171%のエージェントAI ROI数値 - データが実際に何を言っているのか

著者: Victor Hoang · 更新日: 2026年4月8日

この数字はおそらく見たことがあるだろう。ベンダーのデッキ、アナリストのサマリー、LinkedInの投稿に登場している。エンタープライズのエージェントAI展開は、平均171%のROIをもたらすという数字だ。米国企業に限れば平均192%だとする版もある。

この数字は捏造ではない。だが、どう読むかが非常に重要であり、営業プレゼンテーションでこれを使っている人の多くは、読者が懐疑的になるべき読み方をしている。

Multimodal.dev によるエンタープライズ調査データの集約によると、171%という数字は、エージェントAIシステムを展開した組織が報告したリターンを表している。見せ方はすっきりしているが、現実はもっと複雑だ。

数字の出所

Multimodal.dev はAI統計の集約サイトであり、一次調査機関ではない。171%という数字は、複数のソースにまたがるエンタープライズ調査から集めたものだ。つまり、エージェントシステムを展開し、自社のリターンを自己申告した組織のデータである。

この情報源の構造は、少なくとも3つの信頼性の問題を生む。

自己申告データは成功に偏る。 エージェントAIを展開して期待外れのリターンだった企業は、エージェントAIのROIに関する調査に参加しにくく、参加しても結果を社内で共有しにくい。171%以上のリターンを報告している母集団は、エンタープライズAI展開全体からの無作為標本ではない。AIについて語る動機のある組織に偏ったサンプルだ。

「平均」は分布を覆い隠す。 Multimodal.dev 自身の解説も、ほとんどの企業にとって典型的な成果は10-15%の生産性向上であり、171%以上は外れ値のグループだと述べている。計算上はこうなる。少数の組織が400-500%のリターンを得て、大多数が20-30%にとどまるなら、平均は簡単に171%に着地し、中央値ははるかに低くなる。あなたが買うのは宝くじではない。予算項目を配分するのであり、その判断では平均よりも中央値の成果のほうが重要だ。

予測と展開後に監査された結果の違い。 解釈によっては、171%という数字は展開後に監査された数値ではなく、予測された、あるいは期待されたリターンを反映している。エージェントAIへの投資を決めた組織は、高いリターンを見込む社内ビジネスケースを作っていたことが多い。その予測が後に実績で裏づけられたかどうかは別の問いであり、調査方法は両者を常に区別しているわけではない。

Deloitte 2026 State of AI 報告書は、24カ国の3,235人のシニアリーダーを調査しており、有用な較正の材料になる。Deloitte によると、回答者の66%がエンタープライズAIによる生産性と効率の向上を報告した一方、その影響を「変革的」と表現したのは25%にとどまった。これは意味のあるギャップだ。3人に2人は改善を実感している。4人に1人は、突出したROIを生むような段階的な飛躍を実感している。両者は同じものではない。

突出したリターンを生むもの

Forrester と Sprinklr の TEI 調査は、より限定的だが誠実な姿を示している。200%超のROIを出すAIプログラムは確かにあるが、それは孤立したツールとしてではなく、「ワークフロー全体にわたってエンドツーエンド」で展開された場合に限られる。展開モデルは、テクノロジーと同じくらい重要だ。

生産性の向上がどう複利的に積み上がるかを考えれば、これは意外ではない。1つのワークフローの1つのタスクを処理するエージェントは、いくらかの時間を節約する。リードの適格化からパイプラインの更新、予測のロールアップまで、ワークフロー全体で接続された複数のタスクを処理するエージェントのエコシステムは、あらゆるステップで摩擦を取り除く。この複利効果こそ、高リターンのグループが生まれる場所だ。

利用可能なデータによると、エージェントAIから変革的なリターンを得ている組織には、いくつかの共通点がある。

• エージェントを展開する前から、基盤となるデータの品質が高かった（ここではゴミを入れればゴミが出るという原則が、他のどこよりも強く当てはまる）
• AIと並行してではなく、AIを中心にプロセスを再設計した（Deloitte によると、これを実践している組織は30%のみ）
• ポイントソリューションではなく、ワークフロー全体にわたって展開した
• 展開前にガバナンスのフレームワークを整えていた（Deloitte の調査で、エージェントのガバナンスが成熟していると答えたリーダーは21%のみ）

自社がこれらの条件の大半を満たしていないなら、171%という平均は期待値の基準にならない。

平均を目標にしてはいけない理由

「平均ROI」を軸にビジネスケースを組むことには、実務上の問題がある。そもそも問う内容が間違っているのだ。

平均には、AIの成熟度が10倍、データの準備度が10倍の組織が含まれている。そこには、今後12カ月では再現できないかもしれない展開モデルも含まれる。自社の出発点を考慮せずに平均と比較するのは、初心者ランナーがマラソンの平均完走タイムを目標に据えるようなものだ。平均は本物だが、それが示すのは、今の自社が属していない母集団である。

より有益な問いはこうだ。データの準備度、ガバナンスの成熟度、AI展開の経験が自社と同じレベルの組織にとって、50パーセンタイルの成果とはどのようなものか。

そして次の問いに進む。その分布の上位半分に近づくには、どの投資が必要か。

この捉え方は具体的な意思決定につながる。ベンチマークという捉え方は、実装に直面すると持ちこたえられない楽観論につながる。

エージェントを本番稼働させる前にガバナンスの成熟度として実際に何が必要かについては、AIエージェントのためのRevOpsガバナンスチェックリストが運用面の詳細を扱っている。Deloitte のデータによると、「エージェントがある」状態と「ガバナンスの枠組みの中でエージェントが稼働している」状態のあいだのギャップこそ、現在ほとんどの組織が価値を失っている場所だ。

期待ROIを推定する4段階フレームワーク

見出しの数字と比較する代わりに、実際に何を期待すべきかをより現実的に考える方法を示す。

ステップ1：データ品質のベースラインを監査する。 エージェントシステムの信頼性は、消費するデータの質で決まる。収益ワークフローにおけるAIエージェントのROIを予測する前に、正直な評価を行うこと。CRMレコードのうち、完全で最新のデータを持つものは何パーセントか。AIが関与する前の今日の時点で、予測精度はどの程度か。データ品質が低ければ、どのプラットフォームを導入しても、AI ROIの上限も低くなる。

ステップ2：エンドツーエンドの展開候補を特定する。 高リターンの展開は、孤立したタスクではなくワークフロー全体で起こる。収益部門や運用部門のワークフローを2、3本エンドツーエンドでマッピングし、複数のステップで摩擦を取り除ける箇所を見極める。リードの適格化、初回のアウトリーチ、パイプラインの更新、予測への入力にまたがるワークフローは、それぞれ1つのステップだけを担う3つのポイントソリューションよりも価値が高い。

ステップ3：現実的な生産性のベースラインを算出する。 Multimodal.dev がほとんどの企業にとって典型的だとする10-15%の生産性向上は、最初の展開における妥当な出発点の仮定だ。最もレバレッジの高いワークフローで10%の生産性向上が、金額、人員キャパシティ、サイクルタイムでいくらの価値になるかをモデル化する。それが保守的なケースであり、171%という見出しの数字ではない。

ステップ4：上位四分位への道筋を定義する。 変革的なリターンを達成している組織には、特定できる共通点がある。エンドツーエンドの展開、プロセスの再設計、データ品質への投資、ガバナンスの成熟だ。現状とこれらの特性とのあいだにあるギャップごとに、コストと期間を割り当てる。ギャップを埋められるなら、埋めた場合のROIをモデル化する。対象の期間内に埋められないなら、上位四分位の成果はまだ手の届くものではない。ビジネスケースにも、その事実を正直に反映させるべきだ。

このフレームワークは、171%ほどすっきりした数字は出さない。だが、取締役会に対して根拠を示して説明でき、チームとともに行動に移せる数字が得られる。

今週やるべきこと

171%というROIの数字は、これからも出回り続ける。ベンダーは使い続け、取締役はそれについて尋ね続けるだろう。CEOの仕事は、機会を否定もせず、自社が期待すべき水準を誇張もしない、根拠のある回答を用意することだ。

今週：

• 171%という数字を引用したAI投資の提案書やビジネスケースが手元にあるなら、発表したチームに尋ねる。現在のデータ品質スコアはいくつか、このROI予測の方法論は何か。答えから多くのことがわかる。
• Deloitte 2026 State of AI 報告書のサマリー（一般公開されている）を入手する。「変革的な影響」が25%という調査結果は、同業他社が現在どこにいるかを示す、最も誠実な単一のデータポイントだ。
• Head of Operations や RevOps に尋ねる。AI関連のプロセスのうち、AIを中心に実際に再設計されたものは何パーセントで、単にAIで補強されただけのものは何パーセントか。Deloitte のデータでは、これが「変革的」な陣営にいるのか、「ある程度の生産性向上」の陣営にいるのかを分ける最大の予測因子だとされている。
• 最初のエージェント展開では、事業全体で171%ではなく、特定の測定可能なワークフローで15-25%の効率改善を目標にするという社内の期待値を設定する。その目標を達成し、ガバナンスの筋力を鍛えてから、拡大する。

エージェントAIのROIに関するデータは本物だ。問題は、それが自社の状況を表しているのか、他社の状況を表しているのかである。今のところ、ほとんどの企業にとっては他社の状況だ。目標は、それを変えることにある。平均が当てはまると思い込むのではなく、意図的に変えるのだ。

Learn More

• CEOの86%がAI予算を増やしている：ガバナンスギャップ：実際にROIを上げている企業が、なぜガバナンス基盤も整えているのか
• AI導入ROIの測定：取締役会が実際に評価できる、正直なビジネスケースを作るためのフレームワーク
• AI Readiness Assessment テンプレート：ROIの上限を決める、データ品質とプロセスの準備度を評価する
• AIアップスキリングを先送りする隠れたコスト：なぜ何もしないことのROIが、失敗した展開のROIより高くなることが多いのか

一次情報源：Multimodal.dev: Agentic AI Statistics。補足データ：Deloitte 2026 State of AI。