナー）か」というこの枠組みと同じ問題意識があるとされています。

AIプロジェクトでは、AI推進組織（CoE）と各事業部門の関係設計に応用できます。CoEの技術力・支援スタイルと各部門の課題特性の適合度を評価すれば、CoEが深く関与すべき部門と、部門の自走に任せるべき領域を見極め、支援リソースの配分を最適化できます。良かれと思って手厚く支援した部門ほど自走できなくなる、という逆説を何度か見てきたので、この視点は特に重要だと考えています。

5. ペアレンティング・アドバンテージ（Parenting Advantage Framework）

グールド、キャンベル、アレクサンダーが提唱した企業戦略の中心概念で、「本社（親会社）は、他のどの親会社よりもその事業の価値を高められるか」を問うフレームワークです。事業の魅力度ではなく、親としての優位性を事業保有の判断基準に据えます。

使い方の要点は次の通りです。

• 各事業について、本社が価値を付加している具体的なメカニズムを特定する
• 逆に本社が価値を毀損している面も洗い出す
• 想定される代替オーナー（競合、ファンドなど）と自社を比較する
• 自社がベストオーナーでない事業は売却・分離を検討し、ベストオーナーである事業には関与を深める

日立製作所が上場子会社の売却・完全子会社化を通じてグループ構造を再編した一連の改革は、ベストオーナーの考え方に基づく事業整理の代表例として知られています。東京証券取引所が資本効率の改善を上場企業に求めて以降、この観点でポートフォリオを説明する企業が増えています。

AIプロジェクトでは、AI・データ機能の持ち方の判断に使えます。データ基盤やAI人材を本社直轄で持つべきか、事業部門に分散させるべきか、外部パートナーに任せるべきかを「どの持ち方がそのAI活動の価値を最も高めるか」という基準で評価すれば、組織設計や内製・外注の議論に一貫した軸を与えられると思います。

6. コーポレート・スコープ・マトリクス（Corporate Scope Matrix）

企業が「どの事業領域まで手を広げるべきか」という事業範囲を体系的に検討するためのフレームワークです。市場の魅力度と、既存事業との関連性（シナジーや能力の転用可能性）の2軸で、参入・維持・撤退の候補領域を整理します。

使い方の要点は次の通りです。

• 検討対象となる事業領域（既存・新規）を洗い出す
• 各領域の市場魅力度（規模、成長性、収益性）を評価する
• 自社の中核能力・資産との関連性（顧客、チャネル、技術、ブランドの共有度）を評価する
• 2軸のマトリクスに配置し、「強化」「参入」「様子見」「撤退・不参入」に仕分ける

祖業の市場が成熟した企業が新規事業領域を探索する際の典型的な整理手法です。既存技術や顧客基盤との関連性を軸に参入領域を絞り込むアプローチは、素材メーカーがヘルスケアやエレクトロニクス分野へ展開する場面などでよく見られます。

AIプロジェクトでは、AI活用の対象業務を選ぶ「スコープ設計」に応用できます。縦軸を「AI適用による期待効果」、横軸を「既存のデータ資産・システム・人材との関連性」とすれば、手持ちのデータで早期に成果が出る領域と、データ整備から必要な領域を区別でき、AI導入ロードマップの段階設計に役立ちます。

7. 本社の役割／コーポレート・ペアレンティング・スタイル（Role of the Center / Corporate Parenting Styles）

本社が事業会社にどう関与するかのスタイルを類型化するフレームワークです。グールドとキャンベルの研究が有名で、本社の関与を「戦略計画型」「戦略コントロール型」「財務コントロール型」の3類型に整理します。

使い方の要点は次の通りです。

• 現在の本社の関与スタイル（戦略への関与度、業績管理の厳格さ）を診断する
• 各事業の特性（事業間の関連性、投資回収期間、環境変化の速さ）を整理する
• 事業特性に照らして適切な関与スタイルを検討する
• 本社機能の体制、権限規程、KPI設定をスタイルに合わせて再設計する

持株会社体制へ移行する日本企業が、ホールディングスと事業会社の役割分担や権限設計を議論する際の代表的な論点整理として使われています。事業ごとに関与の濃淡を変える「一律にしない」設計が近年の潮流とされています。

AIプロジェクトでは、全社AIガバナンスの設計に転用できます。AI活用の方針・基盤・ルールを本社が強く統制するか、ガイドラインだけ示して各部門に任せるかを、部門のデータ成熟度やリスクの大きさに応じて使い分けることで、統制と現場の自律のバランスをとった推進体制を設計できます。ガバナンスを一律に強めることが必ずしも正解ではない、という点は伝えるべきだと感じています。

8. メイク・バイ・アライ／垂直統合フレームワーク（Make-Buy-Ally / Vertical Integration Framework）

バリューチェーン上の各活動を「内製する（Make）」「外部から調達する（Buy）」「提携で賄う（Ally）」のいずれで行うかを判断するフレームワークです。垂直統合の範囲、すなわち企業の境界を決める意思決定を支えます。

使い方の要点は次の通りです。

• バリューチェーンを分解し、判断対象の活動を特定する
• その活動の戦略的重要性（差別化への寄与、将来の競争力への影響）を評価する
• 自社の能力・コスト競争力を外部の選択肢と比較する
• 重要かつ能力があれば内製、重要でなければ購買、重要だが能力が不足するなら提携や買収を検討する

自動車業界が典型例で、トヨタ自動車が電動化に際して電池をパナソニックとの合弁で確保した事例のように、重要部品を完全内製でも単純購買でもなく提携で押さえる判断が広く知られています。

AIプロジェクトでは、AI開発の内製・外注・協業の判断にそのまま使えます。競争力の源泉となる中核モデルやデータ基盤は内製し、汎用的な機能はSaaSやAPIを購買し、不足する専門技術はベンダーや大学との共同研究で補うといった切り分けを、活動ごとに体系的に決められます。生成AIの基盤モデルを自社開発するか外部APIを使うかという論点も、この枠組みで整理できると考えています。

9. 隣接領域拡張マトリクス（Adjacency Expansion Matrix）

ベイン・アンド・カンパニーのクリス・ズックらの研究に基づく、コア事業からの成長領域の広げ方を整理するフレームワークです。新しい顧客、新しい製品、新しいチャネル、新しい地域、バリューチェーンの前後といった「隣接の方向」ごとに拡張機会を評価し、コアからの距離が近い順に攻めることを推奨します。

使い方の要点は次の通りです。

• 自社のコア事業（最も強い顧客基盤・製品・能力）を定義する
• 隣接の方向（顧客軸、製品軸、チャネル軸、地域軸、バリューチェーン軸など）ごとに拡張候補を列挙する
• 各候補について、コアとの共有度（顧客、コスト構造、能力の重なり）を評価する
• 市場魅力度と併せて優先順位をつけ、距離の近い隣接から段階的に展開する

富士フイルムが写真フィルムで培ったコア技術を化粧品や医薬品などの隣接領域に展開して事業転換を成し遂げた事例は、技術軸の隣接拡張の代表例として広く知られています。顧客接点を軸に周辺サービスへ広げていくモデルも隣接拡張の典型とされています。

AIプロジェクトでは、AI活用の横展開計画に応用できます。最初に成功したユースケース（例：ある工場での外観検査AI）をコアと捉え、同じモデルを他工場へ、同じデータを別業務へ、同じ現場の別工程へと隣接方向に広げる展開マップを描けば、ゼロから毎回開発するより成功確率と投資効率の高いスケール戦略を立てられます。

10. 3つの地平線（スリーホライズン）（McKinsey Three Horizons of Growth）

マッキンゼーが提唱した、時間軸の異なる成長機会をバランスよく管理するフレームワークです。ホライズン1（中核事業の維持・強化）、ホライズン2（成長事業の拡大）、ホライズン3（将来の種の探索）の3層で成長イニシアチブを整理します。

使い方の要点は次の通りです。

• 現在の事業・プロジェクトをH1、H2、H3に分類する
• 各ホライズンへの経営資源（資金、人材、経営陣の時間）の配分状況を可視化する
• ホライズンごとに異なる管理方法を設定する（H1は利益とシェア、H3は学習と検証のマイルストーンなど）
• H3からH2、H2からH1への「昇格」の基準と見直しサイクルを定める

日本企業の中期経営計画で「既存事業の深化と新規事業の探索」を両立させる枠組みとして広く浸透しており、既存・成長・探索の3階層で投資配分を開示する企業も見られます。両利きの経営の議論と併せて語られることが多い考え方です。

AIプロジェクトでは、AI投資ポートフォリオの時間軸管理に最適です。H1は既存業務の自動化・効率化、H2はAIによる新サービスや顧客体験の変革、H3は生成AIやエージェント技術など将来の破壊的テーマの実験と位置づけ、それぞれに別の予算枠と評価基準を設ければ、短期ROI偏重で研究的テーマが枯れる事態を防げます。この整理をせずにすべてを同じ評価基準で見てしまっている企業は、少なくないように思います。

11. 企業価値創造ロジック（Corporate Value Creation Logic）

本社（コーポレート）が事業の単純合計を超える価値をどう生み出すのかを明文化するフレームワークです。単独事業への経営関与、事業間の連携促進、共通機能・サービスの提供、ポートフォリオの組み替えという価値創造の経路を特定し、自社の「勝ちパターン」として言語化します。

使い方の要点は次の通りです。

• 過去に本社の関与で事業価値が上がった事例・下がった事例を棚卸しする
• 価値創造の経路（個別事業への指導、シナジー創出、共通基盤、ポートフォリオ入替）ごとに自社の強みを評価する
• 自社ならではの価値創造ロジックを1〜2個に絞って言語化する
• そのロジックに沿って本社機能の体制、M&A基準、事業評価基準を整合させる

総合商社が「事業経営力と金融機能とグローバルネットワークの掛け合わせ」といった形で自社グループの価値創造モデルを統合報告書で説明するのが典型例です。コングロマリットディスカウントの解消を迫られる多角化企業にとって、この明文化は資本市場との対話の中心テーマになっています。

AIプロジェクトでは、全社AI戦略の「なぜ全社でやるのか」を定義するのに使えます。各部門が個別にAIを導入する場合と比べ、全社共通のデータ基盤、モデルやノウハウの横展開、人材の集中育成といった全社推進ならではの価値創造経路を明文化すれば、AI推進組織の予算と権限を正当化し、経営会議での合意形成を進めやすくなると思います。

12. SBUセグメンテーション（SBU Segmentation Framework）

ポートフォリオ管理の前提となる「事業の切り分け方」を設計するフレームワークです。戦略事業単位（SBU：Strategic Business Unit）を、市場・顧客・競合・コスト構造のまとまりが良く、独立した戦略を持てる単位として定義します。

使い方の要点は次の通りです。

• 製品・サービスを顧客セグメント、チャネル、地域、技術などの軸で分解する
• 「競合が同じか」「顧客が同じか」「コスト構造が独立しているか」を基準にまとまりを探す
• 独立した戦略を立てられる最小単位としてSBUを定義する
• SBUごとに損益・投下資本を把握できる管理会計を整備し、定期的に見直す

日本の大手メーカーが事業部制やカンパニー制を再編する際、組織の歴史的経緯で分かれた単位を市場実態に合わせて括り直す作業として行われるのが典型例です。近年はROIC経営の浸透に伴い、投下資本を紐づけられる事業単位の再定義に取り組む企業が増えています。

AIプロジェクトでは、データ・AI活用の管理単位の設計に応用できます。AIユースケースを「対象業務プロセス」「使うデータ」「担う組織」のまとまりで括り直せば、似た予測モデルを部門ごとに別々に開発するといった重複投資を発見できます。また、AI投資の効果測定をどの単位で行うかを定めることは、ROI管理と成果の説明責任の基盤になります。

13. ストラテジック・コントロール・マップ（Strategic Control Map）

マッキンゼーが提唱した、企業の資本市場における立ち位置を「時価総額の規模」と「市場評価の高さ（時価総額と簿価の比率、PBRなど）」の2軸で示すフレームワークです。自社が業界再編で買収する側に回れるか、買収される側になりやすいかを可視化します。

使い方の要点は次の通りです。

• 自社と業界内外の主要プレイヤーの時価総額と評価倍率（PBRなど）を収集する
• 規模×評価の2軸マップに各社をプロットする
• 自社の位置（再編の主導者になれるか、買収リスクにさらされていないかなど）を確認する
• 評価を高める打ち手と規模の打ち手（M&A）を検討し、定点観測する

東京証券取引所がPBR1倍割れ企業に資本コストを意識した経営を求めて以降、日本企業の間で自社の市場評価を業界マップの中で捉え直す動きが広がっています。割安に放置された企業がアクティビストや同業からの買収提案の対象になりやすいという文脈で、この見方が使われることが増えています。

AIプロジェクトでは、AI投資を企業価値のストーリーに接続する場面で役立ちます。自社の市場評価が低い原因（成長期待の欠如、低収益事業の温存など）を特定したうえで、AIによる収益性改善や新規成長ドライバーの創出をどう投資家に示すかを設計すれば、AI投資を単なるコスト削減ではなく市場評価の改善策として位置づけられます。

14. ポートフォリオ・バリューギャップ分析（Portfolio Value Gap Analysis）

企業の現在の市場価値と、ポートフォリオの潜在価値（各事業を最適に経営・再編した場合の理論価値の合計）との差（バリューギャップ）を定量化するフレームワークです。ギャップの発生源を特定し、価値向上施策の優先順位を導きます。

使い方の要点は次の通りです。

• 各事業を個別に評価し、サム・オブ・ザ・パーツ（事業価値の積み上げ）で理論価値を算出する
• 現在の時価総額・企業価値と比較し、ギャップを定量化する
• ギャップの要因（低収益事業、遊休資産、過剰な本社コストなど）を分解する
• 要因ごとに施策を立案し、価値インパクトで優先順位づけして実行をモニタリングする

複数事業を抱える日本の大手企業がアクティビストから事業分離や資産売却の提案を受ける事例が相次いでおり、その提案の根拠として使われるのがこの種の分析です。これを受けて、企業側でも自らサム・オブ・ザ・パーツ分析を行い、先回りしてポートフォリオ改革を打ち出すケースが増えているとされています。

AIプロジェクトでは、AI活用の全社的な「伸びしろ」の定量化に応用できます。業務領域ごとに「AIをフル活用した場合の理論的な効率・収益水準」と現状の差をギャップとして積み上げれば、全社のAIポテンシャルを金額で示せます。このギャップの大きい順に投資テーマを並べることで、AIロードマップを企業価値向上ストーリーとして経営陣・投資家に説明できると考えています。

15. 資本配分フレームワーク（Capital Allocation Framework）

企業が生み出すキャッシュフローを、事業投資、M&A、研究開発、負債返済、株主還元（配当・自社株買い）にどう配分するかを体系的に決めるフレームワークです。資本コストを上回るリターンの創出を規律として、配分の優先順位とルールを定めます。

使い方の要点は次の通りです。

• 今後数年間に使える資金の総額（営業キャッシュフロー、資産売却、借入余力）を見積もる
• 資本コスト（WACC）を算出し、投資のハードルレートを設定する
• 投資候補（既存事業、成長投資、M&A）を期待リターンとリスクで評価する
• ハードルを超える投資に優先配分し、超える案件がなければ株主還元や負債返済に回す

中期経営計画や統合報告書で「キャッシュ・アロケーション」の図を開示し、成長投資と株主還元の配分方針を説明する日本企業が近年急速に増えています。ROIC経営を掲げる企業が事業ごとのハードルレートを設けて投資を選別する運用も広がっているとされています。

AIプロジェクトでは、AI・DX予算の配分ルールづくりに転用できます。AI投資枠の総額を定めたうえで、確実に回収できる効率化案件、成長への戦略投資、将来技術の探索枠に配分比率を設定し、案件ごとに期待ROIとリスクで審査する仕組みを作れば、声の大きい部門に予算が流れる事態を防ぎ、AI投資全体のリターンを規律をもって管理できます。

16. コア／ノンコア事業の仕分け（Core vs Non-core Portfolio Framework）

保有する事業・資産を「コア（中核として強化する）」と「ノンコア（売却・縮小を検討する）」に仕分けるフレームワークです。戦略適合性、競争力、資本収益性などの基準を設け、聖域なくポートフォリオを峻別します。

使い方の要点は次の通りです。

• 仕分けの基準を定義する（戦略との適合性、市場地位、ROICと資本コストの比較、シナジーの有無など）
• 全事業・主要資産を基準に沿って評価する
• コア、準コア（条件付き保有）、ノンコアに分類する
• ノンコアの出口を設計し、売却で得た経営資源のコアへの再投資計画を立てて実行を追跡する

日立製作所が2010年代以降、多数の上場子会社や事業を売却して社会イノベーション事業に集中した改革は、コア／ノンコアの仕分けを大規模に実行した代表例として広く知られています。パナソニックやソニーグループなども事業の入れ替えを進めてきたことで知られ、日本の大企業経営における中心的なテーマになっています。

AIプロジェクトでは、乱立したAI・データ施策の棚卸しに有効です。PoC止まりの案件や利用されないダッシュボードを含む全施策を、戦略適合性と実績（利用度、効果）で仕分けし、ノンコア施策は勇気をもって停止、そこで浮いたデータ人材と予算をコア施策のスケールに再配置します。「やめる決断」の基準をあらかじめ持つことが、AI投資の費用対効果を高める鍵になると私は考えています。

17. リストラクチャリング／ポートフォリオ・プルーニング（Restructuring / Portfolio Pruning Framework）

業績不振や環境変化に直面した企業が、事業の再構築（リストラクチャリング）と刈り込み（プルーニング：不採算・非戦略事業の整理）を計画的に進めるためのフレームワークです。止血、再建、再成長の段階を踏み、事業・資産・コスト構造・財務を一体で立て直します。

使い方の要点は次の通りです。

• 事業・資産ごとの収益性とキャッシュフローを精査し、不振の根本原因を診断する
• 緊急の止血策（資金繰り確保、赤字案件の停止）を実行する
• 事業を「再建して残す」「売却する」「清算する」に仕分ける基準を定めて適用する
• 売却・撤退の実行計画を作り、残す事業への投資と成長戦略を描いて再構築後の姿を示す

経営危機に陥った企業の事業売却による再建や、カメラ事業などの祖業からの撤退を決断した企業の事例が広く知られており、日本でも祖業や主力事業であっても構造的に厳しければ切り離す判断が珍しくなくなりました。私的整理や事業再生ファンドの活用を含む再建の枠組みも整備が進んでいます。

AIプロジェクトでは、停滞したDX・AIプログラムの立て直しに応用できます。数十件のPoCが乱立して成果が出ない状況では、まず全案件のコストと効果を精査して不採算案件を停止し、続いて有望案件への人材集中、最後に成功パターンの横展開による再成長という段階設計が有効です。撤退基準（一定期間で効果検証できなければ停止など）をあらかじめ決めておくことが、AI投資の健全な新陳代謝につながると感じています。

この章を深めたい方への参考書籍

水越豊『BCG戦略コンセプト』（ダイヤモンド社）は、BCGマトリクスやアドバンテージ・マトリクスなど、本章で扱ったBCG系フレームワークの背景にある考え方を、BCG出身の著者が体系的に解説した一冊です。個々のフレームワークを単なる図として覚えるのではなく、なぜその軸が選ばれたのかという思想から理解したい方に向いています。

三谷宏治『経営戦略全史』（ディスカヴァー・トゥエンティワン）は、企業戦略・ポートフォリオ戦略の各フレームワークが、どの時代のどんな経営課題への回答として生まれたのかを、経営戦略論の歴史全体の中に位置づけて解説しています。本章の17個のフレームワークがなぜ1970年代から2000年代にかけて次々と生まれたのかという背景を掴むのに役立ちます。

第2章 競争戦略・事業戦略

「自社はどの市場で、何を武器に戦うのか」という問いは、経営における最も根源的な問いの一つだと思います。この章で扱う19のフレームワークは、いずれもこの問いに答えるための道具です。競合との違いをどう作るか、コスト構造をどう見極めるか、自社の内部にある資源や能力をどう競争優位に転換するか、業界の利益構造をどう読み解くか。切り口は多様ですが、根っこにあるのは「限られた経営資源を、どこに集中させるべきか」という判断を助けることです。

AIプロジェクトの文脈では、これらのフレームワークは特に「テーマ選定」と「優先順位付け」の場面で効いてきます。AI活用の候補は現場から次々に挙がってくるものですが、それぞれの経営インパクトや自社らしさを比較する共通の物差しがないと、声の大きいテーマや流行りのテーマから着手してしまいがちです。ポーターの基本戦略やバリューチェーン分析のような外部環境起点のフレームワークは、AI投資が全社戦略と整合しているかを確認するのに役立ちますし、リソース・ベースド・ビューやコア・コンピタンスのような内部資源起点のフレームワークは、自社にしか作れないAIの価値がどこにあるかを見極めるのに役立ちます。

もう一つ、この章のフレームワーク群には、事業ポートフォリオの中でAI投資の性格を変えるという発想を助けてくれるものが多く含まれています。ADLマトリクスやシェルのディレクショナル・ポリシー・マトリクスのように、事業ごとの成長段階や競争ポジションに応じて戦略の重点を変える考え方は、全社に一律のAI予算やDX方針を当てはめてしまう非効率を避けるための、実務的なヒントになると感じています。

競争戦略の根っこにあるのは、限られた経営資源をどこに集中させるべきかという判断を助けることです。外部環境起点のフレームワークと内部資源起点のフレームワークを組み合わせることで、自社らしいAI投資の的を絞り込めます。

フレームワーク	ひとことで言うと
ポーターの基本戦略	コスト・差別化・集中の3類型で戦い方を絞り込む
バリュー・ディシプリン	業務効率・製品力・顧客親密性のどれで業界随一を目指すか選ぶ
ボウマンの戦略クロック	価格と価値の2軸で競争ポジションを8方向に細分化する
バリューチェーン分析	事業活動を分解し、価値とコストの発生源を特定する
経験曲線	累積生産量の増加とともにコストが一定率で下がる経験則
相対コストポジショニング	コスト構造を要素別に競合と比較し、差の原因を特定する
KSF分析	業界で勝つために不可欠な要因を見極め、経営資源を集中する
戦略グループマップ	業界内を戦略の類似性でグループ分けし、真の競合と空白を探す
ゲーム理論・コーペティション	競合の反応を読み、競争と協調の最適な組み合わせを設計する
バリューネット	顧客・供給業者・競合・補完業者の4者で自社を取り巻く構造を捉える
デルタモデル	製品競争から顧客との結びつきの深さへ戦略の重心を移す
リソース・ベースド・ビュー	競争優位の源泉を内部の経営資源の異質性に求める
VRIO分析	経済価値・希少性・模倣困難性・組織の4問いで資源を評価する
コア・コンピタンス	他社に真似できない中核的な組織能力を軸に事業を展開する
PIMSモデル	大量の実績データからシェアや品質が収益性に与える影響を実証する
ADLマトリクス	競争ポジション×産業ライフサイクルで事業ごとの戦略方針を導く
シェルのディレクショナル・ポリシー・マトリクス	市場魅力度×自社競争能力の9セルで投資方針を決める
タイムベース競争	リードタイム短縮を競争優位の中心に据える
プロフィットプール分析	業界のバリューチェーン上で利益が溜まる場所を可視化する

1. ポーターの基本戦略（Porter’s Generic Strategies）

ポーターの基本戦略は、マイケル・ポーターが1980年代に提唱した、競争優位を築くための基本方針を「コストリーダーシップ」「差別化」「集中」の3類型に整理するフレームワークです。競争戦略論の出発点として、今なお多くの経営教育で最初に扱われる考え方だと思います。自社がどの土俵で戦うのかを明確にし、どちらつかずの中途半端な立ち位置（スタック・イン・ザ・ミドル）に陥ることを避けるための指針になります。

使い方の要点は次の通りです。

• 対象事業の市場範囲を、広い市場か特定セグメントかで定義する
• 自社の強みがコスト構造にあるのか、独自の価値提供にあるのかを分析する
• コストリーダーシップ、差別化、集中（コスト集中／差別化集中）のいずれかを選択する
• 選択した戦略と整合するように、投資配分・組織体制・KPIを設計する

日本企業では、製造から販売までを一貫して手がけ低価格を実現するニトリがコストリーダーシップの、高付加価値のセンサーやコンサルティング的な営業で高収益を上げるキーエンスが差別化戦略の代表例として、しばしば紹介されます。

AIプロジェクトの企画では、このフレームワークをテーマ選定の分岐点として使うのが有効だと感じています。コストリーダーシップ志向の企業であれば業務自動化や需要予測による在庫削減といった「コストを下げるAI」を、差別化志向の企業であればレコメンドやパーソナライズといった「顧客価値を高めるAI」を優先する、という形で全社戦略とAI施策の一貫性を確認できます。戦略類型と噛み合わないAI案件を早期にふるい落とす基準としても機能すると考えています。

2. バリュー・ディシプリン（Treacy & Wiersema Value Disciplines）

バリュー・ディシプリンは、トレーシーとウィアセマが1990年代に提唱した、市場リーダーになるための価値基軸を「オペレーショナル・エクセレンス（卓越した業務効率）」「プロダクト・リーダーシップ（製品の卓越性）」「カスタマー・インティマシー（顧客との親密性）」の3つに分類するフレームワークです。どれか一つで業界随一を目指し、残り二つは業界標準レベルを維持するという考え方が特徴で、「すべてで一番」を狙う総花的な戦略への警鐘としても読めます。

• 顧客が自社を選ぶ理由（価格・利便性か、製品性能か、個別対応か）を調査する
• 3つの価値基軸それぞれについて、自社と主要競合の水準を評価する
• 業界随一を目指す基軸を一つ選び、残り二つは標準レベルの維持目標を設定する
• 選んだ基軸に合わせて業務プロセス、組織、評価制度を再設計する

日本企業では、徹底したカイゼンで生産効率を磨き続けるトヨタ自動車がオペレーショナル・エクセレンスの、独創的な製品を出し続けるソニーがプロダクト・リーダーシップの例としてよく挙げられます。

AIプロジェクトの優先順位付けでは、自社の価値基軸に沿ってテーマを絞り込む道具として使えます。オペレーショナル・エクセレンス型の企業なら工程最適化や自動検品、プロダクト・リーダーシップ型なら研究開発支援や生成AIによる設計探索、カスタマー・インティマシー型なら顧客データ分析やLTV予測が本命テーマになりやすいはずです。議論が割れたときに立ち返る軸を持っておくと、社内の合意形成がずいぶん楽になると感じています。

3. ボウマンの戦略クロック（Bowman’s Strategy Clock）

ボウマンの戦略クロックは、クリフ・ボウマンが提唱した、価格と顧客が感じる付加価値という2軸で競争ポジションを時計の文字盤のように8方向に整理するフレームワークです。ポーターの基本戦略を拡張したもので、低価格かつ高付加価値を狙う「ハイブリッド戦略」のような、より細やかなポジションの選択肢を検討できる点に強みがあります。

• 対象市場における「顧客が感じる付加価値」の構成要素を定義する
• 自社と主要競合を、価格と付加価値の2軸上にプロットする
• 8つのポジション（低価格、ハイブリッド、差別化、集中差別化など）のどこを狙うか決める
• 狙ったポジションを実現するための価格政策と価値向上施策を設計する

日本企業では、高品質な商品を低価格で提供するユニクロや無印良品が、ハイブリッド戦略の例としてしばしば取り上げられます。小売や外食のように価格帯と提供価値のバリエーションが豊富な業界で、自社ブランドの立ち位置を再確認する定番ツールです。

AIプロジェクトでは、ダイナミックプライシングのようなAIによる価格最適化の設計前提を整理するのに向いています。自社が狙うポジションによって、AIに解かせるべき問題（コストを下げても利益が出る構造を追求するのか、価値を高めて価格を維持する打ち手を探すのか）が変わってくるためです。生成AIで商品説明やサービス体験を強化する施策が、文字盤上のどちらの方向への移動を意味するのかを可視化する使い方も有効だと思います。

4. バリューチェーン分析（Porter’s Value Chain）

バリューチェーン分析は、ポーターが提唱した、企業の活動を購買物流・製造・出荷物流・販売マーケティング・サービスといった主活動と、調達・技術開発・人事などの支援活動に分解し、どの活動が付加価値やコストを生んでいるかを分析するフレームワークです。競争優位の源泉を、企業全体という漠然とした単位ではなく、活動レベルまで分解して特定できる点が最大の特徴です。

• 自社の事業活動を主活動と支援活動に分解して図示する
• 各活動のコストと、顧客価値への貢献度を評価する
• 競合と比較し、優位・劣位にある活動を特定する
• 強化する活動、削減する活動、外部化する活動を決めて実行計画に落とす

日本企業では、セブンイレブンが商品開発から物流、店舗オペレーションまでのチェーン全体を磨き上げて競争力を築いたことが、バリューチェーン全体で戦う経営の代表例として知られています。

AIプロジェクトの棚卸しには、このフレームワークが最も使いやすいと感じています。バリューチェーンの各活動に対して「需要予測は物流に、外観検査は製造に、チャットボットはサービスに」という形でAIユースケースをマッピングすると、活用テーマの抜け漏れと偏りが一目でわかります。さらに各活動のコスト構成比と掛け合わせれば、AI投資のインパクトが大きい活動から優先的に取り組む根拠を作ることができます。

5. 経験曲線（Experience Curve）

経験曲線は、累積生産量が倍増するごとに単位あたりコストが一定割合（一般に10から30パーセント程度）で低下するという経験則をモデル化したフレームワークです。ボストン コンサルティング グループが1960年代に体系化し、市場シェアの獲得がコスト優位につながるという戦略論の基礎となりました。

• 対象製品の累積生産量と単位コストの実績データを収集する
• 両対数グラフにプロットし、経験曲線の傾き（コスト低下率）を推定する
• 将来の生産計画から到達可能なコスト水準を予測する
• 予測コストを前提に、価格設定や増産投資、撤退の判断を行う

日本企業では、半導体や液晶パネル、リチウムイオン電池といった電機・素材産業が、量産による習熟でコストを下げ国際競争力を築いてきた歴史があり、経験曲線が現実に働いた代表的な業界としてよく語られます。

AIプロジェクトでは、導入展開計画に応用できます。最初の1工場や1店舗への導入はコストが高くても、横展開を重ねるほどデータ整備やモデル調整のノウハウが蓄積され、1拠点あたりの導入コストは下がっていきます。この「AI導入の経験曲線」を前提にROIを試算すれば、初期案件の赤字だけを見て全社展開を諦めてしまう判断ミスを防げるはずです。機械学習モデル自体がデータの蓄積とともに精度を上げていく構造を説明する比喩としても使いやすいと感じています。

6. 相対コストポジショニング（Relative Cost Positioning Framework）

相対コストポジショニングは、自社と競合のコスト構造を原材料費、労務費、物流費、間接費といった要素別に分解して比較し、コスト面での相対的な立ち位置を明らかにするフレームワークです。どこでコスト差が生まれているのかを特定し、価格競争への耐性や改善余地を評価する土台になります。

• 製品・サービスのコストを主要な構成要素に分解する
• 公開情報や調査から、主要競合の各要素のコストを推定する
• 自社と競合のコストを積み上げ棒グラフなどで並べて比較する
• 差の要因（規模、立地、プロセス、調達力など）を分析し、埋められる差と構造的な差を区別する
• 埋められる差に対する改善施策と、構造的な差を前提とした戦略を立案する

日本企業では、鉄鋼や化学、自動車部品のようにグローバルにコスト競争が激しい業界で、海外競合との製造コスト比較を行う場面が典型的な適用例です。

AIプロジェクトでは、コスト削減施策の優先順位付けに直結します。競合とのコスト差が大きい要素（例えば検査工数や物流費）を特定できれば、そこにAIを投入したときの競争上のインパクトを見積もれます。AI導入自体のコスト（開発費、運用費、人材費）を内製と外注で比較する際にも、要素分解して相対比較するこの考え方がそのまま応用できると思います。

7. KSF分析（Key Success Factors Analysis）

KSF分析は、特定の業界・市場で勝つために不可欠な要因、いわゆる重要成功要因（Key Success Factors）を特定し、自社がそれをどの程度満たしているかを評価するフレームワークです。業界の競争のルールを見極め、経営資源を注ぐべきポイントを絞り込むという、シンプルながら応用範囲の広い考え方です。

• 顧客の購買決定要因と業界の競争構造を調査する
• 業界で成功している企業に共通する要因を抽出し、KSFの候補を挙げる
• KSFを3から5個程度に絞り込む
• 各KSFについて自社と競合の充足度を評価する
• ギャップが大きく重要度の高いKSFに、投資と施策を集中させる

日本企業では、コンビニエンスストア業界において立地開発力と高頻度の商品改廃、多頻度小口配送の物流網がKSFとされ、大手各社がこれらを磨き合ってきたことがよく知られています。

AIプロジェクトでは、テーマの筋の良さを見極める問いとして機能します。業界のKSFに直結するAI活用（小売なら需要予測、製造なら歩留まり改善など）は経営インパクトが大きく社内の支持も得やすい一方、KSFと無関係な領域のAI導入は成功しても評価されにくいためです。PoC候補が複数あるとき、「それは自社業界のKSFを強化するか」という基準で優先順位を付けると、投資対効果の高いポートフォリオを組みやすくなると感じています。

8. 戦略グループマップ（Strategic Group Mapping）

戦略グループマップは、同一業界内の企業を価格帯、製品範囲、チャネル、地理的範囲といった戦略の類似性に基づいてグループ分けし、2軸のマップ上に配置するフレームワークです。業界を一枚岩として捉えるのではなく、複数の戦略グループの集合として捉えることで、真の競合と空白ポジションを見つけることができます。

• 業界内の企業の戦略を特徴づける変数（価格帯、品揃えの幅、チャネルなど）を洗い出す
• 相関の低い2つの変数を軸として選ぶ
• 各社を2軸上にプロットし、近接する企業を円で囲んでグループ化する（円の大きさで売上規模を表現する）
• 自社の所属グループ、グループ間の移動障壁、空白地帯を分析する
• 現グループ内での競争強化か、別グループへの移動かを検討する

日本企業では、自動車業界を「価格帯×製品ラインの広さ」で描き、軽自動車に強いスズキやダイハツ、フルラインのトヨタ、高級路線の輸入車勢といったグループに分ける例が、経営学のテキストでも定番です。

AIプロジェクトでは、競合のAI活用動向を整理する地図として使えます。「AI投資の規模×活用領域（業務効率化寄りか顧客体験寄りか）」の2軸で業界各社をマッピングすれば、自社がどのグループにいて、どこに空白があるかを役員会で共有できます。ベンチマークすべき相手を同一戦略グループ内の企業に絞ることで、身の丈に合わないDX事例に振り回されることも防げると思います。

9. ゲーム理論・コーペティション（Game Theory / Co-opetition Framework）

ゲーム理論・コーペティションは、競合や取引先を「相手の出方によって自分の最適な手が変わるプレイヤー」として捉え、相互作用の構造を分析するフレームワークです。ブランデンバーガーとネイルバフは、競争（Competition）と協調（Cooperation）を組み合わせた「コーペティション」の概念を提唱し、競合とも協力して市場のパイ自体を大きくする発想を示しました。

• 意思決定に関わるプレイヤー（自社、競合、顧客、供給業者、補完業者）を特定する
• 各プレイヤーの選択肢と、選択の組み合わせごとの利得を整理する
• 相手の合理的な反応（値下げへの追随、協調の維持など）を予測する
• パイの奪い合い（競争）とパイの拡大（協調）のどちらが有利かを判断する
• ルールやコミットメントの変更（長期契約、標準化提携など）でゲームの構造自体を変えられないか検討する

日本企業では、トヨタとスズキ、ホンダとGMのように競合同士がEVや自動運転の開発で提携する動きが、コーペティションの現代的な実例として語られます。

AIプロジェクトでは、業界共通の課題に対するデータ連携やAI共同開発の判断に使えます。物流業界の共同配送や金融業界の不正検知データの共有のように、1社では集められないデータを競合と持ち寄ることで全員のAIの精度が上がる構造は、まさにコーペティションです。どのデータは共有してパイを広げ、どのデータは秘匿して競争優位の源泉にするかの線引きを、利得構造から論理的に整理できると考えています。

10. バリューネット（Value Net）

バリューネットは、ブランデンバーガーとネイルバフが提唱した、自社を取り巻くプレイヤーを「顧客」「供給業者」「競合」「補完業者（コンプリメンター）」の4者で捉えるフレームワークです。ポーターの5フォースが競争圧力に注目するのに対し、バリューネットは自社の価値を高めてくれる補完業者の存在を明示的に扱う点が特徴です。

• 自社を中心に、顧客、供給業者、競合、補完業者を洗い出して図示する
• 各プレイヤーが自社の価値をどう高め、あるいは奪っているかを分析する
• 補完業者との協業で顧客価値を高める打ち手を検討する
• プレイヤー間の関係変化（補完業者の競合化など）のシナリオを想定し、対応を準備する

日本企業では、任天堂やソニーのゲーム事業が、ハードの魅力がソフト会社という補完業者の充実に支えられる構造の典型例として、バリューネットの説明によく使われます。

AIプロジェクトでは、自社AIサービスのエコシステム設計に有効です。生成AIを組み込んだ製品を提供する場合、基盤モデル提供者、クラウドベンダー、SIer、データ提供者がそれぞれ供給業者や補完業者としてどう位置づくかを整理すると、提携すべき相手と依存しすぎてはいけない相手が見えてきます。自社データを外部に提供して補完業者を育てるか、囲い込むかといったプラットフォーム戦略の議論にも使える枠組みだと思います。

11. デルタモデル（Delta Model）

デルタモデルは、アーノルド・ハックスらが提唱した、顧客との結びつきの深さに着目して戦略ポジションを「ベストプロダクト」「トータル・カスタマー・ソリューション」「システム・ロックイン」の3つに整理するフレームワークです。製品中心の競争から、顧客との絆やエコシステムの支配へと戦略の重心を移していく道筋を示している点に特徴があります。

• 現在の自社ポジションが3つの頂点のどこに近いかを評価する
• 顧客の業務やエコシステム全体を分析し、より深い結びつきを作る機会を探す
• 目指すポジション（ソリューション提供か、ロックインか）を選択する
• 顧客との共同開発、切り替えコストの設計、補完業者の取り込みなど、移行のための施策を実行する

日本企業では、コマツの「スマートコンストラクション」が、建機の販売から施工現場全体のソリューション提供へと軸足を移した例として広く知られており、ベストプロダクトからトータル・カスタマー・ソリューションへの移行の好例とされます。

AIプロジェクトでは、AIを「製品を良くする道具」で終わらせず、顧客との結びつきを深める武器として位置づけ直すのに役立ちます。製造装置メーカーが稼働データをAIで分析して予知保全サービスを提供すればソリューション提供者へのポジション移行になりますし、顧客データが蓄積するほど精度が上がるAIサービスは、それ自体が切り替えコストとなってロックインを生みます。AI施策をデルタモデルの3頂点のどこに効かせるかを整理すると、単発のPoCが事業戦略の文脈を持つようになると感じています。

12. リソース・ベースド・ビュー（Resource-Based View）

リソース・ベースド・ビューは、競争優位の源泉を市場のポジションではなく、企業が内部に持つ経営資源（ヒト、モノ、カネ、情報、組織能力）の異質性に求める戦略論です。バーニーらによって体系化され、模倣困難な資源を持つ企業が持続的な競争優位を得るという考え方の基盤になっています。

• 自社の経営資源と組織能力を、有形・無形を問わず幅広く棚卸しする
• 各資源が競争優位にどの程度貢献しているかを評価する（VRIO分析を併用する）
• 競争優位の核となる資源を特定し、それを活かせる市場・事業を選ぶ
• 核となる資源への投資を続けつつ、不足する資源の獲得方法（自社開発、提携、買収）を決める

日本企業では、トヨタ生産方式が、設備や技術単体ではなく長年かけて組織に埋め込まれた改善の文化と仕組みが模倣困難な資源となっている例として、RBVの文脈で頻繁に引用されます。

AIプロジェクトでは、「自社が持つ独自データこそ模倣困難な経営資源である」という整理が、AI戦略の出発点としてそのまま使えます。汎用の基盤モデルは競合も使える以上、差がつくのは自社にしかない業務データ、顧客接点、ドメイン知識です。企画段階でRBVの視点から「このプロジェクトは自社固有の資源を活かしているか、それとも誰でも作れるものか」を問うことで、持続的な優位につながるテーマを選別できると考えています。

13. VRIO分析（VRIO / VRIN Analysis）

VRIO分析は、リソース・ベースド・ビューを実務に落とし込むためのチェックリストで、経営資源を「経済価値（Value）」「希少性（Rarity）」「模倣困難性（Inimitability）」「組織（Organization）」の4つの問いで評価します。旧版のVRINでは4つ目が「代替不可能性（Non-substitutability）」でした。この4条件を満たす資源が、持続的競争優位の源泉と判定されます。

• 評価対象とする経営資源・組織能力をリストアップする
• 各資源について「顧客価値やコスト優位に貢献するか（V）」を問う
• 「競合の多くは持っていないか（R）」「模倣や獲得に高いコストがかかるか（I）」を順に問う
• 「その資源を活かす組織体制・プロセスが整っているか（O）」を問う
• 判定結果（競争劣位から持続的競争優位まで）を整理し、投資方針に反映する

日本企業では、経営企画部門が中期経営計画の策定時に自社の強みを棚卸しする場面や、M&Aのデューデリジェンスで買収先の無形資産を評価する場面が典型的な適用例です。

AIプロジェクトでは、AI資産の価値評価にそのまま適用できます。学習済みモデル、教師データ、アノテーションのノウハウ、MLOpsの運用体制などをVRIOで評価すると、「モデル自体は代替可能だが、10年分の現場データとそれを活かすデータ基盤の組み合わせは模倣困難」といった解像度の高い結論が得られます。特に「O（組織）」の問いは重要で、優れたデータを持っていても活用する組織体制がなければ優位に転換できないという、AI導入で頻発する課題を事前に炙り出せると感じています。

14. コア・コンピタンス（Core Competence Framework）

コア・コンピタンスは、プラハラードとハメルが提唱した、企業の競争力の根源を個々の製品ではなく「他社に真似できない中核的な組織能力」に求める考え方です。コア・コンピタンスは複数の市場への展開可能性、顧客価値への貢献、模倣困難性の3条件を満たすものと定義され、それを軸に事業を展開することが持続的成長につながるとされます。

• 自社の製品・事業を支えている技術やスキルを分解して洗い出す
• 「複数市場に展開できるか」「顧客価値の中核か」「模倣困難か」の3条件で評価する
• 条件を満たす能力をコア・コンピタンスとして定義する
• コア・コンピタンスを起点に、既存事業の強化策と新市場への展開機会を検討する
• コアを磨く投資計画と、非コア領域の外部化方針を策定する

日本企業では、提唱者自身がホンダのエンジン技術（二輪から四輪、汎用機まで展開）やNECの半導体・通信技術を例に挙げたことから、日本企業の分析から生まれた理論として知られています。富士フイルムが写真フィルムで培った化学・材料技術を化粧品や医薬品に展開した事例も、コア・コンピタンスの再活用の好例として頻繁に語られます。

AIプロジェクトでは、「AI活用力を自社のコア・コンピタンスに育てるか、外部調達で済ませるか」という体制構築の議論に直結します。データ分析やモデル開発を内製化して複数事業に展開する能力として育てるなら人材採用や教育への長期投資が必要ですし、コアでないと判断するならベンダー活用に徹する方が合理的です。既存のコア・コンピタンス（例えば素材の配合ノウハウ）にAIを掛け合わせて強化する、という発想はAIテーマ選定の有力な型になると思います。

15. PIMSモデル（PIMS Model）

PIMS（Profit Impact of Market Strategy）モデルは、数千の事業ユニットの実績データベースを統計分析し、市場シェアや製品品質などの戦略変数が収益性（ROI）に与える影響を明らかにした実証研究プログラムです。「相対市場シェアが高いほどROIが高い」「相対的な品質が収益性を左右する」といった経験則で知られ、データに基づく戦略立案の先駆けとされます。

• 対象事業の市場シェア、相対品質、投資集約度、市場成長率などの変数を整理する
• PIMSの知見（シェアと収益性の相関、投資集約度の高さが収益性を下げる傾向など）に照らして、事業の期待収益水準を推定する
• 実際の収益性と期待水準のギャップを分析する
• シェア向上、品質改善、資産効率の改善など、収益性ドライバーへの打ち手を検討する

日本企業では、PIMSのデータベース自体を直接使う例は限られますが、「シェアの高い事業は収益性も高い」という知見は、事業ポートフォリオ評価や選択と集中の議論の理論的な裏付けとして、広く経営判断に浸透しています。

AIプロジェクトでは、「戦略変数と業績の関係をデータで解明する」というPIMSの思想は、現代のデータサイエンスによる経営分析の原型だと言えます。自社グループ内の多数の店舗・拠点・製品のデータを集め、収益性を説明する要因を機械学習で分析する取り組みは、いわば社内版PIMSの構築です。経営ダッシュボードや収益性ドライバー分析を企画する際、「何十年も前から実証されてきたアプローチのAIによる進化形」として経営陣に説明でき、納得を得やすくなると感じています。

16. ADLマトリクス（ADL Life Cycle-Competitive Position Matrix）

ADLマトリクスは、コンサルティング会社アーサー・D・リトルが開発した事業ポートフォリオ評価のフレームワークで、縦軸に自社の競争ポジション（支配的、強い、有利、維持可能、弱い）、横軸に産業のライフサイクル段階（導入期、成長期、成熟期、衰退期）を取り、事業ごとの戦略方針を導きます。市場の成長率だけでなく産業の成熟度で外部環境を捉える点が特徴です。

• 評価対象の事業単位（SBU）を定義する
• 各事業が属する産業のライフサイクル段階を、市場成長率や技術の安定度などから判定する
• 各事業の競争ポジションを、シェアや技術力、収益性から5段階で評価する
• マトリクス上に全事業を配置し、象限ごとの推奨戦略を参照する
• 全社の資源配分（投資、維持、収穫、撤退）の方針を決定する

日本企業では、多数の事業を抱える総合電機や総合化学のような多角化企業が、事業ポートフォリオの見直しや撤退基準の設定を行う場面が典型的な適用例です。

AIプロジェクトでは、事業ごとにAI投資の性格を変える指針として使えます。成長期かつ強いポジションの事業には攻めのAI投資（新サービス開発、顧客体験の革新）を、成熟期の事業には効率化・コスト削減型のAIを、収穫フェーズの事業には最小限の自動化投資に留める、といった形で、全社のAI投資ポートフォリオをライフサイクルに沿って設計できます。全事業に一律のDX予算を配る非効率を避ける根拠になると思います。

17. シェルのディレクショナル・ポリシー・マトリクス（Shell Directional Policy Matrix）

シェルのディレクショナル・ポリシー・マトリクスは、ロイヤル・ダッチ・シェルが開発した事業ポートフォリオ評価のフレームワークで、縦軸に「事業セクターの将来性（市場の魅力度）」、横軸に「自社の競争能力」をそれぞれ3段階で取り、9つのセルごとに推奨される戦略方針（リーダー維持、成長、撤退、段階的縮小など）を示します。GEのビジネススクリーンと並ぶ、多基準型ポートフォリオ分析の代表例です。

• 事業セクターの将来性を測る基準（市場成長性、収益性、競争環境、規制動向など）を設定する
• 自社の競争能力を測る基準（シェア、技術力、コスト競争力、販売網など）を設定する
• 各事業を2軸で採点し、9セルのマトリクスに配置する
• セルごとの推奨方針（成長投資、選択的投資、キャッシュ創出、撤退）を参考に、事業ごとの戦略を決める
• 定期的に再評価し、事業の位置の変化をモニタリングする

日本企業では、エネルギーや素材のように投資回収が長期にわたる業界で資源配分の議論に使われるのが典型的な適用場面です。中期経営計画の策定時に事業を「成長事業、基盤事業、構造改革事業」などに区分する実務が広く定着していますが、その区分の背後にはこの種の9セル型ポートフォリオ評価の考え方があります。

AIプロジェクトでは、AIユースケースの優先順位付けマトリクスとして応用できます。縦軸を「ユースケースの事業インパクト（コスト削減額、売上貢献の期待値）」、横軸を「自社の実現能力（データの有無、技術難易度、現場の受け入れ態勢）」に置き換えて候補案件を9セルに配置すれば、「すぐやる」「データ整備から始める」「今はやらない」の仕分けが一望できます。AI案件が乱立しがちな大企業で、投資判断の共通言語を作るのに有効だと感じています。

18. タイムベース競争（BCG Time-based Competition Framework）

タイムベース競争は、ボストン コンサルティング グループのジョージ・ストークらが提唱した、「時間」を競争優位の中心に据える戦略フレームワークです。開発リードタイム、生産サイクル、納期などを競合より短縮することが、コスト低下と顧客価値向上と市場シェア拡大を同時にもたらすと考えます。日本メーカーの俊敏な生産・開発の研究から生まれた理論として知られています。

• 受注から納品、企画から発売までの主要プロセスの所要時間を実測する
• 全所要時間のうち、実際に価値を生んでいる時間の割合を分析する（多くの場合ごく一部です）
• 待ち時間や手戻りなど、時間を浪費しているボトルネックを特定する
• プロセスの並行化、意思決定の権限委譲、情報伝達の短縮化などで時間を圧縮する
• 短縮した時間を、多頻度の商品投入や短納期対応といった競争優位に転換する

日本企業では、この理論自体がトヨタ生産方式に代表される日本の製造業の俊敏さの研究を土台に生まれたものです。企画から店頭までのサイクルを短縮したSPA型アパレルや、翌日配送を武器にする通販・物流企業も、時間を競争優位に転換した典型例として挙げられます。

AIプロジェクトでは、AIの価値を「精度」ではなく「時間短縮」で語る枠組みとして有効です。生成AIによる資料作成や設計案作成の時間短縮、AI審査による与信・見積もり回答の即日化など、リードタイムを軸にすると効果を金額換算しやすく、経営層にも伝わりやすくなります。AIプロジェクト自体の進め方にも適用でき、PoCから本番導入までのサイクルタイムを競合より短くすることが、AI活用競争そのものの優位につながるという整理ができると考えています。

19. プロフィットプール分析（Profit Pool Mapping）

プロフィットプール分析は、ベイン・アンド・カンパニーのガダイシュらが提唱した、業界のバリューチェーン全体で「利益がどの活動にどれだけ溜まっているか」を地図のように可視化するフレームワークです。売上の分布と利益の分布は往々にして異なるため、売上の大きさではなく利益の溜まり場（プール）を見て参入・撤退や事業展開を判断します。

• 業界のバリューチェーンを、利益構造の異なる活動単位に分解する
• 各活動の売上規模と利益額・利益率を、公開情報や推計で見積もる
• 横軸に売上構成比、縦軸に利益率を取ったチャートで利益の分布を可視化する
• 自社の現在のポジションと、利益プールの大きい領域とのずれを分析する
• 利益プールへの参入戦略や、プールの移動に備えた事業再構築を立案する

日本企業では、製造業が保守・消耗品・サブスクリプションといった川下のサービス領域に事業を広げる「コト売り」への転換を検討する際、この分析が実質的な判断枠組みになっています。自動車業界で新車販売そのものより金融や中古車に利益が溜まっているという分析は、プロフィットプールの古典的な例として知られています。

AIプロジェクトでは、AI投資を利益の溜まり場に照準させるための優先順位付けに使えます。バリューチェーン上にAIユースケースをマッピングするだけでなく各活動の利益プールの大きさを重ねれば、「効率化しやすい活動」ではなく「利益インパクトの大きい活動」からAIを導入する判断ができます。AIやデータサービスの普及によって業界の利益プール自体がどこへ移動するか（例えばハードからソフト・サービスへ）を予測し、自社のAI事業開発の狙いどころを定める使い方も有効だと思います。

この章を深めたい方への参考書籍

マイケル・ポーター『競争の戦略』（ダイヤモンド社）は、この章の多くのフレームワークの源流にあたる一冊です。コストリーダーシップ・差別化・集中という基本戦略の3類型や、バリューチェーンの発想の原典であり、競争戦略を体系的に学び直したい方にはまず手に取ってほしいと感じます。

楠木建『ストーリーとしての競争戦略』（東洋経済新報社）は、個々のフレームワークを部分的に適用するだけでは見落としがちな、戦略全体の一貫性やストーリー性の大切さを説いた一冊です。この章で紹介した多数のフレームワークをどう組み合わせて自社の戦略に仕立てるかを考えるときに、視野を広げてくれると思います。

第3章 業界・市場構造の分析

AIプロジェクトの成否は、実は個別の技術選定よりも「どの業界の、どの構造的課題に手を打つか」という初期設定で半分決まっていると私は感じています。自社の業界は構造的に儲かる業界なのか、いま産業のどの発展段階にいるのか、競合はどう反応してくるのか。こうした外部環境の見立てを曖昧にしたままAI導入を進めると、技術的には正しくても経営的なインパクトが読めないプロジェクトになりがちです。

本章で扱う12個のフレームワークは、いずれも「自社を取り巻く業界や市場の構造を、客観的な型に当てはめて読み解く」ための道具です。競争要因を分解するファイブフォース系、マクロ環境を俯瞰するPEST系、技術や産業の成熟度を見極めるライフサイクル系、資源配分の優先順位を決めるポジショニング系、そして競合やエコシステムとの関係を読むための分析系に大きく分かれます。

これらはAIプロジェクトの企画段階、とりわけ「なぜ今このテーマに投資すべきか」を経営層に説明する場面で特に効きます。技術部門が良かれと思って提案したAI施策が通らないとき、多くの場合は技術の話ではなく、業界構造や市場環境という土台の説明が抜け落ちています。本章のフレームワークは、その土台を埋めるための共通言語だと捉えていただければと思います。

AIプロジェクトの成否は、個別の技術選定よりも「どの業界の、どの構造的課題に手を打つか」という初期設定で半分決まります。業界や市場構造を客観的な型で読み解く視点が、経営層に投資の必然性を説明する土台になります。

フレームワーク	ひとことで言うと
ファイブフォース分析	業界が構造的に儲かるかを5つの競争要因で判定する
拡張ファイブフォース	補完財と規制を加えて競争構造をより実態に即して見る
PEST分析	政治・経済・社会・技術の4視点でマクロ環境を整理する
PESTEL・STEEP・STEEPLE分析	環境・法規制・倫理を加えた拡張版マクロ環境分析
産業ライフサイクルモデル	業界の発展段階を見極めて段階に適した打ち手を選ぶ
テクノロジー・アダプション・ライフサイクル	技術や製品が顧客層にどう広がるかを5層で捉える
産業・技術進化のSカーブ	技術性能の伸びと頭打ちから世代交代の時期を見極める
戦略的転換点	業界のルールそのものが変わる瞬間を察知し対応する
市場魅力度・競争ポジションマトリクス	市場の魅力度と自社の競争力の2軸で投資優先度を決める
競合反応プロファイル	自社の打ち手に競合がどう反応するかを事前に予測する
マーケットマッピング	市場のプレイヤーを2軸に配置し空白地帯を発見する
エコシステムマッピング	顧客からパートナー、規制まで含めた関係の全体像を描く

1. ファイブフォース分析（Porter’s Five Forces）

マイケル・ポーターが1979年に提唱した、業界の収益性を決める5つの競争要因、すなわち既存企業間の競争、新規参入の脅威、代替品の脅威、買い手の交渉力、売り手の交渉力を分析するフレームワークです。個々の企業の努力ではなく、業界の構造そのものが儲かりやすいかどうかを問う視点に特徴があります。

• 分析対象とする業界の範囲をまず定義する
• 5つの力それぞれについて影響要因を具体的に洗い出す
• 各要因の強弱を評価し業界全体の競争圧力を判定する
• どの力が収益性を最も圧迫しているかを特定する
• その力を緩和、または有利に働かせる戦略を検討する

日本企業では経営企画部門が新規事業の参入判断や中期経営計画の環境分析パートで用いるのが典型例で、寡占が進んだ市場の分析や異業種参入の検討で定番のツールとして知られています。

AIプロジェクトの優先順位付けにもそのまま使える枠組みだと思います。買い手の交渉力が強い業界ならパーソナライゼーションAIで顧客体験を高める、既存企業間の競争が激しい業界ならコスト構造を変える業務自動化AIというように、最も圧力の強い競争要因を緩和するテーマから着手すると、経営層へのROI説明がぐっとしやすくなります。さらに、生成AI自体が自社業界の「代替品の脅威」や「新規参入の脅威」を高めていないかを点検する視点としても有効で、私はAI戦略の議論を始める前にまずこの5つの力を洗い出すことをお勧めしています。

2. 拡張ファイブフォース（Extended Five Forces）

ファイブフォース分析に「補完財の提供者（コンプリメンター）」と「政府・規制」という第6、第7の力を加えた拡張版です。プラットフォームビジネスや規制産業のように、従来の5つの力だけでは競争構造を説明しきれない業界を分析するために発展してきた考え方です。

• 通常のファイブフォース分析をまず実施する
• 自社製品・サービスの価値を高める補完財の提供者を特定する
• 政府・規制当局が競争条件に与える影響を評価する
• 追加した力を含めて業界の魅力度を再評価する
• 補完財提供者との連携や規制対応を戦略に組み込む

日本企業ではゲーム機とソフトメーカーの関係、つまりハードの価値がソフトの充実度に左右されるという構図が補完財の代表例としてよく引き合いに出されます。電力、通信、金融、医療のように規制の影響が大きい業界では、規制動向を第6の力として扱う分析も典型的な適用場面です。

AI事業の環境分析では、この補完財と規制の視点が特に重要だと感じています。自社AIサービスの価値がクラウド基盤、基盤モデル提供者、データ提供パートナーといった補完財に依存する構造を可視化すれば、依存リスクとパートナー戦略を具体的に検討できます。加えて、EUのAI法や国内のガイドラインといったAI関連規制の動向を「規制の力」として体系的にウォッチする枠組みとしても機能するため、法務部門との連携が必要なプロジェクトほどこの拡張版を使う価値があると考えています。

3. PEST分析（PEST Analysis）

政治（Politics）、経済（Economy）、社会（Society）、技術（Technology）という4つの視点から、自社ではコントロールできないマクロ環境の変化を整理するフレームワークです。中長期の戦略立案において、追い風と逆風を漏れなく把握するための入口として広く使われています。

• 分析の目的と時間軸を設定する
• 政治・経済・社会・技術の各カテゴリで変化要因を洗い出す
• 各要因が自社に与える影響の大きさと発生確度を評価する
• 影響の大きい要因を機会と脅威に分類する
• 戦略仮説や事業計画への反映事項を整理する

日本企業では中期経営計画の策定時に外部環境分析の枠組みとして使うのが最も一般的で、少子高齢化、円安や金利動向、カーボンニュートラル政策、生成AIの台頭といった要因を整理し、事業ポートフォリオ見直しの前提とする使い方が典型例として知られています。

AI戦略の立案時には、AI規制の動向（政治）、AI人材の獲得コスト（経済）、消費者のAI受容度（社会）、基盤モデルの進化速度（技術）という4視点で前提条件を整理できます。私が特に意識しているのは更新頻度で、AI分野は技術と規制の変化が速いため、年1回ではなく半期ごとにPEST分析を見直し、プロジェクトの前提が崩れていないかを点検する使い方が実践的だと感じています。

4. PESTEL・STEEP・STEEPLE分析（PESTEL / STEEP / STEEPLE Framework）

PEST分析に環境（Environment）、法規制（Legal）、倫理（Ethics）などの視点を追加した拡張版のマクロ環境分析です。PESTELは6視点、STEEPは5視点、STEEPLEは7視点と、業界特性に応じて視点の粒度を選べる点が特徴です。

• 業界特性に応じて必要な視点の組み合わせを選ぶ
• 各視点で自社に影響するマクロ要因を洗い出す
• 要因ごとに影響度と不確実性を評価する
• 重要度の高い要因について対応方針を検討する
• 定期的に見直し変化をモニタリングする

日本企業では環境規制の影響が大きい自動車、エネルギー、化学などの業界で、PESTELの環境と法規制の視点を重視した分析が典型的な適用場面です。近年はTCFD対応やサステナビリティ報告書の作成過程で、気候変動リスクを含むマクロ環境を整理する枠組みとして使われる場面も増えています。

AIガバナンス体制の設計にはこのフレームワークが特に適していると思います。個人情報保護法や著作権法（Legal）、AI倫理指針（Ethics）、データセンターの電力消費（Environment）といった、PESTだけでは埋もれがちな論点を明示的にチェックリスト化できるからです。AIプロジェクトの企画段階でSTEEPLEの7視点をリスクアセスメントの棚卸し軸として使うと、後戻りの少ない課題設計につながります。

5. 産業ライフサイクルモデル（Industry Life Cycle Model）

業界には導入期、成長期、成熟期、衰退期という発展段階があり、段階ごとに競争のルールや有効な戦略が変わるという考え方です。自社の属する業界が今どの段階にあるかを見極め、段階に適合した打ち手を選ぶために使われます。

• 市場規模の推移や成長率、参入企業数などのデータを集める
• 業界が導入期から衰退期のどこにあるかを判定する
• 現在の段階における競争のポイントを特定する
• 次の段階への移行時期と兆候を予測する
• 段階に適合した投資・撤退・転換の方針を決める

日本企業では、成熟期に入った国内市場から海外の成長市場へ軸足を移す判断や、衰退期の事業から新領域への転換を検討する場面が典型例です。フィルムカメラ市場の縮小に直面した富士フイルムが、保有技術をヘルスケアや高機能材料に展開した事例は、衰退期における事業転換の代表例として広く知られています。

業界の段階によってAI活用の重点を変えるという発想は、投資判断の説明にそのまま使えます。成長期の事業では需要予測や採用強化などスケールを支えるAI、成熟期の事業ではコスト削減や歩留まり改善など効率化のAI、衰退期の事業では撤退判断を支えるデータ分析というように、ライフサイクル段階とAIテーマを対応づけることで、投資対効果の高い課題設計ができると考えています。

6. テクノロジー・アダプション・ライフサイクル（Technology Adoption Life Cycle）

新しい技術や製品が市場に普及する過程を、イノベーター、アーリーアダプター、アーリーマジョリティ、レイトマジョリティ、ラガードという5つの顧客層の順に広がるモデルで説明するフレームワークです。ジェフリー・ムーアの「キャズム理論」の前提となる考え方で、アーリーアダプターとアーリーマジョリティの間にある深い溝を越えられるかが普及の分かれ目とされます。

• 対象技術・製品の現在の普及率と顧客層を把握する
• 現在の主要顧客がどの層に当たるかを特定する
• 次の顧客層が求める価値を分析する
• キャズムを越えるための橋頭堡となるニッチ市場を選定する
• 顧客層の移行に合わせて製品・訴求・チャネルを再設計する

日本企業ではBtoBのSaaSやIT製品のマーケティング戦略で広く使われており、新技術に積極的な先進企業への導入実績を作ってから、事例や安心感を重視する大多数の企業層に展開するという段階設計が典型的な適用場面です。キャッシュレス決済や電気自動車の国内普及を論じる際の共通言語としても定着しています。

社内へのAI導入推進にはこのモデルがそのまま応用できると感じています。生成AIツールを全社展開する際、まず新しもの好きの部門や個人で成功事例を作り、その実績と安心材料を揃えてから慎重派の多数層に広げるという段階設計が有効です。一部の部署では使われているのに全社に広がらないという状況を社内キャズムとして捉えると、必要な打ち手が明確になります。

7. 産業・技術進化のSカーブ（S-Curve of Industry / Technology Evolution）

技術の性能や市場の普及は、初期は緩やかに、中期は急速に、成熟すると再び緩やかに伸びるS字型の軌跡を描くという考え方です。既存技術のSカーブが頭打ちになる頃に新しい技術のSカーブが立ち上がり世代交代が起きるため、乗り換えのタイミングを見極める際の基本の視座となります。

• 対象技術の性能指標を定義する
• 性能の推移を時系列でプロットしSカーブのどの位置かを判定する
• 性能向上が鈍化する兆候を確認する
• 次世代技術の候補とその立ち上がり状況を調査する
• 新旧技術への資源配分と移行計画を策定する

日本企業では半導体、ディスプレイ、電池などの技術集約型産業で、次世代技術への投資判断を議論する際の共通言語として使われています。ブラウン管から液晶への移行、液晶から有機ELへの移行のように、既存技術で高いシェアを持つ企業ほど新カーブへの乗り換えが遅れがちになるという教訓とともに語られることが多い考え方です。

AI技術の選定と乗り換え判断にも直結します。従来型の機械学習モデルの精度改善が頭打ちになったとき、基盤モデルの活用という新しいSカーブに乗り換えるべきかを、性能推移のデータに基づいて判断できるからです。基盤モデル自体の性能向上ペースを定点観測し、自社開発を続けるか外部モデルの進化を待つかという投資判断の材料にする使い方も、私は実践的だと考えています。

8. 戦略的転換点（Strategic Inflection Point Framework）

インテル元CEOのアンディ・グローブが提唱した、事業環境の根本的な構造変化が起きる「戦略的転換点」を察知し対応するための考え方です。競争のルールそのものが変わる転換点では、従来の延長線上の改善では生き残れず、戦略の抜本的な転換が必要になるとされます。

• 自社事業を支える前提条件を明文化する
• 前提を揺るがしうる変化の兆候を現場や顧客接点から収集する
• 変化が10倍規模のインパクトを持つかを見極める
• 転換点と判断した場合は方向転換の選択肢を検討する
• 実験的な取り組みで新方向の手応えを確かめながら資源を移す

インテルがDRAM事業からマイクロプロセッサ事業へ大転換した経緯とともに紹介されることが多い考え方です。日本では、デジタルカメラの登場に直面した写真フィルム業界や、スマートフォンの登場に直面した携帯電話業界の構造変化が、戦略的転換点の典型例として振り返られています。

生成AIの登場は多くの業界にとって戦略的転換点の候補であり、このフレームワークは「自社にとって生成AIは10倍の変化か」を経営レベルで議論する枠組みになると考えています。転換点だと判断するなら、部分的な業務効率化にとどめず、事業モデルや提供価値の再設計まで踏み込んだAI戦略が必要です。現場のAI活用実験から上がってくるシグナルを経営が拾う仕組みづくりにも応用できます。

9. 市場魅力度・競争ポジションマトリクス（Market Attractiveness-Competitive Position Matrix）

市場の魅力度（成長性、規模、収益性など）と自社の競争ポジション（シェア、技術力、ブランドなど）の2軸で事業を評価し、資源配分を決めるためのフレームワークです。GEとマッキンゼーが開発した9セルのビジネススクリーンが代表的で、PPMより多面的な評価ができるとされています。

• 市場魅力度を構成する評価項目を選び重み付けする
• 競争ポジションの評価項目を選び重み付けする
• 各事業を採点し9セルのマトリクス上にプロットする
• セルの位置に応じて投資・維持・撤退の基本方針を割り当てる
• 定期的に再評価しポートフォリオの入れ替えを検討する

日本企業では多角化した大手企業が事業ポートフォリオの見直しに使うのが典型的な適用場面です。総合電機や総合化学のように事業数の多い企業グループで、中期経営計画の策定時に各事業を魅力度とポジションで格付けし、注力事業と構造改革対象を仕分ける枠組みとして用いられることが多いと知られています。

AIプロジェクト候補の優先順位付けにそのまま転用できる点が魅力です。縦軸を「テーマの魅力度」（期待効果、対象業務の規模、実現時の波及範囲）、横軸を「実行可能性」（データの整備状況、技術成熟度、現場の受け入れ態勢）として候補テーマをプロットすれば、限られたAI人材と予算をどのテーマに集中させるかを経営層と合意しやすくなります。四半期ごとに再評価してパイプラインを管理する運用が実践的だと感じています。

10. 競合反応プロファイル（Competitor Response Profile）

ポーターが競合分析の枠組みとして示した、競合企業が自社の打ち手に対してどう反応するかを予測するためのフレームワークです。競合の「将来の目標」「現在の戦略」「自社業界への仮説」「経営資源・能力」という4要素から、攻撃してくる可能性や報復の強さを読み解きます。

• 分析対象とする主要競合を選定する
• 競合の目標と現在の戦略を整理する
• 競合が業界や自社について持っている仮説・思い込みを推定する
• 競合の経営資源と対応能力を評価する
• 想定される自社の打ち手ごとに競合の反応シナリオを作成する

日本企業では価格競争の激しい業界、たとえば通信キャリアの料金プラン改定や小売の出店競争などで、値下げや新サービス投入に対する競合の追随を読む場面が典型的な適用場面です。競合他社の決算説明資料や中期経営計画から目標と資源配分を読み取り、反応パターンを推定するという使い方が実務では一般的です。

AIを競争優位の源泉にする際、「競合が模倣してくるまでの時間」を見積もる枠組みとしても使えます。競合のAI人材採用状況、テックパートナーとの提携、デジタル投資額から対応能力を評価し、模倣されにくいAI活用領域、たとえば自社固有のデータが必要な領域に優先投資する判断ができます。生成AIで競合の公開情報を継続的に収集・要約し、反応プロファイルを常時更新する仕組みづくりとも相性が良いフレームワークだと思います。

11. マーケットマッピング（Market Mapping / Landscape Mapping）

市場に存在するプレイヤーや製品を、顧客にとって意味のある2つの軸（価格帯と品質、対象顧客層と提供価値など）で平面上に配置し、市場の全体像を可視化するフレームワークです。競合のひしめく領域と、まだ埋まっていない空白地帯を発見するために使われます。

• 市場の主要プレイヤーと製品・サービスをリストアップする
• 顧客の購買判断に影響する軸の候補を洗い出す
• 意味のある2軸を選び各プレイヤーをマップ上に配置する
• 密集地帯と空白地帯を特定し空白の理由を検証する
• 自社が狙うべきポジションと移動の方向性を定める

日本企業では新商品開発やブランド戦略の検討で、ポジショニングマップとして使うのが最も一般的です。ビール系飲料や自動車のように製品数の多い市場で、価格と価値の軸で自社と競合の製品群を整理し、カニバリゼーションや空白領域を確認する場面が典型例として知られています。

AIソリューションの選定やAI事業の企画で威力を発揮するのもこのフレームワークです。乱立するAIベンダーやツールを「汎用性と特化度」「導入の手軽さとカスタマイズ性」などの軸でマッピングすれば、自社に合う選択肢を体系的に絞り込めます。生成AIに市場情報の収集と一次分類を任せ、人間が軸の設計と解釈に集中するという分業により、従来は数週間かかったランドスケープ調査を大幅に短縮できると私は感じています。

12. エコシステムマッピング（Ecosystem Mapping）

自社を取り巻く事業エコシステム（顧客、パートナー、サプライヤー、プラットフォーム、規制当局、補完財提供者など）の全体像と、その間の価値・お金・データの流れを可視化するフレームワークです。単独企業間の競争ではなく、エコシステム同士の競争が重要になった現代に適した分析手法とされています。

• 中心に置く自社の事業・サービスを定義する
• 関係するプレイヤーを洗い出す
• プレイヤー間の価値・お金・情報の流れを線で結び図示する
• エコシステムの要となるプレイヤーと依存や競合のリスクを特定する
• 自社のポジションを強化する打ち手を検討する

日本企業では自動車業界がCASE（コネクテッド、自動運転、シェアリング、電動化）への対応を検討する際、部品サプライヤーからIT企業、エネルギー企業、行政までを含むエコシステム全体を描いて提携戦略を立てる場面が典型的な適用場面です。トヨタ自動車が異業種と連携してモビリティサービスの共同開発を進める取り組みは、エコシステム発想の代表例として知られています。

AI活用の体制構築には不可欠な視点だと感じています。基盤モデル提供者、クラウドベンダー、SIer、データ提供元、社内の各部門といった関係者と、その間のデータ・コスト・成果物の流れをマッピングすることで、どこがボトルネックか、特定ベンダーへの依存が過度でないかを可視化できます。特にデータ連携を伴うAIプロジェクトでは、企画の初期にエコシステムマップを描いておくと、契約・セキュリティ・責任分界の論点を早期に洗い出せます。

この章を深めたい方への参考書籍

マイケル・ポーター『競争優位の戦略』（ダイヤモンド社）は、ファイブフォース分析や競合反応プロファイルの原典にあたる一冊です。業界構造をどう読み解き、競争優位にどうつなげるかという思考の骨格を学ぶには、まずこの本に立ち返るのが近道だと思います。

ジェフリー・ムーア『キャズム』（翔泳社）は、テクノロジー・アダプション・ライフサイクルの核心にある「キャズム理論」を体系的に解説した一冊です。新しい技術やAIツールがなぜ社内や市場に広がりきらないのかを考えるとき、繰り返し参照する価値のある古典だと感じています。

第4章 成長・イノベーション・破壊

経営層が抱く問いのなかでも、「次にどこで成長するか」「その成長の種をどう育てるか」「自社がいつか誰かに置き換えられるとしたら、それはどんな形でやってくるか」という3つは、時代を問わず繰り返し立ち返るテーマだと思います。本章で紹介する17のフレームワークは、この3つの問いにそれぞれ違う角度から答えるための道具です。成長機会をどこまで広く探すか（アンゾフのマトリクスやマッキンゼーの7つの自由度）、イノベーション投資をどう配分するか（イノベーション・アンビション・マトリクスや両利きの経営）、そして自社がいつ破壊される側になり得るかを見極める理論（破壊的イノベーション理論やブルーオーシャン戦略）まで、扱う射程は成長戦略の立案から新規事業のプロセス管理、グロース施策の実行まで幅広く広がっています。

AI・データ活用プロジェクトの文脈では、これらのフレームワークは特に「テーマ選定」と「投資配分の妥当性を説明する」場面で効いてくると感じています。生成AIをはじめとするAI技術は、既存業務の効率化にも、新規事業の種にも、あるいは自社事業を脅かす破壊的技術にもなり得る、扱いの難しい対象です。だからこそ、思いつきでAI施策を並べるのではなく、成長マトリクスやイノベーション類型といった構造化された物差しに当てはめて考えることで、短期のROIが見込める施策と中長期の探索的な投資を意図的に区別し、経営層に説明できる形で優先順位をつけられるようになります。

もう一つ、この章のフレームワークに共通するのは「仮説を小さく検証しながら前進する」という発想です。ステージゲート法やリアルオプション、MVP学習ループはいずれも、大きな投資判断を一度にせず、段階を踏んで不確実性を減らしていく考え方を共有しています。AIプロジェクトの成否は技術力そのものよりも、この検証プロセスの設計にかかっていることが多いように思います。

成長・イノベーションの領域に共通するのは、大きな投資判断を一度にせず、仮説を小さく検証しながら前進するという発想です。段階を踏んで不確実性を減らしていくプロセス設計こそが、AIプロジェクトの成否を左右します。

フレームワーク	ひとことで言うと
アンゾフの成長マトリクス	製品と市場の新旧2軸で成長の方向性を4象限に整理する
イノベーション・アンビション・マトリクス	イノベーション投資を中核・隣接・変革の3層で配分設計する
マッキンゼーの成長への7つの自由度	身近な機会から遠い機会へ段階的に成長機会を探索する
ジョブ理論（JTBD）	顧客が製品を「雇う」目的（ジョブ）から市場を捉え直す
破壊的イノベーション理論	優良企業が安価な新技術に市場を奪われる構造を説明する
ブルーオーシャン戦略キャンバス	業界の価値要素と提供水準を価値曲線として可視化する
ブルーオーシャン4つのアクション	取り除く・減らす・増やす・付け加えるで新しい価値曲線を作る
イノベーションの10類型	新製品開発だけでなくイノベーションを10の類型で捉える
ステージゲート法	開発プロセスを段階分けし各ゲートでGo／Killを判断する
両利きの経営	既存事業の深化と新規事業の探索を組織として同時に実現する
リアルオプション	不確実な投資を段階的な選択肢の権利として評価する
プラットフォームの立ち上げと拡大のライフサイクル	鶏と卵問題の解消から臨界質量獲得までを段階設計する
AARRRファネル（海賊指標）	獲得・活性化・継続・紹介・収益の5段階で成長を計測する
グロース・フライホイール	成果が次の成長を生む自己強化ループとして成長を設計する
ネットワーク効果マップ	利用者増加が価値を高める効果の型を特定し強化策を設計する
MVP学習ループ	構築・計測・学習のループを高速で回し事業仮説を検証する
ダブルダイヤモンド	課題発見と解決策創出をそれぞれ発散と収束で進める

1. アンゾフの成長マトリクス（Ansoff Product-Market Growth Matrix）

アンゾフの成長マトリクスは、経営学者イゴール・アンゾフが提唱した、企業の成長戦略を検討するための最も基本的な道具の一つです。「製品」を既存か新規か、「市場」を既存か新規かという2軸で組み合わせ、市場浸透、新製品開発、新市場開拓、多角化という4つの象限に成長の方向性を整理します。特徴は、多角化に向かうほどリスクが高まるという構造を直感的に示せる点にあり、経営層と現場が成長戦略について同じ言葉で議論するための共通言語として長く使われてきました。

• 自社の既存製品と既存市場を明確に定義する
• 現在の事業や施策を4象限のどこに位置づけられるか整理する
• 各象限の成長余地とリスクの大きさを評価する
• 資源配分の優先順位を決め、象限ごとの具体的な施策に落とし込む

富士フイルムが写真フィルムで培った技術を化粧品や医薬品といった新市場へ展開した事例は、多角化戦略の代表例としてよく知られています。国内企業では中期経営計画の策定時に、既存事業の深掘りと新規事業の探索のバランスを議論する場面で広く使われています。

AIプロジェクトのテーマ棚卸しにこのマトリクスはそのまま応用できます。既存業務の効率化は市場浸透、既存顧客への新サービス提供は新製品開発、AIを武器にした新市場参入は新市場開拓や多角化に相当すると整理すると、短期でROIが見込める施策と中長期の探索的な施策を意図的に区別でき、投資ポートフォリオとしての説明がしやすくなります。実務でも、AI活用テーマを洗い出す最初の打ち合わせで、このマトリクスを使って議論を整理する進め方がよく取られています。

2. イノベーション・アンビション・マトリクス（Innovation Ambition Matrix）

イノベーション・アンビション・マトリクスは、イノベーションへの投資を「中核（コア）」「隣接」「変革（トランスフォーメーショナル）」の3層に分類し、配分バランスを設計するためのフレームワークです。ナジーとタフによって提唱され、多くの企業で参考値として引用される70対20対10という配分比率とともに知られています。イノベーション投資の全体像を1枚で可視化し、短期成果と長期の種まきのバランスを意図的に設計できる点が特徴です。

• 進行中のイノベーション施策をすべて洗い出す
• 各施策を中核・隣接・変革の3層に分類する
• 現状の投資配分（予算・人員）を集計する
• 自社の戦略や業界環境に照らして目標配分を定める
• 配分ギャップを埋めるよう施策を追加・削減する

国内大手メーカーの研究開発部門やコーポレートベンチャーキャピタルの投資方針設計で、既存事業の改善テーマに偏りがちなポートフォリオを見直す物差しとして使われるのが典型的な場面です。新規事業部門の予算折衝で「変革枠」を確保する根拠としても活用されています。

AI施策は既存業務の自動化という中核領域に偏りやすいため、このマトリクスで配分を点検すると効果的だと感じます。RPA的な効率化を中核、既存データを使った新サービスを隣接、生成AIによる新規事業を変革と位置づけ、全社のAI投資が中核一辺倒になっていないかを定期的にレビューする、という使い方が現実的だと思います。

3. マッキンゼーの成長への7つの自由度（McKinsey Seven Degrees of Freedom for Growth）

マッキンゼーの成長への7つの自由度は、成長機会を「既存顧客への販売拡大」から「新たな事業構造への進出」まで7段階の広がりで探索するフレームワークです。身近な機会から遠い機会へと段階的に視野を広げていくことで、成長アイデアの見落としを防ぐことを狙いとしています。ブレインストーミングになりがちな成長機会の議論を、体系的かつ漏れなく進められる点に価値があります。

• 既存顧客への既存製品の販売拡大の余地を検討する
• 新規顧客の獲得、新製品・サービスの追加を検討する
• 新たなデリバリー手法や地理的拡大の機会を洗い出す
• 業界構造の変革や業界外への進出まで視野を広げる
• 全機会を実現性とインパクトで評価し優先順位を付ける

国内の成熟市場で頭打ちになった企業が、海外展開や周辺サービスへの拡張を検討する際の思考の枠組みとして使われるのが典型的な場面です。コンサルティングファームが成長戦略プロジェクトの初期に、機会探索の網羅性を担保する目的で用いることでも知られています。

AI活用のテーマ出しワークショップでは、この7段階を問いのリストとしてそのまま使えます。「既存顧客の利用データから追加提案できないか」「AIで新しい提供チャネルを作れないか」「データ資産を業界外に販売できないか」というように段階的に問いを広げていくと、目先の効率化にとどまらないAI活用アイデアを体系的に発掘できると思います。

4. ジョブ理論（JTBD）（Jobs to Be Done Framework）

ジョブ理論は、顧客は製品を「買う」のではなく、片づけたい用事（ジョブ）を解決するために製品を「雇う」と考えるフレームワークです。クレイトン・クリステンセンらが提唱し、製品のスペックではなく顧客の目的から市場を捉え直すことで、業界の枠を超えた真の競合や未充足のニーズを発見できる点が最大の特徴です。

• 顧客が製品を使う状況と達成したい進歩（ジョブ）を特定する
• 機能面・感情面・社会面のジョブに分解する
• 現在の解決手段（自社製品・競合・代替手段）を洗い出す
• 未充足のジョブや過剰な機能を特定する
• ジョブを起点に製品・サービスを再設計する

書籍『ジョブ理論』の邦訳出版以降、国内でも商品企画やUXリサーチの現場で広く使われるようになりました。顧客インタビューで「なぜその商品を選んだのか」を状況ベースで深掘りし、ペルソナ分析を補完する手法として、消費財メーカーやサービス業で採用が進んでいることで知られています。

AIツール導入の要件定義に、このジョブ理論は特に有効だと感じます。「現場はレポート作成ツールが欲しいのではなく、上司への報告を素早く済ませたい」というようにジョブ単位で課題を捉え直すと、過剰な機能開発を避け、本当に使われるAIソリューションを設計できます。チャットボットや社内アシスタントのユースケース設計でも、ジョブの特定から始めることで的外れな導入を防げると思います。

5. 破壊的イノベーション理論（Disruptive Innovation Theory）

破壊的イノベーション理論は、優良企業が既存顧客の声に忠実であるがゆえに、シンプルで安価な新技術に市場を奪われるメカニズムを説明する理論です。クレイトン・クリステンセンが『イノベーションのジレンマ』で提唱し、ローエンド型と新市場型という2つの破壊のパターンを示しました。自社が破壊される側になるリスクを早期に察知できる点、そして「性能は低いが安価・簡便」な新規参入者を正しく脅威として評価できる点に価値があります。

• 自社製品の性能向上が顧客ニーズを超過していないか点検する
• ローエンドや無消費者層を狙う新興プレイヤーを特定する
• 破壊の初期兆候（利益率の低い顧客層の離反など）を監視する
• 自ら破壊側に回る事業案を検討し、独立した組織で育てる

1,000円カットのQBハウスが理美容業界にもたらした変化や、ネット証券が対面証券の顧客基盤を切り崩した事例は、国内における破壊的イノベーションの典型例としてよく挙げられます。デジタルカメラがフィルム市場を、スマートフォンがコンパクトデジカメ市場を置き換えた経緯は、日本メーカー自身が破壊の当事者にも被害者にもなった例として知られています。

生成AIはまさに破壊的技術の性質を持つため、この理論は自社事業のリスク評価に直結すると考えています。「AIによる安価・簡便な代替サービスが自社の顧客のどの層から侵食してくるか」を分析し、防衛ではなく自ら破壊側に回るAI新規事業を、既存事業とは別の評価基準を持つチームで立ち上げるという判断の拠り所になります。

6. ブルーオーシャン戦略キャンバス（Blue Ocean Strategy Canvas）

ブルーオーシャン戦略キャンバスは、業界各社が競争している価値要素を横軸に、その提供水準を縦軸に取り、自社と競合の「価値曲線」を1枚のグラフで可視化するフレームワークです。キムとモボルニュの『ブルー・オーシャン戦略』の中核ツールであり、業界の競争構造と各社の戦略の同質化を一目で把握できる点に強みがあります。

• 業界で競争の対象となっている価値要素を8から12個列挙する
• 各要素について自社と主要競合の提供水準を評価する
• 価値曲線を描き、各社の曲線の重なり（同質化）を確認する
• 曲線を意図的にずらした新しい価値曲線の仮説を作る

任天堂のWiiが、高性能化競争から離れて「家族で遊べる直感的な操作」に価値をシフトした事例は、日本発のブルーオーシャン戦略の代表例としてしばしば紹介されます。国内では新規事業計画や商品企画の初期段階で、業界の暗黙の前提を洗い出すワークショップのツールとして使われるのが典型です。

AIサービスの企画段階で、競合AIツールが競っている要素、たとえば精度や機能数、価格などを戦略キャンバスに描くと、各社の同質化が見えてきます。そのうえで「精度競争を降りて導入の手軽さに全振りする」といった独自の価値曲線を設計すれば、レッドオーシャン化しやすいAI市場でのポジショニングを明確にできると思います。

7. ブルーオーシャン4つのアクション（Blue Ocean Four Actions Framework）

ブルーオーシャン4つのアクションは、新しい価値曲線を作るための4つの問い、「取り除く」「減らす」「増やす」「付け加える」を体系化したフレームワークです。ERRCグリッド（Eliminate、Reduce、Raise、Create）とも呼ばれ、戦略キャンバスとセットで使うことで、差別化と低コストの同時実現を目指します。「増やす・付け加える」だけでなく「取り除く・減らす」に目を向けられる点が、他の発想法と一線を画す特徴です。

• 業界標準の価値要素のうち「取り除く」べきものを特定する
• 業界標準より大胆に「減らす」要素を決める
• 業界標準より大胆に「増やす」要素を決める
• 業界がまだ提供していない「付け加える」要素を創造する
• 4象限の結果を新しい価値曲線として統合し検証する

QBハウスが洗髪やマッサージを「取り除き」、施術時間の短さという新しい価値を「付け加えた」事例は、ERRCの説明で頻繁に引用されます。国内では、過剰品質や過剰サービスの見直しを議論する際に、「何をやめるか」を正面から問える数少ないフレームワークとして重宝されています。

AIソリューションの要件定義が機能の足し算に陥ったときに、このERRCは特に有効だと感じます。「精度99パーセントへの追求を減らし、その分レスポンス速度と説明可能性を増やす」「多機能ダッシュボードを取り除き、通知だけのシンプルなUIを付け加える」というように要件を再構成すると、開発コストを抑えつつ現場に刺さるAIプロダクトを設計できます。

8. イノベーションの10類型（10 Types of Innovation）

イノベーションの10類型は、イノベーションを製品だけでなく、利益モデル、ネットワーク、組織構造、プロセス、製品性能、製品システム、サービス、チャネル、ブランド、顧客エンゲージメントの10類型に分類するフレームワークです。ドブリン社（現デロイト）が大規模な事例分析から導き出したもので、複数類型の組み合わせが成功の鍵とされる点に特徴があります。

• 自社の現在の取り組みを10類型にマッピングする
• 競合や業界リーダーの取り組みも同様に分析する
• 業界全体で手薄な類型（空白地帯）を特定する
• 3つ以上の類型を組み合わせた施策を設計する

日本のメーカーは製品性能の類型に投資が偏りやすいと指摘されることが多く、ビジネスモデルやサービス面のイノベーションを再点検する診断ツールとして使われるのが典型的な場面です。新規事業提案制度の審査基準や、イノベーション研修の教材としても採用されています。

AI活用の企画が「製品にAI機能を足す」ことに偏っていないかを点検するのに、この10類型は適していると思います。AIによる課金モデルの変革は利益モデル、需要予測による物流改善はプロセス、パーソナライズ接客は顧客エンゲージメントというように10類型ごとにAIユースケースを発想すると、テーマ選定の幅が大きく広がり、競合が真似しにくい複合的なAI戦略を描けます。

9. ステージゲート法（Stage-Gate Innovation Process）

ステージゲート法は、新製品開発をアイデア創出から市場投入までの複数のステージに分割し、各ステージの間に「ゲート」と呼ばれる審査ポイントを設けて、継続・中止・修正を判断するプロセス管理のフレームワークです。ロバート・クーパーが提唱し、開発投資の規律を保つ標準手法として普及しています。見込みの薄いプロジェクトを早期に中止し、資源の浪費を防げる点が最大の利点です。

• 開発プロセスをステージ（構想、事業性評価、開発、検証、市場投入など）に分割する
• 各ゲートの評価基準（市場性、技術実現性、戦略適合性など）を定義する
• ゲートごとに判断者（ゲートキーパー）を任命する
• ステージの成果物をゲートで審査し、Go・Kill・保留を決定する
• 運用実績をもとに基準とプロセスを継続的に改善する

化学、素材、機械などの国内製造業の研究開発部門で、テーマの継続可否を判断する仕組みとして広く導入されていることで知られています。近年は判断が慎重になりすぎて挑戦的テーマが通らない弊害も指摘され、探索型テーマには基準を緩めた別レーンを設ける運用も見られます。

AI案件はPoC（概念実証）止まりになりがちなため、ステージゲートで「PoCからパイロット、本番展開」の各ゲートに定量基準（精度目標、業務適用時の削減効果、現場受容性など）をあらかじめ設定しておくと有効です。ゲート通過条件を最初に合意しておくことで、成果の出ないPoCの延命を防ぎ、有望案件への資源集中が可能になると考えています。

10. 両利きの経営（Ambidextrous Organization Framework）

両利きの経営は、既存事業の深化（exploit）と新規事業の探索（explore）を、1つの企業の中で同時に実現するための組織設計のフレームワークです。オライリーとタッシュマンが提唱し、探索部門を既存組織から構造的に分離しつつ、経営トップが両者を統合することの重要性を説きます。既存事業の論理で新規事業が潰される構造問題を回避できる点が核心です。

• 自社の事業・組織を深化型と探索型に仕分ける
• 探索部門を既存組織から分離し、独自の評価基準と権限を与える
• 経営トップ直下に探索部門を位置づけ、資源配分を保証する
• 既存部門の資産（顧客基盤、技術、ブランド）を探索部門が活用できる接点を設計する
• 探索事業の成長段階に応じて本体への統合や独立を判断する

書籍『両利きの経営』の邦訳が国内で広く読まれ、AGCが既存のガラス事業を深化させながら戦略事業を探索する取り組みの事例として紹介されたことで知られています。国内大手企業で新規事業開発室やコーポレートベンチャーキャピタルを社長直轄に置く組織改編は、この考え方を反映した典型的な動きです。

AI活用にも深化（既存業務の効率化）と探索（AIによる新規事業創出）の2種類があり、同じ組織・同じKPIで扱うと探索側が育たないというのが率直な実感です。効率化はROIで厳格に管理し、探索的なAI事業は学習量や仮説検証数で評価する別チームに任せる、といった体制設計にこのフレームワークが直接使えます。全社AI推進組織の設計指針としても有効だと思います。

11. リアルオプション（Real Options Logic）

リアルオプションは、金融オプションの考え方を事業投資に応用し、不確実性の高い投資を「小さく始めて、状況を見て拡大・延期・撤退を選べる権利」として評価するフレームワークです。NPV（正味現在価値）だけでは切り捨てられがちな、柔軟性の価値を定量的・定性的に捉えられる点に特徴があります。

• 投資案件の不確実性の源泉（技術、市場、規制など）を特定する
• 投資を段階に分け、各段階での選択肢（拡大・延期・縮小・撤退）を設計する
• 不確実性が解消されるマイルストーンを定義する
• 各段階の投資額と、選択肢を保持する価値を評価する
• マイルストーン到達時に選択肢を行使するか判断する

医薬品の研究開発や資源開発など、成功確率が低く投資額が大きい業界で、段階投資の判断に使われるのが典型例です。国内でもコーポレートベンチャーキャピタルによる少額出資や合弁での市場参入は、本格投資の前に「選択肢を買う」リアルオプション的な行動として説明されることが多くあります。

AI投資はまさに不確実性が高く、リアルオプションの発想が適合すると感じます。まず少額のPoCで技術的実現性という不確実性を解消し、成功すればパイロット、さらに本番展開へと段階的に投資を拡大する設計は、オプションの段階行使そのものです。ROI試算の際も、単発の費用対効果に加えて「このPoCで得られる知見が将来のAI展開の選択肢を広げる価値」を評価に含めることで、挑戦的なテーマへの投資判断がしやすくなります。

12. プラットフォームの立ち上げと拡大のライフサイクル（Platform Launch & Scaling Lifecycle）

プラットフォームの立ち上げと拡大のライフサイクルは、複数の利用者グループをつなぐプラットフォーム事業を、立ち上げから拡大までの段階で捉えるフレームワークです。初期の「鶏と卵問題」（売り手がいないと買い手が来ず、買い手がいないと売り手が来ない）の解消から、臨界質量の獲得、エコシステムの統治までを段階的に設計する点が特徴です。

• つなぐべき利用者グループと、双方への提供価値を定義する
• 先に集めるべき側を決め、初期供給を確保する施策（自社供給、補助、限定地域展開など）を打つ
• 限定的な市場で流動性（マッチング成立率）を高め、臨界質量に到達させる
• カテゴリや地域を広げ、ネットワーク効果を拡大再生産する
• 品質基準や手数料などのルールを整備し、エコシステムを統治する

メルカリが個人間売買のマッチングを軌道に乗せた過程や、クックパッドや食べログのように片側のコンテンツ投稿者を先に育ててから収益化した展開は、国内プラットフォームの典型的な成長経路として知られています。事業会社が自社データやポイント経済圏を軸にプラットフォーム化を検討する場面でも、この段階論が参照されます。

AIモデルのマーケットプレイスや、データを介した企業間連携基盤の構想にこのフレームワークは応用できます。特にAIプラットフォームは「データが集まるほどモデルが良くなり、良いモデルが利用者を呼ぶ」という学習効果のループを持つため、初期にどのデータ供給者をどう確保するかという立ち上げ設計が成否を分けます。社内でも、全社AI基盤の利用部門を段階的に増やす展開計画にこの考え方が使えると思います。

13. AARRRファネル（海賊指標）（AARRR Pirate Metrics Funnel）

AARRRファネルは、顧客獲得（Acquisition）、活性化（Activation）、継続（Retention）、紹介（Referral）、収益（Revenue）の5段階でサービスの成長を計測するフレームワークです。デイブ・マクルーアが提唱し、頭文字の響きから「海賊指標」と呼ばれ、スタートアップのグロース管理の標準となっています。サービス成長のボトルネックがどの段階にあるかを特定できる点が最大の価値です。

• 5段階それぞれに自社サービスの計測指標を定義する
• 各段階の転換率を計測し、ファネルとして可視化する
• 最も転換率が低い、または改善インパクトが大きい段階を特定する
• その段階に絞って改善施策を実行し、効果を検証する
• ボトルネックの移動に合わせて注力段階を切り替える

国内のWebサービスやスマホアプリのグロースチームで、KPI設計の共通言語として定着しています。特にSaaS企業やアプリ運営企業で、マーケティング部門が獲得だけを追い、プロダクト部門が継続率を見ないといった分断を防ぎ、ファネル全体で責任を持つ体制を作る際の枠組みとして使われるのが典型です。

社内AIツールの導入定着にもこのファネルが応用できます。対象部門への告知を獲得、初回利用と成功体験を活性化、日常業務への定着を継続、他部門への口コミを紹介、業務削減効果の実現を収益と置き換えれば、「導入したのに使われないAI」の原因がどの段階の離脱にあるかを特定でき、研修強化やUI改善など段階に応じた対策を打てると思います。

14. グロース・フライホイール（Growth Flywheel Framework）

グロース・フライホイールは、事業成長を一方向のファネルではなく、「成果が次の成長の投入になる」自己強化ループ（弾み車）として設計するフレームワークです。Amazonの「低価格が顧客を呼び、顧客が売り手を呼び、規模がさらなる低価格を生む」ループが原型として有名で、回り始めると加速し続ける成長構造を目指す点に特徴があります。

• 自社の成長を駆動する要素（顧客体験、口コミ、規模の経済など）を洗い出す
• 要素間の因果関係をつなぎ、循環するループとして描く
• ループの回転を最も加速させるレバー（起点）を特定する
• ループを減速させる摩擦（解約、体験の毀損など）を特定し除去する
• レバーへの投資と摩擦の除去を継続し、回転を加速させる

国内ではECやSaaS企業の事業計画で、「顧客数の増加がデータを増やし、データが体験を良くし、体験が顧客を呼ぶ」といった自社版フライホイールを描く取り組みが典型的な適用場面です。中期経営計画の説明資料で、事業間シナジーを循環図として示す使い方も広がっています。

AI事業はフライホイールと相性が特に良い領域だと思います。「利用が増えるほどデータが蓄積し、データが増えるほどモデルの精度が上がり、精度が上がるほど利用が増える」というデータの好循環をどう設計するかが、AIプロダクト戦略の核心になります。企画段階でこのループを明示的に描き、ループの起点（初期データの確保策）と摩擦（データ品質の劣化、プライバシー制約）を洗い出しておくことが重要だと考えています。

15. ネットワーク効果マップ（Network Effects Map）

ネットワーク効果マップは、「利用者が増えるほどサービスの価値が高まる」ネットワーク効果を、直接型（電話やSNSのような同種利用者間）、間接型（プラットフォームの売り手と買い手のような異種利用者間）、データネットワーク効果などの類型に分けて特定・設計するフレームワークです。自社事業にどの型のネットワーク効果が働き得るかを診断できる点に価値があります。

• 自社サービスの利用者グループと相互作用を洗い出す
• 働いているネットワーク効果の類型（直接、間接、データ型など）を特定する
• 各効果の強さと、効果が飽和・反転する条件（混雑、品質低下）を評価する
• 効果を強める施策（マッチング精度向上、コミュニティ育成など）を設計する
• 競合のネットワーク効果と比較し、参入・防衛戦略に反映する

LINEが国内のコミュニケーション基盤として定着した過程は直接ネットワーク効果の、メルカリの売り手と買い手の相互拡大は間接ネットワーク効果の典型例としてよく引用されます。国内企業が新規のマッチング事業やコミュニティ事業を審査する際、「本当にネットワーク効果が働く設計か」を問う診断ツールとして使われます。

AIプロダクトの競争優位を評価する際、データネットワーク効果の有無が重要な論点になります。「利用者が増えるとデータが増え、モデルが改善し、体験が向上する」ループが実際に働くのか、それともデータ量の効果が早期に飽和するのかを見極めることで、AI事業の防御力を冷静に評価できます。自社データの独自性がネットワーク効果の源泉になるかどうかは、AIテーマ選定の優先順位付けにも直結すると感じています。

16. MVP学習ループ（MVP Learning Loop）

MVP学習ループは、実用最小限の製品（MVP：Minimum Viable Product）を素早く作り、「構築、計測、学習」のループを高速で回して事業仮説を検証するフレームワークです。エリック・リースの『リーン・スタートアップ』の中核概念で、作り込む前に学ぶことを重視します。大規模投資の前に、最も危険な仮説を低コストで検証できる点が最大の利点です。

• 事業の成否を左右する最重要仮説（顧客課題、支払い意思など）を特定する
• 仮説検証に必要な最小限のMVPを設計・構築する
• 実際の顧客に提供し、行動データと反応を計測する
• 計測結果から学習し、仮説を修正する
• 継続（前進）かピボットかを判断し、次のループに入る

国内スタートアップの標準的な開発作法として定着しているほか、大企業の新規事業制度でも「いきなり本開発せず、まずMVPで検証する」プロセスが組み込まれる例が増えていることで知られています。紙のモックやノーコードツールでの検証、限定地域・限定顧客でのテスト販売などが典型的な実践形です。

AI開発におけるPoCは、まさにMVP学習ループとして設計すべきものだと考えています。最初から高精度なモデルを目指すのではなく、「この予測結果を現場は本当に業務に使うか」という利用仮説を、簡易モデルや人手による疑似出力（Wizard of Oz型の検証）で先に確かめる進め方が有効です。技術検証と業務適用検証をループごとに分けて回すことで、精度は高いのに使われないAIという典型的な失敗を避けられます。

17. ダブルダイヤモンド（Design Thinking Double Diamond）

ダブルダイヤモンドは、課題の発見と解決策の創出を、それぞれ「発散と収束」のダイヤモンド型プロセスとして描いたデザイン思考のフレームワークです。英国デザインカウンシルが提唱したもので、「正しい課題を見つける（Discover／Define）」と「正しく解決する（Develop／Deliver）」の4段階で構成されます。解決策に飛びつく前に、課題そのものを疑い定義し直せる点が最大の特徴です。

• Discover：観察やインタビューで課題の周辺を幅広く探索する（発散）
• Define：洞察を統合し、解くべき課題を一文で定義する（収束）
• Develop：定義した課題に対する解決策のアイデアを幅広く出す（発散）
• Deliver：プロトタイプとテストで解決策を絞り込み、実装する（収束）

国内でもデザイン経営の推進とともに、大手企業のイノベーション部門や商品企画部門でデザイン思考研修の標準教材として広く使われています。行政サービスの改善や金融機関の顧客体験設計など、非デザイン職がユーザー起点の課題定義を学ぶ場面での採用が典型例です。

AI導入の失敗の多くは「解くべき課題の定義」の甘さに起因するため、最初のダイヤモンド（Discover／Define）を丁寧に回すことが特に重要だと私は考えています。現場観察とヒアリングで業務課題を発散的に洗い出し、「AIで解く価値のある課題」を定義してから、2つ目のダイヤモンドで技術選定とプロトタイピングに進む構成にすると、手段先行のAI導入を防げます。要件定義前のワークショップ設計にそのまま使えるフレームワークです。

この章を深めたい方への参考書籍

クレイトン・クリステンセン『イノベーションのジレンマ』（翔泳社）は、本章で紹介した破壊的イノベーション理論の原典であり、優良企業がなぜ新興技術に足元をすくわれるのかを、具体的な産業事例とともに丁寧に論じています。自社が破壊される側になるリスクを考えるうえで、まず読むべき一冊だと思います。

クレイトン・クリステンセン『ジョブ理論』（ハーパーコリンズ・ジャパン）は、本章のジョブ理論（JTBD）を体系的に解説した書籍で、顧客が製品を「雇う」という発想を、豊富な事例とともに実践的な形で学べます。新製品・新サービスの企画に携わる方には特におすすめです。

チャールズ・オライリー、マイケル・タッシュマン『両利きの経営』（東洋経済新報社）は、既存事業の深化と新規事業の探索をどう組織として両立させるかを、AGCをはじめとする実例とともに論じた一冊です。全社的なAI推進体制の設計を考える際の参考にもなると感じます。

第5章 ビジネスモデル・価値提案

「良い技術ができた。では、それは誰の何を解決するのか」。AIプロジェクトに関わっていると、この問いに答えられないまま予算だけが消化されていく場面に何度も出会います。本章で扱う10のフレームワークは、事業を「誰に、どんな価値を、どのように届け、どうやって収益を得るのか」という構造で描き出すための道具です。新規事業の構想やビジネスモデルの転換はもちろん、AI・データ活用プロジェクトにおいても「その技術は誰のどんな価値につながるのか」を問い直す場面で力を発揮します。

ビジネスモデル・キャンバスやリーン・キャンバスのように事業全体を俯瞰する型もあれば、バリュー・プロポジション・キャンバスのように顧客ニーズとの適合を深掘りする型、替刃モデルやツーサイド・プラットフォームのように収益構造そのものをパターンとして捉える型もあります。AIプロジェクトの多くは「技術的に実現できるか」から始まりがちですが、これらのフレームワークを通すことで「事業として成立するか」という別の軸を早い段階で加えられると感じています。

「良い技術ができた。では、それは誰の何を解決するのか」という問いに答えるのがビジネスモデルのフレームワークです。技術的に実現できるかだけでなく、事業として成立するかという軸を早い段階で加えることが欠かせません。

フレームワーク	ひとことで言うと
ビジネスモデル・キャンバス	事業構造を9要素で1枚に可視化する
リーン・キャンバス	不確実性の高い初期仮説を軽量に検証する
バリュー・プロポジション・キャンバス	顧客のジョブと提供価値の適合を精査する
オペレーティングモデル・キャンバス	戦略を実際の業務運営へ落とし込む
利益方程式フレームワーク	事業の儲かる仕組みを定式化する
ビジネスモデル・パターン集	実績ある型のカタログから応用を発想する
ツーサイド・プラットフォーム	2つの利用者群を仲介し価値を生む
B2B2Cバリューチェーン・マッピング	中間企業を介する価値と収益の流れを可視化する
サービス・ドミナント・ロジック	価値は企業と顧客が共創するものと捉え直す
替刃モデル	本体を安く広め消耗品で継続収益を得る

1. ビジネスモデル・キャンバス（Business Model Canvas）

ビジネスモデル・キャンバスは、アレックス・オスターワルダーらが提唱した、ビジネスモデルを9つの要素で1枚に可視化するフレームワークです。顧客セグメント、価値提案、チャネル、顧客との関係、収益の流れ、主要リソース、主要活動、パートナー、コスト構造を一覧できるため、事業の全体像を関係者間で短時間に共有できるのが最大の利点です。

使い方の要点は次のとおりです。

• 顧客セグメントと価値提案を最初に定義する
• チャネル、顧客との関係、収益の流れを右側（顧客側）に記入する
• 主要リソース、主要活動、パートナーを左側（供給側）に記入する
• コスト構造を整理し、収益との整合性を確認する
• 弱い要素や矛盾を洗い出し、仮説として検証する

日本企業では、新規事業提案制度や社内アクセラレータープログラムの標準フォーマットとして採用されることが多く、事業計画書の前段階で構想を素早く言語化する場面で定番の教材になっています。

AIプロジェクトでは、AI導入を「技術検証」で終わらせず事業として成立させるために、AIサービスそのものをこのキャンバスに描いてみることが有効だと思います。たとえば需要予測AIであれば、価値提案は欠品削減か在庫圧縮か、収益の流れは社内コスト削減か外販か、主要リソースはデータかMLエンジニアかを明示することで、PoCの段階から事業性の議論を始められます。技術の完成度だけを追っていたチームほど、この整理を後回しにしてしまう傾向があるように感じます。

2. リーン・キャンバス（Lean Canvas）

リーン・キャンバスは、アッシュ・マウリャがビジネスモデル・キャンバスをスタートアップ向けに改変したフレームワークです。パートナーなどの項目を「課題」「解決策」「圧倒的優位性」「主要指標」に置き換え、不確実性の高い初期段階の仮説検証に焦点を当てている点が特徴です。

• 顧客セグメントと、その顧客が抱える上位3つの課題を書き出す
• 独自の価値提案（一言で伝わるメッセージ）を定義する
• 解決策、チャネル、収益とコストを記入する
• 主要指標と圧倒的優位性（真似されにくい要素）を検討する
• 最もリスクの高い仮説から順に、顧客インタビュー等で検証する

「課題は本当に存在するか」から出発するため思い込みによる作り込みを防げ、30分程度で書けるほど軽量なので複数案を比較検討しやすいのも利点です。日本企業では、リーンスタートアップの手法とセットで、大企業の社内新規事業プログラムやスタートアップの初期事業設計に広く使われており、事業案の一次審査で「リーン・キャンバス1枚を提出」とする運用もよく見られます。

AIプロジェクトでは、テーマ選定の段階で特に威力を発揮すると考えています。「AIで何かできないか」という技術起点の発想を、「現場のどの課題を解くのか」「既存の代替手段（Excelや人手）より本当に優れているか」という課題起点に転換できるからです。主要指標をあらかじめ定義しておけば、PoCの合格基準が明確になり、成果の出ないPoCを漫然と繰り返すことの予防にもなります。

3. バリュー・プロポジション・キャンバス（Value Proposition Canvas）

バリュー・プロポジション・キャンバスは、ビジネスモデル・キャンバスの「価値提案」と「顧客セグメント」を拡大し、両者の適合（フィット）を詳細に検証するフレームワークです。顧客側を「顧客のジョブ（片づけたい用事）」「ペイン（悩み）」「ゲイン（うれしさ）」で、提供側を「製品・サービス」「ペインリリーバー」「ゲインクリエイター」で整理します。

• 対象顧客のジョブ（機能的・社会的・感情的な用事）を洗い出す
• ジョブ遂行を妨げるペインと、得たいゲインを列挙する
• 自社の製品・サービスが解消するペイン、生み出すゲインを記述する
• 顧客側と提供側を突き合わせ、対応していない項目を特定する
• 重要なジョブに対する適合度を顧客検証で確かめる

「作りたいもの」ではなく「顧客が片づけたい用事」から発想できる点が強みで、価値提案と顧客ニーズのずれを項目レベルで発見できます。日本企業では、顧客起点のマーケティング強化や商品企画の場面で導入され、BtoB企業が営業提案を「機能説明」から「顧客の業務課題の解決」へ転換する際の共通言語として使われることが典型的です。

AIプロジェクトでは、AIの精度指標と業務価値のギャップを埋めるのに適したフレームワークだと感じます。たとえば異常検知AIを企画する際、現場担当者のジョブ（設備を止めずに保全計画を立てたい）とペイン（誤報対応の負荷）を先に整理すれば、「精度99%」ではなく「誤報を半減させ夜間呼び出しをなくす」という価値定義に落とし込めます。要件定義前のワークショップで使うと、課題設計の質が明らかに上がります。

4. オペレーティングモデル・キャンバス（Operating Model Canvas）

オペレーティングモデル・キャンバスは、アンドリュー・キャンベルらが提唱した、戦略やビジネスモデルを実際の業務運営に落とし込むためのフレームワークです。バリューチェーン（P）、組織（O）、拠点（L）、情報システム（I）、サプライヤー（S）、マネジメントシステム（M）の6要素、通称POLISMで、価値提供を支えるオペレーションの全体像を描きます。

• 提供する価値提案と対象顧客を確認する
• 価値を届けるためのバリューチェーン（主要な業務の流れ）を描く
• それを支える組織、拠点、情報システムを記述する
• 外部サプライヤーへの依存関係とマネジメントの仕組みを加える
• 6要素間の不整合（戦略と組織のずれ等）を洗い出し、変革課題を定義する

戦略と実行の間にある「どう運営するか」という空白を埋められる点が価値で、組織・システム・プロセスの整合性を1枚で点検できます。フレームワーク名としての知名度は高くありませんが、基幹システム刷新や組織再編の際に「業務・組織・システムをセットで設計し直す」というオペレーティングモデル検討は、日本の大企業のDX構想やコンサルティングプロジェクトで広く行われている典型的な適用場面です。

AIプロジェクトでは、導入の体制構築フェーズに適していると考えています。モデルを作るだけでは業務は変わらないため、AIを組み込んだ後のバリューチェーン、運用を担う組織（データサイエンス部門と現場の役割分担）、必要な情報システム（データ基盤、MLOps）、外部ベンダーとの分担をキャンバス上で設計します。PoC後に「誰が運用するのか」で止まってしまうプロジェクトの予防策として、私はよくこの整理を勧めています。

5. 利益方程式フレームワーク（Profit Formula Framework）

利益方程式フレームワークは、クレイトン・クリステンセンらが提唱したビジネスモデル4要素（顧客価値提案、利益方程式、主要リソース、主要プロセス）のうち、利益創出の構造に焦点を当てたものです。収益モデル、コスト構造、1単位あたりの目標利益、リソースの回転速度の4つで、事業がどう儲かるのかを定式化します。

• 収益モデル（価格×数量、課金方式）を定義する
• コスト構造を直接費・間接費・規模の経済の観点で整理する
• 目標とする1単位あたり利益（マージン）を設定する
• 必要なリソース回転速度（在庫回転、稼働率等）を算出する
• 顧客価値提案と矛盾しないかを検証し、モデルを調整する

「良いサービスだが儲からない」事業の構造的な原因を特定でき、価格・原価・回転率のどこを動かせば利益が出るかを議論できます。日本企業では単体の名称で使われるより、サブスクリプション転換や製造業のサービス化（売り切りから継続課金へ）を検討する際の収益設計の枠組みとして用いられるのが典型例です。低価格・高回転で成立させるSPA型のビジネスも、利益方程式を意識的に設計した事業構造として説明されることが多いです。

AIプロジェクトでは、投資対効果（ROI）試算に直結するフレームワークです。AIによる効果を「収益増か、コスト減か、回転率向上か」のどれに効かせるのかを明示し、モデル開発・データ基盤・運用の費用と対置させることで、経営層に説明可能な投資対効果の構造を作れます。AIサービスを外販する場合も、従量課金か月額かといった収益モデルの設計にそのまま使える点が実務的だと思います。

6. ビジネスモデル・パターン集（Business Model Patterns Library）

ビジネスモデル・パターン集は、世の中の成功したビジネスモデルを再利用可能な「型」として整理したカタログを使い、自社への応用を発想するアプローチです。ザンクト・ガレン大学の「ビジネスモデル・ナビゲーター」が整理した55のパターン（フリーミアム、サブスクリプション、アドオン等）が代表的で、成功モデルの大半は既存パターンの組み合わせや転用だとされています。

• 自社の現行ビジネスモデルを簡潔に記述する
• パターン集から自業界で未活用のパターンを選び出す
• 各パターンを自社に当てはめた場合のモデル案を複数作る
• 顧客価値と収益性の観点で案を絞り込む
• 有望案をキャンバス等で詳細化し、検証に進める

ゼロからの発想ではなく実績ある型から出発できるため検討が速く、他業界のパターンを自業界に持ち込むことで非連続な発想が生まれやすい点が特徴です。日本企業では、新規事業開発部門のアイデア発想ワークショップで、他業界の収益モデルを強制的に当てはめて発想を広げる使い方が典型例で、製造業がサブスクリプションやフリーミアムといったIT業界発のパターンを自社製品に適用検討する場面でよく使われています。

AIプロジェクトでは、AIで実現した技術資産をどう収益化するかの選択肢出しに有効です。社内向けに開発した予測モデルを「外販（ライセンス）」「API従量課金」「成果報酬」「データ提供」などのパターンに当てはめ、マネタイズ案を網羅的に比較できます。AIによって初めて成立するパターン、超パーソナライゼーションやダイナミックプライシングなどを探索する起点としても使えると考えています。

7. ツーサイド・プラットフォーム（Two-sided Platform Business Model）

ツーサイド・プラットフォームは、売り手と買い手、ドライバーと乗客のように、性質の異なる2つの利用者グループを仲介し、両者のマッチングから価値を生むビジネスモデルです。片側の利用者が増えるほどもう片側にとっての魅力が増す「ネットワーク効果」が競争力の源泉になります。

• 仲介する2つのグループと、それぞれの課題を定義する
• どちらのサイドを先に集めるか（鶏と卵問題の解き方）を設計する
• 課金サイドと補助サイド（無料・低価格側）を決める
• マッチングの質を高める仕組み（評価、レコメンド等）を用意する
• 取引量とネットワーク効果の指標を追い、拡大戦略を調整する

ネットワーク効果が働けば規模の拡大とともに優位性が自己強化され、在庫を持たずに取引を仲介できるため資産効率が高いのも利点です。日本企業では、メルカリのフリマアプリ、クックパッドのレシピ共有などが知られており、リクルートが求職者と企業、消費者と店舗をつなぐ事業群を「リボンモデル」と呼んで体系化してきたことも有名です。国内のマッチングビジネスの多くがこの型に該当します。

AIプロジェクトでは、プラットフォーム事業ではマッチング精度そのものが価値の中核であるため、AIの適用テーマとして優先度が高い領域だといえます。検索・レコメンド・価格査定・不正検知など、両サイドの体験を同時に高める打ち手をこのモデル上で棚卸しすると、AI投資の優先順位付けがしやすくなります。プラットフォームに蓄積する取引データ自体が次のAI開発の資源になるという循環も設計できる点は、この型ならではの強みだと感じます。

8. B2B2Cバリューチェーン・マッピング（B2B2C Value Chain Mapping）

B2B2Cバリューチェーン・マッピングは、自社（B）が中間企業（B）を経由して最終消費者（C）に価値を届けるビジネスにおいて、各プレイヤーの役割、価値の流れ、収益の分配、データの流れを可視化するフレームワークです。直接の顧客である中間企業と、その先の最終消費者の両方を満足させる設計が求められる構造を整理します。

• 最終消費者までの価値の流れを、登場プレイヤーごとに図示する
• 各プレイヤーの提供価値と収益源を書き込む
• 消費者データが誰に蓄積され、誰が活用できるかを重ねる
• 各接点の課題（情報断絶、マージン圧迫等）を洗い出す
• 自社の役割拡張や提携による価値向上の打ち手を検討する

「直接顧客」と「最終顧客」のニーズの違いと両立点を明確にでき、価値・お金・データがどこで滞留しているかを特定できるのが利点です。日本企業では、メーカーが卸・小売を経由して消費者に届ける消費財ビジネスや、金融機関が提携企業経由で保険・決済サービスを提供する組み込み型金融が典型的な適用場面で、メーカーによるD2C（直販）検討の際に既存チャネルとの関係を整理する目的でこの種のマッピングが行われます。

AIプロジェクトでは、B2B2C構造において「最終消費者のデータがメーカーに届かない」ことがAI活用最大の壁になりがちです。バリューチェーン上のデータの流れをマッピングすることで、どのプレイヤーと組めば需要予測やパーソナライズに必要なデータを獲得できるか、データ連携の提携戦略を具体化できます。AIによる価値（発注最適化等）を中間企業側にも還元する設計を描ければ、データ提供のインセンティブ問題も解けると考えています。

9. サービス・ドミナント・ロジック（Service-Dominant Logic）

サービス・ドミナント・ロジックは、バーゴとラッシュが提唱したマーケティングの考え方で、あらゆる経済活動を「モノの交換」ではなく「サービス（能力の適用）の交換」として捉え直す理論です。価値は企業が製品に埋め込むものではなく、顧客が利用する過程で企業とともに生み出す（価値共創）ものだとします。

• 自社製品が顧客の現場でどう「利用」されているかを観察する
• 顧客が実現したい成果（文脈価値）を定義する
• 製品に付随するサービス・情報・支援を含めた提供物を再設計する
• 顧客との継続的な接点（データ収集、フィードバック）を組み込む
• 収益モデルを利用や成果に連動した形へ見直す

製品売り切り型の発想から利用価値・体験価値中心の発想へ転換でき、顧客を「価値の共創者」と位置づけることで継続的な関係構築を設計できます。日本企業では、コマツが建設機械に通信機能を搭載したKOMTRAXで稼働データを活用し、機械の販売から施工現場全体の生産性向上支援へと価値提供を広げた取り組みが、モノ売りからコト売りへの転換例として広く知られています。製造業のサービタイゼーション議論の理論的支柱として参照されることも多い考え方です。

AIプロジェクトでは、製品のIoTデータやサービスの利用データにAIを適用し、「使われ方」に基づく価値提供へ進化させる際の指針になります。稼働データからの予知保全、利用状況に応じたレコメンドや成果連動型の課金など、AIテーマを「顧客の利用文脈でどんな価値を共創するか」から発想することで、技術起点になりがちなテーマ選定を顧客起点に矯正できるように思います。

10. 替刃モデル（Razor-and-Blades Business Model Pattern）

替刃モデルは、本体（カミソリ）を低価格で普及させ、継続的に購入される消耗品（替刃）で利益を回収するビジネスモデルの型です。ジレットのカミソリに由来し、本体と消耗品の組み合わせで顧客を囲い込み、生涯にわたる継続収益（LTV）を最大化します。

• 本体と消耗品（または継続サービス）に分解できるかを検討する
• 本体価格を下げた場合の普及効果と回収期間を試算する
• 消耗品の継続購入率とLTVをモデル化する
• 互換品・代替品への流出リスクと対策（品質、正規品保証等）を設計する
• 顧客基盤の拡大と消耗品収益のバランスを継続的に監視する

初期導入のハードルを下げて顧客基盤を素早く拡大でき、消耗品による継続収益で売上の予測可能性が高まる点が魅力です。日本企業では、家庭用プリンターを手頃な価格で販売しインクカートリッジで収益を得るモデルが典型例として広く知られており、ネスレ日本のコーヒーマシンと専用カートリッジの組み合わせも、この型の応用例としてよく紹介されます。ゲーム機本体とソフトの関係も類似構造として語られることが多いです。

AIプロジェクトでは、価格設計に応用できるフレームワークです。導入費や初期構築を抑えて顧客基盤を広げ、API利用量・分析レポート・モデル再学習といった継続部分で収益化する設計は、この型のAI版といえます。また、消耗品型ビジネスを営む企業では、蓄積される購買・稼働データにAIを適用した消耗品の需要予測や交換時期レコメンドが、継続収益を守り伸ばす有力テーマになると私は考えています。

この章を深めたい方への参考書籍

アレックス・オスターワルダー、イヴ・ピニュール『ビジネスモデル・ジェネレーション ビジネスモデル設計書』（翔泳社）は、本章冒頭で紹介したビジネスモデル・キャンバスの原典であり、9要素の背景にある考え方を丁寧に理解したい方に最適な一冊です。

アレックス・オスターワルダー、イヴ・ピニュール、グレッグ・バーナーダ、アラン・スミス『バリュー・プロポジション・デザイン 顧客が欲しがる製品やサービスを創る』（翔泳社）は、バリュー・プロポジション・キャンバスを提唱した実践書で、顧客のジョブ・ペイン・ゲインを実際にどう洗い出すかを事例とともに学べます。

第6章 顧客・マーケティング・ブランド

経営の議論をしていると、最終的には必ず「顧客に選ばれ続けているか」という一点に行き着きます。どれだけ優れた戦略や組織を設計しても、顧客がお金を払う理由を持ち続けてくれなければ事業は成立しません。この章で扱う14個のフレームワークは、市場をどう切り分けて誰を狙うかという入口の設計から、顧客との関係を長期的にどう育てるか、そしてブランドとして顧客の心の中にどう住み着くかという出口の設計まで、顧客理解とマーケティングの一連の流れをカバーしています。

私がAIプロジェクトの現場でこの章のフレームワーク群に触れるのは、実は技術選定の場面よりもずっと手前、テーマ設定の段階であることが多いです。「AIで何かしたい」という相談を受けたとき、STPで狙う顧客セグメントが曖昧なままだったり、カスタマージャーニーのどの段階に課題があるのか整理されていなかったりすると、精度の高いモデルを作れたとしても事業成果に結びつきません。逆に、RFM分析やLTVモデルのようにデータドリブンな土台がすでにあるフレームワークは、機械学習による高度化の出発点として非常に相性がよいと感じます。

もう一つ、この章の特徴は「測定の枠組み」としての価値が大きいことです。NPSやブランド・エクイティ・ピラミッドのように、施策の効果を定点観測するための指標を提供するフレームワークが多く含まれています。AI施策は往々にして技術的な精度指標（正解率など）だけで語られがちですが、最終的に問われるのは顧客の行動や感情がどう変わったかです。この章のフレームワークを、AIプロジェクトのKPI設計における「経営指標との橋渡し役」として活用していただければと思います。

経営の議論は最終的に「顧客に選ばれ続けているか」という一点に行き着きます。AI施策の効果を技術的な精度指標だけで語らず、顧客の行動や感情の変化として測る枠組みを持つことが、この章の要点です。

フレームワーク	ひとことで言うと
STP分析	市場を切り分け、狙う相手を決め、立ち位置を定める
マーケティングミックス（4P）	製品・価格・流通・販促を組み合わせて戦略を実行に落とし込む
マーケティングミックス（7P）	4Pに人・プロセス・物的証拠を加えたサービス業向け拡張版
カスタマージャーニーマップ	顧客体験を時系列で可視化し、つまずきを見つける
カスタマーライフサイクル	獲得から離反までの関係の段階ごとに施策を設計する
顧客生涯価値（LTV）モデル	顧客が生涯にもたらす利益を算出し、投資判断の基準にする
シェア・オブ・ウォレット	顧客の財布の中の自社シェアを把握し、拡大余地を見つける
NPS（ネット・プロモーター・スコア）	推奨意向という単一指標で顧客ロイヤルティを測る
RFM分析	最終購買日・頻度・金額の3軸で顧客をランク分けする
狩野モデル	品質要素を当たり前品質と魅力的品質などに構造的に分ける
真実の瞬間	評価を決定づける決定的な接点に経営資源を集中させる
ブランド・エクイティ・ピラミッド	ブランドが顧客の心の中で育つ4段階を捉える
ブランド・ポジショニングマップ	2軸の座標上に自社と競合の立ち位置を可視化する
ブランド・アーキタイプ	ブランドの人格を12の原型に分類し一貫性を持たせる

1. STP分析（STP Framework）

STP分析は、市場をセグメンテーション（細分化）し、ターゲティング（狙う市場の選択）を行い、ポジショニング（自社の立ち位置の明確化）を決める、マーケティング戦略の基本フレームワークです。フィリップ・コトラーが体系化したことで広く知られており、「誰に何を売るか」を論理的に絞り込むための出発点として、多くの企業のマーケティング計画の冒頭に置かれています。

使い方の要点は次の流れです。

• 地理・人口動態・心理・行動などの軸で市場を細分化する
• 各セグメントの規模、成長性、競合状況、自社との適合性を評価する
• 狙うセグメントを1つまたは複数選択する
• 選んだセグメントに対する自社独自の立ち位置（ポジショニング）を定義する
• ポジショニングに沿って製品・価格・チャネル・プロモーションを設計する

化粧品や飲料などの消費財業界では、若年層向け、シニア向けといった年代別にブランドを分けて展開する戦略が、STPの考え方が典型的に表れた例としてよく知られています。

AI導入のテーマ選定時には「どの顧客セグメントの、どの課題を解くのか」を明確にする枠組みとしてSTPが有効です。加えて、機械学習によるクラスタリングでデータドリブンなセグメンテーションを行い、従来の勘と経験によるSTPを精緻化するという組み合わせが実務ではよく使われます。私の実感としても、AIプロジェクトの提案書でこの「誰の課題を解くのか」が曖昧なまま先に進んでしまうケースは意外に多く、STPで一度立ち止まって言語化する価値は大きいと感じています。

2. マーケティングミックス（4P）（4Ps Marketing Mix）

4Pは、Product（製品）、Price（価格）、Place（流通チャネル）、Promotion（販促）の4要素を組み合わせて、マーケティング施策を具体化するフレームワークです。STPで決めた戦略を実行レベルに落とし込む際に使われる、実務での定番の整理軸です。

1. ターゲット顧客とポジショニングを前提として確認する
2. Product：提供する製品・サービスの仕様や品揃えを定義する
3. Price：価格帯、割引、支払い条件を設計する
4. Place：販売チャネルや物流の方針を決める
5. Promotion：広告、広報、販促、営業活動の組み合わせを計画し、4要素の一貫性を検証する

新商品の発売時に、商品コンセプト、想定価格、販売チャネル、広告展開をセットで検討するのは、メーカーの商品企画書における典型的な適用場面です。

AIの適用領域を洗い出す際のチェックリストとして4Pは扱いやすいフレームワークです。Productなら需要予測に基づく品揃え最適化、Priceならダイナミックプライシング、Placeなら在庫配置の最適化、Promotionなら広告配信の最適化というように、4Pごとにユースケースを棚卸しすると、AI投資の優先順位付けがしやすくなります。シンプルな枠組みだからこそ、経営層への説明資料にもそのまま転用しやすいという実務上の利点もあると思います。

3. マーケティングミックス（7P）（7Ps Marketing Mix）

7Pは、4PにPeople（人）、Process（プロセス）、Physical Evidence（物的証拠：店舗環境や制服など品質を可視化する要素）を加えた、サービス業向けのマーケティングフレームワークです。形のないサービスの品質を左右する要素まで踏み込んで設計できる点が、製品中心の4Pとの違いです。

• まず4P（製品・価格・チャネル・販促）を整理する
• People：接客するスタッフの採用、教育、動機付けの方針を定める
• Process：予約から提供、アフターフォローまでの業務プロセスを設計する
• Physical Evidence：店舗、ウェブサイト、制服など品質を伝える有形要素を整える
• 7要素全体の整合性を検証し、改善サイクルを回す

ホテル、外食、金融、教育などサービス業のマーケティング設計で使われる手法で、日本のサービス業はもともと接客品質や店舗の清潔感を重視する文化があることから、7Pの考え方と親和性が高いといえます。

サービス業でAI活用を検討する際は、チャットボットやレコメンドなど顧客接点のAIだけでなく、Process（オペレーションの自動化）やPeople（スタッフ支援AI、教育コンテンツの生成）まで視野を広げる整理軸として7Pが役立ちます。AI導入がサービス品質の一貫性を損なわないかを7要素で点検するという使い方も、現場に持ち込みやすいアプローチだと感じます。

4. カスタマージャーニーマップ（Customer Journey Mapping）

カスタマージャーニーマップは、顧客が商品やサービスを認知してから購入、利用、再購入に至るまでの一連の体験を時系列で可視化する手法です。各段階での顧客の行動、感情、接点（タッチポイント）を描き出すことで、部門ごとに分断されがちな顧客体験を、顧客視点で一気通貫に把握できます。

1. 対象とする顧客像（ペルソナ）と、ジャーニーの範囲（認知から再購入までなど）を決める
2. 段階ごとの顧客の行動、思考、感情を、調査データやインタビューをもとに書き出す
3. 各段階の接点（店舗、ウェブ、アプリ、コールセンターなど）を整理する
4. 感情が下がる箇所や離脱が多い箇所を課題として特定する
5. 改善施策を接点ごとに立案し、担当部門に割り当てる

金融機関や通信会社など顧客接点が多くDX推進部門を持つ企業で、体験改善プロジェクトの起点としてワークショップ形式で作成されることが多く、ECと実店舗を併用する小売業がオンラインとオフラインをまたぐ購買体験を設計する場面も典型例です。

ジャーニー上のどの段階にAIを投入すべきかを検討する地図として活用できます。認知段階なら広告最適化、検討段階ならレコメンド、購入後ならチャットボットによる問い合わせ対応というように、段階ごとのペインポイントとAIユースケースを対応付けることで、体験全体を踏まえた優先順位付けができます。個別のAI機能から入るのではなく、まずジャーニー全体を俯瞰してから着手箇所を選ぶという順序を大切にしたいフレームワークです。

5. カスタマーライフサイクル（Customer Lifecycle Framework）

カスタマーライフサイクルは、顧客との関係を「獲得、育成、維持、離反（と再獲得）」といった段階で捉え、段階ごとに適切な施策を設計するフレームワークです。ジャーニーマップが個別の体験を描くのに対し、こちらは顧客関係の長期的な状態遷移に着目する点が特徴です。

• 自社ビジネスに合わせてライフサイクルの段階（見込み客、新規顧客、優良顧客、休眠顧客など）を定義する
• 顧客データをもとに、各段階の顧客数と段階間の遷移率を把握する
• 段階ごとの課題（新規獲得コストが高い、初回購入後の離脱が多いなど）を特定する
• 段階別の施策（オンボーディング強化、休眠掘り起こしなど）を設計する
• 遷移率の変化をモニタリングし、施策を改善する

通信キャリアやサブスクリプション型サービスで、解約率（チャーンレート）管理の枠組みとして定着しており、ECや通販企業が初回購入者を定期購入者に引き上げる施策と休眠顧客の掘り起こし施策を分けて運用するのも典型的な適用例です。

ライフサイクルの各段階は、そのままAIユースケースの整理軸になります。獲得段階では見込み度スコアリング、維持段階では解約予測モデル、休眠段階では復帰確率に基づくアプローチ先選定など、段階別に予測モデルを設計することで、AI施策の全体像と投資対効果を経営層に説明しやすくなります。

6. 顧客生涯価値（LTV）モデル（Customer Lifetime Value Model）

LTVモデルは、一人の顧客が取引期間全体を通じて自社にもたらす利益の総額を算出するモデルです。平均購買単価、購買頻度、継続期間、粗利率などから推計し、顧客獲得や維持にかけられる投資額の上限を判断する基準として使われます。

1. 平均購買単価、購買頻度、粗利率、平均継続期間などの基礎データを整備する
2. LTVを算出する（例：平均購買単価×購買頻度×継続期間×粗利率）
3. 顧客獲得コスト（CAC）と比較し、LTVがCACを十分に上回っているかを確認する
4. セグメント別にLTVを算出し、価値の高い顧客層を特定する
5. LTVを高める施策（継続率向上、クロスセルなど）と、獲得投資の配分を見直す

SaaS企業やサブスクリプションサービスでは「LTV／CAC比率」が事業の健全性指標として広く使われており、化粧品や健康食品の通販業界でも、初回は赤字でも定期購入によるLTVで回収するビジネスモデル設計が定着しています。

LTV自体が機械学習の格好の予測対象で、購買履歴から将来のLTVを予測し、高LTV見込み顧客への先行投資を判断するユースケースが代表的です。AI施策のROI試算においても「解約率を1ポイント下げるとLTV総額がいくら改善するか」という形で効果を金額換算でき、経営層への説明に説得力を持たせられる点で、提案の場面で有効な組み立て方だと考えています。

7. シェア・オブ・ウォレット（Share of Wallet Framework）

シェア・オブ・ウォレットは、顧客がある商品カテゴリに使う支出総額のうち、自社が獲得できている割合（財布内シェア）を把握し、拡大余地を見つけるフレームワークです。市場シェアが「市場全体の中の自社」を見るのに対し、こちらは「一人の顧客の中の自社」を見るという違いがあります。

• 対象カテゴリにおける顧客の支出総額を、調査やデータから推計する
• そのうち自社への支出額を把握し、財布内シェアを算出する
• 顧客を「支出総額×自社シェア」のマトリクスで分類する
• 支出総額が大きくシェアが低い顧客を優先ターゲットに設定する
• クロスセルや取引拡大の施策を実行し、シェアの変化を追跡する

法人営業の世界で「アカウントプラン」の一部として使われることが多く、銀行が取引先企業のメインバンク化を目指す際や、クレジットカード会社が「メインカード化」を促進する施策は、財布内シェア拡大の代表的な取り組みとして知られています。

顧客の支出総額は直接観測できないことが多いため、属性や購買パターンからポテンシャルを推定する機械学習モデルの出番になります。法人営業では、類似企業の取引実績から「本来あるべき取引規模」を推定し、ギャップの大きい顧客を営業リストの上位に置くといったユースケースが実用的です。

8. NPS（ネット・プロモーター・スコア）（Net Promoter Score / System）

NPSは、「この商品やサービスを友人・同僚に薦める可能性は10点満点で何点ですか」という1つの質問で顧客ロイヤルティを測る指標と、その改善サイクルの仕組みです。推奨者（9〜10点）の割合から批判者（0〜6点）の割合を引いて算出します。

1. 調査対象（購入直後、利用継続中など）とタイミングを設計する
2. 推奨意向の質問とあわせて、その点数を付けた理由を自由回答で聞く
3. NPSを算出し、セグメント別や接点別に分析する
4. 批判者の理由から優先改善テーマを特定し、担当部門が対応する
5. 定点観測を続け、施策とスコアの変化を結び付けて検証する

通信、保険、自動車など顧客接点の多い大手企業で、顧客満足度調査に代わる経営指標として採用が進んでいます。なお日本では文化的に中間の点数を付ける回答者が多く、スコアが海外よりも低く出やすいことが知られているため、絶対値よりも自社内での推移や競合との相対比較で見るのが実務上の定石です。

自由回答コメントの分析は生成AI・自然言語処理の得意領域で、数千件のコメントを不満のテーマ別に自動分類し、批判者を生む要因を定量化するユースケースが代表的です。NPSをAI施策の効果測定指標に据えることで、チャットボット導入やレコメンド改善が顧客ロイヤルティに与えた影響を追跡できるという点も、AIプロジェクトの評価設計を考える上で意識しておきたいところです。

9. RFM分析（RFM Segmentation）

RFM分析は、Recency（最終購買日からの経過期間）、Frequency（購買頻度）、Monetary（累計購買金額）の3軸で顧客をランク分けするセグメンテーション手法です。購買履歴データだけで実施でき、優良顧客や離反予備軍を簡便に特定できる点が特徴です。

• 顧客ごとに最終購買日、購買頻度、累計購買金額を集計する
• 各指標を3〜5段階にランク分けする（例：Rが高い＝最近購入した）
• 3軸の組み合わせで顧客をセグメントに分類する（優良、安定、離反予備軍、休眠など）
• セグメントごとに施策（優良顧客への特典、休眠顧客へのクーポンなど）を設計する
• 施策後のセグメント間移動を追跡し、効果を検証する

通販・EC業界ではCRM施策の基本手法として古くから定着しており、カタログ通販の時代からDM送付先の選定に使われてきました。百貨店や小売のポイント会員データ分析でも、優良顧客向け優待の対象選定にRFMの考え方が使われるのが典型的な場面です。

データ活用の成熟度が低い企業がAIプロジェクトを始める際の「最初の一歩」として最適で、RFM分析で成果を出してから機械学習による離反予測やLTV予測へ発展させる段階的なロードマップが描けます。RFMの3指標は離反予測モデルや優良顧客化予測モデルの基本的な特徴量としてもそのまま活用できるため、初めてAIに取り組む企業にとって、まずここから始めるのが良い選択肢になると考えています。

10. 狩野モデル（Kano Model）

狩野モデルは、製品やサービスの品質要素を、充足されて当たり前の「当たり前品質」、充足度に比例して満足が高まる「一元的品質」、あれば感動を生む「魅力的品質」などに分類する理論です。東京理科大学の狩野紀昭氏が提唱した、日本発で世界的に使われるフレームワークです。

1. 評価したい品質要素・機能を洗い出す
2. 各要素について「あった場合どう感じるか」「なかった場合どう感じるか」の対で顧客に質問する
3. 回答の組み合わせから、各要素を当たり前品質、一元的品質、魅力的品質、無関心品質などに分類する
4. 当たり前品質の欠落を最優先で解消し、魅力的品質への投資で差別化を図る
5. 時間の経過で魅力的品質が当たり前品質に変化するため、定期的に再評価する

品質管理の伝統が強い日本の製造業で、新製品の機能企画や品質保証の場面で使われてきました。近年はソフトウェア開発やSaaSのプロダクトマネジメントでも、機能追加の優先順位付けの標準的な手法として広く参照されています。

AI機能の企画で特に有効なフレームワークだと感じます。たとえば検索機能の精度は当たり前品質、パーソナライズされた提案は魅力的品質というように、AIユースケースを分類して投資判断に使えます。生成AI機能は現時点では魅力的品質でも、普及に伴い当たり前品質へ移行していくため、競合動向を踏まえた導入タイミングの検討にも役立ちます。

11. 真実の瞬間（Moments of Truth Framework）

真実の瞬間は、顧客が企業やブランドと接触し、評価を決定づける決定的な瞬間に注目し、そこに経営資源を集中させる考え方です。スカンジナビア航空のヤン・カールソンが提唱し、その後「店頭で商品を見た瞬間（FMOT）」「購入前にネットで調べる瞬間（ZMOT）」など概念が拡張されています。

• カスタマージャーニーを描き、顧客との接点を洗い出す
• その中で顧客の評価や購買意思決定を大きく左右する「決定的な瞬間」を特定する
• 各瞬間における現状の顧客体験を、調査やデータで評価する
• 決定的な瞬間の体験品質を高める施策（権限委譲、教育、環境整備など）を実行する
• 顧客評価の変化をモニタリングし、瞬間の定義自体も定期的に見直す

ホテルや航空会社など日本のホスピタリティ産業では、従業員に現場での判断権限を持たせて顧客対応の質を高める取り組みが知られており、真実の瞬間の考え方と重なります。近年はECサイトでの検索直後の画面や、口コミサイトでの評判確認といったデジタル上の瞬間を重視する企業が増えているのも典型的な適用場面です。

どの顧客接点からAI化するかの優先順位付けにこの考え方が使えます。すべての接点にチャットボットを置くのではなく、解約検討時の問い合わせ対応など「決定的な瞬間」に高品質なAI支援や有人対応を集中させる設計が合理的です。行動ログ分析で「どの瞬間の体験が継続・離反を分けているか」をデータから特定するのも、AIが得意とする領域だと思います。

12. ブランド・エクイティ・ピラミッド（Brand Equity Pyramid）

ブランド・エクイティ・ピラミッドは、ブランドが顧客の心の中で育つ過程を、認知（セイリエンス）、性能・イメージ、判断・感情、共鳴（レゾナンス）の4層のピラミッドで表したモデルです。ケビン・レーン・ケラーが提唱したCBBE（顧客ベースのブランド・エクイティ）モデルとして知られ、最上層の「共鳴」は顧客がブランドに愛着を持ち能動的に関与する状態を指します。

1. ブランド認知の広さと深さ（想起されやすさ）を調査で把握する
2. 機能的な性能評価と情緒的なイメージの両面で、顧客の知覚を測定する
3. 品質への判断と感情的な反応が、意図した通りに形成されているかを検証する
4. ロイヤルティ、愛着、コミュニティ意識といった共鳴の状態を評価する
5. 弱い層を特定し、下の層から順に強化する施策を設計する

大手広告会社やブランドコンサルティングの現場で、ブランド診断や中期ブランド戦略立案の理論的な枠組みとして使われています。飲料や自動車など長期のブランド調査を継続している消費財メーカーが、認知率だけでなく愛着や推奨といった上位層の指標を経年で追跡するのが典型的な適用場面です。

SNS投稿や口コミの大規模テキスト分析により、ピラミッドの各層（認知、イメージ、感情、愛着）を継続的に測定するダッシュボードを構築するユースケースが考えられます。ブランド関連のAI施策（生成AIによるコンテンツ制作など）を計画する際も、どの層の強化を狙うのかを明確にすることで、効果測定の指標設計がぶれなくなると感じています。

13. ブランド・ポジショニングマップ（Brand Positioning Map）

ブランド・ポジショニングマップは、顧客の購買決定に影響する2つの軸（例：価格と品質、機能性と情緒性）で座標平面を作り、自社と競合のブランドを配置して相対的な立ち位置を可視化する手法です。知覚マップ（パーセプチュアルマップ）とも呼ばれます。

• 顧客の購買決定に影響が大きい評価軸を、調査やインタビューから2つ選ぶ
• 顧客調査で自社と主要競合の各軸での知覚評価を測定する
• 2軸の平面上に各ブランドを配置する
• 競合過密な領域、空白の領域、自社の意図とのずれを分析する
• 目指すポジションを定め、そこへ移動するための製品・コミュニケーション施策を設計する

ビール、自動車、アパレルなど競合ブランドが多い業界のマーケティング部門で、ブランドリニューアルや新ブランド立ち上げの検討資料として日常的に作成されています。広告会社のブランド戦略提案でも、現状分析の定番チャートとして使われるのが典型的な場面です。

従来はアンケート調査で作成していたマップを、SNSやレビューのテキストデータから自然言語処理で構築するアプローチが実用化しています。ブランドごとの言及内容を埋め込み表現（テキストを数値ベクトルに変換する技術）で分析し、消費者の知覚空間を推定すれば、調査コストを抑えつつ高頻度でポジションの変化を追跡できます。定性的な議論に終始しがちなブランド戦略に、定量的なモニタリングの仕組みを持ち込める点が魅力だと思います。

14. ブランド・アーキタイプ（Brand Archetypes Framework）

ブランド・アーキタイプは、ユングの元型（アーキタイプ）理論をもとに、ブランドの人格を「英雄」「賢者」「道化」「反逆者」など12の原型に分類し、一貫したブランドパーソナリティを設計するフレームワークです。マーガレット・マークとキャロル・ピアソンの著書で体系化されました。

1. 自社ブランドの歴史、価値観、顧客が抱くイメージを棚卸しする
2. 12のアーキタイプと照らし合わせ、最も適合する原型（と補助的な原型）を選定する
3. 選んだアーキタイプに基づき、ブランドの語り口、ビジュアル、行動指針を定義する
4. ガイドラインとして文書化し、社内および制作パートナーと共有する
5. 発信物がアーキタイプに沿っているかを定期的にレビューする

日本ではブランディング会社やクリエイティブエージェンシーが、ブランドパーソナリティ設計やトーン＆マナー策定のワークショップで用いることが多い手法です。グローバル展開する企業が、国や媒体をまたいでもぶれないブランドの世界観を定義する場面が典型的な適用例です。

生成AIによるコンテンツ制作が普及する中で重要性が増しているフレームワークだと感じます。アーキタイプに基づくブランドボイスのガイドラインをプロンプトやシステム指示に組み込めば、生成AIが量産するコピーやSNS投稿、チャットボットの応対文にブランドの一貫した人格を持たせられます。生成物がブランドらしさを保っているかを評価する基準としても機能するため、生成AI活用が広がるほど、このフレームワークを明文化しておく価値は高まっていくと考えています。

この章を深めたい方への参考書籍

フィリップ・コトラー、ケビン・レーン・ケラー『コトラー&ケラーのマーケティング・マネジメント』（丸善出版）は、STPや4Pをはじめこの章で扱った多くのフレームワークの原典にあたる一冊で、体系的にマーケティング理論を学び直したいときの定番の教科書です。

フレデリック・ライクヘルド『ネット・プロモーター経営』（プレジデント社）は、NPSがなぜ単なるアンケート指標ではなく経営の仕組みとして機能するのかを、提唱者自身が解説した一冊です。指標だけを導入して形骸化させないための考え方を学べます。

第7章 ケイパビリティ・組織・オペレーティングモデル

戦略を策定するところまでは、実は経営の仕事の半分にすぎません。残り半分は、その戦略を実際に動かす組織をどう作るか、日々の業務をどう回す仕組みにするかという問いです。優れた戦略が絵に描いた餅で終わる企業と、着実に成果へ変換していく企業の違いは、多くの場合ここにあると感じています。

本章では、組織全体の整合性を診断する古典的な手法から、責任分担を明文化する実務ツール、専門組織の設計論まで、12のフレームワークを取り上げます。共通しているのは「誰が」「どうやって」「どこまでの権限で」動くのかを曖昧にしないという姿勢です。組織図やスローガンだけでは変革は進みません。権限、評価、プロセス、人材配置までセットで設計して初めて、戦略は実行に移せるのだと思います。

AIプロジェクトの文脈では、この章の重要性はむしろ増しています。AIはツールを導入すれば終わりではなく、業務の仕組みそのものを変える取り組みだからです。推進組織をどう作るか、権限をどこに置くか、成熟度に応じてどう段階を踏むか。この章のフレームワーク群は、AI活用を一過性のPoCで終わらせず、経営の仕組みへと定着させるための土台になります。

優れた戦略が絵に描いた餅で終わる企業と、着実に成果へ変換していく企業の違いは、権限、評価、プロセス、人材配置までセットで組織を設計しているかどうかにあります。AI活用を一過性のPoCで終わらせない土台も、ここにあります。

フレームワーク	ひとことで言うと
マッキンゼーの7S	7要素の整合性で組織の課題を診断する
ガルブレイスのスターモデル	戦略から報酬制度まで一貫して組織を設計する
オペレーティングモデル4D	原則定義から実行までの4段階で業務の仕組みを作る
ケイパビリティマップ	組織に必要な能力を階層的に棚卸しする
能力成熟度モデル	組織能力の到達度を5段階で客観化する
スパン・オブ・コントロールと階層分析	管理範囲と階層数を定量分析し組織を軽くする
RACIチャート	タスクごとに4種類の役割を割り当て責任を明確にする
組織健全性指数	組織の実行力や適応力をサーベイで測定する
アジャイル・オペレーティングモデル	小さなチームと短いサイクルで組織全体を運営する
シェアードサービスとビジネスパートナリングのモデル	間接機能を集約と事業伴走に仕分けする
CoE設計フレームワーク	専門組織の役割・権限・体制を設計する
戦略的アライメントモデル	事業戦略とIT戦略の整合経路を設計する

1. マッキンゼーの7S（McKinsey 7S Framework）

マッキンゼーの7Sは、組織を戦略（Strategy）、組織構造（Structure）、システム（Systems）、共通の価値観（Shared Values）、スキル（Skills）、人材（Staff）、スタイル（Style）の7要素で捉え、要素間の整合性を診断するフレームワークです。1980年代にマッキンゼーのコンサルタントらによって提唱され、組織変革がうまくいかない原因を単一の要素に求めず、全体のかみ合わせの問題として特定できる点が特徴です。

使い方の要点は次の通りです。

• 7つの要素それぞれについて現状を記述する
• 目指す姿を同じ7要素で描く
• 現状と目指す姿のギャップ、および要素間の不整合を洗い出す
• 不整合を解消する施策を優先順位付けし実行計画に落とす

日本企業では、経営再建やM&A後の統合（PMI）の場面で組織診断の定番ツールとして広く使われてきました。制度や組織図だけを変えても価値観や仕事のスタイルが変わらず改革が頓挫する、というありがちな失敗を防ぐ観点として有効です。

AIプロジェクトにおいては、AI導入が進まない企業の多くがツール（Systems）だけを入れて他の6要素を放置している、という状況を可視化するのに役立ちます。データ分析スキルの不足、失敗を許容しない文化、AI人材の配置といった阻害要因を体系的に洗い出せるため、私はAI戦略策定の初期段階で組織の受け入れ準備度を診断するチェックリストとして使うことをよく勧めています。

2. ガルブレイスのスターモデル（Galbraith Star Model）

スターモデルは、組織設計の大家ジェイ・ガルブレイスが提唱した、戦略（Strategy）、組織構造（Structure）、プロセス（Processes）、報酬（Rewards）、人材（People）の5要素で組織をデザインするフレームワークです。7Sが組織の「診断」に強いのに対し、スターモデルは「設計」の手順を示す点に違いがあります。

設計の流れは次の5ステップで進みます。

1. 戦略を明確化し、組織に求められる能力を定義する
2. その能力を発揮しやすい組織構造を選択する
3. 部門をまたぐ情報の流れと意思決定プロセスを設計する
4. 望ましい行動を促す評価・報酬制度を設計する
5. 必要な人材要件と育成・採用方針を定める

日本企業では、事業部制からカンパニー制への移行や、機能別組織と事業別組織を組み合わせたマトリクス組織の設計など、大企業の組織再編の検討で用いられてきました。組織構造だけ変えて評価制度が旧来のままという片手落ちを防ぐ観点として機能します。

AIプロジェクトでは、AI推進組織を新設する際の設計図として使えます。「全社のデータ活用を加速する」という戦略に対し、集中型か分散型かの組織構造、事業部門との連携プロセス、データサイエンティストのキャリアパスと評価制度、必要スキルの定義までを一貫して設計できるのが強みです。AI組織が定着しない企業の多くは報酬・人材の設計を欠いており、スターモデルはその抜け漏れに気づかせてくれる枠組みだと感じています。

3. オペレーティングモデル4D（Operating Model 4D）

オペレーティングモデル4Dは、戦略を日々の業務として実行する仕組みであるオペレーティングモデルを、デザイン原則の定義（Define）、現状の診断（Diagnose）、将来像の設計（Design）、実行（Deliver）の4段階で構築するアプローチです。組織・プロセス・テクノロジー・ガバナンスを統合的に扱う点が特徴で、コンサルティングファームが大規模変革プログラムで用いる進め方として知られています。

4つの段階は次のように進みます。

• Define：戦略から導かれるデザイン原則（顧客起点、意思決定の迅速化など）を定める
• Diagnose：現行のオペレーティングモデルを組織・プロセス・システム・ガバナンスの観点で診断する
• Design：デザイン原則に沿って将来のオペレーティングモデルを設計する
• Deliver：移行ロードマップを策定し段階的に実装する

日本企業では、全社DXやグローバル経営管理の高度化など、業務・組織・システムを同時に変える大規模変革プログラムで用いられてきました。システム刷新が目的化して業務が変わらないという失敗を避けるため、デザイン原則を先に定める進め方が有効とされています。

AIプロジェクトでは、AIをPoC止まりにせず業務に組み込むために、オペレーティングモデル自体の再設計が必要になる場面で活きます。「データドリブンな意思決定」といった原則を定義し、現行業務のどこに人の判断が残りどこをAIに任せるかを診断・設計し、段階的に移行する計画を作れます。AI導入を「ツール導入」ではなく「業務の仕組みの変革」として扱うための枠組みとして、私は特に有効だと考えています。

4. ケイパビリティマップ（Capability Map）

ケイパビリティマップは、企業が事業を営むうえで必要な能力を「何ができる必要があるか」という観点で階層的に一覧化する手法です。組織図やプロセス図と異なり、「誰がやるか」「どうやるか」から切り離して能力そのものを可視化するため、組織再編やシステム投資の判断基準として安定的に使える点が特徴です。

作成と活用の手順は次の通りです。

1. 事業に必要な能力を大分類で10〜20個程度定義する
2. 各能力をレベル2、レベル3へと分解する
3. 各能力について戦略上の重要度と現状の成熟度を評価する
4. 重要度が高いのに弱い能力を特定し、強化投資の優先順位を決める

日本企業では、基幹システム刷新やエンタープライズアーキテクチャの整理の起点として、大手企業のIT部門・経営企画部門で使われてきました。部門の縦割りを越えて全社として何ができるべきかを議論する道具として、グループ経営の機能再配置の検討にも適しています。

AIプロジェクトでは、AI活用テーマの選定に直結する使い方ができます。ケイパビリティマップ上で「戦略的に重要だが成熟度が低い」能力（需要予測、顧客理解など）を特定すれば、AIを投じるべき領域が構造的に見えてきます。また「データ収集・管理」「モデル開発」「AIガバナンス」といったAI固有のケイパビリティをマップに追加し、自社に何が欠けているかを棚卸しする使い方も効果的だと思います。

5. 能力成熟度モデル（Capability Maturity Model）

能力成熟度モデルは、組織のプロセスや能力の成熟度を、初期（場当たり的）から最適化（継続的改善）までの5段階で評価するモデルです。もともとソフトウェア開発の品質管理のために米カーネギーメロン大学で開発されましたが、現在ではデータマネジメントやDXなどあらゆる領域の成熟度評価に応用されています。

評価と改善の進め方は次の通りです。

• 評価対象の領域と評価軸を定義する
• 各軸について5段階の成熟度基準を設定する
• ヒアリングや文書調査で現状レベルを評価する
• 目標レベルを設定し、ギャップを埋める施策をロードマップ化する

日本企業では、後継規格であるCMMIの成熟度レベル取得を大手SIerが開発品質の証明として推進してきたことが知られています。近年では経済産業省のDX推進指標のように、成熟度モデルの考え方を応用した自己診断ツールが普及し、多くの企業がDXの現在地の把握に使っています。

AIプロジェクトでは、AI・データ活用の成熟度診断がプロジェクトの出発点として非常に有効です。データが散在しているレベルの企業がいきなり高度な機械学習に挑んでも失敗するため、成熟度に応じた打ち手（まずデータ基盤整備、次に分析の型化、その後にAI高度化）を段階設計できます。経営層に「なぜ今すぐ成果が出ないのか」を説明し、中期的な投資の合意を得る際の説得材料にもなると感じています。

6. スパン・オブ・コントロールと階層分析（Span of Control & Layering Analysis）

この手法は、管理職1人あたりの直属部下の数（スパン・オブ・コントロール）と、経営トップから現場までの階層数（レイヤー）を定量的に分析し、組織の効率性と意思決定スピードを診断します。スパンが狭すぎる組織は管理コストが過剰になり、階層が多すぎる組織は意思決定が遅くなるという構造的な問題を、データで浮き彫りにできる点が特徴です。

分析の進め方は次の通りです。

1. 人事データから全管理職のスパンと組織の階層数を集計する
2. 業務の性質別に適正スパンの目安を設定する
3. 適正値から乖離しているポジションや付加価値の低い中間階層を特定する
4. 階層削減・スパン拡大の再設計案を作り、移行時の影響を評価する

日本企業では、「課長代理」「担当部長」のような中間的役職が積み重なりやすい大企業で、組織改革のたびに階層のフラット化が課題になってきました。役職の簡素化や部長・課長層のスリム化を進めた組織改革は、この種の分析を土台にしたものが典型例です。

AIプロジェクトでは、AI・データ活用組織の設計時にレポートラインの深さを点検するのに使えます。データサイエンティストが現場から遠い深い階層に置かれると、課題の把握も成果の実装も遅れます。また、人事データ分析（ピープルアナリティクス）のテーマとしてスパン・階層分析自体をAIで自動化・常時モニタリングする取り組みは、着手しやすい初期案件になると思います。

7. RACIチャート（RACI Matrix）

RACIチャートは、プロジェクトや業務のタスクごとに、実行責任者（Responsible）、説明責任者（Accountable）、協議先（Consulted）、報告先（Informed）の4つの役割を割り当てる責任分担表です。「誰が決めるのか分からない」「関係者が多すぎて進まない」という問題を、役割の明文化によって解消するシンプルながら実効性の高いツールです。

作成と運用の手順は次の通りです。

• プロジェクトの主要タスク・意思決定事項を行として列挙する
• 関係する部門・役職を列として並べる
• 各セルにR・A・C・Iを割り当てる（Aは各行1人が原則）
• Aが不在の行、Cが多すぎる行などの問題パターンを是正する
• 関係者全員で合意し、運用中も定期的に見直す

日本企業では、「みんなで決める」文化が強く責任の所在が曖昧になりがちなため、部門横断プロジェクトの立ち上げ時にRACIを作ること自体が強力な合意形成の場になります。システム開発におけるユーザー部門とIT部門の役割分担や、グローバルプロジェクトでの本社と現地法人の権限整理が典型的な適用場面です。

AIプロジェクトでは、事業部門、データサイエンスチーム、IT部門、法務・リスク部門など関係者が特に多いため、RACIの明文化がほぼ必須だと私は考えています。「学習データの品質担保は誰の責任か」「モデルの本番リリース判断は誰が下すか」「AI倫理レビューはどの段階で誰に諮るか」を事前に定めておくことで、PoC後の停滞を防げます。AIガバナンス体制の文書化にもそのまま使える点が実務上ありがたいところです。

8. 組織健全性指数（Organizational Health Index）

組織健全性指数は、マッキンゼーが開発した、組織の健全性（方向性の共有、実行力、変化への適応力など）をサーベイで定量測定する手法です。財務業績が過去の結果を示すのに対し、組織健全性は将来の業績を生み出す力を測る先行指標と位置づけられており、健全性の高い組織は業績も高い傾向があるという調査結果で知られています。

測定と活用の流れは次の通りです。

1. 全社員（または対象組織）にサーベイを実施し、健全性の構成要素を測定する
2. 結果をベンチマークや部門間で比較し、弱い領域を特定する
3. 弱い領域を改善する具体的なマネジメント施策を設計する
4. 定期的に再測定し、改善の進捗を追跡する

日本企業では、人的資本経営の流れを受け、エンゲージメントサーベイや組織診断サーベイを定期実施し、結果を経営指標として開示・活用する企業が増えています。従業員満足度調査を年中行事で終わらせず、経営変革の進捗指標として使う場面が、この考え方の典型的な適用例です。

AIプロジェクトでは、AI変革の成否は技術よりも組織側の受容力に左右されるため、変革プログラムの前後で組織健全性を測定し、現場の理解度や変化への抵抗感をモニタリングする使い方が有効です。また、サーベイの自由記述をテキストマイニングや大規模言語モデルで分析し、組織課題を抽出する取り組みは、人事領域におけるAI活用の代表的なユースケースになっていると感じます。

9. アジャイル・オペレーティングモデル（Agile Operating Model）

アジャイル・オペレーティングモデルは、ソフトウェア開発で生まれたアジャイルの原則（小さなチーム、短いサイクル、顧客起点の反復改善）を、組織全体の運営モデルに拡張したものです。職能別の縦割り組織を、目的別の小規模な機能横断チームの集合体に再編成し、意思決定を現場に委ねることで、環境変化への適応速度を高めます。

導入と運用の要点は次の通りです。

• 顧客価値の単位でチームの目的（ミッション）を定義する
• 必要な職能を揃えた8名前後の機能横断チームを編成する
• 予算・意思決定の権限をチームに委譲し、四半期単位で目標を設定する
• 短いサイクルで成果を出し、レビューと改善を繰り返す
• チーム横断の技術標準や人材育成は横串組織で担保する

海外ではオランダのING銀行の全社アジャイル化が有名で、国内でも金融機関や通信会社がデジタルサービス部門を中心にアジャイル組織への転換を進めた事例が知られています。全社一斉ではなく、デジタル部門から始めて段階的に広げる進め方が日本企業では典型的です。

AIプロジェクトでは、AI開発は「作ってみないと精度が分からない」不確実性の高い営みであり、ウォーターフォール型の計画駆動とは相性が悪いため、アジャイル運営が事実上の標準になっています。データサイエンティスト、エンジニア、業務担当者を1つのスクワッドに集め、2週間単位でモデル改善と業務検証を回す体制を組むことで、PoCから本番運用への移行速度は大きく変わると私は実感しています。

10. シェアードサービスとビジネスパートナリングのモデル（Shared Services vs Business Partnering Model）

このフレームワークは、経理・人事・ITなどの間接機能を設計する際に、定型業務を1か所に集約して効率化する「シェアードサービス」と、各事業部門に専任担当を置いて戦略支援に踏み込む「ビジネスパートナリング」をどう使い分け、組み合わせるかを検討します。効率性と事業貢献という2つの価値を両立させる機能設計の考え方です。

設計の手順は次の通りです。

1. 対象機能の業務を棚卸しし、定型性・専門性・事業固有性で分類する
2. 定型・大量の業務はシェアードサービスへの集約を検討する
3. 事業固有の判断支援が必要な業務はビジネスパートナー役として事業部門に配置する
4. 高度な専門業務はCoEに集める
5. 3層の連携ルールを設計する

日本企業では、大手企業グループが経理・人事などの定型業務を担うシェアードサービス会社を設立する動きが1990年代後半から広く普及し、間接機能改革の定番手法として知られています。近年は集約・効率化の次の段階として、HRビジネスパートナー（HRBP）やFP&Aのような事業伴走型の役割を強化する企業が増えています。

AIプロジェクトでは、データ・AI機能の全社配置を設計する際にこの考え方がそのまま応用できます。データ基盤運用や定型レポート作成は共通サービスとして集約し、事業部門には課題を翻訳できるアナリティクストランスレーターやデータパートナーを配置する、という役割分担です。シェアードサービス部門の定型業務はAI・RPAによる自動化の効果が最も出やすい領域でもあり、AI導入の初期ターゲット選定にも役立つと考えています。

11. CoE（センター・オブ・エクセレンス）設計フレームワーク（Centers of Excellence Design Framework）

CoE設計フレームワークは、特定領域の専門知識・人材・ベストプラクティスを組織横断で集約した専門組織（CoE）を、どのような役割・権限・体制で設計するかを検討します。ミッション定義、集中と分散のバランス、事業部門との関係、成果指標の4点を軸に、専門能力を全社に展開する仕組みを作る点が特徴です。

設計の手順は次の通りです。

• CoEのミッション（標準化、支援、実行のどこまで担うか）を定義する
• 集中型・分散型・ハブ＆スポーク型から運営モデルを選択する
• 事業部門との役割分担と関与ルール（RACI）を設計する
• 必要な人材・スキルを定義し、採用・育成計画を立てる
• CoEの成果指標（案件数、内製化率、人材輩出数など）を設定し運営する

日本企業では、RPA導入が広がった時期に、野良ロボット化を防ぐため多くの大手企業がRPAのCoEを設置したことが知られています。近年ではDX推進部門、データ分析組織、生成AI活用推進室といった形で、デジタル領域のCoE設置が大企業の標準的な打ち手になっています。

AIプロジェクトでは、AI推進体制の設計はまさにこのフレームワークの主戦場です。立ち上げ期は専門人材を集約した集中型CoEで実績を作り、成熟に伴い各事業部門に人材を配置するハブ＆スポーク型へ移行するのが定石とされています。生成AIの全社展開でも、CoEがガイドライン策定、ユースケース審査、プロンプトやノウハウの共有、リスク管理を一元的に担う設計が広く採用されており、私はAIガバナンスと活用促進を両立させる要になる仕組みだと捉えています。

12. 戦略的アライメントモデル（Strategic Alignment Model）

戦略的アライメントモデルは、ヘンダーソンとベンカトラマンが提唱した、事業戦略、IT戦略、組織インフラ、ITインフラの4領域の整合を検討するフレームワークです。ITを事業戦略の従属物として扱うだけでなく、IT起点で事業を変革する経路も含めて、事業とITの関係を体系的に設計できる点が特徴です。

検討の手順は次の通りです。

1. 事業戦略、IT戦略、組織・業務の仕組み、ITインフラ・体制の4領域の現状を整理する
2. どの領域を起点に変革を駆動するか（事業主導かテクノロジー主導か）を定める
3. 起点から他の3領域への整合経路を描き、不整合箇所を特定する
4. 整合を回復・維持するための施策とガバナンスを設計する

日本企業では、IT部門が「言われたものを作る」受託的な位置づけに留まり、経営戦略との断絶が生じやすいことが長年の課題とされてきました。CIO・CDO職の設置、DX推進部門の経営直下への配置、IT投資を経営会議で審議する仕組みづくりなどは、このモデルが説く整合を実現するための典型的な打ち手です。

AIプロジェクトでは、AI戦略の策定時に、「事業戦略から必要なAI活用を導く」方向と、「AIの技術進化から新たな事業機会を構想する」方向の両方を点検するのに使えます。特に生成AIのように技術側の進化が速い領域では、テクノロジー起点の整合経路の検討が不可欠です。AI投資の優先順位付けやROI評価の仕組みを経営プロセスに組み込む際の設計図としても機能し、AI活用を一過性の実験から経営の仕組みへと昇華させる助けになると思います。

この章を深めたい方への参考書籍

トム・ピーターズ、ロバート・ウォーターマン『エクセレント・カンパニー』（英治出版、大前研一訳）は、マッキンゼー7Sの土台にもなった超優良企業研究の古典です。組織の「ハード面」だけでなく価値観やスタイルといった「ソフト面」がなぜ業績を左右するのかを、豊富な企業事例とともに描いており、7Sを実務で使う前に読んでおくと理解が深まります。

ジェイ・R・ガルブレイス『組織設計のマネジメント：競争優位の組織づくり』（生産性出版、梅津祐良訳）は、本章で紹介したスターモデルの提唱者自身による解説書です。戦略から報酬制度までを一貫して設計する考え方が体系的にまとめられており、組織設計を「思いつき」ではなく方法論として学びたい方に向いています。

第8章 業績管理・価値創造・ファイナンス

AIプロジェクトの企画会議で必ず出てくる問いがあります。「それで、いくら儲かるのか」「投資に見合うリターンはあるのか」という、突き詰めれば数字に帰着する問いです。本章で扱う14個のフレームワークは、この問いに正面から答えるための道具立てです。バランスト・スコアカードやOKRのように目標を可視化し実行に落とし込むもの、EVAやWACCのように資本コストを踏まえて価値創造の有無を判定するもの、Cost-to-Serve分析やABCのようにコスト構造そのものを解剖するもの。切り口は異なりますが、いずれも経営の意思決定を「なんとなく良さそう」から「数字で説明できる」に引き上げる点で共通しています。

AIプロジェクトにこれらのフレームワークが特に効くのは、投資対効果が見えにくいという固有の事情があるからだと思います。AI施策は初期の開発コストが先行し、効果が財務諸表に表れるまで時間がかかります。また、精度改善や自動化率といったAI固有の指標と、営業利益やROEといった経営指標との間には距離があり、両者をつなぐ翻訳作業が必要になります。本章のフレームワークは、まさにこの翻訳作業のための語彙を提供してくれます。バリュードライバーツリーで現場のAI施策と企業価値を数式でつなぎ、EVAやWACCで資本コストに見合うリターンかを判定し、バランスト・スコアカードやOKRで短期的には見えにくい進捗を先行指標としてモニタリングする。こうした組み合わせが、AI投資の説明責任を果たすうえで欠かせないと感じています。

もう一つ強調したいのは、業績管理と価値創造とコスト構造の分析は、本来別々の話ではないということです。目標管理の仕組み（BSC、OKR、MBO）で「何を目指すか」を決め、価値評価の指標（EVA、CFROI、TSR分解、デュポン分解）で「価値を生んでいるか」を判定し、コスト分析の手法（Cost-to-Serve分析、ZBB、ABC）で「どこに無駄があり、どこに再投資すべきか」を特定する。この一連の流れの中にAIプロジェクトを位置付けることで、単発の実証実験で終わらせず、経営の意思決定サイクルに組み込んでいくことができると考えています。

目標管理で何を目指すかを決め、価値評価で価値を生んでいるかを判定し、コスト分析でどこに再投資すべきかを特定する。この一連の流れの中にAI投資を位置づけることが、単発の実証実験で終わらせないための鍵です。

フレームワーク	ひとことで言うと
バランスト・スコアカード	財務・顧客・プロセス・学習成長の4視点で戦略の実行状況を管理する
戦略マップ	4視点の戦略目標を因果関係でつなぎ、1枚のストーリー図にする
OKR	挑戦的な定性目標と定量的な主要結果をセットで四半期管理する
MBO	上司と部下の合意に基づき組織目標と個人目標を統合する
EVA	資本コストを上回る利益を生んでいるかを単一指標で判定する
CFROI	会計操作の影響を排し、キャッシュベースで本当の稼ぐ力を測る
TSR分解	株主総利回りを利益成長・マルチプル・配当等の要因に分解する
デュポン分解によるROEツリー	ROEを利益率・回転率・レバレッジの3要素に分解して診断する
バリュードライバーツリー分析	企業価値を現場の業務KPIまでツリー状に分解しインパクトを試算する
資本コスト／WACCツリー	資金調達コストを分解し、投資判断のハードルレートを設計する
バリューブリッジ	価値・利益の変化を要因別のウォーターフォールで可視化する
Cost-to-Serve分析	顧客・チャネル別の真のコストを割り付け、隠れ赤字を発見する
ゼロベース予算	前例を捨て、支出をゼロから正当化して資源配分を組み替える
活動基準原価計算（ABC）	間接費を活動単位で配賦し、製品・顧客別の真の原価を把握する

1. バランスト・スコアカード（Balanced Scorecard）

バランスト・スコアカード（BSC）は、ロバート・キャプランとデビッド・ノートンが1990年代に提唱した業績管理フレームワークです。財務指標だけで経営を評価すると、目先の数字を追うあまり将来の競争力を損なう恐れがあるという問題意識から生まれました。財務、顧客、業務プロセス、学習と成長という4つの視点でKPIを設定し、戦略の実行状況を多面的にモニタリングします。

• ビジョン・戦略を明確化したうえで、4つの視点ごとに戦略目標を設定する
• 各目標に対して成果指標（遅行指標）と先行指標をセットで定義する
• 目標値とアクションプランを紐付け、責任者を明確にする
• 定期的にレビューし、指標と施策の妥当性を見直す

日本では2000年代以降、製造業や金融機関に加え、病院や自治体の経営改革でもBSCの導入が進んだことで知られています。中期経営計画のKPI体系を4視点で整理し、部門別スコアカードに落とし込む運用が典型例です。

AIプロジェクトへの活かし方として私が特に有効だと感じるのは、AIの効果が財務数値に表れるまでのタイムラグを埋める役割です。財務視点で「AIによるコスト削減額」、顧客視点で「レコメンド起点の購買率」、プロセス視点で「自動化率・処理リードタイム」、学習と成長視点で「AI人材数・データ整備率」といった指標を設定すれば、AI戦略の進捗を先行指標から追跡でき、投資継続の判断材料になります。短期的な財務成果だけでAI投資の可否を判断してしまうと、有望な取り組みを早期に打ち切ってしまうリスクがあるため、この多面的な指標設計は経営層への説明にも役立つと考えています。

2. 戦略マップ（Strategy Map）

戦略マップは、バランスト・スコアカードの提唱者であるキャプランとノートンが、BSCを補完する形で提示した可視化ツールです。BSCの4つの視点にまたがる戦略目標を因果関係の矢印でつなぎ、「学習と成長が業務プロセスを改善し、それが顧客価値を高め、最終的に財務成果につながる」というストーリーを1枚の図に描き出します。

• 最上位に財務目標（収益成長、生産性向上など）を置く
• それを実現する顧客への提供価値を定義する
• 提供価値を支える業務プロセス上の重点テーマを特定する
• プロセスを支える人材・組織・情報基盤の要件を洗い出す
• 目標間を因果の矢印で結び、ストーリーとして検証する

BSCを導入した企業が、KPIの単なる羅列に陥るのを防ぐために戦略マップを併用するのが典型的な使い方です。中期経営計画の説明資料で、非財務施策と財務目標のつながりを1枚の因果図として示す場面でも広く使われています。

AIプロジェクトの企画段階では、「このAIユースケースはどの経路で財務成果に効くのか」を戦略マップ上にプロットすると、テーマ選定の説得力が大きく上がると感じます。データ基盤整備やAI人材育成といった土台への投資は、単体では財務効果が見えにくいものですが、戦略マップに描けば「学習と成長」から「財務」への因果パスの一部として位置付けられます。短期ROIが見えにくい基盤投資の稟議を通す際の論理構成として、この可視化は特に有効だと思います。

3. OKR（Objectives and Key Results）

OKRは、定性的な目標（Objective）と、その達成度を測る3個前後の定量的な主要結果（Key Results）をセットで設定する目標管理手法です。インテルで生まれ、その後グーグルが採用したことで広く知られるようになりました。

• 全社レベルで少数（1〜3個）のObjectiveを設定する
• 各Objectiveに測定可能なKey Resultsを3個前後定義する
• チーム・個人のOKRを全社OKRと接続する形で設定する
• 週次・月次で進捗を確認し、四半期末に達成度を評価する
• 学びを踏まえて次の四半期のOKRを再設定する

日本ではメルカリの導入事例が広く知られており、スタートアップやIT企業を中心に普及してきました。従来のMBOと異なり人事評価と切り離して運用し、達成率60〜70%を狙う挑戦的な目標設定を促すのが典型的な運用です。

不確実性の高いAIプロジェクトには、年次目標よりも四半期サイクルのOKRのほうが相性が良いと感じています。例えば「需要予測AIで在庫最適化を実現する」というObjectiveに対し、「予測誤差を20%改善」「対象SKUカバー率80%」「現場の利用率を週次で計測し70%達成」といったKey Resultsを置けば、モデル精度と業務定着の両方を短サイクルで管理できます。AIプロジェクトは試行錯誤を前提とするだけに、達成率100%を求めないOKRの文化がプロジェクトの心理的なハードルを下げる効果もあると考えています。

4. MBO（目標管理制度、Management by Objectives）

MBOは、経営学者ドラッカーが提唱した、上司と部下が合意した目標に基づいて業務を管理し、達成度を評価する手法です。トップダウンの命令ではなく、本人の納得と自己統制を通じて組織目標と個人目標を統合することを狙います。

• 組織の目標を明確にし、部門・チームに展開する
• 上司と部下の対話を通じて個人目標を設定・合意する
• 期中に進捗を確認し、必要に応じて支援・軌道修正する
• 期末に達成度を評価し、フィードバックする
• 評価結果を処遇や育成計画に反映する

日本では1990年代の成果主義導入とともに広まり、現在も多くの企業で人事評価制度の中核として運用されています。半期または年次で目標設定シートを作成し、上司との面談で合意・評価するスタイルが典型例です。

AI推進組織を立ち上げる際、既存のMBOの枠組みにAI関連目標をどう組み込むかは体制構築上の重要な論点だと考えています。データサイエンティストの目標を「モデル精度」だけにすると業務貢献が置き去りになるため、「担当ユースケースの業務KPI改善」と「再利用可能な資産化」を目標に含める設計が有効です。また、事業部門側のMBOに「AI活用による業務改善目標」を入れることで、推進部門と現場の協力関係を制度面から後押しできると感じます。

5. EVA（経済的付加価値、Economic Value Added）

EVAは、税引後営業利益（NOPAT）から、投下資本に資本コストを掛けた資本費用を差し引いた指標です。会計上の利益が黒字であっても、株主資本のコストを賄えていなければ価値を生んでいない、という考え方を経営に持ち込みます。

• 事業ごとのNOPAT（税引後営業利益）を算出する
• 投下資本（運転資本＋固定資産など）を把握する
• WACC（加重平均資本コスト）を設定する
• EVA＝NOPAT −（投下資本×WACC）を計算する
• EVAの水準と改善トレンドで事業を評価し、資源配分に反映する

日本では花王がEVAを経営指標として長年活用してきたことで有名です。事業部門の業績評価にEVAを組み込み、利益額だけでなく資本効率を含めて事業を評価する経営スタイルの代表例として知られています。

AI投資の評価にEVAの発想を持ち込むと、「利益は出るが資本を食う」施策を見分けられるようになります。大規模なGPU基盤やデータセンター投資を伴うAI施策は、削減効果や増収効果から資本費用（投資額×WACC）を差し引いた正味の価値創造額で比較するのが有効です。クラウド利用による資産軽量化とオンプレミス投資のどちらが価値を生むか、といった判断にも応用できると思います。

6. CFROI（キャッシュフロー投下資本利益率、Cash Flow Return on Investment）

CFROIは、企業や事業が生み出すキャッシュフローを、インフレ調整後の投下資本と比較して算出する内部収益率型の指標です。会計方針の違いや減価償却の影響を排し、キャッシュベースで企業の本当の稼ぐ力を測ることを狙いとしています。

• 事業のグロスキャッシュフロー（税引後）を算出する
• インフレ調整後のグロス投資額（累積投下資本）を把握する
• 資産の経済耐用年数と残存価値を推定する
• これらから内部収益率としてCFROIを計算する
• 資本コストと比較し、スプレッドの正負と推移で評価する

もともと投資運用の世界で発展した指標であり、日本では機関投資家やアナリストが企業の実質的な収益力を国際比較する場面での利用が典型です。事業会社側では、償却負担の重い装置産業が会計利益を補完する社内指標として参照するケースが適用場面として挙げられます。

AI投資は初期の開発費が先行し、会計上の利益では効果が見えにくいため、キャッシュフローベースの評価が本質を捉えやすくなると感じています。数年にわたるAI基盤投資について、年々のキャッシュ創出額と累積投資額から内部収益率を求め、全社のハードルレートと比較すれば、償却が重いから不採算に見えるといった会計上の錯覚を避けた投資判断ができます。

7. TSR分解（TSR Decomposition）

TSR分解は、株主総利回り（TSR：株価上昇と配当による株主のトータルリターン）を、利益成長、マルチプル（PERなど評価倍率）の変化、配当・自社株買いといった要因に分解する分析手法です。株主価値がどの源泉から生まれたかを説明します。

• 分析期間のTSRを算出する（株価変動＋配当再投資）
• 利益（またはEBITDA）成長による寄与を計算する
• 評価倍率（PER、EV/EBITDA等）の変化による寄与を計算する
• 配当利回り・自社株買いによる寄与を加える
• 各要因の寄与度を比較し、今後の価値向上策を検討する

役員報酬の業績連動指標としてTSRを採用する上場企業が増えており、有価証券報告書や統合報告書で自社TSRを競合と比較開示する例も一般的になっています。中期経営計画の策定時に、目標株価水準を利益成長とマルチプル改善に分解して説明する場面が典型的な適用例です。

全社のAI戦略を投資家に説明する際、TSR分解の枠組みは役立つと思います。AIによる効率化は利益成長への寄与として、AIを核とした事業モデル転換への期待はマルチプル改善への寄与として整理すれば、AI投資が株主価値のどこに効くのかを資本市場の言葉で語れます。経営層にAI投資の意義を説明する際の上位フレームとしても有効です。

8. デュポン分解によるROEツリー（DuPont ROE Tree）

デュポン分解によるROEツリーは、ROE（自己資本利益率）を「売上高純利益率×総資産回転率×財務レバレッジ」の3要素に分解するフレームワークです。米デュポン社で考案され、収益性・効率性・財務戦略のどこに強み・弱みがあるかを構造的に診断できます。

• ROE＝当期純利益÷自己資本を算出する
• 売上高純利益率、総資産回転率、財務レバレッジに分解する
• 各要素を競合・過年度と比較し、差の要因を特定する
• 必要に応じて各要素をさらに下位KPIに分解する
• 改善レバーごとに施策を立案し、目標値を設定する

2014年の伊藤レポートが「ROE8%」の目安を示して以降、日本の上場企業ではROEの構造的な分析と改善が経営課題として定着しました。日本企業は利益率の低さがROEの弱点になりやすいと指摘されることが多く、デュポン分解で自社の課題レバーを特定してから施策を検討するのが定番の進め方です。

AIユースケースの棚卸しをROEツリーに紐付けると、施策の財務的な位置付けが明確になります。価格最適化AIや解約予測AIは利益率レバー、需要予測による在庫圧縮や設備稼働率向上は回転率レバーに対応します。「自社のROE課題は回転率にある」と診断できれば、在庫・稼働系のAIテーマを優先するといった形で、AIテーマ選定と経営課題を直結させられると考えています。

9. バリュードライバーツリー分析（Value Driver Tree Analysis）

バリュードライバーツリー分析は、企業価値や利益といった最上位のゴールを、売上・コスト・資本効率などの構成要素に分解し、さらに現場でコントロール可能な業務KPI（ドライバー）までツリー状に展開する手法です。どのドライバーを動かせば最終成果がどれだけ変わるかを定量的につなぎます。

• 最上位の目標指標（営業利益、ROIC、企業価値など）を定める
• 目標を四則演算で構成要素に分解する（売上＝数量×単価、など）
• 現場が直接動かせる業務ドライバーの階層まで展開する
• 各ドライバーの現状値と改善余地を定量化する
• 感度分析でインパクトの大きいドライバーを特定し、施策を割り当てる

オムロンがROICを現場のKPIまで分解する「ROIC逆ツリー展開」を実践している例が広く知られています。経営指標を製造現場の歩留まりや設備稼働率といった日常のKPIに翻訳することで、現場の改善活動と企業価値向上を接続する取り組みの代表例です。

バリュードライバーツリーは、AI投資のROI試算に最も直結するフレームワークだと感じています。例えば「予測AIで欠品率を2%改善して機会損失を減らす」「外観検査AIで検査工数を30%削減して人件費換算する」のように、各AIユースケースをツリー上のドライバーに紐付ければ、施策ごとの利益インパクトを同じ土俵で比較できます。AIテーマの優先順位付けでは、まずこのツリーを作り、インパクトと実現性の両面でユースケースを評価するのが定石です。

10. 資本コスト／WACCツリー（Cost of Capital / WACC Tree）

資本コスト／WACCツリーは、企業の資金調達コストであるWACC（加重平均資本コスト）を、株主資本コスト、負債コスト、資本構成などの構成要素に分解して可視化するフレームワークです。投資判断のハードルレート設定や、資本コスト低減策の検討に用います。

• 株主資本コストを推定する（CAPMなら無リスク金利＋β×市場リスクプレミアム）
• 負債コスト（税引後）を把握する
• 目標資本構成に基づき加重平均してWACCを算出する
• 事業別のリスク差を反映したハードルレートを設定する
• 投資案件の期待リターンと比較し、採否・優先順位を判断する

2023年に東京証券取引所が上場企業へ「資本コストや株価を意識した経営」を要請して以降、自社のWACCを開示し、ROICやROEとの比較で経営を説明する企業が増えています。事業ポートフォリオの見直しで、事業ごとにWACCを上回るリターンを生んでいるかを判定する場面が典型的な適用例です。

AI投資の稟議では、期待効果がいくらかだけでなくハードルレートを超えるかという視点が欠かせません。WACCを基準に、不確実性の高い探索型AIプロジェクトにはリスクプレミアムを上乗せしたハードルレートを、既存業務の自動化のような確度の高い案件には標準レートを適用する、といった二段構えの投資基準を作れば、AIポートフォリオ全体の規律を保ちながら挑戦的なテーマにも投資できると考えています。

11. バリューブリッジ（Value Bridge）

バリューブリッジは、ある期間における企業価値や利益の変化を、売上成長、マージン改善、マルチプル変化、負債返済などの要因別に橋状のウォーターフォールチャートで分解する手法です。価値がどこで生まれ、どこで失われたかを一目で示します。

• 起点と終点の価値（企業価値、利益、EBITDA等）を定める
• 変化を要因（数量、価格、コスト、為替、マルチプル等）に分解する
• 各要因の寄与額を算出し、ウォーターフォールチャートに落とす
• 想定外の増減要因を深掘りし、原因を特定する
• 次期の価値向上プランに要因別の目標を設定する

PEファンドが投資先の価値向上を「EBITDA成長×マルチプル×レバレッジ」に分解して説明する場面が発祥的な使い方ですが、日本の事業会社でも、決算説明資料の営業利益増減分析（数量差・価格差・コスト差のウォーターフォール）として同じ考え方が広く定着しています。

AIプログラム全体の成果報告にバリューブリッジは効果的です。「前年の営業利益からの改善額のうち、需要予測AIでX億円、価格最適化でY億円、自動化による人件費削減でZ億円」と要因別に橋を架ければ、AI投資の累積効果を経営会議で説明する標準フォーマットになります。効果測定の設計段階からこのブリッジの枠を決めておくと、後付けの効果算定に悩まずに済むというのが実務上のメリットだと思います。

12. Cost-to-Serve分析（Cost-to-Serve Analysis）

Cost-to-Serve分析は、顧客・チャネル・製品ごとに、受注、物流、在庫、営業対応、アフターサービスなどサービス提供にかかる本当のコストを割り付け、真の採算性を明らかにする分析手法です。売上規模が大きくても実は赤字、という顧客を発見できます。

• 分析単位（顧客、チャネル、製品）を定義する
• 受注・物流・在庫・営業などの活動別にコストを集計する
• 活動ドライバー（配送回数、注文行数等）で分析単位にコストを配賦する
• 分析単位ごとの純収益性を算出し、分布を可視化する
• 赤字セグメントへの対応策（価格、サービス条件、効率化）を立案する

多頻度小口配送が常態化しやすい日本の消費財・卸売・物流業界で、顧客別・配送先別の採算を見直す場面が典型的な適用例です。2024年問題を契機とした物流費高騰を受け、小口・多頻度の取引条件を見直す際の定量的な根拠づくりとして活用されています。

Cost-to-Serve分析はAI施策の対象選定とROI試算の両方に使えると感じています。まず分析によって「コストの重い顧客対応プロセス」を特定すれば、問い合わせ対応AIや受注処理の自動化など、効果の出る場所にAIを当てられます。さらに、AIでコスト配賦の元データ（活動ログ）を自動収集・分析すれば、従来は年1回の重い分析だったCost-to-Serveを常時モニタリングに変えることもできます。

13. ゼロベース予算（Zero-based Budgeting）

ゼロベース予算（ZBB）は、前年実績の増減で予算を決めるのではなく、すべての費目をゼロから積み上げ、活動の必要性と金額の妥当性を毎回正当化させる予算編成手法です。惰性で続く支出を洗い出し、資源を戦略優先領域に付け替えることを狙います。

• 対象範囲（間接費、販管費など）と分析単位を決める
• 支出をゼロベースで「何のための活動か」に紐付けて棚卸しする
• 活動ごとに必要性とサービスレベルの選択肢を評価する
• 優先順位に基づき予算を再構築する
• オーナーを決めて執行をモニタリングし、翌期も繰り返す

もともと米国の行政予算改革から広まった手法で、グローバルでは3G Capital傘下の消費財企業による徹底運用が有名です。日本では、コスト構造改革プロジェクトの一環として間接費・販管費にゼロベースの見直しを適用するのが典型的な場面で、聖域化した広告費やIT費の再点検に使われます。

生成AIの普及は、その業務は本当に人が予算をかけてやるべきかをゼロベースで問い直す好機だと思います。ZBBの棚卸しに「AIで代替・効率化した場合のコスト」という選択肢を加えれば、単なる削減ではなくAI活用を前提とした業務・予算の再設計になります。逆に、削減で捻出した原資をAI投資枠として明示的に再配分する設計にすると、コスト削減と成長投資が一体のプログラムとして回ると考えています。

14. 活動基準原価計算（ABC、Activity-Based Costing）

活動基準原価計算（ABC）は、間接費を「活動」単位で集計し、活動の利用量に応じて製品・サービス・顧客に配賦する原価計算手法です。売上高や直接作業時間で一律配賦する伝統的手法に比べ、間接費の実態を反映した正確な原価が把握できます。

• 主要な活動（受注処理、段取り替え、検査、出荷など）を定義する
• 各活動に資源コスト（人件費、設備費等）を集計する
• 活動ごとのコストドライバー（処理件数、段取り回数等）を選定する
• ドライバー消費量に応じて原価計算対象にコストを配賦する
• 製品・顧客別の収益性を再評価し、価格・プロセスを見直す

日本では1990年代以降、多品種少量生産の製造業で導入が進み、金融機関の事務コスト分析や病院の診療科別原価計算にも応用されてきたことで知られています。間接部門のコストが膨らんだ企業が、製品別採算の歪みを正す場面が典型的な適用例です。

ABCはAI導入のROI試算の分母と分子を整える基盤になります。活動単位のコストが分かっていれば、「問い合わせ対応1件あたりの単価×AIで削減できる件数」という形で自動化効果を精緻に見積もれます。また、ワークフローログやシステム操作ログをAIで解析して活動量を自動計測すれば、従来は工数調査が重くて頓挫しがちだったABCの導入・更新コスト自体を大幅に下げられるという相乗効果もあると感じています。

この章を深めたい方への参考書籍

ロバート・S・キャプラン、デビッド・P・ノートン『バランス・スコアカード』（生産性出版）は、BSCの提唱者自身による原典です。4つの視点がなぜ必要なのか、財務指標偏重の経営がなぜ危ういのかという問題意識の背景から理解できます。

ジョン・ドーア『Measure What Matters』（日本経済新聞出版）は、OKRをグーグルに定着させた当事者による解説書です。挑戦的な目標設定と評価の切り離しという、OKR運用の勘所が具体的なエピソードとともに語られています。

マッキンゼー・アンド・カンパニー『企業価値評価』（ダイヤモンド社）は、EVAやCFROI、WACCといった価値評価の指標群を体系的に学べる定番書です。本章のフレームワークの理論的な背景を一段深く理解したい方に薦めたいと思います。

第9章 デジタル・データ・プラットフォーム

デジタル変革（DX）を掲げる企業は増えましたが、「うちのDXは進んでいるのか」「どこから手をつければよいのか」という問いに、経営層も現場も明確に答えられないまま施策だけが積み上がっていくケースをよく見かけます。この章で扱う11個のフレームワークは、そうした漠然とした問いに輪郭を与えるための道具です。自社の現在地を測るもの（デジタル成熟度モデル）、進むべき道筋を描くもの（DXロードマップ）、事業モデルそのものの設計を扱うもの（プラットフォーム戦略、エコシステム・ロールマップ、APIエコノミー）、成長のエンジンを定義するもの（プロダクトレッドグロース、ノーススター・メトリック）、そしてデータとAIから価値を引き出す道筋を扱うもの（データマネタイゼーション、AI価値創造、デジタルツイン）、顧客接点を統合するもの（オムニチャネル戦略）と、扱う対象は幅広いです。

共通しているのは、いずれも「点」で終わりがちな施策を「構造」として捉え直す視点だという点です。AIプロジェクトの文脈で言えば、これらのフレームワークはPoC乱立を防ぐ効果があります。AIをどこに投じるべきかは、データ基盤の成熟度、事業モデルの設計、顧客接点の統合度合いといった土台次第で大きく変わるからです。土台の診断を飛ばしていきなり個別のAI施策に着手すると、後になって「そもそもデータが揃っていなかった」「顧客データがチャネルごとに分断されていて使えなかった」という壁にぶつかることが少なくありません。この章のフレームワーク群は、そうした壁を事前に見つけ、AI投資の優先順位と実行順序を組み立てるための地図として活用できると感じています。

デジタル・データ・プラットフォームの各フレームワークに共通するのは、「点」で終わりがちな施策を「構造」として捉え直す視点です。土台の診断を飛ばして個別のAI施策に着手すると、後になって壁にぶつかりやすくなります。

フレームワーク	ひとことで言うと
デジタル成熟度モデル	組織のデジタル化の進み具合を段階評価する物差し
DXロードマップ	変革のゴールから逆算して施策を時間軸に並べる地図
プラットフォーム戦略フレームワーク	複数の参加者をつなぐ「場」として自社を設計する視点
エコシステム・ロールマップ	業界の企業群の役割を整理し自社の立ち位置を決める勢力図
APIエコノミー・フレームワーク	自社の機能やデータをAPIとして公開し価値を生む戦略
プロダクトレッドグロース	プロダクト体験そのものを成長の主エンジンにする戦略
ノーススター・メトリック	組織全体を一つの最重要指標に整列させる考え方
データマネタイゼーション・フレームワーク	蓄積データから経済価値を引き出す機会を体系的に洗い出す方法
AI価値創造フレームワーク	AIが価値を生む経路を類型化しAI投資の的を絞る枠組み
デジタルツイン・フレームワーク	物理的な対象をデジタル空間に再現しシミュレーションする手法
オムニチャネル戦略フレームワーク	複数の顧客接点を一人の顧客体験として一貫させる戦略

1. デジタル成熟度モデル（Digital Maturity Model）

デジタル成熟度モデルは、組織のデジタル化の進み具合を、戦略・組織・人材・技術・データ・顧客体験といった複数の観点から段階的に評価するためのフレームワークです。多くのコンサルティングファームや調査機関が独自版を提唱していますが、共通するのは「初期」「発展」「定着」「最適化」「変革」のようなレベル定義に照らして現在地を可視化し、次に目指すべき水準を明確にするという発想です。感覚で語られがちな「うちのDXの遅れ」を客観的な物差しに変え、経営層と現場が同じ言葉で現状認識を共有できるようになる点が最大の効用だと思います。

使い方の要点は次の通りです。

• 評価軸（戦略、人材、データ、技術基盤、顧客接点など）と成熟度レベルの定義を決める
• アンケートやヒアリングで各軸の現状レベルを診断する
• 3〜5年後に目指すレベルを軸ごとに設定し、ギャップを特定する
• ギャップを埋める施策を洗い出し、ロードマップに落とし込む
• 年次などの定期サイクルで再診断し、進捗を測る

日本では経済産業省が提供してきたDX推進指標による自己診断が、この考え方に近い形で広く使われています。大企業を中心に、IPAへのベンチマーク提出や中期経営計画のDX目標設定の起点として活用されてきました。AIプロジェクトの観点では、AI導入の前提条件が整っているかを診断する用途に特に向いています。データの整備状況（収集・統合・品質管理のレベル）と人材の成熟度を評価すれば、「まずデータ基盤から着手すべきか、PoCから始めてよいか」の判断根拠になります。実務では、この診断を先に行っておくと、後工程でのAIプロジェクトの手戻りが減ることが多いように思います。評価軸にAI活用の成熟度（実験段階、部門展開、全社標準化）を加えて、毎年の到達目標を定める使い方も実践的です。

2. DXロードマップ（Digital Transformation Roadmap）

DXロードマップは、デジタル変革のゴールから逆算して、施策を時間軸上に配置し、段階的な実行計画として描くためのフレームワークです。ビジョン、重点領域、個別施策、必要な基盤投資を一枚の地図として整理することで、個別のデジタル施策が「点」で終わらず、全体像の中に位置付けられるようになります。基盤整備と業務改革の順序関係（依存関係）を明示できることも大きな利点で、経営層への説明や予算確保の場面で、投資の必然性を示しやすくなります。

使い方の要点は次の通りです。

1. 3〜5年後のありたい姿（ビジョン）と定量目標を定める
2. 顧客体験、業務プロセス、ビジネスモデル、基盤などの変革領域を設定する
3. 各領域の施策を洗い出し、効果と実現難易度で優先順位を付ける
4. 依存関係を考慮してフェーズ分け（短期・中期・長期）し、時間軸に配置する
5. マイルストーンとKPIを設定し、定期的に見直す

日本では中期経営計画と連動したDX戦略の公表が上場企業で一般化しており、DX銘柄に選定される企業の多くがロードマップ形式で変革計画を示しています。基幹システム刷新とデータ活用施策を段階的に並べる構成が典型例です。AIプロジェクトの観点では、単発のPoCを乱立させず、AI活用を計画的に積み上げるための背骨になります。たとえば第1フェーズでデータ統合基盤と生成AIの全社利用環境を整え、第2フェーズで需要予測や審査自動化など業務特化AIを展開し、第3フェーズでAIを前提とした業務プロセス再設計に進む、といった段階設計が可能です。各フェーズのROI試算と人材育成計画を紐付けることで、投資判断の説得力が高まると感じます。ロードマップなしにAI施策を積み上げると、後から振り返ったときに施策同士がつながっていないことに気づく、というのはよくある失敗パターンです。

3. プラットフォーム戦略フレームワーク（Platform Strategy Framework）

プラットフォーム戦略フレームワークは、自社を製品の売り手ではなく、複数の参加者（生産者と消費者）をつなぐ「場」の提供者として設計するためのフレームワークです。ジェフリー・パーカーらの研究に代表されるように、ネットワーク効果の設計、参加者の獲得順序、収益化ポイントの選定といった、プラットフォーム特有の論点を体系的に検討する点が特徴です。「鶏と卵問題」（売り手と買い手のどちらを先に集めるか）を構造的に検討できるため、単品売り切りモデルとの違いが明確になり、KPI設計を誤りにくくなります。

使い方の要点は次の通りです。

• プラットフォーム上で交換される中核価値（商品、情報、サービス）を定義する
• 参加者グループ（生産者・消費者・補完事業者）とそれぞれの参加動機を整理する
• ネットワーク効果を生む仕組み（マッチング、評価、決済など）を設計する
• 初期の参加者獲得戦略（片側への補助、自社供給による呼び水など）を決める
• 手数料、課金、データ活用など収益化の方法とタイミングを設計する

日本ではリクルートの販促領域（ホットペッパーなど）やメルカリのマーケットプレイスが、国内のプラットフォームビジネスの代表例として知られています。近年は製造業でも、機器の稼働データを軸に保守事業者や部品メーカーを巻き込むプラットフォーム構想を検討する場面が増えています。AIプロジェクトの観点では、AI活用が進むほどプラットフォームの競争力は強まります。マッチング精度の向上、需給予測、不正検知、レコメンドなど、ネットワーク効果を加速するAI施策をこのフレームワークの各要素に対応付けて洗い出すと、優先順位付けがしやすくなります。「参加者から集まるデータをAIで学習し、その成果を参加者に還元する」というデータのフライホイールを設計段階から組み込むことが、AI時代のプラットフォーム戦略の要点だと考えています。

4. エコシステム・ロールマップ（Ecosystem Roles Map）

エコシステム・ロールマップは、ビジネスエコシステムに参加する企業群の役割を整理し、自社がどのポジションを取るべきかを検討するフレームワークです。全体を統率するオーケストレーター、中核機能を担うキーストーン、特定領域で価値を足すニッチプレイヤーといった役割区分で勢力図を描くことで、「協調する相手」と「競合する相手」を混同せずに整理できるようになります。自社の現実的な立ち位置（主導するか、乗るか）を冷静に判断する助けにもなります。

使い方の要点は次の通りです。

• 対象となるエコシステム（業界、技術領域）の範囲を定める
• 参加プレイヤーを洗い出し、役割（オーケストレーター、補完者、供給者、ニッチなど）で分類する
• 価値とデータの流れをプレイヤー間の矢印で可視化する
• 自社の現在の役割と、目指す役割のギャップを特定する
• 役割転換に必要な提携、投資、能力獲得の打ち手を決める

日本ではトヨタが主導するモビリティ関連の企業連携や、ソニーグループのエンタテインメント領域でのパートナー網のように、大手企業がオーケストレーター役を担う構図の分析に使われます。中堅企業にとっては、大手のエコシステムのどこに入り込むかを決める場面が典型的な適用例です。AIプロジェクトの観点では、AI事業は自社単独で完結することがまれで、基盤モデル提供者、クラウドベンダー、SIer、データ保有者、業務ノウハウを持つ事業会社が絡み合います。このマップでAIエコシステム内の自社の役割（データを出す側か、モデルを作る側か、業務適用を担う側か）を定義すると、体制構築と提携判断が明確になります。生成AIの活用でも、どのレイヤーを外部に任せ、どこに自社の独自性を残すかを整理する際に有効な視点です。

5. APIエコノミー・フレームワーク（API Economy Framework）

APIエコノミー・フレームワークは、自社の機能やデータをAPI（外部システムから呼び出せる接続口）として公開し、他社サービスとの連携から新たな価値と収益を生み出すための戦略フレームワークです。APIを単なる技術仕様ではなく製品として捉え、公開範囲、収益モデル、開発者体験を設計する点が特徴です。自社資産（データ、機能）の外部提供による新収益源を発見できるだけでなく、社内システム間の連携も疎結合になり、開発スピードが上がるという内部的な効用もあります。

使い方の要点は次の通りです。

1. 自社が持つ機能・データ資産を棚卸しし、API化候補を洗い出す
2. 公開範囲（社内限定、パートナー限定、一般公開）を資産ごとに決める
3. 収益モデル（無償で本業送客、従量課金、レベニューシェアなど）を設計する
4. 開発者ポータルやドキュメントを整備し、使いやすさを磨く
5. 利用状況をモニタリングし、APIのラインアップを継続的に改善する

日本では銀行APIの公開を促した改正銀行法を背景に、金融機関と家計簿アプリ等のフィンテック企業の連携が進んだことが代表的な事例として知られています。LINEヤフーやfreeeのように、APIを通じて外部開発者のサービスを取り込み、自社プラットフォームを拡張する例も典型的です。AIプロジェクトの観点では、生成AIの業務活用は基盤モデルのAPIを自社システムに組み込む形が主流であり、まさにAPIエコノミーの実践そのものです。逆に自社側でも、社内のAI機能（需要予測、文書検索、審査モデルなど）をAPIとして整備しておくと、複数部門や複数チャネルから再利用でき、AI投資の回収効率が上がります。さらにAIエージェントが外部サービスを呼び出す時代を見据え、自社のどの機能をエージェントから使える形で公開するかという論点の整理にも、このフレームワークは使えると感じています。

6. プロダクトレッドグロース（Product-Led Growth Framework）

プロダクトレッドグロースは、営業や広告ではなく、プロダクト自体の体験を成長の主エンジンにする戦略フレームワークです。無料利用から始めて価値を実感してもらい、利用拡大と有料化へ自然につなげる仕組み（フリーミアム、セルフサーブ導入、プロダクト内での拡張促進）を設計します。営業人員に依存しないスケーラブルな成長モデルを作れることに加え、利用データに基づいて改善が回り続ける点が、従来型の営業主導モデルとの大きな違いです。

使い方の要点は次の通りです。

• ユーザーが価値を初めて実感する瞬間（アハモーメント）を定義する
• 登録から価値実感までの時間を最短化するオンボーディングを設計する
• 無料と有料の境界線（機能制限、利用量制限）を設計する
• 利用データから活性化・拡大・解約の兆候を捉える指標を整備する
• プロダクト内の導線（アップグレード提案、招待機能）で拡大を促す

日本ではSmartHRやfreeeなどの国産SaaS企業が、無料トライアルやセルフサーブ導入を組み合わせた成長戦略の実践者として知られています。従来型の代理店営業中心だったB2Bソフトウェア業界で、プロダクト主導の顧客獲得へ軸足を移す際の設計図として使われる場面が典型的です。AIプロジェクトの観点では、AI機能はPLGの強力な武器になります。「試した瞬間に賢さが伝わる」体験（自動要約、自動作成、レコメンド）をアハモーメントに据えれば、価値実感までの時間を大幅に短縮できるはずです。また、PLGは利用ログが豊富に蓄積されるため、解約予測やアップセル対象の抽出といったAIモデルの構築に適した土壌でもあります。社内AIツールの浸透でも、研修で使わせるのではなく、触れば分かる体験設計で自然に広げるという発想は、そのまま応用できると思います。

7. ノーススター・メトリック（North Star Metric Framework）

ノーススター・メトリックは、事業の成長と顧客価値の両方を映す「たった一つの最重要指標」を定め、組織全体の活動をそこに向けて整列させるフレームワークです。売上のような結果指標ではなく、顧客が価値を受け取った量を測る指標（例：週間アクティブ利用、完了された取引数）を選ぶ点が特徴で、部門ごとにバラバラだったKPIを一つの北極星の下に整理できるようになります。短期売上に偏らず、顧客価値と長期成長を両立する判断ができることも利点です。

使い方の要点は次の通りです。

1. 自社プロダクトが顧客に提供する中核価値を言語化する
2. その価値の受け取り量を測れる候補指標を複数挙げる
3. 「顧客価値を映すか」「収益に先行するか」「チームで動かせるか」で絞り込む
4. ノーススターを構成する入力指標（新規獲得、活性化、頻度など）に分解する
5. 各チームが入力指標を担当し、施策と実験を回す

日本ではメルカリやSmartHRなどのプロダクト志向の企業で、グロース組織の運営にこの考え方が採用されていることが知られています。国内のSaaSやアプリ運営企業が、KPIツリーの頂点を売上から利用価値ベースの指標へ置き換える場面が典型的な適用例です。AIプロジェクトの観点では、成果測定にそのまま応用できるのが魅力です。たとえば社内生成AI活用なら「週あたりのAI活用による業務完了数」、AIチャットボットなら「自己解決された問い合わせ数」のように、AIが実際に生んだ価値を測る単一指標を定めると、PoC止まりを防げます。また、ノーススターを入力指標に分解する過程は、AIで介入すべきボトルネック（活性化率か、継続率か）の特定と、AI施策の優先順位付けにそのまま使える手法だと感じています。

8. データマネタイゼーション・フレームワーク（Data Monetization Framework）

データマネタイゼーション・フレームワークは、自社に蓄積されたデータから経済価値を引き出す方法を体系的に検討するフレームワークです。業務改善に使う「内部活用」、データやインサイトを外部に提供する「外部収益化」、データを組み込んだ新サービス開発という3つの方向性で機会を整理する点が特徴で、「データはあるが使えていない」という漠然とした状態を、具体的な収益機会の一覧に変換できます。内部活用と外部販売を区別することで、必要な体制や法的論点も明確になります。

使い方の要点は次の通りです。

• 保有データを棚卸しし、種類・量・鮮度・独自性を評価する
• 内部活用（コスト削減、意思決定高度化）の機会を洗い出す
• 外部収益化（データ提供、分析レポート、データ組み込み型サービス）の機会を検討する
• 法規制（個人情報保護）、契約、匿名化などの制約を確認する
• 価値と実現性で優先順位を付け、パイロットから始める

日本では携帯電話の位置情報を統計化した人流データの提供（NTTドコモのモバイル空間統計など）や、小売・カード会社による購買データの分析サービスが、外部収益化の例として知られています。製造業では、設備の稼働データを保守サービスの高度化に使う内部活用が典型的な出発点です。AIプロジェクトの観点では、このフレームワークは「どのデータにどんな価値の出口があるか」を洗い出す起点になります。データの独自性評価は、生成AIの差別化要因となる自社固有データ（技術文書、応対履歴、設計ノウハウ）の特定にも有効です。AIモデルの学習データとして外部にデータを提供する、あるいはAIで生成したインサイトを商品化するなど、AI時代ならではの収益化オプションを検討の選択肢に加えることが重要だと考えています。

9. AI価値創造フレームワーク（AI Value Creation Framework）

AI価値創造フレームワークは、AIがビジネス価値を生む経路を「効率化（コスト削減）」「高度化（意思決定の質向上）」「新価値創出（新製品・新体験）」といった類型で整理し、自社のAI投資をどこに向けるべきかを検討するフレームワークです。ユースケースの発想から価値評価までを一貫して扱うことで、AI活用の議論が「何となくすごそう」から「どの価値をいくら生むか」に変わります。効率化偏重に陥らず、攻めのAI活用（収益創出）も視野に入れられる点が実務上のメリットです。

使い方の要点は次の通りです。

1. バリューチェーンに沿って、AIが適用できる業務・意思決定を洗い出す
2. 各ユースケースを価値類型（効率化、高度化、新価値創出）に分類する
3. 期待効果（金額換算）と実現性（データの有無、技術成熟度、現場受容性）を評価する
4. 効果と実現性のマトリクスで優先順位を付け、ポートフォリオを組む
5. 実行後に効果を測定し、ポートフォリオを定期的に組み替える

日本では全社的な生成AI活用方針を掲げる企業が増え、パナソニックグループやみずほフィナンシャルグループなどが従業員向けAIアシスタントの大規模展開で知られています。多くの企業では、まず社内業務の効率化から入り、顧客向けサービスへのAI組み込みへ広げる二段階の進め方が典型的です。AIプロジェクトの観点では、このフレームワーク自体がAIプロジェクトの中核ツールと言ってよいと思います。特に有効なのはポートフォリオ発想で、短期に効果が出る効率化案件で成功体験と投資原資を作りながら、時間のかかる新価値創出案件を並行して仕込む構成が定石です。ROI試算では、工数削減だけでなく、意思決定の精度向上による損失回避や機会獲得も金額換算に含めると、経営層の納得感が高まります。評価軸に「データの準備状況」を必ず入れることが、絵に描いた餅を防ぐ実務上のポイントです。

10. デジタルツイン・フレームワーク（Digital Twin Framework）

デジタルツイン・フレームワークは、工場、設備、製品、都市などの物理的な対象をデジタル空間上に再現し、リアルタイムデータで同期させながらシミュレーションや最適化を行うためのフレームワークです。現実では試せない条件の検証や、将来予測に基づく先回りの意思決定を可能にする点が特徴で、現実世界で試すとコストやリスクが大きい施策を、仮想空間で安全に検証できるようになります。センサーデータとの同期により、異常予兆の早期発見や予知保全につながることも大きな利点です。

使い方の要点は次の通りです。

• 対象（設備、生産ライン、製品、店舗など）と解決したい課題を定める
• 必要なデータ（センサー、図面、稼働履歴）と収集手段を整備する
• 対象のモデル（3Dモデル、物理モデル、統計モデル）を構築する
• リアルタイムデータと同期させ、現実との一致度を検証する
• シミュレーションで施策を試し、結果を現実の運用に反映するループを回す

日本では小松製作所（コマツ）のスマートコンストラクションが、建設現場の地形や施工進捗をデジタル空間に再現して施工を最適化する取り組みとして広く知られています。ダイキン工業も空調設備や工場のデジタルツイン活用で知られており、製造業の生産ライン検証や設備保全が国内の典型的な適用場面です。AIプロジェクトの観点では、デジタルツインはAIと組み合わせて真価を発揮します。蓄積された稼働データでAIモデルを学習させれば、故障予知や品質予測の精度が上がり、シミュレーション空間は強化学習による運転条件最適化の訓練場としても機能します。「ツインを作ること」自体を目的化せず、予知保全なら予知保全という価値仮説を先に定め、必要最小限の対象範囲からツインを構築する段階的アプローチが失敗を防ぐと感じています。

11. オムニチャネル戦略フレームワーク（Omnichannel Strategy Framework）

オムニチャネル戦略フレームワークは、店舗、EC、アプリ、SNS、コールセンターといった複数の顧客接点を分断させず、一人の顧客の体験として一貫させるための戦略フレームワークです。チャネル横断での顧客データ統合と、どの接点から入っても途切れない購買・サービス体験の設計を扱う点が特徴で、チャネル間の顧客の行き来（店舗で見てECで買う等）を機会損失にせず取り込めるようになります。チャネル別の縦割り組織による顧客体験の分断を解消できることも重要な利点です。

使い方の要点は次の通りです。

1. 顧客の購買行動を接点横断で描き、体験の分断点を洗い出す
2. 顧客IDとデータ（購買履歴、行動履歴）をチャネル横断で統合する
3. 在庫・注文・会員基盤を接続し、チャネルをまたぐサービス（店舗受け取り等）を設計する
4. チャネル別ではなく顧客軸のKPI（顧客単位のLTVなど）へ評価を変える
5. 接点ごとの体験を継続的にテストし、一貫性を高めていく

日本では無印良品の「MUJI passport」が、アプリを軸に店舗とECの体験と顧客データをつなげた国内オムニチャネルの代表例として知られています。ユニクロも店舗とECの在庫連携や店舗受け取りを進めており、小売・アパレル業界での実店舗とデジタルの融合が典型的な適用場面です。AIプロジェクトの観点では、オムニチャネルで統合された顧客データは、AI活用の最良の燃料だと言えます。チャネル横断の行動履歴を使ったレコメンドや離反予測は、単一チャネルのデータで作るモデルより精度が上がりやすく、AIプロジェクトのテーマ選定で優先度を高く評価できます。また、生成AIによる接客支援（チャット、コールセンターの応対支援）を導入する際も、どの接点でも同じ顧客文脈を参照できるデータ統合が前提条件になるため、このフレームワークでの現状整理がAI導入の実現性評価に直結すると考えています。

この章を深めたい方への参考書籍

ジェフリー・G・パーカー、マーシャル・W・ヴァン・アルスタイン、サンジート・ポール・チョーダリー『プラットフォーム・レボリューション』（ダイヤモンド社）は、プラットフォームビジネスの設計論を体系的にまとめた古典的な一冊です。ネットワーク効果の作り方や「鶏と卵問題」の解き方を、豊富な事例とともに理論的に整理しており、本章のプラットフォーム戦略フレームワークやエコシステム・ロールマップをより深く理解したい方に向いています。

根来龍之『集中講義デジタル戦略：テクノロジーバトルのフレームワーク』（日経BP）は、日本企業の事例を交えながらデジタル時代の競争戦略を整理した一冊です。プラットフォームやエコシステムをめぐる競争構造を、国内の読者になじみやすい形で学びたい方に適しています。

第10章 オペレーション・サプライチェーン・効率化

生産・物流・サービス提供といったオペレーションの現場は、経営の議論の中では地味に見えられがちですが、実際には企業の収益力を根底で支えている領域です。どれだけ優れた事業戦略を描いても、それを実行する現場の生産性と品質が伴わなければ、絵に描いた餅で終わってしまいます。この章で扱う11個のフレームワークは、ボトルネックの特定から品質改善、サプライチェーン全体の設計、拠点配置まで、オペレーションの効率と競争力を高めるための代表的な考え方を集めたものです。多くは製造業を起点に発展してきましたが、サービス業やAI・データ活用プロジェクトにも幅広く応用できます。

私がAIプロジェクトの現場でこの章のフレームワーク群に触れる機会は非常に多いです。オペレーション領域は数値データが豊富で、需要予測・在庫最適化・予知保全など、AIが直接的な効果を発揮しやすいテーマの宝庫だからだと感じています。ただし、データが揃っているからといってすぐにAIに飛びつくのではなく、まず制約理論やバリューストリームマッピングで「どこに手を打つべきか」を見極めてから着手する方が、結果的に投資対効果の高いプロジェクトになる、というのが私の実感です。

もう一つ、この章の特徴は「日本発、あるいは日本と縁の深いフレームワークが多い」ことです。ジャストインタイムやTPM、品質の家（QFD）の源流には、トヨタ生産方式や日本の製造業が培ってきた現場改善の知恵があります。AI・データ活用というと海外発の新しい概念に目が向きがちですが、こうした日本のオペレーション哲学とAIをどう組み合わせるかという視点は、日本企業がAI導入を進める上でむしろ強みになり得ると考えています。

どれだけ優れた事業戦略を描いても、実行する現場の生産性と品質が伴わなければ絵に描いた餅で終わります。データが揃っているからとすぐAIに飛びつくのではなく、まず「どこに手を打つべきか」を見極めることが肝要です。

フレームワーク	ひとことで言うと
制約理論	全体のスループットを決めるボトルネックに資源を集中させる
バリューストリームマッピング	モノと情報の流れを1枚に可視化し、ムダを見つける
シックスシグマDMAIC	データと統計で品質のばらつきを5段階で改善する
品質の家	顧客の要求と技術特性の関係を整理し優先順位を導く
SCORモデル	サプライチェーンを標準プロセスと共通指標で評価する
キャパシティプランニング	需要予測に対して供給能力の水準を計画する
ジャストインタイム	必要なものを必要なときに必要な量だけつくり運ぶ
TPM	全員参加で設備の故障・不良・停止ロスをなくす
サービスブループリント	顧客体験と裏側の業務を4層でつなげて設計する
内外製の意思決定フレームワーク	戦略的重要性とリスクから自社実施か外部調達かを決める
オペレーション拠点最適化	拠点の配置と機能をネットワーク全体で最適化する

1. 制約理論（Theory of Constraints）

制約理論は、システム全体のスループット（産出量）が、最も弱い箇所である「制約（ボトルネック）」によって決まるという考え方に基づき、制約の特定と改善に資源を集中させるマネジメント理論です。エリヤフ・ゴールドラットが提唱し、ビジネス小説『ザ・ゴール』を通じて世界的に広まりました。

使い方の要点は、次の5ステップの循環プロセスです。

1. システムの制約（ボトルネック）を特定する
2. 制約を徹底的に活用する（制約箇所の稼働を最大化する）
3. 制約以外の工程を制約に従属させる（制約のペースに全体を合わせる）
4. 制約の能力そのものを強化する（設備増強や人員追加など）
5. 制約が解消されたら、新たな制約を探して最初に戻る

『ザ・ゴール』は日本でも累計100万部を超えるベストセラーとして知られ、工場の特定工程に仕掛品が滞留するケースや、開発プロジェクトで特定部署の承認待ちが全体を遅らせるケースなど、日本企業でも典型的なボトルネック問題への処方箋として使われてきました。

AI導入のテーマ選定において「どの工程がスループットを律速しているか」を最初に問うことで、効果の大きい適用先を見極められます。工場全体の生産性向上を狙う場合、ボトルネック工程に絞って需要予測や稼働最適化のAIを入れる方が、全工程に薄く投資するよりROIが高くなると考えられます。AIプロジェクト自体の推進でも、データ整備やアノテーションなど進行を律速する工程を特定して資源を集中させるという使い方ができ、プロジェクトが停滞したときにまず疑うべきはこの「制約はどこか」という問いだと考えています。

2. バリューストリームマッピング（Lean Value Stream Mapping）

バリューストリームマッピングは、原材料の調達から顧客への提供までの、モノと情報の流れを1枚の図に可視化し、価値を生む活動とムダ（待ち時間、在庫、手戻りなど）を識別するリーン生産方式の代表的な分析手法です。現状の姿（Current State）と理想の姿（Future State）を描き、その差分から改善計画を導きます。

• 対象とする製品ファミリーやサービスの範囲を決める
• 現場を歩いて現状のモノ・情報の流れを観察し、現状マップを描く
• 各工程のサイクルタイム、在庫量、待ち時間などのデータを記入する
• ムダを特定し、あるべき姿の将来マップを描く
• 将来マップとの差分から改善施策と実行計画を策定する

バリューストリームマッピングの源流はトヨタ生産方式の「モノと情報の流れ図」にあるとされ、日本の製造業には親和性の高い手法です。近年では工場の工程改善に加えて、間接業務や事務プロセスの可視化（オフィスのリーン化）にも適用され、業務改革プロジェクトの初期分析として使われる場面が増えています。

AI化の対象業務を選ぶ前にバリューストリームを描くと、「そもそもなくすべきムダな工程」と「AIで高度化すべき工程」を区別でき、ムダな業務をそのまま自動化してしまう失敗を防げます。データの流れも同じ地図に載せることで、需要予測AIに必要なデータがどこで発生しどこで滞留しているかを把握でき、データパイプライン設計の土台にもなると感じます。

3. シックスシグマDMAIC（Six Sigma DMAIC）

シックスシグマDMAICは、品質のばらつきを統計的に管理・削減するシックスシグマの中核をなす改善プロセスで、Define（定義）、Measure（測定）、Analyze（分析）、Improve（改善）、Control（管理）の5段階で問題解決を進めます。モトローラが開発しGEが普及させた、データドリブンな改善方法論の代表格です。

1. Define：解決すべき問題と顧客要求、プロジェクトの目標を定義する
2. Measure：現状のプロセス性能をデータで測定し、ベースラインを把握する
3. Analyze：統計分析により、ばらつきや欠陥の根本原因を特定する
4. Improve：原因に対する改善策を立案・検証し、実装する
5. Control：改善後のプロセスを標準化し、管理図などで維持管理する

シックスシグマは日本のQC（品質管理）活動の影響を受けて米国で体系化されたもので、日本ではソニーや東芝などが1990年代後半から導入したことが知られています。既存のQCサークル活動やTQMの土壌がある日本企業では、統計教育やプロジェクト推進の枠組みとして部分的に取り入れる形が典型的です。

DMAICの構造はAIプロジェクトの進め方とよく対応すると感じます。Defineで解くべき業務課題とKPIを定義し、Measureで現状データを収集・評価し、Analyzeで要因分析（ここに機械学習を使うこともできます）を行い、Improveで予測モデルや最適化を導入し、Controlでモデルの精度監視と再学習の運用を設計する、という流れです。特にControl段階の考え方は、AIモデルの性能劣化を監視するMLOpsの設計にそのまま活かせます。

4. 品質の家（House of Quality / QFD）

品質の家は、顧客の要求（VOC：顧客の声）と技術的な設計特性の関係をマトリクスで整理し、どの設計要素を優先すべきかを導く手法です。マトリクスの形が家に似ていることから「品質の家」と呼ばれ、品質機能展開（QFD）の中核ツールとしてリーンシックスシグマでも活用されます。

• 顧客の要求事項を収集し、重要度をつけて左側の壁に並べる
• 要求を実現する技術的特性（設計要素）を天井部分に並べる
• 要求と特性の関連の強さをマトリクス中央に記入する
• 屋根部分で特性同士の相関（トレードオフ）を評価する
• 重要度と関連度から各特性の優先度を算出し、目標値を設定する

品質機能展開（QFD）は1960年代から70年代にかけて日本で生まれた手法で、三菱重工の神戸造船所での適用やトヨタグループでの展開が源流として知られています。日本の製造業では新製品開発の企画段階で、顧客要求を設計仕様に落とし込む際の標準的な道具として使われてきました。

AIシステムの要件定義にこのフレームワークを応用すると、「業務部門の要求（予測が当たってほしい、説明できてほしい、すぐ答えがほしい）」と「技術的特性（精度指標、説明可能性、応答速度、更新頻度）」の対応関係を整理できます。精度と説明可能性のように特性間にトレードオフがある場合も屋根部分で明示できるため、モデル選定やアーキテクチャ判断の優先順位づけを、業務側と開発側が同じ表の上で議論できるようになると思います。

5. SCORモデル（SCOR Model）

SCORモデルは、サプライチェーンの業務をPlan（計画）、Source（調達）、Make（製造）、Deliver（配送）、Return（返品）などの標準プロセスに分解し、共通の指標で評価・改善するための参照モデルです。業界団体ASCM（旧APICS）が管理する国際標準で、自社のサプライチェーンを他社や業界標準と比較する物差しになります。

1. 自社のサプライチェーンをSCORの標準プロセスにマッピングする
2. 標準KPI（納期遵守率、リードタイム、在庫回転率など）で現状の性能を測定し、業界ベンチマークと比較する
3. ギャップの大きい領域を特定し、原因となるプロセスを掘り下げる
4. 改善施策を立案し、優先順位をつけて実行する
5. KPIを継続的にモニタリングし、改善サイクルを回す

日本ではSCM改革やサプライチェーンの標準化プロジェクトの枠組みとして、製造業や商社を中心に活用されてきました。特にグローバルに拠点を持つ企業が、国や事業部ごとにバラバラだったサプライチェーン業務と指標を共通化する場面で、標準プロセスモデルとして参照するのが典型的な使い方です。

サプライチェーン領域のAIテーマ（需要予測、在庫最適化、輸配送最適化、サプライヤーリスク検知など）を洗い出す際、SCORのプロセス分類を棚卸しの軸に使うと抜け漏れなく候補を挙げられます。さらに、SCORの標準KPIをそのままAI施策の効果測定指標に採用すれば、「需要予測AIで欠品率と在庫回転率がどう変わったか」といったROI評価を業界標準の物差しで語れるようになる点は、経営層への報告でも使いやすいと感じます。

6. キャパシティプランニング（Capacity Planning Framework）

キャパシティプランニングは、将来の需要予測に対して、生産能力・人員・設備・ITリソースなどの供給能力をどの水準で確保するかを計画するためのフレームワークです。長期の設備投資判断から、月次の要員計画、日々の稼働調整まで、時間軸を分けて能力と需要のバランスを設計します。

• 対象期間の需要を予測し、必要能力に換算する
• 現有の能力（設備、人員、外注枠など）を棚卸しする
• 需要と能力のギャップを時間軸ごとに把握する
• ギャップ解消の選択肢（増設、シフト調整、外注、需要平準化など）を比較評価する
• 計画を実行し、実績との乖離を見ながら定期的に見直す

製造業の生産計画部門では、年度の設備投資計画と月次の生産計画・要員計画を階層的につなぐ枠組みとして日常的に使われています。近年では、データセンターやクラウド基盤の容量計画、コールセンターの席数・要員計画、物流倉庫の繁忙期対応など、非製造領域でも需要と能力のバランス設計が重要なテーマになっています。

需要予測AIの効果が最も直接的に表れる領域の一つだと思います。予測精度が上がれば、能力の持ちすぎと不足の両方を減らせるため、AI投資のROIを「削減できた残業・外注費」「回避できた機会損失」として定量化しやすくなります。AIシステム自体の運用でも、推論負荷やGPUリソースの容量計画にこの枠組みを適用でき、生成AI活用時のコスト管理にも役立ちます。

7. ジャストインタイム（Just-in-Time System）

ジャストインタイムは、「必要なものを、必要なときに、必要な量だけ」つくり、運ぶことで、在庫と滞留のムダを徹底的に排除する生産方式です。後工程が使った分だけ前工程が補充する「後工程引き取り（プル型）」の仕組みを、かんばんなどの道具で実現します。

1. 生産を需要（後工程の消費）と同期させる基準を決める（タクトタイムの設定）
2. 工程間の流れを整え、可能な範囲で1個流しに近づける
3. かんばんなどの仕組みで後工程引き取りのプル型運用を構築する
4. 段取り時間の短縮や小ロット化で、流れを止めない条件を整える
5. 在庫水準を段階的に下げ、表面化した問題を一つずつ改善する

JITはトヨタ生産方式の二本柱の一つとして世界的に有名で、トヨタ自動車とそのサプライヤー群で磨き上げられ、世界中の製造業に広がりました。一方、東日本大震災や半導体不足の経験を経て、極端な在庫圧縮のリスクも認識されるようになり、重要部品には戦略在庫を持つなど、JITとリスク対応を両立させる運用が近年の潮流として知られています。

JITの成否は「必要な量」を正しく読むことにかかっており、AIによる需要予測・内示精度の向上はプル型運用の精度を直接高めます。かんばん枚数や発注点の設定にAIの予測を組み込む、需給の異常をAIで早期検知して欠品リスクとJITの在庫圧縮を両立させる、といった適用が考えられます。サプライチェーン途絶リスクをAIでモニタリングし、JITを維持しながらレジリエンスを補強するアプローチにも私は可能性を感じています。

8. TPM（Total Productive Maintenance）

TPMは、設備の故障・不良・停止ロスをゼロに近づけることを目指し、オペレーター自身による日常保全（自主保全）を軸に、生産部門・保全部門・管理部門まで全員参加で設備効率を高める活動体系です。設備総合効率（OEE）を主要指標として、設備のロスを体系的に削減します。

• 設備のロス（故障、段取り、チョコ停、速度低下、不良など）を分類・測定する
• OEEを算出し、最も大きいロス要因を特定する
• 自主保全（清掃・点検・給油）の仕組みをオペレーターに定着させる
• 計画保全や予防保全の体制を保全部門で整備する
• 個別改善テーマを設定してロスを削減し、活動を全部門に展開する

TPMは日本発の活動体系で、日本プラントメンテナンス協会（JIPM）が提唱し、TPM優秀賞を通じて国内外の工場に普及したことで知られています。自動車、食品、化学など装置を多く抱える日本の製造業では、自主保全の7ステップ活動やOEE管理が工場運営の標準的な仕組みとして根付いています。

TPMは予知保全AIとの接続が最も自然な領域だと感じます。振動・温度・電流などのセンサーデータから故障予兆を検知するAIは、TPMの予防保全を「時間基準」から「状態基準」へ進化させるものと位置づけられます。導入の際は、TPM活動で蓄積された故障履歴や点検記録が教師データとして活きるため、TPMの成熟度が高い工場ほどAI適用の土台が整っているといえます。OEEを共通KPIに据えれば、AI投資の効果測定も既存の管理体系に自然に組み込めます。

9. サービスブループリント（Service Blueprinting）

サービスブループリントは、サービスの提供プロセスを、顧客の行動、顧客から見える従業員の行動（オンステージ）、見えない裏側の行動（バックステージ）、それらを支える内部プロセスの4層に分けて図解する手法です。顧客体験と業務プロセスを1枚でつなげて設計・改善できる点が特徴です。

1. 対象とするサービスと顧客セグメント、シナリオを決める
2. 顧客の行動を時系列で洗い出す（カスタマージャーニーの把握）
3. 各顧客行動に対応するオンステージ・バックステージの従業員行動を記述する
4. それらを支える内部プロセスやシステムを最下層に記述する
5. 失敗しやすい箇所や待ち時間の発生箇所を特定し、改善策を設計する

金融機関の店舗・アプリ体験の再設計、小売のオムニチャネル化、自治体や企業の窓口業務改革など、サービス業のDXプロジェクトで現状分析と将来設計の道具として使われる場面が増えています。顧客接点のデジタル化を進める際に、表側のUI改善だけでなく裏側のオペレーション改革まで一体で設計するために有効です。

チャットボットや生成AIによる顧客対応を導入する際、サービスブループリントを描くと「AIが対応する範囲」「人にエスカレーションする境界」「裏側で必要なナレッジ整備や監視業務」を一体で設計できます。表側のAIチャットだけ導入して裏側の業務が追いつかない、という失敗を防げる点が実務上ありがたいところです。バックステージの定型業務こそAI・自動化の適用余地が大きいため、AI化候補の棚卸しにも使えます。

10. 内外製の意思決定フレームワーク（Make-Buy Decision Framework）

内外製の意思決定フレームワークは、部品・工程・業務を自社で行う（Make）か、外部から調達する（Buy）かを、コストだけでなく戦略的重要性、コア能力との関係、リスクを含めて総合的に判断するためのフレームワークです。単発の外注判断ではなく、自社の競争力の源泉をどこに置くかという事業戦略の問題として扱います。

1. 対象の部品・工程・業務が自社の競争優位にとってどれだけ重要かを評価する
2. 自社と外部サプライヤーの能力・コストを比較する
3. 外部化した場合のリスク（技術流出、供給途絶、品質、依存度）を評価する
4. Make／Buy／中間形態（提携、合弁、一部内製）の選択肢を比較する
5. 決定後もサプライヤー管理や能力維持の方針を定め、定期的に見直す

日本の製造業は系列取引や「摺り合わせ」型のものづくりを背景に、内外製の線引きを重要な経営判断としてきました。近年では、半導体の内製回帰やEV部品の内製化判断、逆にITシステム開発における内製化（外注依存からの転換）など、Make-Buyの再検討が経営アジェンダになる場面が広く見られます。

AI活用ではこのフレームワークが二重に効くと考えています。第一に、AI開発体制そのものの内外製判断です。自社の競争力に直結するAI（コア業務の予測モデルなど）は内製し、汎用的な領域は外部サービスやSaaSを使う、という切り分けに使えます。第二に、生成AIの活用でも、自社データでのファインチューニングや独自開発を行うか、既存の基盤モデルやAPIを利用するかの判断に、戦略的重要性とリスクの軸を適用できます。

11. オペレーション拠点最適化（Operations Footprint Optimization）

オペレーション拠点最適化は、工場・倉庫・オフィス・サービス拠点などをどこに、いくつ、どの機能で配置するかを、コスト、市場への近さ、リスク、人材確保などの観点から最適化するフレームワークです。グローバル化や地政学リスクの変化を受けて、生産・供給ネットワーク全体を定期的に見直すための枠組みとして使われます。

• 現状の拠点網（立地、能力、コスト、供給範囲）を棚卸しする
• 需要の地理的分布と将来変化を予測する
• 評価軸（総コスト、リードタイム、リスク、人材、税制など）を設定する
• 複数の拠点配置シナリオを立案し、定量・定性の両面で比較評価する
• 移行計画（新設、統廃合、機能移管）を策定し、段階的に実行する

日本の製造業では、円高局面での海外生産移転、その後の国内回帰の検討、中国一極集中からのチャイナプラスワン、地政学リスクを踏まえたサプライチェーン再編など、拠点戦略の見直しが繰り返し経営課題となってきました。物流業界でも、EC拡大に対応した物流センターの配置最適化が典型的な適用場面です。

拠点最適化は数理最適化とAIの得意領域で、需要予測、輸送コスト、リードタイムを組み込んだネットワーク最適化モデルにより、拠点配置シナリオを定量的に比較できます。従来はコンサルティング会社の大規模調査で数年に一度行っていた見直しを、デジタルツイン化したサプライチェーンモデルで継続的にシミュレーションする、という進化が期待できる領域だと思います。AIプロジェクトとしては、まず輸配送や在庫配置の最適化から始めて、拠点レベルの意思決定支援へ広げる段階的な進め方が現実的です。

この章を深めたい方への参考書籍

大野耐一『トヨタ生産方式』（ダイヤモンド社）は、この章で扱ったジャストインタイムをはじめ、トヨタ生産方式の思想を提唱者自身が語った原典です。在庫を悪と捉える発想の背景にある哲学まで踏み込んで理解したいときに読む価値があります。

エリヤフ・ゴールドラット『ザ・ゴール』（ダイヤモンド社）は、制約理論の考え方をビジネス小説の形式で解説した一冊で、理論書を読むよりも先にボトルネックという発想の面白さを体感できます。オペレーション改善の入り口として今なお色あせない一冊だと思います。

第11章 リスク・不確実性・シナリオ

経営における最も厄介な問いのひとつは「未来をどう読むか」ではなく、「未来が読めないという前提でどう動くか」だと思います。市場の成長率も、規制の行方も、技術の進化速度も、精緻に予測しようとすればするほど、外れたときの反動が大きくなります。本章で扱う10個のフレームワークは、正確な予測を目指すのではなく、不確実性そのものを直視し、複数の未来に備え、リスクを言語化・定量化し、後戻りできる余地を残しながら意思決定するための道具立てです。

AIプロジェクトの文脈でこの章が効いてくる場面は多いです。基盤モデルの進化速度も、生成AI規制の方向性も、現時点で確度高く言い当てられる人は誰もいません。だからこそ、単一の予測に賭けるのではなく、シナリオを描いて備えの幅を持たせる、リスクを可視化して優先順位をつける、PoCという小さな投資で選択肢を買う、といった発想が、AI投資の意思決定を筋の通ったものにしてくれます。「読めないなりにどう賢く動くか」という規律を持つ組織と持たない組織とでは、数年単位で見たときの投資の打率が変わってくると感じています。

もうひとつ、この章のフレームワークに共通するのは「危機が起きてから慌てて考える」のではなく、平時のうちに脆弱性や対応の型を仕込んでおくという姿勢です。ヒートマップやストレステストで弱点を洗い出し、バーベル戦略やリアルオプションで備えの配分を設計し、OODAループやウォーゲーミングで実際に手足を動かす訓練をしておく。予測ではなく準備に投資するという発想は、変化の速いAI領域でこそ価値を持つはずです。

経営における最も厄介な問いは「未来をどう読むか」ではなく「未来が読めないという前提でどう動くか」です。単一の予測に賭けるのではなく、備えの幅を持たせるという発想が、この章に通底する原則です。

フレームワーク	ひとことで言うと
シナリオプランニング	単一予測ではなく複数の未来像を描き、戦略の耐性を検証する
リスクヒートマップ	発生可能性と影響度でリスクを可視化し、優先順位を共有する
リスク調整後資本利益率（RAROC）	リターンをリスクで調整し、案件を公平な物差しで比較する
戦略的柔軟性マトリクス	不確実性と可逆性でコミットの濃淡を設計する
リアルオプション評価	様子を見てから動ける柔軟性そのものを投資価値として定量化する
デシジョンツリー分析	意思決定と不確実な事象を樹形図で分解し、期待値で最適経路を選ぶ
OODAループ	観察・状況判断・意思決定・行動のサイクルを高速に回し先手を取る
ブラックスワンとバーベル戦略	予測不能な事象に備え、安全側と攻め側に資源を極端に振り分ける
ストレステスト	厳しいが起こりうる過酷なシナリオで組織の耐久力を検証する
ウォーゲーミング	自社・競合・市場を演じ分け、戦略の弱点を模擬対戦で洗い出す

1. シナリオプランニング（Scenario Planning）

シナリオプランニングは、単一の未来予測に頼らず、起こりうる複数の未来像を描いて、それぞれに対する戦略の耐性を検証するフレームワークです。1970年代にロイヤル・ダッチ・シェルが石油危機への備えとして活用したことで広く知られるようになりました。予測を当てにいくのではなく「備えの幅」で不確実性に対応するという発想が核にあります。

使い方の要点は次の通りです。

• 対象とする意思決定と時間軸を定め、事業に影響する外部要因を洗い出します
• 「影響度が大きく不確実性が高い」要因を2軸として選び、その組み合わせから4つ程度のシナリオを描きます
• 各シナリオ下で現行戦略がどう機能するかを検証し、共通して有効な打ち手とシナリオ固有の備えを整理します
• どのシナリオに向かっているかを見極める先行指標を設定し、定期的にモニタリングします

日本企業では、エネルギー業界や総合商社の長期経営計画にこの手法が組み込まれていることが多いとされ、近年はTCFD対応として気候変動シナリオに基づく事業影響分析を開示する上場企業も増えています。

AIプロジェクトでは、生成AIの規制が強まるか緩やかに進むか、基盤モデルのコモディティ化が進むか寡占が続くか、といった軸でシナリオを描くと、どのシナリオでも価値を持つデータ基盤や人材育成への投資と、シナリオ依存の個別施策を切り分けやすくなります。AI投資の検討では「その前提が外れたらどうなるか」を必ず問うことが大切で、これはシナリオ思考の最も実務的な使い方だと感じています。

2. リスクヒートマップ（Risk Heat Map）

リスクヒートマップは、組織が抱えるリスクを「発生可能性」と「影響度」の2軸で評価し、マトリクス上に色分けして可視化するフレームワークです。多数のリスクの中からどれを優先的に対処すべきかを、経営層が一目で把握できるようにすることを目的としています。

1. 事業に関わるリスクを、戦略・オペレーション・財務・コンプライアンスなど部門横断で洗い出します
2. 各リスクの発生可能性と影響度を、5段階などの共通尺度で評価します
3. マトリクス上にリスクを配置し、右上（高頻度・高影響）を赤、左下を緑などで色分けします
4. 赤ゾーンのリスクから対応策（回避、低減、移転、受容）と責任者を決めます
5. 半期や年次で更新し、対応の進捗と新規リスクを確認します

日本の上場企業では、内部統制やERM（全社的リスクマネジメント）の枠組みの中でリスクヒートマップを作成し、リスク管理委員会や取締役会への報告に用いる運用が一般的です。

AI導入に伴うリスク、たとえば学習データの品質、モデルの誤判定、ハルシネーション、個人情報の扱い、規制対応、ベンダーロックインなどをヒートマップで整理すると、対策の優先順位が明確になります。複数のAIユースケース候補を比較する場面でも、期待効果だけでなくリスクプロファイルを併せて可視化することで、経営層への説明の説得力とテーマ選定の質が上がるはずです。

3. リスク調整後資本利益率（Risk-Adjusted Return on Capital：RAROC）

RAROCは、投資や事業のリターンをそれに伴うリスクの大きさで調整して評価するフレームワークです。単純な利益率ではなく「リスク1単位あたりのリターン」で比較することで、リスクの異なる案件を同じ土俵で評価できるようにします。もともと金融機関の与信・資本配分のために発展した考え方です。

• 評価対象の事業や案件について期待収益を算出します
• 想定される損失（期待損失と、一定の信頼水準での予想外損失）を見積もります
• 予想外損失をカバーするために必要な経済資本を算定します
• リスク調整後収益を経済資本で割り、RAROCを求めます
• 資本コスト（ハードルレート）と比較し、上回る案件に資本を優先配分します

日本のメガバンクや大手保険会社では、リスクアペタイト・フレームワークの一環として事業部門ごとのリスク調整後収益性を測定し、資本配分や業績評価に反映する経営管理が行われていることが知られています。

AIプロジェクトのROI試算は楽観的な期待効果だけで語られがちですが、精度が目標に届かないリスク、現場に定着しないリスク、データ整備コストが超過するリスクを織り込んだ「リスク調整後のリターン」で評価すると、案件間の比較が現実的になります。確実に効果が出る自動化案件と、当たれば大きいが不確実な予測モデル案件を、同じ物差しでポートフォリオとして管理する際の基礎になると思います。

4. 戦略的柔軟性マトリクス（Strategic Flexibility Matrix）

戦略的柔軟性マトリクスは、不確実性の高さと意思決定の取り消しにくさ（コミットメントの大きさ）という2つの観点から打ち手を整理し、今すぐ大きく張るべきものと、柔軟性を残して様子を見るべきものを切り分けるフレームワークです。不確実な環境では、あえて選択肢を残すこと自体に価値があるという考え方に基づいています。

1. 検討中の戦略施策を洗い出します
2. 各施策について、成否を左右する不確実性の高さを評価します
3. 各施策の可逆性（後戻りや方針転換のしやすさ）と必要投資の大きさを評価します
4. 象限ごとに対応方針を決めます（不確実性が低く可逆性も低い施策は本格投資、不確実性が高い施策は小さく張って選択肢を保持するなど）
5. 不確実性の解消状況を定期的に見直し、選択肢の行使や撤退を判断します

この名称で使う日本企業は多くありませんが、考え方自体は馴染み深いものです。新興国市場への進出でいきなり自前工場を建てず、駐在員事務所、合弁、出資比率の引き上げと段階的にコミットを深めるアプローチなどが典型例といえます。

AI活用テーマの優先順位付けにそのまま使えます。効果が実証済みで業務への組み込みが深いテーマは本格投資、技術の成熟度が読めないエージェント型AIのようなテーマはPoCで小さく張り、撤退基準と拡大基準をあらかじめ決めておくという設計が可能です。ベンダーやモデルの選定でも、特定基盤への依存度を評価軸に加えることで、乗り換え可能性を保った体制を組めます。

5. リアルオプション評価（Real Options Valuation）

リアルオプション評価は、金融オプションの考え方を実物投資に応用し、将来の状況を見てから拡大・延期・撤退を選べる権利の価値を投資評価に織り込むフレームワークです。従来のNPV（正味現在価値）法では見落とされがちな、不確実性下での経営の柔軟性そのものを価値として定量化しようとするものです。

• 投資案件に含まれる選択肢（拡大、延期、縮小、撤退、転用など）を特定します
• 不確実性の源泉と、それが判明する時期を整理します
• 各選択肢のオプション価値を評価します（二項モデルやブラック・ショールズ式の応用、簡便なデシジョンツリーによる近似など）
• 従来のNPVにオプション価値を加えた「拡張NPV」で投資判断を行います
• 不確実性が解消された時点で、オプションの行使か放棄かを規律をもって実行します

医薬品業界では、開発の各フェーズで継続・中止を判断できる段階投資の構造がリアルオプションそのものであり、パイプライン評価にオプション的な考え方を取り入れることが知られています。厳密な数理計算までは行わずとも、「段階的に投資し撤退基準を持つ」という発想として広く実務に浸透しています。

PoCから本格導入へ進むAIプロジェクトは、まさに段階投資のオプション構造を持っています。PoCの費用を「本格展開する権利を得るためのオプション料」と捉えれば、PoC単体のROIが見えにくくても投資を正当化できます。逆に、拡大基準を満たさなければ権利を放棄する規律もセットで設計することで、成果の出ない案件を漫然と続けてしまう「PoC疲れ」を防げると思います。

6. デシジョンツリー分析（Decision Tree Analysis）

デシジョンツリー分析は、意思決定の分岐（自分で選べる選択）と不確実な事象の分岐（確率で決まる結果）を樹形図で表し、各結末の価値と確率から期待値を計算して最適な選択を導くフレームワークです。複雑な多段階の意思決定を、構造的に分解して考えられるようにします。

1. 最初の意思決定を起点に、選択肢を枝として描きます
2. 各選択肢の先に、不確実な事象を確率付きの枝として描きます
3. 後続の意思決定があれば、さらに枝を伸ばして多段階の構造を作ります
4. 末端の各結末に金銭価値（ペイオフ）を割り当てます
5. 末端から根に向かって期待値を計算し（ロールバック）、期待値が最大となる選択経路を特定します

製薬企業の開発パイプライン評価では、フェーズごとの成功確率を織り込んだ期待価値の算定にデシジョンツリーの構造が標準的に使われています。確率的な分岐を伴う経営判断の整理に広く応用できる手法として、日本のビジネス教育でも定番になっています。

「PoCを実施するか、いきなり本開発か、見送るか」という判断を、PoC成功確率、本開発での精度達成確率、達成時の業務効果を枝に持つツリーで整理すると、投資判断の前提が明確になります。機械学習モデルの誤判定コスト（見逃しと誤検知の非対称性）を結末の価値として組み込めば、モデルの閾値設定や人間によるチェック工程の要否といった運用設計の判断にも使えます。

7. OODAループ（OODA Loop）

OODAループは、観察（Observe）、状況判断（Orient）、意思決定（Decide）、行動（Act）のサイクルを高速に回すことで、変化の速い環境で相手や状況より先手を取るための意思決定フレームワークです。米空軍のジョン・ボイド大佐が戦闘機のドッグファイトの分析から生み出し、ビジネスにも広く応用されています。

• 観察：市場、顧客、競合、自社の状況に関する生の情報を集めます
• 状況判断：集めた情報を自社の経験や文脈に照らして解釈します。ループ全体の質を左右する最重要ステップです
• 意思決定：解釈に基づき、取るべき行動を選択します
• 行動：迅速に実行し、その結果を次の観察のインプットにします
• このサイクルを競合や環境変化より速く回し続け、判断の前提自体も更新していきます

PDCAが計画起点の改善サイクルとして日本企業に深く根づいているのに対し、OODAループは「計画通りに進まない状況での即応」を補う枠組みとして、2010年代後半から日本のビジネス書や研修で広く紹介されるようになりました。新規事業開発や危機対応の文脈で導入する企業が増えているとされています。

AI導入の推進体制そのものにOODAを適用できます。モデルの精度や利用状況を常時観察し、データドリフトや現場の使われ方の変化を解釈し、再学習やUI改善を素早く決定・実行するというMLOpsの運用は、OODAループの実践そのものといえます。生成AIの技術動向は数か月単位で変わるため、年次計画に固執せず四半期ごとに前提を見直す推進スタイルの理論的支柱としても有効だと感じています。

8. ブラックスワンとバーベル戦略（Black Swan / Barbell Strategy）

ナシーム・タレブが提唱した概念で、ブラックスワンとは「予測不能で影響が甚大な稀少事象」を指します。バーベル戦略はその対処法として、資源の大部分を極めて安全な領域に置き、残りの一部を大きな上振れが狙える領域に振り分け、中途半端な中間リスクを避けるという配分の考え方です。

1. 自社にとって壊滅的な打撃となりうる事象を洗い出します
2. コア事業と財務基盤については保守的に固めて生存を最優先します（安全側）
3. 経営資源の一部を、失っても致命傷にならない範囲で実験的な取り組みに配分します（攻め側）
4. 攻め側は少額多数の分散を基本とし、うまくいったものだけを段階的に拡大します
5. 「予測」ではなく「頑健性」を定期的に点検します

バーベル戦略の名前で実践する例は多くないものの、安定したコア事業のキャッシュフローを守りながらCVCを通じてスタートアップへ少額分散投資を行う動きは典型例です。東日本大震災以降、サプライチェーンの複線化など「効率を多少犠牲にしても壊滅的事象への頑健性を優先する」発想が製造業に広がったことも、同種の思考の浸透例といえます。

AI投資のポートフォリオ設計にも有効です。投資の大半は効果が確実な足元の業務効率化に充て、一部を先端領域の実験に振り分けることで、技術の不連続な進化という上振れを取り込めます。同時に、大規模な誤情報生成やデータ漏洩、規制の急変といったAIのブラックスワンに対しては、発生確率の予測ではなく「起きても致命傷にならない設計」で備える発想が重要になると考えています。

9. ストレステスト（Stress Testing Framework）

ストレステストは、通常の想定を大きく超える過酷なシナリオ、いわゆる「厳しいが起こりうる事象」を意図的に設定し、その状況下で組織や事業計画が耐えられるかを検証するフレームワークです。金融危機後に銀行監督の標準手法となり、現在は事業会社のリスク管理にも応用されています。

• テストの対象と守るべき水準を定めます
• 過去の危機事例や専門家の知見をもとに、厳しいが起こりうるストレスシナリオを設計します（複数要因の同時発生も含みます）
• シナリオ下での影響を定量的に試算します
• 耐えられない場合の脆弱点を特定し、対応策（バッファの積み増し、分散、保険、撤退基準）を講じます
• 定期的にシナリオを更新して再実施し、耐久力の変化を追跡します

日本のメガバンクや保険会社では、金融庁の監督指針に沿ったストレステストが経営管理に組み込まれています。事業会社でも、震災やパンデミックの経験を踏まえたBCPの検証として、主要工場の停止や特定調達先の途絶を想定した影響試算と対策の点検が製造業を中心に定着しています。

AIシステムに対しても、平常時の精度検証だけでなく過酷条件でのテストが重要です。学習時と大きく異なる入力データ（異常値、敵対的入力、想定外の日本語表現）を意図的に与えてモデルの挙動を確認する、基盤モデルのAPI停止や価格改定を想定して代替手段への切り替え手順を検証する、といった応用が考えられます。全社のAI依存度が高まるほど、「AIが使えなくなった日」を想定した業務継続の設計が経営課題になっていくはずです。

10. ウォーゲーミング（War-gaming Framework）

ウォーゲーミングは、自社、競合、顧客、規制当局などの役割をチームに割り当て、互いの打ち手への対応を数ラウンドにわたって模擬的に戦わせることで、戦略の弱点や競合の反応を事前に体感するフレームワークです。軍事演習の手法をビジネスの競争戦略に応用したものです。

1. 検討したい戦略テーマと時間軸を設定します
2. 参加者を自社チーム、主要競合チーム、市場チームに分け、各社の財務状況や戦略資料を事前に読み込ませます
3. 第1ラウンドとして各チームが打ち手を決定し、市場チームが結果を判定します
4. 相手の打ち手を踏まえて第2、第3ラウンドと応酬を繰り返します
5. 終了後に振り返りを行い、自社戦略の脆弱点や事前に準備すべき対抗策を実際の戦略計画に反映します

欧米ではコンサルティングファームの支援による経営陣向けウォーゲーミングが普及しており、日本でも製薬業界（特許切れ後のジェネリック参入対応など）や通信・消費財業界で競争シミュレーション研修として導入されるケースが知られています。サイバーセキュリティ分野でも、攻撃側と防御側に分かれるレッドチーム演習として同種の手法が広がっています。

競合他社が生成AIで顧客体験を刷新してきた場合に自社の優位性がどう崩れるかを、競合役チームを立てて模擬的に検証すれば、AI投資の優先順位に「競争上の緊急度」の観点を加えられます。生成AIに競合役や懐疑的な顧客役を演じさせて戦略への反論を生成させるなど、AI自体をウォーゲーミングの演習相手として活用する使い方も現実的になってきており、少人数でも競合視点の検証を回せる時代になったと感じています。

この章を深めたい方への参考書籍

ナシーム・ニコラス・タレブ『ブラック・スワン』（ダイヤモンド社）は、本章のブラックスワンとバーベル戦略の元となった議論を、金融市場や歴史上の事例を通じて展開した一冊です。「なぜ人は稀少事象を過小評価するのか」という認知の癖まで踏み込んで論じており、リスク管理の前提そのものを問い直すきっかけになると思います。

同じくタレブの『反脆弱性』（ダイヤモンド社）は、単に衝撃に耐える「頑健性」を超えて、変動やストレスからむしろ利益を得る「反脆弱性」という概念を提示した続編にあたる一冊です。バーベル戦略の配分の考え方を、より実践的な設計原理として理解したい方に向いています。

第12章 国際・グローバル戦略

海外市場への進出やグローバル規模での事業運営を考えるとき、経営者が直面する問いはたいてい似た形をしています。どの国に出るのか、どのような形態で出るのか、そして本社での標準化と現地への適応をどう配分するのか。この3つの問いに答えを出すための道具が、本章で扱うフレームワーク群です。

これらは決して古い理論の羅列ではありません。距離をどう測るか、価値をどこで生むか、参入形態をどう選ぶかという思考の型は、AIプロジェクトの意思決定にもそのまま応用できます。多国籍でAIサービスを展開する際の優先順位付け、AI開発を内製するか外部に委ねるかの判断、グローバルなAIガバナンスと現地規制対応の切り分けなど、AIプロジェクトの現場でこれらの枠組みが役立つ場面は年々増えているように思います。

本章では、パンカジュ・ゲマワットの2つの理論を中心に、国際経営論の定番となっている7つのフレームワークを紹介します。海外展開そのものを検討している企業だけでなく、AIという新しい能力をどう社内外に配置するかを考える際の参考にしていただければと思います。

グローバル戦略の核心は、どの国に出るか、どのような形態で出るか、そして本社での標準化と現地への適応をどう配分するかという3つの問いに答えることです。距離をどう測るかという思考の型は、AIの意思決定にもそのまま応用できます。

フレームワーク	ひとことで言うと
CAGEフレームワーク（距離の4次元）	市場の遠さを文化・制度・地理・経済の4次元で測る
AAAグローバル戦略（適応・集約・裁定）	グローバル戦略の価値創出パターンを3類型で捉える
I-Rグリッド（統合と現地適応）	統合圧力と適応圧力の2軸で事業の立ち位置を決める
OLIパラダイム（折衷理論）	直接投資が正当化される3条件を問う
ウプサラモデル（段階的国際化）	市場知識の蓄積とともに関与を段階的に深める
グローバル・バリューチェーン配置	バリューチェーンの各活動を世界のどこに置くか設計する
市場参入モード選択	コミットメントとコントロールの観点で参入形態を比較する

1. CAGEフレームワーク（距離の4次元）（CAGE Distance Framework）

パンカジュ・ゲマワットが提唱したCAGEフレームワークは、自国と進出先の間にある「距離」を、文化（Cultural）、制度・政治（Administrative）、地理（Geographic）、経済（Economic）の4次元で評価する枠組みです。市場規模の大きさだけで進出先を選ぶと、言語や商習慣、規制の違いといった見えにくい距離を見落としてしまいます。CAGEはその見落としを防ぐために作られました。

使い方の要点は次の3つです。

• 進出候補国を並べ、4次元それぞれについて自国との距離を整理する
• 自社の業種・製品にとって影響の大きい次元（食品なら文化的距離、金融なら制度的距離など）に重みをつける
• 距離の近い市場から優先するか、距離を縮める打ち手（現地パートナー、現地人材の登用など）とセットで遠い市場を狙うかを判断する

日本企業がアジア市場を最初の進出先に選ぶことが多いのは、地理的・文化的距離の近さで説明できますし、欧米市場では現地企業の買収や現地経営陣への権限委譲で制度的な距離を埋めるアプローチがよく取られます。

AIプロジェクトでは、多国籍展開するAIサービスの順序を決める際にこの枠組みが役立ちます。データ保護規制は制度的距離、言語や文化によるモデル性能の差は文化的距離、データセンターやネットワークの制約は地理的距離として整理できるからです。生成AIチャットボットを海外展開する場面で、各国のAI規制とローカライズコストをCAGEの表に落とし込むと、展開の優先順位が議論しやすくなると感じます。

2. AAAグローバル戦略（適応・集約・裁定）（AAA Global Strategy Framework）

同じくゲマワットが提唱したAAAフレームワークは、グローバル戦略の基本方針を、適応（Adaptation：現地に合わせる）、集約（Aggregation：地域や世界で標準化して規模を効かせる）、裁定（Arbitrage：国ごとのコストや能力の差を利用する）の3類型で捉えます。「グローバル化イコール標準化」という思い込みを外し、自社がどのAで価値を生んでいるのかを明確にすることが狙いです。

使い方の要点は次の3つです。

• 自社の事業がどのAで価値を生んでいるか、あるいは生めるかを棚卸しする
• 主軸とするAを1つ、補助的なAを1つまでに絞って選ぶ
• 選んだAに合わせて組織構造（国別、事業別、機能別）と権限配分を設計し、市場環境の変化に応じて定期的に見直す

現地の気候や商習慣に合わせた製品開発を各国で展開するダイキンは適応型、世界で同一の商品・売場体験を追求するユニクロは集約型の色が濃い例として語られることが多いです。

AIプロジェクトでは、グローバル企業のAI推進体制の設計指針になります。基盤モデルや共通データ基盤は本社で集約して規模の経済を効かせ、ユースケース開発やプロンプト設計は各国拠点で適応させ、AI人材の豊富な拠点に開発ハブを置いて裁定を効かせる、といった役割分担をAAAの言葉で整理できます。AIガバナンスは集約、現地規制対応は適応、という切り分けも実務上わかりやすいと思います。

3. I-Rグリッド（統合と現地適応）（Global Integration-Local Responsiveness Grid）

I-Rグリッドは、グローバル統合の圧力（コスト効率、標準化の必要性）と現地適応の圧力（各国の顧客ニーズ、規制）の2軸で事業を位置づけ、取るべき国際戦略の型を導くフレームワークです。バートレットとゴシャールが示したグローバル、マルチナショナル、インターナショナル、トランスナショナルという類型と組み合わせて使われることが多い、国際経営論の定番と言えます。

使い方の要点は次のとおりです。

1. 対象事業に働くグローバル統合圧力（規模の経済、技術標準など）を評価する
2. 現地適応圧力（嗜好の違い、規制、流通構造など）を評価する
3. 2軸のグリッド上に事業や機能をプロットする
4. 位置に応じて戦略の型と組織形態（本社集権か現地分権か）を選ぶ
5. 両方の圧力が高い場合は、統合と適応を両立するトランスナショナル型の仕組みを検討する

自動車産業は安全基準や規制対応と規模の経済の両方が求められるため、世界共通プラットフォームで統合しつつ地域ごとに仕様を適応させる「両にらみ」の戦略が典型例として知られています。

AIプロジェクトでは、「どこまで共通化し、どこから現場に委ねるか」を決める場面にそのまま応用できます。MLOps基盤やセキュリティポリシーは統合圧力が高く全社標準とすべき一方、需要予測モデルの特徴量設計や業務への組み込み方は現地適応が必要です。AIユースケースをこのグリッドにプロットすると、中央のAI組織と現場チームの役割分担を説明しやすくなります。

4. OLIパラダイム（折衷理論）（OLI / Eclectic Paradigm）

OLIパラダイムは、ジョン・ダニングが提唱した、企業が海外直接投資（現地生産や現地法人設立）に踏み切る条件を説明する理論です。所有優位（Ownership：技術やブランドなど自社固有の強み）、立地優位（Location：現地で事業を行う魅力）、内部化優位（Internalization：ライセンス供与より自社で行う方が得か）の3つがそろったときに、直接投資が正当化されると考えます。

使い方の要点は次のとおりです。

• 自社の所有優位（技術、ブランド、ノウハウなど）を特定する
• 候補国の立地優位（市場規模、コスト、資源、制度）を評価する
• その強みをライセンスや委託で切り出せるか、自社内に留めるべきかという内部化優位を検討する
• 3条件の充足状況に応じて、輸出、ライセンス供与、合弁、完全所有子会社などの参入形態を選ぶ

日本の製造業が1980年代以降に欧米で現地生産へ踏み切った動きは、貿易摩擦という立地要因に加え、すり合わせ型のものづくりのノウハウが契約では移転しにくいという内部化優位の強さで説明されるのが典型です。

AIプロジェクトでは、AI内製と外注の判断にほぼそのまま応用できます。自社データと業務知識という所有優位があり、それを外部に渡すと競争力が流出してしまう領域は内製し、汎用的な領域はSaaSや外部APIを使う、という切り分けの理屈立てに使えると考えています。海外拠点にAI開発チームを置くかどうかの検討でも、人材供給という立地優位と、ノウハウ流出リスクを併せて評価する枠組みになります。

5. ウプサラモデル（段階的国際化）（Uppsala Internationalization Model）

ウプサラモデルは、スウェーデンのウプサラ大学の研究者が提唱した、企業の国際化は市場知識の蓄積とともに段階的に深まっていくとするモデルです。不定期の輸出から始まり、代理店経由の輸出、現地販売子会社、現地生産へと関与を深め、心理的距離の近い国から遠い国へと展開していくパターンを説明します。

使い方の要点は次のとおりです。

1. 自社の国際化段階（輸出、代理店、販売子会社、現地生産）を市場ごとに棚卸しする
2. 各市場で蓄積された知識・実績と、次の段階に進むための条件を整理する
3. 心理的距離と学習の進み具合を踏まえ、関与を深める市場と維持にとどめる市場を選別する
4. 段階を上げる際のマイルストーンと撤退基準をあらかじめ定める

多くの日本メーカーがたどった「輸出から始めて現地販社、その後に現地工場」という道筋は、このモデルの典型例として知られています。近年はECやデジタルサービスにより初期段階を飛ばす「ボーングローバル」型のスタートアップも増えています。

AIプロジェクトでは、この「学習しながら段階的に関与を深める」考え方を社内展開計画にそのまま移植できます。1部門でのPoCから始めて、パイロット運用、部門本格導入、全社展開へと、各段階で得た知識（データ品質の実態、現場の受容性、運用コスト）を確認しながら投資を深める設計です。私はこの段階を飛ばして全社展開から入ろうとするプロジェクトほどつまずきやすいと感じています。

6. グローバル・バリューチェーン配置（Global Value Chain Configuration Framework）

このフレームワークは、研究開発、調達、生産、物流、販売、アフターサービスといったバリューチェーンの各活動を、世界のどこに、どの程度集中または分散して配置するかを設計するためのものです。活動ごとに「立地の比較優位」と「活動間の調整コスト」を天秤にかけ、全体最適な配置を考えます。

使い方の要点は次のとおりです。

1. 自社のバリューチェーンを主要活動に分解する
2. 各活動について、規模の経済が効くか、現地性が必要か、どの立地に優位があるかを評価する
3. 集中配置する活動と各市場に分散する活動を仕分けし、配置案を描く
4. 活動間の物流・情報・調整コストと、地政学リスクや供給途絶リスクを検証する
5. 関税、人件費、規制といった前提の変化を定期的に確認し、再配置を検討する

研究開発と基幹部品は国内に残し、組立は需要地や低コスト国で行うという配置は日本の電機・自動車産業で広く見られてきました。近年は地政学リスクや半導体供給の問題を受けて、生産拠点の分散や国内回帰を含む再配置の検討が各社で進んでいます。

AIプロジェクトでは、データ収集、基盤運用、モデル開発、検証、運用監視というAI活用の「バリューチェーン」を世界のどこに配置するかという設計にそのまま使えます。データは各国の規制上ローカルに置き、モデル開発は人材が集まる拠点に集約し、運用監視は時差を利用して複数拠点で回す、といった配置です。データレジデンシー要件とGPUリソースの偏在という制約の中で全体最適を考える際の思考の枠になります。

7. 市場参入モード選択（Market Entry Mode Choice Framework）

市場参入モード選択のフレームワークは、海外市場への参入形態（輸出、ライセンス供与、フランチャイズ、合弁、買収、完全所有子会社の新設など）を、コミットメントの大きさ、コントロールの強さ、リスク、必要資源の観点から比較して選ぶためのものです。参入形態はいったん選ぶと変更コストが大きいため、体系的な比較が重要になります。

使い方の要点は次のとおりです。

• 参入候補の形態をすべて列挙する
• 評価軸（投資額、コントロール、リスク、スピード、学習機会、撤退のしやすさ）を設定する
• 対象市場の特性（規制、パートナーの有無、知財保護の水準）を加味して各形態を採点する
• 上位案についてパートナー候補や必要資源を具体的に検討し、参入後の形態転換シナリオも併せて描いておく

規制の強い市場や商習慣の異なる市場では現地企業との合弁で参入し、事業が軌道に乗った段階で出資比率を高める展開は、日本企業の海外展開で広く見られるパターンです。近年は時間を買う手段としての海外M&Aによる参入も一般的になっています。

AIプロジェクトでは、AI能力の獲得方法の選択に同じ構造を適用できます。自社開発（完全所有に相当）、AIベンダーとの共同開発（合弁に相当）、SaaS利用（輸入に相当）、AIスタートアップへの出資・買収という選択肢を、コントロール、スピード、コスト、ノウハウ蓄積の軸で比較するのです。ユースケースの戦略的重要度が高いほどコントロールの強い形態を選ぶという考え方は、そのまま指針として使えると思います。

この章を深めたい方への参考書籍

パンカジュ・ゲマワット『コークの味は国ごとに違うべきか』（文藝春秋）。本章の中心に据えたCAGEフレームワークとAAA戦略の提唱者本人による著作で、グローバル化を「フラット化」で語る単純な議論に対して、距離という視点から反論を組み立てています。国際展開の意思決定を理論的に捉え直したい方に読んでいただきたい一冊です。

第13章 戦略プロセス・問題解決・意思決定

戦略の中身がどれだけ優れていても、それを導き出すプロセスと、決めたことを実行に移す仕組みが伴わなければ成果にはつながりません。本章で扱う15のフレームワークは「どう問題を捉えるか」「誰がどう決めるか」「決めたことをどう組織に浸透させるか」という、戦略の実行段階を支える道具立てです。イシューツリーやMECEのような思考の型から、RAPIDやRASCIのような役割分担の仕組み、コッターの8段階やADKARのような変革の理論まで、扱う対象は幅広いですが、いずれも経営の現場で長く使われてきた実践知だと感じます。

AIプロジェクトの文脈でこれらのフレームワークが効くのは、AI活用がまさに「課題設定」「意思決定」「組織変革」の3つを同時に要求する取り組みだからです。何をAI化すべきかを絞り込むにはイシューツリーやMECEが役立ち、PoCから本番投入への移行判断にはRAPIDやディシジョンクオリティが効き、現場にAIを定着させる段階ではコッターの8段階やロジャースの普及曲線が指針になります。AI導入の現場では、技術そのものよりもこうしたプロセスの設計不足でつまずいているケースの方が多いとさえ感じています。

本章では、コンサルティングファーム発の問題解決手法から、日本発の方針管理、社会心理学のフォースフィールド分析まで、出自の異なる15のフレームワークを紹介します。共通しているのは、どれも「良い戦略」を「良い実行」につなげるための橋渡し役だということです。

戦略の中身がどれだけ優れていても、それを導き出すプロセスと、決めたことを実行に移す仕組みが伴わなければ成果にはつながりません。「どう問題を捉えるか」「誰がどう決めるか」「どう組織に浸透させるか」が、この章の一貫した問いです。

フレームワーク	ひとことで言うと
イシューツリー	大きな問いを答えられる粒度のサブ論点に分解する
仮説思考による問題解決	仮の答えを先に立ててから検証に絞り込む
MECEの原則	モレなくダブりなく物事を分類する
ステークホルダーマッピング	影響力と関心度で関係者への対応を仕分ける
RAPID（意思決定権限のフレームワーク）	提案・合意・実行・助言・決定の5役を割り当てる
RASCI	タスクごとの責任・支援・相談・報告先を明確にする
ディシジョンクオリティ	良い意思決定を構成する6要素の鎖で質を診断する
インフルエンスマップ	意思決定者への非公式な影響の流れを可視化する
コッターの変革の8段階	危機意識から文化定着までの変革シナリオを描く
ADKARモデル	個人が変化を受け入れる5段階を診断・支援する
レヴィンのフォースフィールド分析	変化を推進する力と阻害する力の均衡を分析する
ロジャースのイノベーション普及曲線	採用者を5層に分けて普及の順序を設計する
戦略プランニングリズム	戦略の策定と見直しを定期サイクルに組み込む
方針管理	方針を全階層に展開しキャッチボールで浸透させる
マネジメント・フライトシミュレーター	経営判断を安全な環境で疑似体験し学習する

1. イシューツリー（Issue Tree）

イシューツリーは、大きな問題を「論点（イシュー）」の階層に分解し、ツリー状に構造化する思考ツールです。コンサルティングファームの問題解決の基本作法として広まり、日本ではロジックツリーの名称でも定着しています。漠然とした問いのままでは誰も動き出せませんが、答えを出せる粒度のサブイシューまで分解すると、分析と作業の分担が可能になります。

使い方の要点は次のとおりです。

1. 解くべき問い（トップイシュー）を疑問文の形で明確に定義する
2. トップイシューを、答えの構成要素となるサブイシューに分解する
3. 各サブイシューをさらに分解し、分析可能な粒度まで掘り下げる
4. 末端の論点ごとに、必要な分析やデータを特定する
5. インパクトの大きい枝から優先的に検証する

「売上が伸びない」という問題を「客数×客単価」に分解して原因を探るような分析は、業種を問わず日本企業の経営企画部門で日常的に行われています。

AIプロジェクトのテーマ選定において、イシューツリーは最も直接的に役立つツールだと思います。「利益を改善するには」という問いを「売上向上（需要予測、レコメンド）」「コスト削減（検品自動化、問い合わせ対応の効率化）」のように分解していくと、末端に現れる個々の論点がそのままAIユースケースの候補になります。各候補を「技術的実現性」「データの有無」「期待効果」で評価すれば、優先順位付けまで一気通貫で設計できます。

2. 仮説思考による問題解決（Hypothesis-driven Problem Solving）

仮説思考は、網羅的に調べてから結論を出すのではなく、早い段階で「おそらくこうではないか」という仮の答え（仮説）を立て、その検証に絞って分析を進めるアプローチです。ボストン コンサルティング グループ出身の内田和成氏の著書を通じて、日本のビジネスパーソンにも広く浸透した考え方だと思います。

使い方の要点は次のとおりです。

1. 手元の情報と経験から、現時点で最も確からしい仮の答えを立てる
2. 仮説が正しい場合に成り立つはずの条件を洗い出す
3. その条件を検証するために必要な最小限の分析・データ収集を行う
4. 検証結果をもとに仮説を修正、または棄却して次の仮説へ進む
5. 検証に耐えた仮説を結論として提言にまとめる

新規事業の検討や営業戦略の立案で、「まず仮説、次に検証」というサイクルを回す進め方は、多くの日本企業で標準的な作法になっています。

AIプロジェクトはこの仮説検証サイクルそのものだと感じます。「過去の受注データから成約確度を予測できるはずだ」という仮説を立て、PoC（概念実証）で小規模に検証し、精度と業務効果を確認してから本格展開する流れは、仮説思考の実践に他なりません。モデル開発でも「この特徴量が効くはずだ」という仮説を先に立てて実験する姿勢が、闇雲な試行錯誤を防ぎ、開発期間の短縮につながります。

3. MECE（ミーシー）の原則（MECE Principle）

MECEはMutually Exclusive, Collectively Exhaustiveの頭文字で、「モレなく、ダブりなく」物事を分類する原則です。問題の分解や選択肢の整理において、重複による混乱と見落としによるリスクの両方を防ぐための基本作法として、ロジカルシンキングの土台に位置づけられています。

使い方の要点は次のとおりです。

• 分類したい対象の全体集合を定義する
• 切り口（軸）を選ぶ。年齢別、プロセス順、社内外などが典型
• 分類項目の間に重複がないかを確認する
• 全項目を合わせて全体をカバーできているかを確認する
• 重複や漏れがあれば切り口を見直す

ロジカルシンキング研修の定番項目として日本の大手企業の階層別研修に広く組み込まれており、「この分類はMECEか」という確認が経営企画や品質管理の現場で日常語になっている印象があります。

AIユースケースの棚卸しでMECEを意識すると、検討の質が大きく変わります。業務プロセスを「受注、生産、物流、販売、アフターサービス」と漏れなく分けたうえで各工程のAI適用可能性を評価すれば、特定部門への偏りや有望領域の見落としを防げます。学習データの設計でも、顧客層や商品カテゴリをMECEに分けてデータの偏りを点検することが、精度と公平性の担保につながります。

4. ステークホルダーマッピング（Stakeholder Mapping）

ステークホルダーマッピングは、プロジェクトや戦略に影響を与える利害関係者を洗い出し、影響力と関心度などの軸で分類して、それぞれへの関与方針を決めるためのフレームワークです。関係者対応の優先順位を可視化し、限られた時間を重要な相手に集中させる目的で使われます。

使い方の要点は次のとおりです。

1. プロジェクトに関わる利害関係者を社内外問わず洗い出す
2. 各ステークホルダーを「影響力」と「関心度」の2軸で評価する
3. 4象限に配置し、「重点管理」「満足の維持」「情報提供」「監視」などの関与方針を割り当てる
4. 重要なステークホルダーごとにコミュニケーション計画を立てる
5. プロジェクトの進行に応じて配置を見直す

合意形成を重視する日本の組織文化と親和性が高く、いわゆる「根回し」を体系化したツールとして、大規模なシステム導入や組織再編の場面で活用されています。

AI導入は現場の業務を変えるため、関係者の抵抗がプロジェクト失敗の主因になりがちです。導入前に、経営層、DX推進部門、現場管理職、実際にツールを使う担当者、情報システム部門、法務などをマッピングし、特に「影響力が高く関心が低い層」への早期の啓発や「現場のキーパーソン」の巻き込みを計画することで、PoC止まりを防ぎ全社展開への道筋を作れると思います。

5. RAPID（意思決定権限のフレームワーク）（RAPID Decision-rights Framework）

RAPIDは、ベイン・アンド・カンパニーが提唱した、意思決定に関わる5つの役割を明確にするフレームワークです。提案する人（Recommend）、合意する人（Agree）、実行する人（Perform）、情報を提供する人（Input）、決める人（Decide）を事前に割り当て、意思決定の停滞や責任の曖昧さを解消することを狙いとします。

使い方の要点は次のとおりです。

• 組織で頻繁に発生する重要な意思決定の種類を特定する
• 各決定について、R・A・P・I・Dの担い手を割り当てる
• Dは原則1人に絞り、AとIが多すぎないかを点検する
• 割り当てを関係者に周知し、実際の意思決定で運用する

稟議や全会一致の慣行により意思決定が遅くなりがちな日本企業にとって示唆の多いフレームワークで、本社と海外拠点のどちらに決定権があるかを明確にする際などに使われています。

AIプロジェクトでは「モデルの本番投入を誰が承認するのか」「精度とリリース時期のトレードオフを誰が決めるのか」が曖昧なまま進み、停滞するケースが目立ちます。データサイエンティストがR、現場部門とリスク管理部門がA、事業責任者がDといった形で事前に権限を設計しておくと、PoCから本番展開への移行判断が格段に速くなると感じます。

6. RASCI（RASCI Framework）

RASCIは、業務やタスクごとに、実行責任者（Responsible）、説明責任者（Accountable）、支援者（Support）、相談先（Consulted）、報告先（Informed）を整理する役割分担マトリクスです。RACIにS（支援）を加えた拡張版で、プロジェクト体制の設計に広く使われています。

使い方の要点は次のとおりです。

1. プロジェクトの主要なタスクや成果物を縦軸に列挙する
2. 関係する役職・部門を横軸に並べる
3. 各セルにR、A、S、C、Iを割り当てる
4. Aが各タスクに必ず1人だけ存在するか、Rが不在のタスクがないかを点検する
5. 関係者と合意し、体制図とともに運用する

部門横断プロジェクトで責任の所在が曖昧になりやすい日本企業では、システム開発や新製品開発のプロジェクト憲章にRACIまたはRASCIの表を含めることが一般的になっています。

AIプロジェクトは、データサイエンティスト、データエンジニア、現場業務の担当者、情報システム部門、法務・コンプライアンスと関係者が多岐にわたるため、RASCIによる体制設計がほぼ必須だと感じます。「学習データの品質確保」は現場部門がR、DX推進部がA、IT部門がS、「モデルの倫理審査」は法務がCといった形で明文化しておくと、運用開始後のデータ更新やモデル監視の担当が宙に浮く事態を防げます。

7. ディシジョンクオリティ（意思決定の質の連鎖）（Decision Quality Chain）

ディシジョンクオリティは、意思決定理論の研究から生まれた、「良い意思決定」を構成する6つの要素を鎖として捉えるフレームワークです。適切な問題設定、創造的な選択肢、意味のある情報、明確な価値基準、正しい論理、実行へのコミットメントの6要素がすべて揃って初めて質の高い決定になる、という考え方です。

使い方の要点は次のとおりです。

1. 下そうとしている意思決定の枠組み（何を決めるのか）を明確にする
2. 検討している選択肢が十分に幅広いかを確認する
3. 判断に使う情報の信頼性と、価値基準（何を重視するか）を点検する
4. 選択肢と情報から結論を導く論理に飛躍がないかを検証する
5. 実行に移す体制と関係者の納得を確認し、最も弱い要素を補強する

石油開発や医薬品開発のように不確実性の大きい投資判断を扱う業界で参照される枠組みで、日本でも大型設備投資やM&Aの稟議で「選択肢は十分検討したか」を確認する運用がこの実践例といえます。

AI投資の意思決定は不確実性が高く、結果論での評価に陥りがちです。ROI試算の場面でこの鎖を使い、「そもそも解くべき課題設定は適切か」「AI以外の選択肢（ルールベース、業務改善）も比較したか」「精度検証データは信頼できるか」「費用対効果の判断基準は事前に合意されているか」を順に点検すれば、期待だけが先行するAI投資の失敗を減らせると思います。

8. インフルエンスマップ（Influence Map）

インフルエンスマップは、意思決定者に対して「誰が、どの程度の影響を与えているか」という影響力の流れを図示するツールです。公式な組織図には現れない実質的な力関係を可視化し、合意形成の働きかけルートを設計するために使います。

使い方の要点は次のとおりです。

• 最終的な意思決定者と、決定に関わる関係者を洗い出す
• 誰が誰に影響を与えているかを矢印で結び、影響の強さを表現する
• 意思決定者への影響力が特に強いインフルエンサーを特定する
• 各キーパーソンの立場（賛成、中立、反対）を評価する
• 影響力のある賛成者を経由した働きかけの順序を計画する

法人営業の世界で顧客組織の攻略図として使われることが多いツールで、決裁権を持つ役員だけでなく、その役員が信頼を寄せる現場のベテランなど「実質的な影響者」を把握する場面で活用されています。

AI導入の社内承認を得る際、決裁者である役員が誰の意見を重視するかを見極めることは極めて実践的です。現場を知り尽くした工場長や、過去のシステム導入で苦労した情報システム部長が実質的な影響者であれば、その人たちにまずPoCの結果を丁寧に説明し味方につけることで、経営会議での承認がスムーズになります。導入後の現場浸透でも、現場のインフルエンサーの特定に応用できるツールだと思います。

9. コッターの変革の8段階（Kotter’s Eight Steps for Change）

コッターの変革の8段階は、ハーバード・ビジネススクールのジョン・コッター教授が提唱した、組織変革を成功に導くための8段階のプロセスです。危機意識の醸成から始まり、変革を推進する連帯チームの結成、ビジョンの策定と周知、短期的成果の創出を経て、変革を企業文化に定着させるまでの道筋を示します。

使い方の要点は次のとおりです。

1. 危機意識を高め、変革の必要性を組織で共有する
2. 変革を推進する力のある連帯チームを結成する
3. 変革のビジョンと戦略を策定する
4. ビジョンをあらゆる手段で周知徹底する
5. 従業員の自発的な行動を妨げる障害を取り除く
6. 短期的成果を意図的に作り出して祝う
7. 短期的成果を足がかりに、手を緩めずさらなる変革を推進する
8. 新しいやり方を企業文化として定着させる

著書「企業変革力」の邦訳を通じて日本でも広く知られ、経営トップが危機感を繰り返し発信し、部門横断の変革推進室を設けて早期に成果を出すという進め方は、日本の大企業の変革プログラムでも定石となっています。

全社的なAI活用の推進は、まさに組織変革だと感じます。「競合がAIで先行している」という危機意識の共有から始め、経営層をスポンサーとする推進チームを組成し、「AIで業務のあり方を変える」というビジョンを打ち出したうえで、成果の出やすい業務で短期的成功を作り、社内に横展開する。この8段階に沿って計画すれば、一部門のPoCで終わらない全社的なAI浸透を設計できます。

10. ADKARモデル（ADKAR Change Management Model）

ADKARモデルは、チェンジマネジメント専門企業Prosci社が開発した、個人の変化に焦点を当てた変革モデルです。人が変化を受け入れるには、認知（Awareness）、欲求（Desire）、知識（Knowledge）、能力（Ability）、定着（Reinforcement）の5要素が順に満たされる必要があると考えます。

使い方の要点は次のとおりです。

1. 変革の対象者に「なぜ変わる必要があるのか」を伝え、認知を作る
2. 変化が本人にとってもメリットになることを示し、参加への欲求を高める
3. 新しいやり方に必要な知識を研修や情報提供で身につけてもらう
4. 実践とコーチングを通じて、知識を実際に使える能力に変える
5. 評価や称賛の仕組みで新しい行動を定着させる

外資系企業や大手企業のDX部門を中心に、システム刷新や働き方改革の浸透施策を設計する際のチェックリストとして使われるようになっています。

AIツールを導入しても現場で使われない問題は、ADKARで診断すると原因が見えてきます。認知（なぜAIを使うのか腹落ちしていない）、欲求（自分の仕事が奪われる不安が勝っている）、知識（操作研修が不十分）、能力（実務での使い方を練習する機会がない）、定着（使わなくても評価に影響しない）のどこに詰まりがあるかを特定し、要素ごとに施策を打つことで、AI活用の定着率を高められると思います。

11. レヴィンのフォースフィールド分析（Lewin’s Force Field Analysis）

フォースフィールド分析は、社会心理学者クルト・レヴィンが提唱した、変化を「推進する力」と「阻害する力」のせめぎ合いとして捉える分析手法です。現状はこの2つの力が均衡した状態であり、変化を起こすには推進力を強めるか阻害力を弱めるかが必要だと考えます。

使い方の要点は次のとおりです。

• 実現したい変化（あるべき姿）を明確に定義する
• 変化を後押しする推進力を洗い出す（経営の意志、競争圧力など）
• 変化を妨げる阻害力を洗い出す（現場の不安、スキル不足、既存システムなど）
• 各要因の強さを評価し、図の左右に矢印で可視化する
• 阻害力を弱める施策を優先的に検討し、実行計画に落とす

組織開発や人事の分野で古くから知られる古典的手法で、管理職研修のワークショップ教材として定番になっています。業務改革の企画段階で「現場が抵抗する合理的な理由」を書き出して対策を練る使い方は、ボトムアップの合意形成を重んじる日本の組織風土に馴染みやすいとされています。

AI導入プロジェクトの企画段階でこの分析を行うと、推進力（経営のDX方針、人手不足、競合の動向）と阻害力（データ整備の負担、雇用への不安、過去のシステム導入の失敗体験、ブラックボックスへの不信）が整理できます。私が重要だと感じるのは、推進力を叫ぶことよりも阻害力を一つずつ弱めることです。説明可能なAIの採用や段階的な導入は、抵抗要因に対応した設計の一例です。

12. ロジャースのイノベーション普及曲線（Rogers Diffusion of Innovations Curve）

イノベーション普及曲線は、社会学者エベレット・ロジャースが提唱した、新しい技術や考え方が社会に広まる過程を説明する理論です。採用者をイノベーター、アーリーアダプター、アーリーマジョリティ、レイトマジョリティ、ラガードの5層に分類し、普及が段階的に進むことを示します。

使い方の要点は次のとおりです。

1. 普及させたい製品・技術・施策の対象者全体を定義する
2. 対象者を5つの採用者層に分類し、それぞれの特徴を把握する
3. まずイノベーターとアーリーアダプターを特定し、集中的に働きかける
4. 初期採用者の成功事例を作り、実利を重視するマジョリティ層への説得材料にする
5. 層ごとにメッセージと支援策を変えながら普及を進める

マーケティングの基礎理論として日本でも広く知られ、ジェフリー・ムーアの「キャズム理論」とあわせて語られる共通言語になっています。社内改革でも「まず感度の高い部署で成功事例を作り、横展開する」という日本企業の定石はこの理論と整合的です。

社内でのAIツール展開は、この曲線に沿って設計すると失敗が減ると感じます。最初から全社一斉導入を目指すのではなく、新しい技術に前向きな部署や個人（アーリーアダプター）を見つけてパイロット導入し、その成功体験と実利のエビデンスを揃えてから慎重な多数派に展開します。多数派には「便利そう」ではなく「あの部署で残業が減った」という実績ベースの訴求が効くことを、この理論は教えてくれます。

13. 戦略プランニングリズム（Strategic Planning Rhythm）

戦略プランニングリズムは、戦略の策定と見直しを、年次・四半期・月次といった定期的なサイクル（リズム）として組織に組み込む考え方です。戦略立案を年に一度のイベントで終わらせず、環境変化に応じて仮説を検証し軌道修正する継続的なプロセスにすることを目指します。

使い方の要点は次のとおりです。

• 年次サイクルで中期戦略の見直しと翌年度計画の策定を行う
• 四半期サイクルで戦略の進捗をレビューし、施策の優先順位を調整する
• 月次サイクルでKPIをモニタリングし、実行上の課題に対処する
• 各会議体の目的、参加者、意思決定事項を明確に定義する
• 重大な環境変化があった場合の臨時見直しのトリガー条件を決めておく

日本企業の多くは中期経営計画と年度予算のサイクルを持っていますが、近年は中計をローリング方式で毎年見直したり、四半期ごとの戦略レビューを導入したりする企業が増えています。

AI活用の推進にも独自のリズム設計が有効です。四半期ごとにAIユースケースのポートフォリオ（検討中、PoC中、本番運用中）を棚卸しして投資の継続・撤退を判断し、月次でモデルの精度と業務KPIをモニタリングし、年次でAI戦略全体を技術動向に照らして見直す、という三層のサイクルが考えられます。生成AIのように進化の速い領域では、この定期的な見直しの仕組みがないと投資が急速に陳腐化してしまいます。

14. 方針管理（Hoshin Kanri）

方針管理は、経営方針を全社の各階層に展開し、部門・個人の実行計画にまで落とし込んで、その達成をPDCAサイクルで管理する日本発のマネジメント手法です。トップの方針と現場の活動を「キャッチボール」と呼ばれる双方向の対話でつなぐ点に特徴があります。

使い方の要点は次のとおりです。

1. 経営トップが中長期ビジョンに基づく年度の重点方針を定める
2. 各部門が方針を受けて自部門の目標と実行計画を立案する
3. 上位者と下位者が対話（キャッチボール）を重ね、目標と手段の整合を取る
4. 実行段階では定期的に進捗を確認し、差異の原因を分析する
5. 期末に総括を行い、翌年度の方針策定に反映する

1960年代の日本の品質管理活動から生まれた手法で、トヨタ自動車をはじめとする日本の製造業で発展したことで知られています。TQMの中核要素として国内製造業に定着しているほか、リーン経営の一部として欧米企業に逆輸入され、Hoshin Kanriの名で世界的に使われている点も特筆されます。

AI活用を全社方針に据える場合、方針管理の仕組みに乗せることで「掛け声だけのDX」を防げます。「データドリブン経営への転換」という社長方針を、製造部門は「検査工程の自動化による不良流出削減」、営業部門は「需要予測に基づく提案活動」のように具体的な目標へ展開し、キャッチボールを通じて現場の実態に合ったAIテーマを選定するのです。方針管理に慣れた製造業であれば、既存の仕組みにAI目標を組み込むだけで推進体制を作れる点も利点だと思います。

15. マネジメント・フライトシミュレーター（Management Flight Simulators）

マネジメント・フライトシミュレーターは、システムダイナミクスの理論に基づき、経営環境をコンピュータ上でモデル化し、経営者が意思決定を疑似体験できるシミュレーション環境です。パイロットがフライトシミュレーターで訓練するように、実際の失敗コストを負わずに経営判断の練習と学習ができます。

使い方の要点は次のとおりです。

1. 学習させたい経営課題（在庫管理、事業投資、市場競争など）を選ぶ
2. 課題の因果構造をシステムダイナミクスの手法でモデル化する
3. 参加者が意思決定を入力し、結果を確認できるインターフェースを用意する
4. 参加者に複数回プレイさせ、失敗とその原因を振り返らせる
5. シミュレーションで得た洞察を実際の経営判断にどう活かすか議論する

MITのシステムダイナミクス研究から生まれた「ビールゲーム」（ジョン・スターマン教授らの研究・教育を通じて広く知られるようになりました）は日本でも有名で、企業研修や大学院教育で広く実施されています。仮想企業の経営判断を競うビジネスシミュレーション研修も、次世代リーダー選抜プログラムの定番として浸透しています。

AIとの親和性が特に高いフレームワークだと感じます。デジタルツイン（現実の工場やサプライチェーンの仮想的な複製）を構築すれば、AIによる生産計画や在庫施策の効果を実環境に影響を与えずに検証できます。経営層向けのAIリテラシー教育として「AI投資の判断を疑似体験するシミュレーション」を用いれば、データ整備の先行投資が遅れて効いてくる構造など、AI経営特有の時間遅れを体感的に理解してもらえます。強化学習のようにシミュレーション環境そのものがAIの学習基盤になるケースもあり、両者は相互に強化し合う関係にあります。

この章を深めたい方への参考書籍

安宅和人『イシューからはじめよ』（英治出版）。イシューツリーの考え方を、単なる分解の技法ではなく「そもそも解くべき問いは何か」という一段上の視点から掘り下げた一冊です。AIプロジェクトのテーマ選定に悩んだときに立ち返る本として、繰り返し読む価値があると思います。

内田和成『仮説思考』（東洋経済新報社）。ボストン コンサルティング グループでの経験をもとに、仮説を起点に問題解決を進める思考法を平易に解説しています。PoCを回すAIプロジェクトの進め方そのものと重なる部分が多く、実務への橋渡しとして参考になります。

ジョン・コッター『企業変革力』（日経BP）。本章で紹介した変革の8段階の原典であり、変革がなぜ途中で失敗するのかを豊富な実例とともに描いています。全社的なAI推進を「組織変革」として捉え直したい経営層・DX推進担当者に読んでいただきたい一冊です。

第14章 社会的インパクト・ESG・公共価値

「そのAI投資は、コスト削減以外に何を生み出すのか」。経営会議でこの問いを突きつけられて、答えに詰まった経験のある方は少なくないと思います。人件費削減や業務時間短縮といった財務指標だけでROIを語れる時代は終わりつつあり、環境負荷、従業員の働きがい、顧客や地域社会への影響まで含めて投資判断を説明する場面が増えています。本章で扱う10のフレームワークは、こうした「財務指標だけでは語り切れない価値」を、曖昧な精神論に終わらせずに設計・測定・伝達するための道具立てです。

共通しているのは、価値を単一の軸ではなく複数のステークホルダーや複数の時間軸から捉え直すという発想です。トリプルボトムラインやステークホルダー資本主義のように経営全体の評価軸を広げるものもあれば、セオリー・オブ・チェンジやSROIのように、個別のプロジェクトが本当に社会に効いているのかを因果や金額で検証するものもあります。ESGマテリアリティ・マトリクスやSDGsマッピングのように、無数にある課題の中から自社が本気で取り組むべきものを絞り込む「優先順位付けの技術」も含まれています。

AIプロジェクトの文脈では、こうしたフレームワークは主に3つの場面で効いてきます。ひとつはテーマ選定です。効率化案件に偏りがちなAI活用の候補リストに、社会課題起点の視点を持ち込むことで、経営層の共感を得やすいポートフォリオを組めます。もうひとつは優先順位付けで、限られたリソースをどのAI施策に投じるべきかを、経営インパクトと現場・社会にとっての重要度という複数軸で判断できます。そして三つ目はROI試算と効果検証で、単純なコスト削減では正当化しづらいAI投資に対して、社会的便益や非財務的な価値を含めた説明材料を用意できます。公共性の高いAI導入案件ではROIの説明に苦労する場面が少なくないため、この章のフレームワークが大きな助けになると考えています。

財務指標だけでROIを語れる時代は終わりつつあり、環境負荷や従業員の働きがい、社会への影響まで含めて投資判断を説明する場面が増えています。この章の道具立ては、そうした価値を曖昧な精神論に終わらせず設計・測定するためのものです。

フレームワーク	ひとことで言うと
トリプルボトムライン	企業の成果を経済・社会・環境の3軸で評価する
CSV（共通価値の創造）	社会課題の解決と競争力強化を本業で同時に実現する
ESGマテリアリティ・マトリクス	無数のESG課題から自社の重要課題を2軸で絞り込む
セオリー・オブ・チェンジ	目指す変化から逆算し、活動と成果の因果を可視化する
ロジカル・フレームワーク・アプローチ	目標体系と指標・外部条件を1枚のマトリクスに整理する
SROI（社会的投資収益率）	投入資源に対する社会的価値を貨幣価値で示す
コレクティブ・インパクト	セクターを越えた組織が共通アジェンダで協働する
SDGsマッピング	事業活動をSDGsの17目標に対応づけ、機会と負の影響を可視化する
インパクト・マネジメント・プロジェクトの5次元	What・Who・How Much・Contribution・Riskでインパクトを記述する
ステークホルダー資本主義	株主だけでなく全ステークホルダーへの価値創出を経営指標に据える

1. トリプルボトムライン（Triple Bottom Line）

トリプルボトムラインは、企業の成果を「経済（Profit）」「社会（People）」「環境（Planet）」の3つの軸で評価する考え方です。1994年にジョン・エルキントンが提唱し、財務指標だけでは捉えきれない企業価値を可視化する枠組みとして、サステナビリティ経営の原点に位置づけられています。財務偏重の意思決定を是正し、環境・社会への影響を経営指標に組み込める点、統合報告書やサステナビリティレポートの構成原理として使いやすい点が評価されており、日本でも統合報告書を発行する上場企業を中心に、財務情報と非財務情報を併せて開示する実務の土台としてこの3軸の発想が広く浸透しています。

使い方の要点は次のとおりです。

• 経済・社会・環境それぞれの軸で、自社事業が生み出す価値と負の影響を洗い出す
• 各軸の評価指標（利益、雇用の質、CO2排出量など）を定義する
• 現状値を測定し、軸ごとの目標を設定する
• 3軸のバランスを踏まえて事業計画や投資判断に反映する
• 定期的に測定・開示し、改善サイクルを回す

AI導入テーマの優先順位付けにこの3軸評価を持ち込むと、コスト削減効果（経済）だけでなく、従業員の負荷軽減（社会）や電力消費・データセンター負荷（環境）まで含めた総合判断ができます。特に生成AIは推論コストと環境負荷の議論が進んでいるため、ROI試算に環境軸を加えることで、経営層への説明に説得力が増すと感じています。3つの軸を並べるだけで議論の抜け漏れが減るのは、シンプルな枠組みならではの強みだと思います。

2. CSV（共通価値の創造）（Shared Value Framework）

CSVは、社会課題の解決と企業の競争力強化を同時に実現することを目指す枠組みで、マイケル・ポーターとマーク・クラマーが2011年に提唱しました。慈善活動としてのCSRとは異なり、本業の事業戦略そのもので社会価値と経済価値を両立させる点が特徴です。社会貢献をコストではなく成長機会・差別化要因として捉え直せること、「製品と市場の見直し」「バリューチェーンの生産性再定義」「地域クラスターの形成」という3つの実践経路が示されており具体策に落としやすいことがメリットとして挙げられます。日本ではキリングループがCSVを経営の中核に据えた企業として知られ、健康や地域社会をテーマにした商品・事業開発を展開しています。

• 自社の事業と接点のある社会課題を洗い出す
• 「製品・市場」「バリューチェーン」「地域クラスター」の3経路のどこで価値を創れるか検討する
• 社会価値と経済価値の両方のKPIを設定する
• 事業計画に組み込み、通常の事業評価と同じサイクルで進捗を管理する

AIプロジェクトのテーマ選定でCSVの視点を使うと、社内効率化に偏りがちな案件リストに、社会課題起点のテーマ（高齢化に対応した見守りAI、フードロス削減の需要予測など）を加えられます。社会価値と経済価値の2軸でユースケースを整理すれば、経営層の共感を得やすい優先順位付けが可能になります。効率化一辺倒の提案よりも、社会性を織り込んだ提案のほうが結果的に社内の推進力を得やすいというのは、実務でもよく感じるところです。

3. ESGマテリアリティ・マトリクス（ESG Materiality Matrix）

ESGマテリアリティ・マトリクスは、数多くあるESG課題の中から自社にとって重要度の高い課題（マテリアリティ）を特定するためのフレームワークです。縦軸に「ステークホルダーにとっての重要度」、横軸に「自社事業への影響度」を取り、課題をマッピングして優先順位を決めます。限られたリソースを重要なESG課題に集中投下できること、投資家や評価機関への説明において課題選定の根拠を示せることが強みです。日本の上場企業では統合報告書やサステナビリティサイトでの開示が半ば標準的な実務になっており、財務影響と社会・環境影響の双方を評価する「ダブルマテリアリティ」を採用する企業も増えています。

• GRIスタンダードやSASB等を参照し、ESG課題の候補リストを作成する
• 投資家・顧客・従業員など各ステークホルダーへの調査や対話で、外部視点の重要度を評価する
• 経営陣・事業部門とともに、自社の事業・財務への影響度を評価する
• 2軸のマトリクスに配置し、右上（両軸とも高い）の課題をマテリアリティとして特定する
• 特定した課題ごとにKPIと目標を設定し、定期的に見直す

AI活用テーマの棚卸しにこのマトリクスを転用すると、「経営インパクト」と「現場・顧客にとっての重要度」の2軸でユースケースを整理でき、声の大きい部門の案件が優先されがちな状況を是正できます。また、AIガバナンス上のリスク課題（バイアス、プライバシー、説明可能性）の優先順位付けにも同じ構造がそのまま使えるのは、このフレームワークの応用範囲の広さだと思います。

4. セオリー・オブ・チェンジ（変化の理論）（Theory of Change）

セオリー・オブ・チェンジは、目指す社会的な変化（最終ゴール）から逆算して、何をすればどういう経路で変化が起きるのかを因果の連鎖として明示するフレームワークです。活動、アウトプット、アウトカム、インパクトのつながりと、その背後にある前提条件を可視化します。活動が最終ゴールにどう結びつくのかという因果の仮説を関係者間で共有でき、前提条件を明示するため計画の弱点や検証すべき仮説が見えやすくなる点が特徴です。日本ではNPOや財団、ソーシャルビジネスの事業設計で使われてきたほか、休眠預金活用事業などの資金分配の枠組みで、資金を受ける団体にこのロジックの提示が求められる場面があることでも知られています。

• 最終的に実現したい変化（長期アウトカム・インパクト）を定義する
• そこから逆算して、必要な中間アウトカムを段階的に特定する
• 各アウトカムを生み出すための活動とアウトプットを設計する
• 因果の各つながりが成立するための前提条件・外部条件を書き出す
• 検証可能な指標を設定し、実行しながら仮説を検証・修正する

AI導入の企画段階で「モデルを作れば業務が良くなる」という飛躍を防ぐのに有効です。「精度何%のモデル（アウトプット）から現場の判断時間短縮（中間アウトカム）、顧客対応品質の向上（最終アウトカム）へ」という因果経路と、現場がAIの提案を実際に使うといった前提を明示すれば、PoC止まりの原因を事前に洗い出し、効果測定の設計まで一貫させられます。PoCで止まってしまうAI案件の多くは、この因果の飛躍を放置していることが原因だと感じています。

5. ロジカル・フレームワーク・アプローチ（Logical Framework Approach）

ロジカル・フレームワーク・アプローチは、プロジェクトの目標体系を「上位目標・プロジェクト目標・成果・活動」の階層で整理し、指標・入手手段・外部条件とともに1枚のマトリクス（ログフレーム）にまとめる計画・管理手法です。国際開発協力の分野で標準的に使われてきました。目標から活動までの論理構造が1枚で俯瞰でき計画の抜け漏れを検出しやすいこと、各階層に検証指標と入手手段を紐づけるため評価・モニタリングが体系化されること、外部条件（前提リスク）を明記する習慣がつきリスク管理が強化されることがメリットです。日本ではJICAのODAプロジェクトの計画・評価手法（PCM手法）として長年使われてきたことで知られています。

• 関係者分析と問題分析（問題系図の作成）で課題の因果構造を把握する
• 問題を目的に読み替え、目的系図から目標体系を設計する
• 上位目標・プロジェクト目標・成果・活動をログフレームの各行に記述する
• 各階層に客観的に検証可能な指標と、その入手手段を設定する
• 外部条件を記入し、実行中は指標と条件を定期的にモニタリングする

AI導入計画をログフレーム化すると、「活動：データ整備とモデル開発」「成果：需要予測システムの稼働」「プロジェクト目標：欠品率の削減」「上位目標：顧客満足と収益の向上」といった階層と指標が1枚に揃い、経営報告や外部パートナーとの合意形成に使えます。外部条件の欄に「データ品質が確保されること」「現場の運用定着」を明記することで、AI特有のリスクを計画段階から管理できる点が実務的だと思います。

6. SROI（社会的投資収益率）（Social Return on Investment）

SROIは、投入した資源に対してどれだけの社会的価値が生まれたかを貨幣価値に換算して評価する手法です。「投資1に対して社会的価値がいくら創出されたか」という比率で表現するため、社会的成果を投資対効果の言葉で語れるようになります。定性的になりがちな社会的成果を金額換算で比較・伝達できること、資金提供者や経営層に対して社会的事業の価値を説明しやすいことが強みです。日本では自治体の事業評価や、企業の社会貢献活動・ソーシャルビジネスの成果測定で導入が試みられており、ソーシャル・インパクト・ボンド（SIB）型の官民連携事業の評価文脈で言及されることが多い手法です。

• 評価の範囲と主要なステークホルダーを特定する
• ステークホルダーごとに、活動がもたらした変化（アウトカム）を洗い出す
• 各アウトカムに指標を設定し、金銭的な代理指標（プロキシ）で貨幣価値換算する
• 死荷重（活動がなくても起きた変化）や他要因の寄与を割り引く
• 総便益を総投入で割ってSROI比率を算出し、感度分析とともに報告する

公共性の高いAI導入（自治体の相談対応AI、医療・介護分野の業務支援AIなど）のROI試算にSROIの発想を取り入れると、直接的なコスト削減に加えて、住民の時間節約や職員の負担軽減といった便益を貨幣換算して示せます。単純な人件費削減だけでは正当化しにくいAI投資の意思決定材料を厚くできる点が、実務上の大きな利点だと感じています。

7. コレクティブ・インパクト（Collective Impact Framework）

コレクティブ・インパクトは、単一の組織では解決できない複雑な社会課題に対し、セクターを越えた複数の組織が共通のアジェンダのもとで協働するための枠組みです。2011年にジョン・カニアとマーク・クラマーが提唱し、「共通のアジェンダ」「共有された測定システム」「相互に補強し合う活動」「継続的なコミュニケーション」「バックボーン組織」の5条件で知られています。個別最適に陥りがちな社会課題への取り組みを関係者全体の連携として設計できること、共通の測定システムにより協働の成果を客観的に確認できることがメリットです。日本では地方創生や子どもの貧困、健康まちづくりといったテーマで、自治体・企業・NPOが連携する地域プロジェクトの設計思想として参照されることが多い枠組みです。

• 課題に関わる企業・行政・NPO・住民などの関係者を特定し、対話の場を作る
• 目指す状態と課題認識をすり合わせ、共通のアジェンダを策定する
• 成果を測る共通指標と測定の仕組みを合意する
• 各組織の強みを活かした役割分担（相互補強的な活動）を設計する
• バックボーン組織を定め、継続的な対話と進捗確認を運営する

業界横断のデータ連携基盤や、地域のスマートシティ・防災AIのように複数組織のデータと協力が不可欠なプロジェクトの体制構築に応用できます。共通アジェンダとしての課題定義、共有KPI、データ連携のルール整備、そして推進事務局（バックボーン組織）の設置という5条件は、企業間データコラボレーションの成功要件とほぼ重なると感じており、体制設計の初期段階で参照する価値が高いフレームワークです。

8. SDGsマッピング（Sustainable Development Goals Mapping）

SDGsマッピングは、国連の持続可能な開発目標の17目標・169ターゲットに対して、自社の事業活動や製品・サービスがどこに貢献し、どこに負の影響を与えうるかを対応づける手法です。事業とグローバル目標の接点を可視化し、戦略や開示に活かします。世界共通の言語であるSDGsを使うため社内外への発信力が高いこと、貢献分野だけでなく負の影響も棚卸しすることでリスク管理につながることが特徴です。日本では経団連の企業行動憲章がSDGs達成を柱に据えて以降、大手企業を中心に中期経営計画やレポートで自社事業とSDGsの対応表を示すことが一般的な実務になっています。

• バリューチェーン全体を対象に、事業活動と17目標・関連ターゲットの接点を洗い出す
• 正の貢献と負の影響の両面で対応づけを行う
• 影響の大きさと自社の強みを踏まえ、注力する目標を絞り込む
• 注力目標に対するKPIと目標値を設定する
• 統合報告書やウェブサイトで対応関係と進捗を開示する

AIユースケースの候補リストをSDGsの目標に対応づけると、効率化案件に偏りがちなポートフォリオに社会課題解決型のテーマ（エネルギー最適化、フードロス削減、教育アクセス改善など）を組み込む視点が得られます。また、サステナビリティ報告に「AIによる貢献」を記載する際の整理軸としても機能し、DX部門とサステナビリティ部門の連携のきっかけになります。既存事業に17色のアイコンを貼るだけの「SDGsウォッシュ」に陥らないよう、重点目標の絞り込みとKPI設定まで踏み込むことが実質化の鍵だと思います。

9. インパクト・マネジメント・プロジェクトの5次元（Impact Management Project Dimensions）

インパクト・マネジメント・プロジェクトの5次元は、社会的・環境的インパクトを構造的に把握するために、グローバルな合意形成イニシアチブであるIMP（Impact Management Project）が整理した5つの次元、すなわち「What（何の変化か）」「Who（誰にとってか）」「How Much（どれだけか）」「Contribution（自らの寄与分）」「Risk（インパクトが実現しないリスク）」でインパクトを記述する枠組みです。インパクトの説明が「良いことをしている」という曖昧な主張から比較可能な記述に変わること、寄与分とリスクの次元があるため過大評価を抑制できることが特徴です。日本ではインパクト投資やインパクトスタートアップの領域で参照されることが多く、金融機関がインパクトファイナンスの評価枠組みを整備する際に取り上げられることで知られています。

• 対象事業が生み出すアウトカムを特定する（What）
• そのアウトカムを享受するステークホルダーと、その充足度の現状を明らかにする（Who）
• 変化の規模・深さ・持続期間を見積もる（How Much）
• 自社の活動がなかった場合との差分として寄与分を評価する（Contribution）
• インパクトが想定どおり実現しないリスクを評価し、5次元をまとめて報告・改善に使う（Risk）

AI施策の効果測定を5次元で設計すると、「精度が上がった」という技術指標止まりの報告を脱却できます。誰の、どんな変化を、どの規模で生み、AIがなくても起きた改善分を差し引き、モデル劣化や利用率低下のリスクまで含めて評価する構造は、AI投資の効果検証フレームとしてそのまま流用できると考えています。特にContributionの視点は、AI導入の成果を過大に語ってしまいがちな場面へのブレーキとして有効です。

10. ステークホルダー資本主義（Stakeholder Capitalism Framework）

ステークホルダー資本主義は、企業は株主だけでなく従業員・顧客・取引先・地域社会・環境といったすべてのステークホルダーに対して価値を創出すべきだとする経営思想と、その実践のための枠組みです。世界経済フォーラム（ダボス会議）が2020年前後に改めて提唱し、共通の測定指標（ステークホルダー資本主義メトリクス）の整備も進められました。短期的な株主利益偏重を避け長期的な企業価値と社会の持続性を両立する視点を得られること、非財務指標を経営指標に組み込む際の全体観を与えてくれることがメリットです。日本には近江商人の「三方よし」に代表されるように売り手・買い手・世間の利益を重んじる経営観が古くから存在し、この考え方は日本的経営と親和性が高いと語られることが多くあります。

• 自社の主要なステークホルダーを特定し、それぞれへの提供価値と依存関係を整理する
• ガバナンス・地球・人・繁栄といった観点で、ステークホルダーごとの指標を設定する
• 経営会議や取締役会で財務指標と併せてモニタリングする体制を作る
• 統合報告等でステークホルダーへの価値創造ストーリーを開示する
• ステークホルダーとの対話を通じて指標と施策を継続的に見直す

AI導入の意思決定にステークホルダー視点を組み込むと、効率化の裏で従業員の雇用不安や顧客のプライバシー懸念が生じないかを事前に点検できます。AIガバナンス体制の設計時に株主・従業員・顧客・社会それぞれへの影響を評価する項目を設ければ、責任あるAI（Responsible AI）の方針策定と、導入時の現場の納得感の醸成に直結すると思います。技術面の設計だけでなく、誰にどんな影響が及ぶかを先に洗い出しておく姿勢が、結局は導入後の手戻りを減らします。

この章を深めたい方への参考書籍

マイケル・ポーターとマーク・クラマーが2011年にハーバード・ビジネス・レビュー誌に発表した論文「Creating Shared Value」は、CSVという概念そのものの原典であり、慈善的なCSRと本業戦略としてのCSVの違いを理解するうえで一度は当たっておきたい文献です。

夫馬賢治『ESG思考』（講談社）は、ESG経営の背景にある投資家・規制動向の変化を日本の経営者向けに整理した一冊で、ESGマテリアリティやステークホルダー資本主義といった概念が実務でどう扱われているかを掴む入り口として役立ちます。

終章 フレームワークを実務に落とす3つの原則

179のフレームワークを見てきました。最後に、これらを実務で使いこなすための原則を3つに絞ってお伝えします。

原則1：問いから選ぶ

フレームワークから入ると、道具に合わせて問題を歪めてしまいます。順序は常に「問い → 道具」です。いま答えるべき問いを一文で書き出してから、序章の「全体の地図」で章を選び、その章の一覧表から道具を選ぶ。この習慣だけで、フレームワークの空回りはかなり減ると思います。

原則2：組み合わせて使う

1つのフレームワークで戦略は完結しません。たとえば市場を見る（第3章）、勝ち筋を定める（第2章）、数字に落とす（第8章）、実行体制を整える（第7章）というように、問いの連なりに沿って道具をつないでいくのが実際の使い方です。本大全を1ページにまとめたのは、この「つなぎ」を行き来しやすくするためでもあります。

原則3：AIと組み合わせる

生成AIの登場で、フレームワークを「回す」コストは劇的に下がりました。ファイブフォースの初期仮説を生成AIに出させる、ウォーゲーミングの競合役を演じさせる、イシューツリーの分解案を出させる。こうした使い方は今日から可能です。ただし、AIが出すのはあくまで叩き台です。自社の文脈に照らして「どの課題を解けば最も大きなインパクトになるか」を判断し、コミットする部分は、経営者と実務家の仕事として残り続けます。フレームワークは、その判断の質を支える背骨だと私は考えています。

Anagraftでは、AIプロジェクトの構想・課題設計から、データ分析・機械学習モデルの開発、AI人材の育成まで一貫したご支援を行っています。ご相談は、以下よりお問い合わせください。

お問い合わせ

本コラムで紹介した書籍一覧

各章末でご紹介した参考書籍を、章別にまとめて掲載します。フレームワークの原典や定番書として、いずれも読み応えのある一冊です。

第1章 企業戦略・ポートフォリオ戦略

• BCG戦略コンセプト（ダイヤモンド社）：BCG系フレームワークの背景にある考え方を体系的に解説した一冊です。
  BCG戦略コンセプト 競争優位の原理（楽天市場で見る）
  
  
• 経営戦略全史（ディスカヴァー・トゥエンティワン）：各フレームワークがどの時代の経営課題への回答として生まれたかを描いた通史です。
  経営戦略全史　〔完全版〕 （日経ビジネス人文庫）（楽天市場で見る）
  
  

第2章 競争戦略・事業戦略

• 競争の戦略（ダイヤモンド社）：基本戦略3類型やバリューチェーンの原典にあたる競争戦略論の古典です。
  競争の戦略 新訂（楽天市場で見る）
  
  
• ストーリーとしての競争戦略（東洋経済新報社）：個々のフレームワークを一貫した戦略ストーリーに仕立てる大切さを説く一冊です。
  ストーリーとしての競争戦略 優れた戦略の条件（楽天市場で見る）
  
  

第3章 業界・市場構造の分析

• 競争優位の戦略（ダイヤモンド社）：ファイブフォース分析や競合反応プロファイルの原典にあたる一冊です。
  競争優位の戦略 いかに高業績を持続させるか（楽天市場で見る）
  
  
• キャズム（翔泳社）：新しい技術が市場に広がりきらない理由を説くキャズム理論の古典です。
  キャズム Ver.2 / ジェフリー・a・ムーア 【本】（楽天市場で見る）
  
  

第4章 成長・イノベーション・破壊

• イノベーションのジレンマ（翔泳社）：優良企業が新興技術に足元をすくわれる構造を描いた破壊的イノベーション理論の原典です。
  イノベーションのジレンマ増補改訂版 技術革新が巨大企業を滅ぼすとき （Harva（楽天市場で見る）
  
  
• ジョブ理論（ハーパーコリンズ・ジャパン）：顧客が製品を「雇う」という発想を体系的に解説した一冊です。
  ジョブ理論　イノベーションを予測可能にする消費のメカニズム （ハーパーコリンズ・（楽天市場で見る）
  
  
• 両利きの経営（東洋経済新報社）：既存事業の深化と新規事業の探索を両立させる組織論を実例とともに論じています。
  両利きの経営（増補改訂版） 「二兎を追う」戦略が未来を切り拓く（楽天市場で見る）
  
  

第5章 ビジネスモデル・価値提案

• ビジネスモデル・ジェネレーション ビジネスモデル設計書（翔泳社）：ビジネスモデル・キャンバスの原典で、9要素の背景にある考え方を丁寧に解説しています。
  ビジネスモデル・ジェネレーション ビジネスモデル設計書（楽天市場で見る）
  
  
• バリュー・プロポジション・デザイン 顧客が欲しがる製品やサービスを創る（翔泳社）：顧客のジョブ・ペイン・ゲインの洗い出し方を事例とともに学べる実践書です。
  バリュー・プロポジション・デザイン 顧客が欲しがる製品やサービスを創る（楽天市場で見る）
  
  

第6章 顧客・マーケティング・ブランド

• コトラー&ケラーのマーケティング・マネジメント（丸善出版）：STPや4Pなどマーケティング理論を体系的に学び直せる定番の教科書です。
  コトラー＆ケラーのマーケティング・マネジメント（楽天市場で見る）
  
  
• ネット・プロモーター経営（プレジデント社）：NPSが経営の仕組みとして機能する理由を提唱者自身が解説した一冊です。
  ネット・プロモーター経営 顧客ロイヤルティ指標NPSで「利益ある成長」を実現（楽天市場で見る）
  
  

第7章 ケイパビリティ・組織・オペレーティングモデル

• エクセレント・カンパニー（英治出版）：マッキンゼー7Sの土台となった超優良企業研究の古典です。
  エクセレント・カンパニー （Eijipress　business　classic（楽天市場で見る）
  
  
• 組織設計のマネジメント：競争優位の組織づくり（生産性出版）：スターモデルの提唱者による、組織設計を方法論として学べる解説書です。
  組織設計のマネジメント 競争優位の組織づくり（楽天市場で見る）
  
  

第8章 業績管理・価値創造・ファイナンス

• バランス・スコアカード（生産性出版）：BSCの提唱者自身による原典で、4視点が必要な理由から理解できます。
  バランス・スコアカード　戦略経営への変革　ロバート・S・キャプラン/著　デビッド（楽天市場で見る）
  
  
• Measure What Matters（日本経済新聞出版）：OKRをグーグルに定着させた当事者が運用の勘所を語る解説書です。
  Measure What Matters（メジャー・ホワット・マターズ） 伝説の（楽天市場で見る）
  
  
• 企業価値評価（ダイヤモンド社）：EVAやWACCなど価値評価の指標群を体系的に学べる定番書です。
  企業価値評価 第7版［上］（楽天市場で見る）
  
  

第9章 デジタル・データ・プラットフォーム

• プラットフォーム・レボリューション（ダイヤモンド社）：ネットワーク効果や鶏と卵問題の解き方を体系的に整理した古典的な一冊です。
  プラットフォーム・レボリューション PLATFORM REVOLUTION 未知（楽天市場で見る）
  
  
• 集中講義デジタル戦略：テクノロジーバトルのフレームワーク（日経BP）：日本企業の事例を交えデジタル時代の競争戦略を整理した一冊です。
  集中講義デジタル戦略　テクノロジーバトルのフレームワーク（楽天市場で見る）
  
  

第10章 オペレーション・サプライチェーン・効率化

• トヨタ生産方式（ダイヤモンド社）：ジャストインタイムの思想を提唱者自身が語ったトヨタ生産方式の原典です。
  トヨタ生産方式 脱規模の経営をめざして（楽天市場で見る）
  
  
• ザ・ゴール（ダイヤモンド社）：制約理論の考え方をビジネス小説の形式で解説した一冊です。
  ザ・ゴール 企業の究極の目的とは何か（楽天市場で見る）
  
  

第11章 リスク・不確実性・シナリオ

• ブラック・スワン（ダイヤモンド社）：稀少事象を人が過小評価する認知の癖まで論じたリスク管理の古典です。
  ブラック・スワン（上） 不確実性とリスクの本質（楽天市場で見る）
  
  
• 反脆弱性（ダイヤモンド社）：変動やストレスから利益を得る反脆弱性という概念を提示した続編です。
  反脆弱性［上］ 不確実な世界を生き延びる唯一の考え方（楽天市場で見る）
  
  

第12章 国際・グローバル戦略

• コークの味は国ごとに違うべきか（文藝春秋）：CAGEフレームワークとAAA戦略の提唱者自身によるグローバル化論です。
  コークの味は国ごとに違うべきか（楽天市場で見る）
  
  

第13章 戦略プロセス・問題解決・意思決定

• イシューからはじめよ（英治出版）：そもそも解くべき問いは何かを一段上の視点から掘り下げた一冊です。
  イシューからはじめよ［改訂版］ 知的生産の「シンプルな本質」（楽天市場で見る）
  
  
• 仮説思考（東洋経済新報社）：仮説を起点に問題解決を進める思考法を平易に解説した一冊です。
  仮説思考 BCG流問題発見・解決の発想法（楽天市場で見る）
  
  
• 企業変革力（日経BP）：変革の8段階の原典で、変革がなぜ途中で失敗するのかを描いています。
  企業変革力（楽天市場で見る）
  
  

第14章 社会的インパクト・ESG・公共価値

• Michael E. Porter, Mark R. Kramer「Creating Shared Value」（Harvard Business Review）：CSVという概念の原典で、慈善的なCSRとの違いを理解する出発点となる論文です。
• 夫馬賢治『ESG思考』（講談社）：ESG経営を巡る投資家・規制動向の変化を日本の経営者向けに整理した一冊です。
  ESG思考　激変資本主義1990-2020、経営者も投資家もここまで変わった （（楽天市場で見る）