生成AIは自社の決算をどう語るか｜IRのためのAI認知管理と誤り対策

IR情報には、他の企業情報にない特徴があります。売上高や利益、実績配当のように、期間・範囲・会計基準を指定すれば、公表済み開示と客観的に照合できる項目が多いことです。有報、決算短信、適時開示、10-K は EDGAR・EDINET・TDnet・XBRL を通じて機械的に取得できます。にもかかわらず、生成AIがそれを常に参照し、正しい決算期・通貨・単位・会計基準で答える保証はありません。米国上場17,621社・197,011問の評価では企業名と年度を明示してもなお数値ハルシネーションが観測され、財務QAベンチマークでは8回の再回答がすべて一致する「高確信」状態でも15〜23%が誤答しました。

AIが自社の財務情報を誤って語るとき、それは単なる評判の問題ではなく、公表済み開示との矛盾になる。同じ誤りでも、採用領域や広報領域とは重みが違います。

しかし本稿で確認した範囲では、AI上の可視性をIRの正式KPIとして推奨した当局・職業団体の一次資料はありません。だからこそ本記事は、露出量ではなく「開示との一致率・引用元・鮮度・単位/通貨の正確性」を測るべきだと主張します。これは本記事の推論であり、公的な基準ではありません。

• IRにおけるAIの誤りが、なぜ他部門と意味が違うのか（照合先となる開示の存在）
• AIが企業財務を誤る実態について、何がどこまで実証されているのか
• IR固有の誤りの類型と、IRサイトのHTML/PDF構成が与える影響とその限界
• 機関投資家・個人投資家・IR部門それぞれのAI利用の実態（国内一次データを含む）
• フェア・ディスクロージャー・ルールとの正確な関係（誤ると重大な論点）
• IRがAI上の認知について何を測るべきか、そして何を測ってはいけないか

上場企業のIR部門・情報開示担当、CFOおよび経営企画部門。副次的に機関投資家・アナリスト、個人投資家。

本題に入る前に、この記事が何を根拠にしているかを明示します。IR領域のAI認知は期待と現実の距離が大きく、断定的な言説が流通しやすいためです。

実証されていることは、統制された実験とベンチマークの結果です。モデルに企業の売上高を尋ねたときの正答率。同じ開示文に企業名を付けた場合と付けない場合の評価の差。HTMLとPDFで引用のされ方に差があるか。いずれも実験として設計され、数値が公表されています。

実証されていないことは、実際の事故の集積です。「ある生成AIが企業Aの配当を誤って回答し、その企業が公式に訂正した」という実名企業別の事故台帳は、2026年8月時点でほぼ存在しません。本記事は実名の事故事例を挙げず、件数も示しません。また、各AIサービスが企業別の回答をどう取得し順位付けするかの仕様は非公開です。本記事は実験結果と実運用を混ぜずに書き分けます。

本記事が扱うのは、「AIの誤情報一般」ではなく「法定・適時開示と矛盾する誤り」に限定した領域固有の問題です。誤情報の全体像はAI誤情報・誤帰属対策、法的責任はAI誤情報の法的責任、訂正・削除はAI誤情報の訂正と削除をご参照ください。

採用領域でAIが自社の平均年収を誤れば候補者の意思決定が歪み、広報領域で事業内容を誤って要約されればブランド認知が歪みます。どちらも重大ですが、「何が正しいか」を確定する外部の基準は必ずしもありません。

IRは違います。

上場企業の売上高、営業利益、実績配当、セグメント情報。これらの多くは、期間・範囲・会計基準を指定すれば、公表済み開示と客観的に照合できます。有価証券報告書は金融商品取引法に基づく法定開示、決算短信は取引所の適時開示制度に基づきます。もちろん配当には予想や方針があり、株主構成は基準日や把握方法で変わり、調整後（non-GAAP）指標は別に管理されます。それでも、照合可能な項目が広く存在する点でIRは他部門と異なります。

AIが自社の前期売上高を10%誤って語ったとき、企業が直面するのは「印象が悪い」ことではなく、公表済み開示の内容と、市場に流通している情報が食い違っているという事態です。本記事ではこれを、法令上の開示統制義務そのものではなく、開示品質管理に隣接する外部情報環境のモニタリング課題として扱います。

そのうえで本記事は次の立場を取ります。AI上の自社認知は、広報的な「評判管理」の延長ではなく、開示品質管理の延長として扱うべきである（本記事独自の実務提案であり、法令上の要求ではありません）。誰がどう語っているかではなく、語られている内容が公表済み開示と一致しているかを測る。この違いが以降の議論の土台になります。

なお、引用元の供給構造は広報レーンの領域であり、本記事では再説明せずAIは自社の何を引用しているかに譲ります。言語・国による差はクロスボーダーのAI認知、採用文脈は候補者はAIで企業を調べているをご参照ください。

照合先となる開示が、どれほど機械に開かれているかを確認します。

法定・適時開示のデータ経路

ここから確認できるのは、照合先となる法定・適時開示が機械取得可能である、ということまでです。なおTDnetは東京証券取引所が運営する取引所の制度であり、決算短信は取引所規則に基づく適時開示です。有価証券報告書のような法定開示とは根拠が異なります。AI回答の正誤を判定するには、どの制度に基づくどの書類を照合先とするかを先に決めておく必要があります。

機械取得可能性と、実際に参照されることの距離

APIが公開されていることは、AIがそれを叩いていることを意味しません。「ChatGPTは毎回EDINETを検索する」「Geminiは10-Kを最優先する」——公開情報からは結論できません。

Googleは自社の生成AI機能について踏み込んだ説明を公開しています。AI Overviews や AI Mode の参照リンクとして表示される条件は、ページがインデックスされ、スニペット付きで表示され得ることであり、追加の技術要件はないとされます。llms.txt のような機械可読ファイルや特別なマークアップは不要でGoogle検索はそれらを使用しないと明記し、生成AI機能のための特別な schema.org マークアップも存在しないとしています。

ここで重要なのは2点です。GoogleのAI機能は通常のSearchのインデックスと検索基盤を利用しており、専用の追加要件はないこと。ただし、AI回答内でのページ選択や生成の過程が通常検索の順位付けと同一だとは、公式資料からは言えません。そして、それはGoogleの説明であって他のAIサービスの仕様ではないこと。ChatGPT、Perplexity、Claude 等がどう企業情報を取得しているかは公表されていません。

なおGoogleは、テキストPDFは検索でインデックス可能であり、画像化されたPDFにはOCRを適用する場合があるとしています。「PDFは生成AIに読まれない」という広く流通した主張は過度な一般化です。

公開されている実証研究が何をどこまで示しているかを整理します。いずれも統制された実験であり、実際のAIサービスで自社に何が起きているかを直接示すものではありません。

3-1. 上場17,621社・197,011問の評価 — 「知識と過信の併存」

米ジョージア工科大学の研究チームは、米国上場企業の売上高に関する197,011件の質問を作成し、複数の大規模言語モデルに回答させました。対象は1980年から2022年までの43年間、17,621社。データは Compustat Capital-IQ 由来で売上高は百万米ドルに統一。プロンプトは企業名と年度を明示した定型文で、一般利用者の使い方を想定しています。

正解値との絶対誤差が10%超を数値ハルシネーションと定義したところ、次の結果が得られました。

• 新しい年度ほど正答率が高い。 Llama-3-70B-Chat は2017年について54.17%の企業で正答した一方、1995年は6.32%。論文は1995年を、EDGARによる開示情報の利用可能性の節目として分析しています（SECの電子提出義務化は1993年から段階的に進み、完了は1996年5月）。
• 時価総額が大きい企業ほど正答率が高い。 同モデルでは時価総額10倍あたり正答の対数オッズ比が1.0091上昇。機関投資家の注目度でも同傾向です。
• しかし、正答できなかったケースの中では、時価総額が大きい企業ほど数値ハルシネーションを返す傾向も強い。 同モデルで時価総額10倍あたり対数オッズ比が0.1914上昇。この比率の分母は「モデルが正答しなかったケース」であり、全質問数ではありません。

研究チームはこれを知識と過信の併存として整理しています。IRにとっての含意は、知名度が高い企業ほどAIは自信を持って答え、外したときの外し方も大きいという点です。ただしこれは企業規模等との相関であり、開示量を増やすと誤答が増えるという因果を示したものではありません。逆に、開示を増やせば自動的に安全になるという直感も裏付けられていません。

なおCompustat由来のため会計基準差は統一されていません。本研究は国際会議 COLM 2025 に採択されています。

3-2. 「高確信」でも誤る — 一貫性は正しさの証明にならない

2026年7月に公開された研究は、IRの計測設計に直接関わる発見を報告しています。実際の提出書類から構築された財務QAベンチマーク（FinQA および TAT-QA）で同じ質問に8回回答させ、8回すべてが同じ答えに収束した場合を「確信している」状態と定義したところ、FinQAではその確信回答のうち15〜23%が誤答でした。

重要な限定があります。評価対象は Qwen3-8B、Llama-3.1-8B、Gemma-2-9B という8〜9B級のオープンモデル3種であり、公開されているAI検索製品そのものではありません。また査読前のプレプリントです。「15〜23%」を、特定のAIサービスが自社について誤る確率と読み替えることはできません。

それでも実務への含意は明確です。少なくともこの実験では、再回答の一致は正答を保証しませんでした。 商用AIの監視においても、回答の一貫性を真偽の代替指標とせず、公表値との照合を優先するのが妥当です。

3-3. 日本の決算短信で、企業名の有無が評価を変える

日本のIRにとって最も直接的な示唆を持つのが、野村アセットマネジメントと Preferred Networks の研究者による査読付き研究です（IEEE BigData 2024 収録）。

東京証券取引所のTDnetから取得した2019年1月から2023年12月までの決算短信の業績記述部分をモデルに読ませ、プロンプトを2種類用意しました。片方は企業名を明示し、もう片方は伏せます。それ以外は同一です。センチメントを1（悪い）から5（良い）で評価させ、同一文章に対する2つのスコアの差を企業固有バイアスと定義しました。

評価対象は GPT-4o、GPT-3.5-turbo、Gemini 1.5 Pro／Flash、Claude 3.5 Sonnet、Claude 3 Haiku、Qwen2-7B の7モデル。各モデルでおよそ10〜20%のケースでスコアが変化し、GPT-4o では有効観測10,249件のうち約17.8%でした。

さらに重要なのは、偏りの方向がモデル間で一致しないことです。MSCI Barra Japan Equity Model の20ファクターで分析すると、バリュー・ファクターで GPT-4o は負のスプレッド（-0.328）、GPT-3.5 は正のスプレッド（+0.230）を示し、モメンタムでも符号が逆でした。

IRの観点から意味は明確です。自社が発表した決算短信の文章が変わらなくても、企業名という「文脈」が付くことでAIの評価が変わりうる。 しかも変わり方はモデルによって異なり、開示文の推敲だけでは制御できない層があります。なお同研究は株価との関係も分析していますが、因果関係を示すものではありません。

3-4. 法定開示への根拠付けは、それ自体が未解決の技術課題

2026年3月に公開されたベンチマーク研究は、SEC 10-K の300ページ分から755件の注釈付き事例を構築し、AIの回答が原典に根拠づけられているか（groundedness）を判定する手法を評価しました。755件は評価データの規模であり、誤答率ではありません。示されているのは、「AIの回答を法定開示のどの記述に紐づけられるか」を機械的に検証すること自体が独立した技術課題になっている、という事実です（査読前）。つまり、AIが根拠を示したからといって、その根拠が回答全体を支えているとは限らない。IR担当者にも機関投資家にも実務的な含意を持つ点です。

前節を踏まえ、IR情報で起きうる誤りを類型化します。発生頻度を示す信頼できる公開統計は存在しないため、以下は頻度ではなく類型の整理です。

IR部門にとって最も具体的な問いは「自社サイトの作り方でAIの読み方が変わるのか」でしょう。正面から答えようとした実験が1件あります。扱いには相当の注意が必要なので、条件を示します。

5-1. HTML年次報告書とPDF年次報告書の比較実験

ザンクト・ペルテン応用科学大学（USTP）、HHLライプツィヒ経営大学院、デジタルIRレポート事業者 nexxar による2026年の共同研究で、2つの調査から成ります。

調査1（引用パターン）: 欧州9か国・8業種の上場企業20社を、構造化HTML年次報告書を公開する10社と主にPDFで公開する10社のピアグループに分け、2,500件超の定型プロンプトを ChatGPT（GPT-4o および GPT-5）に投入。23名のテスターが回答内の引用元をコード化し、24,662件の引用を抽出しました。

調査2（サーバーログ）: DAX上場5社のデジタル年次報告書について、2025年8月29日〜10月25日の8週間分のアクセスログを分析。自動アクセスは4,838,833件、識別可能なボットは175種類超。上位5ボットで48.8%を占め、ChatGPTを名乗るアクセスがボット通信の30.3%（次いで Bingbot 6.6%、Amazonbot 5.8%、Googlebot 4.6%）。クリーニング後の759,226件では、事業の状況が39.3%、財務報告・財務諸表が20.6%でした。

5-2. この実験から言えること、言えないこと

まず言えないことから。

• 「HTML化すればAI回答は正しくなる」は未証明です。 HTML群でも29%は不正確と判定されています。HTML年次報告書を作る企業はIR体制が充実し更新頻度も高い可能性があり、因果を分離した実験ではありません。
• nexxar はデジタルIRレポートを事業とする当事者であり、査読の有無は明示されていません。独立した再現が必要です。
• サンプルは20社および5社、しかも欧州企業であり日本企業ではありません。
• 調査1が数えたのは、回答内に明示的に表示された引用元のみです。「引用されなかった＝読まれなかった」とは言えません。
• user agent は自己申告であり、ChatGPTを名乗るアクセスは、その内容が回答へ採用されたことを証明しません。

そのうえで言えることもあります。PDF中心の企業群でも年次報告書PDFへの引用は2,385件記録されており、「PDFは読まれない」という断定は誤りです。より穏当な読み方はこうです。PDFは「読めない／正確に読める」の二択ではない。 ページをまたぐ表、脚注、画像化された財務諸表、本表から離れた単位表記——こうした構造で誤抽出の余地が生じます。そしてPDF中心の構成では、AIの回答が自社の一次資料より外部の金融情報ベンダーに依存しやすくなる傾向が観測されました。これは統制の喪失であって、正誤そのものではありません。

なお、IFrame、IR専用の別ドメイン、Cookie同意画面、JavaScriptでのみ描画されるコンテンツについては、正答率への影響を要因分離して示した一次実証研究は確認できませんでした。本記事は「IFrameだからAIに読まれない」とは断定しません。

誰がAIを使っているのかを確認します。調査によって母集団も設問も異なるため数値の単純比較はできません。当事者調査が多いことにも注意が必要です。

6-1. 機関投資家 — AIは一次資料と人的対話を置き換えていない

米国の機関投資家100名を対象としたIR支援会社による2026年の調査では、生成AIを投資リサーチ上「少なくとも中程度に重要」とした回答が54%、新規投資候補の詳細調査で主要ツールとして使うとした回答が42%でした。ただし最も示唆的なのは情報源としての重要度です。経営陣との接触77%、企業の開示66%、IR部門との対話63%、IRサイト47%に対し、生成AIの回答は24%（当事者調査・n=100。設問と尺度が項目ごとに異なり横並び比較はできません）。

少なくともこの調査では、生成AIは重要性の点で経営陣・企業開示・IR対話を下回っており、従来の一次情報と人的対話を置き換えたとは言えません（「必ず最終確認で一次資料に戻る」という行動を測った調査ではない点にも注意が要ります）。IRのリスクは「AIが最終判断を下すこと」ではなく、「食い違いが検出される前に、誤った前提で質問が組み立てられること」にあります。

6-2. 運用会社の実装 — 日本の監督当局による横断調査

より信頼度の高い国内データとして、金融庁が2026年7月に公表した「資産運用サービスの高度化に向けたプログレスレポート2026」があります。これは監督・モニタリングに基づく進捗報告書であり、法令でも監督指針でもありません。

2025年11月末時点で大手資産運用会社13社（日系10社・外資系3社）を調査したところ、生成AIを導入済または準備中とした社数はリサーチ業務で11社、レポーティング業務で11社、スチュワードシップ活動で10社。決算分析でアナリスト1人当たり月40時間の削減という事例も挙がっています（1社の自己申告。投資成果ではなく業務時間の指標）。

IRにとって重要なのは、AIが使われている場所です。同レポートは議決権行使・エンゲージメント領域で、投資先企業の公表資料からの財務・非財務情報の収集・分析および議決権行使に係る一次判断にAIを活用する取組が広がっているとしています。つまり、自社が発表した開示資料は、投資家側のAIに読み込まれ、要約され、議決権行使の一次判断の材料にまで入り始めているということです。なお13社中10社が「データベース設計・構築」、9社が「説明可能性の担保」を課題に挙げ、人間が確認・判断する運用としています。

6-3. 個人投資家 — 「懸念がある」と「必ず検証する」は別

個人投資家については査読を経た研究が最も信頼できます。米ワシントン大学の研究チームによる調査（Journal of Accounting and Economics 2026年11月号に掲載予定）は、大手ブローカレッジの生成AIチャットボットへの40万件超の実際の問い合わせと2,000名超への調査を組み合わせ、個人投資家のおよそ半数が生成AIを利用していると報告しています。主な用途は財務情報や市場動向の解釈と文脈化で、銘柄スクリーニングも含まれます。懸念で最も多いのは信頼性・正確性（54%）でした。ただし「懸念がある」ことと「必ず一次資料で検証する」ことは同じではありません。同研究は金融知識や投資経験が豊富な利用者ほど複雑な用途でAIを使う傾向も報告しており、「AIを無批判に信じる若年初心者」という像は支持されません。

6-4. IR部門自身 — 日本の一次データが示すもの

日本のIR部門についての最も重要なデータが2026年5月に公表されました。IR普及を目的とする非営利団体、日本IR協議会の第33回「IR活動の実態調査」です。2026年1月時点の全上場会社4,088社を対象に2026年2月9日〜3月25日に実施され、948社が回答（回収率23.2%）。

結果は明快です。IR活動における生成AIの利用は「1年前より利用頻度が増えた」が80.3%。IR関連業務での使用状況（「業務で使用」または「トライアル」の合計、n=780）は、資料要約・整理が80.5%（2024年調査では13.8%）、議事録作成65.8%、英文開示資料の作成が63.7%（同16.0%）、説明会・報道用ドキュメント作成51.3%。ガイドライン策定も55.2%（前回32.1%）に進んでいます。

そして、導入の課題（n=917）の第1位が決定的です。情報の正確性に欠ける（いわゆるハルシネーション）が77.2%。以下、セキュリティ面での懸念60.1%、著作権・倫理面のリスク45.0%、従業員のスキル不足34.8%、社内用語への非対応34.1%と続きます。

回答企業の8割近くが、生成AIのハルシネーションを最大の課題として挙げている。 4,088社に配布して948社回答（回収率23.2%）という母集団である点は割り引く必要がありますが、AIの不正確さがIR実務の現場感覚として共有されつつあることは読み取れます。

ところが同じ調査の効果測定に用いる指標には、噛み合わない結果が並びます。

少なくとも同調査の効果測定設問では、AI上の企業認知は測定項目として確認できません。 ただし、各社が別途測定しているかどうかは、この調査からは判断できません。

ここに本記事が指摘したい非対称が現れます。IR部門は、自分たちが使うAIについてはハルシネーションを最大の課題として挙げている。しかし、投資家が使うAIが自社をどう語っているかは、少なくともIR効果測定の枠組みには入っていない。 同じモデルが同じ不正確さを自社の決算について生成しうるにもかかわらずです。

海外も同様です。取引所系のIRソリューション事業者が2025年第4四半期にIR担当者約700名へ実施した調査では、AIを業務に組み込み済みとの回答が51%（2024年は30%）でした（当事者調査）。いずれも「IR部門がAIを使う」データであって、「AI上の自社認知を測っている」データではありません。

6-5. 日本の測定の空白

日本証券業協会の「個人投資家の証券投資に関する意識調査2026」は有効回答5,000件の大規模調査で、証券保有者の情報源としてウェブサイト52.9%、30歳代以下ではInstagram・YouTube・TikTok等43.4%という結果を示しています。

しかし、この調査にAIやChatGPTを直接尋ねる設問は含まれていません。これは「日本の個人投資家がAIを使っていない」ことを意味せず、測定されていないということです。日本の個人投資家が銘柄研究に生成AIをどの程度使っているかを示す公開統計は、2026年8月時点で確認できませんでした。

IR部門から最も多く出るであろう問いに答えます。「AIが当社の未公表の業績を推測して語っている。これはフェア・ディスクロージャー違反ではないのか」 答えは、原則として違反にはなりません。

7-1. 両制度が規律しているのは「発行者の行為」である

米国のRegulation FDは2000年10月施行の最終規則、日本のフェア・ディスクロージャー・ルールは金融商品取引法第27条の36以下に規定された法律で、2018年4月1日に施行されました。ただしRegulation FDは、外国私募発行体（foreign private issuer）には適用されません。 米国市場に上場する日本企業の多くはこの区分に該当し、Reg FD の直接の名宛人ではありません。日本企業に直接効くのは、金商法のFDルールです。

両制度が対象とするのは、基本的に発行者側が重要な未公表情報を特定の市場関係者等へ伝達する行為です。日本のルールでは、上場会社等が未公表の重要情報を業務に関して証券会社や投資家等へ伝達する場合、意図的なら同時に、そうでなければ速やかに、ウェブサイト等での公表が求められます。したがって、第三者が運営するAIモデルが公開情報から未公表業績を推測して語ったとしても、それは発行者による選択的伝達ではありません。「AIが推測したら自動的にFD違反」という理解は法的に不正確です。

なお金融庁の「フェア・ディスクロージャー・ルールガイドライン」は、同庁自身が冒頭で「あくまでも、法令に関する現時点での一般的な解釈を示すものであり、個別事案に対する法令適用の有無を回答するものではありません」と明記しています。個別事案は事実関係を前提に判断されます。個別の判断は必ず自社の法務部門および専門家にご確認ください。

7-2. しかし、別の論点は確かに発生する

FD違反にならないからといって論点がないわけではありません。企業が外部の生成AIサービスへ未公表の重要情報を入力した場合は、情報漏えい、守秘義務、内部統制、状況によっては選択的伝達という別系統の問題が生じます。

ただし、外部AIへの入力がそれだけで直ちにReg FD違反になるわけではありません。 Reg FD には規律対象となる受領者の範囲があり、守秘義務を負う者や秘密保持を合意した者への伝達には例外が置かれています。AI提供者がFD上の対象受領者に当たるか、守秘義務・秘密保持契約があるかによって法的評価は変わります。重大なのは情報管理リスクであり、法令違反の断定にすり替えないことです。

前掲の日本IR協議会調査で回答企業の60.1%が「情報漏洩などセキュリティ面での懸念」を挙げているのは、この論点です。決算発表前の想定問答をAIに作らせる、開示前の資料を要約させる——業務効率化としては自然ですが、そのAIがどこにデータを送り、どう保持するかの確認が要ります。金融庁のAIディスカッションペーパー（第1.1版。法令でも監督指針でもありません）も、機密・重要情報の外部AIへの入力や出力検証を課題として整理しています。

職業団体側の裏付けもあります。米国のIR職業団体であるNIRIは、2024年9月に理事会承認したAIに関するポリシーステートメントで、公表前の決算発表準備資料を公開AIツールで評価すると、意図せず SEC Form 8-K の開示が必要になりうると明記しています。外部AIへの未公表重要情報の入力が独立した実務論点であることを、IR職業団体自身が示した例です。

7-3. ★最も危険な誤り — 未公表情報でAIを訂正しようとすること

AIの回答が間違っているからといって、企業が未公表の重要情報を使ってそれを訂正することは、極めて危険です。 たとえばAIが自社の今期業績見通しを実態より低く語っているとして、公表していない数値を持ち出せば、それは発行者による未公表重要情報の伝達になりえます。AIの誤りを正すという動機は、選択的開示を正当化しません。

そこで本記事が推奨する保守的な運用は、個別のAIに対する訂正を公表済み情報だけで行うことです。法律が「AIの訂正では公表済み情報しか使えない」と定めているわけではありません。本質は、新しい情報を伝える必要があるなら、まず適切な広範公表を行ってから説明するという順序にあります。実務としては「当社が◯月◯日に開示した決算短信では、当該数値は○○です」と公表済みの事実を指し示し、それ以上を追加しない。AI上の露出を正式な開示の代替チャネルとして使うことも避けるべきです。

なお、発行者自身の過去の開示が現在ミスリーディングになっている場合の訂正・更新、反詐欺（anti-fraud）責任、インサイダー取引規制、守秘義務などは、FDとは別の論点です。Regulation FD の最終規則自身、FDとは別に連邦証券法上の反詐欺責任が存続することを明示しています。

AI提供元に対する法的な争い方や削除・訂正請求の制度設計は本記事の範囲外です（法的責任／訂正と削除）。

ここまでの整理を踏まえ、本記事の結論に入ります。

8-1. まず確認すべきこと — 公式KPIは存在しない

職業団体にAI関連の正式文書がないわけではありません。米国のNIRIにはAI利用に関する正式なポリシーステートメント（2024年9月18日理事会承認）が存在します。ただしその内容はIR部門自身のAI利用に関するガバナンスと倫理であり、AI上の可視性を測るKPIを定めたものではありません。

CFA Institute も2026年7月20日に「Artificial Intelligence and the Future of Finance: A Framework for Structural Change」を公表しました。ただし同報告が扱うのは投資家側・運用側のAI利用に対するガバナンスであり、発行体に「AI上の自社の可視性を測れ」と求めるものではありません。同団体が2024年に投資専門職200名へ実施した調査でも、投資業界に共通の基準が必要とする回答が85%、その欠如が採用の障害とする回答が82%と、基準がまだ整っていないことが確認されています。ESMAの監督上の声明、IOSCOの報告書および非拘束の監督ツールキット、金融庁のディスカッションペーパーも、発行体のAI可視性KPIには言及していません。

本稿で確認した範囲では、AI上の企業認知や可視性をIRの正式なKPIとして推奨した規制当局・職業団体の一次資料は、2026年8月時点で確認できませんでした。

したがって、以下は本記事の推論です。公的な基準ではありません。

8-2. 露出量ではなく、開示との一致を測る

広報領域では、AI上の言及量・引用率・回答内シェアといった指標に意味があります。ブランド認知には量の側面があるからです。しかしIRでは、量を増やしても開示との矛盾は解消しません。露出だけを追えば、誤りを増幅しかねません。IRが運用指標として持つべきものを、次のように提案します。

いずれも正誤が客観的に判定できる点で共通します。だからこそIRで使える指標であり、他部門に移植できるものではありません。

8-3. 測ってはいけないもの

同じくらい重要なのは、何を目標にしないかです。

• 回答シェアや肯定的センチメントだけを経営目標にしないこと。 AIが自社を好意的に語ることは企業価値の向上を意味せず、相関の証拠もありません。
• AI上の露出を、IR活動の成果指標としてそのまま経営に報告しないこと。 公的な基準はなく、妥当性も確立していません。
• AI回答の誤りが株価や資本コストを動かしたという因果を主張しないこと。 因果推定は確認できていません。

次は運用です。

9-1. 「正解表」を作る

AI回答の正誤を判定するには基準が要ります。数値そのものは各所に存在しても、判定に使える形では整理されていないのが通例です。正解表には次の属性を持たせてください。

1. 決算期（2026年3月期／2026年度など、定義を含めて明示）
2. 連結／単体の別
3. 会計基準（日本基準／IFRS／米国基準）
4. 通貨と単位（百万円／千円／百万米ドル等）
5. 継続事業／全社の範囲
6. 発表日と出典書類名
7. 実績値か、予想・ガイダンスか
8. 当初公表値か、訂正・過年度修正（restatement）後か
9. 法定基準の指標か、調整後（non-GAAP）指標か

これが揃って初めて「AIの回答が誤っている」と客観的に言えます。揃わないうちは社内でも正誤の議論が収束しません。

9-2. 主要質問の定期テストを設計する

次に何を質問するかです。直近期の売上高・営業利益・当期純利益、配当（1株当たり配当金・配当方針）、代表者名・主要役員、セグメント構成と主力事業、資本コスト・ROE等の開示済み目標値、中期経営計画の主要KPI——この質問群から始めるのが現実的です。

これらを定期的に、質問文と条件を固定して質問し、正解表と照合します。決算発表の前後、有価証券報告書の提出後、役員異動の公表後——開示イベントの直後に再計測する設計にすれば、旧情報の残存を検出しやすくなります。

9-3. IRサイト側で確実にできること

§5のとおり、実装がAI回答に与える影響を断定できる証拠は限られています。それでも根拠が明確で副作用のない施策は存在します。

• 主要な事実をHTMLテキストでも提供する。 PDFを廃止する必要はありません。並行して主要数値をテキストで読める形に置きます。
• 過年度ページに年度を明示する。 「2023年度 決算短信」のようにページ内のテキストとして書く。ファイル名だけに年度がある状態は避けます。
• 単位と通貨を数値の近くに置く。 表の欄外や脚注だけに単位がある構成は誤抽出の余地を生みます。
• クロールを妨げない。 robots.txt、CDN、ホスティング基盤でのブロックを確認し、内部リンクからIR情報に到達できるようにする。Googleが挙げる基本要件です（§2のとおり、生成AI機能のための特別なマークアップは不要です）。

一方、llms.txt の設置やAI専用ファイルの用意を「Googleで効く施策」として予算化することは推奨しません。Google検索はそれらを使用せず、可視性や順位を助けも損ないもしないと明言しています。FAQ形式のコンテンツを整えること自体は否定されませんが、Googleの表示装飾を生む施策としては推奨できません（FAQリッチリザルトは2026年5月に廃止）。

9-4. やってはいけないこと

1. AIに好まれそうな表現へ、法定開示の記載を変えること。 開示書類は法令と取引所規則に従って作成されるものであり、AIの読みやすさのために内容や表現を歪めてはなりません。
2. 未公表情報を使ってAIを訂正すること。（§7）
3. 単一モデル・単一プロンプトの回答を、恒常的な認知とみなすこと。
4. AIの回答をそのまま投資家向け資料に転記すること。 出典リンクが付いていても、回答全体が裏付けられている保証はありません（§3-4）。

そして、「AI回答の訂正」は削除依頼だけを意味しません。再現可能なプロンプトと日時を保存し、公表済み一次資料のどこと矛盾するかを特定し、自社IRサイトの欠落・旧ページ・単位表示・法人識別を修正し、一定期間後に複数のモデルで再検証する。この流れを開示品質管理のプロセスとして設計することが本質です。ただし主要なAIサービスに共通する企業向けの訂正制度や、訂正結果を保証する手続きは確認できません。企業側が制御できるのは、自社が発信する情報の質と構造、測定と検知の速度までです。

確認できなかった項目を明示します。以下は書けないことであり、他の資料で断定されていた場合は根拠をご確認ください。

ここまでの制約から、IRに必要な計測の要件が決まります。

第一に、反復すること。 8回一致しても15〜23%が誤りうる以上、1回の回答も一つの観測ではありますが、安定した状態の推定には不十分です。第二に、条件を固定すること。 過去の会話履歴が残った状態での質問は、恒常的な認知ではなくその会話の産物です。ステートレス化することで、会話履歴という交絡要因を除き、条件間の比較可能性を高められます（モデル更新や取得時刻の影響までは除けません）。第三に、複数のAIにまたがること。 §3-3のとおり偏りの方向はモデル間で一致しません。第四に、内容まで測ること。 引用の有無ではなく、語られた数値が公表済み開示と一致しているか。これが本丸です。

Vaipm は、AI上の認知を、複数のAIへの合計25回のステートレス計測で測定しています。なお本記事が引用した研究群が示すのは「反復が要る」「条件固定が要る」までであり、具体的な回数の統計的妥当性を本記事が示すものではありません。AI Perception Management（AI認知管理）の全体像はAIPMとは、AI検索最適化との関係はAIOとは・LLMOとはをご参照ください。

IRにとって、これは新しい業務ではありません。開示の正確性を担保するという既存の仕事の対象が、AIという新しい読み手にまで広がっただけです。

Q1. AIが当社の決算数値を間違えていました。これはフェア・ディスクロージャー違反ですか。

いいえ。Regulation FDも日本のFDルールも、規律の対象は発行者が重要な未公表情報を特定の市場関係者等へ伝達する行為です。第三者のAIが公開情報から推測して語ることは選択的伝達にあたりません（なおReg FDは外国私募発行体には適用されません）。個別事案は事実関係に基づき判断されるため、自社の法務部門にご確認ください。

Q2. AIの誤りを訂正するために、まだ公表していない正確な数値を伝えてもよいですか。

避けてください。未公表の重要情報を伝えれば、それ自体がFD上の論点になりえます。本記事が推奨する保守的な運用は、訂正を公表済み情報に限定し、必要なら先に適法な公表手続きを行うことです。

Q3. IRサイトをHTML中心に作り替えれば、AIの回答は正しくなりますか。PDFは読まれないのですか。

どちらも断定できません。欧州20社の比較実験ではHTML群の正答率71%、PDF群54%でしたが、HTML群でも29%は不正確でした。標本も小さく、企業規模やIR体制の差が混在します。またGoogleはテキストPDFをインデックス可能としており、同じ実験でもPDFは引用されています。HTMLでの提供は合理的ですが、正確性は保証しません。

Q4. llms.txt を設置すればAI検索で有利になりますか。

Google検索については同社が明確に否定しています。llms.txtやAI専用マークアップは不要であり、設置しても可視性や順位を助けも損ないもしないと明記されています。他サービス向けの用意は自由ですが、効果を約束する根拠はありません。

Q5. 何度か質問して同じ答えが返ってきたので、AIは正しく理解していると考えてよいですか。

いいえ。財務QAベンチマークでは、8回の再回答がすべて一致した「確信」状態でも15〜23%が誤答しました（8〜9B級オープンモデル3種・査読前）。少なくともこの実験では一致は正答を保証せず、正解表との照合が要ります。

Q6. AI上の露出量をIRのKPIにしてもよいですか。

推奨しません。AI上の可視性をIRの正式KPIとして推奨した当局・職業団体の一次資料は確認できていません。露出を追えば誤りを増幅しかねません。開示との一致率を中心に据えてください。

Q7. 日本企業の開示を読む際にも、企業固有バイアスが出る証拠はありますか。

あります。日本の決算短信（2019〜2023年）を用いた査読研究では、同一の業績記述でも企業名の有無でセンチメント評価が変わり、その比率は各モデルで約10〜20%。偏りの方向はモデル間で一致しません。ただしこれは評価の偏りであり、売上高や配当の数値を誤答した割合ではありません。日本企業の財務数値をどの程度誤答するかを直接測った公開ベンチマークは、本稿で確認した範囲では見つかっていません。

Q8. 機関投資家は実際にAIで企業調査をしているのですか。

使っていますが、少なくともこの調査では置き換えは確認できません。米国機関投資家100名の調査で、情報源としての重要度は経営陣との接触77%、企業開示66%に対し生成AIの回答は24%。一方、日本の大手資産運用会社13社ではリサーチ・レポーティング・スチュワードシップの各業務で導入が進んでいます。

Q9. IR部門が生成AIを使う際に、最も注意すべき点は何ですか。

未公表情報の外部AIへの入力です。日本IR協議会の2026年調査では、回答企業の60.1%がセキュリティ面の懸念を、77.2%がハルシネーションを課題に挙げています。NIRIも、公表前の決算発表準備資料を公開AIツールで評価すると意図せず SEC Form 8-K 開示が必要になりうると指摘しています。

Q10. AI提供元に訂正を依頼することはできますか。

主要なAIサービスに共通する企業向けの訂正制度や、訂正結果を保証する手続きは確認できていません。実務上は、再現可能なプロンプトと日時を記録し、公表済み資料との矛盾を特定したうえで自社サイト側の欠落・旧ページ・単位表示を修正し、再計測で確認します。

Q11. 何から着手すべきですか。

正解表の作成です。決算期、連結／単体、会計基準、通貨と単位、継続事業の範囲、発表日、出典書類名、実績か予想か、訂正後の値か、調整後指標か。これが揃って初めて「AIの回答が誤っている」と客観的に言えます。測定はその後で構いません。

本記事の全出典は2026年8月8日に記載URLで再取得・再確認しています。信頼度の性格が異なるため、3層に分けて示します。外部リンクは実装時に rel="noopener noreferrer" を付与してください。

A. 一次情報・公式（法令・規則・当局文書・運営主体の公式説明）

B. 査読を経た研究

C. 査読前（プレプリント）・当事者調査（参考値）

引用URLの位置づけ: 上記は本記事の記述を支える参照リンクであり、各AIサービスが内部で参照したモデル・データの全体を示すものではありません。

著者: Vaipm（AI上の認知を、複数のAIへの合計25回のステートレス計測で測定している）

出典確認日: 2026年8月8日

本記事は、上場企業のIR部門・CFO・経営企画部門に向けて、生成AI上の自社認知を開示品質管理の延長として扱うための整理を提示するものです。本記事は投資助言ではなく、株価予測・銘柄推奨を行いません。フェア・ディスクロージャー・ルールを含む法令の適用は個別事案の事実関係を前提に判断されるため、具体的な判断は必ず自社の法務部門および専門家にご確認ください。

本記事における「AI上の企業認知をIRがどう測るべきか」の指標案（§8）は本記事の推論であり、規制当局・職業団体が採用した公式な基準ではありません。