AIの効果を「使う前」から測るための調査ノート

調査の目的・対象・方法

AI導入前後の比較に、どの指標・基準値・条件が必要かを整理する調査です。主な読者は、専任のAI担当者がいない中小・中堅企業の経営者、業務責任者、情シス・DX担当者を想定しています。ただし、引用する企業調査がこの読者層を代表するとは限りません。

国内の企業アンケート、文章作成・顧客サポート・ソフトウェア開発の実証研究、NIST等の測定ガイダンスを参照しました。資料の公表日と調査実施時期を区別し、母集団、設問の回答数、指標の定義、比較設計を確認します。新たな企業アンケートやJYUの顧客実績の集計を行ったものではありません。

確認範囲 解説記事の根拠は、JUASの効果測定図表、Noy and Zhangの論文抄録、METRの研究主体の公表資料と後続報告に照合しました。詳細調査は元のDeep Researchの論点と数値台帳を残し、今回照合を完了していない記載は「未確認」として区別しています。原調査の参考文献にある確認日は、今回の全件再確認を意味しません。

読み方 「事実」は資料に示された内容、「調査上の推論」は資料を組み合わせた解釈・設計案、「未確認」は資料や範囲の確認が済んでいない点です。調査上の推論は、そのままJYUの推奨や公的標準を意味しません。JYUが今回提案する手順は解説記事に分けて記載しています。

主な発見事項

• 事実 JUASの効果測定設問（回答507社）で測定なしは51.9%。対象は上場企業等であり、中小企業全体の割合ではありません。 S1
• 事実 文章作成実験では時間と品質がともに改善した一方、特定の熟練開発者の2025年実験では完了時間が増えました。対象・業務・時点が違うため、数値は直接比較できません。 S3 S4
• 調査上の推論 確認・修正を含む総作業時間、品質、利用、リスクを同じ業務単位で記録すると、効果の理由を検討しやすくなります。以下にその根拠と限界を整理します。

Facts / 基礎となる調査・数値

事実 日本企業では生成AIの導入自体は進んでいる一方、「導入効果を感じること」と「基準値を置いて効果を測ること」はまだ同義ではない。JUAS「企業IT動向調査2026」は、2025年9月5日～10月24日に、東証上場企業とそれに準じる4,500社へ依頼し957社から回答を得た調査である。そのうち「言語系生成AI導入時の効果測定」の回答企業507社では、「効果測定は行っていない」が51.9%、「削減できた労働時間の測定」が39.4%、「削減できた要員の測定」が8.1%、「金額的な効果の測定（売上金額の向上額等）」が6.5%、「その他定性的な効果」が6.7%だった。同じ設問の2024年回答396社では、「効果測定なし」59.8%、「労働時間」32.8%、「要員」4.5%、「金額」6.8%、「定性的効果」5.8%であり、測定なしの比率は低下し、時間測定は増えた。ただし母集団は上場企業等で、従業員30～300名企業の代表標本ではない。 S1

事実 上記JUAS資料は2026年4月10日付の発表資料で、調査報告は「2026年4月発表」とされる。公開資料上、法令のような施行日はなく、「発表日」と別の「利用開始日」は確認できなかった。 S1

事実 前年のJUAS「企業IT動向調査2025」は2025年2月18日に速報を発表し、2024年9月6日～10月28日に東証上場企業等4,500社のIT部門長へ依頼し981社が回答した。言語系生成AIの導入済み・試験導入中・準備中は41.2%で、導入企業等の効果認識では「期待を大きく超える」4.0%、「概ね想定どおり」33.1%、「期待値には至っていないが一定の効果」36.1%の計73.2%が何らかの効果を回答した一方、効果測定方法では「測定なし」59.8%、「削減できた労働時間」32.8%だった。すなわち、主観的な「効果あり」と、客観指標による効果測定には差がある。 S6

事実 JIPDEC「企業IT利活用動向調査2026」は2026年3月25日にAI活用編を発表し、詳細結果は4月16日に公開した。調査は2026年1月16日～20日、従業員50名以上の国内企業に勤務し、情報システム・経営企画・総務人事・業務改革・DX推進等を担当し、IT戦略策定または情報セキュリティに従事する係長相当以上の約17,000人を調査対象フレームとし、1,107件・1社1回答を得た。会社標準のAI活用について「これから検討」18.2%、「検討中だが具体的な取り組みなし」19.5%、「実証実験・試行導入」22.4%で、表示値の合算は60.1%となる。公表本文は丸めて60%と記載している。 S7 S8

事実 JIPDECの同調査はAI導入効果を「期待以上」「期待どおり」等の認識で尋ね、調査対象となったすべての業務区分で両者の合計が60%を超え、顧客対応・サポートでは「期待以上」が29.1%だった。ただし、公開HTMLからは各業務の効果回答に使われた分母nを確認できなかったため、この数値を従業員50名以上の1,107社全体の比率とみなすことはできない。 S9

事実 帝国データバンク（TDB）が2026年3月に行い、2026年5月14日に公表した調査では、生成AI活用企業に対する「業務への効果」は「大いに効果」25.2%、「やや効果」61.5%で計86.7%だった。他方、これは削減時間や品質差を実測した指標ではなく企業の回答認識である。さらに活用企業への「悪影響・トラブル」は複数回答で、「ない」67.7%、「AIを使いこなせる社員と使いこなせない社員の能力・成果の格差拡大」18.8%、「出力結果の誤りによる社内外のトラブル・損害」1.3%、「会社の機密・個人情報等の流出」0.7%だった。 S10

未確認 TDBの公開HTML本文では、上記86.7%、1.3%、0.7%それぞれについて、効果・事故設問の有効回答数nを本文テキストとして確認できなかった。このため本レポートでは「活用企業を対象」とのみ記し、別の設問に示される回答数を自動的に転用しない。 S10

未確認 / 原調査の記載 経済産業省の「AI事業者ガイドライン」は第1.0版が2024年4月19日、第1.01版が2024年11月22日、第1.1版が2025年3月28日、第1.2版が2026年3月31日に公表され、現行の第1.2版ページは2026年4月1日最終更新である。公開ページでは第1.2版本編、チェックリスト、ワークシート等が利用可能である一方、法令のような別個の「施行日」は確認できなかった。 S12 S11 今回の編集では該当本文・版の照合を完了していないため、この段落は確認済み事実として解説記事に採用していない。

Background / 測定が必要になる背景

事実 効果測定で「導入後にどう感じたか」だけでは不十分だと考える根拠は、生成AIの効果が業務、熟練度、測定方法によって大きく変わる点にある。Noy and Zhangの事前登録実験は、大学教育を受けた専門職453人に職業別の文章作成課題を割り当て、半数をChatGPT利用群に無作為化した結果、平均所要時間が40%短縮し、出力品質が18%上昇した。この研究は時間と品質を同時に測定しており、「速くなったが品質が下がった」という別の結果を一つの生産性指標で覆い隠さない設計になっている。研究自体の公開は2023年7月で本調査の中心期間より前だが、測定方法論の基礎資料として参照した。 S3

事実 査読誌 Quarterly Journal of Economics の「Generative AI at Work」は、顧客サポート担当者5,172人を対象とし、「生産性」を1時間当たり解決案件数（issues resolved per hour）で定義した。AI支援へのアクセス後、平均でこの指標が15%上昇したが、その変化は処理時間、1時間当たりチャット数、解決率という複数要素から構成され、経験・スキル層によって効果も異なった。これは単なる「AIを使った回数」ではなく、業務アウトカムを分母・分子まで定義した例である。 S16

事実 一方、研究主体METRが2025年7月10日に公表した無作為化試験では、成熟したオープンソース・プロジェクトで平均約5年の経験を持つ開発者16人が246タスクを実施し、AI利用可・不可をタスク単位で割り付けたところ、AI利用可では完了時間が19%長くなった。対象は少数の経験豊富なオープンソース開発者であり一般のオフィスワーカーには一般化できないが、「利用者自身が速くなったと感じること」と実測完了時間が一致しない場合があることを示す一次研究である。 S4

調査上の推論 以上の研究と日本企業調査を合わせると、「AIの効果」を測る際の出発点はAI利用率ではなく、AIを使わない状態で同じ業務単位を完了するための時間・品質・事故率を先に定義することになる。これは特定省庁が示した単一の公式算式ではなく、本調査による方法論上の整理である。根拠は、NISTがAIリスク測定でhuman baselineやmanual performance benchmarksとの比較を明示し、実証研究もAIあり・なしの比較を用いている点にある。 S2 S19

事実 METRは2026年2月24日、後続調査で参加者・タスクの選択効果や並列エージェント利用時の時間測定の問題があり、現在の生産性効果について信頼できる効果量を推定しにくいと説明した。2025年の19%増を現在のAI全般の評価に転用しない。 S5

Market / 企業調査をどう読むか

事実 日本企業の測定実態を時系列で見ると、JUASでは「効果測定を行っていない」が2024年の回答396社で59.8%から2025年の回答507社で51.9%へ7.9ポイント低下し、「削減できた労働時間の測定」は32.8%から39.4%へ6.6ポイント増えた。ただし両年の回答企業は同一企業のパネルではなく、構成変化を排除した因果比較ではない。 S1

事実 JUASの2025年調査では、金融・保険で「削減できた労働時間の測定」が68.0%、「効果測定は行っていない」が28.0%だった一方、社会インフラでは「効果測定なし」が70.6%だった。したがって「日本企業は何で測っているか」には単一の回答がなく、業種差が大きい。なお、業種別セルの実数nは発表スライド上で明記されていないため、比率の精度を個別業種間で同等とみなせない。 S1

事実 JIPDECの対象は従業員50名以上であり、従業員30～300名という本レポートの読者像の一部を直接含む。対してJUASは東証上場企業等が母集団であるため、JUASの「測定なし51.9%」を30～300名企業の割合として転記することはできない。 S7 S1

調査上の推論 市場全体を読むうえで重要なのは、「効果を感じている企業割合」と「基準値を置いて実測している企業割合」を別指標として扱うことである。TDBの86.7%は「効果が出ているという回答」、JIPDECの業務別指標も「期待以上／期待どおり」、JUASの39.4%は「削減できた労働時間を測定した企業割合」であり、質問文・分母・測定行為そのものが異なる。したがって、これらの数値を横並びにして「AIのROIは約○%」と一般化することはできない。 S10 S9 S1

Technology / 測定の技術的な考え方

事実 NIST AI Risk Management Framework（AI RMF）のMEASURE機能は、AIのリスクと影響を定量・定性・混合手法で測り、ベンチマークと比較し、結果を文書化する枠組みを示している。具体的には、テストセット・指標・評価ツールの記録、実運用に近い条件での性能測定、本番環境での挙動監視、安全性・セキュリティ・プライバシー等の測定、未予見リスクの継続追跡、利用者からの問題報告や異議申立ての仕組み、性能改善・悪化の記録を含む。これは汎用的な枠組みで、企業の生産性KPIの数値閾値までは規定しない。 S14

事実 NIST AI RMF Playbookは、AIシステムのリスクを「human baseline performance」「manual performance benchmarks」と比較すること、エラー対応時間と対応品質を測ること、システムログ等を用いてエラー源を診断することを例示する。したがって、「AI導入前の人間作業の基準値を残す」ことには、単なるコンサルティング上の慣行ではなく公式フレームワーク上の根拠がある。 S2

調査上の推論 所要時間の実務定義として最も比較可能性が高いのは、同一の開始条件から「業務上受け入れ可能な最終成果物」になるまでの人間の総作業時間である。本調査による整理では、AI使用後の時間を 入力・プロンプト作成 + AI待ち時間中に拘束される時間 + 出力確認 + 修正 + 再生成 + 再確認 + 引継ぎ・記録 と分解し、AI未使用時と同じ終了条件で比較する。生成ボタンを押してから出力されるまでだけを測ると確認・修正作業を落とすため、研究でいう「タスク完了時間」と同じ意味にならない。 S3 S4

調査上の推論 品質は「人が良いと思ったか」だけでなく、業務ごとに同じ評価基準で判定できる最終アウトカムへ置き換える必要がある。本調査による整理では、文章なら固定ルーブリック点、問い合わせなら解決率・再問い合わせ率、データ抽出なら正解率、契約レビューなら見落とし件数、コードなら受入テスト通過率などが候補になる。QJE研究が「解決件数/時」だけでなく解決率や顧客満足等を併用したことは、時間だけで品質を代表させない測定の実例である。 S16

調査上の推論 利用状況は少なくとも「利用可能者数」「一定期間に実際に使った利用者数」「対象業務件数」「AIを使った対象業務件数」を分ける必要がある。アクティブ利用率 = 実利用者数 ÷ 利用可能者数 と、業務浸透率 = AI利用対象業務件数 ÷ 対象業務総件数 は異なる指標であり、ライセンス発行数だけでは業務への浸透を示さない。この算式は本調査の整理で、NISTが特定の利用率算式を規定しているわけではない。 S14

未確認 / 原調査の記載 IPA掲載の「テキスト生成AIの導入・運用ガイドライン」では、導入目的に対する定性・定量効果を定期評価し、業務効率化では導入前後の残業時間等、業務品質ではアンケート・ヒアリング、社内普及では利用率を評価軸の例として挙げる。ただし同資料はIPA自身が「IPA及びICSの公式見解ではなくプロジェクトメンバーの見解」と明示しているため、政府の公式KPIとしては扱えない。 S17 S18 今回の編集では該当本文・版の照合を完了していないため、この段落は確認済み事実として解説記事に採用していない。

Business / 業務効果と金額換算

事実 AIによる「総効果」を考えるうえで、一次研究はAIが生成した部分だけでなく、人間が最終成果を出すまでの業務結果を測っている。Noy and Zhangは最終文章課題の所要時間と品質を、QJE研究は1時間当たりの解決案件数と解決率等を、METRは実務タスクの完了時間を測定した。これらはいずれも「AIの出力速度」ではなく人間との協働後の成果を評価対象にしている。 S3 S16 S4

調査上の推論 したがって、本調査でいう総時間効果は、AI未使用時の最終完了までの人時 − AI使用時の最終完了までの人時 と整理できる。AI使用時には、AIが直接短縮した作成時間から、確認、ファクトチェック、書き直し、再生成、上長レビュー、誤りによる手戻りを差し引く。この算式そのものを定めた日本政府資料は確認できず、NISTのhuman baseline比較と実証研究のend-to-end測定を組み合わせた本調査の推論である。 S2 S4

調査上の推論 金額換算も同様に、単純な「短縮分 × 人件費」だけでは完全な総効果にならない。少なくとも、確認・修正を含めた総作業時間の短縮価値 + 重複しない追加成果の価値 − AI利用料 − 導入・教育・管理費 − 事故対応等の実現損失 の各項目を別に記録しないと、AIが生んだ粗効果と最終的な純効果を分離できない。総作業時間の差に含めた確認・修正工数を、再度控除しない。空いた時間がそのまま現金支出の削減になるわけではなく、売上と利益も区別する。この式は論点整理のための概念式で、会計上の統一的なROI算式ではない。JUASの公式調査でも「労働時間」「要員」「金額」「定性的効果」を別々の測定項目として扱っている。 S1

事実 TDB調査には「上長の確認と検証に手間がかかるようになった」という企業の自由回答が掲載されており、AI利用が作成時間を短縮しても検証負担を増やすケースが存在することを一次調査本文が捉えている。ただし自由回答は発生率を示す代表統計ではない。 S10

事実 QJE研究では、AI効果は平均値だけでなく従業員属性によって異なり、低スキル・低経験層では速度と品質の双方が改善した一方、高スキル層では速度の小幅改善と品質の小幅低下も観測された。したがって、全社平均だけでは「誰に効果が出たか」を隠す可能性がある。 S16

Implementation / 測定の実装

事実 効果測定の公的・研究上の共通点は、①比較対象となるベースライン、②同じ業務アウトカムの定義、③実運用に近い条件、④結果の記録、⑤継続的な再測定を置くことである。NIST AI RMFはベースライン・ベンチマークとの比較と実運用条件での測定を明示し、実証研究はAIあり・なしの比較を行っている。 S14 S2

調査上の推論 従業員30～300名程度の企業で小さく試す場合の測定設計の論点を、本調査では次のように整理できる。これは省庁が定めた標準手順ではない。

調査上の推論 比較方式には、同じ担当者が似た仕事をAIあり・なしで行う「対応のある比較」、類似担当者の対照群を置く方式、無作為割付がある。単純な前後比較では、習熟や繁忙度などの影響を除ききれない。対応のある比較でも実施順序や学習の影響が残るため、この並びを一律の優劣とはしない。ただし小規模企業で無作為化が常に現実的とは限らない。この整理はNoy and ZhangおよびMETRの無作為化研究方法を企業実務へ読み替えたもので、行政上の要求ではない。 S3 S4

調査上の推論 測定値には少なくとも「担当者」「業務種別」「難易度区分」「AI使用有無」「使用したモデル・機能」「開始・終了時刻または実作業時間」「確認・修正時間」「品質判定」「最終受入可否」「事故・規程例外」を紐づけると、利用の有無だけでなく差がどこから発生したかを後から分解できる。この項目セットは本調査の整理であり、そのままの公式様式は確認できなかった。

未確認 「ベースラインを2週間測る」「PoCは4週間または3カ月で行う」「最低30件測る」など、業種・業務を問わず従業員30～300名企業に適用できる一律の期間・必要サンプル数を定めた日本の公的一次資料は確認できなかった。必要サンプル数はばらつき、期待効果、比較設計、統計的検出力によって変わるため、本レポートでは固定値を提示しない。

Risk / 事故とヒヤリハットの記録

未確認 / 原調査の記載 経済産業省「AI事業者ガイドライン」第1.0版は、AI利用に際する具体的手法として、入出力等のログの記録・保存による確認、不適切入力への注意喚起、問題発生時の対応等を示している。第1.2版が現行版であるが、本レポートでログ記録に関する具体文言を直接確認できたのは第1.0版本文であり、第1.2版で各文言が完全に同一かまでは確認できなかった。 S13 S11 今回の編集では該当本文・版の照合を完了していないため、この段落は確認済み事実として解説記事に採用していない。

事実 NIST AI RMFは、事故・エラーを効果測定とは別系統にせず、同じMEASURE/MANAGEプロセスで追跡する。対象例には、性能・信頼性、安全性、セキュリティ、プライバシー、利用者からの問題報告、appeal/override、インシデント対応、復旧、変更管理が含まれ、インシデントとエラーについて追跡・対応・復旧プロセスを文書化するよう定める。 S14

事実 NIST Playbookは、エラー件数だけでなく「エラーへの対応時間」「対応品質」、下流の人間によるoverride等の情報を記録対象の候補として示す。また、小規模組織についても、完全なガバナンス・プログラムがなくてもインシデント対応計画を利用できるとしている。 S2 S15

調査上の推論 このため、効果とリスクを同じ表で比較する場合の分母は、単なる従業員数よりも「AI支援を受けた業務件数」「AIセッション数」「AI出力を最終成果に利用した件数」等の曝露量を持つ方が解釈しやすい。例えば 誤回答事故率 = 誤回答が原因となった事故件数 ÷ AI支援業務件数、情報漏えい率 = AI利用に起因または関連すると判定された漏えい件数 ÷ AI支援業務件数 と置けるが、この算式は本調査の推論でありNISTや経産省が統一式として規定したものではない。 S14

事実 JUASは2025年度回答954社について、生成AI利用リスクに対し「懸念しており対策を実施済み」とした割合を、情報漏えい・データプライバシー27.5%、ハルシネーション・信頼性12.9%、権利侵害12.7%、法令違反6.9%、レピュテーション5.3%、プロンプトインジェクション4.4%と報告している。ただしこれは事故発生率ではなく、「懸念と対策状況」を問う指標である。 S1

事実 対照的にTDBは実際の「悪影響・トラブル」を質問しており、活用企業で「出力結果の誤りによる社内外のトラブル・損害」1.3%、「機密・個人情報等の流出」0.7%だった。この値は「1件当たり事故率」ではなく、当該事象を経験した企業の回答割合であり、重大度・件数・AI利用量による調整は行われていない。 S10

調査上の推論 したがって、公式資料には「何を記録すべきか」というガバナンス項目は存在するが、誤回答率・漏えい率・規程違反率について業界横断の許容閾値を一律に定めた公式KPIは確認できない。NISTも、リスク許容度は組織・用途・運用文脈に依存する構造を採る。 S14

Outlook / 今後の測定の論点

事実 2024年度から2025年度にかけたJUASの同名設問では、生成AIの効果を「測定していない」企業の割合が59.8%から51.9%へ低下し、労働時間測定が32.8%から39.4%へ増加した。集計上、時間を測定すると答えた企業割合が増えている。企業の関心の変化そのものを直接測ったものではない。ただし、パネル調査ではないため個々の企業が測定へ移行したことを示すデータではない。 S1

調査上の推論 今後の測定論で重要になると考えられるのは、生成AI単体の出力品質よりも、人間の確認・修正を含む業務系全体の完了時間、最終品質、利用量、事故を同一の業務単位へ紐づけることである。AIモデルの能力が上がっても、確認負担や業務手順、利用者スキルが変われば企業側の効果は変動し得るためである。この推論は、NISTのsocio-technicalな測定枠組みと、効果が熟練度・業務によって異なる実証研究に基づく。 S14 S16

調査から得られた示唆

調査上の推論 「AI導入前の基準値」はAI施策のためだけのデータではなく、その業務が現在どれだけの時間・品質・事故を生んでいるかを定義する作業になるため、基準値がない状態では導入後の差をAIに帰属しにくい。

調査上の推論 労働時間だけを測ると、出力品質低下や確認工数増が見えない。反対に品質だけを測ると、生産性向上が見えない。このため時間と品質を別指標で保持し、その後に必要なら「合格成果物/人時」のような複合指標を計算する方が、原因を追跡しやすい。

調査上の推論 利用率は成果指標ではなく説明変数に近い。利用率が高くても総時間が増えれば生産性効果は負になり得るため、「何人が使ったか」と「何が改善したか」を別の列で管理する方が因果解釈を誤りにくい。

調査上の推論 事故指標には件数だけでなく曝露量の分母が必要である。AI利用が10倍になれば事故件数だけが増えても率は低下する可能性があり、件数だけでは安全性の変化を判断できない。

調査上の推論 30～300名規模では、全社ROIを最初から推計するより、文書作成、問い合わせ対応、議事録、コードレビュー等の「完了条件を定義できる業務単位」で前後比較する方が測定上の交絡を小さくできる。ただしこの整理は本調査の推論であり、公的一次資料による規模別の標準手順ではない。

調査の限界・未確認事項

未確認 従業員30～300名企業だけを母集団とし、「生成AI効果をどの指標で測っているか」を労働時間・品質・金額・事故まで一体で全国集計した、2026年11月5日時点の日本の公的一次調査は確認できなかった。

未確認 JUASの効果測定設問は2025年n=507、2024年n=396と確認できるが、公開発表スライド上では複数回答かどうかの注記を確認できなかった。2025年の各選択肢比率合計は100%を超えるため複数選択と整合するものの、本レポートでは回答形式そのものを事実認定しない。 S1

未確認 TDBの効果86.7%、誤出力トラブル1.3%、情報流出0.7%について、公開HTML本文から各設問の有効回答数を特定できなかったため、主要数値台帳でも分母nは「公開HTMLで未確認」とする。 S10

未確認 JIPDECの業務別「期待以上／期待どおり」の各設問について、公開HTMLから業務別の回答者数nを確認できなかったため、効果の割合は参考値にとどめ、主要な因果効果の数値としては扱わなかった。 S9

未確認 従業員30～300名企業向けに「試行は何週間」「基準値は何件」「何%改善なら採用」といった一律の期間、標本数、合格閾値を定める日本の公的一次基準は確認できなかった。

事実 NIST AI RMFは公式なリスク管理フレームワークだが、個別企業の生産性ROI算式や事故率の許容値を規定するものではない。 S14

事実 IPA掲載の生成AI導入・運用ガイドラインは測定例を含むが、IPAの公式見解ではなくプロジェクトメンバーの見解であるため、行政上の公式基準としての重みは経済産業省「AI事業者ガイドライン」やNIST AI RMFより低く扱った。 S17

未確認 原調査にある経済産業省ガイドラインの版履歴・具体文言、IPA掲載PDF内の個別記載は、今回の編集で本文を全件照合していません。更新される資料は公開時点で改めて確認する必要があります。

主要数値の台帳

事実 主要数値の意味は互換ではない。JUASの39.4%は「効果として労働時間を測定した企業の割合」、TDBの86.7%は「効果があると回答した活用企業の割合」、QJEの15%は「1時間当たり解決案件数という実測生産性の因果推定」、METRの19%は限定された開発者群におけるタスク完了時間の実験結果であるため、同一尺度として平均・合算してはならない。 S1 S10 S16 S4

参考文献・出典

資料の公表時期は以下のとおりです。調査の実施時期・母集団・本文での留保と合わせて参照してください。

S1. 企業IT動向調査2026 報告発表資料

発行者：JUAS。公表：2026-04-10。種別：一次。

原資料を開く

参照箇所：調査概要 p.3、言語系生成AI導入時の効果測定 p.42。設問回答507社、調査全体957社。

S2. AI RMF Playbook — Measure

発行者：NIST。公表：継続更新。種別：一次。

原資料を開く

S3. Experimental evidence on the productivity effects of generative artificial intelligence

発行者：Noy & Zhang / Science。公表：2023-07-13。種別：一次・査読研究。

原資料を開く

参照箇所：抄録。2023-07-13オンライン公開、2023-07-14号掲載。453人の職種別文章作成実験。

S4. Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity

発行者：METR。公表：2025-07-10。種別：一次・研究主体公表。

原資料を開く

S5. We are Changing our Developer Productivity Experiment Design

発行者：METR。公表：2026-02-24。後続実験の方法上の限界と設計変更。

後続調査を開く

S6. 「企業IT動向調査2025」プレスリリース第2弾

発行者：JUAS。公表：2025-02-18。種別：一次。

原資料を開く

S7. 「企業IT利活用動向調査2026」AI活用編

発行者：JIPDEC。公表：2026-03-25。種別：一次。

原資料を開く

S8. 「企業IT利活用動向調査2026」詳細結果

発行者：JIPDEC。公表：2026-04-16。種別：一次。

原資料を開く

S9. 「企業IT利活用動向調査2026」AI活用状況と課題編

発行者：JIPDEC。公表：2026-04。種別：一次。

原資料を開く

S10. 生成AIに関する企業の動向調査（2026年3月）

発行者：帝国データバンク。公表：2026-05-14。種別：一次。

原資料を開く

S11. AI事業者ガイドライン第1.2版

発行者：経済産業省。公表：2026-03-31。種別：一次。

原資料を開く

今回の編集では該当本文・版の照合未了。元のDeep Researchの候補出典として残しており、解説記事の根拠には使っていません。

S12. AI事業者ガイドライン検討会・版履歴

発行者：経済産業省。公表：2026-03-31更新。種別：一次。

原資料を開く

今回の編集では該当本文・版の照合未了。元のDeep Researchの候補出典として残しており、解説記事の根拠には使っていません。

S13. AI事業者ガイドライン第1.0版

発行者：経済産業省。公表：2024-04-19。種別：一次。

原資料を開く

今回の編集では該当本文・版の照合未了。元のDeep Researchの候補出典として残しており、解説記事の根拠には使っていません。

S14. AI Risk Management Framework Core

発行者：NIST。公表：AI RMF 1.0基盤。種別：一次。

原資料を開く

S15. AI RMF Playbook — Govern

発行者：NIST。公表：継続更新。種別：一次。

原資料を開く

S16. Generative AI at Work

発行者：Brynjolfsson, Li, Raymond / QJE。公表：2025年掲載。種別：一次・査読研究。

原資料を開く

S17. テキスト生成AIの導入・運用ガイドライン

発行者：IPA掲載・プロジェクトメンバー。公表：2024年度。種別：一次。ただしIPA公式見解ではない。

原資料を開く

S18. 同ガイドライン本文

発行者：IPA掲載・プロジェクトメンバー。公表：2024年度。種別：一次。ただしIPA公式見解ではない。

原資料を開く

今回の編集では該当本文・版の照合未了。元のDeep Researchの候補出典として残しており、解説記事の根拠には使っていません。

S19. AI RMF — Framing Risk

発行者：NIST。AI RMFのリスクを捉える枠組み。

原資料を開く