日本の高い基礎スキルは、なぜ生産性につながらないのか：構造課題とAI・DX

日本の生徒と成人は、国際的な調査で高い基礎スキルを示しています。一方で、働く人一人が生み出す付加価値は、米国の5割強にとどまります。

• PISA 2025（15歳）：日本は科学コンピテンシー・読解力・数学的リテラシーの3分野すべてで、OECD加盟38か国中1位でした（2026年9月公表、文部科学省・国立教育政策研究所「PISA2025のポイント」）。
• PIAAC 2023（16〜65歳）：日本の成人の読解力と数的思考力の平均得点は、いずれもOECD平均を上回る高い水準です（2024年12月公表、OECD「Survey of Adults Skills 2023」日本のカントリーノート）。
• 労働生産性（2024年）：就業者一人当たり労働生産性は、日本が98,344ドル、米国が180,993ドルでした。購買力平価で換算した値で、日本は米国の約54%、OECD加盟38か国中29位です（2025年12月公表、日本生産性本部「労働生産性の国際比較2025」）。

この記事では、人の能力を経済価値に変える仕組みのどこに課題があるのかを考えます。

3つの調査は、対象も測る内容も異なります。PISAは15歳の生徒が知識や技能を実生活の課題に活用する力を、PIAACは成人の読解力や数的思考力など限られたスキルを測ります。労働生産性は国全体の付加価値を就業者数で割った値で、個人の能力や働きぶりを測るものではありません。

そのため、「日本人は全員が優秀」「米国人の半分しか働いていない」とは言えません。一方で、基礎スキルが国際的に高い国で、一人当たりの付加価値が米国の5割強にとどまるという対比は、確認できる事実です。時間当たりで比べても、日本は60.1ドルで米国（116.5ドル）の52%、OECD加盟38か国中28位です（同報告書）。労働時間の長短だけでは説明しにくい差です。

この記事では、この差を個人の努力や能力だけで説明せず、能力を成果へ変える仕組みの課題としても考えます。以下では、確認できる事実、研究機関の分析、記事としての解釈、企業への提案を分けて示します。

労働生産性は、働く人の能力だけでは決まりません。使える設備やソフトウェア、組織の意思決定、業務の設計、事業が生む付加価値、どの仕事に人を配置するかによって、同じ能力の人が生み出す価値は変わります。次の表は、記事の説明のために要素を整理したもので、それぞれの影響の大きさを示すものではありません。

企業の現場では、集計、転記、調整、例外処理を、担当者の経験と工夫でこなせることがあります。業務が止まらないことには価値がありますが、その手間が顧客への価値や利益の増加につながるとは限りません。個人が仕組みの不足を補うほど、負担が記録に残らず、経営から改善の対象として見えにくくなる場合があります。この負担は、現場の努力で補い続けるだけでは減りません。改善の時間・権限・予算を用意する経営と業務設計の課題です。

負担を把握するときは、関係者が実際に作業した総作業時間、次の工程や承認を待つ待ち時間、開始から完了までのリードタイムを分けて記録します。待ち時間を作業時間に足すと、人の負担を過大に見積もります。測り方の例はDX推進ガイドの「90日プランとKPI設計」、工程の書き出し方はPOA（プロセス指向アプローチ）の進め方で扱っています。

OECDの対日経済審査（2026年5月公表）の生産性の章は、日本の時間当たり労働生産性の伸びが、2000〜08年の年1.2%から2019〜24年の年0.3%に低下したと分析しています。同じ章は、生産性を高めるには、企業の参入と退出、生産性の低い中小企業部門の改革、成長企業の規模拡大、人的資本、対内直接投資、規制など、幅広い分野の政策が必要だとしています（OECD Economic Surveys: Japan 2026 第2章）。原因は一つではありません。企業の判断に関わる論点を、4つに分けて整理します。

• 投資と、それを生かす補完的な投資：OECDは、2000年以降に働く人一人当たりの資本の伸びが鈍り、生産性の伸びを抑えたとしています。研究開発やソフトウェアなどの無形資産は積み上がったものの生産性の向上につながらず、その背景として、組織や人材の訓練への投資の不足が指摘されています。
• 部分的なデジタル化と、業務・組織全体の変更：中小企業のデジタル化は、紙や手作業の機能を置き換える形が中心で、業務の効率や競争力を高めるデジタル変革は少ないとされています。時間、スキル、資金が足りず、組織への補完的な投資に回せないことが理由に挙げられています。
• 企業・産業間の資源の移動：産業や企業の間で、生産性の高いところへ資源が移る動きの寄与は小さく、生産性の低い企業が改善や退出によってその状態から抜け出す確率は、米国より低いと分析されています。企業の参入率と退出率は、米国の約半分です。
• 成長する事業や改善へ資源を振り向ける仕組み：OECDは、多くの企業でリスクを取って投資するより現状維持が続いていると指摘し、企業の手元資金が2024年にGDPの57%と、米国（16.6%）を大きく上回るとしています。

これらは独立した原因ではなく、互いに関係しています。規制や人口動態など、この記事では扱わない要因もあります。IT人材の不足や労働市場の硬直性だけを原因とするのではなく、複数の構造課題のうち、企業が判断できるIT・人材・調達に焦点を当てます。

IMFの2026年10月版の予測に基づくと、日本のドル建て名目GDPは2027年にインドと英国を下回り、世界6位となる見通しです（IMF「World Economic Outlook」2026年10月版）。同じ資料で日本は、2025年の実績と2026年の予測では4位です。順位は確定したものではなく、為替や各国の成長によって変わる予測値です。

この予測は、日本経済の停滞をどう捉えるかという問いにつながります。生産性の伸びは、長い目で見た経済成長と、賃金や投資に回せる余地を左右します。OECDは、生産年齢人口が減る中で生活水準を保つには、より大きな生産性の向上が必要だとしています（同章）。日米の差も広がっています。時間当たりの労働生産性でみた日本の水準は、差が最も小さかった1997年には米国の65%でしたが、2024年には52%です（日本生産性本部の報告書）。

日本経済の位置を見るときは、次の4つの指標を分けて考えます。

表の出典と集計条件：GDPの3指標は、世界銀行「World Development Indicators」（2026年10月8日更新）の実質GDP成長率、名目GDP（米ドル）、一人当たり名目GDP（米ドル）の実績値です。平均は1991〜2024年の各年の値の単純平均です。順位は地域などの集計値を除く国・地域の中での当社の集計で、一人当たりは現在のOECD加盟38か国で比べています（2000年も同じ38か国）。2024年の一人当たり24位は、内閣府の年次推計（2025年12月公表）とも一致します。

IMFの予測の出典と条件：World Economic Outlook 2026年10月版の名目GDP（米ドル建て、IMF DataMapper）。2027年の世界順位は、地域・所得階層などの集計値を除く189の国・地域の中での当社の集計です。同版の統計付録では、日本と英国は2025年、インドは2025年度までが実績で、2026年以降は予測です。インドの値は4月〜翌3月の年度ベースです。

順位の変化には、為替、物価、人口と就業者数、他国の成長が影響します。たとえば円安が進めば、国内で生み出す量が同じでも、ドル建ての規模と順位は下がります。そのため、GDP順位の低下をIT活用の遅れだけで説明することはできません。一方で、働く人一人当たりの付加価値が伸びなければ、就業者が減る中で経済の規模と所得を伸ばすことは難しくなる、というのがこの記事の解釈です。企業にとっての課題は、順位そのものより、その背景にある一人当たりの付加価値の伸び悩みです。次の章からは、IT人材、資源の配分と調達、AI・DXによる仕事の再設計の順に、企業が判断できることを扱います。

IPA「DX動向2025」の2024年度調査では、DXに取り組む日本の回答企業の85.1%が、DXを推進する人材の量が「やや不足している」「大幅に不足している」と答えました。米国とドイツでは、「過不足はない」「やや過剰である」が合わせてそれぞれ73.6%、52.5%です（2025年6月公表、IPA「DX動向2025」）。2026年7月公表の「DX動向2026」（日本企業のみの調査）でも、2025年度調査で85.5%と高い水準が続いています（IPA「DX動向2026」）。OECDも、AI導入の障壁としてAI関連人材の不足を挙げる企業の割合が、日本では米国の約3倍だとしています（同章）。

これらは調査に回答した企業の認識で、日本企業全体の割合や、IT技術者の人数の不足率ではありません。また、必要な役割を担う人が足りないことと、日本の人の基礎能力が低いことは別の問題です。人材の不足は、次の4つの面から確認します。

• 役割とスキルの定義：自社のDXに必要な役割と、それぞれに求めるスキルが言葉になっているか。
• 事業と技術をつなぐ人：目的設定から導入、導入後の効果検証までを、関係者を調整しながら一貫して進める人がいるか。IPAはこの役割をビジネスアーキテクトと呼んでいます。DX動向2025で、人材が不足している企業に最も不足している人材を一つ尋ねた結果、日本で最も多かったのはビジネスアーキテクト（43.0%）で、米国とドイツではデータサイエンティストでした。
• 改善に使う時間・権限・予算：担当者が日常業務の合間ではなく改善に使える時間と、変更を決める権限、試行の予算を持っているか。
• 人材の組み合わせ：採用、育成、社内の配置、外部の専門家との連携を組み合わせているか。

推進体制と役割分担、育成の進め方はDX推進チームの作り方と人材育成で扱っています。

資源の配分には2つの層があります。一つは、国全体で人材と資本が生産性の高い企業や産業へ移る動きです。もう一つは、企業の中で、どの業務と事業に人の時間と予算を使うかです。前者には制度や市場の課題も含まれますが、後者は各企業が自ら決められます。この記事が提案するのは後者です。

企業の中の配分について、IPAのDX動向2025は、日本ではDXの予算を「必要な都度、申請し、承認されたものが確保される」企業の割合が高く、計画的・継続的な投資を前提とした取り組みが米国やドイツより少ないとしています。DXを推進する人材の育成予算を増やした企業も、日本は2割強で、米国の7割弱、ドイツの6割弱を下回ります（同調査）。企業が実行できる選択肢は、次のとおりです。

• 維持や手作業に使っている時間と予算を把握し、その一部を改善に振り向ける。
• 既存業務の廃止や標準化も含めて、投資の対象を選ぶ。
• 自社が持つ判断の責任と、外部から調達する専門性を分ける。
• 採用、育成、外部IT責任者、専門企業、SaaSなどを組み合わせる。
• 標準のサービスで足りる範囲と、自社固有の開発が必要な範囲を分ける。

適切な調達は、単に安く買うことではありません。要件、総費用（初期費用、継続費用、運用の手間）、変更のしやすさ、データの扱い、運用の責任、受入条件をそろえて判断することです。外部への委託や自社向けに開発したシステムそのものが問題なのではありません。何を自社で決め、何を誰に任せるかを決めないまま発注すると、変更のたびに費用と時間がかかり、改善に資源を回しにくくなります。全面的な内製化を一律に目指す必要もありません。提案と見積もりの比べ方はシステムの見積もり・ベンダー提案の比較方法で扱っています。

この記事でAIとDXを「劇薬」と呼ぶのは、既存の工程、人の役割、意思決定、投資先まで変え得るという意味の比喩です。効き目が大きい分、使い方を誤ると、負担が別の場所へ移るだけになる場合があります。

AIは、要約、分類、下書き、分析、開発の支援などの作業を変え得る技術です。DXは、AIを含むデジタル技術を使って、業務、組織、顧客への提供価値を変える取り組みです。AIはDXの手段の一つで、AIを導入しただけで事業や組織が変わるわけではありません。

既存の工程を残したままAIの出力だけを増やすと、確認や承認が新しいボトルネックになり得ます。たとえば、AIで回答案の作成時間が短くなれば、確認・承認の工程が同じでも、全体のリードタイムが短くなる場合があります。ただし、確認する人や承認の基準が変わらなければ、確認・承認がボトルネックとして残り、全体の改善が頭打ちになる場合があります。AIを仕事と事業の再設計につなげるには、次の5つを一緒に進めます。

1. 定型作業を減らす：AIや自動化に任せる作業と、人が確認する範囲を決める。
2. 人の役割を変える：減った作業の時間を、例外への対応、顧客への提案、改善に充てる。
3. 確認と承認を見直す：確認の基準、承認の権限、誤りがあったときの戻し方を決める。
4. 資源配分を変える：短縮した時間と予算を、どの業務や事業に使うかを決める。
5. 効果を測って広げる：人の確認・修正を含む総作業時間、待ち時間、リードタイム、品質、費用を変更の前後で比べ、成果が出た範囲から広げる。

次の工程例は、この5つを一つの業務に当てはめたものです。

説明のための工程例として、問い合わせ対応を取り上げます。特定の企業の事例や効果を示すものではありません。回答文を速く作るだけで終わらせず、次の流れに組み替えます。

1. 問い合わせの分類（技術に任せる）：内容、緊急度、担当の候補を振り分ける。判断に迷うものや苦情は人に回す。
2. 必要な情報の参照（技術に任せる）：社内の規定、契約条件、過去の対応記録から関係する情報を集め、参照元を示す。
3. 回答案の作成（技術に任せる）：参照した情報をもとに回答案を作る。
4. 人による確認・承認（人が判断する）：事実、約束してよい範囲、例外の扱いを確かめて承認する。誤りの影響が小さい定型の回答は確認を軽くし、影響が大きい回答は承認者を決めておく。承認後の送信担当を決め、送信結果を記録する。送信は人が行ってもよく、自動化を前提にしない。
5. 対応記録（技術と人）：送信した回答、判断の理由、参照した情報を記録して対応を完了し、次の分類や参照に使う。

回答案ができた時点、承認した時点、顧客へ送信した時点、対応を完了した時点は、それぞれ別に記録します。回答案ができても、承認と送信が済むまで顧客への回答は終わっていません。

人が判断するのは、顧客への約束、例外、誤りの影響が大きい回答です。作業が減って生まれた時間は、同じ問い合わせが繰り返される原因を減らす改善や、顧客への提案に振り向けます。効果は、人の確認・修正を含む総作業時間、確認を待つ時間、受付から顧客への送信までのリードタイム、回答の品質を、変更の前後で比べて確かめます。具体的な依頼の仕方と記録の残し方はAIエージェントの始め方と活用例、対象業務の選び方と評価は生成AIを業務へ組み込む方法で扱っています。

AIで人材不足や日本の生産性の問題が一度に解決するとは言えません。OECDも、日本ではAIの導入が進んでおらず、AI関連人材の不足が障壁になっていると分析しています。AIの効果は、それを受け止める業務、役割、投資の変更とあわせて表れる、というのがこの記事の見方です。

国全体の構造課題は一つの企業では変えられませんが、企業の中で能力を成果へ変える仕組みは見直せます。最初に判断することを3つに絞ります。

1. 人が吸収している作業と、維持に使う資源を把握する：集計、転記、調整、例外処理に使っている時間と、既存システムの維持に使っている予算を把握する。時間は、総作業時間・待ち時間・リードタイムを分けて記録する。
2. 判断責任者を決め、改善へ時間と予算を割り当てる：業務、IT、人材のそれぞれについて判断する人を決め、改善に使う時間、変更の権限、試行の予算を示す。
3. 調達と業務変更を一緒に設計し、小さく試して評価する：道具を選ぶ前に業務の廃止・標準化と役割の変更を決め、一つの業務で試し、件数の違いを考慮して効果を確かめてから広げる。

経営者に求められるのは、現場にさらに努力を求めることだけではありません。事業に合うツールを選び、必要な情報と権限に基づいて意思決定できる仕組みを整え、学びや改善に取り組める環境を用意し、将来の価値につながる投資を行うことです。

こうした条件を企業に持ち込み、既存の業務、役割分担、承認、情報の流れを更新することで、人材が持つ基礎能力や経験を、より大きな成果へつなげられます。AIやDXは、その更新を進める手段になります。

高い基礎能力は、経済価値を生む可能性を持っています。その可能性を引き出し、一人ひとりが力を発揮できる条件をつくることが、経営の役割です。