生成AIが経理・FP&Aで活用されるのはいつになるだろう 電気が工場を変えるのに40年かかった件
工業ゲームっておもしろいんですが、途中でとてもめんどくさい作業があります。そう、既存のラインを作り変える作業です。
使えるツールが増えて、もっと効率的な生産方法が実現できるようになる。
ただ、既存の「非効率的なライン」はそのまま残っている。
ああ、めんどくさい、、、
私のエンドフィールドの工業は3世代前くらいのラインで息壌を細々と生産しています。資源が無限だからできるプレイですね。弊エンドフィールドが一歩前に進まなくなってから久しいです。
さて、今回は生成AIの経理やFP&A導入についても、同じ話なのでは？という回です。既存の仕組みがボトルネックになっている？という可能性を感じています。
1. きっかけと結論
最近では経理・FP&Aの各部署を回り、生成AI普及活動をしています。毎回ほぼ同じ質問を受けます。「他所のファイナンス組織での活用事例はありますか」。
答えは、ありません。
社内にも、調べた限り世界にも、大企業の経理・FP&Aで生成AIが業務を変えたと言える事例はまだ見当たりません。欧州のCFOコミュニティCFO Connectの調査では、財務リーダーの56%がAIを使うようになりました。一方、General Atlanticの2025年6月の調査では、財務・経理は部門別のAI導入率で全部門最下位で、財務チームの45%が限定的なパイロット段階にとどまり、中核業務で使っているのは17%です（いずれもCFO Connect, State of AI in Finance 2026の引用による）。日本だけの話ではありません。
この記事では、なぜ経理・FP&Aといったファイナンス部門で生成AIが進まないのかを、技術の未熟さや現場の理解不足以外の説明で考えます。
結論を先に書きます。進まない理由は三つあり、どれも技術の話ではありません。
第一に、ファイナンス部門は「動いている仕組みを壊さずに道具だけ足す」形で電化されており、配置が変わっていないこと。
第二に、ファイナンス部門は道具の使い手であって作り手ではなく、配置を変えられる人が部門の中にいないこと。
第三に、ファイナンス部門、特にFP&Aについては、新しい出力を欲しがる買い手が経営側にいないこと。
三つ目は仮説です。一つ目と二つ目は、歴史と調査で裏が取れます。順に書きます。
2. 電気が工場を変えるのに40年かかった話
有名な話なので短く済ませます。英語圏ではAI論の定番になっている比喩ですが、日本語ではあまり紹介されていないので、骨格だけ書きます。
スタンフォードの経済史家ポール・デイヴィッドは1990年の論文「ダイナモとコンピュータ」で、こう指摘しました。電動機は1880年代には使えたのに、1899年の時点で米国の工場の機械駆動のうち電動機は5%未満だった。50%に達するのはさらに20年後で、生産性の統計に電化の効果が出たのは1920年代になってからだった。
遅れた理由は、電気が難しかったからではありません。ウォーレン・デヴァインの1983年の研究が経緯を復元しています。蒸気時代の工場は、一台の蒸気機関が天井の長いシャフトを回し、そこからベルトで各機械に動力を配る構造でした。機械の配置は作業の流れではなく、シャフトからの距離で決まっていました。
電動機が来たとき、工場主が最初にやったのは、蒸気機関を電動機に置き換えてシャフトをそのまま回すことでした。次の段階では、シャフトを区間に分けて区間ごとに電動機を付けました。
どちらも既存の設備に道具を足す形で、配置は変わりません。効果も限定的でした。
効いたのは第三段階、一台一台の機械に小さな電動機を付ける「ユニットドライブ」に移ったときです。
シャフトが消えると、機械を作業の流れに沿って並べられます。天井が空くので天井クレーンが使え、平屋の直線的な工場が建てられ、明るく清潔になり、一台の故障で全体が止まることもなくなりました。電気代の節約はおまけで、本当の利益は配置の自由でした。
ここで大事な細部が二つあります。
一つは、ユニットドライブは既存の工場を改造して入ったのではなく、1914年から17年以降に電力料金が下がり、1920年代の好況で新工場が建てられた窓で一斉に入ったことです。先に持てたのは配置済みの工場ではなく、設計図でした。
もう一つは、待った工場が潰れたわけではないことです。デヴァインの論文の注には、1962年まで電動ラインシャフトで動いていたメイン州の靴工場が出てきます。遅れの罰は倒産ではなく、少し高いコストでした。
3. 開発ではなぜ効いているのか
生成AIがすでに仕事を変えている領域があります。ソフトウェア開発です。Stack Overflowの2025年調査では、開発者の84%がAIツールを使用または使用予定で、職業開発者の51%は毎日使っています。
面白いのは、同じ調査で出力の正確さを信頼する開発者が29%しかおらず、前年の約40%から11ポイント落ちていることです。66%が「ほぼ正しいが少し違う」出力を最大の不満に挙げています。信頼していないのに使う。この矛盾が、開発で効いている理由をそのまま説明しています。
コードは実行すれば正しいかどうかが分かります。少し違っていても、自分で数秒で見つけて直せる。出力の検証が一人の手元で、その場で閉じている。だから信頼は要らないのです。
もう一つ、開発の世界は工場の作り直しを先に済ませていました。
バージョン管理、自動テスト、継続的インテグレーション。速く大量に作られるコードを機械的に検証して取り込む配置が、2000年代から2010年代にかけて、生成AIとは無関係に整っていました。生成AIは、ユニットドライブ向けに建てられた工場に据え付けられた電動機です。据え付けた瞬間に効くのは当然でした。
「コードは公開された学習データが膨大だから」という説明もよく聞きます。しかしExcelの数式もSQLも公開コーパスは膨大で、経理・FP&Aのタスクは知識としてはモデルに入っています。効かない理由はモデルの知識不足ではなく、出力を確かめる仕組みが業務側にないことです。
4. 経理のシャフト
では、経理・FP&Aのシャフトはどこにあるのか。
私の答えは、月次カレンダーと、「この数字をこの形で見れば判断できる」という報告の合意です。
固定様式のパッケージ、決まった帳票、そこから派生するExcelの連鎖は、その合意から垂れているベルトです。
特に経理の工場では、分析の配置は意思決定の流れではなく、「どの中間成果物が手元にあるか」で決まっています。
例えば、子会社が決まった様式でパッケージを提出する。連結する。修正する。決まった帳票を配る。経営が質問する。担当者がExcelに戻って答える。
この鎖のうち、パッケージと固定帳票と中間のExcelは、人間が元帳に直接届くコストが高かったから存在しているベルトです。ベルトを吊っているのは、経営と監査人と子会社の経理がその様式で判断できると合意していることで、変わりにくいのはベルトではなくこの合意の側です。
実際に使われている業務Excelを見せてもらうと、ほぼ全部がバケツリレー型です。前工程のシートから値を貼り付け、集計して、次の工程に渡す。値貼り付けは数式を消します。数式は「この数字はどこから来て、どう計算されたか」という文脈の痕跡なので、毎月、業務の文脈が手作業で消されていることになります。
生成AIをこの鎖に当てると、たいていの会社が最初にやるのは、帳票の要約や差異コメントの下書きです。蒸気機関を電動機に置き換えてシャフトを回す段階です。速くはなりますが配置は変わらず、効果も限定的です。
私自身が作っている、過去の問い合わせを検索して新規の問い合わせに対応する回答を生成する生成AIも、既存の成果物をうまく配る道具であって、シャフトは残っています。
ユニットドライブに当たるのは、質問ごとに元帳やデータウェアハウスに直接届くエージェントです。ベルトを経由しないので、パッケージも固定帳票も中間Excelも要らなくなります。
ただし電動機を置くだけでは足りません。まず、勘定科目・エンティティ・為替・期間の定義が機械可読で揃ったデータモデルが要ります。ユニットドライブに標準電圧と標準電動機が要ったのと同じで、パッケージの様式に暗黙に埋まっている定義をデータモデル側へ書き下す作業が、電動機を置く前の仕事です。
そのうえで、開発と同じ配置にする必要があります。元帳から報告までの計算をコードとして持つこと。試算表の一致や相殺のゼロ確認、前月との整合といった突合を自動テストとして毎回走らせること。変更の履歴を残すこと。数字同士の整合の検証から人間の目を外し、機械的なチェックに任せる。
人間の目は、その未払は本当に発生しているのかという実態の判断と承認にだけ残す。これが経理・FP&Aの工場の再配置です。
そして再配置の効果は、決算が何日短くなったかでは測れません。ユニットドライブの利益が電気代ではなく配置の自由だったのと同じで、効くのは、月末を待たずに問いが立った時点で答えられることや、報告様式を固定しなくてよいことで、これは既存のKPIには載りません。
5. 決算なら正解があるのに
「FP&Aが関わる管理会計の分析は判断が絡むから難しいとして、経理の決算の修正仕訳なら正解があるのではないか」。私も最初はそう考え、自宅でダミーデータを使って試しています。結論から言えば、できます。
仕訳の正しさには二層あります。
貸借が合う、試算表が締まる、内部取引が相殺してゼロになる、換算差額が理屈通りに出るという内部整合の層と、その未払は本当に発生しているか、見積額は妥当かという実態との対応の層です。
前者は機械的に一人で確かめられます。後者は事実を知っている人が要りますが、相殺消去や組替や換算のように事実が仕訳データの中にある修正なら、連結担当者の手元で閉じます。
買い手もいます。決算は締めなければならず、監査人という出力の要求者がいます。
監査の側も障壁ではありません。監査人が求めるのは根拠資料と承認が仕訳に紐づいていることで、仕訳を生成したのが人か生成AIかではないからです。承認を人の統制点として残し、生成と検証を機械側に寄せる形なら、監査上も通ります。
条件が揃っているのに、なぜ進まないのか。
ベンダー製品は進んでいます。銀行照合や消込のマッチング、決算タスク管理、仕訳の自動化は製品として入り始めています。
ただ中身は、生成AI以前からある機械学習やワークフロー製品にAIの名を付けたものが中心で、既存の決算手順に電動機を足している形です。進んでいないのは、経理担当者が自分の決算をコードとして作り直す形の方です。
理由は三つあります。
開発でバージョン管理も自動テストも整ったのは、開発者が自分たちのために作ったからです。道具の使い手と作り手が同じ集団だった。経理では使い手は経理、作り手はIT部門かベンダーです。
次に、開発者は出荷の速さで評価され、失敗はリバートで戻せますが、経理は無誤謬と期限で評価され、失敗は財務諸表に残ります。この構造では新しい方法を試す期待値が個人にとって負になり、合理的な担当者は本番で試しません。
最後に、経理担当者はERPへの書き込み権限を持っていません。仕訳を機械的に投入する経路はIT統制の管轄です。自分が書き込めない工場は、自分では作り直せません。
三つのうち根にあるのは作り手不在です。
評価軸と書き込み権限は作り手がいなかった時代に固まった慣行ですが、制度になった以上、作り手が現れても自動的には消えません。
日本ではこれが増幅されます。IPAの調査によれば、IT企業に所属するIT人材の割合は日本が73.6%（2020年）、米国は35.1%（2021年）で、2015年の72.0%対34.6%からほとんど動いていません。
米国のユーザー企業には社内にエンジニアがいるので、経理の隣に作り手を置く候補がいます。OpenAIの社内では契約書を読み取って収益認識基準を当て、仕訳を自動生成するボットが動いており、元コントローラーの講演によれば財務チームは2025年3月時点で約45人、同規模の会社なら200〜300人が普通だといいます。同規模企業の二割程度の人員です。
作り手が財務の中にいる会社では再配置が起きている。日本では会社全体として作り手が外にいるので、経理の隣に置く候補がそもそも社内にいません。しかも作る能力を持つSIerの収益は保守にあり、中間工程を消す提案は自分の保守対象を減らす提案です。能力を持つ側に動機がなく、動機を持つ側に能力がない。
ただし日本だけの問題ではありません。General Atlanticの調査では、財務はAI導入で全部門最下位でした。
社内にエンジニアがいても財務には配分されない。評価軸と権限の問題は、構造が違っても残ります。
6. FP&Aの本当のボトルネック（仮説）
決算は買い手がいるのに作り手がいない。FP&Aはもう一段厄介で、買い手もいないのではないか、というのが私の仮説です。
外部調査が挙げるAI導入の障壁は、データ品質、定義の不統一、人材のスキル不足です。Gartnerの2025年調査でも最大の障害はデータリテラシーとデータ品質でした。どれも供給側の話です。
しかしDeloitteの2024年第1四半期のCFO調査では、66%のCFOが、取締役会は財務部門の生成AI採用に無関心か、奨励も抑制もしていないと答えています。買い手側の無関心がデータで出ているのはここだけで、私はこちらが本丸だと考えています。
現場の観察と合わせると、一本の鎖になります。
経営が月次パックの固定様式で判断できていると認識している限り、新しい出力を欲しがらない。
だからFP&Aの仕事は問いに答える設計にならず、ルールを当てて数字を分解する設計になる。
差異コメントは「なぜ」のない分解になる。
分解に文脈は要らないので、文脈は値貼り付けで毎月消える。
管理会計のデータが整っていないのは、この鎖の末端で起きている症状であって、原因ではありません。
ここは工場の比喩が外れる場所でもあります。内部管理報告は外部開示と違って制度で固定されていないので、変えられないのではなく、変える動機がない。シャフトが残っているのは壊すコストが高いからではなく、壊したあとの出力を欲しがる買い手がいないからです。
歴史に似た形があります。複式簿記は13世紀の北イタリアにあり、1494年にパチョーリが体系化しましたが、定期的に利益を計算する慣行が一般化したのは18世紀後半です。
会計史家の研究では、設立期（1602〜23年）のオランダ東インド会社ですら、出資者は投資収益率を計算する情報を期待も要求もしていませんでした。300年の遅れの原因は技術でも理解不足でもなく、その出力を欲しがる所有構造がまだなかったことです。
この種の不在は、部門の中の努力では動きません。動くのは、経営が今までの出力では判断できなくなる外圧が来たときです。
大幅な人員削減、業績悪化、株主からの圧力。
窓はそのとき開きます。そして窓が開いた日に問いを立てられるのは、それ以前に文脈を保存し、元帳に届く経路を作っていた側だけです。
7. 待つという選択
ここまで読むと、「経理・FP&Aは企業の競争優位を生まないのだから、標準化されてから買えばいい」という結論が自然に出ます。
組織としては、それで合理的です。靴工場は1962年までシャフトで営業できました。ベンダーがAI決算を製品にした頃に買い、人員を減らす。会社としては帳尻が合います。
ただし「後から標準を買う」には条件があり、日本の大企業はその条件を一度満たせませんでした。標準化された製品を買うとは、業務を製品の標準に合わせることです。2000年前後の会計ビッグバンで日本企業のERP導入は増えましたが、自社業務に最適化する前提だったためアドオンの山になり、システムが塩漬けになった企業が多数あります。2018年の経産省DXレポートも、過度な改修の積み重ねによる複雑化とブラックボックス化がDXの妨げだと指摘しました。今のFit to Standardの議論は、その失敗の反省です。
遅れて買う製品は、ベンダーの業務モデルの上に設計されます。AI決算の製品が消すのは、連結パッケージのExcel、値貼り付けの鎖、部門ごとに違う集計様式といった、経理が業務そのものだと思っている部分です。業務を捨てる意思決定ができないまま標準を買えば、起きるのはFit to Standardの看板でのアドオン再生産です。
待つ戦略の本当のコストは時間ではなく、業務を捨てる決断で、これは待っている間には育ちません。
待つ側に必要な準備は、道具ではありません。
自社の業務のうち標準に譲れないものが本当にどれだけあるかを、窓が開く前に減らしておくことです。業務を言語化して書き下す作業は、地味ですがこの準備に当たります。言語化された業務は、標準との差分が数えられる業務です。
8. 三つの時計
時間軸を置きます。時計は三つに分かれます。
一つ目は個人の道具の層です。文章の下書き、コード、下調べ。ここには遅れがなく、すでに動いています。スプレッドシートが1979年の登場直後に個人の道具として効いたのと同じです。
二つ目は電動機の層、つまり照合・仕訳・締めタスクのベンダー製品化です。Gartnerは2030年までに人間が基幹取引の手作業の統合層であることはなくなり、買掛、旅費経費、入金消込は完全自動化されると予想しています。米国大企業の先頭集団については妥当だと思います。
日本の大企業でこの層が入るのはERP更改の窓です。SAPの2027年問題と2030年の延長保守期限に集中する更改の波は、電化で言えば新工場が一斉に建った1920年代に当たります。本来なら配置まで変えられる窓ですが、次に書く買い手の不在が窓の前に解けていなければ、窓は電動機の据え付けにしか使われません。
2028年から2032年頃、電動機は入るが配置はそのまま、というのが今のところ最もありそうな結末です。
三つ目は配置の層で、経理や特にFP&Aが問いに沿って組み替わるかどうかです。これには外部予想がなく、私も年数を置けません。買い手の不在で律速されるので、経営層の世代交代か外圧が条件で、前者なら十年単位です。
ERP更改の窓を配置の変更に使えるかどうかは、この条件が窓の前に満たされているかで決まります。
なお、同じGartnerが2024年に出した予想では、2026年までに財務部門の90%が少なくとも一つのAIを導入するが、人員が減る部門は10%未満とされていました。導入は来るが人は減らない、が現在地の予想です。
ただし入口の変化はもう始まっています。ブリニョルフソンらの米国給与データ分析では、経済全体での広範な雇用喪失は見られない一方、AI露出度の高い職種の22〜25歳の雇用は、露出度の低い同世代と同じ伸びだった場合より19%低い水準にあります。代替は解雇ではなく採用抑制の形で、先に来ています。
9. 個人にとって何が残るか
「何もしないとAIに代替される」という話は世の中に溢れています。この議論が浅くなりがちな原因は、代替の主体をAIに置くことです。代替するのはAIではなく再配置で、再配置は徐々にではなく一度に来ます。
マイケル・ハマーが1990年に挙げたフォードの北米買掛部門は500人超の事務員を抱え、当初は400人への削減を目標にしていました。提携先のマツダが同じ仕事を5人でやっていると知って目標を捨て、請求書そのものをなくす形に工程を再設計し、人員を四分の一にしました。
事務員が少しずつ要らなくなったのではありません。工程が切り替わった時点で役割が割り直された。これが意味するのは、今の配置の上で身につける能力は、その日にほぼ一括で償却されるということです。
「今の仕事をAIで速くする」技能は電動機の操作を覚えることに相当し、最初に商品化されて価格が落ちます。
経理・FP&Aの個人が持っている資産は三つに分かれます。
今の配置での実行速度。
数字の背後の事情や例外の扱いという、どこにも書かれていない文脈。
そして、何が正しさの判定になるか、何がテストで何が承認かを言える設計の知識です。
再配置の日に価値が残るのは後の二つですが、残り方が違います。
文脈には逆説があります。
書き下さなければ本人の中にあり、その人は例外処理の担当として配置後もしばらく必要とされる。しかし新しい配置は文脈を持つ人を迂回するように設計されるので、迂回が完成した時点で終わります。
逆に書き下せば、文脈は仕組みに移り、本人は代替可能になる。ただし書き下せる人は設計側に立てる。生成AI導入のための業務の言語化は、参加者から見れば自分の文脈を仕組みに移す作業であり、彼らを代替可能にする作業でもあります。ここはごまかさずに書いておきます。
設計の知識は、窓が開いた日に唯一供給が足りない資産です。
ベンダーの製品は業務の標準形を持っていても、この会社のどの数字が誤りで、どの承認が本当に統制として効いているかは知りません。それを言える人がいないと、製品は入るが配置は変わらず、アドオンの山が再生産されます。
設計知識の回収先は、社内なら昇進、社外なら売る側に回ることで、今の勤め先とは限りません。ゼロックスは1970年代にPARCで後に標準となる操作体系を作りながら、1981年のスターを一台16,595ドルで出して売れず、1985年に販売を終え、後継機も1989年で終わりました。しかしその設計知識は、スターが出る前の1980年以降にテスラーら研究者がアップルに移る形で流出し、リサとマッキントッシュで回収されました。
早すぎたゼロックスの製品が消えたのは、待機期間に製品という固定費を抱えたからです。設計図とデータ定義は固定費を抱えない資産で、ダミーデータと自分の時間で作れます。
日本の条件を入れると、リスクの形が変わります。米国の「代替されて終わる」は解雇ですが、日本では配置転換、出向、早期退職募集の形で来ます。
だから「何もしないと終わる」は言い過ぎで、正確には「何もしないと、どこへ配置されるかを他人が決める」です。
待つことに残る利点もあります。正しい使い方が数か月単位で書き換わる今、実装の細部を先に固めた人は書き換えの損を被ります。先に固める価値があるのは、何がテストで何が承認かという骨格だけで、ここはモデルが変わっても変わりません。
細部は待ち、骨格は待たない、という配分になります。
待つ人を責める気はありません。設計知識を作る費用は個人の時間で、回収先は不確かで、その市場は日本ではまだ薄い。期待値だけを見れば、多くの人にとって待つことは合理的です。
書けるのは、窓が開いた日に何が償却され何が残るかだけで、動くかどうかは各自のキャリアプラン上での賭けです。
10. 結局、BPRの話に戻る
ここまで書いて気づくのは、生成AIの話をしていたつもりが、BPRの本丸に帰ってきていることです。
ハマーの1990年の論文の主張は、情報技術への多額の投資が期待外れなのは、企業が技術を古いやり方の機械化に使い、既存プロセスをそのまま残してコンピュータで速くしているだけだからだ、というものでした。
36年前の文章がそのまま今に当たります。日本ではBPRは二度失敗した名前です。一度目は1990年代の本家、二度目が会計ビッグバン期のERP導入。三度目が生成AIの名前で来ています。
ただ一つだけ、前の二度と違う条件があります。
過去二度のBPRは、業務を知っている人が自分で作れなかったので、設計を外から買うしかなく、買った設計を現場が業務に合わせて作り込み直しました。
今回は、業務を知っている人が自分で作れる。作り手不在という条件だけが崩れています。
評価軸も書き込み権限も買い手の不在も残っているので楽観はできませんが、過去二度の失敗の主因だった「設計と業務知識が別の人の頭にある」状態は、解消可能になりました。
経理のシャフトはどこにあるか。固定様式で判断できているという合意の中にあります。パッケージと値貼り付けの鎖は、そこから垂れているベルトです。
外す日を決めるのは経営ですが、外せる形にしておける人は、今のところ、その中で働いている人しかいません。
注記と検証結果
この記事の事実の主張は、執筆時点で一次資料または報道に当たって確認しました。主な出典は、Paul A. David, "The Dynamo and the Computer" (American Economic Review, 1990)、Warren D. Devine Jr., "From Shafts to Wires" (Journal of Economic History, 1983)、Stack Overflow Developer Survey 2025、CFO Connect "State of AI in Finance 2026"、Deloitte CFO Signals 2024 Q1、Gartner "Finance 2030" 関連発表、IPA「IT人材白書2017」および「DX白書2023」、経済産業省「DXレポート」(2018)、Michael Hammer, "Reengineering Work: Don't Automate, Obliterate" (Harvard Business Review, 1990)、Brynjolfsson, Chandar & Chen, "Canaries in the Coal Mine?" (2025年8月、2026年8月改訂版)、Basil Yamey および Robertson & Funnell による複式簿記史研究です。
OpenAIの財務チームに関する記述はCFO Connectの報告と、元コントローラーがSaaStrの公開パネルで述べた人員数に依っています。会社側の一次資料では確認していません。ベンダー製品の導入状況に関する記述は、ベンダー側の資料を経由した二次的なものを含みます。
第6節の「買い手の不在」は、Deloitteの一つの調査と筆者の現場観察に依る仮説です。外部調査の多くが供給側の障壁を挙げているのは質問の設計によるかもしれませんが、筆者の読みが観察者の偏りである可能性も残ります。なおDeloitteの数字は取締役会が財務部門のAI採用に無関心かを聞いたもので、経営がFP&Aの出力に満足しているかを直接聞いたものではありません。買い手の不在の裏付けにするには、取締役会から経営へ、AI採用から出力への需要へ、という二段の読み替えを挟んでいます。仮説として読んでください。
（補足）ファクトチェック
本文はLLMとの会話をもとに再構成したものです。公開前に、修正前の原稿をLLM（Claude Fable 5.1）に読み込ませ、Web検索によるファクトチェックを実施しました（2026年9月11日）。以下はその結果の要約で、本文には修正を反映済みです。なお社内ワークショップでの観察と、自宅でダミーデータを使って行っている決算仕訳の実験は、性質上第三者による検証の対象外です。LLMによるファクトチェックなので、これ自体も完全ではない点はご留意ください。
検証済み（正確だった主要ファクト）
ポール・デイヴィッドの1990年論文。1899年時点で米国の工場の機械駆動のうち電動機は5%未満、50%到達までさらに約20年、1914〜17年以降に規制下の電力料金が大幅に下がってから電化が加速し、生産性の統計に効果が出たのは1920年代（American Economic Review掲載の原文で確認）
デヴァインの1983年論文。1962年まで電動ラインシャフトで動いていたメイン州の靴工場は注12にあり、元従業員からの私信として記載されている（Journal of Economic History掲載の原文で確認）
Stack Overflow Developer Survey 2025。84%が使用または使用予定、職業開発者の51%が毎日使用、出力の正確さを信頼する回答者は29%、66%が「ほぼ正しいが少し違う」を最大の不満に挙げた（Stack Overflow公式の調査結果ページおよび同社ブログで確認）
Deloitte CFO Signals 2024年第1四半期。取締役会が財務部門のGenAI採用をどの程度奨励しているかという設問で、「まったく奨励していない」33%、「奨励も抑制もしていない」33%、合計66%。回答者116名、北米、2024年2月調査（Deloitte公開のレポート全文で確認）
Gartnerの予想。2024年9月12日発表の「2026年までに財務部門の90%が少なくとも一つのAIを導入するが、人員が減る部門は10%未満」、2025年11月発表の「最大の障害はデータリテラシー・技術スキルとデータ品質・可用性」、2030年に向けた「人間が基幹取引の手作業の統合層でなくなり、買掛・旅費経費・入金消込が完全自動化される」（いずれもGartner公式の発表・記事で確認）
Brynjolfsson, Chandar & Chen「Canaries in the Coal Mine?」。2026年8月12日の改訂版で、22〜25歳のAI露出職種の雇用が、露出の低い同世代と同じ伸びだった場合より19%低い水準、経済全体での広範な雇用喪失は見られない（Stanford Digital Economy Labの公開ページで確認）
ハマーの1990年論文。フォードの北米買掛部門は500人超、当初目標は400人、マツダは5人、請求書をなくす形に再設計して人員を四分の一に（Harvard Business Review掲載の原文に基づく）
ゼロックス・スター。1981年発売、一台16,595ドル（複数の資料で確認）。ラリー・テスラーが1980年にアップルに移ったこと（複数の資料で確認）
Robertson & Funnell（2012年）。オランダ東インド会社の出資者は投資収益率を計算する情報を期待も要求もしていなかったという結論（Accounting, Organizations and Society掲載論文の要旨で確認）
修正した箇所
① ゼロックスの「1985年に撤退」 修正前：「1985年に撤退しました」「早すぎたゼロックスが消えたのは」と記述していた。 修正後：スター（8010）の販売終了は1985年で正しいが、同年に後継機の6085（ViewPoint）を出し、1989年まで販売を続けている。撤退ではなく製品の終了であるため、「1985年に販売を終え、後継機も1989年で終わりました」に改めた。あわせて「研究者ごとアップルに移り」はPARC全体が動いたかのように読めるため、「テスラーら研究者がアップルに移る形で流出し」に改めた。
② 第1節の調査主体の切り分け 修正前：56%と「全部門最下位」を一つの調査、45%と17%を「別の調査」と書き、「米国でもこの状態です」と結んでいた。 修正後：56%はCFO Connect（欧州のCFOコミュニティ）のTop CFO Tools Report 2025の数字で、「全部門最下位」と45%・17%はいずれも2025年6月のGeneral Atlantic AI Surveyの数字。組み合わせが逆だったため直した。欧州中心の56%を根拠に米国について述べるのは弱いため、「米国でもこの状態です」は「日本だけの話ではありません」に改めた。第5節末の「米国でも財務はAI導入で全部門最下位です」も、調査主体をGeneral Atlanticと明記する形に改めた。
③ Stack Overflowの前年値 修正前：「前年の43%から落ちている」と記述していた。 修正後：Stack Overflow自身のリーダー向け資料とブログは2024年を40%とし、11ポイントの下落と書いている。43%は2024年調査の別の設問の数字が混ざった可能性があるため、「前年の約40%から11ポイント落ちている」に改めた。
④ IPAの日米比較 修正前：「2015年時点で日本が72%、米国は35%」と記述していた。 修正後：2015年の値は日本72.0%、米国34.6%。IPAは「DX白書2023」で2020年の日本73.6%、2021年の米国35.1%に更新しているため、新しい値に差し替え、2015年からほとんど動いていないことを添えた。
⑤ オランダ東インド会社の対象期間 修正前：「17世紀のオランダ東インド会社ですら」と記述していた。 修正後：出典のRobertson & Funnellが対象とするのは1602〜1623年で、1622年以降には株主による会計公開の要求運動がある。「設立期（1602〜23年）の」に改めた。
⑥ OpenAIの財務チーム 修正前：「ある報告によれば」として、CFO Connectの二次的な記述のみに依っていた。 修正後：元コントローラーがSaaStrの公開パネルで、2023年3月時点で10人、2025年3月時点で約45人（経理30人、財務15人）、同規模の会社なら200〜300人が普通と述べている記録が見つかった。45人を200〜300人で割ると15〜22%で、CFO Connectの「22%」と整合する。本文と注記をこの講演に依る形に改めた。会社側の一次資料は引き続き未確認。
補足事項
「財務はAI導入で全部門最下位」には反対の調査がある。Gartnerは2024年9月の調査発表で、前年は人事・法務・調達などの管理部門が財務の二倍AIを使っていたが、2024年にはその差がほぼなくなったとしている。本文はGeneral Atlanticの調査結果として主体を明記する形にとどめ、順位の断定は避けた
Deloitteの66%は「取締役会が財務部門のGenAI採用を奨励しているか」を聞いた設問であり、経営がFP&Aの出力に満足しているかを直接聞いたものではない。この読み替えについては注記に記載のとおり
Stack Overflow 2025の調査結果ページ本体では、正確さを「信頼する」が33%、「信頼しない」が46%と表記されており、29%はStack Overflowが自社ブログとリーダー向け資料で用いている集計値である。本文は同社の公式発信に合わせて29%を用いている
