DXとAIの関係性とは？違いと活用事例から導入のポイントまで解説

DXとAIは密接に関係していますが、両者の役割を取り違えたまま導入を進めると、思うような成果が出ないケースが少なくありません。実際の現場では、AIを入れること自体がゴールになってしまい、業務改善や事業の変革にまで届かない企業も多く見られます。

DXはビジネスを変えていくための経営戦略であり、AIはその実行を支える技術のひとつです。この関係を正しく押さえておけば、業務の自動化やデータ分析の精度向上、顧客体験の改善といった具体的な成果に結びつけやすくなります。

本記事では、DXとAIの違いや関係を整理したうえで、活用事例、導入時に直面しがちな課題、そして成果につなげるためのポイントを実務目線でまとめました。

DXとAIの関係性とは

DXは、データとデジタル技術を活用してビジネスを変革する経営戦略を指します。一方でAIは、その変革を実現するための技術の一つです。

IoTや5G、クラウドといった技術と同様に、AIもDXを支える要素の一つですが、特に「データの分析と意思決定の高度化」において重要な役割を担います。人間では処理しきれない大量のデータを分析し、新たな価値創出につなげられる点が特徴です。

つまり、DX＝目的、AI＝手段という関係を理解することが重要です。この関係を誤ると、AI導入そのものが目的化し、業務改善やビジネス変革につながらないケースが多く見られます。

そもそもDXとAIの違いとは

DXとAIは密接に関係していますが、役割は明確に異なります。DXは企業の競争力を高めるための経営戦略であり、AIはその実現を支える手段の一つです。

この違いを理解しないまま導入を進めると、AI導入が目的化し、成果につながらないケースが多く見られます。

この章では、両者の定義をそれぞれ経済産業省と総務省の公式資料に基づいて整理します。

DX（デジタルトランスフォーメーション）とは何か

DX（デジタルトランスフォーメーション）とは、デジタル技術を使って企業のビジネスモデルや組織のあり方そのものを根本から変えていく取り組みを指します。

経済産業省は2018年に公表した「DX推進ガイドライン」のなかで、DXを次のように定義しています。

企業がビジネス環境の激しい変化に対応し、データとデジタル技術を活用して、顧客や社会のニーズを基に、製品やサービス、ビジネスモデルを変革するとともに、業務そのものや、組織、プロセス、企業文化・風土を変革し、競争上の優位性を確立すること。

ポイントは、データやデジタル技術を使うこと自体はあくまで手段にすぎず、ITソリューションを導入しただけではDXを実現したとは言えない、というところです。

DXの本質は、競争優位を築くために会社全体を変えていくところにあります。技術の導入は、そのための手段に過ぎません。

AI（人工知能）とは何か

AIはArtificial Intelligenceの略で、日本語では「人工知能」と訳されます。研究分野が広いことに加え、そもそも「知能」という言葉自体を厳密に定義しづらいため、AIに唯一の定義を与えるのは難しいとされています。

それでも参考になるのが、2016年公表の総務省「平成28年版 情報通信白書」で、ここではAIを「知的な機械、特に、知的なコンピュータプログラムをつくる科学と技術」と説明しています。

AIに関連する言葉として、機械学習やディープラーニングもよく登場します。機械学習はAIを実現するための学習方法・分析手法の一つで、データから規則性や判断基準を学び取り、それをもとに未知のデータを予測・判断する技術です。

ディープラーニングは機械学習の一種で、人間の脳の神経回路を模したニューラルネットワークを応用した手法です。高い精度の分析ができることから、画像認識や翻訳など、ビジネス領域への応用が広がっています。

AIはDXで何ができるのか

AIがDXに対して果たせる役割は、ざっくり言えば「自動化」「分析」「予測」「顧客対応」の4つに整理できます。

AIの強みが特にはっきりと表れるのは、データ分析と、その分析結果をふまえた予測の場面です。人手では追いつかないようなデータ量でも、高い精度かつスピーディーに処理できるため、業種や職種を問わず、業務のあり方そのものを大きく変える可能性を秘めています。

以下では、AIが担う代表的な4つの役割を順に見ていきます。

業務の自動化

AIは、繰り返し発生する定型業務の自動化と相性がよく、効率化に直結します。

代表的な使い方は次のようなものです。

• 画像認識による検品・分類
  製造業での外観検査、建設業での現場写真の自動仕分け、医療分野での画像診断補助など、これまで目視に頼っていた判定をAIが肩代わりすることで、工数を減らしつつ精度も上げられます。
• AI-OCRによる帳票データ化
  紙の帳票や請求書のデジタル化もAIの得意分野です。AI-OCRと自然言語処理を組み合わせれば、紙の書類をスムーズにデータへ落とし込めます。
• メールや問い合わせの自動分類
  契約書から条項を抜き出したり、問い合わせメールを内容ごとに振り分けたりといった処理も自動化できます。

定型業務から手が離れれば、その分のリソースを企画業務や顧客対応など、より付加価値の高い仕事に振り向けられます。結果として、組織全体の生産性も底上げされていきます。

データ分析と可視化

AIは、大量のデータから傾向やパターンを拾い出し、人の目では気づきにくいインサイトを浮かび上がらせるのが得意です。機械学習を使えば、過去データの規則性を学習させたうえで、複数の要因が絡み合うような事象についても、ある程度の精度で分析できます。

よくある活用例としては、次のようなものが挙げられます。

• 顧客の購買傾向の分析
• 異常検知
• 解約予測

ここにBI（ビジネスインテリジェンス）ツールを組み合わせると、分析結果をダッシュボードやレポートとして直感的に見える化できます。経営層から現場まで、同じデータを見ながら議論できるようになり、勘や経験頼みではなくデータをもとに意思決定する文化が根付きやすくなります。

AIによる分析と可視化のセットは、DX時代の経営基盤を語るうえで欠かせない要素と言えるでしょう。

需要予測と最適化

需要予測と最適化は、AIがもっとも力を発揮する分野の一つです。過去の販売実績に加えて、季節性、天候、イベント、経済指標など、さまざまな変数をまとめて学習させることで、人の経験則だけでは難しい精度の予測が可能になります。

小売業の日次売上予測、食品業の発注量の算出、製造業の生産計画など、現場の意思決定に直結する予測モデルを構築できる点が魅力です。

最適化の領域では、予測結果をふまえてリソース配分を自動でチューニングできるのもAIならではです。

• 在庫を最適に配置して欠品や廃棄ロスを抑える
• 配送ルートを見直して物流コストを下げる
• 人員シフトを最適化して労務費を適正化する

上記のように、サプライチェーン全体で大きな経営インパクトを生み出せます。需要予測と最適化は、DXによる業務プロセス変革を象徴するユースケースと言えます。

顧客対応の高度化

最近は大規模言語モデル（LLM）やマルチモーダルAIの進化が著しく、顧客対応の質も大きく変わりつつあります。自然な会話ができるチャットボットを使えば、24時間365日の問い合わせ対応を実現しながら、人件費を抑えつつ顧客満足度も高められます。

マルチモーダルAIは、テキスト・画像・音声・動画など複数のかたちの情報を組み合わせて扱えるAIです。顧客が送ってきた写真と説明文から商品を特定したり、音声と表情を組み合わせて対話を組み立てたりと、これまでのチャネルの枠を超えた顧客体験をデザインできます。

購買履歴や行動データと組み合わせたAIレコメンドと併用すれば、一人ひとりに合わせたパーソナライズ体験を届けられるため、顧客ロイヤルティの向上やLTVの拡大が期待できます。

DXにおけるAI活用の具体例

AIは、業務効率化、データ分析、顧客体験の向上、専門領域での分析といった幅広い場面で使われています。

ここでは、国内の代表的な事例を領域ごとに紹介します。

業務効率化の事例

画像分類の自動化で工数を減らした例として知られているのが、大東建託の取り組みです。

施工現場で大量に撮影される工事写真を、AIが自動で仕分け・分類することで、これまで人手で行っていた整理作業の手間を大きく減らしました。

写真管理の負担が軽くなったことで、現場担当者は本来注力すべき業務に時間を使えるようになっています。

ECの分野では、サイト内検索の精度を上げた事例もよく取り上げられます。

ユーザーの検索クエリを自然言語処理で読み解き、表記ゆれや同義語をうまく吸収することで、従来の完全一致検索では出てこなかった商品にもたどり着けるようになります。

検索の精度が上がれば、コンバージョン率や売上の改善に直結するため、AI検索の導入はEC事業者の間で広がりつつあります。

【関連記事】
【AI導入事例】不動産物件の画像登録作業の自動化（大東建託株式会社）
検索0件を「おもてなし」へ。フェリシモ流・たった1人で実装するAI接客術

データ分析・予測の事例

需要予測による在庫の最適化では、食品卸企業での自動発注システムの構築がよく知られています。

ある総合商社グループの食品卸企業では、DXプロジェクトの一環として、出荷先からの需要予測をベースにメーカーへ自動で発注する仕組みを導入しました。

食品サプライチェーンのなかで、メーカー（川上）と小売（川下）の間に立つ食品卸では、適正な発注量や在庫水準を割り出すうえで需要予測がどうしても欠かせません。

このプロジェクトでは、メーカーの業務カレンダーや入数情報、食品卸の受注・出荷・在庫データ、小売業者からの日々の受注量やPOSの売上データといった膨大なデータを集めて整え、機械学習をベースとした需要予測モデルを構築しています。

予測精度が上がったことで、適正な発注量、欠品率の抑制、在庫の削減が同時に実現されました。

マーケティング施策の効果予測では、製薬会社の事例が参考になります。

販売員の営業活動記録、セミナーや展示会といったプロモーション実績、自社メディアサイトでの顧客のWeb行動履歴をデータ化したうえで、医師の属性（年齢、診療科、施設カテゴリーなど）や販売実績と組み合わせて、機械学習モデルを構築しました。

これまで担当者の勘と経験頼みになっていたプロモーション施策の種類・対象・タイミングを、定量的に予測・分析できるようになっています。

【関連記事】
製薬業界のDX推進（IQVIAソリューションズ ジャパン株式会社）
【AI導入事例】AIによる宣伝効果予測モデルの構築

顧客体験向上の事例

ChatGPTを使ったアンケート分析の例として、東京電力の取り組みが挙げられます。顧客から寄せられる自由記述の大量のアンケート回答を、生成AIで自動的に分類・要約することで、これまで人手で数週間かかっていた分析が大幅に短縮されました。

顧客の声を素早くサービス改善につなげる体制が整った、生成AIを業務の中核に組み込んだわかりやすい好例です。

AIレコメンドによる顧客対応は、ECや動画配信、音楽サービスなどでもすっかり定着しています。

閲覧履歴や購買履歴をAIが分析し、一人ひとりの好みに合わせて商品やコンテンツを薦めることで、購買体験そのものを大きく引き上げています。

これまでは店頭で接客スタッフが担っていた「目利き」の役割をAIが引き受けることで、オンラインでも個別最適化された顧客体験が提供できるようになりました。

【関連記事】
ChatGPTで記述式アンケート解析がゼロコストに｜LLMを経営効果に変えた！東京電力エナジーパートナーの生成AI活用事例
「検索」から「対話」へ 老舗『Rtoaster』が描く、生成AI時代の“出会うUX”

高度分析・専門領域の事例

スポーツデータ分析による戦略の最適化では、バレーボールでのAI活用が先進的な例として知られています。

バレーボールはタブレット端末や無線機器で試合中の情報伝達ができるなど、他競技に比べてリアルタイムデータの活用が進んでおり、ナショナルチームやプロチームには専門のアナリストがついてデータ活用に取り組んでいます。

一般社団法人日本スポーツアナリスト協会（JSAA）は、AIを駆使した「リアルタイムの未来予測モデル」の開発に踏み出しました。

試合の流れを左右する「自チームのサーブを受けてから1本目の相手のトス」を、AIで予測しようという取り組みです。過去の試合の分析ソフトウェアに蓄積されたデータを整形してデータベース化し、そこから予測モデルを作り上げました。

テストとチューニングを繰り返した結果、最大60％の精度でトス方向を予測できるようになり、戦術立案の現場でも活用されています。

【関連記事】
バレーボールのリアルタイム分析への機械学習の活用

DXにAIを導入する際の課題

AI導入は「戦略・データ・組織」の3要素が揃わないと成果につながりません。 実際、AI DXプロジェクトの多くがPoC（概念実証）段階で頓挫しているのが現状です。

この章では、多くの企業が直面する5つの代表的な課題と、その原因・対策を整理します。

DX戦略が曖昧なままAI導入が進む

AI導入そのものが目的化してしまうケースは、決して珍しくありません。多くの場合、KPIを置かないまま「とりあえずAIを使ってみよう」というノリで始まってしまうのが原因です。

DXの目的や方向性がはっきりせず、具体的なアクションプランも定まっていない状態では、AIは本来の力を発揮できず、PoCで止まってしまって本格導入に進めないという話がよく起きます。

対策としては、まずユースケース設計から手をつけるのがおすすめです。

「どの業務の」「どの指標を」「どこまで改善するのか」を数字で定義し、経営課題からブレイクダウンする形でAIを使う領域を絞り込んでいきます。

最初の段階で達成基準を関係者間で握っておけば、プロジェクトの方向性がぶれにくくなり、成果につながる確率も上がります。

AI活用に対する理解不足

AIにできること・できないことを正しく押さえないまま導入してしまうと、過度な期待や使い方のズレを招きます。背景の一つにあるのが、AIモデルのブラックボックス化です。

判断の根拠を説明できないAIを基幹業務に組み込んでも、出力結果への信頼が得られず、現場での活用が進まなくなってしまいます。学習データに偏りがあれば、誤った判断を下すリスクもあります。

対策としては、本格展開の前に小規模なPoCを行い、実データで検証することです。

精度・説明可能性・運用負荷を事前に見たうえで、必要に応じて説明可能なAI（XAI）の仕組みを取り入れます。

あわせて、経営層や現場向けにAIリテラシー研修を実施しておくと、技術への理解が組織に広がり、過剰な期待も過小評価も避けやすくなります。

組織内の抵抗と連携不足

DXがトップダウンだけで進められると、現場との温度差が大きな壁になります。

経営層と現場のギャップ、これまでの業務プロセスへの愛着、従業員のデジタルスキル不足などが重なって、せっかく導入したAIが現場で使われずに放置される、ということも起こりがちです。部門ごとにKPIが食い違っていることも、連携を妨げる要因になります。

解決には、部門横断の体制づくりが欠かせません。

経営企画、情報システム、事業部門、現場担当者を巻き込んだチームを組み、企画段階から現場の声を取り入れていきます。

社内ワークショップや勉強会で意識をそろえ、経営層と現場をつなぐ役割をはっきりさせ、進捗を定期的に共有する仕組みをつくる。こうした積み重ねによって、組織全体が同じ方向を向いてDXを進めやすくなります。

データの整備不足

AIにとってデータは命綱です。質と量の両面でデータが足りなければ、AIは本来の性能を発揮できません。よくある原因は、部門ごとにデータが分散・サイロ化していること、フォーマットや定義がバラバラなこと、そしてデータの一貫性や正確性が担保されていないことです。

生産現場のIoTセンサーから取得したデータには異常値が混じっていることも多く、そのまま学習に使うと精度が大きく落ちてしまいます。

対策としては、全社的なデータ基盤の整備が必要です。

データレイクやデータウェアハウスを軸に据えて、収集・クレンジング・統合のプロセスを標準化していきます。

データの標準化、品質管理指標の設定、メタデータ管理、アクセス権限の設計を組み合わせて、必要な人が必要なデータに安全にアクセスできる環境をつくっておくことが、AI活用の土台になります。

人材とリソース不足

AI導入を進めるうえでは、データサイエンティストや機械学習エンジニアといった専門人材の存在が大きな鍵を握ります。背景には、国内のAI人材の絶対数が足りていないこと、そして内製化が思うように進んでいないことがあります。

AIエンジニアの採用競争は厳しく、育成にも時間とコストがかかるため、自社だけで体制を整えるのは多くの企業にとって現実的ではありません。導入にあてられる予算や時間が限られていることも、DXを進めるうえでの大きな足かせになります。

そこで現実的な選択肢になるのが、外部パートナーの活用です。

AIベンダーやコンサルティングファームと組むことで、最新の知見やプロジェクト経験を一気に取り込めます。

同時に、社内にはAIリテラシーを持った「橋渡し役」を置き、外部の専門家と現場をつなぐポジションを担ってもらいます。こうした体制にしておけば、ベンダーへの過度な依存を避けつつ、段階的に内製化を進めることができます。

大学やスタートアップとの連携も、人材確保の選択肢として検討する価値があります。

DXを成功させるAI導入のポイント

AI導入は、「戦略設計、段階的な導入、改善サイクル」の3つを軸に進めると、成果につながりやすくなります。

ここでは、DXを実現するためのAI導入のポイントを5つに絞って整理しておきます。

目的とKPIを明確にする

DXの定義にある「製品やサービス、ビジネスモデルを変革する」「競争上の優位を確立する」という言葉を踏まえると、DXを進めることで経営方針の転換や事業変革にスピーディーに対応できるビジネスモデルへ変わっていくのか、という具体的なビジョンを描くことが何より大事です。

経済産業省の資料でも、DX推進に取り組んだ企業の多くが、実際のビジネス変革にまでは至っていないと指摘されています。顧客視点でDXを通じてどんな価値を生み出したいのか、というビジョンが固まっていないために、経営層から「AIを使って何かやれ」という号令が出るだけで終わってしまうケースも目立ちます。

AI導入を考える前に、「なぜDXをやるのか（Why）」「DXで何をするのか（What）」をまず整理しておきましょう。

そのうえで、コスト削減率、処理時間の短縮、不良品の検出率、顧客満足度スコアなど、業務に応じたKPIを設定しておけば、投資対効果を客観的に評価でき、改善サイクルも回しやすくなります。

小さく始めて段階的に拡大する

AI導入で失敗のリスクを抑えるなら、スモールスタートが鉄則です。いきなり全社展開を狙うのではなく、PoC（概念実証）→パイロット導入→本格展開という3段階で進めると、検証と学習を重ねながらリスクを最小限に抑えられます。

PoCの段階では、限定された範囲で技術的な実現可能性と費用対効果を確認します。検証項目と達成基準をきちんと決めたうえで、実データで性能を見ます。

次のパイロット導入では、特定の部門やプロセスに範囲を広げ、現場からのフィードバックを取り入れながら改善を加えていきます。最後に全社展開や他業務への横展開へと進めば、成功パターンを標準化しながら広げていけます。

小さな成功を積み上げていくことが、結局のところDX成功への近道です。

データ基盤と活用体制を整備する

AIはデータがなければ動きません。AI導入に先立って、データの収集・蓄積・加工・活用までのフローを一気通貫で整えておくことが欠かせません。複数のシステムに散らばっている顧客データ・業務データ・センサーデータを統合し、クラウドベースのデータレイクやDWHに集約していくと、AIの学習に適した環境がそろいます。

システム連携の設計も同じくらい重要です。既存の基幹システムやSaaSとのAPI連携、リアルタイム処理のためのストリーミング基盤、セキュリティとアクセス制御の仕組みを、まとめてトータルで設計します。

データ基盤は一度作って終わりではなく、継続的に手を入れて拡張していく前提で組むこと。これが、中長期で見たときのAI活用の成否を左右します。

現場と連携した運用体制を構築する

AIは現場で実際に使われなければ意味がありません。導入後に「結局誰も使わないシステム」にしないためには、現場の業務フローを深く理解した運用体制が必要です。

部門間の連携を強化し、AIが出した結果を誰が判断し、どの業務にどう反映させるのか、という意思決定の流れを明確にしておきます。

業務フロー自体をAIに合わせて見直すという発想も大事です。

これまでのプロセスに無理やりAIを当てはめるのではなく、AIの強みが最大限に活きる形で業務を再設計したほうが、得られる効果は段違いに大きくなります。

現場担当者を巻き込んだワークショップや、定期的な改善会議を通じて、運用の質を継続的に上げていく仕組みを組織に根付かせていきましょう。

外部パートナーを活用する

経済産業省も、DXを進めるうえで根本的な課題は「人」にある、と指摘しています。

足りないスキルを外部との連携で補いながら、社内の各部署とパートナーがそれぞれ付加価値を得るエコシステムを築いていく、という発想が大切です。

そのためには、AIへの理解が深く、プロジェクト経験も豊富なベンダーとパートナーシップを結ぶことが求められます。自社のビジョンを描き出し、社内に足りていない技術やスキルを洗い出すことができれば、自社にフィットするベンダーも選びやすくなります。

単に技術支援を受け取るだけの関係ではなく、長期的に並走してくれるパートナーとして位置づけ、自社にもノウハウが溜まる協業の形を目指しましょう。

DXとAIの関係性におけるよくある質問（FAQ）

DXとAIは、お互いの役割を正しく理解して初めて、効果的に使いこなせるようになります。最後に、実務でよく寄せられる質問をいくつか取り上げておきます。

Q1. DXとAXとの違いは何ですか？

DXは「デジタル技術を使って業務プロセスやビジネスモデルを抜本的に変えること」、AXは「AI技術を使って業務や意思決定を根本から変えること」を指します。

DXがIoT・クラウド・5G・AIなど、複数のデジタル技術をまるごと活用するのに対して、AX（AIトランスフォーメーション）はAI技術そのものを軸に据えた変革の取り組みです。

両者は対立するものではなく、DXという大きな枠の中にAXがある、と整理しておくとわかりやすいでしょう。

生成AIやマルチモーダルAIの進化によって、AIが業務の中核を担う企業が増えてきており、最近ではAXの視点からDXを再設計する動きも広がってきています。

DXの手段としてのAI活用を、より戦略的に突き詰めたものがAX、というイメージです。

Q2. AIはDXに必須ですか？

AIはDXに必ずしも必要なわけではありませんが、DXを大きく加速させる重要な技術です。AI、機械学習、ディープラーニングといった技術は、あくまで数あるツールのうちの一つにすぎません。

ITがDXの手段の一つであるのと同じで、AIもDXを実現するための手段・方法論の一つです。AIを使わなくてもDXを実現できる場面はありますし、逆にAIを導入したからといって自動的にDXが実現したことにはなりません。

大事なのは、ビジョンを実現するために何が必要かをきちんと見極めること。そのうえで「AIが必要だ」という結論になれば、そこから実装を検討していけば十分です。

一方で、扱うデータが膨大になっている今のビジネス環境では、AIが持つ分析・予測・自動化の力は競争優位を大きく左右します。DXの成果を最大化したい企業にとっては、AIの活用は有力な選択肢の一つです。

Q3. DXにおけるAI活用の具体例は？

DXにおけるAIの使い道は、本当にさまざまです。代表的な技術カテゴリとしては、AI画像解析、統計的機械学習、指定用語識別技術、アスペクト感情分析、大規模言語モデル活用、マルチモーダルAIなどがあります。

AI画像解析は、各種の顕微鏡やセンサー、ドローン写真、航空写真からの認識、地図との連携など、幅広い領域で応用されています。統計的機械学習は、製造業で機械の動作データを分析して不具合を早期に見つけたり、橋梁などインフラの点検で損傷を検出したりといった場面で使われています。

指定用語識別技術はフリーテキストのなかから特定の用語を見つけ出す技術で、個人情報のマスキングや、医療文書からの病名抽出などに使われます。アスペクト感情分析は、文書のなかに登場する人・物・事に対する感情を判定する技術です。

大規模言語モデル活用は、社内FAQシステムや営業支援などでの利用が広がっています。マルチモーダルAIは、言語・画像・音声・動画を一度に扱えるAIとして、書類業務の自動化など幅広いシーンで導入の検討が進んでいます。

DXにおけるAI活用のまとめ

DXは、いまの時代に企業の競争力を高めていくうえで欠かせない取り組みであり、AIはそのDXの成功を後押しする力強い技術です。データの分析や予測に強みがあるAIは、業務効率化から顧客体験の向上、新しいビジネスモデルの創出まで、幅広い領域で成果をもたらしてくれます。

一方で、何の指針もないままAI導入だけを目指しても、結局はPoC止まりで終わってしまい、全社的な製品・サービスやビジネスモデルの変革にはつながりません。

AIはあくまでツールの一つだと心に留めながら、何のためにDXを進めるのか、どんなビジネスモデルを目指すのかというビジョンを固めたうえで、体制づくりや経営リソースの配分、外部パートナーの選定を進めていくことが大切です。

必要に応じて社外の専門家やパートナーの力も借りつつ、自社の目的に合ったAIの使い方を見極めていきましょう。

AI活用が目的化してしまわないよう気をつけながら、自社にとってのDXの意味をきちんと定義し、最適な形でAIによるDXを進めていきたいところです。

【参考】
総務省｜平成28年版 情報通信白書｜人工知能（AI）とは
総務省｜令和元年版 情報通信白書｜AIに関する基本的な仕組み
総務省｜令和6年版 情報通信白書｜生成AIの急速な進化と普及
経済産業省「DXレポート ～ITシステム「2025年の崖」克服とDXの本格的な展開～」
デジタルトランスフォーメーションの加速に向けた研究会「DXレポート2（中間取りまとめ）
デジタルガバナンス・コード
経済産業省「中小企業の活用促進について」
総務省「平成30年度版　情報通信白書　第1部　特集　人口減少時代のICTによる持続的成長　2 データ主導社会へ　（2）デジタルトランスフォーメーション」