AI在約2年內便宜了280倍，普及率在約1年內增長了約3倍。然而，約95%的組織在損益上沒有效果──AI導入後營收和利潤未能增長的原因與對策

提供AI實施支援服務的FULLFACT株式會社（總公司：東京都，代表董事：足達彩人）將發布一份重新分析國內外公開統計數據、公共資料及國際機構報告的「AI導入後營收和利潤未能增長的原因與對策 2026」報告。

本報告將AI能力、價格、普及等各項指標與損益影響及價值創造等財務成果指標進行對照，並根據國內外第一手資訊，整理出為何會出現兩者之間的差距，以及決定成果的條件何在。

主要重點

能力在一年內飛躍性提升：在2023年導入的困難基準測試中，AI的得分在一年內上升了MMMU+18.8、GPQA+48.9、SWE-bench+67.3點。在衡量實際代碼錯誤修復的SWE-bench中，解決問題的比例從2023年的4.4%躍升至2024年的71.7%。

相同性能在約2年內便宜了280倍：為了達到GPT-3.5級別性能的查詢成本，從2022年11月的每百萬tokens 20.00美元，下降到2024年10月的0.07美元。這在約2年（約23個月）內下降了超過280倍。硬體成本以每年30%的速度下降，能源效率則以每年40%的速度改善。

普及勢不可擋：日本個人生成AI的使用經驗從2023財年的9.1%增長到2024財年的26.7%，增長了約3倍。麥肯錫的調查顯示，至少在一個業務功能中日常使用AI的組織達到了88%。能力、價格、普及，所有指標都在朝著改善的方向發展。

然而，損益卻停滯不前：MIT NANDA的調查顯示，儘管企業向生成AI投入了300至400億美元，但約95%的組織完全沒有獲得可衡量的損益影響。即使能力、價格和普及三者兼備，財務成果卻未能隨之而來。這就是悖論的核心。

僅少數企業有效提升利潤：麥肯錫的調查顯示，僅有39%的組織表示對公司整體營業利潤產生了某種影響，其中大多數認為AI貢獻的利潤不到5%。只有約6%的高效能企業透過AI對公司整體利潤產生了顯著影響。波士頓諮詢公司（BCG）的調查也顯示，只有26%的企業真正從AI中創造了價值，其餘74%尚未展現具體價值。

關鍵在於實施而非智能：儘管價格下降、性能提升，但仍未產生結果，這並非能力問題。在美國，57%的AI使用企業將AI限制在三個或更少的業務功能中，而全面推廣的企業僅佔使用企業的4%。如何在哪些業務中使用、測量什麼、誰來確認、輸入什麼數據，這些實施設計決定了成果的有無論。

背景

圍繞AI的數字同時朝著兩個相互矛盾的方向發展。AI能力在一年內大幅改寫了困難的基準測試，達到相同性能的成本在約2年（約23個月）內下降了超過280倍，使用率也在一年內增長了約3倍。所有顯示改善的指標都在向上發展。

然而，財務指標卻紋絲不動。MIT NANDA的調查顯示，約95%投資生成AI的組織沒有獲得可衡量的損益影響，麥肯錫的調查也指出，只有約6%的高效能企業對公司整體利潤產生了顯著影響。儘管能力、價格和普及都已到位，成果卻被拋在後面。這就是AI生產力悖論。

FULLFACT認為，這種差距的原因不在於能力不足，而在於實施方面。在美國，大多數使用AI的企業將其限制在三個或更少的功能中，全面推廣的企業僅佔使用企業的4%。如何在哪些業務中使用、測量什麼、誰來確認、輸入什麼數據。這種設計的有無論，區分了在相同有利條件下，哪些企業能產生成果，哪些不能。

AI實施首先應確認的事項

選擇有效的業務：不是增加使用者數量，而是深入應用於一個直接影響損益的業務。從業務頻率、處理數據、確認者和成果指標都清晰可見的業務開始。

預先決定測量指標：在導入之前，定義成功意味著什麼樣的點數變動。以業務處理時間、營收或成本變化來衡量，而不是使用者數量或合約工具數量。

劃定允許輸入數據的界線：針對每項業務，決定哪些資訊可以傳遞給AI，哪些不行。隨著使用範圍擴大，若無此界線，將會損害成果和信任。

明確確認和責任歸屬：針對每項業務，決定誰來確認輸出、誰來修正錯誤、誰來更新操作。確認的空白會混淆概念驗證（PoC）的輸出品質與實際生產成果。

每季擴大範圍：記錄產生成果的業務流程和失敗日誌，持續擴大。