
AI Center of Excellence(CoE)とは、企業内で AI 推進の知見・標準・ガバナンスを集約し、全社横断で展開する常設組織である。Chief AI Officer(CAO)が経営層の個人ロール、AgentOps が AI エージェント運用の専門チームであるのに対し、CoE は組織横断の推進体制そのものを指す。
本記事は、ASEAN 多拠点で事業を展開する日系企業の CIO・DX 推進担当・本社経営企画・現地法人責任者を対象に、CoE 設計の前提条件と 4 ステップ(ミッション定義・組織構造・ナレッジ整備・ガバナンス)を解説する。読み終えた時点で、本社と現地法人の役割分担、既存 IT/DX 組織との関係整理、多言語・多法規制環境での CoE 立ち上げに必要な論点が整理されている状態を目指す。
CoE は「AI に強い人を集めた部署」ではなく、全社の AI 推進を組織として再現可能にするための常設インフラである。 ASEAN 多拠点で展開する日系企業は、拠点間のナレッジサイロ・規制差・投資重複といった構造的課題を抱えており、その解消が CoE 設置の主要動機になる。
AI 推進の組織形態として、CoE・CAO・AgentOps は混同されやすいが、役割の粒度と性格が異なる。
| 形態 | 主体 | 主な役割 | 設置単位 |
|---|---|---|---|
| CoE(Center of Excellence) | 常設の横断組織 | 標準化・ナレッジ集約・教育・横断ガバナンス・投資審査 | 全社・全拠点に対する 1 組織 |
| CAO(Chief AI Officer) | 経営層の個人ロール | 戦略意思決定・対外発信・投資承認 | 1 ポジション |
| AgentOps | 運用の専門チーム | AI エージェントの監視・改善・インシデント対応・ MLOps | プロダクト or 業務単位で複数 |
3 つは併存する。CAO がスポンサーとして CoE を設置し、CoE が AgentOps を傘下に持つ構造が一般的である。混同したまま「CoE を作ろう」と動き出すと、現場には「もう一つの委員会」「実行力のないアドバイザリー」と受け止められやすい。CoE は意思決定・実行・ガバナンスを担う実体組織として設計する必要がある。
ASEAN 多拠点で展開する日系企業に CoE が必要となる構造的理由は、以下の 3 点に集約される。
CoE はこの 3 つの構造課題に対する組織的回答である。単に「AI に強い部署を作る」ではなく、ナレッジ循環・規制対応・投資配分の 3 軸でのプラットフォーム化が目的になる。
CoE 立ち上げ後に形骸化する典型パターンは 4 つに整理できる。
これらは個別の運用の問題ではなく、CoE 設計の初期段階で論点を抑えていないことに起因する。次節以降の 4 ステップは、この 4 パターンを構造的に回避することを意図して設計している。

CoE 設計に着手する前に、日系企業特有の制約を 3 点整理する。 本社主導と現地裁量のバランス、既存 IT/DX 組織との関係、多言語・多通貨・多法規制への対応——これらを前提として置かないと、汎用的な CoE フレームワークをそのまま適用しても機能しない。
タイ法人で立ち上がりつつある AI 推進活動を、本社主導の枠組みに無理やり当てはめると、現地のスピード感が一気に失われる——ASEAN 進出日系企業の DX 推進現場で繰り返し見られる失敗パターンだ。逆に現地完全裁量にすると、ガバナンスが効かず本社リスク管理上の問題が生じる。
本社と現地のバランスは、以下のように役割を分けると整理しやすい。
「本社が決める/現地が決める」の二項対立ではなく、論点ごとに役割を切り分ける。境界を明文化し、グレーゾーンを意図的に減らすことが、長期的な摩擦回避につながる。
多くの日系企業には既に IT 部門・DX 推進室・情報システム部・グローバル IT 戦略部などが存在する。CoE 設置時にこれらとの役割分担を明確にしないと、組織図上の重複と現場の混乱が同時に発生する。
整理すべき主要な関係性は以下の通り。
組織図と RACI(Responsible / Accountable / Consulted / Informed)マトリクスを CoE 立ち上げ時に文書化し、関係部門と合意しておく。
ASEAN 多拠点運営では、各国の言語・通貨・法規制が並行して動く。CoE 設計はこれらの差異を吸収する仕組みを最初から組み込む必要がある。
主要な論点を整理すると以下になる。
これらは「現地拠点に任せて適宜対応」では破綻する。CoE 立ち上げ時に運用ルールとして文書化し、ツールと運用フローに落とし込む。

Step 1 ではミッション・スコープ・経営層スポンサーを文書化する。 CoE が「何をする組織で、何をしない組織か」を最初に決めることで、関係部門との不要な摩擦と組織内の期待値ずれを避けられる。
CoE のミッションを「AI に関するすべて」と広く設定すると、活動が分散し、どの仕事も中途半端になる。逆にスコープを狭めすぎると、組織として機能不全に陥る。担う領域と担わない領域を明示することで、関係部門との境界が明確になる。
担う領域の例:
担わない領域の例:
担わない領域を明示することは、CoE が「全部抱える便利屋」になることを防ぐ。組織として持続可能なミッションサイズに収めることが、初期設計で最も重要な判断になる。
経営層スポンサー不在の CoE は、予算交渉でも意思決定でも常に劣勢になる。所属部署が複数の事業部を横断する性質上、強力なスポンサーシップがないと組織として機能しない。
スポンサー設計で確認すべき点は以下の通り。
スポンサー設定が不明確なまま CoE を立ち上げると、半年から 1 年で「実体のないアドバイザリー組織」として認識され始め、再立ち上げが必要になる。最初の設計時点でこの落とし穴を回避することが、長期的な CoE 成否を分ける。

ASEAN 多拠点運営では、組織構造をハブ&スポーク型かフェデレーション型のどちらで設計するかが最大の論点となる。 どちらが正解というわけではなく、企業規模・拠点数・本社ガバナンスの強さによって最適解が変わる。
2 つの代表的なモデルの違いを表で整理する。
| 観点 | ハブ&スポーク型 | フェデレーション型 |
|---|---|---|
| 構造 | 本社 CoE がハブ、各拠点に CoE 連携担当(スポーク)を配置 | 各拠点に独立した CoE、本社 CoE は調整役 |
| 意思決定 | 本社中心。標準・ガバナンスは本社が決定 | 拠点中心。本社は横断調整のみ |
| スピード | 中速。本社承認が必要な事項で時間がかかる場合あり | 速い。拠点内で意思決定が完結 |
| ガバナンスの強度 | 強い。標準遵守が徹底される | 中程度。拠点裁量が大きいぶん統制が緩む |
| 適合する企業規模 | 拠点数 3〜10、各拠点が中小規模 | 拠点数 10 以上、各拠点が大規模・自律的 |
| 人材要件 | 本社 CoE に厚いリソース、各拠点は連携担当 1〜2 名で足りる | 各拠点に CoE 機能を持つ人材が必要 |
選定の指針:
ASEAN 進出初期〜中期の日系企業は、ハブ&スポーク型から始める例が多い。
ハブ&スポーク型・フェデレーション型のいずれを選んでも、本社 CoE と現地法人の接続部分(インターフェース)の設計が CoE の機能を左右する。
設計すべき主要なインターフェースは以下の通り。
インターフェース設計を曖昧にすると、本社と現地が「気がついたら別々の方向に走っている」状態になりやすい。

Step 3 ではナレッジとプレイブックを CoE のコア資産として整備する。 個人の頭の中にある知見を組織として再現可能にすることが、CoE の存在意義そのものである。
ユースケース管理は、CoE が組織横断で AI 投資を可視化するための中核機能である。各拠点・各事業部が個別に進めるユースケースを 1 つの台帳に集約することで、重複・空白・成功事例の横展開を発見できる。
ユースケース台帳に最低限記録すべき項目:
台帳は四半期ごとに棚卸しを行い、停滞しているユースケース(半年以上ステータスが変わっていない)に対しては撤退判断を促す。台帳の鮮度が落ちると、CoE のガバナンス機能全体の信頼性が損なわれる。
ユースケース台帳は CoE のもっとも基礎的かつ重要な資産であり、ツール選定よりも先に運用フローを定義することを推奨する。
横展開を効果的に進めるには、各拠点が「同じフォーマット」で動くことが前提となる。CoE が標準テンプレートを整備し、各拠点で再利用可能にすることで、ナレッジ循環が加速する。
整備すべきテンプレート群:
テンプレートは「埋めるだけで一定品質に達する」レベルに作り込む。各テンプレートに利用ガイドと記入例を添えると、現地拠点での独自展開が容易になる。
テンプレートは生き物である。四半期に 1 回、利用拠点からのフィードバックを集めて改訂する。改訂履歴を残し、過去版との差分が分かるようにする。

Step 4 では横断審査プロセスと KPI を設計し、CoE の活動を組織として測定可能にする。 ガバナンスと効果測定が機能していない CoE は、半年〜1 年で「何をしているか分からない部署」として認識され、予算が削られる。
CoE が機能するためには、横断審査プロセスを明文化し、各拠点・事業部の AI プロジェクトが一定の関門を通る仕組みを作る。
主要な審査プロセス:
審査プロセスは「ブレーキ」ではなく「品質保証」として運用する。承認までの所要時間を SLA として明示し(投資審査は 2 週間以内など)、迅速性とガバナンスの両立を図る。
審査ログを蓄積し、頻出する不承認理由を分析することで、テンプレートや教育プログラムを改善するインプットになる。
KPI なしで CoE を運営すると、活動が組織として見えなくなる。KPI は 4 層構造で設計し、各層を組み合わせて全体評価を行う。
| 層 | KPI 例 | 測定頻度 |
|---|---|---|
| 活動量 | PoC 着手数、本番化数、教育受講者数、台帳登録数 | 月次 |
| 業務価値 | 累計削減工数、売上影響額、コスト削減額、顧客満足度向上 | 四半期 |
| 標準化 | テンプレート利用率、横展開件数、ナレッジ参照数 | 四半期 |
| リスク | インシデント数、監査指摘数、データ漏洩事案 | 月次 |
KPI 設計で陥りやすい失敗:
KPI は CoE 立ち上げ時に経営層スポンサーと合意し、四半期ごとに見直す。3 年経っても同じ KPI を使い続けている CoE は、組織として停滞している可能性が高い。

CoE 立ち上げ初期から運用フェーズにかけて頻出する失敗を、対策とセットで整理する。

Q1: CoE は何人規模で立ち上げるのが現実的ですか?
立ち上げ初期は専任 3〜5 名、兼務含めて 5〜10 名程度から始める例が多く見られます。リーダー(フルタイム)、標準・ナレッジ担当、ガバナンス担当、教育担当、各拠点の連携担当(兼務 20〜40%)が基本構成です。30 名規模の大型 CoE は、組織として AI 推進が成熟したフェーズ(立ち上げ 2〜3 年後)の姿として設定するのが現実的です。
Q2: CoE はどの部署の下に置くべきですか?
CIO・CDO・CEO の直下が望ましく、事業部や IT 部門の中に埋め込むと横断調整力が弱まります。情報システム部の中に置くと「IT の仕事」と受け取られ、業務部門の協力を得にくくなります。経営直下に置くことで、複数の事業部・現地法人をフラットに見渡せる位置を確保します。
Q3: 既に各拠点で AI 推進が始まっている場合、後追いで CoE を作る意味はありますか?
意味はあります。むしろ各拠点で活動が散在している状態のほうが、横断ナレッジ集約と重複排除の効果が大きく出ます。立ち上げ初期は「既存プロジェクトの台帳化」「規制対応の統一」から始め、新規プロジェクトには標準を段階的に適用する漸進的アプローチが現実的です。
Q4: タイ・ベトナム・インドネシアなど ASEAN 拠点の AI 推進状況に差がある場合、どう設計しますか?
成熟度の異なる拠点をハブ&スポーク型で接続し、先行拠点(多くはタイまたはシンガポール)のナレッジを後発拠点に展開する仕組みを作ります。後発拠点には、PoC 設計テンプレート・教育プログラムを優先的に提供し、立ち上げ初期の助走距離を短くします。先行拠点には、横展開ナレッジの整備をミッションの一部として明示します。
Q5: CoE の成否を判断するのに何年かければよいですか?
KPI 評価としては四半期ごとに行いますが、組織としての成否判断は最低 18〜24 ヶ月のスパンが必要です。立ち上げ初期 6 ヶ月は活動量 KPI 中心、12 ヶ月時点で業務価値 KPI の傾向を確認、18〜24 ヶ月で投資対効果を経営判断します。1 年未満で成果を求めると、PoC 量産型の活動になりやすく、本来の標準化・ナレッジ集約の価値が見えません。
ASEAN 多拠点運営の日系企業が AI 推進体制を組織として再現可能にするには、CoE を 4 ステップで設計することが効果的である。本記事で解説した内容を整理すると以下になる。
CoE は短期的な成果指標で評価しにくい組織だが、ASEAN 多拠点運営における AI 投資の重複・空白・サイロ化を解消する構造的な役割を担う。立ち上げ初期 18〜24 ヶ月の助走期間を許容し、四半期ごとに設計を見直す姿勢が長期的な成否を分ける。
関連記事として、経営層ロールの設計を扱ったAIネイティブ組織と Chief AI Officer の役割、AI エージェント運用組織を扱ったAgentOps とは — AIエージェント運用組織の設計ガイド、ASEAN 各国の AI 規制を整理したASEAN 進出企業の AI ガバナンス体制構築ガイドも参考にしてほしい。
Yusuke Ishihara
13歳でMSXに触れプログラミングを開始。武蔵大学卒業後、航空会社の基幹システム開発や日本初のWindowsサーバホスティング・VPS基盤構築など、大規模システム開発に従事。 2008年にサイトエンジン株式会社を共同創業。2010年にユニモン株式会社、2025年にエニソン株式会社を設立し、業務システム・自然言語処理・プラットフォーム開発をリード。 現在は生成AI・大規模言語モデル(LLM)を活用したプロダクト開発およびAI・DX推進を手がける。
Chi
ラオス国立大学で情報科学を専攻し、在学中は統計ソフトウェアの開発に従事。データ分析とプログラミングの基礎を実践的に培った。2021 年より Web・アプリケーション開発の道に進み、2023 年からはフロントエンドとバックエンドの両領域で本格的な開発経験を積む。当社では AI を活用した Web サービスの設計・開発を担当し、自然言語処理(NLP)、機械学習、生成 AI・大規模言語モデル(LLM)を業務システムに統合するプロジェクトに携わる。最新技術のキャッチアップに貪欲で、技術検証から本番実装までのスピード感を大切にしている。