AI化の脱炭素効果をどう読むか — 削減率の算定範囲を確かめる手順

サステナビリティ報告の義務が先に来て、実務が追いついていない。多くの製造業が今この状態にある。そこへ「業務をAI化すればCO2排出が9割減ります」という提案が来る。今回の論文は、まさにその試算を実施したものだ。サプライチェーンの書類処理を、人手・AI補助・完全自動の3方式で比較し、エネルギー70〜90%減、CO2 90〜97%減、水使用量89〜98%減という結果を出している。数字は大きい。だがこの数字をそのまま自社の報告書へ持ち込むのは危険である。何が含まれ、何が除外されているかを分解する。

1. なぜ今、この研究なのか

理由1：削減率の内訳が計算過程まで開示されている。 前提となるトークン数、電力原単位、データセンターの効率まで数字で示されている。検証できる形で書かれた試算は、それ自体が読者の武器になる。

理由2：この種の主張が急速に増えている。 「AI導入は脱炭素にも効く」という提案は今後さらに来る。1本を精読して読み方を身につけておく価値が高い。

理由3：除外項目が明記されている。 論文自身が、ライフサイクル評価とスコープ3を含めていないと述べている。この正直さが、逆に数字の使い方を決める。

この記事で持ち帰れる3つのこと

1. AI導入の環境効果を主張する試算を、その場で分解する手順
2. この論文の数字が、どこまで自社に使えるかの線引き
3. サステナビリティ報告に外部試算を引用するときの実務的な注意

2. 論文を読む：何と何を比べたのか

2-1. 対象業務

サプライチェーンの書類処理である。使用したのは8ページの見積書（プロフォーマインボイス）。15の商品・サービス明細、技術仕様、価格表、契約条件を含む。ここから数量・単価・合計を抜き出す作業を、1日5,000件処理する規模で比較している。

2-2. 比較した3方式

2-3. 数字の内訳

AI側の計算は明快だ。1件あたりの処理で使うトークンは合計11,906（本文9,030、指示1,259、出力217、推論1,400）。エネルギー原単位は1,000トークンあたり0.24ワット時。推論モードを有効にすると1件あたり2.4ワット時、約56%増える。

人手側は、作業者のノートPCが1時間あたり60ワット時という前提で積み上げている。

1日5,000件での結果は次の通り。

換算に使った電力の排出原単位は288 gCO2/kWh（イタリアの2024年報告）、データセンターの電力効率（PUE）は1.09、水使用効率は0.18〜0.30 L/kWhである。

2-4. 誠実な限界——ここが本題

本論文は査読付き会議・論文誌への採択情報が示されていないプレプリントである（2025年11月10日投稿）。当社では「最新研究」として扱う。そのうえで、論文自身が明記する除外項目を整理する。除外の向きが両側で非対称である点が重要だ。

AI側で除外されているもの（AIに有利に働く）

• ライフサイクル評価とスコープ3（サーバー・GPUの製造、輸送、廃棄）が含まれていない
• 学習時のエネルギーが含まれていない。推論がLLMのエネルギーの約90%を占めるという前提で、学習分を除外している

人手側で除外されているもの（AIに不利に働く）

• 紙の製造、書類の保管、郵送・宅配、通勤にかかるエネルギーは数値化されていない。概念的に触れられているのみ
• 人の確認作業にかかる認知負荷や検証時間のばらつきは、モデル化されていない

つまり両側で除外項目があり、しかも向きが逆である。差し引きでどちらに寄るかは、この論文からは判断できない。加えて著者自身が、変動と不確実性を織り込むため保守的な推定を採ったと述べている。幅の広い数字（人手36.3〜194.7 kWhと5倍以上の開き）は、前提の不確かさの表れでもある。

2-5. シリーズの地図

第13号（電力予測）、第16号（生産計画）、第24号（異音検知）と、本シリーズは繰り返し「提示された数字をどう読むか」を扱ってきた。本号はその集大成にあたる。削減率という一見わかりやすい指標ほど、算定範囲の定義で自由に動く。そして第25号で見たように、規制の世界では算定手順の標準化そのものが未整備である。

3. 日本のビジネスに置き換えると何が起きるか

本章以降の適用シナリオは、論文が直接検証した範囲（イタリアの電力原単位に基づく書類処理の試算）を超えた、当社の応用解釈である。日本での成立は自社条件での再計算が必要になる。

日本の製造業にとって実務的な含意は3つある。

第一に、電力の排出原単位が違う。イタリアの288 gCO2/kWhに対し、日本の系統電力はこれより高い水準にある。同じ計算をしても数字は変わる。自社の契約電力メニューの原単位で再計算する必要がある。

第二に、サステナビリティ報告に外部試算を引用するリスクである。開示書類に第三者の削減率をそのまま載せれば、算定根拠の説明を求められたときに答えられない。引用するなら算定範囲の除外項目まで併記するか、自社条件で再計算するかのどちらかしかない。

第三に、推論モードの設定が排出量に効くという発見は、地味だが実務的である。社内でAIを使う際、「じっくり考えさせる」設定を既定にしているなら、それは56%の増加を意味する。第16号・第17号で見た「推論を厚くしても性能は上がらない」という結果と合わせると、性能面でも環境面でも既定オンにする理由は薄い。

4. 導入シナリオ：算定 → 検証 → 開示

フェーズ1：自社条件での再計算（1ヶ月／主に社内工数）
論文の計算手順を、自社の電力原単位・書類量・作業時間で引き直す。この段階で外部委託は不要である。表計算ソフトで足りる。

フェーズ2：実測による検証（3ヶ月）
実際に一部業務をAI化し、電力消費と処理件数を実測する。推論モードの有無で分けて測ること。ここで机上の試算と実測の乖離を把握する。

フェーズ3：開示への反映（以降）
算定範囲と除外項目を明記したうえで、サステナビリティ報告へ反映する。監査法人・保証機関との事前確認を経ること。

5. 残っている課題3点

課題1：削減率をそのまま開示資料に引用する。 算定範囲が異なる第三者試算の引用は、説明責任を果たせなくなる典型例である。

課題2：スコープ3の除外を見落とす。 ハードウェアの製造・輸送・廃棄は、多くの企業にとって最大の排出源である。ここを除外した比較は、部分最適の議論にとどまる。

課題3：AI利用そのものの排出増を計上し忘れる。 業務が効率化しても、AI利用量が増えれば総排出は増えうる。削減率ではなく総量で追うこと。

6. 稟議で使えるキーワードと自己診断

キーワード1：算定範囲の明示。 どこまでを数えたかを先に書く。この一行があるだけで、試算の信頼性が変わる。

キーワード2：総量管理。 削減率ではなく総排出量で追う設計にする。効率化とリバウンドを同時に見られる。

キーワード3：工数効果が主、環境効果が従。 起案の主軸を工数削減に置き、環境効果は副次的な便益として書く。金額の整合が取れる。

自己診断チェックリスト

• 自社の使用電力について、排出原単位を把握しているか
• 取引書類の処理に、年間何時間を使っているか
• サステナビリティ報告のデータ収集に、誰が何時間かけているか
• 社内AIの推論設定（思考モード等）の既定値を把握しているか
• AI利用量そのものの増加を、排出量として計上しているか
• 開示資料に引用している外部試算の算定範囲を説明できるか

上記の自己診断と稟議キーワードは、社内で最初の一歩を決めるための叩き台にしてほしい。

7. まとめ

キーメッセージ1：削減率は、算定範囲の定義で自由に動く。 数字を見たら、まず何が除外されているかを問うこと。

キーメッセージ2：この論文の除外項目は、両側で向きが逆である。 AI側はスコープ3と学習を除外し、人手側は紙・郵送・通勤を除外している。差し引きの評価はできない。

キーメッセージ3：脱炭素を起案の主軸にすると、金額が合わない。 主軸は工数削減に置き、環境効果は副次的便益として扱うほうが実態に近い。

一次ソース

• Diego Gosmar, Anna Chiara Pallotta, Giovanni Zenezini. “Agentic AI Sustainability Assessment for Supply Chain Document Insights.” arXiv:2511.07097, 2025年11月10日投稿
• 対象業務：8ページの見積書（15明細）からの数値抽出、1日5,000件規模での比較
• 使用モデル：Gemini 2.5 Flash（1件あたり合計11,906トークン、1,000トークンあたり0.24Wh）
• 換算前提：電力原単位288 gCO2/kWh（イタリアISPRA 2024）、PUE 1.09、水使用効率0.18〜0.30 L/kWh
• 主要結果：人手比でエネルギー70〜90%減、CO2 90〜97%減、水89〜98%減
• 除外項目：ライフサイクル評価・スコープ3（ハードウェア製造／輸送／廃棄）、学習時エネルギー、人手側の紙・郵送・通勤
• 掲載状況：査読付き会議・論文誌への採択情報は公開されていない

次号予告

第27号は、鉄鋼業を取り上げる。装置産業の中でも設備が巨大で、止められず、データが取りにくい現場で、AIがどこまで実務に入り込めているかを扱う。