「95％の失敗率」は「AIが機能しない」と同じ意味ですか？
違う。95％という数字は、パイロット段階で測定可能な財務的リターンが得られたかどうかを測定しているのであり、基盤となる技術が有効かどうかではない。同じ研究の中で、正しく実行した5％の企業は株価パフォーマンスを市場から引き離すほどのリターンを得ている——つまり問題は技術が機能するかどうかではなく、多くの企業が持続的なインフラ投資と明確な測定を伴わずにAIを一回限りの購入として扱っていることにある。
「パイロットでROIが出なかった」を「技術が機能しない」と同一視すると、意思決定者は本当の問題である実行ギャップを修正せず、誤った理由で手を引いてしまう。
なぜ「ROIを測定している」のにインフラ投資を伴わない企業は、何もしないよりも悪い結果になるのですか？
市場データによれば、インフラ投資を伴わずにROI測定だけを行った企業のリターンはわずか8.14％で、ベンチマークを2,100ベーシスポイント下回った——一見直感に反する結果だが、論理は一貫している。測定そのものが問題を明るみに出す（例えば特定のAI施策が全く効果をもたらしていないことが判明する）が、企業がその問題を修正する能力やリソースを持たなければ、測定結果は単に失敗を文書化した記録に過ぎず、後続のアクションが伴わない。市場はこの「問題は分かっているが解決できない」状態を、経営能力に関する警告シグナルとして読み取る。
これはROI測定が実行能力と結びついていなければならないことを示唆している——単独では、むしろネガティブな指標として機能しうる。
XPO、C3.ai、Upstartの3つの事例に共通する具体的な実践方法は何ですか？
3社とも同じ順序をたどっている——まず財務諸表に直結する具体的な指標を固定し、その後でAIがその指標を改善できるかを問う。XPOは「効率が1ポイント向上するごとの節約額」を固定し、C3.aiのPANDAプラットフォームは「年間運用コストと年間節約額の直接比較」を固定し、Upstartは「米国債リターンとのベーシスポイント差」を固定した。3つの指標はいずれも財務部門や運用部門が既に追跡していた数字であり、AIは既存の検証可能な指標を改善するために適用されたのであって、独自の新しい測定基準を発明する必要がある単独プロジェクトとして扱われたのではない。
これはほとんどの失敗事例の逆の順序だ——失敗事例の多くは先にツールを買い、その後になって何の利益をもたらしたかを考えようとする。
もし私が社内でAI投資評価を担当している立場なら、このデータから得られる具体的な行動指針は何ですか？
まず自分にこう問いかけてほしい——「このAI施策が導入から半年経っても目に見える効果がない場合、財務部門が認める具体的な数字を提示できるか？」答えられないなら、そのプロジェクトはまだ概念実証段階に留まっており、拡大投資を急ぐべきではない。S&P Globalの銀行業調査では、取締役会の91％がAIプログラムを承認した一方、実際に最後まで実行できたのはわずか26％だった——このギャップは通常、承認段階で「測定指標」と「実行リソース」が同じ提案書の中で結びつけられていないことから生じる。
より現実的なアプローチは、AI投資提案を既存の運用KPIや財務KPIに紐づけることであり、「AI専用」の別個の成功指標を発明することではない。後者こそが、パイロット終了後に示せる成果がない主な原因であることが多い。
2026年に最も誤読されやすいAI統計は、おそらく「企業AIパイロットの95％が測定可能な財務的リターンを示せない」というものだ。この数字はMITのNANDAイニシアチブが数百の企業向け生成AI導入事例を追跡した調査に基づいており、多くの人はこの見出しから「AIは企業に役立たない」という結論に直行する。しかしこの結論は、同じ研究のより重要な後半部分を見落としている——ごく一部の企業は損益分岐どころか、株価パフォーマンスを市場から大きく引き離すほどのリターンを生み出しているのだ。
本当の問いは「AIが機能するかどうか」ではない。同じカテゴリーのツールを買っているのに、なぜ95％の企業が何も得られず、少数派だけが突出したリターンを得ているのかということだ。
いくつかの独立した調査を並べてみよう。IBMの年次CEO調査では、AI施策のうち当初のROI期待を満たしたのはわずか25％、56％のCEOがAI投資が現時点で明確な財務効果をもたらしていないと認めている。モルガン・スタンレーの2025年第4四半期データはさらに具体的だ——S&P500構成企業のうち、測定可能なAI効果を挙げられる企業はわずか21％。つまり大企業の約5社に4社が、AIによってどれだけコストを削減できたかという基本的な質問に答えられない。S&P Globalの業界調査は別の角度を示す——AIプロジェクトの大半を放棄する企業の割合が1年で倍増した。これは企業がまだ様子見をしているのではなく、既に試して撤退したことを意味する。
これらの数字を重ねると、同じパターンが浮かび上がる。多くの企業はAIを継続的投資が必要な運用能力ではなく、一回限りの購入決定として扱っている。パイロットが終わり予算が尽きれば、プロジェクトは次の段階に進む前に止まってしまう。
勝ち組コホートを分解すると、直感に反する結果が見えてくる。勝っているのは最も多く支出している企業ではない。市場データによれば、厳格なROI測定と対応するインフラ投資を組み合わせた企業は株価リターン41.38％を記録し、同期間のS&P500の29.40％を上回った——1,200ベーシスポイントの差だ。一方、インフラ投資を伴わずにROI測定だけを行った企業のリターンはわずか8.14％で、ベンチマークを2,100ベーシスポイント下回った。実行能力を伴わない測定は役に立たないだけでなく、問題を発見したのに解決する能力がなかったという警告シグナルにさえなりうる。
シティグループのクレジットリサーチチームは、この格差を既に債券価格に定量化している。ROIの証拠を示せない「導入企業」に分類された発行体は、クレジットスプレッドに30ベーシスポイントのペナルティが上乗せされる。市場は既に「ツールを買ったかどうか」ではなく「実際に結果を出したかどうか」を値付けしているのだ。
物流会社XPOの事例は、「効率性」を財務諸表に直結する数字に翻訳した点で分解する価値がある——運用効率が1ポイント向上するごとに2,900万ドルの実質的な節約に換算され、全体の営業比率は180ベーシスポイント改善した。「AIが賢くしてくれた」という曖昧な主張ではなく、四半期報告書に記載できる具体的な項目だ。米空軍によるC3.aiのPANDAプラットフォーム導入は別種の検証を提供する——プラットフォームの年間コストは300万ドル、年間節約額は940万ドルで、投資収益率は3倍を超える。これは政府調達契約であるため、数字は監査可能な公開データであり、ベンダーのマーケティング資料ではない。融資プラットフォームUpstartのモデルは1億400万件の返済イベントでテストされ、米国債を608ベーシスポイント上回るパフォーマンスを示した——統計的に十分な標本サイズだ。
この3つの事例に共通するのは、いずれも改善すべき具体的な指標を先に定義し、その後でAIがその指標を動かせるかを問うた点だ。先にツールを買い、後から正当化する数字を探したのではない。
あなたの会社がAIを評価中、あるいは既に導入している場合、ROIを測定しているかどうかは、予算をいくら使ったかよりもはるかに重要だ。S&P Globalの銀行業調査では、銀行取締役の82％が技術投資のROIを全く測定していないことが判明した一方、取締役会の91％がAIプログラムを承認したにもかかわらず、実際に実行できた企業はわずか26％だった。この承認と実行の間のギャップこそが、95％の失敗率の根本原因である。投資家にとって、「AIに投資した」としか言えず具体的な効率指標を示せない企業は、それ自体が問うべきシグナルだ。意思決定者にとっては、インフラへの投資を決める前に検証可能な単一の財務指標を定義することが、先にツールを買って後から理由を探すよりも、勝ち組の手法に近づく道である。