AIエージェント、40%が頓挫する——Gartner予測が示す生き残りの条件

2027年末までに、AIエージェントプロジェクトの40%以上が中止される。2025年6月、Gartnerが発表したこの予測は、業界に衝撃を与えました（出典: Gartner, 2025年6月25日プレスリリース）。中止の原因は、技術の未熟さではありません。コスト増大、不明確なビジネス価値、不十分なリスク管理——つまり、ROI設計の欠如です。

一方で、投資回収を6ヶ月以内に達成している企業も存在します。頓挫する40%と、成果を出す企業の分かれ道はどこにあるのか。Lat91が自社で10体のAIエージェントを構築・運用する中で見えてきた「生き残りの条件」を、データと実体験の両面から解説します。

Gartner予測の中身——40%中止の背景にある3つの構造的問題

Gartnerが2025年1月に実施した3,412名対象の調査では、企業のAIエージェント投資状況は以下の通りでした。

図1: Gartner調査に基づくAIエージェント投資状況と中止原因

注目すべきは、この予測がAIへの期待が最も高まっている時期に出されたことです。S&P Globalの調査では、AI施策の大半を断念した企業の割合が2024年の17%から2025年には42%に急増しています（出典: CDO Magazine）。投資は増えているのに、撤退も増えている。この矛盾は何を意味するのか。

本質的な問題は、テクノロジーの成熟度ではありません。「何を自動化するか」という問いを飛ばし、「AIエージェントを導入する」こと自体が目的になっている企業が多すぎるのです。Gartnerが指摘する「Agent Washing」——既存のRPAやチャットボットをAIエージェントとリブランディングするベンダーが横行し、数千のベンダーのうち真のエージェント機能を持つのは約130社のみという推計もあります（出典: Gartner）。買う側も売る側も、実態を見ていない。

頓挫する企業に共通する5つの設計ミス

複数の調査と事例を横断すると、頓挫する企業には共通するパターンが見えてきます。

1. 曖昧なビジネス目標で始める

「カスタマーサポートをAIで自動化したい」——この粒度では失敗します。どの問い合わせカテゴリを、どの精度で、何秒以内に回答するか。KPIが具体的でなければ、成功も失敗も測定できません。

スウェーデンの決済企業Klarnaは、AIで顧客対応スタッフ約700人分を代替したと発表しました。しかし顧客満足度が低下し、CEO自ら「やりすぎた」と認めて方針を転換。人間スタッフを再雇用し、AI+人間のハイブリッドモデルへ移行しています（出典: Digital Applied, MLQ.ai）。速度だけを追い、品質のKPIを設定しなかった結果です。

2. データ基盤が整っていない

AIエージェントが判断を下すには、正確なデータが必要です。不完全・古い・構造化されていないデータでは、判断精度が低下するだけでなく、誤った意思決定を高速で量産することになります。

3. ガバナンスなしで走り出す

Forresterの2026年調査によると、AIエージェント導入済み企業の71%がガバナンスフレームワーク未整備です。にもかかわらず、64%が今後12ヶ月でエージェントの自律性を拡大する予定と回答しています（出典: EWSolutions）。アクセルを踏みながら、ハンドルを握っていない状態です。

4. 一気に全社展開しようとする

PoCで成功したからといって、全社展開がうまくいくとは限りません。部門ごとの業務プロセスの違い、データの粒度のばらつき、現場の受容度——スケールアップの壁は技術ではなく組織にあります。

5. Agent Washingに騙される

ベンダーの言う「AIエージェント」が本当にエージェントなのかを見極める目が必要です。単なるチャットボットにエージェントのラベルを貼っただけの製品も少なくありません。

生き残る企業の条件——Danfossが6ヶ月で投資回収できた理由

頓挫する企業がいる一方で、目覚ましいROIを達成している企業もあります。ここで重要なのは、成功企業の共通点が「最新のAIモデルを使っていること」ではない点です。

事例1: Danfoss（デンマーク・製造業）

購買発注の意思決定の80%を自動化。応答時間を42時間からほぼリアルタイムに短縮し、年間1,500万ドルのコスト削減を実現しました。投資回収期間はわずか6ヶ月。精度95%を維持しています（出典: NVIDIA Blog, State of AI Report 2026）。

Danfossが成功した理由は明確です。購買発注という定型的で、データが豊富で、判断基準が明文化されている業務を選んだこと。「何を自動化するか」の選定が正しかった。

事例2: 米国保険会社（匿名）

月間10,000件の保険請求処理にAIエージェントを導入。月37万ドル（年間440万ドル）のコスト削減を実現し、投資回収期間は2.3ヶ月です（出典: OneReach.ai）。

事例3: Siemens AG（ドイツ・製造業）

予知保全にAIエージェントを活用。メンテナンスコスト20%削減、設備稼働時間15%改善を達成しています（出典: Master of Code）。

エンタープライズ全体でのAIエージェント平均ROIは171%という数字があります（出典: Master of Code）。ただし、この数字には重大な注意点があります。実際にリターンを得ている企業は全体のわずか5%。成功企業のROIが高いのは事実ですが、95%の企業は投資に見合う成果を出せていないのです。

この5%と95%を分けるのは何か。答えは一貫しています。業務の選定が正しいか、KPIが明確か、段階的に導入しているか。技術の差ではありません。

Lat91が実践するPhase制アプローチ

Lat91では現在、社内業務を自動化する10体のAIエージェントチームを構築・運用しています。Anthropicが推奨するOrchestrator-Workersパターンを採用し、Chief of Staff（CoS）エージェントがOrchestratorとして全体を統括する設計です。

正直に書くと、最初はうまくいきませんでした。

当初の計画では、10体のエージェントを一度に立ち上げる予定でした。情報収集、SEO記事制作、X運用、営業支援——全てを同時に動かそうとした結果、どのエージェントも中途半端な状態のまま、誰も安定稼働しない状況に陥りました。

転機になったのは、Phase制への切り替えです。

図2: Lat91のPhase制AIエージェント導入ロードマップ

Phase 1ではChief of Staffエージェントのみを構築。毎朝のモーニングブリーフィング配信——AI業界ニュースの収集、カレンダーの確認、重要タスクの整理——を安定稼働させることに集中しました。このエージェントが確実に動くことを確認してから、Phase 2の情報収集エージェントとSEO記事制作エージェントに着手しています。

この経験から得た最大の教訓は、AIエージェント導入の成否は「何を、どの順番で自動化するか」で決まるということです。技術選定よりも、業務選定の方がはるかに重要だった。Danfossの成功もKlarnaの失敗も、結局はこの一点に帰結します。

ガバナンスは「ブレーキ」ではなく「ステアリング」

ガバナンスと聞くと、導入にブレーキをかけるものと感じるかもしれません。しかし実態は逆です。ガバナンスがない組織ほど、問題が発生したときに全面停止を余儀なくされます。適切なガバナンスは、問題を早期に検知し、部分的に修正しながら走り続けるための「ステアリング」です。

推奨される5つのガバナンス要素があります。

1. 権限定義: 各エージェントの実行可能範囲と禁止事項を明示する
2. 監査証跡: 意思決定のログと追跡可能性を確保する
3. 責任所在: 問題発生時の責任者を明確にする
4. エスカレーション設計: 自動判断から人間判断への切り替えルールを設ける
5. 継続的モニタリング: エージェントの判断精度を定期的に検証する

2026年8月にはEU AI Actが完全施行されます。高リスクAIシステムには適合性評価、人間の監視メカニズム、完全な監査証跡が義務化されます（出典: Raconteur）。日本企業にとっても、グローバル展開を視野に入れるなら無視できない規制です。

Lat91でも、各エージェントに「やっていいこと」と「やってはいけないこと」を明確に定義しています。例えばSEO記事制作エージェントは記事の下書きはできますが、公開判断は人間が行う設計です。このルールがあるからこそ、安心してエージェントの自律性を高められます。

よくある疑問に正面から答える

「中小企業にAIエージェントは早すぎるのでは？」

この疑問はもっともです。確かに、全社的なAIエージェント導入は中小企業にはハードルが高い。ただし、1つの定型業務——例えば問い合わせ対応、日報集計、スケジュール調整——をAIエージェントに任せることは、今すぐ始められます。Lat91自身、従業員10名未満の組織ですが、Phase制で1体ずつ導入を進めています。規模の問題ではなく、アプローチの問題です。

「ROI 171%と言われても、95%が失敗しているなら賭けでは？」

その通り、現時点でのAIエージェント導入は成功確率が低い。ただし、失敗企業の大半は前述の5つの設計ミスに該当しています。逆に言えば、業務選定を正しく行い、KPIを明確にし、段階的に導入すれば、失敗確率は大幅に下がります。賭けではなく、設計の問題です。

「AIエージェントは信頼できないのでは？」

この批判は正当です。現時点のAIエージェントは「速く、自信を持って、しかし頻繁に間違える優秀なジュニアスタッフ」のようなものです（出典: NH Journal）。常にレビューと修正が必要であり、完全な自律運用は非現実的です。だからこそ、エスカレーション設計と人間によるレビュー体制が必須なのです。信頼は「させるか、させないか」の二択ではなく、段階的に構築するものです。

まとめ——40%にならないための行動指針

Gartnerの「40%中止」予測は、AIエージェントの技術に問題があることを示しているのではありません。導入の設計に問題がある企業が多すぎることを示しています。

生き残るための行動指針を整理します。

• 業務選定が最優先: 定型的で、データが豊富で、判断基準が明確な業務から始める
• KPIを数字で定義する: 「効率化」ではなく「応答時間を42時間→4時間」のように測定可能にする
• Phase制で段階導入する: 1つのエージェントが安定稼働してから次に進む
• ガバナンスを最初から設計する: 後付けではなく、導入と同時にルールを整備する
• Agent Washingを見極める: ベンダーの「エージェント」が本当にエージェントか検証する

Lat91では、AIエージェントの設計・構築・運用の支援を行っています。10体のエージェントチームを自ら運用する中で得た知見を、お客様の業務に合わせてカスタマイズします。まずは1体から——お気軽にご相談ください。