MicrosoftとKeystone、AIエージェントの共有知識基盤「knowledge spine」の調査を公開米国202社のうち全要素がそろうのは6社、スコア上位半分は営業利益率の改善が約5.4ポイント大きい（相関のみ）

Microsoftは2026年10月27日（米国時間。日本時間では10月28日午前1時）、テクノロジー・アドバイザリー企業のKeystone（キーストーン）と共同で行った企業調査を、Copilot（コパイロット）ブログで公開した。従業員1,000人超の米国企業202社を調べ、研究者が測った実践（AIエージェントの「共有知識基盤」であるknowledge spine（ナレッジスパイン）の部品を含む）を多く備える企業ほど、2022〜2025年の営業利益率と総資産利益率（ROA）の伸びが大きかった、とブログは書く。ただしMicrosoft自身が「相関であって因果ではない」と明記している。

3行まとめ

1. Microsoftは10月27日、Keystoneとの共同調査をCopilotブログで公開。対象は従業員1,000人超の米国企業202社で、AIの4つの実践をすべて報告したのは6社（3%）
2. 公開企業では、質問票スコアの上位半分が下位半分より営業利益率で約5.4ポイント、ROAで約2.3ポイント多く改善（Harvard Business Schoolのワーキングペーパーの数字をMicrosoftが引用）
3. 財務データ（2022〜2025年）は実践の測定（2026年）より前のため、エージェントが利益率を押し上げたとは言えない。因果の検証は今後の研究とされている

本記事の内容は、日本時間10月29日2時台に公式ページで確認したものです。

何が公表されたのか

公表したのはMicrosoftのCopilot担当CMO、Jared Spataro氏がCopilotブログに書いた記事「The AI advantage your company can keep」だ。同記事は、Keystoneと共同で始めた研究の結果をまとめたもので、論文本体はHarvard Business School（HBS）のワーキングペーパー「Organizing AI at Enterprise Scale: Agentic Operating Models and Firm Outcomes」（No. 27-038、2026年10月、42ページ）として公開されている。著者は5人で、HBSのページに名前が載っている。

ブログによると、研究チームはまず先進的なAI活用をしている29組織（AIネイティブのスタートアップ18社を含む）の責任者に聞き取りをして、共通点を探した。その結果を詳細な質問票にして、別の企業に当てた。HBSのページの要旨では、質問は174問、対象は「AIを活用中の米国企業202社」とされている。

knowledge spineとは何か

ブログの説明では、knowledge spineは「エージェントが頼る文脈と、エージェントの仕事から出る修正・テスト・教訓を保存して更新する共有の仕組み」だ。あるエージェントが間違えて直されたとき、その教訓がそのエージェントだけで終わらず、他のエージェントにも伝わる。全エージェントが同じ信頼できる業務知識を参照し、修正のたびにその知識が良くなっていく、という考え方である。

構築のための実践として、ブログは4つを挙げている。

これらの土台に「observability（観測可能性）」があるとも書かれている。エージェントを出す前に、期待する結果を決めたテストケース（過去の誤りに基づくものを含む）を用意する。これをブログは「golden dataset」と呼ぶ。後の段階の企業は、エージェントの行動と試行ごとに詳細なテレメトリも記録するという。正しい実績があればエージェントに任せる範囲を広げ、間違えれば戻す。ブログの言葉では「Agents earn their autonomy based on evidence」（エージェントは証拠に基づいて自律性を得る）だ。

202社のうち、何社が持っているのか

ブログは「サンプルのうち、knowledge spineの部品を展開済みなのは3%」と書く。脚注3によると、この3%は202社中6社で、次の4つの実践をすべて報告した企業だ。

• 自動で更新されるエージェント台帳
• 本番環境の信号で起動する評価
• 過去の誤りパターンのテストへの再利用
• タスクごとのモデル選択

調査対象の内訳は、脚注5によると次のとおり。2026年6〜9月に、訓練を受けた聞き手がAIの意思決定者に面談した。

参加者はすべてAIを実際に使っている企業で、ブログは「米国企業全体を代表するものではない」と書いている。

成熟度の4段階

研究者は質問票のスコアで企業を4つの段階に分けた。ブログの説明を要約する。

• 段階1: AIの試験導入が寄せ集めの状態。チャット以上の展開が少なく、調整もなく、業務との接続もなく、事業への影響は小さい
• 段階2: 特定の業務でエージェントを使うが、管理・調整の仕組みがない。委員会やチームが優先順位をつけ、人がエージェントを調整し出力を確認する。人手の調整は拡大しにくく、成果が出にくいとブログは述べる
• 段階3: 転換点。人ではなく仕組みがエージェントを調整し始める。共通の知識ベースを持つ企業もあれば、エージェントの仕事を密に監視する企業もある。研究者は一部の企業から、これは主に1つの部門や少数の業務など事業の一部で起きていると聞いたという
• 段階4: 調整、ガバナンス、knowledge spineが組み合わさる。脚注7によると段階4の企業のうち、運用中のオーケストレーション層を持つのは86%、共有の文脈層は76%、エージェントの成果に名前付きの責任者がいるのは90%。本番の失敗で評価セットを増やしているのは66%、エージェント運用の教訓を共有文脈に自動で戻しているのは33%だった

脚注6は、この4段階が統計分析で見つかった5つのグループを研究者が「解釈」したもので、段階間の移動は今後検証する仮説として扱われていると断っている。

利益率との関係：数字と、その読み方

ここが記事の中心だが、数字の読み方に注意が要る。ブログによると、チームは調査対象のうち公開企業について、2022〜2025年の財務結果を質問票のスコア別に比べた。

データはCapital IQ由来で、ROAは113社、営業利益率は97社。企業規模と業種で調整してある（脚注8）。

営業利益率の変化を最下位から最上位の四分位の順に並べると、約+0.4、−0.3、+5.1、+5.8ポイントだった（脚注9）。ブログによると、研究者は下位2つの四分位で利益率がほとんど動かなかった理由として、経済学で言う「Jカーブ」（新技術の導入直後は成果が落ちたり遅れたりし、仕事の組み替えが進んでから上向く）を挙げている。ブログはさらに、エージェントでは調整する仕組みの整備より先に展開が進んだことが遅れの原因かもしれない、と述べている。一方で脚注9は、研究者がJ字型のパターンだと述べつつ、統計検定ではその正確な形は確認されなかったと書いている。

最も重要な但し書きは、ブログ本文と脚注2、HBSの要旨が一致して述べている。財務データの期間（2022〜2025年）は実践を測定した時点（2026年）より前だという点だ。ブログ本文は、この期間が現在のエージェントシステムの多くより前でもあると書く。Microsoftは「エージェントがその利益率を動かしたとは言えず、最高得点の企業がすでに何かを正しくやっていたとしか言えない」と書き、因果関係の検証は追加研究で行う予定としている。

日本の読者にとって、どこが使えるのか

Microsoftが示した「始め方」は、全社を一度に変えるのではなく、1つのチームか、つながった少数の業務から始めて、効くと確かめてから広げるというものだ。自社の位置を確かめる質問として、ブログは3つを挙げている。

1. 誰かがエージェントを直したとき、その教訓は他のエージェントに届くか
2. 何か失敗するたびに鋭くなる「良い仕事」の共通基準があるか
3. エージェントが頼る知識の持ち主を把握しているか

どれかが「いいえ」なら、そこが出発点だという。

費用管理についても短く触れている。ブログによると、多くの企業は従業員に広くAIを使わせることから始め、約半数がチームや業務ごとにトークン・支出の予算を設ける。少数は支出を成果に結びつけ、たとえば多く使う人に上限の引き上げ理由を説明させている。ブログは「トークンを減らすことが目的とは限らず、良い成果1件のコストを知ることが大事だ」と述べ、大きなコストの一つがエージェントの仕事を確認する人手だと指摘する。

関連して、NVIDIAも社内データをエージェントに使わせる基盤を発表している。位置づけは異なるが、同じ課題に向けた動きとして NVIDIAのAgent Knowledge Foundationの記事 も参照してほしい。

Microsoft自身の製品との関係

ブログは、この考え方が同社のエンタープライズ向け知能層「Microsoft IQ」の背景にあると述べる。原理は「共有知識を一か所で更新し、全エージェントに使わせる」ことだという。つまりこの記事は研究紹介であると同時に、Microsoftの製品方針の説明でもある。

利害関係については脚注1が開示している。研究は部分的にMicrosoftとKeystoneの資金提供を受けており、Microsoftは最初の聞き取りで検討した仮説の土台となる現場観察を共有した。そのうえで「それ以外のすべての側面はMicrosoftから独立して行われた」と書かれている。この独立性の説明は、今回取得した2ページの範囲ではMicrosoftのブログの脚注にあり、HBSのページには同じ記載を確認していない。

取得したページで確認したこと

日本時間10月29日2時台にブログを取得して読み比べたところ、本文と脚注で「何と何を比べているか」の書き方が違っていた。本文は、最上位の四分位が最下位の四分位より営業利益率で「5ポイント超」多く改善したと書く。脚注8は、約5.4ポイントを「上位2つの四分位と下位2つの四分位」の差として挙げ、四分位ごとの値（約+5.8と約+0.4）も別に載せている。脚注8の定義では「5.4ポイント」は上位半分と下位半分の比較だ。ただ、脚注8・9の四分位ごとの値で筆者が計算すると、最上位と最下位の差（5.8−0.4）も約5.4、上位2つと下位2つの平均の差（5.45−0.05）も約5.4で、どちらの読み方でもほぼ同じ数字になる。ROAも最上位と最下位の差（2.3−0.0）が約2.3で、脚注8の上位半分と下位半分の差と同じだった。比べる集団の書き方は本文と脚注で違うものの、数字の大きさは変わらない。本記事では脚注8の定義に合わせ、表で分けて載せた。

この研究で分からないこと

• 因果関係: 上で述べたとおり、Microsoftが自ら「相関であり因果ではない」と書いている
• 代表性: 対象はAIを使っている米国企業202社で、日本企業を対象にした調査ではない。今回確認したブログとHBSのページには日本企業を対象にした記載はなかった
• 回答の性質: 脚注5によると、データは訓練を受けた聞き手がAIの意思決定者に面談して集めた。HBSの要旨は、スコアを自己評価の能力・便益とも関連づけたと書く。回答を第三者が検証したかどうかは、今回取得したページから読み取れなかった
• 財務の対象: 利益率の比較は公開企業（ROA 113社、営業利益率97社）のみで、非公開企業は含まれない
• 製品や料金: 今回取得したブログには、新製品の提供開始や料金の発表は見当たらなかった（料金に関する語はナビゲーションの「Plans and pricing」のみ）

論文の全文は、今回は取得していない。表や図の数字はすべてMicrosoftのブログの脚注を介したもので、HBS論文の本文では確かめていない。

出典と確認時刻

• The AI advantage your company can keep — Microsoft Copilot Blog（2026年10月27日）: https://www.microsoft.com/en-us/copilot/blog/2026/10/27/the-ai-advantage-your-company-can-keep/ （日本時間2026年10月29日2時23分に取得）
• Organizing AI at Enterprise Scale: Agentic Operating Models and Firm Outcomes — Harvard Business School: https://www.hbs.edu/faculty/Pages/item.aspx?num=69661 （同2時23分に取得）

同じ日のMicrosoft 365 Copilotの動きは 10月27日付リリースノートの記事 にまとめた。本記事は続報があり次第更新します。