🌐 This site is also available in English Visit English Site →
🌐 English
MENU
| 技術情報発信（素材技術を未来へ）
  1. ホーム
  2. 企業へのAI導入 技術解説

企業へのAI導入 技術解説

← AI・機械学習の解説一覧へ戻る

TECHNOLOGY EXPLAINER

企業へのAI導入
― 「試せた」から「回り続ける」までのあいだにあるもの

AI を使う企業は増えていますが、「使っている」と「業務の中で回り続けている」は別の状態です。公的統計では、2025年のEUで従業員10人以上の企業の19.95%がAI技術を使い、米国でも2026年5月初めに約2割の企業が過去2週間にAIを使ったと報告されています。日本の企業向け調査では、生成AIを何らかの業務で使う企業の割合が86.4%（「わからない」を除く回答）でした。いずれも調査の定義が違うため、国どうしの優劣は示しません。 この記事では、導入の型（個人利用、社内検索、ワークフロー、エージェント、製品への組み込み）、PoC（概念実証）と実運用の違い、データ整備、評価、コストと効果の測り方、失敗要因、ガバナンス体制を、公式資料の範囲で整理します。製造業・研究開発での注意は、素材技術者の視点で補います。

構成：Eurostat、米国 Census Bureau、総務省『令和8年版 情報通信白書』、総務省・経済産業省『AI事業者ガイドライン（第1.2版）』、RAND の報告書、ISO/IEC・NIST の規格・指針、査読論文（QJE、Organization Science、Nature Chemistry）、arXiv の論文、企業の公式発表（ダイキン工業、日立製作所ほか）を使用／確認日 2026年10月15日

AIの提案を、実験ノートと試料・測定条件へ戻って確認しています。社内データの整備と根拠への追跡が、導入の土台です。
図1　概念画像（ImageGenで生成）。AIの提案を、実験ノートと試料・測定条件へ戻って確認しています。社内データの整備と根拠への追跡が、導入の土台です。 実際の施設・製品・測定結果ではありません。
この記事の構成
  1. 企業へのAI導入とは何か（3行でつかむ）
  2. 導入の現状 ― 公的統計で読む
  3. 導入の型 ― 個人利用から製品への組み込みまで
  4. PoC と実運用は何が違うか
  5. データ整備 ― 「AI が読める形」とは
  6. 評価 ― 三つの階層で測る
  7. コストと効果の測り方 ― 本稿の計算
  8. ワークフロー自動化 ― 工程が増えると何が起きるか
  9. 失敗要因
  10. ガバナンス体制
  11. 製造業・研究開発での注意
  12. 限界と、確認できなかったこと
  13. 評価・標準の読み方
  14. 用語集
  15. 参考資料（一次情報）
  16. 主張と出典の対応表（監査）
本記事の表記ルール

事実＝公表資料に記載のある内容（出典リンクあり）
本稿の計算＝明示した前提をもとに本記事が算出した値
未確定／将来＝計画・予定・提案の段階であり、実績が確認できていない事項
このほか、導入の進め方についての読み取りは「解説」として区別しています。推測は太字で示します。この分野は変化が速いため、統計・規格・ガイドラインには確認日（2026年10月15日）を付けています。

この記事の数値の読み方

ここに出てくる導入率・精度・生産性の数値は、特定の調査・実験・企業発表で報告されたものです。企業の発表する成果指標は企業の主張として扱い、定義（何を正解とするか、何件で測ったか）が公表されていない場合は「確認できなかった」と書きます。 異なる調査・設定・実施主体の数値を並べて優劣をつけることはしません。この記事は特定の製品・企業の導入を勧めるものではなく、法的助言・投資助言でもありません。

1. 企業へのAI導入とは何か（3行でつかむ）

  • 「使っている」の中身は幅が広い：メールの下書きに汎用チャットを使うことから、社内の文書を根拠に答える仕組み、決まった手順の一部をAIに任せる仕組み、顧客に見せる製品への組み込みまで、同じ「AI導入」でも必要なデータ、評価の単位、責任の重さが違います事実［参考資料9・14］。
  • 試験と実運用は別の問題：ダイキン工業は、作業の抜け漏れを検知するAIエージェントの検知精度を、研修施設の実験で91%、実際の現場作業を対象にした検証で76%と発表しています（企業の発表値）事実［参考資料11］。同じ仕組みでも、データの取り方が現場に近づくと数字が動く、という典型例です。
  • 効果は「測り方」で決まる：顧客サポートの現場導入では生産性が平均15%上がった一方で、熟練者では品質がわずかに下がる傾向が見られ、経験豊富な開発者を対象にした無作為化試験では作業時間がむしろ19%延びました事実［参考資料15・17］。「便利になった気がする」と測定値は一致しないことがあります。
この記事でいちばん大事な一行

AI の導入は「モデルを選ぶ仕事」である前に、「どの業務の、どのデータで、何を成功と見なし、誰が責任を持つか」を決める仕事です。 RAND の報告書は、インタビューした65人の技術者の証言から、失敗の最大の原因を「解くべき問題の取り違えや伝達不足」と整理しました［参考資料13］。モデルの性能は、そのうちの一つの要素にすぎません（本稿の解説）。

2. 導入の現状 ― 公的統計で読む

導入の広がりは、まず公的統計で確認できます。ただし、調査ごとに対象（企業の規模・業種）、質問の文言、時期が違うため、数字を並べて国の優劣を論じることはしません。ここでは、各統計が何を測っているかを区別して読みます。

公的統計が示す企業のAI利用（調査の定義が違うため、左右は比べません） EU（Eurostat、2025年） 従業員10人以上の企業で、AI技術を1つ以上使用 全体 19.95% 小企業（10〜49人） 17.00% 中企業（50〜249人） 30.36% 大企業（250人以上） 55.03% 米国（Census BTOS、2026年5月3日まで） 過去2週間にAIを事業のいずれかの機能で使用 全体（5月3日） 19.8% 4人以下 20%未満 100〜249人 32% 250人以上 37% ※ 値は公表された数字の転記です。Eurostat は2025年の調査（2025年初頭に実施）、Census は2025年12月14日〜2026年5月3日のデータです。 ※ 米国の「4人以下」は「20%未満」とだけ記載があり、棒の長さは目安（破線）です。出典は参考資料1・2。
図2　概念図（ベクター作図）。EU と米国の統計の、企業規模別の利用率です。調査の定義・時期・質問が違うため、左右の数値を比べて優劣をつけるものではありません。値は公表資料からの転記です。

EU：Eurostat（2025年）

Eurostat によると、2025年にEUの従業員10人以上の企業の19.95%が、テキストマイニング、音声認識、文章・コードの生成、画像などの生成、画像認識、機械学習によるデータ分析、ワークフローの自動化・意思決定支援、自律的に動く機械、のいずれか1つ以上のAI技術を使っていました。2024年からは6.47ポイントの増加です。規模別では小企業17.00%、中企業30.36%、大企業55.03%で、国別ではデンマーク42.03%が最も高く、ルーマニア5.21%が最も低い値でした事実［参考資料1］。 業種では、情報通信（62.52%）と専門・科学・技術サービス（40.43%）が際立ち、そのほかの業種はいずれも25%未満でした［参考資料1］。

AIを使っている企業が何に使うかを見ると、2025年はマーケティング・販売（34.70%）と経営管理の業務の組織化（31.05%）が多く、物流（6.08%）が最も少ない用途でした。製造業でも、最も多い用途はマーケティング・販売（30.41%）と経営管理（27.05%）でした［参考資料1］。AIを検討したことがあるのに使っていない企業が挙げた理由は、専門知識の不足（70.89%）、法的な結果の不明確さ（52.52%）、データ保護・プライバシーへの懸念（48.83%）の順でした［参考資料1］。

米国：Census Bureau の BTOS（2025年12月〜2026年5月）

米国の BTOS は、隔週の全国調査です。2025年12月14日〜2026年5月3日のデータで、AIを使っていると答えた企業の割合は17〜20%の範囲で推移し、2026年5月3日時点の全国値は19.8%でした。今後6か月以内に使う見込みの企業は20〜23%でした。250人以上の企業では37%、100〜249人の企業では32%（5月3日までの期間）、4人以下の企業は20%未満でした事実［参考資料2］。 注意：Census は2025年11月に、質問を「商品・サービスの生産における」AI利用から「あらゆる業務機能における」AI利用へ変更したと説明しています［参考資料2］。そのため、変更の前後の数字を連続した時系列として読むことはできません。

日本：総務省『令和8年版 情報通信白書』（2025年度企業向け調査）

総務省が日本・米国・ドイツ・中国で実施した企業向けアンケート（2025年度）では、生成AIの活用方針を「積極的に活用する」または「領域を限定して利用する」とした日本企業の割合が68.9%（前年度調査は49.7%）で、大企業74.0%、中小企業58.1%でした。白書は、他の3か国と比べると日本は引き続き低い結果だと記しています［参考資料3］。 一方、方針の設問で「わからない」と答えた回答を除いて、何らかの業務で生成AIを使っていると答えた日本企業の割合は86.4%で、前年度調査より大きく上がり、他の3か国との差も縮まった、とされています［参考資料4］。この二つの割合は、分母（回答の範囲）が異なります。日本企業で最も使われる業務類型は「議事録・メール作成補助」（約7割）、次が「営業・販売」（約6割）、「社内ヘルプデスク」（約5割）で、効果を実感するという回答も「議事録・メール作成補助」で約7割と顕著でした［参考資料4］。

白書は、生成AIの活用で期待される影響として、日本では「作業時間の短縮などによる業務の効率化」が61.6%と最も高く、他の3か国では「品質管理の精度向上やパーソナライズなどによる製品・サービスの質の向上」が最も高かった、と整理しています［参考資料5］。さらに白書は、他の3か国では顧客向けの製品・サービスに生成AIを活用する動きが進み、それに伴って導入前の専門的な審査や導入後の定期的な評価の体制が整いつつあるのではないかと考察しています［参考資料6］。これは白書の考察であり、因果の証明ではありません。

統計の「AIを使っている」を読むときの三つの質問

① 何を AI と数えているか：Eurostat は8種類の技術のいずれか、Census は過去2週間の使用、総務省は回答者が所属する企業の生成AIの業務利用、と定義が違います。
② 誰が答えたか：企業の規模、答えた人の立場（経営層か現場か）で、「使っている」の感覚は変わります（解説）。
③ 深さを測っているか：これらの統計は「使っているか」を主に聞くものです。基幹業務に埋め込まれているか、成果が出ているかは、別の調べ方が要ります（本稿の解説）。

3. 導入の型 ― 個人利用から製品への組み込みまで

総務省の白書は、先進企業の段階的な取り組みを、「汎用AIで個人作業を効率化する」段階から、「業務プロセス全体をAI前提で変革する」段階へと整理しています［参考資料9］。開発側の整理では、Anthropic が、LLM（大規模言語モデル）とツールをあらかじめ決めたコードの経路で組み合わせる「ワークフロー」と、LLM が自分で手順とツールの使い方を決める「エージェント」を区別し、「まず最も単純な解を探し、必要なときだけ複雑にする」ことを勧めています（開発元の見解）［参考資料14］。 AI事業者ガイドライン（第1.2版）は、AIエージェントを「特定の目標を達成するために、環境を感知し自律的に行動するAIシステム」と定義しています［参考資料34］。 次の図は、これらを踏まえた本稿の整理です。型の分け方は本稿のもので、各社の呼称とは一致しない場合があります。

個人支援、社内検索、対外窓口、研究設計、現場検査の例です。導入先が変わると、根拠・権限・失敗時の影響も変わります。
図3　概念画像（ImageGenで生成）。個人支援、社内検索、対外窓口、研究設計、現場検査の例です。導入先が変わると、根拠・権限・失敗時の影響も変わります。 実際の施設・製品・測定結果ではありません。
元のSVG模式図・数値・出典注記を見る
導入の五つの型と、型ごとに変わるもの（本稿の整理） ① 個人の道具 要約・下書き ② 社内検索 文書を根拠に回答 ③ ワークフロー 決めた経路の一部 ④ エージェント 手順をAIが選ぶ ⑤ 製品への組込み 顧客に見える 前提として要るもの 利用ルール 安全な環境 整理した文書 閲覧権限の管理 手順の定義 各システムとの接続 ツールの権限設計 操作の記録（ログ） 導入前の審査体制 導入後の監視 評価の単位 利用率 業務ごとの時間 検索の的中 回答の根拠の正しさ 工程ごとの成功率 全体の成功率 繰り返しての安定性 規則の遵守 事後の継続評価 苦情・事故の記録 主なリスク 機密の入力 会社に見えない利用 古い文書の参照 権限外の情報の漏れ 誤りの積み重ね 確認の抜け 想定外の操作 責任の所在が曖昧 外部への責任 説明の求め 右へ進むほど、評価の設計・権限の設計・責任の設計が重くなる ※ 段階の考え方は総務省の白書［参考資料9］、ワークフローとエージェントの区別は Anthropic の記事［参考資料14］によります。 ※ 五つの型の分け方、前提・評価の単位・リスクの整理は本稿の解説です。各社の呼称や実装とは一致しない場合があります。
図3　概念図（ベクター作図）。導入の型が右へ進むほど、前提となるデータ・権限・審査が増えます。型の分け方は本稿の整理で、特定の企業や製品の分類ではありません。
型何をするか公式資料で確認できた関連例注意
① 個人の道具汎用の生成AIで、要約・下書き・調べ物を個人が行う白書は、汎用ツールの導入だけでも一定の効果を見込める一方、社員が個人の判断で使う「シャドーAI」は入力した機密の流出などのリスクがあると記す［参考資料9］。日清食品ホールディングスは、部門ごとに対象業務を選び、プロンプトのひな形を作って効果を測りながら展開し、社内の生成AI利用率が直近で7割超に達したと白書は記す［参考資料9・12］一部の積極的な社員だけが使う状態に陥る可能性があると白書は指摘［参考資料9］
② 社内検索（RAG）社内文書を検索し、根拠付きで答えるAI事業者ガイドラインは、RAG（検索拡張生成）の活用により、ハルシネーションの抑制や出力の根拠の透明性向上が期待されている、と注記する［参考資料34］「期待されている」という記述で、効果の保証ではない。文書の鮮度と閲覧権限が前提
③ ワークフロー人が決めた手順の一部を、LLMが担う中外製薬は、ビジネスプロセスを「人間が行う前提」から書き換える方針を示す（企業の方針）［参考資料7］手順が固定なので予測しやすい一方、工程が増えると全体の成功率が下がる（第8章）
④ エージェントLLMが、手順やツールの使い方を自分で選ぶダイキン工業・日立製作所の設備故障診断（保全技術者の質問に、原因と対策を示す）。ダイキン工業・フェアリーデバイセズの作業の抜け漏れ検知。いずれも各社が「AIエージェント」と呼ぶ［参考資料10・11］各社の呼称が、本稿の「エージェント」の定義（自分で手順を選ぶ）と一致するかは、公表資料からは確認できない
⑤ 製品への組み込み顧客に提供する製品・サービスに生成AIを入れる白書は、他の3か国では顧客向けの製品・サービスへの活用が進み、導入前の審査と導入後の評価の体制が整いつつあると考察［参考資料6］外部への説明責任が生じる。AI事業者ガイドラインでは「AI提供者」の事項が中心になる［参考資料34］

すべて公表資料の記載（事実）です。型の整理と注意の列は解説です。

4. PoC と実運用は何が違うか

PoC（概念実証）は「技術的にできるか」を確かめる段階、実運用は「毎日の業務で、決まった品質で、誰かの責任のもとで回り続けるか」を問う段階です（本稿の解説）。公式資料から、両者の差が見える例を三つ挙げます。

試験から実運用への関門と、発表された二つの検知精度 企業の発表値：作業の抜け漏れの検知精度 ダイキン工業・フェアリーデバイセズ（2026年3月25日の発表） 研修施設での実験 91% 実際の現場作業を対象にした検証 76% 差は15ポイント。発表は検知精度の定義と件数を示していません （確認できなかった）。両社は精度の向上と適用範囲の拡大を 目指すとしています（目標）。 試験から実運用へ：越えるべき関門（本稿の整理） PoC できるか 試験運用 現場で使えるか 実運用 回り続けるか 関門1　データ：現場と同じ条件か 関門2　評価：件数・採点者・基準は十分か 関門3　責任：誰が最終判断をするか 関門4　運用：保守・更新・費用の担当は誰か 関門5　変更：モデルや文書が変わっても保てるか 各関門の項目は本稿の解説です。 公式資料の事例との対応は本文の表で示します。 ※ 左の値は企業の発表値（参考資料11）。棒の長さは値に比例した目安で、評価条件が示されていないため優劣や改善の予測はできません。 ※ 右の関門は解説です。中外製薬の PoC から実業務への移行［参考資料7］や日立の試験運用［参考資料10］を踏まえて整理しました。
図4　概念図（ベクター作図）。左はダイキン工業らが発表した検知精度の二つの値、右は試験から実運用への関門の整理です。左の値は企業の発表値で、定義と件数が公表されていないため、他の事例との比較には使えません。
事例（公式資料）段階公表された成果指標（企業の発表）本稿が「確認できなかった」とする点
ダイキン工業・日立製作所
設備故障診断のAIエージェント（堺製作所臨海工場）		2025年4月から試験運用。2025年9月までに試験運用を完了して実用化する予定と発表（未確定／将来）［参考資料10］。白書（2026年）は「共同で開発・導入している」と記す［参考資料8］事前の実証で、10秒以内に90%以上の精度で原因と対策を回答。5種類の設備について各5件の故障状況（計25件）の原因・対策案を推定し、熟練保全技術者2名が5段階で正しさを評価した［参考資料10］試験運用の完了や実用化を会社が公表した資料は、本稿の調査範囲では確認できなかった。「90%以上」が5段階評価のどの水準かの定義は公表されていない
ダイキン工業・フェアリーデバイセズ
作業映像から点検・修理の抜け漏れを検知		実証実験。グローバルでの本格的な活用は目標（未確定／将来）［参考資料11］検知精度は研修施設の実験で91%、実際の現場作業を対象にした検証で76%。GENIAC-PRIZE（経済産業省・NEDO 主催）の最高賞を受賞［参考資料11］検知精度の定義、評価に使った作業の件数、誤検知の扱いは、同発表には書かれていない
中外製薬
全社向けの生成AIアプリ		実運用。約7,800名の社員向けに内製し、平均約5,400人のユニークユーザーがいる（中外製薬の提供数値）［参考資料7］利用者数。また、事業部門の PoC まで DX 部門の予算で実施できる「Digital Innovation Lab」では、当初は ROI を問わず採択したが、ボトムアップ文化が定着した現在は、実業務へ MVP（実用最小限の製品）としてアジャイルに導入する、と説明［参考資料7］業務時間の削減量など、成果の金額・時間への換算は白書には示されていない

すべて企業の発表または白書の記載（事実）で、成果指標は企業の主張です。指標の定義が公表されていない場合は、他の事例との比較をしません。

本稿の計算：25件の評価から、何が言えるか

評価に使う事例が少ないと、結果の不確かさが大きくなります。一般的な二項分布の計算例として、25件のうち22件が正解（88%）だったとします本稿の計算。

  • Wilson 法による95%信頼区間は約70.0%〜95.8%です。25件では「88%」と「76%」の区別が、統計的にはつきません。
  • 同じ88%が250件のうち220件なら、区間は約83.4%〜91.5%に狭まります。

前提と限界：これは「正誤を一つずつ判定する」場合の一般的な計算例で、日立製作所の評価（5段階評価）の再計算ではありません。事例ごとの母集団の偏り、評価者のばらつきは含みません。件数を決めるときの目安として読んでください。

素材技術者の視点①：「現場に近い条件」とは、材料でいえば「ロット違い・設備違い」

研修施設で91%、現場で76%という発表は、材料の開発で「ラボのスケールで出た物性が、パイロットや量産ラインで再現しない」ことに似ています（本稿の解説）。データの取り方、ばらつきの源（人、設備、ロット、季節）が実運用で一気に増えるためです。 導入の評価でも、試験は実運用の最悪に近い条件を一部含めて設計することが、材料の量産移行で行う条件振りと同じ考え方で効きます。ダイキン工業・日立製作所の例は、設備図面と過去の保全記録を知識として整理して読み込ませ（ナレッジグラフ）、現場で使う人が質問する形にしています［参考資料10］。現場の知識を、AI が使える形に直す作業が先にあります。

5. データ整備 ― 「AI が読める形」とは

RAND の報告書は、AI プロジェクトが失敗する五つの原因のうち二つを、データに関わるものとしています。一つは「モデルを学習・運用するために必要なデータが組織にない」こと、もう一つは「データを管理し、完成したモデルを展開するための基盤が足りない」ことです事実［参考資料13］。 総務省の白書も、国立情報学研究所の佐藤一郎教授の指摘として、AI 導入の最初のステップは「AI に対応するデータがあるか（AI-Ready 化）」であり、特にAIエージェントの活用ではデータの精度と鮮度がより重要になる、と記しています事実［参考資料36］。 また、同じ白書の調査では、米国・ドイツ・中国の企業の5割超が「生成AIに社内データを学習させたり、参照できるデータベースを構築したりしている」と答えたのに対し、日本はこの割合が大幅に低い結果でした［参考資料37］。

データ品質の国際規格としては、ISO/IEC 5259 シリーズ（分析と機械学習のためのデータ品質）があり、その第1部 ISO/IEC 5259-1:2024 は概要・用語・例を扱います。ISO のページには、同シリーズの5部（ISO/IEC 5259-1 から -5）を組にした販売も掲載されています［参考資料24・30］。 科学データの管理の考え方としては、FAIR 原則（見つけられる Findable、アクセスできる Accessible、相互運用できる Interoperable、再利用できる Reusable）が Scientific Data 誌で2016年に提案されています［参考資料23］。 これらは推奨・指針であり、遵守が法的に義務づけられているものではありません（本稿の解説）。規格の本文は有料のため確認しておらず、要求事項の詳細は記載しません。

確認する項目問い素材・研究開発での例（解説）
所在の棚卸しどのデータが、どこに、何の形式であるか実験ノート（紙・電子）、測定装置のローカルフォルダ、報告書の PDF、取引先から受け取った試験成績書
条件のメタデータ数値に、それを得た条件が付いているか温度、湿度、試験片の形状、規格・版、ロット、装置、測定者。条件の落ちた物性値の表は、AI にも人にも誤読される
単位・表記の統一同じ量が同じ単位・表記で書かれているかMPa と kgf/cm²、wt% と mol%、全角・半角、略称と正式名、社内コード名
失敗・不合格のデータうまくいかなかった実験が残っているか不合格ロット、中止した試験の記録。成功例だけだと、「できる条件」しか学べない
権限と機密区分誰が、どの文書を AI 経由で見てよいか配合、プロセス条件、取引先固有の情報。白書は、AI が参照するデータの範囲を絞る対策が先進企業で取られていると記す［参考資料36］
鮮度と更新の担当古い版が残っていないか。誰が更新するか改訂前の規格・社内標準、廃止した仕様書。「最新の版」が AI の回答で選ばれる保証はない

項目の整理と例は本稿の解説です。規格や白書が列挙した要求事項ではありません。

素材技術者の視点②：数値は「条件とセット」で初めてデータになる

材料の物性値は、試験法・試験片・温度・湿度・履歴の条件を外すと意味が変わります。社内の文書を AI に読ませる前に、数値の隣に条件が書かれているかを確認してください（本稿の解説）。条件が表の外（本文や脚注、別ファイル）に離れていると、検索で数値だけが拾われ、条件が落ちた状態で回答に使われます。 対策の一つは、データを登録する時点で、数値・単位・条件・出典（試験報告書の番号）を同じ行にそろえることです。AI の導入が、実は「データの書き方の標準化」という、地味だが効果の大きい作業を促す場面は少なくありません。

また、化学の知識を問う ChemBench（2,700件超の質問と回答の組）では、評価対象の最良のモデルが平均して、研究に参加した化学者の最良の成績を上回った一方、基本的な課題でつまずき、過剰な自信をもった予測を示した、と報告されています［参考資料22］。回答に確信が表れていても、数値の正しさの保証にはなりません。

6. 評価 ― 三つの階層で測る

AI の評価は、問いによって三つの階層に分けると整理しやすくなります（本稿の整理）。① モデルの一般的な能力、② 自社のタスクでの性能、③ 業務の成果です。①が高くても②が低いことがあり、②が高くても③の成果に結びつかないことがあります。

階層問い公表された評価の例（出典・設定）読み方の注意
① モデルの能力そのモデルは、一般にどの程度できるかHELM（Liang ら、arXiv 2022、TMLR 2023）：16の中核シナリオで7つの指標（正確さ、較正、頑健性、公平性、バイアス、有害性、効率）を測り、30のモデルを42シナリオで同じ条件で評価［参考資料19］。ChemBench（Mirza ら、Nature Chemistry 2025）：2,700件超の質問で化学の知識と推論を評価［参考資料22］評価時点のモデル・版の結果で、現在のモデルには当てはまらない。自社の業務の問いと同じ分布とは限らない
② 自社タスク自社の問い・文書・手順で、必要な品質に届くか公開例として、τ-bench（Yao ら、arXiv 2024）：ユーザーとの対話・ツール呼び出し・規則の遵守を、会話の最後のデータベースの状態と目標の状態の比較で評価し、繰り返しの安定性を表す pass^k を提案。原論文では当時の関数呼び出しエージェント（gpt-4o）が半数未満のタスクにしか成功せず、小売領域で pass^8 が25%未満［参考資料20］。SWE-bench（Jimenez ら、arXiv 2023）：実際の GitHub の課題2,294件。原論文では当時の最良モデルが1.96%［参考資料21］二つの数値は原論文発表時（2023〜2024年）のもので、現在の水準を示さない（確認していない）。ベンチマークは飽和・汚染（学習データへの混入）が起こるため、自社用の評価セットを持つことが重要（解説）
③ 業務の成果導入で、時間・品質・手戻りは実際にどう変わったか顧客サポート（Brynjolfsson ら、QJE 2025）：5,172人のエージェントへの生成AIアシスタントの段階的導入。1時間あたりの解決件数が平均15%増。経験の浅い層は速度と品質が向上、最も経験豊富な層は速度の伸びが小さく、品質がわずかに低下［参考資料15］。経営コンサルタント（Dell’Acqua ら、Organization Science 2026）：758人、18タスク。AI の得意な範囲内のタスクでは作業件数12.2%増・25.1%高速、範囲外の課題では、正解を出す可能性が19%低かった［参考資料16］。経験豊富な開発者（Becker ら、METR、arXiv 2025）：16人、246タスク、2025年前半のツール。開発者は事前に24%短縮を予想し、事後も20%短縮したと推定したが、測定では作業時間が19%延びた［参考資料17］職種・課題・ツールの版・期間が違うため、数値どうしの優劣は示さない。同じ「生産性」でも、測り方（件数、時間、品質評価者）が違う
（補）実務タスクの総合評価職業の実務に近い成果物を、どの程度の品質で作れるかGDPval（OpenAI、arXiv 2025）：米国の GDP への寄与が大きい9部門・44職種の実務タスク。平均14年の経験をもつ専門家がタスクを作成し、公開版は220タスク。著者らは、最良のフロンティアモデルが専門家の成果物の品質に近づいていると述べる（評価の実施主体は開発元）［参考資料18］開発元が設計・実施した評価で、著者の主張。自社の業務や、材料・化学の実務と一致する保証はない

すべて事実（各出典の報告）です。階層の整理は解説。異なる設定・版・実施主体の数値を並べた優劣は示しません。

③の三つの研究から読めること（解説）

三つの研究は、課題、労働者の経験、AI ツールの版が違います。同じ尺度の数字として並べず、次の点だけを読み取るのが安全です。 ① 効果は人と課題によって均一ではない（QJE、Organization Science）。 ② 本人の実感と測定値が食い違うことがある（METR：事前・事後の推定は短縮、測定は延長）。ただし著者らは、実験の特殊性の影響を完全には排除できないとも述べています。 ③ 効果の測定には、AIなしの比較（対照）を置く設計が使われている。

自社の評価セットを持つ

公開ベンチマークは、モデルの比較の目安にはなりますが、自社の業務の品質保証にはなりません。ダイキン工業・日立製作所の例は、5種類の設備×各5件という、評価に使う事例を設備の種類で分けて用意し、熟練者が採点する設計でした［参考資料10］。 自社の評価セットを作るときの要点は、次のとおりです（本稿の解説）。

  • 実際の問い合わせ・案件から集める：想定の問いだけでなく、過去の質問や不具合報告から作る。
  • 正解の基準を先に決める：誰が、どの基準で採点するか。採点者が複数なら、一致の度合いも確かめる。
  • 難しい例を意図的に入れる：例外、古い版、矛盾した文書、答えがない問いを含める。「答えがない」と言えるかも評価する。
  • 変更のたびに回す：モデルの版、検索の設定、文書が変わったら、同じセットで回帰を確認する。

7. コストと効果の測り方 ― 本稿の計算

AI の費用は、利用料（トークン課金やライセンス）だけではありません。主な構成要素は、利用料、データ整備、評価と検証の人件費、基盤の運用・保守、教育、ガバナンス・審査、モデルや文書の変更への対応です（本稿の解説）。 効果を測る側では、中外製薬のように、DX 部門が現場に寄り添って効果測定を担当する体制を持つ企業があります［参考資料36］。 次に、仮の数字で、費用の内訳と損益分岐の考え方を示します。

本稿の計算：社内の技術文書への質問応答（RAG）の月額費用と損益分岐

すべて仮定の数字です。実在の製品の価格や、特定の企業の実績ではありません本稿の計算。

  • 利用：月に20,000件の質問。1件あたり入力6,000トークン（検索した文書を含む）、出力600トークン。
  • 仮の単価：入力450円、出力2,250円（いずれも100万トークンあたり）。
  • 人の確認：回答の20%を、担当者が3分かけて原典と照合する。担当者の時間単価は5,000円。
  • 固定の運用費：データの更新、評価セットの保守、問い合わせ対応で月100万円。

1件の利用料は 6,000×450／100万＋600×2,250／100万＝2.7円＋1.35円＝4.05円。月の利用料は 81,000円。 確認の人件費は 20,000×20%×3分＝12,000分＝200時間で 1,000,000円。固定費を加えた月額は 2,081,000円です。

  • 利用料は総額の約3.9%（81,000／2,081,000）にすぎず、確認の人件費（約48%）と固定費（約48%）が大半を占めます。
  • 損益分岐は、2,081,000円を5,000円で割った416.2時間、つまり月24,972分を20,000件で割った1件あたり約1.25分の時間削減です。
  • 質問が半分の月10,000件なら、月額は 40,500＋500,000＋1,000,000＝1,540,500円で、損益分岐は1件あたり約1.85分に上がります。

前提と限界：「削減された時間」が実際に別の業務に使われ、価値に変わるとは限りません。METR の試験のように、体感と測定が食い違う場合もあります［参考資料17］。確認の割合と時間は、品質の要求（誤りの許容度）によって大きく変わります。数値は、費用の「内訳の見方」を示すための仮定です。

効果の測り方の基本

  • 利用率ではなく成果を測る：ログイン数や質問数は、使われていることを示すだけで、成果ではありません。手戻り件数、リードタイム、検査の見逃し、問い合わせの解決時間など、導入前から測れる指標を選びます（解説）。
  • 比較の相手を置く：QJE の研究は生成AIアシスタントの段階的な導入を利用して、導入前後と導入済み・未導入の人を比べました［参考資料15］。全員に同時に入れてしまうと、季節や他の施策の影響と切り分けられません（解説）。
  • 品質を一緒に測る：速度だけを見ると、品質の低下を見逃します。QJE の研究でも、最も経験豊富な層で品質がわずかに低下しました［参考資料15］。
  • モデルの更新を前提にする：中外製薬は、AI 技術の進化が速く、新しい技術で低コストで同程度の出力が得られることから、常に各社の最新ツールを使える環境（AI プラットフォーム）を社内に用意していると説明しています［参考資料7］。費用の前提は固定ではありません。

8. ワークフロー自動化 ― 工程が増えると何が起きるか

業務を自動化するとき、複数の工程を連ねるほど、全体の成功率は下がります。仮に各工程が独立に、確率 p で成功するとすると、n 工程すべてが成功する確率は p の n 乗です。

工程が増えると、全体の成功率はどう下がるか（本稿の計算） 各工程が独立に成功する確率を p とし、全体の成功率を p の n 乗として計算した仮定の図です。 0% 25% 50% 75% 100% 1 2 3 4 5 6 7 8 9 10 工程の数 n p＝0.98：n＝10 で 81.7% p＝0.95：59.9% p＝0.90：34.9% ※ 丸は n＝5 と n＝10。n＝5 のとき、p＝0.98 で 90.4%、0.95 で 77.4%、0.90 で 59.0%（小数第2位を四捨五入）。 ※ 実際の工程は独立ではなく、人の確認や再実行で回復できる場合もあります。傾向を見るための単純化です。
図5　本稿の計算を含む作図（ベクター作図）。各工程の成功確率 p が0.98・0.95・0.90のとき、工程数 n（1〜10）で全体が成功する確率です。独立という仮定の単純化で、実際の業務の成功率ではありません。
本稿の計算：5工程と10工程

各工程の成功確率を p、全体を pn として計算します本稿の計算。

  • p＝0.98：5工程で90.4%、10工程で81.7%
  • p＝0.95：5工程で77.4%、10工程で59.9%
  • p＝0.90：5工程で59.0%、10工程で34.9%

前提と限界：工程が独立で、失敗しても回復しないという仮定です。実際は、後段の工程が前段の誤りを検出することも、誤りが連鎖して拡大することもあります。τ-bench が繰り返しの安定性（pass^k）を測る指標を設けたのも、一度の成功ではなく、繰り返したときに安定して成功するかが実運用で問われるためです［参考資料20］。

Anthropic は、ワークフローは明確に定義された課題で予測可能性と一貫性をもたらし、エージェントはより大きな規模で柔軟性とモデル主導の判断が要る場合に向く、と整理しています（開発元の見解）［参考資料14］。 中外製薬は、業務プロセスの変革では、AI に任せる工程と人が責任を取る工程を見極めたうえで、人の判断や確認を適切に介在させる「ヒューマン・イン・ザ・ループ」を重視する、と説明しています［参考資料7］。 設計の観点を整理すると、次のとおりです（本稿の解説）。

  • 人の確認点を、誤りが高くつく工程の前に置く：全工程に置くと自動化の意味が薄れ、置かないと誤りが積み重なる。
  • 工程ごとの出力を記録する：最終結果だけでなく、中間出力を残すと、どの工程で崩れたかを特定できる。
  • やり直しできる形にする：実行した操作を取り消せる、または実行前に承認を挟む。
  • AIに任せない工程を決める：AI事業者ガイドラインは、AIの判断を人が承認する際に、承認の理由や根拠を人自身が独自に考えてから承認すべきだという提案があると注記しています［参考資料34］。
設備の前で図面と履歴を参照し、判断を助ける使い方です。回答が得られても、点検と操作の最終判断は現場の担当者が行います。
図6　概念画像（ImageGenで生成）。設備の前で図面と履歴を参照し、判断を助ける使い方です。回答が得られても、点検と操作の最終判断は現場の担当者が行います。 実際の施設・製品・測定結果ではありません。

9. 失敗要因

失敗の原因を整理した公的に近い資料として、米国のシンクタンク RAND が2024年8月に公表した報告書（RR-A2680-1）があります。65人の経験豊富なデータサイエンティスト・エンジニア（業界と学術界、AI/ML モデルの構築経験が5年以上）へのインタビューにもとづき、五つの根本原因をまとめています事実［参考資料13］。 同報告は、「AI プロジェクトの80%以上が失敗する」という推計を「ある推計によれば」として引用しており、これは同報告自身の測定値ではありません［参考資料13］。この数字を、失敗率の事実として使うことは避けます。

RAND が挙げた根本原因報告書の説明（要旨）推奨される対応（報告書の五原則）本稿の読み取り（解説）
1. 解くべき問題の取り違え何を AI で解くのかを誤解・誤伝達し、誤った指標に最適化したモデルや、業務の流れに合わないモデルが展開される技術者が、プロジェクトの目的と業務領域の文脈を理解する最も多い原因とされる。現場の担当者と開発者が、成功の定義を共有する場が要る
2. データの不足有効なモデルを学習させるのに必要なデータが組織にないデータの管理とモデルの展開を支える基盤に先行投資する第5章。データ収集の仕組みを、プロジェクトの前に作る
3. 最新技術の追求利用者の実際の問題を解くより、最新の技術を使うことに集中する技術ではなく問題に焦点を当てるモデルの入れ替えは前提とし、評価セットで切り替えられる設計にする（第6章）
4. 基盤の不足データを管理し、完成したモデルを展開する基盤が足りない基盤に先行投資するPoC から実運用への段差の主因になる（第4章）
5. AI には難しすぎる問題技術を、AI が解けない難問に適用する。最先端のモデルでも自動化できない作業があるAI の限界を理解する。技術の専門家を入れて実現可能性を評価する「AI が得意な範囲」と「そうでない範囲」の境目が不均一であることは、Organization Science の研究も示す［参考資料16］

報告書の五原則のうち「長く続けられる問題を選ぶ」（各チームが少なくとも1年は特定の問題に取り組む覚悟を求める）は、上の五つの原因と1対1には対応しないため、表には入れていません［参考資料13］。表の最右列は解説です。

公的統計と白書からは、別の角度の障壁が読めます。EU でAIを検討したのに使っていない企業の理由は、専門知識の不足（70.89%）、法的な結果の不明確さ（52.52%）、データ保護・プライバシーへの懸念（48.83%）が上位でした［参考資料1］。日本の企業が懸念するリスクは、「社内情報の漏洩などのセキュリティリスク」が最も高く、次に「出力結果の精度に問題がある」、「著作権等の権利を侵害する可能性がある」でした［参考資料6］。 白書の調査では、日本で生成AIによる業務変革に「組織的な取組はない」と答えた企業が27.0%で、米国・ドイツ・中国に比べて顕著に高く、中小企業でこの傾向が強いと記されています［参考資料37］。

素材技術者の視点③：「うまくいかなかった理由」は、工程の言葉で書いてみる

素材の開発で、不良が出たときに、原料・配合・混練・成形・検査の工程ごとに原因を切り分けるのと同じ見方が使えます（本稿の解説）。AI の導入が止まったとき、「AI が使えなかった」で終わらせず、① 問いの設定、② データ、③ モデル・検索、④ 評価の基準、⑤ 運用・権限、⑥ 人の使い方のどこで崩れたかを記録します。RAND の五つの原因は、①②④⑤に多くが対応します。 失敗の記録を残すことは、次のプロジェクトのデータにもなります。

10. ガバナンス体制

AI の導入が個人の道具から業務プロセスや製品へ広がると、誰が何を決め、何を確認し、問題が起きたとき誰が説明するのか、という体制が必要になります。日本の『AI事業者ガイドライン（第1.2版）』は、総務省と経済産業省が2026年3月31日に公表した、非拘束的なソフトロー（法的拘束力のない指針）です事実［参考資料34・35］。版の経緯は、第1.0版（2024年4月19日）、第1.01版（2024年11月22日）、第1.1版（2025年3月28日）、第1.2版（2026年3月31日）です［参考資料35］。 同ガイドラインは、AI 開発者・AI 提供者・AI 利用者の三つの主体を区別し、共通の指針と、AI ガバナンスの構築を示します。AI ガバナンスについては、ルールや手続きを事前に固定せず、「環境・リスク分析」「ゴール設定」「システムデザイン」「運用」「評価」のサイクルを、関係者が継続的かつ高速に回すアジャイル・ガバナンスが重要だと述べています［参考資料34］。

企業のAIガバナンス体制の概念図 経営層 AI の位置づけと優先領域を決める。社内外へ発信する ガバナンスを、コストではなく先行投資として捉える AI 推進（DX）部門 共通基盤の整備、現場への伴走（技術助言、セキュリティ） 効果測定、学習機会の提供、利用ポリシーの整備 事業部門・現場 課題とニーズの起点。業務プロセスの再設計と、最終判断を担う AI の出力を確認し、記録する 横断機能 法務・知財・情報セキュリティ・品質保証・調達・人事 回すサイクル（AI事業者ガイドライン） 環境・リスク分析 ゴール設定（AIポリシー） マネジメントシステムの設計 運用 評価と継続的改善 外部環境（規制・技術）が変わるたびに 最初の「環境・リスク分析」に戻る ※ 右のサイクルは AI事業者ガイドライン第1.2版の「アジャイル・ガバナンス」の記述［参考資料34］、左の層は白書が先進企業に見た体制［参考資料36］を 　基に本稿が整理した概念図です。特定の企業の組織図ではありません。
図7　概念図（ベクター作図）。左は役割の層、右は繰り返すサイクルです。特定の企業の組織図ではなく、公式資料を基にした本稿の整理です。

白書がヒアリングした先進企業では、事業部門の現場の課題を起点に、AI 推進（DX）部門が具体的なアイデアの創出、技術的な助言、セキュリティ対策、効果測定、学習機会の提供といった伴走を担う体制が多く見られました。DX 部門は同時に、全体最適を見据えた共通基盤の整備や、部門横断の変革も担っていました［参考資料36］。 ルールの面では、利用ポリシーやガイドラインの整備、評価の仕組みづくりを進め、AI が参照するデータの範囲を絞るなどのアクセス権限の対策、さらに企画・設計段階の審査体制の整備の検討が挙げられています［参考資料36］。一方、日本のアンケート結果では、リスク対策として「全社的な指針やガイドラインを整備している」が41.1%と最も高く、米国・ドイツ・中国では導入前の専門的な審査や導入後の定期的な評価の回答が日本より高い傾向でした［参考資料6］。

標準・指針の位置づけ

文書題名・版・発行性格使いどころ（解説）
ISO/IEC 42001Information technology — Artificial intelligence — Management system（第1版、2023年12月）［参考資料25］AI マネジメントシステム（AIMS）の要求事項。ISO は、AI を提供・利用する組織が、AIMS を確立・実施・維持・継続的に改善するための要求事項を定める規格と説明組織としての方針・役割・リスク対応・継続的改善の枠組み。認証を受けるかどうかは任意の経営判断
ISO/IEC 42006Requirements for bodies providing audit and certification of AI management systems（第1版、2025年7月）［参考資料26］42001 に基づく AIMS を監査・認証する機関の要求事項認証を使うとき、認証機関が何を満たす必要があるかを知る
ISO/IEC 23894Guidance on risk management（第1版、2023年2月）［参考資料27］AI に特有のリスク管理の手引き（要求事項ではない）リスク評価の観点を整理する
ISO/IEC 38507Governance implications of the use of AI by organizations（第1版、2022年）［参考資料28］組織の統治機関（取締役会など）向けの手引き経営層の役割を整理する
ISO/IEC 42005AI system impact assessment（第1版、2025年）［参考資料29］AI システムの影響評価の手引き個人・集団・社会への影響を、ライフサイクルを通じて文書化する
NIST AI RMF 1.0NIST AI 100-1（2023年1月）［参考資料31］。NIST のページ（確認日 2026年10月15日）は、AI RMF 1.0 がホワイトハウスの AI 行動計画の一環として改訂中と記す［参考資料33］任意利用の枠組み（GOVERN／MAP／MEASURE／MANAGE の四機能）。改訂の内容と時期は未確定（未確定／将来）米国発の枠組み。国際規格 ISO/IEC 23894 や 42001 との併用を考える
NIST AI 600-1生成AIプロファイル（2024年7月）［参考資料32］AI RMF の生成AI向けプロファイル。生成AI特有、または増幅されるリスクを12種に整理（例：虚偽の内容の生成〔Confabulation〕、データプライバシー、知的財産、情報セキュリティ、バリューチェーンの構成要素の統合）生成AIのリスク一覧として使う。大統領令14110に基づいて作成された文書（同令の現在の扱いは、本シリーズ「米国・中国・日本のAI政策」編で扱う）［参考資料32］
AI事業者ガイドライン第1.2版（2026年3月31日、総務省・経済産業省）［参考資料34］非拘束的なソフトロー。開発者・提供者・利用者別の事項日本の事業者が参照する指針。法令の遵守は別途必要と本文に記載

題名・版・発行年月は各団体の公式ページで確認した事実（確認日 2026年10月15日）。規格の本文は有料のため確認しておらず、要求事項の詳細は記載しません。使いどころの列は解説です。

法令との関係（本稿は法的助言ではありません）

事業の地域や AI の用途によって、個人情報保護、知的財産、製品安全、各国の AI 規制など、適用される法令は異なります。AI事業者ガイドラインも、各準拠法に従う必要があると注記しています［参考資料34］。EU の AI 規則（Regulation (EU) 2024/1689）や米国・中国・日本の政策は、本シリーズ「EU AI法」編、「米国・中国・日本のAI政策」編で扱います。実際の義務の有無は、法令の原文と専門家の助言で確認してください。

11. 製造業・研究開発での注意

製造業の現場や研究開発では、一般の事務作業と異なる事情があります。ここまでの内容を、素材・材料の技術者の立場で整理します（本稿の解説）。

素材技術者の視点④：研究開発に AI を入れるときの五つの確認

(1) 数値の出どころ：AI が示した物性値や条件は、必ず原典（論文、試験成績書、規格）の該当箇所と照合する。NIST AI 600-1 は、確信をもって述べられた誤りの生成（Confabulation）を生成AI特有のリスクの一つに挙げています［参考資料32］。
(2) 機密と知財：配合・プロセス条件・顧客仕様は競争力の源泉。入力してよい範囲を決める。AI事業者ガイドラインは、法令で定められていなくても、ステークホルダー間の契約でデータの利用が禁止される場合があることに留意すべきだと注記します［参考資料34］。
(3) 再現性：モデルの版、検索の設定、文書の版が変わると、同じ質問でも答えが変わる。研究の再現性の観点から、どの版のモデルで得た結果かを実験ノートと同じく記録する。
(4) 現場の知識の取り込み：ダイキン工業・日立製作所の例のように、設備図面や保全記録を整理して使えるようにする手順が、精度の土台になります［参考資料10］。熟練者の暗黙知を形式知にする取り組みは、GENIAC-PRIZE の対象テーマにもなりました［参考資料11］。
(5) 人が責任を負う範囲：安全に関わる判断（設備の運転、材料の使用条件、試験の合否）は、AI の出力を参考にしても、最終判断と記録は人が行う。中外製薬も、人間が責任を取る範囲を見極める方針を示します［参考資料7］。

AI による材料探索や自律実験室は、本シリーズ「マテリアルインフォマティクス」編で扱います。また、AI 創薬は本シリーズ「AI創薬とスクリーニング」編、AI データセンターの電力と冷却は「AIデータセンターの電力と冷却」編と「データセンターと蓄電」編をご覧ください。

12. 限界と、確認できなかったこと

(1) 国際比較と定義

Eurostat、Census、総務省の調査は、対象と質問が違うため、導入率の数字を横に並べた比較をしていません。日本の「86.4%」は「わからない」を除いた回答を分母とし、「68.9%」とは分母が異なります。

(2) 企業の成果指標

ダイキン工業・日立製作所・フェアリーデバイセズ・中外製薬・日清食品ホールディングスの数値は、企業の発表または白書が企業の提供資料にもとづいて記載したものです。検知精度や利用率の定義、母集団、測定期間は、公表資料では確認できないものがあります。試験運用の完了や、実用化・本格展開の実績は、本稿の調査では確認できませんでした。

(3) 費用と効果の実績

導入の費用対効果を、実在の企業の実績として示した一次情報は、今回の調査範囲では確認できませんでした。第7章の数値は仮定で、実在の製品の価格ではありません。

(4) 規格の本文と、規制の適用

ISO/IEC 42001・23894・38507・42005・42006・5259-1 の本文は有料のため確認していません。要求事項の詳細や、認証の取得状況は記載していません。EU・米国・中国・日本の法令の適用の有無は扱っていません。

(5) 最新のモデルとベンチマークの値

τ-bench と SWE-bench の数値は原論文の発表時のもので、現在のモデルの水準は確認していません。GDPval などの評価は、開発元が実施しており、独立の第三者の再現は確認していません。

この記事のまとめ
  • 導入の現状は、定義を揃えて読みます。EU は2025年に企業の19.95%、米国は2026年5月初めに19.8%、日本の白書は生成AIの業務利用86.4%（「わからない」を除く）を示しますが、定義が異なります事実
  • PoC と実運用は別の問題です。同じ仕組みの検知精度が、研修施設の91%から、実際の現場の検証で76%になった例があります（企業の発表値）事実
  • 評価は三つの階層で。モデルの能力、自社のタスク、業務の成果。体感と測定が食い違った研究もあります事実
  • 費用は利用料より、確認と運用が大きくなりえます。仮定の計算では、利用料は総額の約3.9%でした本稿の計算
  • 工程が増えると全体の成功率は下がります。p＝0.95で10工程なら約59.9%（独立の仮定）本稿の計算
  • ガバナンスは、経営・AI推進部門・現場・横断機能の分担と、環境の変化に合わせて回すサイクルです。日本のAI事業者ガイドライン第1.2版は非拘束的なソフトローです事実

13. 評価・標準の読み方

企業の AI 導入は、導入の実態（統計）、モデルの能力（ベンチマーク）、業務の成果（現場の効果測定）、体制とリスク（規格・指針）の四つの面で評価されます。ベンチマークは「モデルがどれだけできるか」、現場の測定は「導入で何が変わったか」、規格・指針は「組織としてどう管理するか」を、それぞれ別の問いとして扱います。 次の表は、それぞれに対応する評価手法と標準・指針を、出典の確認できた範囲で並べたものです。該当するものが確認できなかった欄は、そのように書いています。

評価項目代表的なベンチマーク・評価手法（名称・出典）標準・指針（ISO/IEC・NIST・日本の指針）読み方の注意
導入の実態（利用率）事実Eurostat「Use of artificial intelligence in enterprises」（2025年のデータ、従業員10人以上の企業、2025年12月抽出）［参考資料1］。米国 Census Bureau の Business Trends and Outlook Survey（隔週、2025年12月14日〜2026年5月3日分、2025年11月に質問変更）［参考資料2］。総務省『令和8年版 情報通信白書』（2025年度企業向け調査、日米独中）［参考資料3・4］確認できなかった（公的統計であり、規格ではない）定義（何を AI と数えるか）、分母、質問の文言を確認する。国どうしの比較には使わない
モデルの一般的な能力事実HELM（Holistic Evaluation of Language Models）：arXiv:2211.09110（v2）、TMLR 2023。7指標、30モデル、42シナリオ［参考資料19］。ChemBench：Nature Chemistry 17, 1027–1034（2025）。2,700件超の質問［参考資料22］ISO/IEC 22989:2022（AI の概念と用語、第1版、2022年7月）［参考資料30］評価時点のモデルの結果。汚染（学習データへの混入）・飽和に注意。評価を実施したのは論文の著者（第三者の追試ではない）
エージェント・実務タスク事実τ-bench：arXiv:2406.12045（v1）、pass^k［参考資料20］。SWE-bench：arXiv:2310.06770（v3）、2,294課題［参考資料21］。GDPval：arXiv:2510.04374（v1）、公開版220タスク、実施は開発元（OpenAI）［参考資料18］確認できなかった（これらのベンチマークに対応する ISO/IEC・NIST の規格・指針は確認できなかった）原論文の値は発表時のモデルのもので古い。設定（ツールの有無、試行回数、採点者）で値は変わる。開発元の実施する評価は、著者の主張として扱う
業務成果の効果測定事実顧客サポート：QJE 140(2), 889–942（2025）［参考資料15］。経営コンサルタント：Organization Science 37(2), 403–423（2026）［参考資料16］。開発者の無作為化試験：arXiv:2507.09089（v2）［参考資料17］確認できなかった職種・課題・ツールの版・期間が違う。対照群の有無、品質の測り方を確認する。体感と測定値の食い違いに注意
データ品質事実FAIR 原則：Scientific Data 3, 160018（2016）［参考資料23］ISO/IEC 5259-1:2024（分析と機械学習のためのデータ品質 第1部：概要、用語、例、第1版）。5259 シリーズは5部［参考資料24］指針・規格は推奨であり、遵守の法的義務は示されていない。本文は有料のため要求事項は確認していない
AI のマネジメント体制事実確認できなかった（認証・監査による確認であり、ベンチマークではない）ISO/IEC 42001:2023（AI マネジメントシステム、要求事項、第1版、2023年12月）［参考資料25］。ISO/IEC 42006:2025（認証機関の要求事項、2025年7月）［参考資料26］。ISO/IEC 38507:2022（統治機関向けの手引き）［参考資料28］認証の取得は任意の経営判断。認証は管理体制の確認で、個々のAIの性能や安全の保証ではない
リスク管理・影響評価事実NIST AI 600-1（生成AIプロファイル、2024年7月、12のリスクの整理）［参考資料32］ISO/IEC 23894:2023（リスク管理の手引き、2023年2月）［参考資料27］。ISO/IEC 42005:2025（影響評価の手引き）［参考資料29］。NIST AI 100-1（AI RMF 1.0、2023年1月）。改訂中（未確定／将来）［参考資料31・33］いずれも任意利用の枠組み・手引きで、法的拘束力を示す記載は確認できなかった。NIST AI RMF は改訂中で、内容と時期は未確定
日本の事業者向け指針事実確認できなかったAI事業者ガイドライン第1.2版（2026年3月31日、総務省・経済産業省）。同ガイドライン自身が「非拘束的なソフトロー」と記す［参考資料34・35］法令の遵守は別途必要。第1.0版（2024年4月19日）から改訂が続くため、最新版を確認する

題名・版・発行年月は各団体の公式ページ、論文、公式文書で確認した事実（確認日 2026年10月15日）。この表の整理は本稿の計算（本記事による並べ替え）、「読み方の注意」の列は解説です。

読み方の注意

  • ベンチマークの値は、設定と実施主体で変わります。同じ名前のベンチマークでも、版、ツールの使用、試行回数、採点の方法が違えば値は比べられません。開発元が実施した評価は、独立の第三者の評価とは区別します。公開ベンチマークは、飽和（上限に近づいて差がつかない）や、学習データへの混入（汚染）が起こりえます。
  • 規格・指針は「推奨」か「要求」か、法的拘束力があるかを見ます。ISO/IEC 42001 は組織が自主的に採用する要求事項、ISO/IEC 23894 や 42005 は手引き、NIST AI RMF は任意利用の枠組み、日本のAI事業者ガイドラインは非拘束的なソフトローです。法令（例：EU の AI 規則）とは別の文書で、規格に適合していることが法令への適合を意味するとは限りません（解説）。
  • 宣言値と実測値、試験と現場を区別します。企業が発表する「精度」「削減率」は企業の主張で、定義（何を正解とするか）、件数、測定期間が示されて初めて評価できます。研修施設で91%、現場で76%という発表のように、条件が変わると値も変わります［参考資料11］。

14. 用語集

PoC（概念実証）
「技術的にできるか」を小規模に確かめる試験。実運用の品質や責任の体制までは確かめない。
LLM（大規模言語モデル）
大量の文章で学習し、文章を生成するモデル。
RAG（検索拡張生成）
質問に関連する文書を検索し、その内容を根拠に LLM が回答する方式。
ワークフロー
人があらかじめ決めた手順の中に、LLM やツールを組み込んだ仕組み。
AIエージェント
LLM が目標に向けて、手順やツールの使い方を自分で選んで動く仕組み。呼称は企業や文書で異なる。
ヒューマン・イン・ザ・ループ
AI の処理の途中や最後に、人の判断・確認を入れる設計。
MVP（実用最小限の製品）
最小限の機能で実際の業務に出し、使いながら改善する進め方。
シャドーAI
会社が把握・管理していないところで、社員が個人の判断で使う AI。
AI-Ready 化
AI が使える精度・鮮度・形式にデータが整っている状態にすること。
ナレッジグラフ
知識を、要素（ノード）とその関係（エッジ）で表すデータモデル。
AIMS（AI マネジメントシステム）
組織が AI を管理するための方針・体制・手続きの仕組み。ISO/IEC 42001 の対象。
pass^k
同じタスクを k 回繰り返して、すべて成功する確率を表す指標（τ-bench）。
信頼区間
観測した割合が、本来の値としてどの範囲にありうるかを示す区間。件数が少ないと広くなる。
ベンチマーク汚染
評価用の問題や答えが、モデルの学習データに混ざり、評価が甘くなること。
GENIAC
経済産業省と NEDO による、国内の生成AI基盤モデルの開発力強化を目的としたプロジェクト。
ソフトロー
法的拘束力のない指針・ガイドライン。AI事業者ガイドラインは「非拘束的なソフトロー」と自称する。

15. 参考資料（一次情報）

  1. Eurostat "Use of artificial intelligence in enterprises" Statistics Explained（2025年のデータ、2025年12月抽出、次回更新予定は2026年12月） — ec.europa.eu/eurostat/statistics-explained/index.php?title=Use_of_artificial_intelligence_in_enterprises
  2. U.S. Census Bureau "Large Firms With at Least 20 Employees Biggest AI Users"（America Counts: Stories、2026年5月26日。Business Trends and Outlook Survey の2025年12月14日〜2026年5月3日のデータ） — www.census.gov/library/stories/2026/05/ai-use-businesses.html
  3. 総務省 『令和8年版 情報通信白書』第Ⅰ部第2章第1節 企業におけるAI利用の現状（1）生成AIの活用方針等 — www.soumu.go.jp/johotsusintokei/whitepaper/ja/r08/html/nd121110.html
  4. 総務省 同（3）生成AIの業務利用状況 — www.soumu.go.jp/johotsusintokei/whitepaper/ja/r08/html/nd121130.html
  5. 総務省 同（5）生成AIの活用により生じうる影響 — www.soumu.go.jp/johotsusintokei/whitepaper/ja/r08/html/nd121150.html
  6. 総務省 同（4）懸念されるリスク及びリスク対策のための取組状況 — www.soumu.go.jp/johotsusintokei/whitepaper/ja/r08/html/nd121140.html
  7. 総務省 同 3（1）中外製薬の事例（個別ヒアリング） — www.soumu.go.jp/johotsusintokei/whitepaper/ja/r08/html/nd121310.html
  8. 総務省 同 2（3）製造・生産（ダイキン工業の事例を含む） — www.soumu.go.jp/johotsusintokei/whitepaper/ja/r08/html/nd121230.html
  9. 総務省 同 4（2）AI導入・活用による効果創出のステップ — www.soumu.go.jp/johotsusintokei/whitepaper/ja/r08/html/nd121420.html
  10. ダイキン工業・日立製作所 「ダイキンと日立が協創、工場の設備故障診断を支援するAIエージェントの実用化に向けた試験運用を開始」（2025年4月22日） — www.hitachi.com/ja-jp/press/articles/2025/04/0422/
  11. ダイキン工業・フェアリーデバイセズ 「ダイキンとフェアリーデバイセズが開発するAIエージェントが経済産業省とNEDO主催の『GENIAC-PRIZE』で最高賞『第1位』と特別賞『AIエージェント賞』をダブル受賞」（2026年3月25日） — www.daikin.co.jp/press/2026/20260325
  12. 日清食品ホールディングス 「生成AI活用の取り組み」（2024年3月期テーマ別IR資料、2024年3月14日） — media.www.nissin.com/jp/company/ir/library/event/pdf/20240314_2.pdf
  13. Ryseff J., De Bruhl B. F., Newberry S. J.（RAND） "The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed: Avoiding the Anti-Patterns of AI", RAND Research Report RR-A2680-1（2024年8月13日） — www.rand.org/pubs/research_reports/RRA2680-1.html
  14. Anthropic "Building effective agents"（2024年12月19日、開発元の技術記事。ページには、記載のツール環境は2024年12月以降に変化した旨の注記がある） — www.anthropic.com/engineering/building-effective-agents
  15. Brynjolfsson E., Li D., Raymond L. "Generative AI at Work", Q. J. Econ. 140(2), 889–942 (2025), DOI 10.1093/qje/qjae044 — doi.org/10.1093/qje/qjae044
  16. Dell’Acqua F. ほか "Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality", Organization Science 37(2), 403–423 (2026), DOI 10.1287/orsc.2025.21838（HBS Working Paper 24-013, 2023 の掲載版） — doi.org/10.1287/orsc.2025.21838
  17. Becker J., Rush N., Barnes E. ほか（METR） "Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity", arXiv:2507.09089 (v2)（2025年7月12日初出） — arxiv.org/abs/2507.09089
  18. Patwardhan T. ほか（OpenAI） "GDPval: Evaluating AI Model Performance on Real-World Economically Valuable Tasks", arXiv:2510.04374 (v1) — arxiv.org/abs/2510.04374
  19. Liang P. ほか "Holistic Evaluation of Language Models", arXiv:2211.09110 (v2), Transactions on Machine Learning Research (2023) — arxiv.org/abs/2211.09110
  20. Yao S. ほか "τ-bench: A Benchmark for Tool-Agent-User Interaction in Real-World Domains", arXiv:2406.12045 (v1) — arxiv.org/abs/2406.12045
  21. Jimenez C. E. ほか "SWE-bench: Can Language Models Resolve Real-World GitHub Issues?", arXiv:2310.06770 (v3) — arxiv.org/abs/2310.06770
  22. Mirza A. ほか "A framework for evaluating the chemical knowledge and reasoning abilities of large language models against the expertise of chemists", Nat. Chem. 17, 1027–1034 (2025), DOI 10.1038/s41557-025-01815-x — doi.org/10.1038/s41557-025-01815-x
  23. Wilkinson M. D. ほか "The FAIR Guiding Principles for scientific data management and stewardship", Sci. Data 3, 160018 (2016), DOI 10.1038/sdata.2016.18 — doi.org/10.1038/sdata.2016.18
  24. ISO/IEC "ISO/IEC 5259-1:2024"（Artificial intelligence — Data quality for analytics and machine learning (ML) — Part 1: Overview, terminology, and examples、第1版） — www.iso.org/standard/81088.html
  25. ISO/IEC "ISO/IEC 42001:2023"（Information technology — Artificial intelligence — Management system、第1版、2023年12月、JTC 1/SC 42） — www.iso.org/standard/81230.html
  26. ISO/IEC "ISO/IEC 42006:2025"（Requirements for bodies providing audit and certification of artificial intelligence management systems、第1版、2025年7月） — www.iso.org/standard/42006
  27. ISO/IEC "ISO/IEC 23894:2023"（Information technology — Artificial intelligence — Guidance on risk management、第1版、2023年2月） — www.iso.org/standard/77304.html
  28. ISO/IEC "ISO/IEC 38507:2022"（Governance of IT — Governance implications of the use of artificial intelligence by organizations、第1版） — www.iso.org/standard/56641.html
  29. ISO/IEC "ISO/IEC 42005:2025"（Information technology — Artificial intelligence (AI) — AI system impact assessment、第1版） — www.iso.org/standard/42005
  30. ISO/IEC "ISO/IEC 22989:2022"（Artificial intelligence concepts and terminology、第1版、2022年7月。ページには「AI data quality management package」として ISO/IEC 5259 の5部の組も掲載） — www.iso.org/standard/74296.html
  31. NIST "Artificial Intelligence Risk Management Framework (AI RMF 1.0)", NIST AI 100-1（2023年1月）, DOI 10.6028/NIST.AI.100-1 — doi.org/10.6028/NIST.AI.100-1
  32. NIST "Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile", NIST AI 600-1（2024年7月）, DOI 10.6028/NIST.AI.600-1 — doi.org/10.6028/NIST.AI.600-1
  33. NIST "AI Risk Management Framework"（NIST の解説ページ。確認日 2026年10月15日の時点で「AI RMF 1.0 はホワイトハウスの AI 行動計画の一環として改訂中」と記載） — www.nist.gov/itl/ai-risk-management-framework
  34. 総務省・経済産業省 「AI事業者ガイドライン（第1.2版）」（令和8年3月31日） — www.meti.go.jp/shingikai/mono_info_service/ai_shakai_jisso/pdf/20260331_1.pdf
  35. 経済産業省 「AI事業者ガイドライン検討会」ページ（第1.0版〜第1.2版の公表日の一覧。最終更新日 2026年8月24日） — www.meti.go.jp/shingikai/mono_info_service/ai_shakai_jisso/index.html
  36. 総務省 『令和8年版 情報通信白書』同 4（1）AI導入・活用を効果的に進めていくために重要となる要素 — www.soumu.go.jp/johotsusintokei/whitepaper/ja/r08/html/nd121410.html
  37. 総務省 同（2）組織的な取組状況 — www.soumu.go.jp/johotsusintokei/whitepaper/ja/r08/html/nd121120.html

16. 主張と出典の対応表（監査）

本文の主張根拠区分
EU：2025年に従業員10人以上の企業の19.95%がAI技術を使用（2024年は6.47ポイント低い）、規模別（小17.00%・中30.36%・大55.03%）、国別（デンマーク42.03%、ルーマニア5.21%）、業種別（情報通信62.52%、専門・科学・技術サービス40.43%）、用途（マーケティング・販売34.70%、経営管理31.05%、物流6.08%、製造業はマーケティング・販売30.41%・経営管理27.05%）、使わない理由（専門知識の不足70.89%、法的結果の不明確さ52.52%、データ保護48.83%）。調査は2025年初頭に実施出典1 https://ec.europa.eu/eurostat/statistics-explained/index.php?title=Use_of_artificial_intelligence_in_enterprises事実
米国 BTOS：2025年12月14日〜2026年5月3日にAI利用17〜20%、今後6か月で使う見込み20〜23%、250人以上37%、100〜249人32%、4人以下20%未満、2026年5月3日時点の全国値19.8%。2025年11月の質問変更出典2 https://www.census.gov/library/stories/2026/05/ai-use-businesses.html事実
日本：生成AIの活用方針68.9%（前年度49.7%）、大企業74.0%、中小企業58.1%。他の3か国に比べ引き続き低いという白書の記述出典3 https://www.soumu.go.jp/johotsusintokei/whitepaper/ja/r08/html/nd121110.html事実
日本：生成AIを何らかの業務で利用86.4%（「わからない」を除く）、議事録・メール作成補助約7割・営業・販売約6割・社内ヘルプデスク約5割、効果を実感する割合も議事録・メール作成補助で約7割出典4 https://www.soumu.go.jp/johotsusintokei/whitepaper/ja/r08/html/nd121130.html事実
日本：生成AIの活用で期待される影響（業務の効率化61.6%、品質向上32.2%、人員不足の解消26.8%）。他の3か国では製品・サービスの質の向上が最も高い出典5 https://www.soumu.go.jp/johotsusintokei/whitepaper/ja/r08/html/nd121150.html事実
日本：懸念されるリスク（セキュリティ、精度、著作権の順）、全社的な指針・ガイドラインの整備41.1%、他の3か国では導入前の審査・導入後の評価が高いという白書の記述と、顧客向け製品への活用が進むからではないかという白書の考察出典6 https://www.soumu.go.jp/johotsusintokei/whitepaper/ja/r08/html/nd121140.html事実
日本：組織的な取組なし27.0%（取組あり65.6%）、他の3か国で社内データを学習・参照させる回答が5割超出典37 https://www.soumu.go.jp/johotsusintokei/whitepaper/ja/r08/html/nd121120.html事実
中外製薬：Chugai AI Assistant（約7,800名向け、平均約5,400人のユニークユーザー）、DX 部門の体制、Digital Innovation Lab（PoC の予算、当初は ROI を問わず採択、現在は MVP で実業務へ）、ヒューマン・イン・ザ・ループ、最新ツールを使える AI プラットフォーム出典7 https://www.soumu.go.jp/johotsusintokei/whitepaper/ja/r08/html/nd121310.html事実
ダイキン工業：熟練工AIエージェント、故障診断AIエージェント（日立と共同で開発・導入）、GENIAC-PRIZE 受賞。独自 LLM の開発に着手出典8 https://www.soumu.go.jp/johotsusintokei/whitepaper/ja/r08/html/nd121230.html
出典36 https://www.soumu.go.jp/johotsusintokei/whitepaper/ja/r08/html/nd121410.html		事実
白書の段階的な取り組みの整理（汎用AIによる個人作業の効率化→業務変革）、シャドーAIのリスク、日清食品ホールディングスの展開（対象業務の選定、プロンプトのひな形、利用率7割超）出典9 https://www.soumu.go.jp/johotsusintokei/whitepaper/ja/r08/html/nd121420.html事実
設備故障診断AIエージェント：2025年4月から堺製作所臨海工場で試験運用、10秒以内・90%以上の精度、5種類の設備×各5件を熟練保全技術者2名が5段階で評価、2025年9月までに試験運用を完了して実用化する予定出典10 https://www.hitachi.com/ja-jp/press/articles/2025/04/0422/事実
作業の抜け漏れ検知：研修施設の実験で検知精度91%、実際の現場作業の検証で76%、GENIAC-PRIZE の最高賞と AIエージェント賞、グローバルでの本格活用をめざす出典11 https://www.daikin.co.jp/press/2026/20260325事実
日清食品ホールディングスの IR 資料：対象業務の洗い出し、研修、プロンプトテンプレート作成、効果算出の4ステップを1か月で実施出典12 https://media.www.nissin.com/jp/company/ir/library/event/pdf/20240314_2.pdf事実
RAND：65人へのインタビュー、五つの根本原因と五原則、80%以上が失敗という推計は「ある推計によれば」として引用出典13 https://www.rand.org/pubs/research_reports/RRA2680-1.html事実
Anthropic：ワークフローとエージェントの区別、「最も単純な解を探す」という推奨、開発元の見解であること出典14 https://www.anthropic.com/engineering/building-effective-agents事実
顧客サポート5,172人、1時間あたり解決件数が平均15%増、経験の浅い層で速度と品質が向上、最も経験豊富な層で品質がわずかに低下出典15 https://doi.org/10.1093/qje/qjae044事実
758人・18タスク、範囲内で12.2%多く・25.1%速く、範囲外の課題で正解を出す可能性が19%低い、Organization Science 37(2)出典16 https://doi.org/10.1287/orsc.2025.21838事実
開発者16人・246タスク、事前24%短縮予想、事後20%短縮と推定、測定は19%延長出典17 https://arxiv.org/abs/2507.09089事実
GDPval：44職種・9部門、平均14年の経験をもつ専門家によるタスク、公開版220タスク、著者の主張出典18 https://arxiv.org/abs/2510.04374事実
HELM：7指標・16の中核シナリオ・30モデル・42シナリオ出典19 https://arxiv.org/abs/2211.09110事実
τ-bench：pass^k、原論文で gpt-4o が半数未満、小売で pass^8 が25%未満出典20 https://arxiv.org/abs/2406.12045事実
SWE-bench：2,294課題、12のリポジトリ、原論文の最良モデル 1.96%出典21 https://arxiv.org/abs/2310.06770事実
ChemBench：2,700件超の質問、最良のモデルが平均して最良の化学者を上回る一方、基本的な課題でつまずき過剰な自信の予測を示す出典22 https://doi.org/10.1038/s41557-025-01815-x事実
FAIR 原則の題名・掲載誌・年出典23 https://doi.org/10.1038/sdata.2016.18事実
ISO/IEC 5259-1:2024、ISO/IEC 22989:2022 の番号・題名・版・発行年月。5259 シリーズの5部の組の掲載出典24 https://www.iso.org/standard/81088.html
出典30 https://www.iso.org/standard/74296.html		事実
ISO/IEC 42001:2023、ISO/IEC 42006:2025、ISO/IEC 23894:2023、ISO/IEC 38507:2022、ISO/IEC 42005:2025 の番号・題名・版・発行年月・適用範囲の説明出典25 https://www.iso.org/standard/81230.html
出典26 https://www.iso.org/standard/42006
出典27 https://www.iso.org/standard/77304.html
出典28 https://www.iso.org/standard/56641.html
出典29 https://www.iso.org/standard/42005		事実
NIST AI 100-1（2023年1月）、NIST AI 600-1（2024年7月、12のリスク、EO 14110 に基づく作成）出典31 https://doi.org/10.6028/NIST.AI.100-1
出典32 https://doi.org/10.6028/NIST.AI.600-1		事実
NIST のページが、AI RMF 1.0 の改訂中と記していること（確認日 2026年10月15日）。改訂の内容と時期は不明出典33 https://www.nist.gov/itl/ai-risk-management-framework未確定／将来
AI事業者ガイドライン第1.2版（2026年3月31日）の内容：非拘束的なソフトロー、三つの主体、アジャイル・ガバナンス、RAG への期待の注記、人による承認の提案、契約による利用禁止への留意、AI エージェントの定義出典34 https://www.meti.go.jp/shingikai/mono_info_service/ai_shakai_jisso/pdf/20260331_1.pdf事実
AI事業者ガイドラインの版の公表日（第1.0版2024年4月19日、第1.01版2024年11月22日、第1.1版2025年3月28日、第1.2版2026年3月31日）出典35 https://www.meti.go.jp/shingikai/mono_info_service/ai_shakai_jisso/index.html事実
先進企業の体制（事業部門起点、DX 部門の伴走、共通基盤、アクセス権限の絞り込み）、AI-Ready 化とデータの精度・鮮度出典36 https://www.soumu.go.jp/johotsusintokei/whitepaper/ja/r08/html/nd121410.html事実
25件の評価の95%信頼区間（22/25：約70.0〜95.8%、220/250：約83.4〜91.5%）、仮定の月額費用（4.05円／件、81,000円、1,000,000円、2,081,000円、損益分岐1.25分／件・1.85分／件）、工程数と成功確率（p のn乗）本稿の計算。前提・限界は各所に明記本稿の計算
導入の型の五分類、関門の整理、データ整備の確認項目、評価の三階層、失敗要因の読み取り、ガバナンス図、研究開発での五つの確認、評価・標準の対応表の整理公表内容にもとづく本記事の整理・解説。各機関・企業が表明した見解ではない解説
試験運用の完了や実用化の実績、導入の費用対効果の実績、規格の要求事項の詳細、各国法令の適用の有無、τ-bench・SWE-bench の現在の水準本稿の調査範囲でアクセスできた一次情報では確認できなかったため記載していない解説
図2〜5・7が説明のための作図であること。図1・6がAI生成イメージの枠であること本記事による注記解説

最終更新：2026年10月15日／出典は一次情報（Eurostat・米国 Census Bureau・総務省・経済産業省の公式資料、RAND の報告書、査読論文、arXiv の論文、規格団体・NIST の公式ページ、企業の公式発表）に限定しています。規格の本文は有料のため確認できていません。 導入の型の整理、コストの仮定、導入の進め方についての読み取りは「解説」または「本稿の計算」として、出典付きの事実と区別しています。 企業の成果指標（検知精度、利用者数など）は企業の発表値であり、定義が公表されていないものは確認できなかったため比較していません。試験運用の完了・実用化の実績、導入の費用対効果の実績、規格の要求事項の詳細、各国法令の適用の有無は、確認できなかったため記載していません。 本記事は法的助言・投資助言ではなく、特定の製品・企業の導入を勧めるものではありません。 図2〜5・7はベクター作図、図1・6はAI生成イメージ（未作成の枠）であり、いずれも実在の工場・企業・製品・実測データを示すものではありません。