AIの歴史｜3度のブームと2度の冬を年表で簡単に

2026年7月23日

AIの歴史・3度のブームと2度の冬をたどる年表（ダートマス会議から生成AIまで）

この記事でわかること

「AIは最近急に出てきた技術だ」。そう感じている経営者は少なくありません。ですが実際には、AIには70年近い歴史があり、盛り上がっては冷める波を何度も繰り返してきました。

この記事では、AIの歴史を年号の暗記としてではなく、「なぜ盛り上がり、なぜ冷めたのか」という流れとして整理します。専門知識がなくても、会議で自社のAI活用を語れるようになることを目指します。

この記事で扱うのは、主に次の内容です。

AIの歴史を簡単に言うと何か（3度のブームと2度の冬）
AIという言葉が生まれたダートマス会議（1956年）
第一次・第二次・第三次AIブームの流れと、それぞれの中心技術
途中にあった「AIの冬」と、なぜ期待が冷めたのか
いま話題の生成AIが、この歴史のどこに位置するのか
歴史のパターンから中小企業の経営者が学べること

AIの歴史を簡単に：3度のブームと2度の冬でわかりやすく

AIの歴史を簡単に言うと、これまでに大きな盛り上がり（ブーム）が3度あり、その合間に期待が冷えた時期（AIの冬）が2度あった、というくり返しの歴史です。

わかりやすく一段落でまとめると、次のようになります。1956年に「人工知能（AI）」という言葉が生まれ、コンピュータに考えさせる研究が始まりました。第一次ブームでは「探索と推論」、第二次ブームでは「知識（エキスパートシステム）」が中心でしたが、いずれも期待ほどには実用が広がらず、熱は冷めました。そして2000年代以降、大量のデータ（ビッグデータ）と機械学習・ディープラーニングによって第三次ブームが始まり、その延長線上に、いまの生成AIがあります。

つまり、今のAIブームは「突然のブーム」ではなく、3度目の波です。過去2回は冷めたのに、なぜ今回は社会実装まで進んでいるのか。この視点を持つと、あなたの会社がAIとどう向き合うかの判断がしやすくなります。

AIの歴史年表（ダートマス会議から生成AIまでひと目で）

まず全体像を年表でつかみましょう。細かい年は資料によって多少幅がありますが、大きな流れは次のとおりです。

時期	出来事・中心技術	位置づけ
1956年	ダートマス会議。「人工知能（AI）」という言葉が使われる	AI研究の出発点
1950年代後半〜1960年代	第一次AIブーム＝「探索」と「推論」	迷路やパズルは解けたが現実の問題は苦手
1970年代ごろ	期待が冷める（1度目のAIの冬）	実用が広がらず研究資金が縮小
1980年代	第二次AIブーム＝「知識」・エキスパートシステム	専門家の知識をルール化して判断させる
1990年代（〜1995年頃）	期待が冷める（2度目のAIの冬）	知識を人手で入れ続ける限界
2000年代以降	第三次AIブーム＝ビッグデータ・機械学習	データからパターンを学ぶ方式が主流に
2010年代	ディープラーニングが成果を上げる	画像認識などで実用レベルへ
2020年代	生成AI・大規模言語モデルの普及	ChatGPTなどが一般に広がる

この年表を土台に、ここから各ブームを「なぜ盛り上がり、なぜ冷めたのか」まで見ていきます。

AIという言葉の誕生：ダートマス会議（1956年）

AIの歴史の出発点としてよく挙げられるのが、1956年に米国で開かれたダートマス会議です。この会議の提案書の中で「人工知能（Artificial Intelligence）」という言葉が使われました。研究者のジョン・マッカーシーが1955年にこの言葉を作ったとされています。

それ以前から「計算する機械」や「考える機械」という発想はありました。有名なのが、機械が人間と区別がつかない受け答えをできるかを問う「チューリングテスト」の考え方です。ダートマス会議は、こうした関心を「人工知能」という一つの研究分野としてまとめ上げた場だった、と理解すると位置づけがはっきりします。

経営者の視点で押さえておきたいのは、AIは最新の流行語ではなく、70年近く研究され続けてきた息の長いテーマだということです。だからこそ、一過性のブームなのか本物の変化なのかを、歴史の流れから冷静に見分ける価値があります。

第一次AIブーム（1950年代後半〜1960年代）：探索と推論

最初の盛り上がりが第一次AIブームです。総務省の情報通信白書によれば、この時期のAIは「探索」と「推論」を主要な機能としていました。

探索と推論とは、簡単に言えば「考えられる手をしらみつぶしに調べて、ゴールへの道を見つける」やり方です。迷路の解き方や、パズル、簡単なゲームのように、ルールがはっきりした問題では成果を上げました。「コンピュータが考えて答えを出す」という体験は、当時としては衝撃的なものでした。

しかし、現実の問題はルールが単純ではありません。病気の診断や経営の判断のように、条件が複雑で例外だらけの課題になると、探索と推論だけでは歯が立ちませんでした。「おもちゃの問題は解けても、現実の問題は解けない」という限界が見え、やがて期待は冷めていきます。これが1度目の「AIの冬」にあたる時期です。

過度な期待が先行し、実用がそれに追いつかず、熱が引く。この最初の波が、後の歴史でくり返されるパターンの原型になりました。

第二次AIブーム（1980年代）：エキスパートシステムと知識

次の盛り上がりが、1980年代の第二次AIブームです。ここでの主役は「知識」でした。総務省の白書では、コンピュータが判断するために必要なさまざまな情報（知識）を与える手法が広がったと説明されています。

その代表がエキスパートシステムです。これは、ある分野の専門家の知識を「もし〇〇なら△△する」というルールの形でコンピュータに大量に入れておき、質問に対して専門家のように答えさせる仕組みです。医療の診断支援や、機器の故障診断などで実際に使われ、ビジネスの現場でも注目を集めました。

ところが、ここにも大きな壁がありました。専門家の知識をすべて人間の手でルールに書き起こし、しかも例外や新しい情報が出るたびに更新し続ける必要があったのです。世の中の知識は膨大で、しかも変化します。「人手で知識を入れ続ける」という方式は、規模が大きくなるほど維持できなくなりました。

こうして第二次ブームも終息に向かいます。総務省の白書は、このブームが冷え込み、次の盛り上がりまでの停滞がおよそ1995年頃まで続いたと記しています。これが2度目の「AIの冬」です。

第三次AIブーム（2000年代以降）：ビッグデータ・機械学習・ディープラーニング

そして現在まで続くのが、第三次AIブームです。総務省の白書では、この時期のAIは「ビッグデータ」と「機械学習」を活用する点に特徴があるとされています。起点の年は資料によって幅があり、白書でも2000年からとする見方と、2010年頃からとする見方があります。おおまかには、2000年代に土台ができ、2010年代に一気に加速したと捉えると分かりやすいでしょう。

これまでとの決定的な違いは、知識の入れ方です。第二次ブームでは人間がルールを書いていました。第三次では、大量のデータをAI自身に学習させ、パターンを自動で見つけ出させるようになりました。この「データから学ぶ」方式が機械学習です。

背景には2つの追い風がありました。1つはインターネットやスマートフォンの普及で、文章・画像・購買履歴などの大量のデータ（ビッグデータ）が集まるようになったこと。もう1つはコンピュータの計算能力が大きく向上したことです。学ぶための「教材」と「頭脳」が同時にそろったわけです。

ディープラーニングの登場

第三次ブームを決定づけたのが、機械学習の一種であるディープラーニング（深層学習）です。人間の脳の神経回路をまねた仕組みを何層にも深く重ねることで、データの特徴をAIが自分でつかめるようになりました。

2010年代前半には、画像認識のコンテストでディープラーニングが飛躍的な成果を上げ、実用に耐える精度が示されました。文部科学省の白書でも、2015年に囲碁AI「AlphaGo」が登場し注目を集めたことが紹介されています。それまで人間にしかできないと思われていた領域で、AIが成果を出し始めたのです。

第一次・第二次と比べ、過去のブームより広い社会実装が進んでいる背景には、こうした実際に役立つ成果に加え、データや計算資源の進展があります。ただし、今後の期待と実装がどこまで続いていくかは、現時点で確定しているわけではありません。

生成AIの登場：AIの歴史のいまの最前線

第三次ブームの延長線上に、いま話題の生成AIがあります。ディープラーニングがさらに発展し、文章・画像・音声・動画などを新しく作り出せるようになったのが生成AIです。2020年代に入り、ChatGPTのような対話型のサービスが一般に広がったことで、専門家でなくても日常的にAIを使える時代になりました。

歴史の流れで見れば、生成AIは「AIの冬を2度くぐり抜けた第三次ブームが、誰でも使える形にまで届いた段階」と位置づけられます。突然生まれた魔法ではなく、70年の積み重ねの上にある到達点です。

生成AIそのものが何であるか、ビジネスでどう使うかは、この記事の範囲を超えます。全体像を知りたい場合は、生成AIとは何かをやさしく解説した記事をあわせてご覧ください。本記事はあくまで「歴史の流れ」に絞ってお伝えしています。

過去のAIブームから、いまの生成AIブームをどう見極めるか

生成AIが急速に普及する中で、「今回のAIブームも、いずれ冷めるのではないか」と聞かれることがあります。

人工知能の歴史では、過去にも大きな期待が集まり、その後、研究開発や投資が停滞した時期がありました。いわゆる「AIの冬」です。

私は、この歴史を「昔のAIは失敗したが、いまのAIは本物だ」と単純に分けて考えてはいません。

過去のブームが冷めた大きな理由は、AIという考え方そのものに価値がなかったからではありません。社会が抱いた期待に対して、当時の技術、計算能力、データ、導入環境が十分に追いつかなかったことにあります。

最初のAIブームでは、探索や推論を使えば、人間の知的活動を幅広く再現できるという期待が高まりました。しかし、現実の問題は例外が多く、対象が少し複雑になるだけで必要な計算量が急増しました。

二度目のブームでは、専門家の判断ルールをコンピュータへ登録するエキスパートシステムが注目されました。しかし、専門家の知識を一つずつルールにする作業には大きな手間がかかります。環境が変わるたびにルールを更新する必要もあり、導入後の維持が難しいという問題がありました。

つまり、どちらの時代も、実験や限定された用途では成果が出ていました。ですが、「幅広い業務で人間のように判断してくれる」という期待が先行し、実用化に必要な費用や手間、対象範囲の限界が後から見えてきたのです。

この歴史を知ってから、私は現在の生成AIについても、話題性やデモ画面だけで評価しないようにしています。

見るべきなのは、「そのAIに何ができるか」だけではありません。

自社の実際の業務で継続して使えるか
人による修正や確認に、どの程度の時間がかかるか
必要なデータや社内文書が整っているか
間違えた場合の影響を抑えられるか
利用料や運用負担に見合う成果があるか
担当者が変わっても使い続けられるか
モデルやサービスが変わっても、業務の仕組みを残せるか

自社メディアの運用でも、生成AIが一度に作った文章の出来だけでは判断していません。

記事の下書き時間がどれだけ減ったか、確認や修正に何分かかったか、品質基準を満たしたか、公開後に読者からどのような反応があったかを確認しています。

AIで技術的に実行できても、準備や検証の負担が節約時間を上回る業務は、本採用しません。反対に、一定の品質を保ちながら繰り返し時間を短縮できる業務は、手順書や運用ルールへ組み込み、対象範囲を広げています。

現在の生成AIには、過去のブームとは異なる条件もあります。

一般の利用者が自然な言葉で操作でき、文章、画像、音声、プログラムなど、幅広い成果物を作れるようになりました。個人や中小企業でも、特別な研究設備を持たずに試せます。

一方で、自然で説得力のある回答が返るため、できることを過大評価しやすいという新しい危険もあります。

文章が流暢であることと、内容が正しいことは同じではありません。試作品を作れることと、安全に本番運用できることも別です。

そのため私は、現在の生成AIブームを見る際に、「この技術が消えるか残るか」という大きな予測だけをしません。

むしろ、自社の各業務について、次の三つを確認します。

いますでに実用になる部分はどこか
期待ほどの効果が出ていない部分はどこか
技術や環境が整えば、将来使える可能性がある部分はどこか

過去のAIブームから学ぶべきなのは、新技術を疑って使わないことではありません。また、今回は過去と違うと信じ、何でもAI化することでもありません。

期待と実用の間にある差を、小さな検証と数字で確認することです。

生成AIが社会全体でどこまで定着するかを正確に予測することはできません。ですが、自社の一業務で本当に効果があるかは、実際に試して測れます。

過去の歴史を知っているからこそ、熱狂にも悲観にも寄りすぎず、使える部分を現実の業務へ残していく。この姿勢を、いまの生成AI活用に生かしています。

AIの歴史から中小企業の経営者が学べること

AIの歴史を通史で見ると、経営判断に効くヒントがいくつも見えてきます。年号そのものより、こちらのほうが実務では大切です。

第一に、AIは「過度な期待」と「幻滅」を何度もくり返してきたということです。だからこそ、今のブームにも「魔法だ」と飛びつきすぎず、かといって「どうせまた冷める」と切り捨てすぎず、自社の課題に効くかどうかで冷静に判断する姿勢が役立ちます。

第二に、過去のブームが冷めた原因は「実用が期待に追いつかなかったこと」でした。今回のブームでは、計算資源やデータ、アルゴリズム、クラウドといった複数の要因がそろったことで、実務で役立つ成果につながっている面があります。つまり、あなたの会社にとって大事なのは技術の新しさそのものではなく、自社のどの業務に、どれだけ実利をもたらすかという一点です。

第三に、AIの進化は「人手でルールを書く」時代から「データから学ばせる」時代へ移りました。これは、自社に眠るデータ（顧客情報、問い合わせ履歴、業務記録など）を整えておくことが、今後のAI活用の下地になることを意味します。歴史は、次に備えるべきことも教えてくれます。

今後のAI活用に備えて、先に整理しておきたい業務データ

顧問先から「将来、AIを活用するために、いまから何を準備すればよいですか」と相談されたとき、私は最初から大規模なデータ基盤やRAGの構築を勧めることはしません。

まず勧めるのは、自社にどのような業務データがあり、どこに保存され、誰が管理しているかを棚卸しすることです。

AIは、会社の事情を最初から知っているわけではありません。自社に合った回答、予測、提案をさせるには、自社の商品、顧客、業務、過去の判断に関する情報を参照できる状態にする必要があります。

ただし、あらゆるデータを集めればよいわけでもありません。私は、主に次のような情報から整理することを勧めています。

1．商品・サービスに関する情報

最初に整理したいのが、自社が何を提供しているかを示す情報です。

商品・サービスの内容
価格や契約条件
対象顧客
よくある利用場面
他社との違い
提供できることと、できないこと
過去の提案書や説明資料
よく受ける質問と回答

これらが整理されていれば、提案書、営業資料、問い合わせ回答、記事などの下書きにAIを利用しやすくなります。

2．顧客の声と相談内容

次に重要なのが、顧客がどのような言葉で悩みを表現しているかを示す情報です。

問い合わせ内容
商談でよく出る質問
契約に至った理由
断られた理由
導入前の不安
利用後の感想
クレームや解約理由
顧客から評価された点

企業側が強みだと思っているものと、顧客が実際に評価しているものは、一致しないことがあります。顧客の言葉を整理すると、商品改善、営業、記事企画、FAQ作成などに活用できます。

ただし、氏名、連絡先、個別の相談内容などをAIへ扱わせる場合は、個人情報や機密情報の取り扱いを別途設計する必要があります。

3．業務の手順と判断基準

AI自走化で特に効いてくるのが、仕事の進め方に関する情報です。

作業の目的
作業の開始条件
基本的な手順
使用する資料
完成の基準
人が確認する項目
例外が発生した場合の対応
やってはいけない操作
承認が必要な地点
過去に判断を変えた理由

単なる操作手順だけでなく、「なぜその判断をするのか」まで残すことが重要です。

ベテラン社員が無意識に行っている判断は、その人が退職すると失われます。AIを聞き役にしてヒアリングし、「この場合はどうしますか」と質問させると、暗黙知を文書化しやすくなります。

4．実績と結果のデータ

AI活用では、何を実行したかだけでなく、その結果がどうだったかを記録しておく必要があります。

売上や利益
問い合わせ数
受注率
解約率
作業件数
作業時間
ミスや手戻り
顧客満足
Webサイトのアクセス
実施した施策とその結果

たとえば自社メディアでは、記事テーマ、公開日、制作時間、検索順位、表示回数、アクセスなどを結び付けておくと、成果が出た記事の傾向を分析できます。

結果のデータがなければ、AIは文章や案を作れても、どの案が自社にとってよかったのかを判断できません。

5．過去の判断と、その理由

見落とされやすいのが、経営者や担当者が過去に行った判断の記録です。

なぜその商品を始めたのか
なぜ価格を変更したのか
なぜ取引や施策を中止したのか
なぜ特定の顧客層を優先したのか
なぜそのツールを採用・不採用にしたのか
どの条件になれば方針を見直すのか

結論だけが残っていても、環境が変わった際に、その判断を維持すべきか見直すべきか分かりません。理由まで記録しておけば、AIへ過去の経緯を説明し、現在の状況と比較させることができます。

データ量より先に、最新版と管理者を明確にする

棚卸しでは、データの量だけでなく、次の点も確認します。

どこに保存されているか
誰が管理しているか
どれが最新版か
いつ更新されたか
同じ情報が複数の場所にないか
誤りや古い内容が含まれていないか
誰が閲覧・利用してよいか
AIへ渡してよい情報か

古い価格表と新しい価格表が同時に保存されていれば、AIはどちらを使うべきか判断できません。

ファイル名が「最終版」「最終版2」「本当の最新版」となっている状態では、高度な検索システムを導入しても回答は安定しません。

そのため、まずは重要な文書について、正本となる最新版を決めます。古い資料は別の場所へ移し、更新責任者を明確にします。

最初からすべて整理しない

データの棚卸しを始めると、社内のあらゆる情報を整理したくなります。しかし、それでは作業量が大きくなり、AI活用を始める前に止まってしまいます。

私は、最初に試す一業務から逆算するよう勧めています。

たとえば、営業メールの下書きにAIを使うなら、商品説明、対象顧客、過去のメール、禁止表現、承認ルールを先に整理します。

問い合わせ対応なら、FAQ、商品情報、回答できない内容、担当者へ引き継ぐ条件を整理します。業務マニュアル作成なら、作業ログ、既存手順、ベテランへのヒアリング内容を集めます。

つまり、「将来AIで何かするためのデータ」を漠然と集めるのではありません。

最初に変えたい業務を決め、その業務でAIが判断するために必要な情報から整えることが重要です。

AI活用に効くデータとは、量が多いデータだけではありません。会社の仕事、顧客、判断、結果が分かり、最新版と責任者が明確になっているデータです。

自社の情報をこの状態へ近づけておけば、将来どのAIツールを選んでも、活用を始めやすくなります。反対に、社内情報が整理されていなければ、高性能なAIを契約しても、一般的な回答しか得られません。

AI導入の準備は、AIツールを探すところからではなく、自社の仕事と情報を棚卸しするところから始まります。

AIの歴史についてよくある質問

検索でよく並ぶ疑問に、短く答えておきます。

AIの歴史はいつ始まりましたか

研究分野としての出発点は、1956年のダートマス会議とされることが多いです。この会議で「人工知能（AI）」という言葉が使われました。ただし「考える機械」という発想自体は、それ以前からありました。

最初にAIを発明したのは誰ですか

一人の発明者がいるわけではなく、多くの研究者の積み重ねで生まれました。象徴的な人物としては、「人工知能」という言葉を1955年に作ったとされるジョン・マッカーシーがよく挙げられます。

最初にAIが生まれた年代は？

1950年代です。1956年のダートマス会議を起点に、1950年代後半から1960年代にかけて第一次AIブームが起こりました。中心となった技術は「探索」と「推論」でした。

AIはどうやって生まれたの？

「人間の知的な働きを機械で再現できないか」という問いから生まれました。最初はルールや手順をもとに考えさせる方式でしたが、やがて大量のデータから学ばせる方式（機械学習・ディープラーニング）へと発展し、いまの生成AIに至っています。

この記事を書いた人

西俊明（トシゾー）中小企業診断士／AI実践戦略士／IT講師・著者

中小企業診断士／AI実践戦略士（商標出願中）／IT講師・著者。富士通で17年間、IT製品の営業・マーケティングに従事した後、独立。中小企業を中心に270社超を支援し、研修・セミナーへの登壇は250回を超える。現在は、生成AI・ITを経営や業務に生かす実践的な方法と、ITパスポート、情報セキュリティマネジメント、基本情報技術者試験などの学習法・過去問解説を発信している。著書に『改訂7版 ITパスポート最速合格術』など。