Googleは2025年12月、Ipsosに委託した「AI Works for America」調査の結果を公表しました。米国の就業者を対象にしたこの調査では、仕事で生成AIを使う人は40%に達した一方、ワークフローを組み替えるなど一定の条件を満たす「AI Fluent」はわずか5%にとどまり、生成AIの使いこなし格差が数字として裏付けられています。
この格差は、個人の才能だけで生まれるものではありません。研修を一度実施するだけでなく、利用ルール、相談導線、評価方法まで運用としてつなげられるかどうかが、使いこなしの深さを左右します。
世界経済フォーラムの「Future of Jobs Report 2025」も、2030年までに必要なスキルの変化と、企業が直面するスキルギャップを示しています。大切なのは全員を同じAI専門家にすることではなく、職種ごとに必要な使い方を定義し、安全に試せる環境と相談できる仕組みを用意することです。
※本記事は2026年8月時点の情報です。
生成AIの使いこなし格差とは｜利用率だけでは見えない差
GoogleのAI Works for America pollは、Ipsosが2025年12月に米国の就業成人4,464人を対象に実施した調査です。仕事でAIを使う人は40%で、その内訳として、AIをワークフローへ組み込んだり、週1回以上・8つ以上の用途で使ったりする条件を満たすAI Fluentは全従業員の5%、臨時的に使うAI Explorersは35%と報告されています。日本企業の実態を直接表す数値ではありませんが、利用の有無だけでなく、使い方の深さを分けて見る必要性を示す材料になります。
| 調査上の区分 | 定義・割合 | 運用上の見方 |
|---|---|---|
| AI未利用者 | 仕事でAIを使っていない層を含む。従業員全体の約60% | 禁止や無関心ではなく、用途・不安・環境の障壁を確認する |
| AI User | 仕事でAIを使う従業員は40% | 利用ツールと用途だけでなく、確認方法を把握する |
| AI Explorer | 従業員全体の35%。アドホックに使う層 | 身近な業務の成功例と相談相手を提供する |
| AI Fluent | 従業員全体の5%。ワークフロー再設計などの条件を満たす層 | 個人の熟練を組織の手順・教材・評価へ翻訳する |
AI Fluentの大多数は、AIで生産性が上がったと回答しており、その割合はAI Explorersの52%に対して91%でした。また、AIによる時間削減の中央値はAI Fluentが週8時間、AI Explorersが週3時間です。これらは調査回答に基づく比較であり、AI Fluentになれば必ず同じ効果が得られるという因果関係を示すものではありません。組織が見るべきなのは、熟練者の行動をそのまま要求することではなく、再現可能な習慣へ分解することです。
Microsoftの2024年Work Trend Indexでも、AIのパワーユーザーは、使い方を試す頻度が他の回答者より68%高く、業務プロセスやワークフローをAIで再設計する傾向が66%高いとされています。使いこなしは、単に長いプロンプトを書けるかではなく、作業の選び方、試行、検証、改善を繰り返せるかという行動の差として表れます。
ポイント
AI利用率40%のうち、成果につながっているのはワークフローを組み替えた「AI Fluent」の5%だけです。差は利用の有無ではなく、使い方の深さにあります。
スキル格差が組織課題になる理由｜研修だけでは埋まらない
世界経済フォーラムのFuture of Jobs Report 2025は、1,000社超の企業を対象に、2030年までに仕事で必要なスキルの約40%が変わると予測しています。雇用主の63%がスキルギャップを事業変革の主な障壁として挙げ、59人にリスキリングまたはアップスキリングが必要になる一方、そのうち11人は機会を得られない可能性があると報告しています。これらは世界の雇用主を対象にした予測であり、個別企業の将来を断定する数字ではありません。
同レポートでは、AI、ビッグデータ、ネットワーク、サイバーセキュリティのような技術スキルだけでなく、分析的思考、創造的思考、レジリエンス、リーダーシップ、コラボレーションなどの人間的なスキルも重要だとされています。生成AIの導入を「プロンプト研修」に限定すると、業務の目的を定める力、出力を疑う力、他者とレビューする力が抜け落ちる可能性があります。
スキル格差は、使い方の差ではなく仕事の進め方の差になる
同じツールを配布しても、目的の定義、入力データの準備、出力の検証、チーム内の共有方法がなければ、利用は個人の工夫に依存します。その結果、熟練者は自分の手順を改善し続け、初心者は一度の失敗で利用を止めるという差が広がることがあります。これは調査がその因果関係を証明したという意味ではなく、運用設計で対処すべき仮説として扱うべき論点です。
業務別の生成AI活用例を探すときは、生成AI活用事例のように、目的と効果を確認できる情報を出発点にします。そのうえで、自社のデータ・権限・品質基準に合わせて手順を作り替えることが必要です。
ポイント
研修をプロンプト技術だけに閉じると、目的設定・出力検証・レビューという実務スキルが抜け落ちます。技術スキルと人間的なスキルを両輪で設計することが必要です。
差を埋める4つの運用ルール｜教育・利用・相談・評価をつなぐ
Ipsosの調査では、従業員の65%が職場でAIを使う正式な研修に関心を示す一方、過去12か月に組織からAI関連の研修を受けたと回答した人は14%でした。また、組織がAIツールを提供していると答えた人は27%、利用ガイダンスがあると答えた人は37%です。ツールとガイダンスの両方を提供された人は、AI Userになる可能性が2.5倍、AI Fluentになる可能性が4.5倍だったと報告されています。相関を含む調査結果として読み、制度設計の手がかりにします。
| 運用要素 | 実施すること | 確認する指標 |
|---|---|---|
| 教育 | 全員向けの基礎に加え、職種別の実務課題・検証・情報管理を教材化する | 受講率、演習完了、現場での再利用率 |
| 利用ルール | 利用可能なツール、入力禁止データ、出典・レビュー、外部送信の条件を明示する | ルール違反、レビュー実施率、修正件数 |
| 相談導線 | 各部署のチャンピオンと専門窓口を置き、質問を記録してFAQへ戻す | 相談件数、回答時間、同じ質問の減少 |
| 評価 | 利用回数だけでなく、時間、品質、手戻り、顧客影響を業務単位で測る | 処理時間、エラー、手戻り、成果指標 |
教育は「全員同じ」ではなく、職種の仕事に接続する
基礎研修では、AIの得意・不得意、入力データの扱い、出力の確認、著作権や個人情報の注意点を扱います。次の段階では、営業なら提案準備、管理部門なら規程検索、開発なら仕様整理など、実際の業務に近い課題で練習します。研修の最後に完成した成果物だけでなく、どの情報を確認し、どこで人が判断したかも評価します。
利用ルールは「禁止リスト」だけでなく判断基準にする
利用ルールには、承認済みツール、入力してはいけない情報、出典を付ける用途、レビューが必要な用途、外部送信や自動更新を行う前の承認を含めます。すべてを禁止するのではなく、読み取り・下書き・提案・実行の段階で許可範囲を分けると、現場が次に何をすべきか判断しやすくなります。ルールに例外を設ける場合は、期限、責任者、検証方法も残します。
相談と評価を、利用者の学習ループに戻す
相談窓口は、単に違反を受け付ける場所ではありません。「このデータを入力できるか」「この出力を顧客へ送れるか」「誤りが見つかったら誰が判断するか」といった質問に答え、匿名化した事例を教材やFAQへ戻します。評価も、AIの利用回数が多い人を表彰するだけでなく、品質を保ちながら手戻りを減らしたか、チームへ手順を共有したかを含めます。
エージェントや自動化が含まれる業務では、出力の品質だけでなく、途中のツール呼び出しや失敗理由を記録する必要があります。より自律的なAIの運用へ広げる場合は、AgentOpsの評価・監視を参考に、停止条件と人への引き継ぎを先に決めます。
ポイント
教育・利用ルール・相談導線・評価を分断せず、現場の学びを教材と手順へ戻す仕組みにすることが、格差を縮める運用の起点になります。
導入チェックリスト｜小さく試して、差が生まれる条件を見つける
導入は一度に全社展開するのではなく、小さく試しながら効果と課題を確認して広げます。次の6項目を順に確認します。
- 対象業務を選ぶ：目的、入力データ、出力先、品質基準、担当者が明確な業務から始める
- 基準値を取る：処理時間、手戻り、エラー、レビュー時間など、導入前の状態を記録する
- 教材を作る：職種別の実データに近い例で、依頼・検証・修正・共有を練習する
- 安全境界を決める：入力禁止情報、外部送信、公開、システム更新、人の承認を区別する
- 相談先を示す：日常の質問、セキュリティ、法務、個人情報、著作権の窓口を分ける
- 定期評価する：利用率だけでなく品質、手戻り、成果、利用者の不安を見てルールを更新する
評価期間は、研修直後だけでなく、実務で使い始めた後にも置きます。特定の熟練者だけが成果を出しているなら、個人の工夫を手順書やテンプレートへ移し、初心者が試せる低リスクの課題を増やします。一方で、利用を促すあまり、重要な判断や機密情報の扱いまで自動化しないよう、業務のリスク分類を評価に含めます。
法人向けAIの選定では、料金・統合・セキュリティの比較も重要ですが、ツールを決めた後の教育と運用が使いこなしの再現性を左右します。導入判断では、モデル性能だけでなく、教材を更新できるか、ログを確認できるか、相談に答えられるかも確認します。
ポイント
低リスクの業務から小さく試し、基準値と定期評価で効果を確認しながら、対象を広げます。
よくある質問（FAQ）
Q. AI Fluentとは何ですか？
GoogleのAI Works for America pollで使われた区分で、ワークフローをAIで組み替えたり、週1回以上・8つ以上の用途でAIを使ったりする条件を満たす従業員を指します。Ipsosの調査では、全従業員の5%がAI Fluentに分類されました。
Q. 生成AIの研修は、プロンプトの書き方だけで十分ですか？
十分とは限りません。職種別の業務課題、入力データの扱い、出力の検証、出典確認、著作権や個人情報、チームでのレビューまで含める必要があります。プロンプトの技術は、業務の目的と安全な運用に接続して初めて再利用しやすくなります。
Q. 利用ルールはどこまで細かく決めるべきですか？
全社共通の最低限のルールと、職種・業務ごとの追加ルールに分ける方法が現実的です。承認済みツール、入力禁止情報、出典・レビュー、外部送信、自動実行、人の承認を明確にし、例外には期限と責任者を設定します。
Q. AI活用の評価は利用回数だけでよいですか？
利用回数だけでは不十分です。処理時間、品質、手戻り、レビュー負荷、相談への回答時間、顧客や業務への影響を組み合わせます。利用が少なくても高リスク業務を安全に扱っている場合があり、利用が多くても確認不足で手戻りが増える場合があるためです。
参考情報：
Ipsos「Google/Ipsos AI Works for America poll」
Microsoft WorkLab「AI at Work Is Here. Now Comes the Hard Part」
Microsoft Official Blog「The 2025 Annual Work Trend Index: The Frontier Firm is born」
World Economic Forum「Future of Jobs Report 2025」
まとめ｜使いこなし格差は、仕組みで縮められる
Google/Ipsosの調査では、米国の仕事でAIを使う人は40%で、AI Fluentは5%でした。AI FluentとAI Explorerの差は、ツールを持っているかだけでなく、用途を広げ、ワークフローを見直し、検証しながら使う行動に表れています。世界経済フォーラムも、スキルギャップを企業変革の大きな障壁とし、技術スキルと人間的なスキルの両方を重視しています。
差を埋める施策は、研修単体では完結しません。職種別の教育、入力・出力・承認を定める利用ルール、質問を受け止める相談導線、品質と成果を見る評価をつなぎ、現場の学びを教材と手順へ戻します。全員を同じレベルへ急に引き上げるのではなく、低リスクの業務から試して、使いこなしを組織の能力へ変えていくことが現実的です。
関連記事
会社紹介
株式会社riplaでは、お客様の事業・ユーザー・業務に最適化したオーダーメイド型システムを、構想策定・要件定義から開発・改善まで一気通貫で支援。事業会社でIT・DXを経験したプロフェッショナルによる高い要件定義力・システム設計力を活かし、事業成果の最大化に伴走します。
また、当社独自の開発テンプレート「Boxシリーズ」による標準機能の高速開発と、AI駆動開発の独自フレームワーク「GoDD」による独自機能のAI実装を組み合わせることで、低コスト・短期間で開発を実現いたします。
もし、システム開発やプロダクト開発に関するご要望がございましたら、お気軽にお問い合わせください。
・サービス概要資料のURLはこちら >>>
・お問合せページのURLはこちら >>>
・お役立ち資料のURLはこちら >>>
株式会社ripla 代表取締役CEOとして、システムパッケージ活用、システム開発、データ分析、生成AI活用、SaaS開発、アプリ開発、EC構築など、幅広い領域で企業のDX推進と事業成長を支援している。事業会社でIT・DXを経験したプロフェッショナルが集う株式会社riplaにおいて、お客様の事業・ユーザー・業務に最適化したオーダーメイド型システムを構想策定・要件定義から開発・改善まで一気通貫で支援し、単なるシステム納品にとどまらず、クライアントと同じ目線で事業成果の最大化に向けた伴走支援を行う。早稲田大学卒業後、ラクスル株式会社、LINEヤフー株式会社にて事業開発やDX推進などに従事した後、株式会社riplaを創業。