DX取組企業は8割近く：IPA「DX動向2026」のAI活用を成果と混同しない

公表内容と対象範囲

情報処理推進機構（IPA）は2026年7月16日、国内企業のDX動向・AI活用動向に関する『DX動向2026』調査のポイントを公表しました。調査対象は国内企業の経営層、情報システム部門、DX推進部門などで、回収は1,799社、実施期間は2026年4月17日から6月12日です。公表資料ではこれを2025年度調査と位置づけ、DXの取組・成果、AIとデータの利活用、人材育成などを扱っています。

DXについては、8割近くの企業が何らかの形で取り組み、設定した目的に対して6割が『成果が出ている』と回答しました。いずれも過去2回と概ね同水準です。具体的な取組では、アナログ・物理データのデジタル化や業務効率化による生産性向上の成果割合が相対的に高く、顧客起点の価値創出によるビジネスモデルの根本的変革、企業文化や組織マネジメントの根本的変革などは相対的に低いと整理されました。

AI導入は企業規模による差が示され、従業員1,001人以上の企業では8割近くが導入している一方、101人以下では16.6%でした。AI導入の効果では『期待以上』と『期待どおり』の合計が31.8%、『一定の効果はあった』が50.6%です。この結果は回答企業が効果をどう評価したかを示すもので、処理精度、投資収益、従業員全員の利用頻度を共通の測定方法で検証した数値ではありません。

AIの利用用途は『文書・音声の要約・翻訳・校正』82.5%、『文書・レポートの作成』80.5%、『情報検索・収集・分析・レポーティング』77.0%が上位でした。『生産・物流・サービス提供の計画支援』6.0%、『自社製品・サービスの高度化』10.9%は低い割合です。具体的効果も『業務が効率化したり迅速化した』91.6%が最も高く、企画提案等の品質や速さ48.9%、残業時間削減29.2%が続きました。

企業価値に近い具体的効果では、顧客満足度向上4.5%、対象顧客の拡大2.7%、売上や利益の向上3.9%でした。DXに取り組む企業のうち、AIをDX推進の一部または中心として活用する回答は合計54.2%で、約4分の1はDXとAIへ個別に取り組んでいます。DX推進人材の量が『やや不足』『大幅に不足』との回答は合計85.5%です。公表時点では100ページ超のデータ集を伴う詳しい報告書を7月下旬に公開予定としており、7月16日の資料は結果のポイントです。

公表日の新しさだけで『最新』と判断せず、調査対象、基準時点、速報か確報か、集計単位を確認します。本記事は元資料を独自に要約し、数字や文言を別媒体から転載していません。確認日は編集部が一次資料とリンクを実際に見直した日であり、ビルド日には置き換えません。

数字・事例を判断材料へ変える読み方

まず『DXへ取り組む』『成果が出ている』『AIを導入した』を別の質問として扱います。DXの取組割合が8割近くでも、全社で同じ仕組みを使う、全従業員の作業が変わる、新たな価値が生まれた、という意味にはなりません。成果6割も、各社が設定した目的への自己評価であり、目的の難しさや指標は一律ではありません。デジタル化、効率化、組織変革、顧客価値を一つの成熟度へ足し合わせず、何の成果かを確認します。

AI導入の企業規模差は、従業員数と導入割合の関係を示しますが、規模が原因だと証明するものではありません。予算、データ、既存システム、業務の標準化、法務・セキュリティ体制など、資料の見出しだけでは分からない条件があります。1,001人以上の8割近くと101人以下の16.6%を見て、大企業なら高度なAI業務、小規模企業なら学ぶ価値がないと職務内容を推測せず、実際の求人と職場で利用範囲を確かめます。

31.8%と50.6%は足して読む前に回答選択肢を分けます。『期待どおり以上』と『一定の効果』は評価の強さが違い、期待値そのものも企業で異なります。さらに用途、具体的効果、企業規模別導入では設問の対象となる回答企業が同じとは限らないため、ポイント資料の見出しだけで共通分母を補いません。個々の図表の注記や、公開予定とされた詳細報告書・データ集へ戻って比較可能性を確認します。

AI用途の82.5%、80.5%、77.0%は、文書や情報を扱う回答が多いことを示しますが、その作業が無人化された割合や、出力が正しかった割合ではありません。具体的効果91.6%も、効率化・迅速化したという企業回答であり、削減時間の分布、誤り、再確認、情報漏えいなどの負担をこの一数字からは測れません。導入という名詞ではなく、入力、出力、確認者、誤りの影響、利用禁止情報まで作業単位へ分けます。

人材不足85.5%は、DX推進人材の『量』に関する企業側の不足感です。求人件数、採用枠、特定職種の欠員率、未経験者の採用可能性を直接数えた統計ではありません。AI関連人材も複数の人材種別について尋ねており、経営・マネジメント、現場知見と基礎AI知識、データマネジメントなど役割が異なります。『DX人材』を一つの職業名や教材へ縮めず、自分が担う作業と確認責任を選びます。

一つの指標は、労働市場や職場の一面だけを示します。前月比と前年同月比、全国と地域、平均と分布、求人側と働く側を分け、必要なら別の一次資料を組み合わせます。職業名だけで結論を作らず、実際の仕事内容、雇用形態、経験条件、勤務場所まで戻って確認するのがmanapick careerの読み方です。

この情報だけでは決められないこと

DXへ取り組む企業が8割近いことから、残りの企業が遅れている、導入企業は働きやすい、DXを掲げる求人は将来性が高いとは結論できません。取組の範囲や成果項目に差があり、企業文化や組織マネジメントの根本的変革はデジタル化・効率化より相対的に低い結果です。採用広報の言葉だけで、現場の権限、業務負荷、教育、評価の運用を補完しません。

AIの用途割合が高いから、文書作成、翻訳、情報検索の担当者が不要になるとは言えません。調査は職種別の雇用増減、タスク消失、賃金、異動を追跡していません。また、91.6%の効率化回答をAI出力の正確性や安全性の証明にも使えません。出典確認、機密情報、著作権、偏り、最終判断の責任は、利用する職場の具体的なルールで確かめます。

DX推進人材が不足との回答85.5%は、学習すれば高収入で採用される確率でも、すべての企業が外部採用を増やす予告でもありません。不足には配置、育成、役割定義、経営判断など複数の問題が含まれ得ます。経験のない個人へ不足の責任を移し、急いで高額講座や資格を選ばせる根拠にはしません。求人では担当作業、必要経験、権限、支援体制を別々に読みます。

企業価値関連の数％台の回答から、AI投資は失敗とも言えません。業務効率化を目的にした取組と、新規顧客や売上を目的にした取組では評価軸が違い、成果が現れる期間も資料の見出しだけではそろいません。反対に、効率化が多いことを十分な変革の証拠にすることもできません。目的、利用者、測定時期、負担、代替案を並べてから施策を評価します。

今回の公表は国内企業1,799社の回答であり、日本の全企業や全従業員をそのまま表す国勢的な全数調査ではありません。ポイント資料だけでは抽出、回答率、設問別の分母など詳細を読み切れない箇所があります。公表後に詳細報告書やデータ集が追加・更新される可能性もあるため、7月16日版の数字を永久に固定した事実として転載せず、利用時点の公式資料を再確認します。

調査結果は、個人の適性、採用可能性、転職成功率、将来の賃金を保証しません。割合が高い項目を人気職業やおすすめ順位へ変換せず、少数派の回答を失敗とも扱いません。制度、求人条件、製品仕様は変わるため、応募、契約、受講、購入の直前には必ず公式情報を再確認してください。

次に確認する三つの行動

公式ポイント資料を開き、各数字を『全体のDX取組』『DX成果』『企業規模別AI導入』『AI導入企業の効果』『AI用途』『具体的効果』『人材不足』へ分けて写します。図表ごとに設問、選択肢、回答対象、単数・複数回答、経年比較の範囲を確認し、ポイント本文で分からない分母には『詳細報告書で確認』と書きます。異なる図の割合を一つの進捗率へ足しません。

自分の仕事については、AIを使うか否かではなく、定型文の下書き、会議記録の要約、資料検索、数値確認、顧客向け判断など作業を五つ程度に分けます。各作業へ『入力してよい情報』『期待する出力』『人が確認する箇所』『誤りの影響』『現在の所要時間』を付け、一つだけ安全な架空データで試します。短縮時間だけでなく、確認に増えた時間と修正内容も残します。

求人や職場のDX人材要件を読むときは、製品名や『推進』の肩書だけを抜き出さず、現場ヒアリング、業務設計、データ管理、導入、教育、効果測定、リスク対応のどこを担うかへ分けます。必要経験が曖昧なら、誰が目的を決め、誰がデータと出力を承認し、失敗時に誰が止められるかを質問します。人材不足の全国割合から自分の担当範囲を推測しません。

学習テーマは、不足率の高さではなく、候補職務で繰り返し現れる一作業から選びます。例えば表の定義をそろえる、出典付きで情報を整理する、アクセス権を確認する、結果を利用者へ説明する、といった製品が変わっても残る動詞を練習します。AIツールの操作だけで完了にせず、品質確認、データ管理、利用者との合意まで含む小さな成果物を作ります。

2026年7月16日のポイント公表と、7月下旬予定とされた詳細報告書・データ集を別の版として記録します。詳細版が確認できたら、回収方法、回答企業の属性、設問別分母、図表注記に照らしてメモを更新します。数字が修正または詳述された場合は古い結論へ継ぎ足さず、どの版をいつ確認したかを残し、応募や業務導入の直前には公式ページへ戻ります。

最初に元資料の調査概要と注記を読み、次に自分が検討する職種・地域・働き方の条件へ絞り、最後に一つの小さな確認行動を決めます。不安を煽る期限、根拠のない希少性、連続閲覧を促す報酬は使いません。記事を閉じても、確認した出典と次の行動が手元に残ることを優先します。

自分の条件へ置き換える判断メモ

候補職務を比べる表では、行をITコンサルタント、データ分析、一般事務などの職業名だけにせず、業務設計、データ整備、文書作成、確認、利用者支援という作業へ分けます。列には『AIを使う場面』『使わない判断』『入力データ』『最終確認者』『成果の測り方』『誤りの影響』『必要な経験』を置きます。DX取組8割近くや人材不足85.5%は背景欄へ分け、候補の採用可能性や給与点数には入れません。

職場Aは文書要約を導入しているが確認者が不明、職場Bは分析支援を使うが利用データの管理範囲が明確、職場CはAI未導入でも業務定義と改善の権限がある、というように、導入率ではなく運用を比較します。効率化という回答と自分が望む学びや働き方が一致するとは限りません。目的が単純な時間短縮か、品質向上か、顧客価値かを分け、測定できない宣伝文句は不明欄へ残します。

比較後の行動は、安全な架空データで一作業を試す、求人へ確認者と権限を質問する、詳細報告書の分母を待つ、データ管理を先に学ぶ、候補から外さず保留する、から一つ選びます。『AI時代だから急ぐ』ではなく、役割と責任が確認できたかで次へ進みます。企業調査の割合は方向を考える材料にとどめ、自分の学習時間、経験、守るべき情報、関心のある作業を別の判断軸として残します。