AIは約2年で280倍安く、普及も1年で約3倍。それでも約95%の組織が損益に効果なし──AI導入後に売上も利益も増えない原因と対策
Key facts
- AIは約2年で280倍安く、普及も1年で約3倍。それでも約95%の組織が損益に効果なし──AI導入後に売上も利益も増えない原因と対策
- AI実装支援を行う株式会社FULLFACTは、AIの能力向上、コスト低下、普及拡大にもかかわらず、約95%の組織がAI導入による損益への影響を実感できていない「AI生産性パラドックス」に関するレポートを公開しました。同社はこの乖離の原因はAIの能力ではなく、その実装方法にあると指摘し、効果的なAI導入のための具体的な戦略を提示しています。
- Source: PR Times
- Date: 2026年6月14日
Direct answer
AI実装支援を行う株式会社FULLFACTは、AIの能力向上、コスト低下、普及拡大にもかかわらず、約95%の組織がAI導入による損益への影響を実感できていない「AI生産性パラドックス」に関するレポートを公開しました。同社はこの乖離の原因はAIの能力ではなく、その実装方法にあると指摘し、効果的なAI導入のための具体的な戦略を提示しています。
- Citation
- AIは約2年で280倍安く、普及も1年で約3倍。それでも約95%の組織が損益に効果なし──AI導入後に売上も利益も増えない原因と対策 (2026年6月14日), PR Times
- Source
- PR Times
- Date
- 2026年6月14日
AI実装支援を行う株式会社FULLFACTは、AIの能力向上、コスト低下、普及拡大にもかかわらず、約95%の組織がAI導入による損益への影響を実感できていない「AI生産性パラドックス」に関するレポートを公開しました。同社はこの乖離の原因はAIの能力ではなく、その実装方法にあると指摘し、効果的なAI導入のための具体的な戦略を提示しています。
📋 記事の処理履歴
- 📰 発表: 2026年6月14日 01:58
- 🔍 収集: 2026年6月13日 17:03
- 🤖 AI分析完了: 2026年6月13日 17:09（収集から5分後）
AI実装支援を行う株式会社FULLFACT（本社：東京都、代表取締役：足達彩人）は、国内外の公開統計・公的資料・国際機関レポートを再分析した「AIを導入したのに売上も利益も増えない 原因と対策 2026」を公開します。
本レポートでは、AIの能力・価格・普及の各指標と、損益インパクトや価値創出といった財務成果の指標を突き合わせ、両者の乖離がなぜ生まれるのか、そして成果を分ける条件はどこにあるのかを、国内外の一次情報をもとに整理しました。
主要ポイント
能力は1年で跳ね上がった: 2023年に導入された難関ベンチマークで、AIのスコアは1年でMMMU+18.8、GPQA+48.9、SWE-bench+67.3ポイント上昇した。実コードのバグ修正を測るSWE-benchでは、解けた課題の割合が2023年の4.4%から2024年の71.7%へ跳ね上がっている。
同じ性能が約2年で280倍安くなった: GPT-3.5並みの性能を出すための問い合わせコストは、2022年11月の100万トークンあたり20.00ドルから2024年10月には0.07ドルへ下落した。約2年（約23か月）で280倍超の低下である。ハードウェアのコストは年率30%で下がり、エネルギー効率は年率40%で改善している。
普及も止まらない: 日本の個人の生成AI利用経験は2023年度の9.1%から2024年度の26.7%へ約3倍に伸びた。McKinseyの調査では、少なくとも一つの業務機能でAIを日常的に使う組織は88%に達している。能力も価格も普及も、すべて改善の方向に動いている。
それでも損益は動かない: MIT NANDAの調査では、企業が生成AIに300〜400億ドルを投じたにもかかわらず、組織の約95%が測定可能な損益へのインパクトをまったく得られていない。能力と価格と普及が三拍子そろっても、財務成果はついてこない。これがパラドックスの核心である。
利益に効かせた企業はごく一部: McKinseyの調査では、全社の営業利益に何らかのインパクトがあったと答えた組織は39%にとどまり、そのうち大半はAIが寄与する利益は5%未満だとした。AIで全社利益に有意なインパクトを出せた高成果企業は約6%にすぎない。BCGの調査でも、AIから実際に価値を生み出せている企業は26%で、残り74%は具体的な価値をまだ示せていない。
分かれ目は賢さではなく実装にある: 価格が下がり性能が上がっても成果が出ないのは、能力の問題ではない。米国ではAI利用企業の57%がAIを3つ以下の業務機能に限定し、包括的に展開している企業は利用企業の4%にとどまる。どの業務で使い、何を測り、誰が確認し、どのデータを入れるかという実装の設計が、成果の有無を分けている。
背景
AIをめぐる数字は、二つの相反する方向に同時に動いています。能力は1年で難関ベンチマークを大きく塗り替え、同じ性能を出すコストは約2年（約23か月）で280倍超下がり、利用率も1年で約3倍に伸びました。改善を示す指標は、どれを見ても上を向いています。
ところが財務の指標は動きません。MIT NANDAの調査では、生成AIに投資した組織の約95%が測定可能な損益インパクトを得ておらず、McKinseyの調査でも全社利益に有意なインパクトを出せた高成果企業は約6%にとどまります。能力も価格も普及も整ったのに、成果だけが取り残されている。これがAI生産性パラドックスです。
FULLFACTは、この乖離の原因が能力の不足ではなく実装の側にあると考えています。米国ではAIを使う企業の過半数が3機能以下に限定し、全社展開できている企業は利用企業の4%にすぎません。どの業務で使い、何を測り、誰が確認し、どのデータを入れるか。この設計の有無が、同じ追い風を受けながら成果の出る企業と出ない企業を分けています。
AI実装で最初に確認すべきこと
効かせる業務を選ぶ: 利用者を増やすのではなく、損益に直結する業務を一つ選んで深く使う。業務頻度、扱うデータ、確認者、成果指標が見える業務から始める。
測る指標を先に決める: 導入の前に、何が何ポイント動けば成功かを定義する。利用者数や契約ツール数ではなく、業務の処理時間や売上・コストの変化で測る。
入れてよいデータを線引きする: どの情報をAIに渡してよいか、渡してはいけないかを業務ごとに決める。利用が広がるほど、この線引きの不在が成果と信頼の両方を損なう。
確認と責任の所在を置く: 出力を誰が確認し、誤りを誰が直し、運用を誰が更新するかを業務ごとに決める。確認の空白が、PoCの出力品質と本番の成果を混同させる。
四半期で範囲を広げる: 成果が出た業務の手順と失敗ログを残し
本レポートでは、AIの能力・価格・普及の各指標と、損益インパクトや価値創出といった財務成果の指標を突き合わせ、両者の乖離がなぜ生まれるのか、そして成果を分ける条件はどこにあるのかを、国内外の一次情報をもとに整理しました。
主要ポイント
能力は1年で跳ね上がった: 2023年に導入された難関ベンチマークで、AIのスコアは1年でMMMU+18.8、GPQA+48.9、SWE-bench+67.3ポイント上昇した。実コードのバグ修正を測るSWE-benchでは、解けた課題の割合が2023年の4.4%から2024年の71.7%へ跳ね上がっている。
同じ性能が約2年で280倍安くなった: GPT-3.5並みの性能を出すための問い合わせコストは、2022年11月の100万トークンあたり20.00ドルから2024年10月には0.07ドルへ下落した。約2年（約23か月）で280倍超の低下である。ハードウェアのコストは年率30%で下がり、エネルギー効率は年率40%で改善している。
普及も止まらない: 日本の個人の生成AI利用経験は2023年度の9.1%から2024年度の26.7%へ約3倍に伸びた。McKinseyの調査では、少なくとも一つの業務機能でAIを日常的に使う組織は88%に達している。能力も価格も普及も、すべて改善の方向に動いている。
それでも損益は動かない: MIT NANDAの調査では、企業が生成AIに300〜400億ドルを投じたにもかかわらず、組織の約95%が測定可能な損益へのインパクトをまったく得られていない。能力と価格と普及が三拍子そろっても、財務成果はついてこない。これがパラドックスの核心である。
利益に効かせた企業はごく一部: McKinseyの調査では、全社の営業利益に何らかのインパクトがあったと答えた組織は39%にとどまり、そのうち大半はAIが寄与する利益は5%未満だとした。AIで全社利益に有意なインパクトを出せた高成果企業は約6%にすぎない。BCGの調査でも、AIから実際に価値を生み出せている企業は26%で、残り74%は具体的な価値をまだ示せていない。
分かれ目は賢さではなく実装にある: 価格が下がり性能が上がっても成果が出ないのは、能力の問題ではない。米国ではAI利用企業の57%がAIを3つ以下の業務機能に限定し、包括的に展開している企業は利用企業の4%にとどまる。どの業務で使い、何を測り、誰が確認し、どのデータを入れるかという実装の設計が、成果の有無を分けている。
背景
AIをめぐる数字は、二つの相反する方向に同時に動いています。能力は1年で難関ベンチマークを大きく塗り替え、同じ性能を出すコストは約2年（約23か月）で280倍超下がり、利用率も1年で約3倍に伸びました。改善を示す指標は、どれを見ても上を向いています。
ところが財務の指標は動きません。MIT NANDAの調査では、生成AIに投資した組織の約95%が測定可能な損益インパクトを得ておらず、McKinseyの調査でも全社利益に有意なインパクトを出せた高成果企業は約6%にとどまります。能力も価格も普及も整ったのに、成果だけが取り残されている。これがAI生産性パラドックスです。
FULLFACTは、この乖離の原因が能力の不足ではなく実装の側にあると考えています。米国ではAIを使う企業の過半数が3機能以下に限定し、全社展開できている企業は利用企業の4%にすぎません。どの業務で使い、何を測り、誰が確認し、どのデータを入れるか。この設計の有無が、同じ追い風を受けながら成果の出る企業と出ない企業を分けています。
AI実装で最初に確認すべきこと
効かせる業務を選ぶ: 利用者を増やすのではなく、損益に直結する業務を一つ選んで深く使う。業務頻度、扱うデータ、確認者、成果指標が見える業務から始める。
測る指標を先に決める: 導入の前に、何が何ポイント動けば成功かを定義する。利用者数や契約ツール数ではなく、業務の処理時間や売上・コストの変化で測る。
入れてよいデータを線引きする: どの情報をAIに渡してよいか、渡してはいけないかを業務ごとに決める。利用が広がるほど、この線引きの不在が成果と信頼の両方を損なう。
確認と責任の所在を置く: 出力を誰が確認し、誤りを誰が直し、運用を誰が更新するかを業務ごとに決める。確認の空白が、PoCの出力品質と本番の成果を混同させる。
四半期で範囲を広げる: 成果が出た業務の手順と失敗ログを残し
よくある質問
AI生産性パラドックスとは何ですか？
AIの能力が飛躍的に向上し、コストが大幅に低下し、普及が進んでいるにもかかわらず、大多数の企業がAI導入による測定可能な財務的成果を得られていない現象を指します。
なぜ多くの企業がAIから利益を得られていないのですか？
レポートによると、原因はAIの能力不足ではなく、実装の側にあると指摘されています。具体的には、どの業務にAIを適用し、何を測定し、誰が確認し、どのデータを使うかといった設計が不十分なためです。
AI導入で成果を出すための主要なポイントは何ですか？
損益に直結する業務を選ぶ、導入前に成功指標を明確にする、AIに渡すデータの線引きをする、確認と責任の所在を明確にする、という4点が挙げられています。
株式会社FULLFACTはどのような会社ですか？
株式会社FULLFACTはAIの実装支援を行う企業です。今回のレポートのように、AI導入の課題と解決策に関する分析や提言を行っています。
レポートでは、AIの能力やコストについてどのような変化が指摘されていますか？
AIの能力は難関ベンチマークで1年で大幅に向上し、GPT-3.5並みの性能を出すコストは約2年で280倍安くなったとされています。普及率も日本で個人の生成AI利用経験が1年で約3倍に伸びています。