GenAI投資49%リターンの裏側｜96%が壁にぶつかる矛盾の正体

GenAI投資49%リターンの裏側｜96%が壁にぶつかる矛盾の正体

1ドル投じれば1.49ドルが返ってくる。

Snowflakeが世界10カ国・2,050人の経営層と技術リーダーに聞いた大規模調査「The ROI of GenAI and Agents」（2026年3月公開、調査会社Omdiaとの共同実施）は、生成AIへの投資がすでに実を結び始めていることを数字で示した。早期導入企業の92%がROIを実感しており、今後12ヶ月で技術予算の平均22%をGenAIに振り向ける計画だという。

ところが同じ調査で、96%の企業がスケーリングの壁に直面しているとも報告されている。ほぼ全員が「儲かってる」と言いながら、ほぼ全員が「でもつらい」と訴えている。この矛盾はどこから来るのか。

さらに話をややこしくするのが、MITスローン経営大学院Project NANDAの「The GenAI Divide」だ。300件のAIプロジェクト・52組織・153人のシニアリーダーを調査したこの研究では、企業のGenAIパイロットの95%がP&L（損益計算書）レベルのインパクトを出せていないと結論づけている。

成功と失敗を分ける要因は、AIモデルの性能でもプロンプトの巧さでもなく、もっと地味で根深いところにあった。この記事ではSnowflake×Omdia調査のデータを分解し、成功企業の共通条件を掘り下げる。

2,050社調査が映し出す「GenAI投資の現在地」

まず数字を整理しよう。Snowflakeが調査会社Omdiaと共同で実施したこの調査は、2025年8月13日〜9月17日に実施され、2026年3月に結果が公開された。対象は世界10カ国で生成AIの購買意思決定に関与する2,050人のビジネス・技術リーダー。規模だけでもかなり大きい。

ROIは実際に出ている——ただし注釈付き

「92%がROI達成」は見出しとしてはインパクトがある。ただし重要な注意点がある。この調査は「GenAIの購買意思決定に関わる人」を対象にしているということだ。そもそもAIに積極的な企業群がサンプルの大半を占めている。

それでも49%のリターン（1ドル→1.49ドル）という数字は、前年の41%から着実に伸びている。「やれば返ってくる」ことの傍証としては十分だろう。ポイントは「やり方」にあるのだが、それは後述する。

雇用は「消える」のではなく「入れ替わる」

AIが仕事を奪うのか——この議論にも具体的なデータが出た。

• 77%の企業がAI関連で採用を増やした
• 46%の企業が一部の役職を削減した
• 両方を経験した企業のうち69%が「差し引きプラス」と回答
• 42%がAIが直接的に「新しい雇用を創出した」と回答
• 11%が「AI導入による雇用減少のみ」と回答
• 35%が「増減の両方を経験」

職種別に見ると、採用増の上位はIT運用部門（56%増）、サイバーセキュリティ（46%増）、ソフトウェア開発（38%増）だ。一方でIT運用は40%の企業で削減も起きており、カスタマーサポートとデータ分析はそれぞれ37%が削減を経験している。

これが意味することは明確だ。同じ部門内で「人が増えた」と「人が減った」が同時に起きている。AIで自動化されるルーチン業務と、AIを設計・運用・監視する新たな業務が入れ替わっている。「AIに仕事を奪われる」という漠然とした恐怖より、「仕事の中身が変わる」ことにどう備えるかを考えた方がはるかに建設的だ。

日本企業にとって示唆的なのは、IT運用でのAI活用が56%に達している点だろう。日本ではまだ「生成AI＝文章作成ツール」というイメージが強いが、グローバルではインシデント対応やインフラ監視の自動化が先行している。目に見えにくいバックオフィス業務こそ、実はAIの効果が最も測りやすい領域だ。

コード生成は48%がAI製——開発現場の地殻変動

もう1つ見逃せないのが、全コードの48%がすでにAIで生成されているという数字だ。82%の企業がコードテストやバグ検出にAIツールを活用し、改善を実感している。

「半分近いコードがAI製」——これは1年前なら信じがたい数字だったが、GitHub CopilotやCursorの急速な普及を考えれば、驚くべきことではないのかもしれない。先日のAIコーディングエージェントの「信頼のパラドックス」記事でも触れたが、開発者の大多数が毎日AIコーディングツールを使いながらも、その出力を完全には信頼していないという矛盾がある。コードの量産はAIに任せ、品質保証は人間が担う——この分業が当面のスタンダードになりそうだ。

「95%が失敗」と「92%が成功」が両立するカラクリ

ここが今回の核心だ。MITの調査では95%が失敗し、Snowflakeの調査では92%が成功。数字が完全に矛盾して見える。どちらかがウソなのだろうか。

結論から言うと、測っているものが違う。

MITは「経営数字への影響」を測った

MIT Project NANDAの調査（300件のAIプロジェクト、52組織、153人のシニアリーダーを対象）は、P&L（損益計算書）レベルの測定可能なインパクトが出ているかを基準にしている。会社全体の売上や利益がAI投資によって動いたか——これが問いだ。

失敗の原因として挙げられたのは、「統合の壁」「データの壁」「ガバナンスの壁」、そして新しいAIツールと既存業務ワークフローの間の「学習ギャップ」だった。

Snowflakeは「現場の体感」を測った

一方のSnowflake×Omdia調査は、投資対効果の自己評価が基準だ。「導入して生産性が上がった実感があるか？」を聞いている。

この差は大きい。ChatGPTを導入して「会議資料の作成が3時間→1時間になった」と担当者が実感しても、それが会社全体のP&Lにどう反映されたかを測れている企業はごくわずか。Snowflake調査でも定量的にリターンを測定できている企業はグローバル平均で49%にとどまる。つまり半数以上が「なんとなく効果がある気がする」レベルにいる。

要するにこういうことだ。

• 現場レベルでは効果を実感している（Snowflake調査：92%）
• 経営レベルでP&Lに反映できている企業は少ない（MIT：5%）
• その間を埋めるのが「データ基盤」「効果測定」「ガバナンス」

この構造を理解すると、「AIは効果がある」と「AIは使えない」という一見矛盾する評価が、実は同じ現象の別側面だと分かる。

96%が感じている「壁」の中身を分解する

Snowflake調査で96%が直面しているスケーリングの壁。その内訳を見ると、問題の所在がはっきりする。

問題はAIモデルではなく、データだ。どんなに優秀なLLMを使っても、食わせるデータが散らばっていて品質が低ければ、まともなアウトプットは出ない。

特に深刻なのが「非構造化データのAI準備完了がわずか7%」という数字だ。企業内のデータの大半はPDF、メール、Slack/Teams上のチャット、議事録、Excelファイルといった非構造化データだが、これらをAIが活用できる形に整備している企業はほぼ皆無に等しい。

シャドーAI——見えないリスクが広がっている

ガバナンスの課題も見逃せない。Snowflake調査では57%の従業員（C-levelでは66%）が未承認のAIツールを使っていると回答した。

これが「シャドーAI」問題だ。IT部門が把握していないChatGPTやClaudeの利用が社内に広がり、セキュリティリスクと効果測定の両方を困難にしている。機密情報がOpenAIやAnthropicのサーバーに送信されているかもしれないし、各部門がバラバラにAIツールを契約していてコストが見えない。

60%の企業が「データインフラとモニタリングソフトウェアへの追加投資が必要」と回答しているのは、この現状を反映している。AIを導入するだけでなく、AIの利用を「管理する」ためのインフラが新たに必要になっているのだ。

Snowflakeの回答：Project SnowWork

こうした課題に対する1つの解として、Snowflakeは2026年3月18日にProject SnowWorkをリサーチプレビューとして発表した。タイミングが絶妙だ。自社の調査で「データが壁」と示した翌週に、「だからこれを作った」と新製品を出している。マーケティングとしては巧みだが、製品の中身は確かに興味深い。

SnowWorkは何が違うのか

SnowWorkは「自律型エンタープライズAIプラットフォーム」と銘打たれている。ビジネスユーザーが「〇〇を作って」と自然言語で指示するだけで、データ分析からレポート生成まで自律的に完了するシステムだ。

SnowflakeのCEO、Sridhar Ramaswamy氏は発表で「エージェンティックエンタープライズの時代が来た」と語った。既存のBIツールやCopilot的なAIアシスタントと何が違うのか、3つのポイントで整理する。

ポイント1：「分析」ではなく「実行」まで完了する

従来のBI（ビジネスインテリジェンス）ツールは「データを可視化する」ところが守備範囲の上限だった。「このグラフを見て何をすべきか」は人間が判断し、「レポートをまとめて経営会議に出す」も人間の仕事だった。

SnowWorkは違う。データ取得→分析→推奨アクション作成→プレゼンテーション生成まで一気通貫で自律実行する。具体的なユースケースとして挙げられているのは以下の通りだ。

• 取締役会向けの予測プレゼンテーションを自動作成
• 解約リスクの高い顧客リストをスプレッドシートにまとめ、推奨アクション付きで提示
• サプライチェーンのボトルネックを特定し、改善案とともにレポート化
• 営業テリトリーの再配分を分析し、優先順位付きで提案

SanjMoのプリンシパル、Sanjeev Mohan氏は「SnowWorkは、AIを分析ツールからワークフローの実行レイヤーに進化させる」と評している。

ポイント2：部門別の「プリセットスキル」が用意されている

SnowWorkには営業、マーケティング、財務、オペレーションなど部門ごとに特化した「AIプロファイル」が事前設定されている。各部門の業務フロー、専門用語、KPIを理解した状態で動くため、「AIに何を聞けばいいか分からない」という導入初期の最大のハードルを下げている。

これは地味だが重要な機能だ。AI導入戦略ガイドでも繰り返し指摘してきたが、AIツールの導入が失敗する最大の原因は「現場が使い方を知らない」ことだ。最初から「あなたの部門向けの使い方」が用意されているのは、定着率を大きく変えるだろう。

ポイント3：ガバナンスが「後付け」ではなく「デフォルト」

SnowWork最大の差別化ポイントはここだ。Snowflakeのデータプラットフォーム上で動くため、RBAC（ロールベースアクセス制御）、データマスキング、監査ログ、データガバナンスルールが自動的に適用される。シャドーAI問題が構造的に起きない。AIが触れるデータは、そのユーザーの権限範囲内に限定される。

ChatGPTやClaudeを野放しで使っている企業にとって、これは決定的な違いだ。AIの利便性とガバナンスがトレードオフではなく、同時に手に入る仕組みになっている。

SnowWorkの現在地と限界

正直に書くと、SnowWorkにはまだ未知数が多い。現時点ではリサーチプレビュー段階で、限定的な顧客にのみ提供されている。正式な価格も一般提供時期も未発表だ。「これを入れれば全部解決」とは、まだ言えない。

構造的な懸念もある。Snowflakeへのベンダーロックインが強化される可能性だ。データ基盤もAI実行レイヤーもSnowflakeに集約されれば、移行コストは跳ね上がる。マルチクラウド戦略を採る企業にとっては、これがネックになりうる。

ただし、「データ基盤と実行レイヤーを同じプラットフォームに統合する」というアプローチ自体は、先述の「96%の壁」に対する構造的な解であることは間違いない。データサイロの問題は、分散したツールをAPIでつなぐより、最初から1つの基盤に集約した方が早く解決することが多いからだ。

国別データが示す「効果測定」の決定的な差

Snowflake調査の国別データから、興味深いパターンが見える。

同じアジアでもこれだけの差がある。インドはIT人材の層の厚さと英語環境のおかげでAI活用が加速している。一方のシンガポールは、AIツールの導入自体は進んでいるが、「効果を数字で測る仕組み」が追いついていない。

この「効果測定ができるかどうか」の差は、そのまま投資拡大の判断に影響する。効果が数字で見えれば追加投資の承認が下りるし、「なんとなく便利」のままでは予算が付かない。測定の仕組みがAI投資の好循環を生む——これがこの調査から読み取れる最大のメッセージだ。

日本のデータはこの調査には含まれていないが、筆者の体感では、日本企業の多くはシンガポールに近い状況だろう。ツールの導入は進んでいるが、P&Lとの接続ができていない。「AI導入して何が変わったんですか？」と役員に聞かれて、定量的に答えられる企業がどれだけあるか。

総務省の「ICTの経済分析に関する調査」（2025年度版）によれば、日本企業の生成AI導入率は約35%。ただしそのうち「全社的に導入」は10%程度で、残りは「一部部門で試験的に利用」にとどまる。PoC（概念実証）の段階から抜け出せていない企業が大半だ。

インドとの差が示唆しているのは、導入率そのものではなく、「測定文化」の差だ。インドのIT企業はKPIドリブンの文化が根付いており、AIに限らず「投資→効果測定→最適化」のサイクルが速い。日本企業がこの調査から学ぶべきは、新しいツールの情報ではなく、効果を測る仕組みを先に作るという発想だ。

成功企業に共通する3つの条件

Snowflake調査のデータとMITの分析を突き合わせると、GenAI投資で実際にリターンを出している企業のパターンが見えてくる。

条件1：データ基盤が「AI-ready」になっている

非構造化データの半分以上がAI利用可能な状態にある企業は、全体のわずか7%だ。裏を返せば、この7%に入れれば競合に対して圧倒的なアドバンテージを持てる。

「AI-ready」なデータ基盤を作るために具体的にやるべきことは以下の3つだ。

1. データカタログの整備：社内のどこに、何の形式で、どんなデータがあるかを一覧化する。「営業がExcelで持ってるリスト」「経理のPDFファイル」「SlackのDM」——これらが可視化されていなければ、AIには食わせられない
2. データ品質の継続的モニタリング：欠損値、重複レコード、鮮度（最終更新日）をダッシュボードで常時監視する仕組みを作る。品質管理なきデータ投入は、ゴミイン・ゴミアウトを量産するだけだ
3. 非構造化データのインデックス化：PDF、メール、議事録、チャットログをベクトルデータベースに格納し、セマンティック検索が可能な状態にする。RAG（検索拡張生成）の精度はここで決まる

条件2：効果測定の仕組みが「先に」ある

MIT調査で95%が失敗した最大の原因は、P&Lへの接続がないまま「とりあえずPoC」を始めたことだった。Snowflake調査でも、定量的にリターンを測定している企業ほど予算配分が大きく、ROI実感も高い。

AIの効果測定は「導入後に考える」のでは遅い。導入前に「何をKPIにするか」「どう測るか」「いつ判定するか」を決めておくことが、成功の前提条件だ。

具体的な測定フレームワークの例：

• 時間削減：特定業務の作業時間を Before/After で測る（タイムトラッキングツール使用）
• 品質向上：エラー率、手戻り率、顧客満足度スコアの変化
• コスト削減：外注費、残業代、ライセンス費の変動
• 売上貢献：リードタイム短縮 → 受注率変化 → 売上増加の因果関係を追跡

この4つのうち最低1つを、AI導入前に定義しておく。3ヶ月後に数字で語れるかどうかが、次のフェーズへの切符になる。

条件3：シャドーAIを「敵」にせず「味方」にする

57%の従業員が未承認AIツールを使っている現実は、言い換えれば「需要がある」ことの強烈な証拠だ。禁止令を出して蓋をするのは最悪の手段だ。

うまくいっている企業は、シャドーAIの実態を把握した上で「この範囲で使っていい」というガイドラインを出している。具体的には：

• 利用可能ツールのホワイトリスト：ChatGPT Enterprise、Claude for Work、Gemini for Workspace等、企業向けプランに限定
• データ分類ルール：「社外秘」以上のデータはAIに入力禁止、「一般」データはOKといった明確な線引き
• 利用ログの収集：誰がどのツールをどの業務で使っているかを可視化する（監視ではなく、効果測定と最適化のため）

60%の企業が「データインフラとモニタリングへの追加投資が必要」と回答しているのは、この方向性を裏付けている。使わせた上で管理するのが正解だ。

「Snowflakeだから」ではなく、この構造が重要だ

ここで一歩引いて考えたい。SnowWorkは確かに興味深い製品だが、本質はSnowflakeを使うかどうかではない。重要なのは、「データ基盤」「AI実行レイヤー」「ガバナンス」を統合するという設計思想そのものだ。

今の多くの企業は、こんな状態になっている。

• データは AWS S3 や Azure Blob Storage にバラバラに格納
• AI は ChatGPT API や Claude API を個別に呼び出し
• ガバナンスは Excel の「AI利用ルール表」で管理（形骸化）
• 効果測定は「導入から3ヶ月後に一度だけアンケート」

この断片化が、96%の壁の正体だ。SnowWorkがやろうとしているのは、これを1つのレイヤーに統合すること。同じことは、Azure上ならMicrosoft Fabric + Copilot Studio で、Google Cloud上ならBigQuery + Vertex AI Agent Builder で、ある程度は実現できる。

ベンダーの選択より重要なのは、自社のデータ戦略として「統合」と「ガバナンス」を最優先課題に置くことだ。SnowWorkの発表は、その方向性を具体的な製品として見せたという意味で価値がある。

実際、Gartnerが2026年2月に発表したレポートでも「2028年までに、セキュリティインシデント対応の半数がAIアプリケーション起因になる」と予測している（Gartner予測の詳細記事）。ガバナンスなきAI導入は、セキュリティリスクの温床になりうる。「便利だから」だけでAIツールを野放しにしている企業は、近い将来そのツケを払うことになるだろう。

中小企業にはどう関係するか

Snowflakeを使っているのは大企業が中心だ。では中小企業にはこの話は無関係か？ そんなことはない。

中小企業が学ぶべきは「プラットフォームを導入しろ」ということではなく、「データ→分析→実行を一貫して管理する仕組みを作れ」ということだ。

例えばこんなアプローチがある。

• Google Workspace + Gemini for Workspace：メール、ドキュメント、スプレッドシートのデータを、Geminiが横断的に分析・要約。小規模企業にとっての「ミニSnowWork」になりうる
• Notion AI + 社内ナレッジベース：業務マニュアル、議事録、FAQをNotionに集約し、AIで検索・活用
• kintone + ChatGPT API連携：日本の中小企業に普及しているkintoneのデータをAPIでChatGPTに接続し、レポート自動生成

規模は違えど、「データを1箇所に集め」「AIで活用し」「権限管理する」という原則は同じだ。エンタープライズ向けの数十万円/月のプラットフォームを入れなくても、この原則に沿った設計は月数千円のツール構成でも実現できる。

重要なのは「まず全データを1つのツールに集約する」という意思決定だ。SlackとTeamsが混在し、Google DriveとSharePointが併存し、経理はExcelで営業はSalesforceを使っている——この状態でAIだけ導入しても、断片的な回答しか返ってこない。SnowWorkの設計思想を中小企業向けに翻訳すると、「ツールの数を減らしてデータの流れを統一する」という極めてシンプルな結論になる。

2026年3月、エンタープライズAIの勢力図が動いている

SnowWork以外にも、この数週間でエンタープライズAI市場に大きな動きが相次いでいる。

• Microsoft Copilot Coworkがリリースされ、「AIコワーカー」というカテゴリが本格的に立ち上がった。AIが単なるツールではなく「同僚」として振る舞う世界が実装段階に入っている
• Googleが「マルチエンタープライズAIエージェント」を準備中と報じられている。1社内の自動化から、企業間をまたぐエージェント連携への進化。これにはセキュリティプロトコルの標準化が不可欠で、実現はまだ先だろうが方向性は明確だ
• Anthropicがエンタープライズマーケットプレイスを開設。Claude上で動くサードパーティ製ツールのエコシステムが形成されつつある。AppleのApp Storeモデルに近い
• IBM×Confluent買収が完了。リアルタイムデータストリーミングをAI基盤に統合する動きで、IBM×Confluent記事で詳しく解説した通りだ

共通するのは、AIが「ツール」から「プラットフォーム」に変わりつつあるという方向性だ。個別のAI機能を売るのではなく、企業のデータとワークフロー全体にAIを組み込む——その覇権争いが2026年の主戦場になる。

よくある誤解を整理しておく

この手の調査レポートが出ると、毎回同じような誤解が広がる。先に潰しておこう。

誤解1：「92%がROI達成」＝ 全企業が成功している

違う。これはあくまで「早期導入企業（アーリーアダプター）」の数字だ。そもそもGenAIに積極的に投資している企業群の自己評価であり、まだAIに手を出していない企業は含まれていない。全企業を母数にすれば、この数字は大幅に下がるだろう。

誤解2：「95%が失敗」＝ AIは使えない

これも単純化しすぎだ。MITの調査が指摘しているのは「P&Lレベルのインパクトが測定できていない」ことであって、「AIがまったく役に立っていない」ではない。現場レベルでは効果が出ている。問題は、その効果を経営指標に接続する仕組みがないことだ。

誤解3：「データ基盤を整えてからAIを導入すべき」

理想論としては正しいが、現実的ではない。データ基盤の整備は数年がかりのプロジェクトだ。待っている間に競合はAIを活用し始める。正解は「小さく始めて、並行してデータ基盤を整える」だ。1つの部門、1つのユースケースでAIを動かしながら、データの整理も同時進行させる。完璧を待つ企業は、永遠に始められない。

誤解4：「SnowWorkのような製品を入れれば解決する」

ツールは問題解決の一部でしかない。SnowWorkを入れても、データの品質が低ければアウトプットの品質は低い。ツール導入の前に、まず「どのデータを、どの品質で、誰が管理するか」を決めること。ここが決まっていないまま新ツールを導入しても、シャドーAIが増えるだけだ。

この先の見通し

筆者としてまだ判断がつかない部分がある。SnowWorkのようなプラットフォームが「データの壁」を構造的に解決するのか、それとも特定ベンダーへのロックインを強化するだけなのか。リサーチプレビュー段階では実際の導入効果データが出ておらず、「期待値」と「実績」の間にはギャップがある。

ただし、確実に言えることが2つある。

1つ目は、「AIモデルの性能」だけでは差別化できない時代に入ったこと。GPT-5もClaudeもGeminiも性能は十分に高い。差がつくのは、自社データをいかに効率よくAIに食わせられるか——つまりデータ基盤の質だ。

2つ目は、「効果測定」が次のAI投資の資金源になること。「なんとなく便利」のままでは予算が付かない。定量的にROIを示せた企業だけが、次のフェーズの投資を勝ち取れる。Snowflake調査でインドが突出しているのは、まさにこの「測定→投資→成果→再投資」のサイクルが回っているからだ。

日本企業にとっての次の一手は、大きなAI戦略を描くことではない。まず1つの業務で「Before → After」の数字を取ることだ。その小さなデータが、社内のAI投資を動かすエンジンになる。

3ヶ月後に判断できるチェックリスト

最後に、この記事を読んだ後に使える簡易チェックリストを置いておく。3ヶ月後にこのリストを見返して、進捗を確認してほしい。

• □ 自社の「AI-readyデータ比率」を概算したか（全データのうちAPIアクセス可能＋品質管理済みの割合）
• □ シャドーAIの利用実態を可視化したか（匿名アンケートでもいい）
• □ 少なくとも1つの業務でAI導入のKPIを設定したか
• □ そのKPIの Before（導入前）の数字を記録したか
• □ AI利用ガイドライン（ホワイトリスト＋データ分類ルール）を策定・共有したか
• □ データカタログの整備に着手したか（完了していなくてもいい。着手が重要）

6つ全部にチェックが入っている必要はない。3つ以上チェックできていれば、「92%のROI達成企業」の側にいる可能性が高い。1つもチェックがなければ、「95%の失敗企業」に向かっている。数字は残酷だが、裏を返せば方向性が明確だということだ。

参考・出典

• Snowflake Research Reveals AI-Driven Job Creation Outpaces Job Loss — Snowflake プレスリリース（参照日: 2026-03-19）
• Snowflake Launches Project SnowWork — Snowflake プレスリリース（参照日: 2026-03-19）
• The ROI of GenAI and Agents Report — Snowflake×Omdia（参照日: 2026-03-19）
• The Agentic Enterprise Control Plane — Snowflake Blog（参照日: 2026-03-19）
• MIT Finds 95% Of GenAI Pilots Fail Because Companies Avoid Friction — Forbes（参照日: 2026-03-19）
• Snowflake previews Project SnowWork to automate workflows with AI agents — SiliconANGLE（参照日: 2026-03-19）

この記事はUravation編集部がお届けしました。

ご質問・ご相談は お問い合わせフォーム からお気軽にどうぞ。

関連記事: DeepSeek V3・V4完全ガイド｜性能・料金・日本企業活用法