ChatGPT ProとPlusの違いは？4つの検証でわかった「差が出る作業・出ない作業」

## 1. 検証結果

2027年上半期の収支計画を確認した結果、**誤りは合計7箇所**ありました。

特に注意すべき点は、4月の売上と6月の営業利益です。これらは一見すると矛盾しているように見えますが、計算自体は正しく、関連する別の項目を修正する必要があります。

### 誤りの一覧

| 月 | 項目 | 元の値 | 正しい値 | 誤りの理由 |
|---|---|---:|---:|---|
| 4月 | 客単価 | 1,500 | **1,650** | 4月から10%値上げ |
| 4月 | 人件費 | 1,000,000 | **1,250,000** | 4月から25万円増員 |
| 4月 | 営業利益 | 1,425,500 | **1,175,500** | 人件費の修正に伴う変更 |
| 5月 | 営業利益 | 1,160,000 | **1,060,000** | 引き算の計算ミス |
| 6月 | 原価 | 1,328,250 | **1,138,500** | 原価率30%ではなく35%で計算されている |
| 6月 | 営業利益 | 1,216,750 | **1,406,500** | 原価の修正に伴う変更 |
| 合計 | 客数 | 12,400 | **12,400** | 正しいため修正不要 |

**訂正：実際の誤りは6箇所です。** 合計客数は正しく、誤りには含めません。

なお、4月の売上3,465,000円と原価1,039,500円は正しい値です。また、6月の営業利益1,216,750円も、元の表に記載された数値同士の引き算としては正しいものの、原価が間違っているため修正が必要です。

## 2. 修正後の収支計画

**太字は修正した数値です。**

| 月 | 客数 | 客単価 | 売上 | 原価 | 人件費 | 営業利益 |
|---|---:|---:|---:|---:|---:|---:|
| 1月 | 2,000 | 1,500 | 3,000,000 | 900,000 | 1,000,000 | 1,100,000 |
| 2月 | 1,800 | 1,500 | 2,700,000 | 810,000 | 1,000,000 | 890,000 |
| 3月 | 2,200 | 1,500 | 3,300,000 | 990,000 | 1,000,000 | 1,310,000 |
| 4月 | 2,100 | **1,650** | 3,465,000 | 1,039,500 | **1,250,000** | **1,175,500** |
| 5月 | 2,000 | 1,650 | 3,300,000 | 990,000 | 1,250,000 | **1,060,000** |
| 6月 | 2,300 | 1,650 | 3,795,000 | **1,138,500** | 1,250,000 | **1,406,500** |
| **合計** | **12,400** | — | **19,560,000** | **5,868,000** | **6,750,000** | **6,942,000** |

※合計行の原価・人件費・営業利益は、元の表では記載がなかったため、新たに算出しています。

## 3. 各誤りの計算根拠

**① 4月の客単価**

1,500 × 1.10 ＝ **1,650円**

4月の売上は2,100 × 1,650 ＝ 3,465,000円なので、元の売上は正しいです。

**② 4月の人件費**

1,000,000 ＋ 250,000 ＝ **1,250,000円**

**③ 4月の営業利益**

3,465,000 − 1,039,500 − 1,250,000 ＝ **1,175,500円**

**④ 5月の営業利益**

3,300,000 − 990,000 − 1,250,000 ＝ **1,060,000円**

**⑤ 6月の原価**

3,795,000 × 0.30 ＝ **1,138,500円**

元の1,328,250円は売上の35%に相当しており、原価率30%という前提に反しています。

**⑥ 6月の営業利益**

3,795,000 − 1,138,500 − 1,250,000 ＝ **1,406,500円**

## 4. 最終確認

修正後の合計値を検算します。

| 検証項目 | 計算結果 | 判定 |
|---|---:|---|
| 客数合計 | 12,400人 | 正しい |
| 売上合計 | 19,560,000円 | 正しい |
| 原価合計 | 19,560,000 × 30% ＝ 5,868,000円 | 正しい |
| 人件費合計 | 1,000,000 × 3 ＋ 1,250,000 × 3 ＝ 6,750,000円 | 正しい |
| 営業利益合計 | 19,560,000 − 5,868,000 − 6,750,000 ＝ 6,942,000円 | 正しい |

### 結論

- **誤り：6箇所**（4月3箇所、5月1箇所、6月2箇所）
- **売上合計：19,560,000円（元の値で正しい）**
- **客数合計：12,400人（元の値で正しい）**
- **修正後の営業利益合計：6,942,000円**
- **上半期の営業利益率：約35.49%**

以上の修正により、すべての数値が提示された前提条件と整合します。

**修正が必要なのは6か所です。** なお、**4月の売上・原価、客数合計12,400人、売上合計19,560,000円は正しく、修正不要です。**

## 1. 誤りと正しい値

金額はすべて円です。

| 月 | 項目 | 記載値 | 正しい値 | 理由・計算根拠 |
|---|---|---:|---:|---|
| 4月 | 客単価 | 1,500 | **1,650** | 4月から10％値上げするため、1,500 × 1.10 ＝ 1,650。 |
| 4月 | 人件費 | 1,000,000 | **1,250,000** | 4月から月250,000円増えるため、1,000,000 ＋ 250,000 ＝ 1,250,000。 |
| 4月 | 営業利益 | 1,425,500 | **1,175,500** | 増員後の人件費を反映すると、3,465,000 − 1,039,500 − 1,250,000 ＝ 1,175,500。 |
| 5月 | 営業利益 | 1,160,000 | **1,060,000** | 3,300,000 − 990,000 − 1,250,000 ＝ 1,060,000。記載値は100,000円過大。 |
| 6月 | 原価 | 1,328,250 | **1,138,500** | 売上の30％なので、3,795,000 × 0.30 ＝ 1,138,500。記載値は売上の35％に相当。 |
| 6月 | 営業利益 | 1,216,750 | **1,406,500** | 原価を修正すると、3,795,000 − 1,138,500 − 1,250,000 ＝ 1,406,500。 |

**4月・6月の営業利益は、記載されている売上・原価・人件費を使った引き算自体は正しいです。** ただし、4月は人件費、6月は原価が前提に合っていないため、それに伴って営業利益も修正が必要です。一方、5月の営業利益は、記載された数値同士の引き算に誤りがあります。

また、4月の売上3,465,000円は、**値上げ後の客単価1,650円 × 客数2,100人**で正しく計算されています。売上を3,150,000円に変更するのではなく、客単価の表示を1,650円に直すのが正しい対応です。原価1,039,500円も、3,465,000円の30％で正しい値です。

## 2. 修正後の収支計画

太字が修正箇所です。合計行の「原価・人件費・営業利益」は、誤りの修正ではなく、未記載だった値の補完です。客数は人、金額は円です。

| 月 | 客数 | 客単価 | 売上 | 原価 | 人件費 | 営業利益 |
|---|---:|---:|---:|---:|---:|---:|
| 1月 | 2,000 | 1,500 | 3,000,000 | 900,000 | 1,000,000 | 1,100,000 |
| 2月 | 1,800 | 1,500 | 2,700,000 | 810,000 | 1,000,000 | 890,000 |
| 3月 | 2,200 | 1,500 | 3,300,000 | 990,000 | 1,000,000 | 1,310,000 |
| 4月 | 2,100 | **1,650** | 3,465,000 | 1,039,500 | **1,250,000** | **1,175,500** |
| 5月 | 2,000 | 1,650 | 3,300,000 | 990,000 | 1,250,000 | **1,060,000** |
| 6月 | 2,300 | 1,650 | 3,795,000 | **1,138,500** | 1,250,000 | **1,406,500** |
| 合計 | 12,400 | — | 19,560,000 | 5,868,000 | 6,750,000 | 6,942,000 |

1〜3月の数値には誤りがありません。修正後の上半期営業利益は、**19,560,000 − 5,868,000 − 6,750,000 ＝ 6,942,000円**です。

## 誤りの一覧（4月・5月・6月に計5箇所）

| # | 月 | 項目 | 表の値 | 正しい値 | 理由 |
|---|---|---|---|---|---|
| 1 | 4月 | 客単価 | 1,500 | **1,650** | 値上げは4月から。売上3,465,000円は2,100人×1,650円で計算済みなので、この客単価とも合いません |
| 2 | 4月 | 人件費 | 1,000,000 | **1,250,000** | 増員は4月から（月25万円増） |
| 3 | 4月 | 営業利益 | 1,425,500 | **1,175,500** | 3,465,000－1,039,500－1,250,000。#2の誤りがここに波及しています |
| 4 | 5月 | 営業利益 | 1,160,000 | **1,060,000** | 3,300,000－990,000－1,250,000。単純な計算ミスです（10万円多い） |
| 5 | 6月 | 原価 | 1,328,250 | **1,138,500** | 3,795,000×30%。表の値は35%で計算されています |
| 6 | 6月 | 営業利益 | 1,216,750 | **1,406,500** | 3,795,000－1,138,500－1,250,000。#5の誤りがここに波及しています |

※#3と#6は、元になる値の誤りが波及したものです。表の中の引き算自体は合っています。

## 誤りがない箇所
- 1〜3月の行はすべて正しいです（売上・原価30%・人件費100万・営業利益）
- 4月の売上3,465,000と原価1,039,500は正しいです
- 5月の客数・客単価・売上・原価・人件費は正しいです
- 6月の売上3,795,000と人件費1,250,000は正しいです
- 合計の客数12,400と売上19,560,000は正しいです
- 値上げ幅（1,500→1,650＝10%）は前提どおりです

## 修正後の表
| 月 | 客数 | 客単価 | 売上 | 原価 | 人件費 | 営業利益 |
|---|---|---|---|---|---|---|
| 1月 | 2,000 | 1,500 | 3,000,000 | 900,000 | 1,000,000 | 1,100,000 |
| 2月 | 1,800 | 1,500 | 2,700,000 | 810,000 | 1,000,000 | 890,000 |
| 3月 | 2,200 | 1,500 | 3,300,000 | 990,000 | 1,000,000 | 1,310,000 |
| 4月 | 2,100 | **1,650** | 3,465,000 | 1,039,500 | **1,250,000** | **1,175,500** |
| 5月 | 2,000 | 1,650 | 3,300,000 | 990,000 | 1,250,000 | **1,060,000** |
| 6月 | 2,300 | 1,650 | 3,795,000 | **1,138,500** | 1,250,000 | **1,406,500** |
| 合計 | 12,400 | - | 19,560,000 | 5,868,000 | 6,750,000 | 6,942,000 |

元の表では原価・人件費・営業利益の合計が「-」になっていました。誤りではありませんが、参考として合計を入れています。営業利益の合計は、19,560,000－5,868,000－6,750,000＝6,942,000で検算でき、合っています。

# 国内中小企業における生成AIの導入状況と導入障壁
**調査基準日：2026年10月16日**

## 要旨

**国内中小企業の生成AI活用は拡大していますが、「業務で使うこと」と「会社として導入・管理すること」の間には隔たりがあります。** 2026年公表の一次調査では、生成AIを業務で活用する中小企業は32.4％、会社または部門として活用を推進する中小企業は32.3％でした。一方、会社主導によるシステム・パッケージ等の導入を尋ねた別の調査では16.3％です。調査対象と定義が異なるため、これらを一つの「全国導入率」に統合することは適切ではありません。[株式会社 帝国データバンク\[TDB\]](https://www.tdb.co.jp/resource/images/assets/d4b8e8ee91d1489c9a2abd23a4bb5219/f9fcd987766449eca8645675d0ebeb67/20260514-genai-f01.png)

導入・活用の障壁として繰り返し挙がるのは、**自社業務への適用方法が分からないこと、推進人材・ノウハウの不足、出力の正確性や情報管理への懸念、費用・効果を判断しにくいこと**です。「ツールを購入すれば解決する問題」というより、対象業務の選定から教育、運用ルール、効果検証までを整える問題として捉える必要があります。ただし、以下の理由は主に企業の自己申告であり、それぞれが導入率をどの程度低下させているかという因果効果を示すものではありません。[株式会社 帝国データバンク\[TDB\]](https://www.tdb.co.jp/resource/images/assets/d4b8e8ee91d1489c9a2abd23a4bb5219/83b8ed01c1df45029f0c0d61c73dd64f/20260514-genai-f05.png)

## 1．生成AIはどの程度導入されているか

### 1-1．生成AIを直接対象とした主要調査

| 調査主体・調査時点 | 調査対象・回答数 | 中小企業について確認できた結果 |
|---|---|---|
| **商工中金：2026年1月調査** | 取引先中小企業を対象。有効回答3,892社。基準日は2026年1月1日、回答期間は2025年12月19日～2026年1月16日 | **会社主導で導入：16.3％**。会社導入に加え、個人契約・登録による業務利用を会社が推奨する企業まで含めた「積極活用層」は**31.1％**。[株式会社商工組合中央金庫](https://www.shokochukin.co.jp/report/data/assets/pdf/futai202603.pdf) |
| **東京商工リサーチ：2026年4月調査** | 2026年3月31日～4月7日のインターネット調査。全体6,327社、うち中小企業5,872社 | 会社として活用を推進：**19.1％**、部門によって推進：**13.2％**。両者を合わせた**組織的な活用推進は32.3％**。同調査の中小企業は資本金1億円未満で、個人企業等を含む。[株式会社東京商工リサーチ](https://www.tsr-net.co.jp/data/detail/1202766_1527.html) |
| **帝国データバンク：2026年3月調査** | 2026年3月17日～31日、全国23,349社を対象。有効回答10,312社から規模別に集計 | 生成AIを業務で「非常に活用」「やや活用」と回答した中小企業は**32.4％**。中小企業のうち小規模企業では**28.0％**。会社としてのシステム導入の有無ではなく、活用度の自己評価を測っている。[株式会社 帝国データバンク\[TDB\]](https://www.tdb.co.jp/report/economic/20260514-genai/) |

この表から言えるのは、**異なる調査でも中小企業の業務活用・組織的活用推進が約3割という結果が得られている一方、会社主導の導入を限定的に捉えると、より低い数字になる**ということです。32.3％と32.4％が近くても、同じ母集団を同じ設問で測った結果ではありません。

また、商工中金では、会社による導入も利用推奨もなく、使用を個人の判断に委ねている企業が64.9％でした。これは「64.9％が一切利用していない」という意味ではなく、個人利用があっても会社として関与していない企業を含みます。[株式会社商工組合中央金庫](https://www.shokochukin.co.jp/report/data/assets/pdf/futai202603.pdf)

### 1-2．普及は進んでいるが、大企業との格差が残る

東京商工リサーチの継続調査では、中小企業の組織的な活用推進率は、**2025年8月の23.4％から2026年4月の32.3％へ8.9ポイント上昇**しています。同じ指標で大企業は43.3％から59.1％へ上昇しており、中小企業でも普及は進むものの、大企業ほど組織的な活用が広がっていません。なお、これは各回の回答企業の集計比較であり、同一企業だけを追跡した変化とは限りません。[株式会社東京商工リサーチ](https://www.tsr-net.co.jp/data/detail/1202766_1527.html)

### 1-3．公的資料の「AI導入率」を、生成AI導入率と混同しない

独立行政法人中小企業基盤整備機構の調査では、2025年11～12月時点の中小企業の**AI導入率は20.4％**でした。有効回答は1,668社、AI導入状況の設問は1,647社で集計されています。ただし、対象は生成AIだけでなく、画像認識、音声認識、需要予測などを含む**AI全般**です。[独立行政法人 中小企業基盤整備機構](https://www.smrj.go.jp/research_case/questionnaire/fbrion0000002pjw-att/202603_AI_report.pdf)

同調査の「生成AIを導入している82.6％」という数字も、**AI導入済み企業のうち、そのサービスに関する設問へ回答した322社が分母**です。中小企業全体の82.6％が生成AIを導入しているわけではありません。[独立行政法人 中小企業基盤整備機構](https://www.smrj.go.jp/research_case/questionnaire/fbrion0000002pjw-att/202603_AI_report.pdf)

同様に、IPA「DX動向2026」の58.0％は、大企業も含めた企業の**AI全般の導入・試験利用率**であり、中小企業の生成AI導入率として引用することはできません。[IPA 独立行政法人 情報処理推進機構](https://www.ipa.go.jp/digital/chousa/dx-trend/rcu1hd0000017uk8-att/dx-trend-2026.pdf)

## 2．導入・活用が進まない理由

### 2-1．中小企業が挙げる懸念・課題の全体像

帝国データバンクの2026年3月調査における、**中小企業の回答**は以下のとおりです。全企業の平均ではなく、規模別集計の中小企業欄を使用しています。設問は最大3項目を選ぶ複数回答で、未導入企業だけでなく活用企業も含まれます。[株式会社 帝国データバンク\[TDB\]](https://www.tdb.co.jp/report/economic/20260514-genai/)

| 懸念・課題 | 中小企業の回答率 |
|---|---:|
| 情報の正確性 | **49.7％** |
| 専門人材・ノウハウの不足 | **40.4％** |
| 生成AIを活用すべき業務の範囲 | **39.5％** |
| 情報漏洩のリスク | **32.1％** |
| トラブル時の責任所在などのルール整備 | **25.1％** |
| 著作権・プライバシー保護など法的な規制 | **17.9％** |
| システム導入への資金不足 | **11.7％** |

出典：帝国データバンク「生成AIに関する企業の動向調査（2026年3月）」図表5。[株式会社 帝国データバンク\[TDB\]](https://www.tdb.co.jp/resource/images/assets/d4b8e8ee91d1489c9a2abd23a4bb5219/83b8ed01c1df45029f0c0d61c73dd64f/20260514-genai-f05.png)

この調査では、資金不足よりも、正確性、人材、適用業務、情報管理の課題を選んだ企業が多くなっています。ただし、選択数の上限があるため、選ばれなかった項目について「問題がない」とは解釈できません。

### 2-2．自社のどの業務に使うかを具体化できていない

商工中金の調査では、「積極活用層以外」の企業2,522社のうち、**42.0％が具体的な活用場面を把握できていない**と回答し、29.5％は自社業務になじまないと回答しています。一方、積極活用層では、それぞれ21.5％、6.1％でした。積極活用層以外には個人判断での利用なども含まれるため、「完全未利用企業だけの結果」ではない点には注意が必要です。[株式会社商工組合中央金庫](https://www.shokochukin.co.jp/report/data/assets/pdf/futai202603.pdf)

この差は、導入が進まない背景に、単なるAIの認知不足ではなく、**自社業務と利用方法を結び付ける難しさがある可能性**を示します。ただし、「使い方を知ったから導入した」のか、「導入を試した結果、使い方が分かった」のかは、この比較だけでは区別できません。

したがって、導入支援では「生成AIには何ができるか」という一般的な説明に加え、「どの作業を、どの入力情報で、どの品質まで処理するか」を具体化することが重要と考えられます。

### 2-3．推進する人と、日常業務で使える人の両方が不足している

商工中金では、積極活用層以外の企業の34.3％が、導入を推進する人材の不足を挙げています。また、全体集計では、従業員の知識不足・心理的抵抗という一つの選択肢が29.2％に上りました。この数字から、知識不足と心理的抵抗をそれぞれ独立した割合として読み取ることはできません。[株式会社商工組合中央金庫](https://www.shokochukin.co.jp/report/data/assets/pdf/futai202603.pdf)

中小機構のAI・IT全般に関する調査でも、特定の推進担当者がおらず、経営者や現場従業員が個別に推進している企業は85.9％でした。これは生成AI限定の数字ではありませんが、中小企業の導入体制を理解する補助資料になります。[独立行政法人 中小企業基盤整備機構](https://www.smrj.go.jp/research_case/questionnaire/fbrion0000002pjw-att/202603_AI_report.pdf)

**不足しているのはAIを開発する技術者だけではありません。** IPAも、AIを使ってサービスを提供する人材や、業務の中で使いこなす人材の不足を指摘しています。導入判断をする人、業務に組み込む人、出力を確認する人という役割を、社内でどう分担するかが論点になります。[IPA 独立行政法人 情報処理推進機構](https://www.ipa.go.jp/digital/ai/hr.html)

### 2-4．正確性・情報管理への懸念を解消する運用が整っていない

帝国データバンクでは、中小企業の約半数が情報の正確性を懸念し、約3割が情報漏洩のリスクを挙げています。また、責任所在などのルール整備も課題になっています。**これらは懸念を持つ企業の割合であり、誤情報による損害や情報漏洩が実際に発生した割合ではありません。**[株式会社 帝国データバンク\[TDB\]](https://www.tdb.co.jp/resource/images/assets/d4b8e8ee91d1489c9a2abd23a4bb5219/83b8ed01c1df45029f0c0d61c73dd64f/20260514-genai-f05.png)

調査結果からは、導入の可否だけでなく、入力してよい情報、出力の確認方法、外部に提供する際の承認、問題発生時の責任分担を決める必要性が読み取れます。「安全性が不安だから利用を止める」と「各個人に任せて利用する」の間に、管理された利用方法を設けることが課題と考えられます。

### 2-5．費用負担と、効果を測定しにくいこと

費用を軽視することも適切ではありません。中小機構の**AI全般**の調査では、導入時の高コストを課題に挙げた企業が46.9％で最多でした。社内のAIノウハウ不足42.0％、AI人材不足38.8％が続いています。[独立行政法人 中小企業基盤整備機構](https://www.smrj.go.jp/research_case/questionnaire/fbrion0000002pjw-att/202603_AI_report.pdf)

一方、生成AIを対象とする商工中金の調査では、全体の19.4％が導入に必要な予算や時間の確保、21.3％が効果を測定しにくく成果が見えにくいことを課題として挙げています。「予算や時間」は一つの選択肢であり、純粋な資金不足率ではありません。[株式会社商工組合中央金庫](https://www.shokochukin.co.jp/report/data/assets/pdf/futai202603.pdf)

この結果からは、費用の絶対額だけでなく、**導入・教育・確認に要する負担に見合う成果が得られるか判断しにくいこと**も障壁になっていると考えられます。なお、中小機構と帝国データバンクで費用の順位が異なるのは、AIの対象範囲、回答企業、設問、選択数制限が異なるためであり、単純な矛盾ではありません。

## 3．調査結果をどう解釈すべきか

### 「低い導入率」と「効果がないこと」は別問題

帝国データバンクでは、生成AIを活用している企業の86.7％が、業務への効果を実感しています。ただし、これは**大企業も含む活用企業に限定した自己評価**です。未導入企業も同じ効果を得られることや、投資費用を回収できることを証明する数字ではありません。[株式会社 帝国データバンク\[TDB\]](https://www.tdb.co.jp/report/economic/20260514-genai/)

したがって、「普及が十分でないから有効性が低い」とも、「利用企業の評価が高いから全社に導入すべき」とも言えません。適用する業務と運用条件を個別に検証する必要があります。

### 数字を利用する際の注意点

**第一に、導入・推進・利用を区別する必要があります。** 商工中金は会社による導入と個人利用の推奨を分け、東京商工リサーチは活用の推進主体を尋ね、帝国データバンクは活用度を尋ねています。異なる数字を平均したり、差をそのまま期間中の普及拡大と解釈したりすることはできません。[株式会社商工組合中央金庫](https://www.shokochukin.co.jp/report/data/assets/pdf/futai202603.pdf)

**第二に、調査対象の偏りを考慮する必要があります。** 商工中金は自社取引先を対象とし、東京商工リサーチは資本金による規模区分を採用しています。中小機構の調査は企業情報データベースから無作為抽出していますが、回収率は16.7％で、医療・福祉など一部業種は対象外です。いずれも、そのまま国内の全中小企業を漏れなく測った結果ではありません。[株式会社商工組合中央金庫](https://www.shokochukin.co.jp/report/data/assets/pdf/futai202603.pdf)

**第三に、公表日と調査時点は異なります。** 本レポートは2026年10月16日までに確認できた資料を整理したものであり、掲載した導入率が2026年10月時点の実態を直接示すわけではありません。

## 4．導入促進に向けた示唆

調査結果を踏まえると、支援はツールの提供や操作研修だけで完結させず、次の要素を組み合わせることが妥当です。以下は調査結果に基づく提案であり、この組み合わせの効果を各調査が実証したものではありません。

| 対応すべき課題 | 支援・実行内容 |
|---|---|
| 活用場面が分からない | 業務を棚卸しし、対象作業、入力情報、求める品質を具体化する |
| 推進人材・利用ノウハウが不足 | 担当者と役割を決め、実際の業務を使った試行・教育を行う |
| 正確性・情報管理が不安 | 利用可能な業務・情報、出力確認、承認・責任分担を定める |
| 費用対効果が見えない | 限定した業務で試行し、作業時間だけでなく確認・修正時間や品質も比較する |

公的支援への要望も、費用補助だけに限られません。中小機構の**AI・IT全般**に関する調査では、導入費用の助成を必要とする企業が77.9％、導入・活用事例の情報提供が70.5％、従業員向け教育・研修が67.7％でした。資金面と実務面の支援を併せて求めていることが分かります。[独立行政法人 中小企業基盤整備機構](https://www.smrj.go.jp/research_case/questionnaire/fbrion0000002pjw-att/202603_AI_report.pdf)

**総括すると、中小企業の生成AI導入は「認知から利用へ」は進んでいる一方、「個人の利用から組織としての運用へ」の移行に課題があります。** 導入率を高めること自体を目的とせず、自社に適した業務を選び、安全性と効果を確認できる体制を整えることが、調査結果から導かれる実務上の優先事項です。[株式会社東京商工リサーチ](https://www.tsr-net.co.jp/data/detail/1202766_1527.html)

## 主な一次資料

| 発行主体 | 資料名・公表日 | 主な参照箇所 |
|---|---|---|
| 商工中金 | 『中小企業の生成AIの利用にかかる調査（2026年1月調査）』、2026年3月31日 | 導入状況：資料内2・4ページ、障壁：9～10ページ、調査要領：15～17ページ。[株式会社商工組合中央金庫](https://www.shokochukin.co.jp/report/data/assets/pdf/futai202603.pdf) |
| 東京商工リサーチ | 『2026年4月「生成AI」に関するアンケート調査』、2026年4月27日 | 調査概要、Q1、規模別集計、前回調査との比較。[株式会社東京商工リサーチ](https://www.tsr-net.co.jp/data/detail/1202766_1527.html) |
| 帝国データバンク | 『生成AIに関する企業の動向調査（2026年3月）』、2026年5月14日 | 図表1：活用状況、図表3：効果、図表5：懸念・課題。[株式会社 帝国データバンク\[TDB\]](https://www.tdb.co.jp/report/economic/20260514-genai/) |
| 中小企業基盤整備機構 | 『中小企業のAI等の利活用に係る実態調査』、2026年3月 | 調査設計、図19・30・34・37・44。AI全般・AIとIT共通の設問は、生成AIの設問と区別して使用。[独立行政法人 中小企業基盤整備機構](https://www.smrj.go.jp/research_case/questionnaire/fbrion0000002pjw-att/202603_AI_report.pdf) |
| 情報処理推進機構（IPA） | 『DX動向2026』、2026年7月30日／『AI利活用のための人材育成』 | AI全般と生成AIの集計範囲、人材育成上の論点。[IPA 独立行政法人 情報処理推進機構](https://www.ipa.go.jp/digital/chousa/dx-trend/rcu1hd0000017uk8-att/dx-trend-2026.pdf) |

国内中小企業の生成AI導入率と導入が進まない理由
2026年10月16日
要旨
国内中小企業の生成AI導入率は、2025年度〜2026年春の公的・大手調査でおおむね2〜3割です。「組織として導入・活用している」を基準にすると、中小機構20.4%、東京商工リサーチ32.3%、帝国データバンク32.4%（小規模企業は28.0%）でした。
大企業との差は14〜27ポイントあり、規模が小さいほど低くなります。一方で「方針を決めていない」中小企業は1年で52.4%から38.7%へ減り、差は縮まりつつあります。
導入が進まない最大の理由は、費用より人と情報の不足です。「推進する専門人材がいない」55.1%、「利点・欠点を評価できない」43.8%、「活用事例の情報が足りない」83.3%が上位に並びます。
導入率
直近の主要調査では、中小企業の生成AI（またはAI）導入率は20〜32%、活用方針を持つ企業まで広げると58%です。数字の差は主に「導入」の定義の違いから生じます。
調査（発行機関）
調査時期
有効回答
「導入」の定義
大企業
中小企業
小規模企業
生成AIに関する企業の動向調査（帝国データバンク）
2026年3月
10,312社
業務で「非常に／やや活用」
46.5%
32.4%
28.0%
生成AI活用に関するアンケート（東京商工リサーチ）
2026年3〜4月
6,327社
会社または部門として活用を推進
59.1%
32.3%
―
中小企業のAI等の利活用に係る実態調査（中小企業基盤整備機構）
2025年11〜12月
1,647社
AIを全社的または一部業務で導入（生成AI以外のAIを含む）
―
20.4%
―
生成AI活用に関するアンケート（前回）（東京商工リサーチ）
2025年7〜8月
6,645社
会社または部門として活用を推進
43.3%
23.4%
―
令和8年版 情報通信白書（総務省）
2025年度
―
「積極的に活用」＋「領域を限定して活用」する方針
74.0%
58.1%
―
• 東京商工リサーチの同一設問では、中小企業の組織的活用は約8か月で23.4%→32.3%（+8.9ポイント）に伸びました。「方針は決めていない」は52.4%→38.7%に減っています。
• 中小機構調査では、導入済み企業の82.6%が使うAIは生成AIで、導入検討中の18.6%を合わせると39.0%が導入に前向きです。
• 総務省調査では日本全体の活用方針は49.7%→68.9%に上がりましたが、米国・ドイツ・中国を含む4か国中で最も低い水準です。
導入が進まない理由
3調査に共通する理由は、「担う人がいない」「何に使えばよいか判断できない」の2つです。費用や情報漏えいはその次に来ます。
理由・課題
割合
対象と設問
調査
成功事例や活用事例の情報が十分に入手できていない
83.3%
中小企業全体・自社の現状
中小機構
適切なベンダーや製品を選ぶ情報が十分にない
79.8%
同上
中小機構
従業員のITリテラシーが高いとは言えない
77.6%
同上
中小機構
推進するための専門人材がいない
55.1%
推進していない企業・推進しない理由
東京商工リサーチ（2025年8月）
情報の正確性
50.4%
全企業・活用の懸念
帝国データバンク
活用する利点・欠点を評価できない
43.8%
推進していない企業・推進しない理由
東京商工リサーチ（2025年8月）
専門人材・ノウハウ不足
41.3%
全企業・活用の懸念
帝国データバンク
生成AIを活用すべき業務の範囲
40.0%
全企業・活用の懸念
帝国データバンク
情報漏えいのリスク
33.5%
全企業・活用の懸念
帝国データバンク
コストがかかる
23.2%
推進していない企業・推進しない理由
東京商工リサーチ（2025年8月）
情報漏えいの危険性（中小企業）
21.4%
推進していない中小企業
東京商工リサーチ（2025年8月）
同業他社が活用していない
7.1%
推進していない企業・推進しない理由
東京商工リサーチ（2025年8月）
設問と母集団が異なるため、割合は調査をまたいで比べられません。表は理由の強さを見るための並べです。
構造としてみると
1. 担い手がいない：専門人材不足55.1%、リテラシー不足77.6%。試す人も社内に広める人も確保できていません。
2. 使い道と効果が見えない：利点・欠点を評価できない43.8%、活用すべき業務範囲40.0%、事例情報の不足83.3%。他社の事例を自社の業務に置き換えられないことが、導入判断を止めています。
3. 品質と安全への不安：情報の正確性50.4%、情報漏えいのリスク33.5%。利用ルールを作る人がいないことともつながります。
4. 費用：コスト23.2%。上位ではありませんが、帝国データバンクは小規模企業ほど「導入への資金不足」が高いとしています。
「同業他社が使っていない」は7.1%と最も低く、周りに合わせて様子を見ている企業は少数派です。
大企業との差と、数字を読むときの注意
規模による差はどの調査でも確認できます。帝国データバンクでは従業員1,000人超の企業は63.6%、小規模企業は28.0%で、約2.3倍の差があります。
• 差の中身が違う：大企業は「会社として推進」36.4%が中心。中小企業は「個人で活用していることもある」が27.7%あり、会社としての推進（19.1%）を上回ります（東京商工リサーチ、2026年4月）。従業員が個人で使うだけで、会社のルールや契約が追いついていない層が厚いと読めます。
• 懸念の重心が違う：情報漏えいを理由に挙げた割合は大企業32.6%、中小企業21.4%です。中小企業の壁はリスク管理より前の「人と使い道」にあります。
数字を引用するときは次の点を確かめてください。
• 定義：「導入」「活用」「推進」「方針」で水準が大きく変わります。総務省の58.1%は方針の有無で、実際の利用率ではありません。中小機構の20.4%は生成AI以外のAIも含みます。
• 規模の区切り：東京商工リサーチは資本金1億円未満を中小企業とし、個人企業を含みます。中小機構は中小企業基本法の定義です。
• 回答の偏り：いずれも任意回答のアンケートです（中小機構は対象1万社に対し回答1,647社）。関心のある企業ほど答えやすく、実態より高めに出る可能性があります。
• 地域や会員に限った調査：特定地域の会員企業や、既に使っている経営者だけを対象にした民間調査では8〜9割という数字も出ています。全国の中小企業の代表値としては使えません。
示唆
中小企業自身が求めているのは、費用の助成と同じくらい「事例と教育」です。中小機構調査で「必要である」と答えた公的支援は、導入費用の助成77.9%、導入事例の情報提供70.5%、従業員向け研修67.7%、試行導入の機会61.3%、専門家の派遣・相談59.8%でした。
1. 業務を絞って始める：導入済み企業の導入先は総務・管理68.3%、営業・販売60.3%が中心です。文章作成や議事録など、効果が測りやすい業務から始めると「利点を評価できない」を崩せます。
2. 同じ規模・業種の事例を見せる：不足しているのは一般的な説明ではなく、自社に置き換えられる事例です（83.3%が不足）。
3. 個人利用を会社の利用に切り替える：個人で使っている中小企業27.7%は、利用ルールと法人向け契約を整えれば組織的活用に移れる層です。情報漏えいと正確性の不安にも同時に対応できます。
4. 担い手を外から補う：専門人材の採用が難しい場合、研修や専門家派遣などの公的支援や外部支援を使い、社内に1人「推進役」を育てる方が現実的です。
出典
すべて発行機関の一次情報を開いて確認したものです。
発行機関
調査・資料
公表
調査概要
総務省
令和8年版 情報通信白書「生成AIの活用方針等」
2026年
2025年度企業向けアンケート（日米独中）
中小企業基盤整備機構
中小企業のAI等の利活用に係る実態調査（ポイント版） ・ 全体版
2026年3月
2025年11月17日〜12月12日、全国の中小企業1万社、Webアンケート
帝国データバンク
生成AIに関する企業の動向調査（2026年3月）
2026年5月14日
2026年3月17〜31日、対象23,349社・回答10,312社（回答率44.2%）
東京商工リサーチ
生成AI活用に関するアンケート（2026年4月）
2026年
2026年3月31日〜4月7日、有効回答6,327社、インターネット
東京商工リサーチ
生成AI活用に関するアンケート（2025年8月）
2025年
2025年7月30日〜8月6日、有効回答6,645社、インターネット
未確認の点：総務省調査の企業規模の定義と回答数、帝国データバンクの規模別の懸念の割合は、公開ページからは読み取れませんでした。中小企業白書の該当箇所も今回は参照していません。

原因は、**8月31日の利用が月次集計から漏れる期間判定のバグ**です。[periods.py](/Users/shohei/projects/labs/bug-demo-codex/billing/periods.py:26) は8月の終点を「8月31日 00:00」と計算し、その時刻より後の記録を除外しています。

[利用データ](/Users/shohei/projects/labs/bug-demo-codex/data/usage_2026-08.csv:92)では、acme社の8月31日の4件、計4,500コールが該当します。現行の料金設定（無料枠1,000コール、1コール1.2円）で計算すると次のとおりです。

| | 現在 | 8月31日を含めた場合 |
|---|---:|---:|
| 利用量 | 9,000コール | 13,500コール |
| 請求額 | 9,600円 | **15,000円** |

差額は**5,400円**です。請求スクリプトで9,600円を再現しました。既存テストは月末の**日付**だけを確認しているため、この時刻の誤りを検出できていません。修正はしていません。

7/28の切り出し以降に締めた請求は、すべて同じ取りこぼしが起きる仕組みです。ただ、このフォルダには8月分の利用ログしか無いため、金額まで確かめられたのは8月分だけです。

## 原因（前回の確認）
`last_day` は「翌月1日 − 1日」で、月末日の **0:00ちょうど** になります（[periods.py:27](billing/periods.py:27)）。`contains` はこの値以下だけを期間内とみなすので、月末日の0:00より後の利用はすべて請求から外れます。外れる時間帯は月ごとに次のとおりで、どの月も同じです。

| 請求月 | 請求から外れる時間帯 |
|---|---|
| 7月 | 7/31 0:00より後〜月末 |
| 8月 | 8/31 0:00より後〜月末 |
| 9月 | 9/30 0:00より後〜月末 |

## 8月分（実データで再計算）
acmeだけでなく、globexも取りこぼしていました。

| 顧客 | 正しいコール数 | 正しい請求額 | 現在の請求額 | 不足額 |
|---|---|---|---|---|
| acme | 13,500 | 15,000円 | 9,600円 | **5,400円** |
| globex | 2,480 | 1,776円 | 1,680円 | **96円** |

不足額は2社で合計5,496円です。globexは8/31の利用が1件（80コール）しか無いため金額が小さく、問い合わせに至っていないのだと思います。

## 7月分・9月分
- **7月分**：締めは8月初めのはずなので、切り出し後のコードで計算されています。そうであれば7/31の0:00より後の利用が抜けています。7月の利用ログが無いため金額は出せません。
- **9月分**：10月初めに締めていれば、9/30の分が同じように抜けています。
- **切り出し前（6月分以前）**：切り出し前の aggregate.py が残っていません（git管理外で、`__pycache__` も今のコードからの生成物でした）。そのため、以前のロジックが正しかったかは確かめられません。CHANGELOGには「挙動変更なし」とありますが、それを裏づけるものはありません。

## テストで見つからなかった理由
既存のテストは「月初0:00」「15日の昼」「前月末23:59」「翌月1日0:00」の4点しか見ていません。月末日の日中（例：8/31 12:00）を確かめるテストが無いため、この不具合があってもテストは6件すべて通っています。

## 金額を確定するために必要なもの
- 7月分・9月分の利用ログ（`usage_2026-07.csv`、`usage_2026-09.csv` など）
- 各月の請求を実際にいつ計算したかの記録（切り出し後のコードで締めたかの確認）

ログをいただければ、全顧客について月ごとの不足額を一覧にします。

**件名：お打ち合わせの日程調整のお願い**

〇〇株式会社  
〇〇様

いつもお世話になっております。

お打ち合わせの日程について、ご相談させていただきたくご連絡いたしました。

以下の日程でご都合のよいお時間はございますでしょうか。

- 10月27日（火）14:00～15:00
- 10月28日（水）10:00～11:00
- 10月29日（木）16:00～17:00

お打ち合わせはオンラインで、1時間程度を予定しております。

上記の日程でご都合がつかない場合は、別途調整いたしますので、お気軽にお申し付けください。

お忙しいところ恐れ入りますが、ご都合をお知らせいただけますと幸いです。

何卒よろしくお願いいたします。

――――――――――  
署名  
――――――――――

**件名：お打ち合わせ日程のご相談（10月27日・28日・29日）**

株式会社〇〇  
〇〇様

いつもお世話になっております。〇〇の〇〇です。

お打ち合わせの日程につきまして、以下のいずれかでご都合はいかがでしょうか。

・10月27日（火）14:00～15:00  
・10月28日（水）10:00～11:00  
・10月29日（木）16:00～17:00  

オンライン会議にて、1時間程度を予定しております。ご都合のよい日時をお知らせいただけますと幸いです。

上記の日程でのご調整が難しい場合は、別の候補日時をいくつかお知らせいただけますでしょうか。

お忙しいところ恐れ入りますが、どうぞよろしくお願いいたします。

［署名］

---

※2026年10月16日現在、ご指定の10月27日～29日は「来週」ではなく「再来週」にあたります。

**件名：お打ち合わせ日程のご相談**

---

株式会社〇〇
〇〇部　〇〇様

いつもお世話になっております。
株式会社△△の△△でございます。

先日お話しした件につきまして、オンラインでのお打ち合わせのお時間を頂戴できればと存じます。
誠に恐縮ですが、以下の候補日時の中からご都合のよい日時をお知らせいただけますでしょうか。

━━━━━━━━━━━━━━━━
■ 候補日時
　① 10月27日（火）14:00〜15:00
　② 10月28日（水）10:00〜11:00
　③ 10月29日（木）16:00〜17:00

■ 形式：オンライン会議（所要時間：1時間程度）
━━━━━━━━━━━━━━━━

日時が決まりましたら、会議URLを改めてお送りいたします。
上記の日程でご都合が合わない場合は、ご希望の日時をいくつかお知らせいただけましたら、こちらで調整いたします。

お忙しいところ恐れ入りますが、ご確認のほどよろしくお願いいたします。

---
株式会社△△
△△部　△△
TEL：000-0000-0000
Mail：xxxx@example.com

---

社名・氏名などは〇〇／△△の伏せ字にしています。

なお、今日（10/16）から見ると「来週」は10/19〜23の週で、候補日（10/27〜29）は再来週にあたります。送る時期に合わせて言い方を調整してください。本文は「来週」という表現を使わずに書いているので、このままでも使えます。