戦略・組織・ガバナンス
- Harvard Business Review
Your Organization Isn't Designed to Work with GenAI
hbr.org 外部サイト・別タブで開きます
- 掲載日
- 2026.10.15
- 元記事の公開日
- 2024.2
生成AIを既存の業務フローに付け足すだけでは価値が出にくく、組織や仕事の設計から見直すべきだと論じています。AXを業務プロセスの再設計として捉え直すための視点が得られます。
AX総研で深掘り → AIで業務プロセスを再設計する方法｜手順・判断基準・失敗回避 - Wikipedia
Artificial Intelligence Act
en.wikipedia.org 外部サイト・別タブで開きます
- 掲載日
- 2026.10.14
- 元記事の公開日
- —
EU AI法のリスク分類、義務の内容、段階的な適用スケジュールを中立的にまとめた解説です。グローバルに事業を展開する企業がAI規制対応の全体像をつかむ入口として使えます。
AX総研で深掘り → AI法規制に企業はどう対応する？EU AI法・AI推進法の要点と実務手順 - Harvard Business Review
AI Won't Replace Humans — But Humans With AI Will Replace Humans Without AI
hbr.org 外部サイト・別タブで開きます
- 掲載日
- 2026.10.13
- 元記事の公開日
- 2023.8
ハーバード・ビジネス・スクールのKarim Lakhani教授が、生成AIによって変わる仕事と、組織が取るべき姿勢について語った記事です。現場への定着や意識改革を進めるときに、経営層と話し合う土台として使えます。
AX総研で深掘り → AI導入のチェンジマネジメントとは？現場定着を進める手順と抵抗対策 - MIT Sloan Management Review
Winning With AI
sloanreview.mit.edu 外部サイト・別タブで開きます
- 掲載日
- 2026.10.9
- 元記事の公開日
- 2019.10
MIT SMRとBCGの共同調査で、AIで成果を出す企業が戦略とAIをどう結び付け、組織をどう変えているかを分析しています。経営目標から逆算してAI戦略を立てる際の根拠資料になります。
AX総研で深掘り → AI戦略の策定手順とは？経営目標から逆算する5ステップと実行体制 - NIST
Artificial Intelligence Risk Management Framework (AI RMF 1.0)
nist.gov 外部サイト・別タブで開きます
- 掲載日
- 2026.10.8
- 元記事の公開日
- 2023.1.26
Govern・Map・Measure・Manageの4機能でAIリスク管理を体系化した原典の出版物ページです。社内のAIガバナンス規程や運用プロセスを設計するときの基準として参照できます。
AX総研で深掘り → AIガバナンスとは？企業の体制構築・規程・運用を実務で解説 - 経済産業省
「AI事業者ガイドライン（第1.0版）」を取りまとめました
meti.go.jp 外部サイト・別タブで開きます
- 掲載日
- 2026.10.8
- 元記事の公開日
- 2024.4.19
総務省と経済産業省が既存のガイドラインを統合して公表した、AI事業者ガイドラインの公式発表です。開発者・提供者・利用者それぞれに求められる対応を確認する入り口になります。
AX総研で深掘り → AI法規制に企業はどう対応する？EU AI法・AI推進法の要点と実務手順 - MIT Sloan Management Review / BCG
Achieving Individual — and Organizational — Value With AI
sloanreview.mit.edu 外部サイト・別タブで開きます
- 掲載日
- 2026.10.7
- 元記事の公開日
- 2022.11
MIT SMRとBCGの共同調査レポートです。AIの価値を組織の成果だけでなく、現場で使う個人がAIから価値を得られているかという観点からも分析しています。現場への定着と組織全体の成果の結び付け方を考える際の根拠になります。
AX総研で深掘り → AI導入のチェンジマネジメントとは？現場定着を進める手順と抵抗対策 - Harvard Business Review
A Framework for Picking the Right Generative AI Project
hbr.org 外部サイト・別タブで開きます
- 掲載日
- 2026.10.6
- 元記事の公開日
- 2023.3
生成AIの候補業務を、出力ミスのリスクと必要な知識の性質の2軸で整理します。どの案件から着手するかを決める際の基準として、ユースケース選定にそのまま使えます。
AX総研で深掘り → AI導入のユースケース選定は何を基準に決めるか｜5軸評価と実装手順 - McKinsey & Company (QuantumBlack)
Seizing the agentic AI advantage
mckinsey.com 外部サイト・別タブで開きます
- 掲載日
- 2026.10.6
- 元記事の公開日
- 2025.6
生成AIを広く導入しても収益への効果が出にくいという課題を、AIエージェントで業務プロセスそのものを組み替える方向から論じています。全社展開と経営インパクトをつなぐ議論として参考になります。
AX総研で深掘り → AIエージェントの業務活用とは？導入手順・効果測定・ガバナンスを実務解説 - Harvard Business Review
Collaborative Intelligence: Humans and AI Are Joining Forces
hbr.org 外部サイト・別タブで開きます
- 掲載日
- 2026.10.5
- 元記事の公開日
- 2018.7
多数の企業を調べ、AIが人を置き換える場合よりも人と補い合う場合に成果が大きいと論じた論考です。人とAIの役割分担を見直す業務再設計やチェンジマネジメントの考え方の土台になります。
AX総研で深掘り → AI導入のチェンジマネジメントとは？現場定着を進める手順と抵抗対策 - MIT Sloan Management Review
Expanding AI's Impact With Organizational Learning
sloanreview.mit.edu 外部サイト・別タブで開きます
- 掲載日
- 2026.10.5
- 元記事の公開日
- 2020.10
MIT SMRとBCGの共同調査です。AIで大きな成果を上げる企業は、人とAIが互いに学び合う組織学習の仕組みを持っていると分析しています。PoC止まりから抜け出すための組織づくりを考える際の手がかりになります。
AX総研で深掘り → AI推進の組織体制とは？3つの型・6つの役割・立ち上げ90日を実務解説 - BCG
Where's the Value in AI?
bcg.com 外部サイト・別タブで開きます
- 掲載日
- 2026.10.2
- 元記事の公開日
- 2024.10
経営層への調査をもとに、PoCを越えて価値を出せている企業が少数にとどまる理由と、先行企業がアルゴリズムより人・プロセスへの投資を重視している点を分析しています。PoC止まりを防ぐ観点で読む価値があります。
AX総研で深掘り → AI導入の失敗事例5パターンと原因は？PoC止まりを防ぐ実務策 - Harvard Business Review
Building the AI-Powered Organization
hbr.org 外部サイト・別タブで開きます
- 掲載日
- 2026.10.1
- 元記事の公開日
- 2019.7
AI活用が広がらない主な原因を技術ではなく組織と文化に置き、部門横断チームや推進体制のつくり方を論じています。AI推進組織を設計するときの考え方の土台になります。
AX総研で深掘り → AI推進の組織体制とは？3つの型・6つの役割・立ち上げ90日を実務解説 - MIT Sloan Management Review
Artificial Intelligence and Business Strategy
sloanreview.mit.edu 外部サイト・別タブで開きます
- 掲載日
- 2026.9.30
- 元記事の公開日
- —
MIT SMRがBCGと続けている、AIと経営戦略をテーマにした調査・論考をまとめたページです。AIで価値を出している組織の特徴や、組織としてどう学んでいくかを経営の視点で考える材料になります。
AX総研で深掘り → AI推進の組織体制はどう作る？型の選び方・役割分担・立ち上げ手順を解説 - 経済産業省
AI事業者ガイドライン（第1.0版）
meti.go.jp 外部サイト・別タブで開きます
- 掲載日
- 2026.9.25
- 元記事の公開日
- 2024.4.19
日本政府が示すAI開発者・提供者・利用者向けの統一的な指針の原典です。社内のAIガバナンス規程をつくるときの国内の基準として参照できます。
AX総研で深掘り → AIガバナンスとは？企業が整えるべき体制・規程・運用を実務解説 - McKinsey & Company
Rewired: The McKinsey Guide to Outcompeting in the Age of Digital and AI
mckinsey.com 外部サイト・別タブで開きます
- 掲載日
- 2026.9.24
- 元記事の公開日
- —
AI変革を「技術導入」ではなく人材・オペレーティングモデル・データ・導入定着を含む全社変革として整理する視点が得られる。戦略レイヤーの論点整理に役立つ。
AX総研で深掘り → AXの進め方は？6ステップと推進体制・KPI設計を実務目線で解説 - NIST
AI Risk Management Framework: Generative AI Profile (NIST AI 600-1)
nist.gov 外部サイト・別タブで開きます
- 掲載日
- 2026.9.10
- 元記事の公開日
- —
AI RMFを生成AI固有のリスクに当てはめたプロファイルで、リスク類型と対応アクションが整理されている。社内の生成AI利用規程やレビュー観点を作る際の下敷きになる。
AX総研で深掘り → AIガバナンスとは？企業が整えるべき体制・規程・運用を実務解説 - IPA（情報処理推進機構）
AI安全性に関する取り組み（AIセーフティ・インスティテュート）
ipa.go.jp 外部サイト・別タブで開きます
- 掲載日
- 2026.9.10
- 元記事の公開日
- —
国内公的機関によるAI安全性の評価観点やガイド類の入口で、日本の制度・実務文脈に沿った参照先として押さえておきたい。海外フレームワークを国内運用に落とす際の突き合わせに使える。
AX総研で深掘り → AI法規制と企業対応の全体像──EU AI法・国内ガイドラインの要点 - 経済産業省
デジタルガバナンス・コード
meti.go.jp 外部サイト・別タブで開きます
- 掲載日
- 2026.9.8
- 元記事の公開日
- —
経営者に求められるデジタル・AI活用のガバナンス要件を、経営ビジョンから体制・投資・情報開示まで一貫した枠組みで示した公的文書。社内規程やAI推進体制の設計時に、国内基準として参照できます。
AX総研で深掘り → AIガバナンスとは？企業が整えるべき体制・規程・運用を実務解説 - NIST
AI Risk Management Framework (AI RMF)
nist.gov 外部サイト・別タブで開きます
- 掲載日
- 2026.9.3
- 元記事の公開日
- —
AIのリスクをGovern / Map / Measure / Manageの4機能で構造化した、事実上の国際標準リファレンス。自社のAIガバナンス規程や評価プロセスを設計する際、抜け漏れチェックの土台として使える。
AX総研で深掘り → AIガバナンスとは？企業が整えるべき体制・規程・運用を実務解説
実装・技術・データ基盤
- Wikipedia
AI agent
en.wikipedia.org 外部サイト・別タブで開きます
- 掲載日
- 2026.10.16
- 元記事の公開日
- —
AIエージェントの定義や構成要素、応用分野、リスクを中立的にまとめた百科事典の項目です。業務自動化の検討に入る前に、社内で用語の意味をそろえるのに使えます。
AX総研で深掘り → AIエージェントの業務活用とは？始める業務・導入手順・効果測定を実務解説 - Microsoft Learn
AI workloads on Azure - Azure Well-Architected Framework
learn.microsoft.com 外部サイト・別タブで開きます
- 掲載日
- 2026.10.15
- 元記事の公開日
- —
AIワークロードの設計原則を、信頼性・セキュリティ・運用・コストなどの観点から整理した公式ガイドです。PoCの後に本番運用へ移るとき、設計と運用を確認するチェックリストとして使えます。
AX総研で深掘り → LLMOpsとは？MLOpsとの違いと管理対象・評価・監視を実務解説 - Anthropic
Writing effective tools for agents — with agents
anthropic.com 外部サイト・別タブで開きます
- 掲載日
- 2026.10.13
- 元記事の公開日
- 2025.9
AIエージェントに渡すツールの設計・評価・改善の進め方を、Anthropicの開発チームが自社の経験からまとめた記事です。エージェントを業務に組み込むときの、実装面の具体的な指針として読めます。
AX総研で深掘り → AIエージェントの業務活用とは？始める業務・導入手順・効果測定を実務解説 - Harvard Business Review
How to Train Generative AI Using Your Company's Data
hbr.org 外部サイト・別タブで開きます
- 掲載日
- 2026.10.7
- 元記事の公開日
- 2023.7
自社のナレッジを生成AIに活かす方法として、ファインチューニング、プロンプトによるチューニング、検索による拡張などのアプローチを整理し、企業の取り組み例も紹介しています。データ基盤の整備とコンテンツ管理が成否を分けるという、経営層向けの視点が得られます。
AX総研で深掘り → ファインチューニングとRAGの違いは？使い分けと判断基準を実務で解説 - Anthropic
Claude Code: Best practices for agentic coding
anthropic.com 外部サイト・別タブで開きます
- 掲載日
- 2026.10.7
- 元記事の公開日
- 2025.4
エージェント型コーディングツールを効果的に使うための実践ノウハウを、開発元のAnthropicがまとめたものです。コンテキストの与え方やワークフローの組み方などが解説されており、AIコーディングを組織に導入する際の運用設計に参考になります。
AX総研で深掘り → AIコーディング導入の進め方とは？ツール比較・手順・効果測定を解説 - Wikipedia
Prompt engineering
en.wikipedia.org 外部サイト・別タブで開きます
- 掲載日
- 2026.10.7
- 元記事の公開日
- —
プロンプトエンジニアリングの定義、代表的な手法、周辺の研究動向を中立的にまとめた概説ページです。社内研修やガイドラインで用語や手法をそろえる際の共通の参照先として使えます。
AX総研で深掘り → プロンプトエンジニアリングの業務活用ガイド：設計原則と社内定着の進め方 - Microsoft Learn
Cloud Adoption Framework for AI（AI adoption scenario）
learn.microsoft.com 外部サイト・別タブで開きます
- 掲載日
- 2026.10.6
- 元記事の公開日
- —
AI導入を戦略・計画・準備・ガバナンス・管理・セキュリティの段階に分けて示したMicrosoftの公式ガイドです。全社でAIを推進する際の進め方と体制を点検するチェックリストとして使えます。
AX総研で深掘り → AXの進め方とは？推進6ステップ・体制・KPI設計と失敗回避を実務解説 - Anthropic
Effective context engineering for AI agents
anthropic.com 外部サイト・別タブで開きます
- 掲載日
- 2026.10.5
- 元記事の公開日
- 2025.9
AIエージェントに渡す情報（コンテキスト）の設計と管理について、プロンプト設計より一段広い視点で整理したエンジニアリング解説です。エージェントを業務に組み込むときの実装上の判断に直接役立ちます。
AX総研で深掘り → AIエージェントの業務活用とは？導入手順・効果測定・ガバナンスを実務解説 - O'Reilly Radar
What We Learned from a Year of Building with LLMs (Part I)
oreilly.com 外部サイト・別タブで開きます
- 掲載日
- 2026.10.1
- 元記事の公開日
- 2024.5.28
LLMアプリを実際に開発した人たちが、プロンプト設計・RAG・評価の勘所を戦術レベルでまとめた記事です。PoCを本番運用に移すときの実務上の注意点がわかります。
AX総研で深掘り → 生成AIの評価方法とは？LLM評価の指標・手順・体制を実務で解説 - martinfowler.com
Exploring Generative AI
martinfowler.com 外部サイト・別タブで開きます
- 掲載日
- 2026.9.30
- 元記事の公開日
- —
Thoughtworksの技術者が、生成AIをソフトウェア開発に使ってみた経験と考察を連載で記録しているシリーズです。開発業務にAIを組み込むときに役立つ、現場目線の注意点を学べます。
AX総研で深掘り → AIで業務プロセスを再設計する方法｜手順・判断基準・失敗回避 - martinfowler.com
Emerging Patterns in Building GenAI Products
martinfowler.com 外部サイト・別タブで開きます
- 掲載日
- 2026.9.25
- 元記事の公開日
- 2025.2
生成AIをプロダクトに組み込む際の定番パターン（RAG・評価・ガードレールなど）を、エンジニアリングの観点で体系的に整理しています。PoCから本番運用へ移るときの設計の共通言語として役立ちます。
AX総研で深掘り → LLMOpsとは｜生成AI運用の全体像とMLOpsとの違い・実装5ステップ - Wikipedia
Retrieval-augmented generation
en.wikipedia.org 外部サイト・別タブで開きます
- 掲載日
- 2026.9.25
- 元記事の公開日
- —
RAGの仕組み・構成要素・課題を中立的な立場で概観できる解説です。社内でRAGを検討する前に、関係者が前提知識をそろえる資料として使えます。
AX総研で深掘り → RAG構築の実務ガイド：検索精度を上げる設計と評価の進め方 - Google Cloud
Generative AI on Vertex AI — ドキュメント
cloud.google.com 外部サイト・別タブで開きます
- 掲載日
- 2026.9.24
- 元記事の公開日
- —
生成AIを業務システムに組み込む際の構成要素（モデル、グラウンディング、評価、運用）がベンダー一次情報として体系化されている。実装フェーズの設計チェックリストとして参照価値が高い。
AX総研で深掘り → LLMOpsとは｜生成AI運用の全体像とMLOpsとの違い・実装5ステップ - Microsoft Learn
Azure AI Foundry documentation
learn.microsoft.com 外部サイト・別タブで開きます
- 掲載日
- 2026.9.18
- 元記事の公開日
- —
生成AIアプリの開発・評価・デプロイ・監視を一連の流れとして扱う公式ドキュメントで、実装フェーズで必要になる構成要素と運用手順を確認できる。
AX総研で深掘り → LLMOpsとは｜生成AI運用の全体像とMLOpsとの違い・実装5ステップ - Amazon Web Services
AWS Well-Architected Framework — Machine Learning Lens
docs.aws.amazon.com 外部サイト・別タブで開きます
- 掲載日
- 2026.9.17
- 元記事の公開日
- —
ML/AIワークロードを運用性・セキュリティ・コストなどの観点で設計するための一次リファレンス。データ基盤や運用設計のレビュー観点を体系的に洗い出せる。
AX総研で深掘り → AI活用を支えるデータ基盤とは？構成・構築手順・ガバナンスを実務目線で解説 - Anthropic
Prompt engineering overview
docs.anthropic.com 外部サイト・別タブで開きます
- 掲載日
- 2026.9.16
- 元記事の公開日
- —
モデル提供元による一次情報として、プロンプト設計の原則と手法が体系立てて整理されている。社内ガイドラインや業務テンプレートを作る際の根拠資料になる。
AX総研で深掘り → プロンプトエンジニアリングの業務活用ガイド：設計原則と社内定着の進め方 - OpenAI
OpenAI Platform Docs
platform.openai.com 外部サイト・別タブで開きます
- 掲載日
- 2026.9.15
- 元記事の公開日
- —
モデルの使い分け、埋め込み・検索連携、評価や安全対策まで一次情報として整理された公式ドキュメント。RAGや社内活用の実装方針を検討する際の基準資料になります。
AX総研で深掘り → RAG構築の実務ガイド：検索精度を上げる設計と評価の進め方 - Anthropic
Introducing the Model Context Protocol
anthropic.com 外部サイト・別タブで開きます
- 掲載日
- 2026.9.9
- 元記事の公開日
- 2024.11.25
AIを社内システムやデータに接続するための標準プロトコルを提唱した一次発表で、エージェント実装における接続層の考え方が示されています。個別連携の作り込みを標準化したい実装チームの前提知識になります。
AX総研で深掘り → AIエージェントの業務活用とは？適用領域・導入手順・ガバナンスを実務目線で解説 - Google Cloud
MLOps: 機械学習における継続的デリバリーと自動化のアーキテクチャ／AI・ML アーキテクチャ センター
cloud.google.com 外部サイト・別タブで開きます
- 掲載日
- 2026.9.8
- 元記事の公開日
- —
データ取り込みから学習・提供・監視までのAI/MLアーキテクチャ設計パターンを体系的にまとめたリファレンス。PoCから運用フェーズに進む際、データ基盤とパイプラインの責務分割を検討する土台になります。
AX総研で深掘り → AI活用を支えるデータ基盤とは？構成・構築手順・ガバナンスを実務目線で解説 - Microsoft Learn
Azure OpenAI Service documentation
learn.microsoft.com 外部サイト・別タブで開きます
- 掲載日
- 2026.9.7
- 元記事の公開日
- —
エンタープライズ環境で生成AIを運用する際のコンテンツフィルタ、ネットワーク分離、データ取り扱いの仕様が一次情報としてまとまっている。社内展開時のセキュリティ要件を詰める段階で原典として当たる価値がある。
AX総研で深掘り → 生成AIのセキュリティ対策とは？企業のリスク類型と実装手順を解説 - Google Cloud
MLOps: Continuous delivery and automation pipelines in machine learning
cloud.google.com 外部サイト・別タブで開きます
- 掲載日
- 2026.9.4
- 元記事の公開日
- —
手動運用からCI/CD・継続的学習までをMLOpsの成熟度レベルとして段階整理した定番ドキュメント。PoCから本番運用へ移行する際に、データ・パイプライン面で何を自動化すべきかの設計指針になる。
AX総研で深掘り → AI活用を支えるデータ基盤とは？構成・構築手順・ガバナンスを実務目線で解説 - Anthropic
Building effective agents
anthropic.com 外部サイト・別タブで開きます
- 掲載日
- 2026.9.3
- 元記事の公開日
- 2024.12
AIエージェントを「ワークフロー」と「エージェント」に切り分け、どこまで単純な構成で足りるかをパターン単位で示した実装者向けの原典。過剰に複雑なエージェント設計に走る前に読むべき指針となる。
AX総研で深掘り → AIエージェントの業務活用とは？適用領域・導入手順・ガバナンスを実務目線で解説
事例・市場・人材
- McKinsey & Company
Superagency in the workplace: Empowering people to unlock AI's full potential
mckinsey.com 外部サイト・別タブで開きます
- 掲載日
- 2026.10.16
- 元記事の公開日
- 2025.1
従業員と経営層を対象にした調査をもとに、AI活用が進まない原因を現場よりもリーダーシップ側の課題として分析したレポートです。AI推進体制やチェンジマネジメントを考える材料になります。
AX総研で深掘り → AI導入のチェンジマネジメントとは？現場定着を進める手順と抵抗対策 - BCG
AI Adoption in 2024: 74% of Companies Struggle to Achieve and Scale Value
bcg.com 外部サイト・別タブで開きます
- 掲載日
- 2026.10.16
- 元記事の公開日
- 2024.10.24
多くの企業がAIの価値を出せず、全社展開にも至っていない現状を、経営層への調査で示したBCGの発表です。成果を出す企業が技術よりも人とプロセスに重点的に投資している点は、PoC止まりを防ぐうえで参考になります。
AX総研で深掘り → AI導入の失敗事例とは？5つの型・根本原因・PoC止まりの防ぎ方と立て直し - BCG
AI at Work 2025: Momentum Builds, but Gaps Remain
bcg.com 外部サイト・別タブで開きます
- 掲載日
- 2026.10.14
- 元記事の公開日
- 2025.6
従業員のAI利用の広がりを、役職や地域ごとの差とあわせて示した年次調査です。現場への定着や研修の不足といった課題を、データで確認できます。
AX総研で深掘り → AI導入のチェンジマネジメントとは？現場定着を進める手順と抵抗対策 - Andreessen Horowitz (a16z)
How 100 Enterprise CIOs Are Building and Buying Gen AI in 2025
a16z.com 外部サイト・別タブで開きます
- 掲載日
- 2026.10.9
- 元記事の公開日
- 2025.6
大企業のCIOへの調査をもとに、生成AIの予算の動き、複数モデルの使い分け、内製か購入かの判断の傾向を整理しています。ベンダー選定や調達方針を考える際に、市場全体の動きを確認できます。
AX総研で深掘り → AIベンダー選定の進め方とは？評価基準・RFP・PoC・ロックイン対策を解説 - Harvard Business Review
Reskilling in the Age of AI
hbr.org 外部サイト・別タブで開きます
- 掲載日
- 2026.10.8
- 元記事の公開日
- 2023.9
AI時代のリスキリングを、個別の研修施策ではなく経営戦略として捉え直す論考です。人材育成を組織変革の中心に置くべき理由と、その進め方の考え方を整理できます。
AX総研で深掘り → AI人材の育成はどう進める？役割定義・三層研修・定着の仕組みを実務解説 - McKinsey & Company
The economic potential of generative AI: The next productivity frontier
mckinsey.com 外部サイト・別タブで開きます
- 掲載日
- 2026.10.5
- 元記事の公開日
- 2023.6.14
生成AIの経済効果を業務機能別・業界別に試算した代表的なレポートです。どの機能から投資するかを判断する際の基礎資料として使えます。
AX総研で深掘り → 生成AIの活用事例を業務別に整理｜営業・人事・開発の実装パターン - Andreessen Horowitz (a16z)
16 Changes to the Way Enterprises Are Building and Buying Generative AI
a16z.com 外部サイト・別タブで開きます
- 掲載日
- 2026.10.2
- 元記事の公開日
- 2024.3
企業の意思決定者への調査から、生成AI予算の位置づけの変化、複数モデルの併用、オープンソースモデルの採用動向などを整理しています。モデル選定や調達方針を考える際の市場の見取り図になります。
AX総研で深掘り → 生成AIモデル選定の基準とは？用途別の比較と評価・乗り換え運用の実践ガイド - Anthropic
Anthropic Economic Index
anthropic.com 外部サイト・別タブで開きます
- 掲載日
- 2026.9.30
- 元記事の公開日
- —
AIが実際の仕事や業務でどう使われているかを、利用データをもとに継続的に分析しているAnthropicの公式調査です。どの業務がAIの影響を受けやすいかを、推測ではなくデータで確かめられます。
AX総研で深掘り → 生成AIの活用事例を業務別に整理｜営業・人事・開発の実装パターン - IPA（情報処理推進機構）
DX白書・調査報告書（レポート一覧）
ipa.go.jp 外部サイト・別タブで開きます
- 掲載日
- 2026.9.24
- 元記事の公開日
- —
日本企業のAI・デジタル活用の実態を公的統計として押さえられるため、社内提案の根拠づけに使いやすい一次情報。米国との比較データも整理されている。
AX総研で深掘り → AI人材の育成はどう進める？役割定義・研修設計・定着までを実務解説 - McKinsey
The state of AI: How organizations are rewiring to capture value
mckinsey.com 外部サイト・別タブで開きます
- 掲載日
- 2026.9.15
- 元記事の公開日
- —
生成AIの導入率だけでなく、ワークフロー再設計やガバナンス整備といった「組織の配線を組み替える」実務論点まで踏み込んだ年次調査。自社のAX進捗を外部ベンチマークと比較する出発点になります。
AX総研で深掘り → AXの進め方は？6ステップと推進体制・KPI設計を実務目線で解説 - IPA（情報処理推進機構）
DX白書・デジタル時代のスキル変革等に関する調査
ipa.go.jp 外部サイト・別タブで開きます
- 掲載日
- 2026.9.4
- 元記事の公開日
- —
日米比較を含む国内企業のデジタル・AI活用実態とIT人材の状況を継続調査した公的資料。国内の自社水準を客観的な数値で位置づけたい場合の一次データとして使える。
AX総研で深掘り → AI人材の育成方法とは？スキル標準・研修設計・配置まで実務で解説
AXとは — 定義と全体像
- Harvard Business Review
The Business of Artificial Intelligence
hbr.org 外部サイト・別タブで開きます
- 掲載日
- 2026.10.16
- 元記事の公開日
- 2017.7
ブリニョルフソンとマカフィーが、AIを汎用技術として捉え、企業の業務や事業にどう組み込むかを経営の視点で整理した論考です。AXを「ツール導入」ではなく「事業変革」として考える際の出発点になります。
AX総研で深掘り → AXとは？DXとの違い・5層構造・進め方と落とし穴を実務解説 - Wikipedia
Generative artificial intelligence
en.wikipedia.org 外部サイト・別タブで開きます
- 掲載日
- 2026.10.15
- 元記事の公開日
- —
生成AIの定義、技術的な系譜、主なモデル、応用分野、リスクや規制の論点までを中立的にまとめた総覧ページです。AXの前提となる技術の全体像を押さえる入口になります。
AX総研で深掘り → AXとは？DXとの違い・5層構造・進め方と落とし穴を実務解説 - MIT Sloan Management Review
The Cultural Benefits of Artificial Intelligence in the Enterprise
sloanreview.mit.edu 外部サイト・別タブで開きます
- 掲載日
- 2026.10.14
- 元記事の公開日
- 2021.11
MIT SMRとBCGの共同調査で、AIが財務的な成果だけでなく、チームの協働や意思決定といった組織文化にも影響すると分析しています。AXを業務効率化だけで終わらせず、組織変革として捉え直すのに役立ちます。
AX総研で深掘り → AXとは？DXとの違い・5層構造・進め方と落とし穴を実務解説 - Wikipedia
Digital transformation
en.wikipedia.org 外部サイト・別タブで開きます
- 掲載日
- 2026.10.13
- 元記事の公開日
- —
デジタルトランスフォーメーションの定義・歴史・論点を、英語圏の文献をもとに中立的にまとめた項目です。AXをDXの延長として捉え、両者の違いを考えるときの基本資料になります。
AX総研で深掘り → AXとは？DXとの違い・5層の構成要素・進め方と落とし穴を実務解説 - Wikipedia
Large language model
en.wikipedia.org 外部サイト・別タブで開きます
- 掲載日
- 2026.10.6
- 元記事の公開日
- —
大規模言語モデルの仕組み・学習方法・主な限界・発展の経緯を中立的にまとめた解説です。モデル選定や社内向けの説明資料を作る前に、前提知識をそろえるのに役立ちます。
AX総研で深掘り → 生成AIモデル選定の基準とは？用途別の比較と評価・乗り換え運用の実践ガイド - Harvard Business Review
Competing in the Age of AI
hbr.org 外部サイト・別タブで開きます
- 掲載日
- 2026.10.2
- 元記事の公開日
- 2020.1
データとアルゴリズムを中核にした「AIファクトリー」型の企業が、従来の規模・範囲・学習の制約をどう超えるかを論じています。AXを業務改善ではなくオペレーティングモデルの変革と捉えるための基本文献です。
AX総研で深掘り → AI戦略の策定手順とは？経営目標から逆算する5ステップと実行体制 - Harvard Business Review
Artificial Intelligence for the Real World
hbr.org 外部サイト・別タブで開きます
- 掲載日
- 2026.10.1
- 元記事の公開日
- 2018.1
企業のAIプロジェクトを、プロセス自動化・認知的洞察・認知的エンゲージメントの3類型に整理しています。大きな構想より段階的な改善から始めるべきだと説く、AX戦略の古典的な論考です。
AX総研で深掘り → AXとは何か？DXとの違いと進め方・落とし穴を実務目線で徹底解説 - Wikipedia（日本語）
デジタルトランスフォーメーション
ja.wikipedia.org 外部サイト・別タブで開きます
- 掲載日
- 2026.9.30
- 元記事の公開日
- —
DXの定義や由来、国内での使われ方を中立的な立場でまとめた基礎資料です。AXをDXの延長として捉え、両者の違いを整理するときの前提知識として使えます。
AX総研で深掘り → AXとは何か？DXとの違いと進め方・落とし穴を実務目線で徹底解説 - Harvard Business Review
AI and Machine Learning
hbr.org 外部サイト・別タブで開きます
- 掲載日
- 2026.9.11
- 元記事の公開日
- —
AI活用をマネジメント課題として扱う記事群で、導入判断や組織変革、リーダーシップの観点が中心。技術記事だけでは補いにくい経営層との対話材料が得られる。
AX総研で深掘り → AXとは何か？DXとの違いと進め方・落とし穴を実務目線で徹底解説 - BCG
Artificial Intelligence（AIインサイト一覧）
bcg.com 外部サイト・別タブで開きます
- 掲載日
- 2026.9.9
- 元記事の公開日
- —
AI変革を業務プロセス再設計と人材・組織変更の組み合わせとして論じる分析がまとまっており、投資対効果の考え方を整理できます。PoC止まりを脱して事業インパクトに接続したい段階で参照する価値があります。
AX総研で深掘り → AXとは何か？DXとの違いと進め方・落とし穴を実務目線で徹底解説
掲載方針：外部リソースは一次情報・中立ソースを優先し、内容は転載せずリンクと出典明記にとどめています。選定・解説は編集部の見解です（編集・AI利用ポリシー）。リンク切れや推薦したい良質な情報があれば お問い合わせ からお知らせください。