2026年8月10日、Amazon Web Services（AWS）は「Calculating the Return on Investment (ROI) of AI」と題した記事を公開しました。そこで示されたのは、AIにいくら使ったかを管理するだけではなく、AIによって生み出したい「Business Value Metric（事業価値指標）」を決め、AI導入前の状態をベースラインとして記録し、導入後の成果と比較する考え方です。
その約1カ月前の7月14日にはOpenAIも、AIモデルをトークン単価だけで評価するのではなく、実際に必要な品質を満たした「成果1件」を得るまでのコストと、その成果が生み出す事業価値を組み合わせて評価する考え方を公表しています。
企業のAI導入では、「ChatGPTとClaudeのどちらがいいのか」「どのモデルが最も高性能なのか」「料金はいくらなのか」といった比較が注目されがちです。
しかしAI投資の経済効果を考えると、これは少し順番が逆です。
どのAIを選ぶかを決める前に、「この投資によって会社の何を変えたいのか」「何が起きれば成功と呼ぶのか」を決める必要があります。
AIを導入してから効果を探すのではなく、何を成果とするのかを先に決める。AI投資は、そこから始めるべきではないでしょうか。
「どのAIを入れるか」から始めると、投資判断の順番が逆になる
日本企業でも生成AIの導入そのものは急速に進んでいます。
PwC Japanが2026年6月に公表した6カ国比較調査では、日本企業の生成AIの活用・推進度は87％に達しました。米国90％、英国89％などと比べても、導入状況に大きな差はありません。
一方、「期待を大きく上回る効果」が出ていると答えた日本企業は9％で6カ国中最も低く、「まだ効果を評価できていない」とする企業も13％ありました。この調査は、売上高500億円以上の企業・組織に勤務し、生成AI導入に関わる課長職以上932人を対象にしています。
つまり、「AIを使っているか」という問いと、「AIが価値を生んでいるか」という問いは別です。
BCGが2026年7月に公表した、売上高5億ドル以上の企業のCEO152人を対象にした調査でも、約9割が一部の領域でAIによるコストまたは売上への効果を認識していました。しかし、すべてのAI施策について損益への影響を明確に定義している企業は14％にとどまっています。
ここに現在のAI投資が抱える一つの問題があります。
ChatGPT、Claude、Geminiなどの比較は「手段を選ぶ話」です。その前に、本来は「何を実現したいのか」という目的があるはずです。
目的が決まっていなければ、「どのAIが最も優れているか」という問いにも答えられません。
AIの「価値」は一つではない――時間とコストさえ別物
さらに難しいのは、「AIの効果」という言葉が複数のものを一緒にしてしまうことです。
例えば、企業がAI導入によって得ようとする価値には、次のようなものがあります。
- 時間
資料作成時間、問い合わせ対応時間、リードタイムなどを短縮する
- コスト
残業代、外注費、運営費、将来必要となる採用費などを減らす
- 売上
成約率、販売量、顧客単価、継続率などを高める
- 処理量
同じ人数・同じ時間で処理できる案件や業務を増やす
- 品質
ミス、手戻り、誤回答などを減らす
- リスク
セキュリティ事故、コンプライアンス違反、業務上の損失などの発生可能性を下げる
- 顧客体験
応答速度、満足度、利便性などを改善する
- 従業員体験
業務負担、働きやすさ、仕事への満足度などを改善する
これらは相互に関係しますが、同じものではありません。
例えば、AIによって年間1,000時間を削減できても、社員数も給与も変わらなければ、1,000時間分の人件費がそのまま会社から消えるわけではありません。
「Time Saving（時間削減）」と「Cost Saving（コスト削減）」は別です。
同じことは処理量にも言えます。問い合わせを1時間に10件処理できるようになったとしても、それだけで売上が増えるとは限りません。
Microsoftも2026年6月に公開したAI価値測定のフレームワークで、AIによる価値を「Revenue impact（売上への影響）」「Productivity and efficiency（生産性・効率）」「Security and risk management（セキュリティ・リスク管理）」「Employee and customer experience（従業員・顧客体験）」「Quality improvement（品質向上）」「Cost savings（コスト削減）」という6領域に分けています。
一つの指標だけではAIの価値を表せないからです。
実証研究にも同様の示唆があります。
スタンフォード大学などの研究者が5,172人のカスタマーサポート担当者を分析した研究では、生成AIの支援によって1時間あたりの問題解決件数は平均15％増えました。しかし効果は全員同じではなく、経験の浅い従業員では速度と品質の双方が改善した一方、高技能者では速度がわずかに上がっても品質がわずかに低下しました。
「生産性が15％上がった」という一つの数字だけでは、そこで何が起きたのかを十分には説明できないのです。
価値を決めるとKPIが決まり、KPIを決めるとベースラインが必要になる
では、AI投資はどのような順番で考えればよいのでしょうか。
私は、国内外のAI価値測定の考え方を整理すると、次の順序で考える必要があると考えています。
目的 → 価値の定義 → KPI → 導入前のベースライン → AI投資 → 導入後の測定
例えば、「問い合わせ業務をAIで改善したい」とします。
これだけでは、まだ目的が曖昧です。
顧客を待たせる時間を減らしたいのであれば、価値は「時間」です。KPIには平均応答時間や解決までの時間が考えられます。
人手不足に対応し、同じ人数でも問い合わせを処理できるようにしたいのであれば、価値は「処理量」です。1人あたりの処理件数などがKPIになります。
誤った回答によるクレームを減らしたいのであれば、価値は「品質」や「リスク」です。誤回答率、再問い合わせ率、重大インシデント件数などを見る必要があります。
そしてKPIを決めたら、AIを入れる前の数字が必要です。
AWSも2026年8月に公開したAI ROIの方法論で、Business Value Metricを決めた後に「pre-AI baseline」を設定するよう求めています。例えばソフトウェア開発では、単純なコードの行数ではなく、「リリースした機能」「修正したバグ」といった、より事業価値に近い指標を例示しています。
Microsoftも同様に、AI導入前の業務について、どれだけ時間がかかっているか、何人が関わっているか、ワークフローがどうなっているかを把握し、導入後と比較することを重視しています。
ベースラインがなければ、導入後に「平均処理時間が90分になった」と分かっても、それが改善なのか悪化なのか判断できません。
さらに、成果を事前に決めていなければ、導入後に都合のよい数字を探すこともできてしまいます。
測定はAI導入の後工程ではありません。AI投資を設計する段階から始まっています。
価値を定義して初めて「ChatGPTかClaudeか」を比較できる
ここまで考えると、ツール選定の位置づけも変わります。
ChatGPTとClaudeのどちらが優れているかという問いに、企業共通の答えはありません。
ある業務では高い精度が最優先かもしれません。別の業務では処理速度が重要かもしれません。大量処理ならコストが大きな条件になります。顧客や社内データを扱うなら、セキュリティや管理機能も欠かせません。
何を価値とするかによって、最適な選択肢は変わります。
OpenAI自身も、モデルを評価するときには単純なトークン単価ではなく、実際の業務で必要な品質水準をあらかじめ定義し、その水準に達するまでのモデル利用料、再試行、完了率、処理時間、人間による確認まで含めるべきだと説明しています。
そして顧客サポートなら「解決できた問い合わせ1件」、ソフトウェア開発なら「レビューを通過した変更1件」のように、「Cost per accepted outcome（受け入れ可能な成果1件あたりのコスト）」で見る考え方を示しています。
FinOps Foundationも「Business value drives technology decisions（事業価値が技術判断を動かす）」を基本原則の一つとし、単なる技術支出だけではなく、Unit Economicsや価値ベースの指標で事業への影響を把握することを求めています。
つまり、ツール選定はAI投資の出発点ではありません。
価値を実現するために、どのAI、どのモデル、どの仕組みを使うのが最適なのかを決める後工程と考えた方が合理的です。
「最も高性能なAI」を探すのではなく、「自社が必要とする成果を、必要な品質・コスト・リスクの範囲で実現できるAI」を探すことになります。
「AIを導入してから効果を探す」経営から脱却する
もちろん、AIで何ができるのかを知るための探索やPoCまで、最初から厳密なROIを求める必要はありません。
実際に触ってみなければ、想定していなかった用途が見つかることもあります。AWSもROIだけをAI戦略の唯一の判断基準にせず、将来性のある実験には一定の余地を残すべきだとしています。
問題は、探索段階を終えた後も、「便利だから」「社員が使っているから」「他社も導入しているから」という理由だけで本格導入や予算拡大を続けることです。
MicrosoftはAIの価値測定について、「利用されていること」だけを測っても、本来変えたかった業務が改善されたかどうかは分からないと指摘しています。
AI投資で最初に問うべきなのは、
「ChatGPTかClaudeか」
ではありません。
「このAI投資によって、会社の何を変えたいのか」
そして、
「何が起きれば、それを価値が生まれたと判断するのか」
です。
目的が決まれば、価値を定義できます。
価値を定義すれば、KPIが決まります。
KPIが決まれば、AI導入前に何を測っておくべきかが分かります。
そこまで決まって初めて、どのAIへ投資するのかを比較できます。そして導入後には、当初決めたベースラインと比較して、投資を拡大するのか、改善するのか、場合によってはやめるのかを判断できます。
AIを導入してから「何か効果はなかったか」と探すのではない。
何を成果とするのかを先に決め、その成果から逆算してAIを選ぶ。
AI投資が実験から経営判断へ移るほど、この順番が問われるようになるのではないでしょうか。
主な参考資料
- AWS「Calculating the Return on Investment (ROI) of AI」
https://aws.amazon.com/blogs/aws-cloud-financial-management/calculating-the-roi-of-ai/
- OpenAI「How to manage AI investments in the agentic era」
https://openai.com/index/managing-ai-investments-in-agentic-era/
- Microsoft「Measuring the impact of our AI investments in IT at Microsoft」
https://www.microsoft.com/insidetrack/blog/measuring-the-impact-of-our-ai-investments-in-it-at-microsoft/
- Google Cloud「Three-part framework to measure the impact of your AI use case」
https://cloud.google.com/blog/topics/cost-management/measure-the-value-and-impact-of-your-ai
- FinOps Foundation「FinOps Principles」
https://www.finops.org/framework/principles/
- PwC Japan「生成AIに関する実態調査2026 春 6カ国比較」
https://www.pwc.com/jp/ja/knowledge/thoughtleadership/generative-ai-survey2026.html
- Stanford Graduate School of Business「Generative AI at Work」
https://www.gsb.stanford.edu/faculty-research/publications/generative-ai-work
- Boston Consulting Group「CEOs See Cost and Revenue Benefits From AI but Struggle to Scale」
https://www.bcg.com/press/22july2026-ceos-cost-revenue-benefits-ai-struggling-scale