社内AIアシスタントの価値を金額で示す。Highmark Healthの74用途と測り方

社内にAIアシスタントを入れたあと、必ず聞かれるのは「それで、いくらぶんの効果が出たのか」です。利用者数や入力回数なら出せますが、金額となると途端に答えにくくなります。時間が浮いたことは分かっても、その時間に値段を付ける根拠が社内に無いからです。

米ピッツバーグに本拠を置く医療グループのHighmark Healthは、この問いに金額で答えを出し、提携先であるGoogle Cloudの公式ブログにその数字が載りました。社内向けの生成AIアシスタント「Sidekick」について、1年あまりで入力回数が1 millionから6 millionを超えるまで増え、稼働している用途は74件（前年から31件の増加）、2025年のAI由来の価値として27.9 millionドルを算出した、という内容です。同じ金額は、Google Cloud Next ’26のまとめ記事（2026年4月25日）にも再掲されています。

この記事で扱えるのは、Google Cloudの公式ブログと、Highmark Health自身の公式サイトに書かれている範囲だけです。価値の算出方法、導入にかけた費用、測定の母数は、いずれも公表されていません。数値は原文の表記のまま記載し、通貨や桁の換算はしていません。確認日は2026年10月15日です。

どういう組織の、どういう道具なのか

Highmark Healthは、Google Cloudの記事ではピッツバーグに拠点を置く大規模なヘルスシステムとして紹介されています。グループにはAllegheny Health Network（AHN）が含まれており、保険の側と医療提供の側の両方を社内に持っている点が、日本の一般的な事業会社とは違います。規制と監査が厳しい業種だと考えてください。

Sidekickは外部から買ってきた製品ではなく、公式サイトの説明では「社内で開発したアプリケーション」であり、社員がさまざまなAI機能へ安全にアクセスするための社内の入口と位置づけられています。同じページには、医療向けに保護された環境で動かしていること、すでに16,000人以上に使われていることが書かれています。質問する、文章を作る、アイデアを出す、といった日常の作業を支える道具という紹介のされ方です。

業種は医療ですが、読みどころはそこではありません。全社に1つの入口を作り、その上に用途を積み増していくという広げ方と、その成果を金額に換算して外へ出している点です。社内でAIの普及率から先に測ったZapierの全社導入と比べると、同じ「全社に広げる」でも報告の仕方が違うことが分かります。

公表されている数値を並べる

Google Cloudの記事に載っている数値は4つです。入力回数、用途の数、算出された価値、そして公式サイト側に書かれている利用者数です。

この4つは性格が違います。入力回数と用途の数は数えれば出る実績です。利用者数も同じです。ところが金額だけは、どこかで換算の規則を決めない限り出てきません。原文でも「calculated」という語が付いており、計算して出した値であることは隠されていません。

したがって読み方は2段階になります。まず、用途が74件まで増え、入力回数が数倍になったという普及の実績がある。そのうえで、その普及を社内の基準で金額に換算した結果が27.9 millionドルである。前半は外から見ても検証しやすく、後半は換算の規則を知らない限り検証できません。ここを混ぜて「AIで27.9 millionドル儲かった」と読むと、事実から離れます。

金額を出す前に、測り方を決めている

この事例でいちばん持ち帰る価値があるのは、おそらく金額そのものではなく、金額を出せる状態を作ってあることです。用途を74件も数えられるということは、用途が台帳として管理されているということです。どの部署の、どの作業に、どの機能を当てたのかが1件ずつ把握されていなければ、前年との差分も、増えた31件という数字も出てきません。

逆に言えば、社内AIの効果が語れない組織の多くは、金額の計算方法で詰まっているのではなく、用途が一覧になっていないところで詰まっています。誰がどこで使っているか分からないものは、増えたことも減ったことも測れません。どの業務にAIを置くかを原因のまとまりから選び直したImpelの進め方も、出発点は候補の棚卸しでした。

なお、Highmarkがどの計算式で金額を出したのかは、確認できた資料のどこにも書かれていません。削減できた時間に単価を掛けたのか、外注していた作業の費用と比べたのか、判断できません。自社で同じことをするなら、導入の前に現状の所要時間と外注費を実測しておく必要があります。後から振り返って「たぶんこれくらい速くなった」と言い始めると、その数字は社内の誰にも使えません。

合成オーディエンスで、調査を前倒ししている

マーケティングの仕事に最も近い機能がこれです。Google Cloudの記事には、Sidekickの新しい機能として「synthetic audience」が挙げられており、時間のかかる従来型のアンケートやフォーカスグループを迂回して、素早くデータに基づく示唆を得て、戦略を実時間で調整できるようになったと説明されています。記事の結びでも、数秒でフォーカスグループを模擬できることが例として挙げられています。

ここで気をつけたいのは、速さと引き換えに何を手放しているかです。合成オーディエンスから返ってくるのは、実在の回答者の回答ではありません。社外へ出す資料や、第三者に根拠を問われる場面で使える素材とは性質が異なります。公表資料には、この機能の精度をどう検証したのか、実在の回答者と突き合わせたことがあるのかについての記載がありませんでした。

現実的な使い方は、調査の置き換えではなく前倒しでしょう。設問の叩き台を作る、想定される反応の幅を先に見ておく、聞く相手を絞り込む、といった用途です。実際に人へ聞く段階の作り方はアンケート調査の作り方に、数字を外へ出すときの注意は調査結果を公表するときの注意点にまとめています。生成した反応をそのまま「調査結果」として社外へ出すと、出どころを説明できません。

アシスタントではなく、部品として配っている

残りの機能は、社内へAIを行き渡らせる方法として読むと分かりやすくなります。

ひとつは「AI search proxy」です。Google Cloudの記事によれば、Highmarkは軽量なサービス層を自前で作り、社内のアプリケーションからVertex AI Searchを使えるようにしました。各チームがデータを取り込み、APIやSDKから柔軟に問い合わせられるようになり、画面を手で操作する必要が無くなったとされています。つまり、人がチャット画面を開く形だけでなく、既存の社内アプリの裏側に検索の機能を配っている、ということです。

もうひとつは、AHN向けの「IRB protocol and consent builder」です。研究計画書と同意文書という、手間がかかり書式の揃いにくい文書について、最初の下書きを自動で作る案内付きの手順を用意したと書かれています。研究者が事務作業ではなく研究そのものに時間を使えるようにする、という説明が添えられています。

加えて、チームが情報を共有して一緒に道具を作れる「collaborative workbooks」と、Google検索による裏取り（grounding）が挙げられています。前者は記事の書き方では今後提供されるものとして触れられており、すでに稼働していると読める書き方ではありません。公表の時点で予定と実績が混ざっているので、同じ機能が自社でも使えると前提しないほうが安全です。

共通しているのは、1つの賢いアシスタントを作って終わりにしていないことです。検索は部品として社内アプリへ、下書きは手順として現場へ、裏取りは既定の動作として全体へ。使い方を利用者の裁量に任せきらず、仕事の側に寄せて配っていると読めます。

人を残す線引きを、先に文章にしている

Highmark Healthの公式サイトには、AIの使い方についての枠組みが明文化されています。すべての用途がリスク評価にかけられ、法務・プライバシー・事業・技術の専門家が確認すること。入力から出力まで人を介在させること。サービスの否認にAIを使わないこと。機密情報や保護対象の情報の入力を厳しく規制すること。社内の監視ツールでバイアスを評価し、低減すること。

同じページのよくある質問では、ケア・給付・サービスに関する決定をAIが単独で行うことはなく、資格を持つ人が決めると明言されています。規制業種だから当然とも言えますが、禁止の内容が具体的で、読んだ人が自分の仕事に当てはめられる書き方になっている点は、業種を問わず参考になります。「適切に利用します」とだけ書いた方針は、現場では何も止めません。

日本の実務者が参考にできる点

第一に、効果を金額で語りたいなら、用途の台帳を先に作ることです。74件という数字が出てくる前提には、1件ずつ登録して数えている仕組みがあります。件数が数えられない状態では、増減も、投資の是非も議論になりません。まず一覧を作り、次に各件の所要時間を実測し、そのあとで金額の換算規則を決める。この順序を飛ばすと、出てきた金額を誰も信用しません。

第二に、換算した値と実績の計数を同じ扱いにしないことです。社内の報告でも、数えた値と計算した値は分けて書くほうが通ります。Highmarkの公表の仕方も、計算した値であることを明示しています。この区別を保っておけば、後から算出方法を見直したときに、過去の数字と比べられます。

第三に、合成オーディエンスのような機能は調査の代替ではなく前段として置くことです。速く答えが返ってくるぶん、そのまま結論に使いたくなりますが、実在の回答者ではないという性質は残ります。社外に出す資料の根拠は、人に聞いた結果で用意する。社内で方向を決める前の素振りには使う。この線を引いておけば、速さだけ取り込めます。

第四に、禁止事項を先に文章にすることです。何に使ってよいかの一覧より、何に使わないかの一覧のほうが短く、守りやすいという事情があります。決定そのものをAIに委ねない、特定の情報を入力しない、といった形で具体的に書けば、現場が判断に迷う回数が減ります。

確認できなかったこと

記載が見当たらなかった項目を残します。まず、27.9 millionドルという価値の算出方法です。対象期間、含めた費目、削減時間の単価、どの用途がどれだけ寄与したのかは、いずれも公表されていません。

次に、費用です。開発と運用にいくらかけたのか、社内の推進体制が何人なのかは書かれていません。したがって、投じた額に対する効果としては読めません。

三つ目に、基盤の詳細です。Highmarkの機能の説明で名指しされているのはVertex AI Searchだけで、Sidekick全体がどのモデルや基盤の上で動いているのかは、確認できた範囲では特定できませんでした。

四つ目に、合成オーディエンスの精度です。生成された反応を実在の回答者とどう突き合わせたのか、どの用途なら使ってよいと社内で決めているのかは書かれていません。

五つ目に、うまくいかなかった用途です。74件の内訳も、作ったが使われなくなったものがあるかどうかも示されていません。成果だけが並ぶ資料は、その点で偏りを含んでいると考えて読む必要があります。

全体を1行でまとめると、この事例の読みどころは金額そのものではなく、金額を出せるだけの台帳と線引きを先に用意していたことです。社内AIの成果報告で詰まっているなら、計算式を探す前に、用途の一覧が作れているかを確かめるところからです。