AI導入の費用対効果が出ない理由｜中小企業のための投資判断4基準

「AI、うちも使っています」。

そう答える企業が、この1年で一気に増えました。実際、2026年7月に総務省が公表した『令和8年版 情報通信白書』によれば、日本企業のうち86.4%が、何らかの業務で生成AIを使っています。前年は55.2%でしたから、わずか1年で30ポイント以上の急増です。

そして驚くべきことに、この数字は米国（90.9%）とほとんど差がありません。「日本はAI後進国だ」と言われ続けてきましたが、少なくとも「使っているかどうか」で見れば、もう差はほぼ消えています。

——にもかかわらず、成果の差は縮まるどころか、広がっていると思います。

同じ白書に、こんな数字があります。生成AIを使って業務そのものを変えることについて「組織的な取組はない」と答えた企業の割合は、日本が27.0%。米国はわずか1.4%です。中小企業だけで見ると、日本は45.6%にのぼります。

使っている。でも、変わっていない。この状況に心当たりのある経営者の方も多いのではないでしょうか。

今回の記事では、「なぜ日本企業のAI投資は効きが悪いのか」という問いに、内製化（自社の中に開発・改善の担い手を持つこと）という補助線を引いて答えてみたいと思います。そして最後に、では自社はどういう基準でAI活用に投資すればよいのかという、判断のための4つの物差しをご提案します。

「AI予算をいくら積むべきか」という金額の話をする前に、そもそも自社はAIの効果を受け取れる形になっているのか。この順番で考えないと、いくら積んでも効きません。私はそう考えています。

① AI導入率では差がない。差は「使い方の質」にある

まず、事実関係を整理したいと思います。
日本企業のAI投資が「量」で負けている、という見方は半分正しく、半分間違いです。

導入の量では、大きく劣ってはいない

• 生成AIを1つ以上の業務で利用する企業：日本86.4%／米国90.9%／ドイツ91.6%／中国98.1%
  （総務省『令和8年版 情報通信白書』2026年）
• 生成AIの活用方針を策定済みの企業：日本68.9%（前年49.7%）。大企業74.0%、中小企業58.1%
• 日本情報システム・ユーザー協会（JUAS）の『企業IT動向調査2026』では、2026年度に「AI関連の投資・利用料が増加する」と答えた企業が43.7%。前年度計画の36.3%から7.4ポイント増と、調査項目のなかで最大の伸びでした
• 売上高1兆円以上の大企業では、言語系生成AIの「導入済み」が85.1%

数字だけ見れば、日本企業はちゃんと動き始めています。
少なくとも大企業では、「導入するかどうか」の議論はもうすでに終わっています。

ただし、1社あたりの金額は驚くほど小さいのが実情

ところが、「では実際にいくら払っているのか」を見ると、風景が変わります。
情報処理推進機構（IPA）が2026年7月に公表した『DX動向2026』（国内1,799社を2026年4〜6月に調査）に、売上高に対するAI投資額の割合というデータがあります。

売上に対するAI投資額・費用の割合	企業の割合
0.3%未満	49.5%
0.3%以上〜1%未満	7.3%
1%以上〜3%未満	31.5%
3%以上〜5%未満	3.5%
5%以上	8.1%

約半数の企業が、売上の0.3%未満しかAIに使っていません。
売上10億円の会社なら年間300万円未満、売上100億円の会社でも年間3,000万円未満ということです。

もちろん、AI投資は多ければよいというものではありません。しかし「全社の生産性向上を担う技術」と言われているものに対して、売上の0.3%は明らかに試運転の水準といえます。

導入した企業の数は増えた。
しかし1社あたりの投資額は、まだ本格化していない——これが日本の現在地です。

「質」の指標になると様相が異なってくる

問題はここからです。同じ白書の別の設問を並べると、風景が一変します。

指標	日本	米国
業務変革への「組織的な取組はない」	27.0%（中小企業45.6%）	1.4%
自社データの学習許可・データベース構築が済んでいる	24.5%	57.2%
企画・導入段階での専門的な審査体制がある	26.1%	52.5%
プログラムコード生成でのAI利用	7.0%	35.4%

出ている効果も、内向きに偏っている

「質の差」は、実際に得られた効果の中身にも表れています。
先ほどの『DX動向2026』で、AIを導入して効果があったと答えた企業（853社）への設問結果です。

AI導入で実際に出た効果	回答率
業務が効率化したり迅速化した	91.6%
企画提案等の品質や速さが向上した	48.9%
残業時間の削減につながった	29.2%
従業員がより高度な業務に集中できるようになった	28.7%
外部に委託していた費用の削減につながった	13.8%
新たな製品やサービスの開発・提供につながった	7.4%
顧客満足度が向上した	4.5%
売上や利益が向上した	3.9%

効率化は9割超。
しかし売上や利益の向上は3.9%、顧客満足度の向上は4.5%しかありません。

さらに、効果の満足度そのものを見ると、「期待以上の効果があった」13.7%、「期待どおりの効果であった」18.1%——合わせて31.8%。残りの半数（50.6%）は「一定の効果はあった」、つまり効果は出ているが期待したほどではないという回答です。

これが「質」の正体です。
日本企業のAI活用は、社内の作業を速くする方向（内向き）には効いているが、稼ぐ方向（外向き）にはほとんど届いていない。IPAはこの状況を「内向き・部分最適」と表現しています。

そして、私がもっとも象徴的だと思ったのがこの数字です。
日本で生成AIを使う理由の第1位は「無料または安いから」で、53.9%。第2位が「時間や手間の削減」42.8%、第3位が「内容が正確・中立だから」12.7%。つまり日本企業の過半数にとって、AIは「タダだから使うもの」というのが実態です。

これを裏づける調査があります。商工中金が2026年1月に実施した中小企業向け調査では、生成AIについて「会社での導入はなく、使用は個人の判断に任せている」と答えた企業が64.9%。会社としては1円も出さず、社員が個人のアカウントで無料枠を使っている——それが日本の中小企業の標準的な姿です。

一方で、中小企業基盤整備機構が2026年3月に公表した実態調査（全国の中小企業1万社対象）では、AI導入率は20.4%、検討中を含めると39.0%。そして導入目的として「付加価値の創出」を挙げた企業が22.3%ありました。従来のIT導入では7.4%でしたから、実に3倍です。

つまり中小企業も、AIには単なる効率化を超えた期待を持ち始めています。
期待は上がっているのに、「予算という受け皿がない」。ここに大きなねじれがあります。

ポイント:

日本企業の課題は「AIを使っていない」ことではありません。使っているのに、組織として使う形になっていないことです。無料枠を個人が使う状態は、投資でも実験でもなく、ただの様子見です。そしてこの状態からは、どれだけ時間が経っても組織の学習は生まれません。

② 仮説：AIのレバレッジが最も効く分野を、日本企業は社内に持っていない

では、なぜ質で差がつくのでしょうか。
「経営者の理解が足りない」「デジタル人材がいない」——よく言われる説明です。
間違ってはいませんが、これだと「では経営者が勉強すれば解決するのか」という話になってしまいます。
私は、もう少し構造的な理由があると考えています。そのヒントが、内製化です。

決定的な2つの数字

IPAの『DX動向2025』（日本1,480社・米国509社・ドイツ537社を対象に2025年2〜3月に実施）に、こういうデータがあります。事業の中核を担うシステムを、どうやって手に入れているかという設問です。

コア事業（競争領域）の システム	日本	米国	ドイツ
内製による自社開発	28.2%	48.5%	31.3%
外部委託による開発	37.8%	30.6%	28.1%
パッケージソフトウェアの導入	29.6%	23.4%	33.1%

日本だけが、自社の競争力の源泉であるシステムを「外に作ってもらう」が最多です。米国は逆に、内製が最多で約半数を占めます。同じ調査で「システム開発の内製化を進めているか」を直接聞いた設問を見ると、差はもっとはっきりします。

システム開発の内製化	日本	米国	ドイツ
内製化を進めている	22.3%	46.4%	22.7%
必要な部分は内製化済み	16.7%	37.1%	36.5%
合計：内製化が進んでいる	39.0%	83.5%	59.2%
外部開発を今後も利用予定で、内製化は進めていない	29.3%	9.2%	17.5%

米国は8割超が「内製化を進めている、または済んでいる」。日本は4割弱です。
そして「これからも外注を続ける」と答えた企業が、日本は米国の3倍以上あります。

興味深いのはドイツです。ドイツも「内製化を進めている」は22.7%と日本と同水準ですが、「必要な部分は内製化済み」が36.5%と高く、合計では59.2%。つまり日本だけが突出して外部依存の状態にとどまっている傾向が強いです。

もう一つ、IT人材が「どこに所属しているか」の国際比較もご覧ください。

IT人材のうちIT企業（ベンダー側）に所属する割合：日本 73.6%（2020年）／米国 35.1%（2021年）

日本では、ITの専門家の4人に3人が「ITを売る会社」にいます。
米国では3人に2人が「ITを使う会社」にいます。同じ人材が、まったく違う場所に配置されているのです。

なぜこれがAI投資の話になるのか

ここで、AIの効果が実際にどこで出ているかを見てください。米スタンフォード大学HAIの『The 2026 AI Index Report』が集計した、機能別の生産性向上の実測値です。

業務機能	生産性向上
ソフトウェア開発	+26%
マーケティングの産出量	+50%（※産出量であり成果ではありません）
カスタマーサポート	+14〜15%

また、開発者生産性の調査会社DX社が400社以上を14か月にわたって追跡した実測データでは、AIコーディングツール導入によるプルリクエスト（開発成果物）のスループット向上は中央値+7.76%、平均+13.1%、上位10%では+43.9%に達しました。

そして企業が実際に払っている金額は、エンジニア1人あたり月200〜600ドル（約3.3万〜9.8万円）。100人のチームなら年間6,500万〜9,800万円です。米ガートナー社は「2028年までにAIコーディングのコストが平均的な開発者の給与を上回る」とまで予測しています。

これは何を意味するでしょうか。
AIに最も大きなお金を払う価値がある職種は、いまのところソフトウェアエンジニアである、ということです。

さて、ここで日本の数字をもう一度見てください。

プログラムコード生成でのAI利用：日本 7.0%／米国 35.4%

内製化が進んでいる企業の割合が、日本39.0%・米国83.5%。
そしてコード生成AIの利用率が、日本7.0%・米国35.4%。AIが最も効く用途を、日本企業は使っていません。
使えるだけの機能を、そもそも社内に持っていないからです。

ポイント:

AI投資の効きの悪さは、経営者の意識の問題である以前に、「AIが働く場所が社内にあるかどうか」という配置の問題である可能性が高いといえます。日本企業はAIというエンジンを買ったものの、それを取り付ける車体を社外に置いている——そういう構図に見えます。

③ AI導入で効果が出ない原因──外注構造が生む3つの制約

前章はあくまで「2つの数字が似た比率で並んでいる」という観察です。
相関があるからといって因果とは限りません。そこで、外注構造がAIの効果を減衰させる要因を、3つに分けて具体的に考えてみます。

要因1：効果の帰属先が変わる

AIで開発生産性が26%向上したとします。その26%は誰のものでしょうか。

内製している企業なら、答えは明快です。
同じ人数でより多くの機能を出せる、あるいは同じ機能をより早く出せる。便益はまるごと自社に残ります。

しかし外注している企業では、生産性が上がるのはベンダー側のエンジニアです。契約が「人月×単価」で結ばれている限り、ベンダーが3割速くなっても、発注側の請求書は1円も変わりません。効果はベンダーの利益率として吸収されます。

つまり発注側から見ると、AIの効果は契約を巻き直さない限り自社に降りてこないのです。しかも工数が減れば請求額も減るのがフェアなはずですが、それを求める交渉は簡単ではありません。

要因2：インセンティブが逆を向いている

さらに厄介なのは、ベンダー側にAIで効率化するインセンティブが構造的に働きにくいことです。
人月商売では、生産性を上げれば上げるほど売上が減ります。同じ成果物を3分の1の工数で作れるようになれば、請求できる金額も3分の1に近づく。これは日本のIT業界がずっと抱えてきた矛盾です。

この問題は業界内でも認識されています。2026年5月、富士通の時田隆仁社長は「人月をベースにした対価のいただき方では、これ以上の成長は見込めない」と述べ、人月モデルからの脱却を公言しました。大手SIer（システムインテグレーター＝企業のシステム構築を請け負う会社）自らがモデルの限界を認めた形です。

ただし、業界全体の契約慣行が変わるには時間がかかります。
その移行期間のあいだ、発注側企業のAI効果は、構造的に目減りし続けることになります。

要因3：学習が社内に蓄積しない

これが最も見落とされやすく、そして最も高くつく要因です。

AIを業務に組み込むと、そこには必ず「使いこなしのノウハウ」が溜まります。どういう指示の出し方なら精度が出るか、どのデータを渡せば使いものになるか、どこで人間が確認すべきか。この知見は、モデルが新しくなっても価値を失わない、企業にとっての資産です。

ところが外注していると、この学習はベンダー側に溜まります。
契約が終われば、資産ごと去っていく。次の案件でまた同じところから始めることになります。

情報通信白書の「自社データの学習許可・データベース構築が済んでいる企業：日本24.5%、米国57.2%」という数字は、まさにこの蓄積の差を示しています。AIが使えるように整理された自社データは、外注では作られません。
それは業務を毎日回している人にしか作れないものだからです。

ポイント:

外注そのものが悪いのではありません。問題は、AIの効果が発生する場所（ベンダー）と、効果を必要としている場所（自社）が分かれていることです。この2つが一致していない限り、AI予算をいくら積んでも、その多くは自社の外で消えていきます。

④ この仮説の3つの疑義

ここまで「内製化していないから効かない」という話をしてきました。
しかし私は、この結論をそのまま「だから内製化しましょう」に接続するつもりはありません。仮説には、正直にいうと3つの疑義があります。

疑義1：米国企業も「作って」いない

米ベンチャーキャピタルのMenlo Venturesが2025年11月に実施した調査（米企業の意思決定者約500名）によると、企業のAIユースケースのうち76%は「買っている」もので、自社で作ったものではありません。前年の53%から大きく上昇しています。

つまり米国企業も、AIに関しては内製から購入へ舵を切っています。
「米国は内製、日本は外注」という単純な二分法は、少なくともAI領域では成り立ちません。

疑義2：AIのレバレッジはコードだけではない

先ほどの生産性データを改めてもう一度見てください。カスタマーサポート+14〜15%、マーケティング産出量+50%。ソフトウェア開発を持たない会社にも、効く場所はあります。

そもそも日本の中小企業の大半は、社内にエンジニアを抱えていません。それを前提に「内製化しないと勝てない」と言うのは、実務的な助言になっていないと思います。

疑義3：差は少しずつ縮まっている

外注化は固定した構造として語りましたが、実際には流動的です。
IPAの調査でコア事業の内製比率を経年で見ると、日本は24.8%（2022年度）から28.2%（2024年度）へ上昇し、逆に米国は53.1%から48.5%へ下がりました。差は約28ポイントから約20ポイントへ縮まっています。

レバテック社が2026年1月に発表した調査でも、約7割の企業が外部ベンダーへの委託を続けている一方で、内製化に取り組んでいる企業は6割を超えていました。

ただし、簡単に解決する話ではありません。同じIPAの調査で「内製化を進めるにあたっての課題」を聞くと、日本企業の82.3%が「人材の確保や育成が難しい」と答えており、他の選択肢（「新しい技術への対応が難しい」48.8%など）を大きく引き離しています。
内製化は、やろうと決めれば来期からできるものではありません——ここが、この構造の厄介なところです。

では、仮説をどう整理するか

私は、こう再定義するのが正しいと考えています。

問題は「自社で作っているかどうか」ではありません。
「AIが生んだ効果を受け取る場所と、効果を次に活かす能力が、社内にあるかどうか」です。

これを仮に「受け皿」と呼ぶことにします。
受け皿とは、必ずしもエンジニア組織のことではありません。

• 業務のやり方を自分たちで変えられる権限があるか
• 変えた結果を測って、次の判断に使えるか
• 使いこなしの知見が、個人ではなく組織に溜まるか
• AIに渡せる形のデータを、自分たちで整えられるか

これらが揃っていれば、システムを外注していても、AIの効果は自社に残ります。
逆にこれが無ければ、社内にエンジニアがいてもAIは効きません。

そして日本企業の「組織的な取組はない 27.0%（中小企業45.6%）」という数字は、まさに受け皿がない状態を表しています。内製化率の低さは、その原因の一つではあっても、すべてではありません。

ポイント:

内製化説は「半分当たり」です。エンジニアを雇えという話ではなく、AIが生んだ効果を受け止め、次に活かす仕組みが社内にあるかという話として理解すべきです。この読み替えができれば、エンジニアがいない中小企業にも打つ手があります。

⑤ AI導入の投資判断基準──4つのものさし

ここからが本題です。
AI予算の判断基準を、4つに整理してご提案します。金額を決める前に、この4つで案件を評価してみてください。

基準1：帰属性 ── その効果は、自社に残るか

問い：この投資で生まれた時間・品質・知見は、誰のものになるか。

前章までの議論そのものです。
外部に委託する業務にAIを入れる場合、効果が自社に返ってくる契約になっているかを確認してください。

• 委託先がAIを使って効率化した場合、その分は請求額に反映されるか
• 成果物だけでなく、作り方の知見は自社に共有されるか
• プロンプトや設定などの資産は、自社の所有物として残るか

契約書に書けないなら、少なくとも会話しておくべきです。
「御社でAIをお使いになるなら、その前提で見積もりを見直していただけますか」と聞くだけでも、相手の姿勢が分かります。

基準2：可動性 ── AIが働ける状態になっているか

問い：AIに仕事を頼むとき、渡すべき材料は揃っているか。

日本企業でこれができているのは24.5%（米国57.2%）。ここが最大のボトルネックです。

• 必要なデータはどこにあり、AIから読める形になっているか
• 判断の基準や社内ルールは、言葉になっているか（暗黙知のままではAIに渡せません）
• AIに与える権限（どの情報を見てよいか）は決まっているか

企業のAI予算の内訳を分析した調査では、ソフトウェアライセンス1ドルにつき、人材・導入のために1.20ドルがかかるという試算があります。ツール代と同額以上を「AIが働ける環境づくり」に使う覚悟が要る、ということです。

これはMITが2025年7月に公表した調査（生成AIのパイロットの95%が測定可能な損益インパクトを生んでいない、という報告）の結論とも一致します。同調査が指摘した失敗要因は、モデルの性能不足ではなく、業務フローへの統合の失敗でした。

※この「95%」という数字は、経営者52名へのインタビューと153名へのアンケートが基になっており、サンプル数は決して大きくありません。「AIは無駄だ」という主張の根拠に使うべき数字ではない、と申し添えておきます。

基準3：可測性 ── 効果とコストを測れるか

問い：来月、AIの請求額が倍になったとして、その理由を説明できるか。

これは笑い話ではありません。ソフトウェア開発企業Harness社が2026年5〜6月に7か国700名のエンジニアリング責任者・実務者に行った調査では、こうなっています。

• AI費用の明確な所有者がいない：52%
• 過去1年で予期しない費用スパイクを経験：72%
• 支出が倍増したとき、数時間以内に原因を特定できる：わずか20%
• AI支出のうち無駄と推定される割合：26%
• AI支出の予測が「データではなく推測」：56%

米国の大手企業でも、AI費用は制御できていません。
実際、Uberは2026年初に年間のAIコーディングツール予算を4か月で使い切り、1人あたりの上限を設けたと報じられています。

なぜこうなるのでしょうか。理由は明快です。
単価は確かに上がってきているが、使用量がそれ以上に増えているからです。

Googleが処理するトークン（AIが読み書きする文字の単位）の量は、2024年5月の月間9.7兆から、2026年5月には3,200兆まで増えました。2年で約330倍です。

よって請求書は増える。

だからこそ、測れるようにしておくことが投資判断そのものになります。誰が、何に、いくら使ったか。これが見えない状態で予算を増やすのは、蛇口の壊れた水道の元栓を開けるようなものです。

基準4：残存性 ── モデルが変わっても残るか

問い：3か月後に新しいモデルが出たとき、この投資は無駄になるか。

2026年は、AIモデルのリリース間隔が史上最も詰まった年になりました。
2月から4月のわずか3か月間で7つのフロンティアモデル（最先端の大規模AIモデル）が登場し、7月だけでもGPT-5.6 Sol（7月9日）、Gemini 3.6 Flash（7月21日）、Claude Opus 5（7月24日）が相次いで公開されています。

この状況で「どのモデルを選ぶか」に時間をかけるのは、費用対効果が悪いといえます。3か月で前提が変わるからです。代わりに、モデルが変わっても価値が残るものに投資してください。

残らないもの	残るもの
特定モデル向けの作り込み	整理された自社データ
特定ツールへの深い依存	言語化された業務手順・判断基準
長期契約による割引	使いこなしの社内ノウハウ
ベンダー基盤に閉じたワークフロー	効果を測る仕組み

契約についても、依存の深さで分けて考えると判断しやすくなります。

• モデル（API）：依存は浅い。差し替えは比較的容易なので、年契約で縛ってまで割引を取る価値は低いといえます
• ツール・IDE：中程度。習熟コストが移行障壁になるので、1年契約は検討可。複数年は避けたいところです
• エージェント基盤・ワークフロー：深い。業務プロセスが乗るため、乗り換え可能性を契約前に確認してください
• データ・ナレッジ基盤：最も深い。自社保有を原則とし、ベンダー内に閉じ込めないことが重要です

一言でまとめれば、「モデルは浮気してよい。データは持ち出せる形にしておく」です。

ポイント:

4つのものさし──帰属性・可動性・可測性・残存性。
金額を決める前に、この4つで案件を採点してみてください。どれか一つでも大きく欠けていれば、その投資は額の大小にかかわらず効きません。

⑥ 予算は「3つの箱」に分けて考える

判断基準が決まったら、次は予算の組み方です。
ここで大事なのは、AI予算を一つの塊として扱わないこと。ひとくちにAI予算といっても、性質のまったく違う3種類のお金が混ざっているからです。そして3つを見分ける問いは、たった一つです。

「業績が苦しくなって予算を削らなければならないとき、これは削っていいお金か。」

この問いに対する答えが、3つの箱でまったく違います。

箱1：使った分だけ消えるお金（ランニング費）

中身： AIの従量課金（使ったトークン量に応じた請求）、ツールの月額利用料。支払い先は社外です。

削っていいか → 削っていい。むしろ、放っておくと勝手に増えるので常に見張る。

前章で見たとおり、この箱は誰も見ていないと必ず膨らみます。
企業のAI支出の26%は無駄と推定されていますから、逆に言えば測って整理するだけで2割以上の削減余地が出てくるということでもあります。

ただし順番があります。削る前に、測れるようにするのが先です。何にいくら使っているか分からないまま総額だけ削ると、効いている使い方まで一緒に止めてしまいます。

箱2：試すためのお金（探索費）

中身： 新しい使い道を試す、新しいモデルを検証する、小さく作って捨てる。当たらないことが前提のお金です。

削っていいか → 削らない。ただし理由は箱3と違います。

理由は単純で、額が小さいので削っても財務的な効果がほとんどないのに、失うものが大きいからです。企業のAI予算配分の相場では、実験・研究開発は総額の3〜8%、研修が3〜6%。仮に全部やめても総額の1割弱しか浮きません。その代わり、次に何が効くかを見つける手段を失います。

当たらない前提の枠を持たない予算は、失敗を許さない予算です。
そして失敗を許さない組織は、AIを使いこなせません。

時間軸の問題もあります。DX社の調査によれば、AIの効果が測定可能になるまで、補完型のツールで1〜3か月、自律的に作業するエージェント型では3〜6か月、持続的なインパクトが出るまでには6〜12か月かかります。四半期ごとに成果を問う運用では、判断を下せる時期が来る前に打ち切ってしまうことになります。

箱3：AIが働ける状態をつくるお金（下ごしらえ費）

中身： データの整理、閲覧権限の設計、業務手順や判断基準の言語化、社内人材の育成。

ここで重要な注意点があります。
この箱の支出は、AIベンダーへの支払いではありません。大半は自社の人件費と工数です。
誰かが手を止めて、社内の情報を整理し、暗黙のルールを文書にする。その時間そのものが、この箱の中身です。

だから請求書が来ません。予算表にも載りにくい。
にもかかわらず、ここが成果を最も左右します。

削っていいか → ここは削ってはいけません。理由は3つあります。

第一に、あとから買い戻せないからです。
トークンの利用は、来月まとめて使えば取り返せます。しかしデータ整備は「今年やらなかった分」を来年まとめてやることが極めて難しい。業務の言語化も同じで、担当者が辞めてしまえば永久に失われます。

第二に、日本企業が最も遅れている領域だからです（自社データの整備率：日本24.5%、米国57.2%）。

第三に、モデルが変わっても価値が残る数少ない投資だからです。
整理されたデータと言語化された業務手順は、AIがどれだけ入れ替わっても使えます。

そして、これを裏づける日本の実データがあります。
IPAが2026年7月に公表した『DX動向2026』で、AIに使う学習データの整備状況と、AI導入の効果をクロス集計したものです。

効果の出方	データを整備しAIに活用している	整備しているが十分でない
期待と同等かそれ以上の効果が出ている企業（n=330）	19.4%	34.5%
一定の効果が出ている企業（n=525）	2.9%	33.1%
効果が出ていない企業（n=127）	0.8%	23.6%

期待どおりの効果が出ている企業では、5社に1社がデータを整備済み。
効果が出ていない企業では、整備済みは0.8%——ほぼゼロです。

ちなみに全体では、データを「整備しておりAIに活用している」企業はわずか7.0%。「必要性は認識しているができていない」が27.6%を占めます。先ほど情報通信白書の数字として挙げた24.5%は「AIへの学習許可やデータベース構築を行った」割合で、こちらは「整備してAIに実際に活用している」割合です。設問が違うため数字も異なりますが、どちらで見ても日本企業の下ごしらえは遅れているという結論は変わりません。

多くの企業は、逆をやっている

私が今回の長文の記事で申し上げたい点はここです。
削っていいのは箱1（ランニング費）。削ってはいけないのは箱3（下ごしらえ費）。

ところが実際には、多くの企業がこれを逆にやっています。
理由は、片方には請求書が来て、もう片方には来ないからです。

• 箱1は請求書が来ます。
  しかし誰が責任者か決まっていない（AI費用の所有者が不在：52%）。だから見えているのに放置され、膨らみ続けます
• 箱3は請求書が来ません。
  社内の工数なので予算表に現れない。目に見える成果もすぐには出ない。だから「余裕ができたら」と後回しにされ、永久に来ません

結果として、社外に払う額だけが増えて、社内の準備は進まない。
だから支出は増えるのに、成果が出ないのです。

この見立ては、日本企業自身の回答とも一致します。
同じ『DX動向2026』でAI導入・運用上の課題を聞くと、上位は「専門人材が不足している」50.1%、「効果やリスクに関する理解が不足している」45.8%、「適切な利用を管理するルールや基準の作成が難しい」39.7%。一方、「導入・運用サービスの予算が確保できない」はわずか14.4%、「経営層の承認が得られない」に至っては3.8%でした。

日本企業がAIで詰まっている原因は、お金ではありません。
人・理解・ルール・データ——つまり箱3です。
にもかかわらず、予算の議論はいつも箱1の金額だけで行われている。ここに大きなズレがあります。

ポイント:

AI予算を「一つの数字」で管理しないでください。3つの箱は、削ってよいかの判断がまったく違います。特に箱3は請求書が来ないため予算表に現れませんが、成果の差はここでついています。まず自社のAI予算を3つに仕分けしてみることを、強くおすすめします。

⑦ 中小企業のAI導入ステップ──何から始めるか

ここまで大企業も含めた話をしてきましたが、中小企業の現実的な出発点を整理します。
日本の中小企業の現在地は、AI導入率20.4%、64.9%が個人任せ、45.6%が組織的取組なし、でした。
ここから始めるなら、順番はこうなります。

第1歩：「個人任せ」をやめる。
金額の多寡より先に、会社として契約し、誰が何にいくら使ったかを見えるようにします。月に数千円でも構いません。「会社の費用として払う」という事実自体が、業務に組み込む意思表示になります。個人の無料アカウントに依存している限り、情報漏洩のリスクも管理できません。

第2歩：一番レバレッジの効く業務を一つだけ選ぶ。
全社展開を目指さない。効果が測れる範囲で、時間を最も食っている業務を一つ選びます。

第3歩：探索枠を最初から入れる。
月額の1割でよいので「当たらなくてよいお金」を確保します。ここを取らないと、次の一手が見つかりません。

第4歩：データ整備を同時に走らせる。
ツール代と同じくらいの手間を、社内の情報整理に使います。特別なことではなく、「どこに何があるか分かるようにする」だけでも効果があります。

第5歩：補助金の活用を検討する。
中小機構の調査では、求める支援の第1位が「導入費用の助成」で77.9%でした。制度としては、以下のようなものが設計されています。

• デジタル化・AI導入補助金2026（旧・IT導入補助金）：
  令和7年度補正予算で3,400億円が計上された制度です。ITツールのプロセス数1〜3で5万〜150万円未満、4つ以上で150万〜450万円（補助率1/2以内）。2026年度からは「AIを使ってどう業務を変えるか」という視点が重視される制度に再編されています
• 中小企業省力化投資補助金（一般型）：
  最大1億円・補助率最大2/3という枠組みで設計されています

私はこれまで、事業再構築補助金や省力化投資補助金を使った設備投資のご支援もしてきました。
その経験から、正直に申し上げておきます。補助金は導入費用（初期投資）には効きますが、トークンの従量課金のような毎月のランニングコストには効きにくいのが実情です。だからこそ、補助金で入り口を作ったあとに続く運用費をどう手当てするかを、申請の時点で考えておく必要があります。

なお、この構造は業種を問いません。スマート農業の導入を検討する農業法人でも、まったく同じことが起こります。センサーやドローンを補助金で入れたあと、そこから出てくるデータを誰が整理し、誰が判断に使うのか。この受け皿がなければ、機械だけが増えて経営改善にはつながりません。農業法人化を進めて組織として意思決定できる体制を整えることが、結果的にAI活用の受け皿づくりにもなる——私はそう見ています。

ポイント:

中小企業の第一歩は、大きな金額ではなく「会社の意思として払う」ことと「測る」ことです。
この2つがないまま金額だけ増やしても、個人任せの延長にしかなりません。

⑧ 私自身が実感していること

私は中小企業診断士として経営支援に携わりながら、自分の業務でもAIを日常的に使っています。
その実感から、一つだけ申し上げたいことがあります。

AIを入れて一番変わったのは、作業のスピードではなく「仕事の分解の仕方」でした。

AIに仕事を頼もうとすると、必ず一度立ち止まることになります。
「この作業は、どういう手順で、何を判断材料にしてやっているのか」を言葉にしないと、指示が出せないからです。

これが、想像以上に大変でした。自分がふだん無意識にやっていた判断——この資料はどの順番で読むか、どの数字を先に見るか、どこで違和感を持つか——を言語化する作業は、AIを使うための準備であると同時に、自分の仕事の棚卸しそのものでした。

そして気づいたのは、この言語化という作業は、外注できないということです。

コンサルタントを雇っても、ベンダーに頼んでも、代わりにやってもらうことはできません。その業務を毎日回している本人にしか持っていない情報だからです。

情報通信白書が示した「自社データの学習許可・データベース構築 24.5%」「組織的な取組なし 27.0%」という数字の正体は、おそらくこれです。技術の問題でも予算の問題でもなく、自分たちの仕事を言葉にする作業が、まだ始まっていない。

逆に言えば、ここは中小企業にとって不利ではありません。
むしろ、意思決定者と現場が近く、業務の全体像を一人が把握している中小企業のほうが、この言語化は圧倒的に速く進みます。大企業が部門間の調整に何か月もかける作業を、中小企業なら経営者が数日でやれてしまう。AI時代において、これは相当に大きな優位性だと私は考えています。

ポイント:

中小企業DXの出発点は、ツール選定ではなく業務の言語化です。
そしてこれは外注できない代わりに、意思決定の速い中小企業ほど短期間で終わらせられる作業でもあります。

⑨ まとめ ── デジタル赤字と、払った金を回収する力

最後に、少しマクロな話をさせてください。

日本のデジタル赤字——クラウド、ネット広告、コンテンツ配信などで海外に支払う金額から受け取る金額を差し引いたもの——は、2024年に約6.7兆円に達しました。2025年上半期だけで3兆4,810億円で、10年前の同期比で約2.6倍です。経済産業省の試算では、2035年には純粋なデジタル赤字だけで約18兆円、ソフトウェアやデータが他産業に与える影響まで含めると最大45兆円に膨らむ可能性があるとされています。

しかも2026年7月現在、為替は1ドル160円付近。1986年以来の円安水準です。同じ量を使っていても、円換算の支払いは膨らみ続けます。AIを使えば使うほど、この赤字は拡大します。よって、「日本の富が海外に流出している」という指摘は、事実として正しいといえます。

では、使うのをやめるべきでしょうか。
私は違うと思います。デジタル赤字を減らす方法は、突き詰めれば2つしかありません。使わないか、使って稼ぐかです。

前者を選べば、確かに支払いは減ります。しかし同時に生産性を諦めることになり、稼ぐ力そのものが落ちる。赤字対策としても自滅的です。三菱総合研究所も、デジタル赤字の分析の結論として「AI活用拡大による生産性向上が急務」と述べています。

問題は「支払っていること」ではなく、「支払いに見合う付加価値を、国内で生み出せていないこと」です。

そして、ここまで見てきた数字——組織的取組なし27.0%、データ整備24.5%、コード生成利用7.0%、そして「無料だから使う」53.9%——は、すべて払ったお金を回収できていない状態を指しています。

デジタル赤字の本質は、支払額の大きさではなく、回収力の弱さです。

だとすれば、個々の企業がやるべきことははっきりしています。
支払いを渋ることではなく、払った金額を上回る付加価値を出せる形に、自社を作り替えること。
それが結果的に、マクロの問題への答えにもなります。

そのために必要なのは、繰り返しになりますが、金額ではなく受け皿です。

• AIが生んだ効果は、自社に残るか（帰属性）
• AIが働ける材料は、揃っているか（可動性）
• 効果とコストは、測れるか（可測性）
• モデルが変わっても、残るか（残存性）

そして予算は3つの箱に分ける。
削っていいのは社外に払うランニング費。削ってはいけないのは、社内でAIの下ごしらえをする時間のほうです。

AIに払う1円につき、AIが働ける環境にもう1.2円が必要だと言われます。ツール代だけを見た予算は、期待を裏切りやすいといえます。逆に、環境を整えた企業では、同じ1円がまるで違う働きをします。

日本企業が米国に遅れているのは、AIの使用率ではありません。AIを迎え入れる準備のほうです。
そしてこれは、大企業よりも意思決定の速い中小企業にこそ、追い越すチャンスがある領域だと私は考えています。高齢化と人手不足が同時に進む日本で、生産性向上の余地が最も大きいのは、まさにこうした現場です。

ポイント:

デジタル赤字の本質は支払額ではなく回収力の弱さです。AI活用を止めるのではなく、受け皿を整えて払った分を回収できる会社に作り替えることが、個社の経営改善にも、日本全体の課題への答えにもなります。

ご相談を承っています

「自社のどの業務からAIを入れるべきか分からない」「予算をどう組めばよいか判断できない」「補助金を活用してAI導入を進めたい」——そうしたご相談を承っております。

中小企業診断士として経営の文脈を踏まえたうえで、AI活用の設計から補助金申請、導入後の運用までを伴走支援いたします。まずは「AIで自動化する業務を一つ選ぶ」ところから、ご一緒できれば幸いです。お気軽にお問い合わせください。

よくある質問

Q. 社員が個人アカウントの無料枠でAIを使っています。何が問題でしょうか。

A. 2つあります。1つは情報漏洩リスクを会社が管理できないこと。もう1つは、使いこなしの知見が個人に留まり組織に蓄積しないことです。商工中金の2026年1月調査では、中小企業の64.9%がこの状態でした。まず会社として契約し、誰が何に使ったかを見える化するところから始めることをおすすめします。

Q. 社内にエンジニアがいません。内製化は無理ということでしょうか。

A. いいえ。記事本文で述べたとおり、必要なのはエンジニア組織ではなく「受け皿」です。業務のやり方を自分たちで変えられる権限、効果を測る仕組み、AIに渡せる形に整えたデータ。この3つがあれば、システムを外注していてもAIの効果は自社に残ります。

Q. AIの費用が読めません。どう管理すればよいですか。

A. 総額を削る前に、まず測れるようにしてください。Harness社の2026年調査では、AI費用の所有者がいない企業が52%、支出が倍増した理由を数時間以内に特定できる企業は20%でした。担当者を決め、用途別に集計するだけでも、無駄と推定される26%分に手を付けられます。

Q. 補助金でAI導入費用はまかなえますか。

A. 初期の導入費用については、デジタル化・AI導入補助金2026や中小企業省力化投資補助金などの制度が設計されています。ただし従量課金のような毎月のランニングコストには適用されにくいのが実情です。申請段階で、導入後の運用費をどう手当てするかまで考えておく必要があります。

Q. 新しいモデルが次々出ますが、今投資すると無駄になりませんか。

A. モデル選定に時間をかけるのは費用対効果が悪いといえます。2026年は2月から4月だけで7つのフロンティアモデルが登場しました。代わりに、整理された自社データ、言語化された業務手順、効果を測る仕組みに投資してください。これらはモデルが入れ替わっても価値が残ります。

※ 補助金の最新の公募状況・要件・申請期限は変動します。実際の申請にあたっては必ず公式サイト（中小企業庁・経済産業省・農林水産省・各都道府県）でご確認ください。中小企業庁 https://www.chusho.meti.go.jp/ ／ 経済産業省 https://www.meti.go.jp/ ／ 農林水産省 https://www.maff.go.jp/ ／ ミラサポplus https://mirasapo-plus.go.jp/

出典

• 総務省『令和8年版 情報通信白書』（2026年7月24日公表）
• 情報処理推進機構（IPA）『DX動向2026』（2026年7月公表／2026年4月中旬〜6月中旬調査、国内1,799社）
• 情報処理推進機構（IPA）『DX動向2025』（2025年6月公表／2025年2〜3月調査、日本1,480社・米国509社・ドイツ537社）
• 情報処理推進機構（IPA）『DX白書2023』（内製比率の経年比較のみ）
• 日本情報システム・ユーザー協会（JUAS）『企業IT動向調査2026』
• 中小企業基盤整備機構『中小企業のAI等の利活用に係る実態調査』（2026年3月、全国中小企業1万社対象）
• 商工中金『中小企業の生成AIの利用にかかる調査』（2026年1月調査）
• Stanford HAI『The 2026 AI Index Report』
• Menlo Ventures『2025: The State of Generative AI in the Enterprise』（米企業意思決定者約500名、2025年11月調査）
• DX社『AI coding assistant pricing and ROI guide (2026)』（400社以上・14か月追跡）
• Harness社 AI支出調査（2026年5〜6月、7か国700名）
• MIT Project NANDA『The GenAI Divide』（2025年7月）
• Epoch AI「LLM inference price trends」
• 経済産業省『デジタル経済レポート』（2025年4月30日）
• 三菱総合研究所「日本：デジタル関連収支」
• 中小企業庁『デジタル化・AI導入補助金2026』概要