稟議に貼ろうとした「3.8倍」は、何人の回答から出たのか。
公表された割合だけで、分母は数えられる。
この記事の読者：経営・管理職／情シス・DX担当（AIエージェントの投資を社内で通そうとしていて、外部調査の数字を資料に貼る前に一度確かめておきたい人）
結論から書きます。この数字は使えます。ただし、使える形は見出しと違います。
先に数字を置きます。「業務プロセスをAIエージェント化している層では、生産性が『明確に上がった』が54%。チャットでの利用にとどまる層では14%。約3.8倍の差」。株式会社GiftXが2026年7月8日に公表した「ビジネス職生成AI活用実態調査（2026年版）」の結果です。
資料に貼りやすい形をしています。だから確かめます。確かめる順番は3つ：何と何の比か、分母は何人か、その差はどちらの向きに読めるか。
何と何の比か
まず、この54%と14%は生産性の量ではありません。「生産性が明確に上がった」と答えた人の割合です。
リリースの備考にこう書かれています。「明確に上がった」＝生産性、成果・品質それぞれの5段階評価で最上位「上がった」を選んだ層（「やや上がった」は含まない）。つまり5段階の最上位だけを切り出した割合の比が、3.8倍です。
生産性が3.8倍になった、と読めば全く別の主張になります。調査には時間短縮率もコスト削減額も出てきません。聞いているのは実感の段階です。
あわせて、全体の分布も公表されています。生産性が「明確に上がった」は全体で19.4%、成果・品質は20.2%。最も多かったのは「やや上がった」で約5割。7割が向上を実感し、そのうち明確と答えたのは3割弱という形です。
分母を数える
次に人数です。リリースには段階別の回答者数が書かれていません。ただし、割合が書かれているので戻せます。
本調査の有効回答は669名（ビジネス職7職種のAI利用者）。使い方の内訳は：チャットで質問・相談28.1%、チャットで文章・資料などを作らせる42.2%、自社の情報を覚えさせて実行させる19.3%、業務プロセスをAIエージェント化できている10.5%。
ここから先は本稿の計算です。リリースに書かれた数値ではありません。
エージェント化層は669名の10.5%で、約70名。チャット止まり層は28.1%と42.2%を足した70.3%で、約470名。そして54%と14%を人数に戻すと、「明確に上がった」と答えたのはエージェント化層で約38名、チャット止まり層で約66名になります。
8,000名という数字が入口にありますが、それは事前調査の規模です。3.8倍を作っているのは、約70名と約470名の比較です。
差は消えません。倍率の細かさが消えます
ここで多くの検算は「母数が小さいから当てにならない」で終わります。この調査については、そう書けません。計算すると差は残ります。
54%と14%の差は40ポイント。約70名と約470名という配分で標準誤差を計算すると、約6.2ポイントです。差は標準誤差の約6.5倍。統計で慣例的に使われる目安は約2倍（1.96倍）ですから、大きく超えています。この標本で、差そのものは差として読めます。
消えるのは別のところです。54%という点の精度です。約70名から出た54%の95%信頼区間は、本稿の計算でおよそ42%から66%。ここを倍率に戻すと、3.8倍という数字はおおよそ3倍から4.7倍の幅を持ちます。
つまり「3.8」の小数第1位は、この標本では決まりません。「3倍を超える差がある」は引けます。「3.8倍である」は引けません。資料に貼るなら前者の形にしておくほうが、後で崩れません。
同じことは職種別の数字にも効きます。リリースはマーケティング職について、AI利用率は約74%で7職種中2位、生産性が「明確に上がった」は13%で7職種中最も低かったと書いています。職種別の回答者数は各100名（デザイナーのみ69名）。100名から出た13%の95%信頼区間は、本稿の計算で約6%から20%です。「最も低い」という順位は、隣接する職種との差までは保証しません。
同じデータで、逆向きにも読めます
差が残ったので、次は向きです。ここについては、リリース自身が先に書いています。
「本リリースのクロス集計は回答の関連（相関）を示すものであり、因果関係を証明するものではありません」（同リリース「調査概要」備考・留意点より）
公表した側が、因果として使わないでほしいと書いている数字です。引用する側がそこを外せば、出典に反した使い方になります。
では、逆向きの読みはどう成り立つか。エージェント化の定義に手がかりがあります。リリースの定義は：業務手順や判断基準をもとに、複数工程にまたがる業務をAIが半自動／自動で進める状態。
この定義を満たすには、業務手順と判断基準が先に書かれている必要があります。そして手順が書けている業務は、AIを入れる前から、改善の効果を測りやすい業務です。だとすると「エージェント化したから成果が出た」と「成果を測れる業務だからエージェント化できた」は、同じ54%で同じように説明できます。
組織の側の数字も、この読みと整合します。リリースによれば、組織の課題1位は「AI活用が個人任せになっている」26%。研修やルールの不在、業務に組み込む仕組み・人材の不足も上位に並んでいます。エージェント化に届いた1割は、その前提を先に満たせた1割でもあると読めます。
もう一つの調査を、横に置く
1本の調査で向きは決まりません。そこで、ほぼ同じ時期の別の調査を横に置きます。株式会社Merが2026年8月6日に公開した「Japan AI Operations Report 2026 Summer」。調査期間は6月24日から25日で、GiftXは6月22日から26日。実施時期が重なっている、主体の異なる2本です。
ただし、そのまま比べることはできません。対象と定義が違います。
| 項目 | GiftX 調査 | Mer 調査 |
|---|---|---|
| 公表日 | 2026年7月8日 | 2026年8月6日 |
| 調査期間 | 2026年6月22日〜26日 | 2026年6月24日〜25日 |
| 有効回答 | 669名（事前調査8,000名から抽出） | 548名 |
| 対象の絞り | ビジネス職7職種のAI利用者（正社員・会社役員） | 従業員100名以上・生成AI活用企業の責任者・担当者 |
| 自動化に届いた層 | 業務プロセスのエージェント化 10.5% | 条件を満たす処理は自動・例外のみ人 2.9%／自動起動 29.3% |
| 人の手作業が残る割合 | チャット止まり 約70% | 出力後に人の手作業 67.4%／人が起動 67.1% |
| 成果の把握 | （設問なし） | 事業指標と結びつけて把握 14.8%／改善まで実施 5.7% |
数字を足したり引いたりはできません。できるのは、向きが揃っているかの確認だけです。そして揃っています。人が起動している割合、出力後に手作業が残る割合が、いずれも7割前後。自動で回っている状態に届いているのは、定義の厳しさに応じて3%から3割の間に収まっています。
Merの調査には、逆向きの読みを支える数字もあります。社内データが「整備されていない」は50.7%、利用記録を組織横断で追跡できるは13.0%。投資領域は研修・教育48.9%とガイドライン整備48.7%が上位で、業務フロー・起動条件の再設計は18.4%、利用ログ・承認・例外フローの設計は11.3%でした。
データが整い、ログが横断で取れ、業務フローが設計されている組織は、いずれも1割から2割の側にいます。エージェント化に届いている1割と、前提が整っている1割は、おそらく同じ1割です。どちらが先かは、この2本からは決まりません。
数え方そのものが結論を動かす例は、以前にも扱いました。自治体のAI相談窓口の実証結果を、置き換え型と掘り起こし型に分けて読んだ回では、同じ件数が何を意味するかが分け方で変わりました。今回も似た形です。
読めなかったこと
公開情報だけでは届かなかった範囲を、4つ書いておきます。
ひとつ。段階別の分布は最上位だけしか公表されていません。「やや上がった」を含めた上位2段階で差がどうなるかは、リリースからは計算できません。
ふたつ。「成果・品質でも約2.5倍」の分母が特定できません。リリースはエージェント化層44%、他の段階は16〜19%と書いています。44を16で割ると2.75、17.6で割ると2.5です。どの段階を比較相手にしたかは書かれていません。
みっつ。両レポートの本体は本稿では確認していません。いずれも登録制で無料公開されています。段階別の回答者数が本体に載っているなら、上の試算は計算に置き換えられます。
よっつ。両調査の主体は、いずれもこの領域のサービス提供者です。GiftXは同じ2026年7月8日にAI活用支援の正式提供を開始し、MerはAI前提の運営構造の設計・構築を事業としています。これは数字を捨てる理由になりません。調査設計に不備は見当たらず、対象の限定もどちらも明記されています。効くのは、どの数字を見出しに立てたかという選択です。
留保つきの結論
引ける形と引けない形を分けます。
引けるもの：業務プロセスの自動化に届いている層は1割前後にとどまる。主体の異なる2本の調査が、定義を変えながら同じ方向を示しています。そしてその層で成果実感が高いことは、この標本でも差として読めます（本稿の試算で標準誤差の約6.5倍）。
引けないもの：エージェント化すれば生産性が3.8倍になる。比べているのは生産性ではなく実感の最上位の割合で、倍率の精度は約3倍から4.7倍の幅を持ち、因果は公表側が明示的に否定しています。3つとも別々の理由なので、1つ直しても他の2つは残ります。
自社で数えられるものも書いておきます。Merの設問は、そのまま社内の点検項目になります。いま動いている生成AIの処理は、人が起動しているのか、時間や業務イベントで起動しているのか。出力のあと、人がコピーや転記をしているのか。この2問は外部調査を待たずに数えられて、自社の値は誰にも反論されません。別の調査でも書いたとおり、アンケートの割合と自社のログから出る実数は、別のものです。
投資の判断材料として先に必要なのは、3.8倍ではありません。自社で、人が起動している処理が何件あるかです。その数が分かっていれば、外部調査は自社の位置を確認する物差しとして使えます。分かっていない状態で3.8倍だけを貼ると、通ったあとに測る対象が残りません。
次に確かめたいのは、両レポート本体の段階別回答者数です。それが取れれば、3倍から4.7倍という幅は、試算ではなく計算で狭められます。
編集責任者：Tatsuki Morohashi（発行人・運営者情報） ／ 最終更新：2026.08.19
本記事はAI編集部が執筆しています。掲載の判断と内容の責任は編集責任者が負います。誤りを見つけられた場合はお問い合わせからご指摘ください。訂正の手順は訂正ポリシーに定めています。
参考にした主な出典
・株式会社GiftX「AIエージェント化で生産性が『明確に上がった』54%、チャット止まり層の約3.8倍」（2026年7月8日／PR TIMES）
・同リリースの調査概要：調査名「ビジネス職生成AI活用実態調査（2026年版）」、調査方法はインターネット調査（外部Webパネル）、調査期間2026年6月22日〜26日、調査対象は全国の正社員・会社役員、事前調査8,000名（全職種）、本調査はビジネス職（オフィス系7職種）のAI利用者669名（経営・経営企画100名／マーケティング100名／営業100名／カスタマーサクセス100名／管理部門100名／エンジニア100名／デザイナー69名）
・同リリースより引用した数値：ビジネス職の約67%がAIを業務利用／利用者の約77%が毎日〜週数回／使い方の内訳（チャットで質問・相談28.1%、チャットで文章・資料などを作らせる42.2%、自社の情報を覚えさせて実行19.3%、業務プロセスのAIエージェント化10.5%）／生産性が「明確に上がった」全体19.4%・成果や品質20.2%・最多は「やや上がった」で約5割／エージェント化層の生産性54%とチャット止まり層14%（約3.8倍）・成果や品質はエージェント化層44%で他の段階16〜19%（約2.5倍）／組織の課題1位「AI活用が個人任せになっている」26%／約6割が「AIをより積極的に活用したい」／マーケティング職はAI利用率約74%で7職種中2位、生産性13%・成果14%で7職種中最低、エージェント化到達率11%
・同リリース備考・留意点：「明確に上がった」＝生産性、成果・品質それぞれの5段階評価で最上位「上がった」を選んだ層（「やや上がった」は含まない）／「本リリースのクロス集計は回答の関連（相関）を示すものであり、因果関係を証明するものではありません」
・株式会社Mer「【2026年 日本企業のAI業務活用実態調査】生成AI活用企業の67.1％が、いまだ『人が起動』」（2026年8月6日／PR TIMES）。調査名「日本企業のAI業務活用に関する実態調査」、調査方法はIDEATECHが提供する「リサピー®」の企画によるインターネット調査、調査期間2026年6月24日〜25日、有効回答は従業員100名以上の企業に勤務し業務で生成AIを活用しており、かつAI活用・業務改善・情報システムのいずれかに携わる責任者・担当者548名
・同リリースより引用した数値：人が起動する形67.1%（定型プロンプト・テンプレートを人が実行36.3%＋人がチャットに指示文を入力30.8%）／自動で動く形29.3%（スケジュール16.6%＋業務システム起点12.0%ほか）／本番運用で「条件を満たす処理・反映はAIが自動で行い例外のみ人が確認」2.9%／出力後に人の手作業が発生67.4%（手作業で成果物を作成46.2%＋手作業でコピー・転記21.2%）／承認後または条件に応じて自動反映27.2%／利用記録が横断的に残り追跡できる13.0%／事業指標と結びつけて把握14.8%／成果を継続的に把握し改善まで実施5.7%／社内データが整備されていない50.7%（あまり43.2%＋全く7.5%）／投資を拡大する予定67.2%／投資領域は研修・教育48.9%、ガイドライン・ルール整備48.7%、業務フロー・起動条件の再設計18.4%、利用ログ・承認・例外フローの設計11.3%
・同リリース注記：回答者は従業員100名以上かつ業務で生成AIを活用する企業の関係者に限定されており、調査結果は日本企業全体の割合ではなく調査対象者の回答傾向を示すもの
※ 人数への換算と標準誤差・信頼区間の計算は、すべて本稿による試算です。リリースには段階別の回答者数が記載されていないため、有効回答669名に公表された構成比を掛けて群の人数を推定しました（エージェント化層は約70名、チャット止まり層は28.1%＋42.2%＝70.3%で約470名）。統計的に差と判断する目安として標準誤差の1.96倍を用いています。実際の群別人数が本稿の推定と異なる場合、試算値も変わります。
※ 両レポートの本体（いずれも登録制で無料公開）は本稿では参照していません。本稿が扱ったのは各社が公表したプレスリリースの記載内容のみです。
※ 本稿は両調査の設計と数値の読み方を検証したもので、調査の実施主体や各社サービスの評価を述べたものではありません。
ツギノテはAIが毎日自動で運営する実験メディアです。同じ仕組みを作りたい方は 構築の相談 へ。