「Return on AI」だけでは測れない。AI投資の成果を正しくつかむ実務ガイド
TL;DR ／ この記事の要点
SoftBank World 2026で孫正義氏が提示した「Return on AI」という考え方を、実務で測定できる形に整理。計算式の組み立て方だけでなく、測定を狂わせる落とし穴、そして前提となる「業務標準化」の進め方まで、企業が明日から着手できるステップで解説します。
「導入しているか」では、もう測れない
AIツールを何個入れたか。利用者数が何人になったか。生成回数がどれだけ増えたか——。多くの企業が今、こうした指標でAI活用の成果を語っています。しかし、これらは「使われている」ことの証明にはなっても、「儲かっている」ことの証明にはなりません。
SoftBank World 2026で孫正義氏が示したのは、この問いに対する一つの答えでした。名付けて「Return on AI」。AIに投じた1円が、何円の経済価値を生んだかを測る経営指標です。
本稿では、この考え方を実務でどう計算し、どう測定を狂わせずに運用するかを整理します。
Return on AIとは何か
一般的な「ROA」は Return on Assets（総資産利益率）を指しますが、ここでのReturn on AIは別物です。AIへの投資が、どれだけ生産性・利益・企業価値に変換されたかを測る指標として、次の式に整理できます。
Return on AI（％）＝（AIによって生まれた経済価値 − AI関連総コスト）÷ AI関連総コスト × 100
分子の「AIによって生まれた経済価値」には、以下のようなものが含まれます。
- 売上増加によって生まれた増分粗利
- 実際に削減できた人件費・外注費
- 採用せずに済んだ追加人員コスト
- ミス・手戻り・機会損失の削減額
- 処理能力向上によって増えた利益
- 事故・不正・情報漏えい等の回避価値
分母の「AI関連総コスト」には、ツールの利用料だけでなく、以下も含めて計上する必要があります。
- AIツール・API・ライセンス費
- クラウド・計算資源・システム開発費
- 既存システムとの連携・データ整備費
- 業務の棚卸し・再設計・標準化費用
- 導入に使った社内工数
- 教育・定着支援・運用管理費
- セキュリティ・ガバナンス対応費
- 人による確認・修正・品質管理コスト
「ツール代」だけを分母に置くと、Return on AIは実態より大きく見積もられます。ここを正しく積み上げられるかどうかが、指標としての信頼性を左右します。
具体例で見る計算
たとえば、3年間のAI関連総コストが1,200万円、AIによって生まれた経済価値が1,800万円だったとします。
（1,800万円 − 1,200万円）÷ 1,200万円 × 100 ＝ Return on AI 50％
投資した1円に対して1.5円の価値を生み、差し引き0.5円のリターンを得た計算です。孫氏は、この指標を四半期や単年ではなく、約3年という時間軸で評価すべきだと述べています。業務再設計や定着には時間がかかるため、短期で判断すると「投資しただけ損」という誤った結論を導きやすいためです。
測定を狂わせる6つの落とし穴
Return on AIは、計算式自体はシンプルですが、運用を誤ると簡単に数字が歪みます。実務では、次の6点に注意する必要があります。
- 売上ではなく、原則として増加した「粗利」で見る。売上換算だけでは、原価やコストの増減が反映されません。
- 削減できた時間を、そのまま金額換算しない。空いた時間が何にも使われなければ、経済価値は生まれていません。
- 空いた時間がコスト削減や利益増加につながったかを確認する。人員配置転換や新規業務への充当まで追う必要があります。
- AIを導入しなくても生じた成長分を除外する。市場拡大や季節要因による伸びを、AIの成果と混同しないようにします。
- 同じ効果を複数の項目で二重計上しない。「人件費削減」と「処理能力向上による利益」が同じ現象を指していないか確認します。
- 金額化しにくい効果は、先行指標として別に管理する。意思決定速度・顧客満足度・知識蓄積などは、無理に金額換算せず、KPIとして並走させます。
測定の前提になる「業務標準化」
Return on AIを正確に測るには、そもそも「AI導入前後で何が変わったか」を比較できる基準が必要です。そのために欠かせないのが、業務の標準化です。具体的には、次の順序で進めます。
ステップ1：業務の棚卸し 対象業務を洗い出し、頻度・所要時間・担当者・ミス発生率を可視化します。感覚値ではなく、実測値で記録することが重要です。
ステップ2：タスク単位への分解 業務を「入力→処理→出力」の単位に分解し、それぞれの工程で何が行われているかを明文化します。
ステップ3：人とAIの役割分担の定義 どの工程をAIが担い、どの工程で人が判断・確認するのかを明確にします。あわせて、AIの出力に対する判断基準・例外処理のルールも定義します。
ステップ4：基準値（ベースライン）の取得 導入前の状態で、以下のような数値を記録します。
項目 | 内容 |
|---|---|
業務時間 | 対象業務にかかる工数 |
処理件数 | 一定期間あたりの処理数 |
ミス率 | 手戻り・エラーの発生割合 |
リードタイム | 依頼から完了までの時間 |
人件費・外注費 | 対象業務にかかる直接コスト |
売上総利益 | 対象業務が関連する粗利 |
ステップ5：導入後の同条件比較 導入後、同じ項目・同じ条件で再測定し、差分をReturn on AIの計算式に当てはめます。
この土台がないまま「AIを入れたら楽になった」という感覚だけで語ると、Return on AIは算出できません。業務の標準化は、AI活用の前提条件であり、後回しにできない工程です。
企業がこれから問われること
AI活用は、ツールを導入することではなく、経営設計そのものです。これから企業に問われるのは「AIを導入しているか」ではなく、「AIによって、どの経営数値を、いつまでに、どれだけ改善したか」です。
AIに仕事を奪われるのではありません。AIを使いこなし、正しく成果を測定できる企業が、そうでない企業の仕事を奪っていく——それが、Return on AIという考え方が示す、これからの競争軸だと考えます。
※「Return on AI」は孫正義氏が講演で提示した考え方であり、現時点で統一された会計基準・会計指標ではありません。本稿の計算式・評価項目は、Noumaが実務で測定できる形に整理したものです。