基幹システム刷新をDXに変える業務変革と生成AI活用の成功条件
基幹刷新が再び経営課題となる構造
老朽化した基幹システムをクラウドや新しいERPへ移す動きが広がっています。しかし、サーバーやソフトウェアを新しくしても、承認経路や部門間の分断、重複入力まで引き継げば、得られるのは保守性の改善に限られます。モダナイゼーションとDXは、重なる部分があっても同義ではありません。
IPAの「DX動向2026」では、AIを導入または試験利用する企業が58.0%に達しました。一方、生成AIが部署の業務プロセスに組み込まれている企業は11.9%です。基幹刷新を、業務、データ、権限、評価指標まで再設計する機会にできるかが、AI投資の成果を左右します。
現行踏襲を断つ業務設計と標準化の原則
システム要件より先に決める事業成果
基幹刷新の初期段階で決めるべきなのは、画面や機能の一覧ではありません。受注から入金までの時間をどう短縮するのか、在庫の過不足をどう減らすのか、月次決算をどこまで早めるのかといった事業成果です。目的が曖昧なままでは、プロジェクトが「旧システムと同じ機能を新環境で再現する仕事」へ収束します。
IPAの調査では、DXの成果が出ている企業のうち、全社的な業務プロセス最適化に取り組む企業は53.8%でした。成果が出ていない企業では29.5%にとどまります。両者の差は、技術の選択以上に、部門をまたぐ業務を変革対象にできたかどうかの重要性を示しています。
評価指標にも二つの層が必要です。稼働率、障害件数、移行データの正確性は、システム刷新の品質を測る指標です。顧客への回答時間、在庫回転、手作業による補正、商品投入までの期間は、経営変革の成果を測る指標です。後者を経営会議で追わなければ、刷新が完了してもDXの成否は判断できません。
競争領域だけを残す標準化判断
現行業務には、法令や取引条件に由来する必須要件と、長年の慣行で残っただけの手順が混在しています。すべてを「自社固有の強み」とみなして個別開発すると、旧システムの複雑性が新しいERPへ移植されます。業務を「廃止するもの」「標準機能へ合わせるもの」「競争力のために残すもの」に分ける作業が欠かせません。
SAPが提唱するクリーンコアも、標準に近いプロセス、高品質なマスターデータ、分離された拡張機能を重視しています。重要なのは、特定製品の方法論を採用することではなく、標準から外れる場合に経営上の理由と責任者を明確にすることです。
標準化は、全社を一律にすることでもありません。会計、購買、人事など差別化につながりにくい領域は標準へ寄せ、価格設定、需要予測、製造条件など競争力を生む領域へ開発資源を集中させます。この境界を明示すれば、保守費用を抑えながら独自性を残せます。
業務責任者が握る部門横断の意思決定
情報システム部門だけでは、与信基準、在庫責任、承認権限、取引先コードの統一を決められません。基幹刷新には、受注、調達、製造、会計などの一連の流れに責任を持つ業務プロセスオーナーが必要です。経営陣は部門ごとの利害が衝突した際の決定権を与え、例外追加を統制します。
同じIPA調査では、経営者、IT部門、業務部門が協調できている割合が、DXで成果を得た企業では72.9%、成果が出ていない企業では37.1%でした。相関関係であり因果関係を直接証明する数字ではありませんが、刷新をIT部門へ委ねるだけでは成果に結びつきにくいことを示唆します。
ベンダーとの関係も変える必要があります。完成した要件書を渡して納品を待つだけでなく、自社側が業務ルールとデータの意味を理解し、優先順位を更新できる体制を持つことが重要です。外部の専門家には、個別機能の受託開発よりも、標準化や移行設計、内製チームの支援を求める方が持続的です。
AIの価値を引き出すデータとアーキテクチャ
AIを業務フローへ組み込む設計
生成AIの利用を文書作成や社内検索にとどめれば、個人の作業時間は短縮できます。しかし、発注、在庫補充、請求照合、保守対応などの成果を変えるには、AIの出力を基幹業務の次の処理へ接続しなければなりません。単独のチャット画面ではなく、業務フローの一部として設計する必要があります。
例えば需要予測では、AIが数値を表示するだけでは不十分です。販売実績、在庫、販促、納期を取得し、異常値の理由を示し、担当者の承認後に補充提案をERPへ反映する流れまで設計します。人が確認すべき条件、AIが参照できる情報、判断結果を記録する場所も同時に定義します。
「DX動向2026」では、AIの効果を得た企業の91.6%が業務の効率化・迅速化を挙げる一方、顧客満足度の向上は4.5%、売上や利益の向上は3.9%でした。AIの導入自体を目的にせず、顧客価値や収益へ届く一連の業務を再構成する必要があります。
マスターデータと権限体系の再構築
AIは、基幹システムに蓄積された取引データへ新しい利用価値を与えます。ただし、同一顧客が複数のコードで登録され、商品分類が部門ごとに異なり、更新責任者も不明な状態では、AIが学習するのは業務の矛盾です。高度なモデルを導入しても、入力データの意味が揃わなければ安定した判断はできません。
IPA調査では、AI向けの学習データを整備して実際に活用している企業は7.0%でした。全社でデータを利用している企業も20.0%にとどまります。基幹刷新ではデータ移行を単なるコピー作業とせず、顧客、商品、取引先、組織などの正本と更新責任を定義する工程として扱うべきです。
同時に、権限設計の見直しが必要です。AIエージェントがシステムを横断する環境では、閲覧できる情報だけでなく、提案、承認、登録、取消しの権限を分離しなければなりません。重要な処理には人による承認、操作履歴、出力根拠、緊急停止手段を組み込みます。
段階移行を支えるAPIと疎結合設計
大規模な基幹システムを一度に切り替える方式は、移行期間中に業務要件が変わり、完成時には設計が古くなる危険があります。機能を業務領域ごとに分け、APIやイベント連携を介して旧システムと新システムを共存させれば、価値を確認しながら移行できます。
これは、既存システムの外側に新機能を構築し、徐々に置き換える「ストラングラーフィグ」と呼ばれる考え方です。AWSの実装指針も、変更頻度や拡張要求の高い領域を選び、機能を段階的に分離する方法を示しています。
ただし、マイクロサービス化そのものを目標にすると、接続先と運用対象が増えて複雑性を高めます。分割単位は技術レイヤーではなく、受注、価格計算、在庫引当など責任を明確にできる業務能力に合わせるべきです。データ同期、監視、切り戻し、旧機能の廃止条件まで定義して初めて、段階移行が経営リスクの低減につながります。
大規模刷新を失速させる三つの経営リスク
第1のリスクは、クラウド移行をDXの完了と誤認することです。リプラットフォームは運用負荷や保守切れの問題を改善できますが、業務ルールやデータ構造は自動では変わりません。新旧環境のコストだけを比べると、業務改革へ必要な投資が削られます。
第2のリスクは、完璧な将来像を一括導入しようとすることです。長期化するほど要件と市場環境のずれが広がるため、業務単位で成果を検証し、次の投資判断へ反映する仕組みが必要です。ただし、段階化を理由に全体のデータモデルや権限原則を後回しにしてはいけません。
第3のリスクは、AIを人手不足の即効薬として接続することです。誤ったマスターや例外だらけの業務を自動化すると、問題が高速かつ大量に再生産されます。NISTのAIリスク管理枠組みが示すように、設計、利用、評価を通じた継続的なリスク管理が必要です。
刷新後の「再レガシー化」にも注意が要ります。例外機能の追加を審査する仕組み、製品や業務領域ごとの責任者、継続的な更新予算がなければ、新システムも短期間で変更困難になります。稼働開始は終了点ではなく、継続的な変革能力を運用へ移す節目です。
経営陣が予算審議で確認すべき実行指標
経営陣は、移行進捗や開発費だけでなく、受注処理時間、決算所要期間、在庫の滞留、手作業による補正、顧客への回答速度を確認すべきです。加えて、標準機能の採用率、個別拡張の増減、変更のリードタイム、APIの再利用状況を追えば、システムが再び硬直化していないかを判断できます。
AIについては、利用人数よりも、業務プロセスへ組み込まれた範囲、提案の採用率、人による修正率、データ品質、重大な誤出力や権限違反を測ります。効率化と同時に、顧客価値、売上、利益への寄与を確認する指標も欠かせません。
着手点は、システム全体ではなく、経営効果を測定できる一つの業務の流れです。現状値、目標、業務責任者、データ責任者を定め、刷新とAI活用を同じ成果指標で評価します。この運営を全社へ広げることが、基幹システム刷新を真正のDXへ変える道筋です。
参考資料:
- IPA「DX動向2026」
- JUAS「企業IT動向調査2026 発表資料」
- IPA「ITシステムのモダン化とは?」
- デジタル庁「企業のDXを阻むレガシーシステムとは」
- デジタル庁「ベンダー企業が取るべきモダン化対策」
- IPA「DX実践手引書 ITシステム構築編」
- IPA「データとITシステムの利活用状況を可視化する新指標」
- デジタル庁「デジタル社会推進標準ガイドライン」
- SAP Learning「Exploring the Clean Core Concept」
- Microsoft「Plan your cloud modernization」
- AWS「The strangler fig pattern」
- Martin Fowler「Strangler Fig」
- OECD「The Adoption of Artificial Intelligence in Firms」
- NIST「AI Risk Management Framework」
関連記事
AI経理で財務部門は経営参謀へ進化、富士通の先読み改革の核心
財務経理部門は決算処理の場から、AIと統合データで業績を先読みする経営参謀へ変わりつつあります。富士通のOneERP+、FP&A、AI売上予測、GartnerやKPMGの調査、AI監査の実装例を手がかりに、CFO組織が備えるべきデータ基盤、人材、統制を解説。
IBMのClient Zero戦略が顧客向けAI変革サービスへ転化する構図
IBMの内製AI改革が顧客向けサービスへ変わる仕組みと収益化の射程
AI活用でビジネスはどう変わる 先行企業7社の実践と共通項を読む
LIFULL、イオン、ミスミ、Michelin、藤田医科大学などの事例から、AI導入が業務効率化で終わらず、顧客体験、現場標準化、新たな収益機会へ広がる条件を整理します。
ソニー田中社長らが討論、フィジカルAIで製造業はどう変わるのか
ソニーの田中健二社長CEOとNoetraの丹波廣寅社長らが議論するフィジカルAI。国産基盤モデル「FRONTia」、製造現場のデータ活用、ロボット導入の投資回収、安全・人材・経済安全保障まで、ものづくり企業が実装前に見極めるべき競争軸と経営課題、日本の強みをどう事業価値へ変えるかを公開資料から多角的に読み解く。
自分軸なきニセFDEの誤算 大手SIerを蝕むご用聞き化の正体
顧客の現場に入り、AIを本番導入するFDEが国内でも広がる一方、肩書だけを替えたSIerは再び「ご用聞き」に陥ります。PalantirやOpenAIの設計思想とNTTデータなど国内事例を比較し、プロダクトへの還流、成果指標、断る権限、顧客自走という4条件から、本物とニセモノを分ける組織設計を解説します。
最新ニュース
リーマン予想をAIで証明か、アンソロピック研究者発表を徹底検証
アンソロピックの数学者レベント・アルポゲ氏がClaudeとリーマン予想を証明したと発表。17万5187個のLeanファイルは独立検証を通過した一方、クレイ数学研究所の正式認定と人間が読める証明は未完です。AIが探索し形式証明系が検算する新しい研究工程の実力、限界、企業の競争優位と将来像まで読み解く。
デビット決済が電子マネーを逆転、預金争奪戦で銀行サービス激変
2026年1〜6月のデビット決済額は3兆2272億円となり、SuicaなどIC型電子マネーの2兆7957億円を初めて上回った。預金残高に連動するポイント還元、約4000円の利用単価、銀行の狙いを整理。還元率だけでは見落としやすい補償や対象外取引を含め、決済市場の構造変化と家計の選択軸を多角的に読み解く。
日本人の半数「努力したくない」 意欲低下を招く日本型雇用の構造
野村総合研究所の調査で「努力や訓練が必要なことはあまりやりたくない」とする日本人が49.8%に達し、11年で15.5ポイント増えた。若者より50代・60代で目立つ背景を、実質賃金の低迷、管理職の負担、学び直しの機会格差、調査上の注意点から検証。意欲を個人責任にしない人材戦略の具体的な改革を解説する。
NVIDIA株14%急落、SEC会計調査で問われる企業の開示統治
米証券取引委員会(SEC)がNVIDIAの会計処理を調査しているとロイターが報道し、同社株は14.01%安の125.53ドルで引けた。調査内容は非公表だが、地理別売上の集計変更や顧客集中、売掛金・投資・保証の膨張が焦点候補となる。過去の開示違反と経営移行も踏まえ、今後、投資家が確認すべき論点を解説。
S&P500調整入り、AI株高ピーク説を業績と資金循環で検証
S&P500は7日続落し、10月の最高値から11%超下落して調整局面に入った。NVIDIAの記録的な増収やAnthropicの大型IPOでも売りを止められなかった背景を、AI投資の資金循環、金利、企業統治、市場評価の変化から分析。AI需要の終焉か、期待先行相場の健全化かを見極める指標を投資家向けに解説。