KPMG、企業のAI導入は依然として測定可能な成果を上回ると指摘

KPMGの最新の企業AI調査結果がGoogle Newsで取り上げられ、際立った対比が示された。調査対象組織の95％がAI戦略を持つ一方、確立されたリターンを報告しているのはわずか8％だった。

この差は、より高速なモデルや大規模なインフラ投資に関する新たな発表以上に重要だ。企業はAIツールを導入し、パイロットを立ち上げ、従業員に実験を促してきた。しかし、その活動を全社的な業績へと変えるために必要な業務フロー、説明責任の仕組み、測定手法を再構築できている企業は大半ではない。

KPMGの2026年第1四半期版Global AI Pulseによると、組織の54％は調査、実験、または戦略立案の初期段階にある。さらに39％はAIの拡大展開または導入促進を進めている。幅広い活動の段階を越え、測定可能で再現性のあるリターンに到達した組織はごく一部にとどまる。

こうして生じた分断はもはや、AIを利用する組織と利用しない組織の間にあるものではない。AIを手軽に利用できるソフトウェアとして扱う企業と、統合された事業能力として運用する企業を隔てている。

これが、Google Newsの最新見出しの本質だ。AI導入は広がり続けているが、影響は既存業務の横にAIを置くのではなく、AIを軸に業務を再設計する組織に集中している。

Google Newsが浮き彫りにするのは、アクセスの格差ではなくAI導入の格差

企業AIは広く普及し、基本的な導入だけでは成熟度を示せなくなっている。

KPMGは、20の国・地域・管轄区域にまたがる2,110人のシニアエグゼクティブへの調査を基に2026年第1四半期の結果をまとめた。回答者は8つの業界を代表し、大規模組織のC-suiteリーダーとその直属部下を含む。

見出しとなる数値は、一見すると矛盾しているように見える。Global AI Pulseによると、組織の95％がAI戦略を持つ。64％は有意義な事業価値を報告しているが、確立済みのROIがあると答えたのは8％にすぎない。

これらの回答は、進展の異なる段階を測定している。チームは、企業の財務諸表に表れる成果を生み出さなくても、文書レビューやソフトウェア開発にかかる時間を短縮できる。また、導入、統合、監督、コンピューティングに要するコストを上回ることを証明する前に、有用な成果を報告することもできる。

KPMGの成熟度別内訳は、この違いをより明確にする。組織の11％は依然として研究開発に注力している。22％は概念実証またはパイロットを通じて実験中で、21％は戦略、業績指標、データインフラを構築している。

これらのグループを合わせると、依然として初期段階の導入企業に分類される54％を構成する。26％は全社でAIを拡大展開しており、13％はより広範な組織導入を推進している。残る8％が、有意義な事業成果に結び付いた確立済みのリターンを報告している。

これは、AIプログラムの92％が失敗したことを示す証拠ではない。この調査はそのような主張をしていない。大半の組織が、リターンが確立され、かつ測定可能となる段階にまだ到達していないことを示している。

別のMcKinsey調査も同じ方向性を示している。2025年中に、回答者の88％が少なくとも1つの事業機能でAIを定常的に利用していると報告した。しかし、AIプログラムの拡大展開を開始した組織は約3分の1にとどまった。

この差が生じるのは、1つの機能でAIを使うことのハードルが低いからだ。承認済みのチャットボット、コーディングアシスタント、自動要約ツールであっても、この定義を満たせる。全社的な影響には、プロセス、データ、インセンティブ、統制、意思決定にまたがる連携した変化が必要となる。

この違いは、一見矛盾する調査がすべて正確であり得る理由も説明する。ある調査は従業員がAIにアクセスできるかを測り、別の調査は企業がエージェントを導入したかを尋ね、さらに別の調査は検証済みの財務リターンを求める場合がある。

そのためGoogle Newsの読者は、各見出しの背後にある母数と成熟度の定義を確認する必要がある。「AIを利用している」「AIを拡大展開している」「AIからROIを得ている」は、報道で同義に扱われる場合でも、異なる状態を表す。

KPMGの調査が有用なのは、こうした状態を一つの進行段階として位置付けているためだ。その進行は調査とパイロットから始まり、全社的な拡大展開を経て、確立済みのリターンに至る。大半の組織は、依然としてその中間のどこかにある。

支出は測定可能なリターンより速く増加している

企業は、価値をどう測定すべきかを固める前にAIへの取り組みを拡大している。

KPMGによると、調査対象組織はその後12カ月間に平均1億8,600万ドルをAIへ投資する計画だった。この平均値は企業規模と地域別の代表性を反映するよう加重されているため、普遍的な企業予算として解釈すべきではない。

地域別の計画にも差があった。アジア太平洋地域の組織は平均2億4,500万ドルと、計画投資額が最も高かった。米州が1億7,800万ドルで続き、欧州・中東・アフリカは平均1億5,700万ドルだった。

これらの数値はコミットメントを示すが、支出は投入量にすぎない。企業が価値ある業務フローを選定したか、一貫した導入を実現したか、運用コストを賄うのに十分な便益を得たかについては、ほとんど何も示さない。

AIの費用は、多くの従来型ソフトウェアの費用とは異なる振る舞いもする。モデル利用は、トークン、リクエスト、自動化ステップ、関与するエージェント数に応じて増加する可能性がある。そのため、成功したパイロットであっても、より多くの従業員に展開したり、より長いプロセスを扱ったりすると高コスト化する可能性がある。

KPMGの2026年第2四半期の更新では、この問題がより明確になった。調査では、リーダーの42％がAI支出を部分的にしか把握できていないことが分かった。33％は、エージェント導入時の課題として、トークンを含むコスト構造への理解が限られていることを挙げた。

この問題は、最高財務責任者、テクノロジーリーダー、事業部門の責任者に同時に圧力をかける。財務チームは説明可能なリターンを求める。テクノロジーチームには信頼できるインフラとセキュリティが必要だ。現場のリーダーは、導入が単に活動を増やすのではなく、実際のプロセスを改善することを示さなければならない。

企業が複数ステップの業務を自動化する場合、この圧力はさらに強まる。AIエージェントは、目標に向けて複数のアクションを計画・実行できるシステムだ。単一のチャットボット応答とは異なり、エージェントはツールを呼び出し、企業データを取得し、出力を修正し、別のシステムへ作業を渡すことがある。

追加されるステップごとに、コスト、レイテンシー、そして別の障害機会が生じ得る。管理されたデモでは印象的に見えるプロセスでも、数千人の従業員が実データで利用するようになると、監督が難しくなる可能性がある。

報告される事業価値がはるかに一般的であっても、確立済みROIが依然として少ないのはこのためだ。事業価値には、完了の迅速化、従業員体験の向上、情報へのアクセス改善などが含まれ得る。ROIには、便益と、それを生み出すための総コストとの明確な財務比較が必要となる。

その計算には、モデルのサブスクリプションだけでなく、統合作業、データ準備、従業員教育、評価、セキュリティレビュー、インシデント対応、人による監督も含めるべきだ。

一部の便益は、即座に財務指標で測定することが難しい。アシスタントがアナリストによる関連情報の発見を速めることはあるが、企業はその短縮時間をキャパシティ、収益、品質、リスク回避と結び付ける必要がある。

組織はしばしば、最初の指標で止まってしまう。ライセンス数、アクティブユーザー数、プロンプト数、生成された文書数を数える。こうした指標が示すのは活動であり、事業への影響ではない。

より強固な測定の連鎖は、具体的な業務フローから始まる。次に、AIがサイクルタイム、エラー率、コンバージョン、サービス品質、あるいは別の業務成果を変えるかを追跡する。そのつながりが確立されて初めて、リーダーは信頼できる財務上の主張を行える。

KPMGの後の2026年第2四半期の調査結果も、このアプローチを裏付けている。コスト可視性が高い組織は、確立済みROIを報告する可能性が5倍高く、15％だったのに対し、可視性が低い組織では3％だった。

この関係は、ダッシュボードがリターンを生み出すことを証明するものではない。より能力の高い組織は、コスト管理とAI導入の両方に優れている可能性がある。それでも、この傾向は実務的な点を強調している。チームは、見えない投資を管理できない。

真の分断は、オーケストレーションとツール導入の間にある

先行する組織は、業務フロー、データ、ガバナンス、人間の意思決定をまたいでAIを連携させている。

KPMGは、回答者の約11％をAIリーダーと位置付けている。その優位性は、単により多くを支出したり、より多くのツールを導入したりすることだけから生じているわけではない。AIをオペレーティングモデルの一部として扱うことに由来する。

同レポートはこれをオーケストレーションと呼ぶ。この文脈でオーケストレーションとは、モデル、エージェント、データ、統制、従業員、事業プロセスを、一つの管理されたシステムとして連携させることを意味する。

これは、従業員にチャットボットを提供するより高い基準だ。汎用アシスタントは、周囲の業務フローを変えずに、下書き、要約、探索を支援できる。オーケストレーションされたAIは、作業がプロセスに入る方法、文脈がどのように引き継がれるか、誰が意思決定をレビューするか、成果がどのようにフィードバックとして戻るかを変える。

顧客サポートの業務フローを考えてみよう。基本的な導入では、エージェントが応答文の下書きを作成できる。より成熟したシステムでは、正しいアカウント履歴を取得し、ポリシーを適用し、不確実性にフラグを立て、慎重な対応が必要なケースを人に振り分け、解決内容を記録し、サービスが改善したかを測定する。

2つ目のシステムに必要なのは、高性能なモデルだけではない。信頼できるデータ、システム権限、明確なエスカレーションルール、モニタリング、説明責任を持つプロセスオーナーが必要だ。

同じパターンは製品開発にも当てはまる。孤立したアシスタントでも、インタビューの要約や要件の生成はできる。統合された業務フローは、調査の証拠、顧客フィードバック、製品判断、技術的制約、その後の結果を結び付ける。

こうしたつながりは、検索可能なAI knowledge baseが、また一つの汎用インターフェースより重要になり得る理由を説明する。モデルには関連する組織的コンテキストが必要であり、従業員にはその出力の背後にある資料を確認・再利用する手段が必要だ。

McKinseyの先行研究では、業務フローの再設計が、生成AIによる収益への影響の報告と最も強く関連する要因の一つであることが分かった。それでも、調査対象となった導入・拡大展開の実践の大半に従っていると答えた回答者は3分の1未満だった。

生成AIソリューションについて明確に定義された業績指標を追跡していると報告したのは、5人に1人未満だった。この結果は、多くの導入主張の弱点を浮き彫りにする。成功の意味を定義していなければ、企業はどの導入が機能しているかを学べない。

業務フローの再設計は、政治的・組織的な困難も生む。責任範囲、承認経路、人員配置の前提、時には部門間の境界まで変えるためだ。ツールを導入することは、こうした変更を交渉するより容易な場合が多い。

従業員はアシスタントを頻繁に利用していても、重要な意思決定には使わない可能性がある。管理職は成果への期待を変えずに実験を奨励するかもしれない。セキュリティチームは一つのインターフェースを承認しても、より深い統合に必要なデータ接続を阻むことがある。

こうした条件では、構造的な影響を伴わないまま利用だけが目に見えて増える。従業員はより多くの下書きや要約を作成するが、意思決定は依然として同じボトルネックを通過する。組織は忙しくなる一方で、実質的には速くならない。

KPMGが示すリーダー層は、別の道筋を示唆している。これらの組織は、コスト削減だけに焦点を当てるのではなく、AIを成長に結び付けている。また、人材の準備度がより高く、事業への影響を測定することへの自信も大きいと報告している。

これは重要だ。コスト削減は、「既存のどの業務をモデルに実行させられるか」という狭い実装上の問いを促す。一方、成長志向の問いは、AIが製品、顧客体験、あるいは学習のスピードをどう変えるかを問う。

前者のアプローチでも有益な効率化は実現できる。後者にはより多くの連携が必要だが、競合他社が模倣しにくい成果も生み出す。

Microsoftは、「Frontier Firm」という概念を通じて似た到達点を説明している。同社のWork Trend Indexは、31か国の3万1,000人の労働者、LinkedInの雇用データ、Microsoft 365の活動データを分析した。

Microsoftによれば、こうした企業は人間とエージェントのチーム、および必要に応じて利用できるインテリジェンスを中心に仕事を組織化している。この枠組みにはベンダーの視点が反映されているため、同社のパフォーマンスに関する主張は慎重に検証する必要がある。それでも、KPMGが示した組織的な方向性を捉えている。

したがって競争上の分かれ目は、Microsoft対Googleでも、ある基盤モデル対別のモデルでもない。ツールの導入と、業務運用のオーケストレーションの違いである。

前者の道を進む組織は、ライセンスとパイロットを積み上げる。後者の道を進む組織は、ワークフローを選定し、信頼できる文脈を接続し、責任者を割り当て、成果を測定し、プロセスを改訂する。

モデルの選択は、品質、コスト、セキュリティ、レイテンシーの面で依然として重要だ。しかし、モデルを変更しても、欠けている説明責任や不明確な事業目標を補うことはできない。

AI導入の数値が依然として証明していないこと

調査の勢いは本物だが、自己申告による成熟度と価値は、業務パフォーマンスの不完全な指標にとどまる。

KPMGの調査は、大規模組織における経営層の認識を捉えている。こうしたリーダーは戦略、投資、組織の方向性を説明できるが、すべてのチームにおける日常的な利用を観察しているとは限らない。

この調査には、地域、業界、規制、技術的能力が異なる組織も含まれる。AIを統制されたレビュー業務に導入する銀行は、開発ツールにアシスタントを追加するソフトウェア企業とは異なる制約に直面する。

集計された割合は、こうした違いを覆い隠す可能性がある。また、回答者が「意味のある事業価値」を同じように定義しているかどうかも見えにくくする。

ある経営幹部は価値を従業員のアウトプット高速化と解釈するかもしれない。別の幹部は、売上増加や費用削減を求めるかもしれない。さらに別の幹部は、直接観測できない損失回避であっても、リスクの回避を価値として数える可能性がある。

確立されたROIはより精密に聞こえるが、調査回答者が異なる手法を適用する可能性は残る。導入・監督コストを含める組織もあれば、便益をソフトウェア料金だけと比較する組織もある。

そのためKPMGの数値は、監査済みの経済的リターンの証明ではなく、成熟度に関する方向性を示す証拠として扱うべきだ。

同じ注意は、レポート間の比較にも当てはまる。Stanfordの2026 AI Indexは、組織におけるAI導入率が2025年に88％に達したと報告している。同時に、エージェント導入はほぼすべての事業機能で一桁台にとどまったことも指摘している。

これらの事実は両立する。深い業務利用に先立って、幅広いアクセスが実現したためだ。また、単一の導入率だけでは、AIが組織を変えたかどうかに答えられない理由も示している。

AI Indexは、構造化され測定可能な業務で、より強い生産性向上が見られるとしている。顧客サポート、ソフトウェア開発、マーケティングのアウトプットにおける改善を示す研究を引用する一方、より深い推論を要する業務では成果が弱いと指摘している。

このパターンは重要な制約を示す。AIは、チームが入力を定義し、出力を検査し、結果を測定できる領域で最も力を発揮する。自由度の高い戦略業務には、信頼できるフィードバックのシグナルが少ない。

企業は複雑な業務にもAIを利用できるが、より強力な人間によるレビューと、誤りを検知する明確な方法が必要になる。そうした安全策がなければ、アウトプットの高速化は弱い意思決定を加速させるだけかもしれない。

セキュリティとプライバシーも、別の摩擦要因を加える。KPMGによると、回答者の75％がAI関連のリスクとセキュリティに懸念を示した。AIリスクの管理に自信があると答えた初期段階の組織は20％にとどまったのに対し、AIリーダーでは47％だった。

こうした懸念は、導入を止めるべきだという議論ではない。アクセスだけでは成熟度を生み出せない理由を示している。機微なユースケースを拡大する前に、組織にはポリシー、技術的な統制、評価ルーチン、インシデントの責任体制が必要だ。

人材の準備度も同様の制約を生む。KPMGは、組織の68％が人材パイプラインに何らかの自信を示した一方、高い自信を報告したのは22％にすぎなかったとしている。

従業員にプロンプトの書き方を教えるだけでは、その差は埋まらない。従業員は、AIが適切な場面、出力に必要な根拠、利用できるデータ、そして人間が主導権を握るべきタイミングを理解する必要がある。

リーダーはまた、節約された時間をどのように価値へ転換するかを決める必要がある。従業員が業務をより速く終えても、より多くの低価値な仕事を与えられるなら、組織は局所的な効率を改善しただけで、パフォーマンスを変えたことにはならない。

ここで、導入プログラムはしばしば事業設計から切り離される。技術チームはツールを管理し、学習チームは研修を管理し、財務チームはリターンを求め、業務チームは既存の目標を維持する。成果全体を統制する単一の責任者はいない。

したがって、KPMG調査を懐疑的に読むべき点は、AIが何の価値も生んでいないということではない。報告された価値と確立されたROIの間の距離が、単純な結論を導くには依然として大きすぎるということだ。

楽観的な読み方は、より具体的である。少数の組織が導入を測定可能な企業成果と結び付け始めており、組織的な条件が整えば価値は実現可能であることを示唆している。

どちらの解釈も、同じ誤りを退ける。アクセス、利用、影響を同義語として扱うことだ。

ギャップが縮小しているかを示す3つのシグナル

次の段階を左右するのは、日常的なワークフローでの導入、コストの説明責任、そして測定された業務成果である。

最初のシグナルは、KPMGの成熟度曲線に沿った進展だ。同社の第2四半期調査では、AIが日常業務の一部になっている組織の割合が、第1四半期の13％から22％へ上昇した。

一時的なパイロット以上のものが日常利用には必要となるため、これは意味のある進展だ。しかし、最も強い裏付けとなるのは、実験から導入への移行だけでなく、確立されたROIの対応する上昇である。

KPMGの第2四半期調査では、確立されたROIは7％に集中したままだった。サンプルと四半期ごとの枠組みには慎重な比較が必要だが、メッセージは一貫している。日常利用は、検証済みのリターンよりも速く拡大している。

今後の調査で、ROIの上昇とともに導入の広がりが示されれば、企業の学習に関する根拠は強まる。導入が増えてもROIが現在の水準近くにとどまるなら、価値のギャップを一時的な遅れとして退けることは難しくなる。

2つ目のシグナルは、コストの可視性である。リーダーは、モデル、エージェント、インフラ、統合、人間によるレビューの費用を、特定のワークフローに帰属させられるかどうかを注視すべきだ。

コストダッシュボードだけでは価値を証明しない。業務指標と責任を持つオーナーと組み合わさることで、有用になる。

KPMGによると、第2四半期には組織の53％がAIコスト監視ダッシュボードを導入していた。54％は、AI承認プロセスにコストレビューを組み込んでいた。

より重要な検証は、こうした統制が意思決定を変えるかどうかだ。チームは弱いユースケースを廃止し、高コストなものを再設計し、防御可能な成果を生む導入を拡大すべきである。

企業が利用量ベースのコストを理解しないまま拡大を続ければ、エージェント型AIはギャップを広げる可能性がある。マルチエージェントシステムは、単一のタスク内で呼び出し、トークン、ツール、障害点を増幅させうる。

3つ目のシグナルは、ワークフロー単位の証拠である。従業員を対象とした幅広い調査は引き続き有用だが、意思決定者には特定のプロセスに結び付いた指標が必要だ。

サポート導入では、解決品質、サイクルタイム、エスカレーション率、顧客成果を追跡すべきだ。開発導入では、提供までの時間、不具合、レビュー負担、保守性を追跡すべきである。リサーチ導入では、正確性、情報源の品質、意思決定の速さを測定すべきだ。

こうした測定は、短期のデモを超えて行う必要がある。4週間成功したワークフローでも、データの変化、従業員の適応、利用の拡大によって弱まる可能性がある。

組織は、総生産性と実際に取り込まれた価値の違いも、より明確に示すべきだ。10分の短縮が自動的に財務的なリターンを生むわけではない。組織は、その余力を振り向けるか、顧客が価値を感じる成果を改善しなければならない。

Google Newsは、見出しにしやすい大きな導入率を今後も取り上げ続けるだろう。より重要な証拠は、より劇的ではない業務指標に現れる。

確立されたROIを報告する組織の割合を見よう。コストの可視性が導入の選択を変えるかを見よう。そして、監督、統合、リスクのコストを含めた後も、個々のワークフローが持続的な改善を生むかを見よう。

企業の購入担当者やナレッジワーカーにとって、実務的な問いはもはや、AIが実験に値するかどうかではない。証拠は、実験がすでに広く行われていることを示している。

問われるのは、組織が重要なワークフローを1つ特定し、そのベースラインを定義し、適切な文脈を接続し、責任あるオーナーを割り当て、時間をかけて結果を測定できるかどうかである。

それができなければ、別のモデルやエージェントでもギャップは埋まらない。それができれば、AI導入には次のGoogle Newsの見出しを超えて持続する影響への道筋がある。