論文サーベイの数値ダイジェスト｜複数レポート横断で読み解く

Q: Elicit や Consensus は本当に信頼できますか？

用途を絞れば信頼できます。Elicit は Cochrane 994件の測定で Data extraction 96%、Full-text screening 99%、Abstract screening 97% の精度を出しています。Consensus は Yes/No 質問への論文の総意を Consensus Meter で示すのに強いです。Scite は Supporting/Mentioning/Contrasting の3クラス分類が独自のポジションです。ただし、いずれも「全自動で完成品を作るツール」ではなく、「AI が下書きをして、人間がレビューする」設計です。人間検証を挟む前提で使うと、15.5か月の系統的レビュー作業を数週間に圧縮できます。AI 使用時は PRISMA-trAIce の透明性ルールに従って、使ったツール名・プロンプト・人間検証の記録を資料に添付するのが2026年の作法です。

Q: 論文と特許と統計を串刺しで見たいときのおすすめツールは？

Elicit や Consensus は論文特化なので、特許や社内資料は扱えません。論文＋特許＋SNS＋統計＋社内資料を一体で扱うなら、Snorbe が候補になります。Snorbe は JPO・EPO・Google Patents の特許DB、arXiv・PubMed・Semantic Scholar の学術DB、e-Stat・Statista・CB Insights の統計DB、X（旧Twitter）、社内 PDF/Excel/PPT を横断できる設計です。R&D 企画、BD、投資家のように、論文だけでなく特許動向や業界統計まで一気に見たい人にとっては、専門DBを個別に叩く手間が省けます。汎用チャット（ChatGPT、Claude、Gemini）で思考の壁打ちをしつつ、Snorbe で継続観察と数値の突き合わせを回す、という分業が実務的な使い方です。

Q: CAGRを引用するときの正しい書き方はありますか？

「AI市場のCAGRは35.9%」と単独で書くのは、記事の信頼性を落とします。最低限、次の三点セットを明記します。「基準年（例：2025年）」「目標年（例：2030年）」「発表元（例：Grand View Research 2025年3月版）」。さらに複数社の CAGR を並列で提示し、なぜ数字が違うかの理由（対象範囲の違い、生成AI 限定 vs 広義 AI、HW 込み vs SW のみ）まで書き添えると、読み手が判断できる資料になります。CAGR の複利効果は長期で爆発するので、1社の数字を鵜呑みにすると投資判断が3倍ずれる可能性があります。Forest Plot 風に複数推計を並べる運用に切り替えると、外れ値を見抜きやすくなります。

Q: 数値ダイジェストを今週から始めるにはどうすればいいですか？

3ステップで始められます。ステップ1として、自組織で扱っているレポートを5つリストアップし、対象期間・母集団・単位・原典URLの4つを表にします。この作業だけで、「同じ現象を扱っているようで、実は全部違うものを測っている」ことに気づけます。ステップ2として、Elicit や Consensus で論文横断の数値抽出を試します。60分ダイジェストの6ステップを1テーマで回してみて、感覚を掴みます。ステップ3として、月次で更新するリビング資料に切り替えます。1回作って終わりではなく、Living Systematic Review の思想で継続資産にする運用です。この3ステップを1テーマで完走してから、他テーマや専門DB横断ツール（Snorbe など）に拡張していくと、失敗しにくく進められます。

この記事の要点
同じ現象なのに数字が5倍違うのはなぜか
論文の被引用数がDBで最大3倍変わる理由
PRISMAで作る数値横断ダイジェストの型
数値横断で必ず引っかかる6つの罠
60分で5レポートを読み解く反復ループ
よくある質問
調査手法について

この記事の要点

論文サーベイの数値ダイジェストは、複数のレポートから同じ現象の数字を突き合わせて「どれを信じるか」を見極める作業です。Gartner の世界AI市場推計1.5兆ドル、IDC の3,070億ドル、同じ論文なのに Web of Science で76回・Google Scholar で230回という被引用数の3倍差など、権威ある一次ソースの間で数字が桁レベルでずれる現実に、大学院生・アナリスト・R&D企画・BD・投資家がどう向き合うかを整理します。

同じ現象なのに数字がここまで違う6つの構造的原因（定義・母集団・時点・単位・カテゴリ・利益相反バイアス）を、AI 市場5倍差と AI 導入率4-95%の実例で解剖します
論文の被引用数が WoS/Scopus/Google Scholar/Semantic Scholar でカバレッジと質が違う実測データを提示し、目的別の使い分けマトリクスを示します
PRISMA 2020 と系統的レビューの型を市場調査に転用する方法、Cochrane RCT Classifier や Elicit で15.5か月の作業を数週間に圧縮する AI 活用の実データを紹介します
CAGR基準日、Y軸スケール、通貨・時点補正、集計単位、カテゴリ定義、原典追跡の6つの罠を、具体的な一次ソース付きで解説します
60分で5レポートを数値ダイジェストする反復ループを、Elicit/Consensus/Scite/Snorbe の使い分けとセットで提示します

主読者は大学院生・アナリスト・R&D企画・BD・投資家。読了後、自組織で扱う5つのレポートを対象期間・母集団・単位・原典URLの4つで表にする最初の一歩を踏み出せる状態を目指します。

同じ現象なのに数字が5倍違うのはなぜか

論文サーベイをしていて、「あれ、この数字は違う場所で見たときの数字と全然合わないぞ」と手が止まった経験はありませんか。同じ現象を扱ったはずのレポートなのに、そこで語られる数字が2倍、5倍、ときには23倍も違うということが、実際の一次ソースの世界では日常的に起きています。

このセクションでは、そのバラつきが「調べた人の意見の違い」ではなく、実は測り方の違いであるということを、実例で確認していきます。

2025年の世界AI市場は「3,070億ドル」でも「1.5兆ドル」でもある

いきなり具体例からいきます。2025年時点の世界のAI市場規模はいくらでしょうか。

Gartner は 1.5兆ドル（2025年9月17日発表）
IDC は 3,070億ドル（AI and Generative AI Spending Guide）
Grand View Research は 2024年時点で 2,792億ドル
Precedence Research は 2025年で 7,575億ドル
Bloomberg Intelligence は生成AIのみに絞って2032年に 1.3兆ドル

Gartner の1.5兆ドルと IDC の3,070億ドルで 約5倍の差があります。同じ「AI市場」というラベルを付けた数字が5倍違うと、市場を分析する側は途方にくれるはずです。

種明かしを先にすると、Gartner の1.5兆ドルは AI 搭載サーバー（2,670億ドル）、AI サービス（280億ドル）、AI 搭載スマホやPC、ソフトウエア、生成AI に関わるハードウエア支出まで全部束ねた「AI に関わる支出全部」の合計です。IDC の3,070億ドルは「企業がAIソリューションを買うときの支出」に絞られていて、AI 搭載スマホの世界売上やハイパースケーラーの自社GPU投資は必ずしも含まれていません。同じ「AI市場」というラベルの下で、指しているものが桁で違う。これが5倍差の正体です。

「AI導入率」は同じ質問なのに4%から95%まで振れる

もう一つ、極端な例を出します。企業のAI導入率は今何%でしょうか。

McKinsey State of AI 2025 では 88%（2024年78%から上昇、n=1,993、105カ国）
Stanford AI Index 2025 では 78%（前年55%から）
Bain では 95%（米国企業限定）
BCG では価値を出せている企業は 4% で74%が苦戦
BCG AI at Work 2025 では従業員個人単位で 72%（前年比+21ポイント）
Gartner CIO Survey 2025 では 37% が展開済み、35%が2025年内展開予定
Gartner の別調査では 15% しか自律AIエージェントを検討していない

4%から95%まで、実に 23倍のレンジで数字が振れています。この状況で「AI導入率は◯◯%です」と単独で書かれた記事を読み手が信じるのは、危険です。

数字が振れる理由は6つあります。母集団（誰に聞いたか）、質問の対象（何を「導入」とみなすか）、単位（組織か従業員か）、時点（いつ調査したか）、地理（世界か米国か）、そして観点（成功か失敗か）です。McKinsey の88%は「組織が1つでもAIを使っている機能を持っていればカウント」、Bain の95%は米国限定、BCG の72%は従業員個人が使っているかを聞いたもの、BCG の4%は「価値を出せていない」という失敗側の比率、Gartner の37%は「展開済み」段階のみ、Gartner の15%は自律AIエージェントに限定。分子と分母がそもそも別物なので、数字を並列に扱ってはいけません。

論文数の集計もデータベース次第で数百万件ずれる

「AI関連の論文数がこの1年で急増した」という書き出しの記事もよく見ますが、この数字も測り方で大きくブレます。

Stanford AI Index 2025 は2013年10.2万本から2023年24.2万本にAI関連論文が増え、コンピュータサイエンス全体に占める割合が21.6%から41.8%に上昇したと報告しています。この数字自体は説得力があります。

ただ、Alperin et al. (2024) の分析では、OpenAlex と Scopus に共通で入っている論文は 2,470万件、OpenAlex と Web of Science に共通で入っている論文は 2,177万件と、数百万件のズレが両者の間に存在します。Semantic Scholar は OpenAlex より平均1.9倍高い被引用数を報告する傾向もあります。要するに、「AI論文が◯本増えた」という一文は、どのデータベースの何をカウントしたかで景色が違うのです。

Semantic Scholar の公式には 2億1,400万論文以上を収録と書かれています。OpenAlex は公式ヘルプで「over 240M works」と表記。arXiv の月次statsでは2026年7月時点で累計310万本弱のプレプリントが登録されており、2024年10月には24,226件と月次過去最高を記録しています。同じ「学術文献」でも、DBごとに数千万〜億単位のカバレッジ差があるという事実は、数字を読むときの前提条件です。

数字の乖離を生む6つの構造的な原因

ここまで見てきた数字のズレを整理すると、6つの原因に集約できます。

1つ目は スコープの違いです。「AI市場」という言葉が、AI 搭載製品の総売上か、企業のAI導入額か、生成AI に限るのかで、根本的に対象範囲が違います。

2つ目は 定義の揺れです。「AI」が機械学習全体を指すのか、生成AI に限るのか、Copilot 型なのか自律エージェントなのかで、同じ調査でも別物になります。

3つ目は 測定単位のズレです。組織単位、事業部単位、従業員単位、案件単位で分子と分母が変わります。

4つ目は サンプルフレームの偏りです。米国限定、CIO 限定、大企業限定で「グローバル導入率」を語ると、数字は当然歪みます。

5つ目は 時点差です。McKinsey の生成AI 導入率は2024年の早期版で65%、2025年版で88%と、1年で23ポイント動く現象を測っています。「2024年の数字」と言っても1月と12月で別世界です。

6つ目は 利益相反バイアスです。コンサル会社は自社のAI変革案件を大きく見せたい構造、調査レポート販売会社は市場を大きく見積もったほうがレポートが売れる構造。この構造バイアスも数字に乗ってきます。

この6つの原因を知っておくと、レポートを読むときに「まず何を測ったのか」を確認する癖がつきます。同じ現象の数字が違ったときに、どこで違うのかを分解できるようになる。これが、複数レポート横断で数値ダイジェストを作る最初の基礎体力です。

次のセクションでは、この「測り方の違い」がさらに極端に現れる例として、論文の被引用数を扱います。同じ論文なのにデータベースを変えるだけで被引用数が3倍違う世界を見ていきます。

論文の被引用数がDBで最大3倍変わる理由

前のセクションでは「同じ現象なのに、レポートの数字が5倍違う」という話をしました。次に扱うのは、もう少しミクロで、しかも研究者にとってはお馴染みの世界です。同じ論文なのに、データベースを変えるだけで被引用数が3倍変わる。この事実を、実測データを引きながら見ていきます。

Anker 2019 の実測：WoS 76 vs Scopus 108 vs Google Scholar 230

被引用数の乖離を正面から実証した論文があります。Anker et al. (2019) の ESC Heart Failure 誌の論文です。心血管系4誌のトップ50論文について、Web of Science、Scopus、Google Scholar の3つのデータベースで被引用数を測ったところ、平均で次の結果が出ました。

Web of Science: 41回
Scopus: 52回（WoS より +26%）
Google Scholar: 93回（WoS より +116%）

そして European Journal of Heart Failure に絞ると差はさらに広がります。

Web of Science: 76回
Scopus: 108回
Google Scholar: 230回（WoS の約3倍）

同じ論文の同じ引用回数を測っているはずなのに、WoS の76回が Google Scholar では230回になる。この差はほとんど詐欺のように見えますが、種明かしをすると、各データベースが「引用として何をカウントするか」の範囲を変えているだけです。

Web of Science は査読ジャーナルの選定を厳格にしていて、書籍・プレプリント・会議録の一部を除外します。Scopus は会議録を積極的に含めますが、書籍のカバレッジは限定的です。Google Scholar は学位論文・書籍・プレプリント・ワーキングペーパー・会議録を全部含めます。同じ論文への引用でも、その引用元がどこに掲載されているかで、カウントされたりされなかったりする。論文の質が違うのではなく、DB のカバレッジ範囲が違うのです。

社会科学ではさらに極端になる

Martín-Martín et al. (2019) の LSE Impact blog では、252分野の論文で被引用の発見率を比較しました。社会科学の分野では、次のように極端な差が出ています。

Google Scholar: 94%の被引用を発見
Scopus: 43%
Web of Science: 35%

しかも Google Scholar が独自に発見した引用のうち、約60%はジャーナル以外の場所（学位論文、書籍、プレプリント、ワーキングペーパー、会議録）に由来していました。社会科学は書籍や会議録が知的生産の中心なのに、WoS や Scopus はそれを拾えていない。この事実だけで、「社会科学の研究者評価に h-index を使うなら Google Scholar 基準」というルールが生まれる根拠になります。

各DBのカバレッジ実数

Iowa State 大学図書館が2026年5月に更新した比較チャートによれば、主要データベースのカバレッジは次の通りです。

データベース	レコード数	特徴
Web of Science Core	95M+	22,619ジャーナル、10.5M会議、157,000書籍。査読選定が厳格、英語圏バイアス
Scopus	105M+	29,780アクティブジャーナル、13.2M conference papers、3.1Mプレプリント
Google Scholar	399M推定	重複エントリあり、非査読含む、インフレしやすい
Semantic Scholar	214M+	AI2運営、TLDR約60M論文に自動生成
OpenAlex	240M+	オープンAPI、Crossref連携
Dimensions	147M+	77,471ジャーナル
arXiv	3,099,477本	2024年10月に24,226 submissions で月次過去最高

同じ「学術DB」でも、95M から 399M までカバレッジが4倍以上違います。Google Scholar が独走で見えますが、これは「重複エントリや非査読文書まで含んでいる」からで、質の担保では WoS/Scopus に劣ります。

h-index も DB によって別物になる

被引用数が違えば、h-index も違ってきます。h-index は「◯回以上引用された論文が◯本以上ある」の◯の最大値なので、被引用数の集計元DBを変えるだけで、数字が動きます。

同じ研究者でも一般に WoS の h < Scopus の h < Google Scholar の h となる階段状の関係になります。「私の h-index は35です」と言うとき、どのDBの数字なのかを付記しないと誤解を招きます。プロフィールに h-index を書くなら、必ず「Scopus基準」「WoS基準」「GS基準」を明示するのが誠実な作法です。

もう一つの落とし穴があります。Akhtar (2024) が Frontiers in Research Metrics and Analytics に発表した論文では、「h-index は実験科学者を評価する信頼できない指標である」と主張しています。この論文は、レビュー論文や意見論文を大量に出す研究者の h が跳ね上がる構造的な問題を指摘していて、実験科学者6名の比較で、レビュー多産者の h がノーベル賞受賞者を上回るケースを示しています。h-index は分野横断で比較不能というのが2024年時点の学術的コンセンサスです。

Impact Factor と CiteScore の分母のズレ

雑誌評価の指標にも同じ問題があります。よく使われるのが Impact Factor（JIF）と CiteScore ですが、両者は分母の設計が根本的に違います。

Impact Factor (JIF)：Clarivate の Journal Citation Reports で公表。分母は 直近2年の citable items（articles + reviews）
CiteScore：Elsevier Scopus で公表。分母は 4年ウィンドウ、article/review/conference paper/book chapter/data paper を全部含む

分母のウィンドウ長（2年 vs 4年）と対象文書タイプが違うので、同じ雑誌でも JIF と CiteScore の数字が違うのは当たり前です。しかも数学や人文社会のように「引用が遅い分野」では、4年ウィンドウの CiteScore の方が2年ウィンドウの JIF より大きく出る傾向があります。「この雑誌は CiteScore で 5.2 だから優秀」と JIF 感覚で受け取るのは誤読です。

もう一つ、SJR (SCImago Journal Rank) は Scopus のデータを使いつつ、「引用元ジャーナルの威信」と「引用元・引用先の主題類似度」で重み付けした指標です。単純な平均被引用数を出す JIF や CiteScore と、思想が違います。

AI時代の新しい指標：Highly Influential Citation と Smart Citation

被引用数の量を数えるだけの時代は、実は終わりつつあります。AI時代には、引用の「質」を見る新しい指標が使えるようになっています。

Semantic Scholar Highly Influential Citations：全被引用数のなかから、被引用論文が引用論文に大きな影響を与えているものだけを機械学習で判定
Scite.ai Smart Citations：16億件超の引用文脈を、Supporting（支持）/ Mentioning（言及）/ Contrasting（反対）の3クラスに分類
Altmetric Attention Score：News=8, Blog=5, Policy=3, Wikipedia=3, X/Reddit=0.25 のように重み付けした社会的注目度
Nature Index：Count（機関1）と Share（著者・機関で按分）の2軸で機関ランキング

Scite.ai は特にユニークで、16億件超の Smart Citation を保持しており、「この論文は他の200件に反対されている」という数字を出せます。従来の被引用数200回だけを見ると「よく引用された論文」ですが、Smart Citation で分類すると「そのうち150件が反証している」と分かり、扱いが変わります。メタアナリシスや科学的コンセンサスの検証には、この質の分類が使えるようになってきました。

データベースの使い分けマトリクス

以上の話を、目的別の使い分けにまとめると次のようになります。

目的	推奨DB	理由
自然科学の網羅サーベイ	Scopus + WoS	査読ジャーナル選定が厳格
社会科学・人文学のサーベイ	Google Scholar + Dimensions	書籍・非英語・非ジャーナル論文を拾える
AI/ML のプレプリント追跡	Semantic Scholar + arXiv	Highly Influential Citations、TLDR、preprint統合
引用の質（支持/反証）を確認	Scite.ai	Smart Citations
メディア・政策文書での言及	Altmetric	学術外の影響を可視化
オープンで再現可能な計量分析	OpenAlex	240M works、API無料
機関ランキング	Nature Index	Share（分数カウント）で共著補正

このマトリクスを頭に入れておくと、論文サーベイをするときに「今回はこの目的だから、まず Scopus と WoS の両方で数字を出して差を確認しよう」という判断ができるようになります。ここが数値ダイジェスト職人の第一歩です。

次のセクションでは、複数の論文やレポートの数字を、統計的に統合するための正統な手順を扱います。医学の世界で数十年かけて磨かれた PRISMA 2020 と系統的レビューの型を、AI 市場や産業データに応用する話です。

PRISMAで作る数値横断ダイジェストの型

複数のレポートから数字を横断して読み解くとき、勘と経験だけでやると必ずどこかで漏れが出ます。医学の世界では、この漏れを構造的に防ぐための手順書が数十年かけて磨かれてきました。それが PRISMA 2020 と、系統的レビュー（Systematic Review, SR）、メタアナリシスの体系です。

「これは医学の話でしょ、市場調査には関係ないよ」と思うかもしれません。実は逆で、複数のレポートを漏らさず突き合わせる技術そのものなので、AI市場や産業データの読み解きにこそ効きます。このセクションでは、その骨組みを中学生にも分かる粒度で見ていきます。

PRISMA 2020 とは何か

PRISMA は Preferred Reporting Items for Systematic Reviews and Meta-Analyses の略で、「複数の研究結果をまとめて発表するときに、どういう項目を報告書に書くべきか」を決めたルールです。BMJ 2021 に発表された Page MJ et al. の論文が2020年版の公式ドキュメントで、内容は次の3点セットです。

27項目チェックリスト：報告書に必ず書くべき内容の一覧
4段階フローダイアグラム：Identification → Screening → Eligibility → Included の絞り込みプロセスの図
12項目抄録チェックリスト：抄録（Abstract）だけでも押さえるべき項目

公式サイトは prisma-statement.org で、チェックリストも無料公開されています。

拡張版もいくつかあります。プロトコル用の PRISMA-P（17項目）、スコーピングレビュー用の PRISMA-ScR（20+2項目）、ネットワークメタ解析用の PRISMA-NMA（32項目）です。目的に応じて使い分ける仕組みが整っています。

系統的レビューとメタアナリシスとスコーピングレビューの違い

似た言葉が3つ並ぶので、最初にこの区別をつけておきます。

系統的レビュー（SR）：決まった手順で網羅的に文献を集め、突き合わせる作業。「効くか効かないか」の問いに答える
メタアナリシス（MA）：SR の一種で、複数論文の数字を統計的に統合して1つの効果量に集約する
スコーピングレビュー（ScR）：「そのテーマでどんな研究が存在しているか」を地図にする作業

Munn et al. (2018) の判断表によれば、PICO 型（Population, Intervention, Comparison, Outcome）の質問なら SR/MA、「何が分かっているかマッピングしたい」なら ScR、と選び分けます。

市場調査に翻訳すると、「AI 市場は伸びるか」なら SR、「AI 市場の測り方が各社どう違うかマッピングしたい」なら ScR、といった具合です。

系統的レビューは平均15.5か月かかっていた

系統的レビューは網羅性が命なので、時間がかかります。Borah et al. (2017) が BMJ Open に発表した実測データによると、PROSPERO 登録から報告までの平均所要時間は 67.3週間、つまり約15.5か月です。1年以上かかる作業を、複数の研究者が分担して丁寧に進めるのが伝統的な流儀でした。

問題は、この15.5か月が現代のスピード感に合わないことです。AI 市場の話をしていても、レビュー執筆中に市場が3倍に伸びてしまう。医学の世界でも、COVID-19 のように事態が急変する時期には、この長さでは追いつきません。

AIで数週間に圧縮する時代

そこで登場したのが、機械学習を組み込んだレビュー支援ツール群です。数字で見ると、圧縮効果は明快です。

Cochrane RCT Classifier：ランダム化比較試験のスクリーニングで recall 99% を保ちながら、作業量を 25.9〜74.8% 削減
Cochrane COVID-19 Classifier：COVID関連レビューでワークロード24.1% 削減
GPT-4 ベースの Review Copilot（2025 検証）：タイトル/抄録スクリーニングで感度 99.2%、特異度 83.6%、人間の 約1/4の時間で完了、kappa 0.83
Elicit（Cochrane 994件で公式測定）：Search recall 95%、Abstract screening 97%（sensitivity 96.9%）、Full-text screening 99%、Data extraction 96%（94-99%レンジ）
LLMs for SR タスク（J Clin Epidemiol 2026）：63件の LLM×SR 研究のメタ分析で、data extraction 精度の中央値は 0.95（0.36〜1.00の範囲）

これらのツールは「AI が代わりに全部やってくれる」わけではなく、「AI が下書きをして、人間がレビューする」設計になっています。要は、前のセクションで話した数値ダイジェスト職人の目線を、AI との協働に持ち込んだ形です。

2025-2026 の透明性ルール：PRISMA-trAIce

AI を使うと、当然「そのAIが何をやったか」の記録が問題になります。JMIR AI 2025 に発表された PRISMA-trAIce は、AI を使ったレビューで報告すべき透明性項目を追加した拡張版です。具体的には次の情報の記載を求めます。

使用したAIツール名とバージョン
プロンプトの全文（またはリポジトリへのリンク）
人間検証の手順と結果
AI と人間の判定が食い違ったケースの扱い

ICMET 2025 では L-PRISMA という別の拡張案も提案されていて、生成AI を使うレビューの責任ある実施経路がテーマになっています。arXiv には PRISMA-DFLLM というドメイン特化 LLM を用いたレビューの拡張案もあります。「どんなAIを、どこで、どう使ったか」を報告書に書くルールが、2025年から2026年にかけて急速に整備されつつあります。

数値統合の技術：異質性 I² と Forest Plot

複数論文の数字を1つに統合するとき、避けて通れないのが「そもそもこれらの数字を混ぜていいのか」という問いです。Cochrane Handbook Chapter 10 では、この判断に I² 統計量を使うルールが提示されています。

I² < 25%：研究間の異質性は低い（混ぜてよい）
I² が 25-50%：中程度（注意して混ぜる）
I² が 50-75%：高い（本当に混ぜてよいか要検討）
I² > 75%：極めて高い（混ぜるべきでない）

I² が50%を超えたら、Random Effects モデル（研究ごとに真の効果量が違うと想定する）を使うのが定番です。市場調査で例えると、Grand View Research の CAGR 35.9% と Precedence Research の 19.2% を単純平均するのは、I² が高すぎるので危険。両論併記か、条件を揃えて再集計するか、という判断になります。

Forest Plot（複数研究の効果量を横棒で並べて全体像を見る図）と Funnel Plot（公表バイアスを検出する散布図）も、系統的レビューでの数値統合の定番ツールです。市場調査でも、複数の調査会社の推計値を Forest Plot 風に並べると、外れ値と中央値が一目で分かって便利です。

Living Systematic Review：継続的に更新する型

医学の世界では、Elliott et al. (2017) が J Clin Epidemiol に発表した Living Systematic Review という概念も広がっています。これは「新しいエビデンスが出るたびにレビューを継続更新する」型で、月次サーチが基本です。COVID-19 のような急変期に威力を発揮しました。

市場調査でも、AI 市場や AI エージェント採用率のように四半期ごとに景色が変わるテーマは、Living Review の型が合います。1回作って終わりではなく、月次で数字を更新する運用に切り替えるだけで、資料の価値が長持ちします。

医学の型を市場調査に翻訳する

ここまでの話を、大学院生・アナリスト・R&D企画・BD・投資家向けに翻訳しておきます。

「PRISMA 2020 の27項目」 → 市場レポート横断ダイジェストで、必ず書くべき項目のチェックリスト（測定期間・母集団・定義・単位・出典・バイアス評価）
「PICO 型 → SR、マッピング → ScR」 → 「AI市場は伸びるか」なら SR、「AI市場の測り方はどう違うか」なら ScR
「I² > 50% で Random Effects」 → 調査会社ごとに前提が違うなら単純平均せず、両論併記または条件揃えて再集計
「PRISMA-trAIce」 → 使ったAIツール名・プロンプト・人間検証を、資料の末尾に書き添える文化を作る
「Living Systematic Review」 → 四半期ごとに数字が動くテーマは、月次サーチの継続運用に切り替える

医学が15年かけて磨いた道具を、市場調査や産業データの読み解きに転用すると、「勘と経験」だった作業が、追跡可能で再現性のある職人技になります。次のセクションでは、この職人技を邪魔する6つの罠を、具体例で確認していきます。

数値横断で必ず引っかかる6つの罠

前のセクションでは、複数レポートを突き合わせる型として PRISMA 2020 と系統的レビューの体系を紹介しました。ここからは実務側の話です。数値を横断で読むとき、実務で必ず引っかかる6つの罠を、具体例で確認していきます。読み終わる頃には、レポートに書かれた数字を鵜呑みにしないための「防波堤」が、頭の中に立っている状態を目指します。

罠1：CAGRの基準日で数字が2倍動く

CAGR（Compound Annual Growth Rate、年平均成長率）は「年◯%のペースで伸びる」を表す指標で、市場予測レポートで最も使われる数字の1つです。ところがこの数字、基準年と目標年を変えるだけで簡単に2倍動きます。

世界AI市場のCAGR をいくつかの調査会社が発表しています。

Grand View Research（2025→2030）：CAGR 35.9%
Grand View Research（2024→2030）：CAGR 36.6%
Grand View Research（2026→2033）：CAGR 30.6%
Precedence Research（2025→2034）：CAGR 19.20%
Statista Market Outlook：独自モデル（方法論非公開）

同じ会社（Grand View Research）でも、基準年を変えるだけで CAGR が30.6〜36.6% と6ポイント動きます。Grand View と Precedence では 19.2% と 35.9% で17ポイント違います。

CAGR が数字として怖いのは、複利効果で長期の差が爆発するからです。CAGR 20% と 35% で10年後の倍率は 6.2倍 vs 20倍、3倍以上の差になります。CAGR を1つだけ引用して「AI市場は爆伸びします」と書く記事を鵜呑みにすると、投資判断が3倍ずれる可能性があります。

対策は明快です。「◯年基準・◯年ターゲット・◯社発表」の三点セットを、CAGR を書くたびに必ず明記する。それだけで、この罠の半分は避けられます。

罠2：Y軸スケールを間違えると景色が変わる

グラフのY軸を linear（等間隔）で見るか log（10倍ずつ刻む）で見るかで、同じデータが全く違う顔になります。この罠は特に、指数関数的に伸びる指標で致命的です。

Moore’s law（トランジスタ数、Karl Rupp データ）：1971年平均2,308個 → 2021年 582億個、doubling time 2.03年で50年間安定的に指数成長
AI モデルの訓練 compute（Epoch AI）：2010年以降で 約100億倍、doubling time 5〜6ヶ月
Stanford AI Index 2025：訓練 compute doubling 約5ヶ月、データセット 8ヶ月ごとに倍増
Densing Law（Nature Machine Intelligence 2025）：LLM の Capability density は3.5ヶ月ごとに倍増（51 open-source base models で検証）

これらをY軸 linear でプロットすると、2020年以降だけが崖のように飛び出して見え、それ以前の10年間の指数成長が「ほぼ平ら」に見えます。逆にY軸 log でプロットすると、50年間ずっと直線で伸びていることが分かります。linear で見せられる指数データは、視覚的な錯覚を起こしていると疑うのが安全です。

参考として、Hoffmann et al. (2022) のチンチラ・スケーリング則は「モデルサイズとトークン数を同じレートでスケールさせるのが compute 最適（約20 tokens/parameter）」と提唱しました。ただし、Besiroglu et al. (2024) の arXiv:2404.10102 が原論文の信頼区間の妥当性に疑義を呈しています。「600,000実験相当」とされたけれども、実際は500未満だった、という指摘です。有名論文ですら再現実験で結論が揺れる世界だと知っておくと、数字を読む態度が変わります。

罠3：通貨・時点補正を忘れると比較が歪む

国際比較で数字を並べるとき、通貨換算のやり方で景色が変わります。

日本銀行の為替レート統計を見ると、USD/JPY は2020年末頃の 110円/ドルから、2025年平均 149.66円/ドル（高値158.35円）まで変動しました。名目 USD 換算で「日本の R&D 投資1兆円」を並べると、円建ての実額が変わらなくても、2020年約91億ドル → 2025年約67億ドルと、27%減って見える。中身が減っていないのに数字上は減少です。

この歪みを避けるために、OECD の Main Science and Technology Indicators (MSTI) は PPP（購買力平価）ベースで各国 GERD（Gross Domestic Expenditure on R&D）を集計しています。OECD 2026年3月発表によれば、2024年の OECD 全体 GERD は インフレ調整後で+2.6%（US +3.4%、EU +0.4%、日韓トルコ +5%超）、R&D intensity は 2.7% でした。

名目値と実質値、PPP と為替換算では、それぞれ全く別のストーリーになります。「日本の R&D は減っている」も「増えている」も、どちらも数字上は成立してしまう。R&D、GDP、マーケットサイズを扱うときは、必ず「名目 vs 実質」「PPP vs 為替」を確認します。

罠4：集計単位のズレが数倍差を生む

「世界最大の500社」と一口に言っても、集計基準はバラバラです。Corporate Finance Institute のまとめから整理すると、次のようになります。

Fortune 500：米国企業限定、売上ベース、公開・非公開両方（2026年版カットオフは年商72億ドル超）
Fortune Global 500：世界全体、売上ベース
S&P 500：時価総額ベース、米国上場公開企業のみ

3つは重複しますが、同一ではありません。「Fortune 500 入りしていないが S&P 500 入り」もあれば「S&P 500 に含まれないが Fortune Global 500 入り」もあります。

もう一つ、特許の世界も集計単位で数字が動きます。WIPO 2024 の年間出願数370万件は「file 単位」（各国庁への出願）です。同じ発明を10か国に出願すれば10件カウントされます。一方、WIPO Patent Analytics Handbook Chapter 4で定義される DOCDB simple family（優先権番号が完全一致する集約単位）と INPADOC extended family（推移的に共通する優先権を持つもの）では、後者の方が大きなグループになります。「特許出願数が急伸」という記事は、file 単位か family 単位かで、同じ現象でも数倍の差が出ます。

罠5：カテゴリ定義のズレで別物を比較してしまう

「半導体市場」と一口に言っても、指しているものが違うと数字が混ざります。

SIA 2024 世界半導体販売額：6,276億ドル（+19.1%）、logic 2,126億、memory 1,651億（+78.9%）、DRAM +82.6%
SEMI 2024 世界半導体装置販売額：1,170億ドル、2025年予測1,255億ドル

SIA は「半導体そのものの販売」、SEMI は「半導体を作る装置の販売」を集計しているので、両者は5倍以上違う別指標です。この2つを混同して「半導体市場は伸びた」「装置市場は伸びた」の話を並列に扱うと、議論が崩壊します。

AI エージェントの導入率も同じ問題があります。

Gartner 2025年6月：2028年までにエンタープライズアプリの33%が AI エージェント機能を含む（2024年時点は1%未満）。ただし、2027年末までに agentic AI プロジェクトの 40%超がキャンセル予定
Salesforce State of Sales 2024：営業組織の87%が何らかの AI を利用、うち54%がエージェント使用済

Gartner の33% と Salesforce の87%、Gartner の40%キャンセルと Salesforce の 87%利用を、単純に並べてはいけません。片方は「エンタープライズアプリのエージェント機能率」、もう片方は「営業組織のAI利用率」で、対象も時点も定義も違います。採用率X%の裏に継続率Y%があることを見逃すと、判断を誤ります。

罠6：原典追跡を怠ると method 節の落とし穴を見逃す

数字は「◯◯調べ」で終わらせず、原典レポートの method 節までたどり着かないと、記事に書いてはいけません。臨床試験成功率と新薬開発コストが典型的な例です。

臨床試験 Phase I から承認 LOA までの成功率を見てみます。BIO/Informa Pharma Intelligence/QLS の 2011-2020 レポートは、Biomedtracker データベースから 9,704の開発プログラム・12,728の phase transition を分析し、次の数字を出しています。

全体の LOA：7.9%
バイオ医薬品：9.1%
低分子：5.7%
ワクチン：9.7%

「新薬は10本作って1本しか承認されない」の元ネタがこの 7.9% です。ただ、この数字は「2011-2020 の Biomedtracker データベースにあるプログラム」に限定されていて、時期・モダリティを変えると数字が動きます。単独で「新薬承認率10%」と引用するのは、method 節を無視した誤読です。

新薬開発コストも同じ落とし穴があります。Tufts CSDD の有名な26億ドル（正確には25.58億ドル）は、10社106薬（1995-2007 にヒト初回投与）ベースで、自己資金コスト14億ドル+機会費用12億ドルの合計です。approval 後の追加開発312M ドルを含めるとライフサイクル29億ドルになります。どこまで含めるかで数字が変わりますし、MSF Access からは方法論への異議も出ています。「新薬1本26億ドル」は、method 節を読まずに引用してはいけない典型例の代表格です。

EU 企業の R&D も集計の前提を確認しないと誤読します。EU JRC の Industrial R&D Investment Scoreboard 2024 は、Alphabet の 2023年 R&D 支出 397.8億ユーロ、VW 218億ユーロ、上位2,000社で1兆2,570億ユーロと集計しています。EU企業は+9.8%成長、US 5.9%、中国 9.6%を上回った、と発表されました。ただし、これは「上場企業の annual report ベース」であり、政府 R&D 投資や大学研究費は含まれません。OECD の GERD とは別集計なので、比較する場合は前提を揃える必要があります。

原典追跡の手順を型にすると、次のようになります。

プレスリリースを起点にしない。「◯◯調べ」の◯◯（調査会社・レポート名・発表年月）を特定する
原典レポート PDF の methodology 節まで読む（データソース、対象期間、選定基準）
単独引用せず、複数ソースで裏取り。1ソースのみなら「1ソースのみ、要確認」と注記
生データの入手可能性を確認する（OECD MSTI や WIPO は bulk download で提供、企業レポートは非公開が多い）

「◯◯調べ」で終わる引用は、実は何も引用していないのと同じです。原典まで追わないと、method 節に埋まっている落とし穴を踏み抜きます。

6つの罠を1枚のチェックリストに

ここまでの話を、レポートに数字を書く前のセルフチェックとしてまとめると、次のリストになります。

CAGR は基準年・目標年・発表元の三点セットを明記したか
Y軸スケール、指数成長する指標を log で確認したか
通貨・時点、名目 vs 実質、PPP vs 為替のどちらかを明示したか
集計単位、組織/事業部/従業員、file/family、売上/時価総額のどれかを特定したか
カテゴリ定義、似た指標を混同していないか（半導体 vs 半導体装置、agent 機能率 vs AI 利用率）
原典追跡、method 節まで読んだか、生データ入手可能性を確認したか

このチェックリストを、複数レポートを扱う資料の末尾に添付する運用にすると、後で読んだ人が数字の背景を追跡できるようになります。PRISMA 2020 の透明性思想を、市場調査資料に持ち込むイメージです。

最後のセクションでは、この6つの罠を回避しながら、実務で「60分で5レポートを数値ダイジェスト」する手順を、具体的なツール選択とセットで紹介します。

60分で5レポートを読み解く反復ループ

ここまで、数字がバラつく原因、被引用数のDB差、PRISMA の型、6つの罠を見てきました。最後のセクションでは、この知識を実務で使う手順に落とし込みます。「今週から」自組織の資料に組み込める形として、60分で5レポートを数値ダイジェストする反復ループを提案します。

60分ダイジェストのステップ設計

大学院生・アナリスト・R&D企画・BD・投資家が実際に使う場面を想定して、60分を6段階に分けます。1テーマ・5レポートを対象とします。

ステップ1（5分）：定義を1文にまとめる

まず、扱う数字を1文で定義します。「世界の生成AI市場の2025年推計」「AI エージェント導入率の2025年時点」のように、時期・対象・範囲を明示します。この1文があとで全ステップの基準になります。曖昧なまま進めると、集めた数字の粒度が揃わずに散らばります。

ステップ2（10分）：カバレッジの階層を先に決める

次に、この定義に対してどの権威階層のソースを見るかを決めます。ざっくり2階層で使い分けます。

一次ソース（優先）：WIPO、OECD、USPTO、JPO、EU JRC、Stanford HAI、Nature、BIO など政府機関・国際機関・査読論文
二次ソース（補助）：Gartner、IDC、Grand View Research、Precedence Research、Statista など調査会社

論文サーベイなら、Web of Science、Scopus、Google Scholar、Semantic Scholar、arXiv、OpenAlex のうち、対象分野に合わせて2〜3個を選びます。この階層設計を最初に固めておかないと、あとで数字を集めても「どこを信じるか」で迷子になります。

ステップ3（15分）：AI ツールで数値抽出

ここから AI ツールが活躍します。目的別に強いツールを紹介します。

Elicit：138M 論文横断、Extract data across papers で最大40カラムの比較テーブル、Cochrane 994件で data extraction 96% 精度。数値をテーブルで抜きたいならこれ
Consensus：Yes/No質問に対する Consensus Meter（賛否集約）。「◯◯は伸びるか」への論文の総意を確認するのに強い
Scite.ai：Smart Citations で Supporting/Mentioning/Contrasting 分類。数字の根拠が支持されているか反証されているかを見る
Semantic Scholar：214M 論文、Highly Influential Citations で「本当に効いた引用」を見る

論文以外のレポート（Gartner PDF、McKinsey PDF、IDC 資料）は、汎用のChatGPT Deep Research や Gemini Deep Research、Perplexity が使えます。ただし、これらは Web 横断特化なので、査読済み論文への深い到達性は Undermind（精度98%を公式ホワイトペーパーで主張）や Elicit が優位です。

このステップの成果物は、「5レポートの数字を1つのテーブルに並べたもの」です。カラム設計は、レポート名、数字、単位、対象期間、母集団、方法論、URL の7つを最低限入れます。

ステップ4（15分）：単位・時点・通貨の補正

集めた数字を、そのまま並べてはいけません。単位、時点、通貨を揃える補正作業が必要です。

通貨は全部 USD 名目換算か、PPP 実質換算のどちらかに統一する。日本銀行の為替レートを使う
時点は全部同じ年に揃える。年跨ぎのレポートは会計年度・暦年のどちらかを明示する
CAGR は基準年と目標年を全社統一する。統一できないものは「◯社は◯年基準」と注記する
単位は組織単位・事業部単位・従業員単位を統一する。統一できないものは並列に扱わない

ここで6つの罠のチェックリストが役に立ちます。数字を書き込むたびに、6項目を1つずつ確認する。この作業を型にすると、資料の信頼性が段違いに上がります。

ステップ5（10分）：一次ソース追跡と両論併記

数字を書いたら、その原典 URL に必ず飛びます。「◯◯調べ」の◯◯まで確認して、method 節を読む。プレスリリースだけで終わっている数字は、資料に載せない方針が安全です。

複数ソースで数字が食い違ったら、どちらかを勝たせずに両論併記します。「Grand View は35.9%、Precedence は19.2%、両者の対象期間と定義が違うため単純比較不可」と書いておけば、読み手が判断できます。1ソースだけの場合は「1ソースのみ、要確認」の注記を添えます。前セクションで紹介した PRISMA-trAIce の透明性思想がここで効きます。

ステップ6（5分）：AI利用の記録を残す

最後に、使った AI ツール・プロンプト・人間検証の記録を、資料の末尾に添えます。「Elicit で5レポートから数値抽出、プロンプトは◯◯、抽出後に全セルを目視確認」の一文で十分です。3か月後に読み返したときに、「どうやって作った資料か」を追跡できる状態にしておく。系統的レビューの世界では PRISMA-trAIce として標準化されつつある透明性ルールを、市場調査資料でも先取りしておくと、将来的な監査対応にも耐えます。

反復ループとしての運用

60分ダイジェストは1回で完成せず、月次で更新するリビング資料として運用するのがベストです。前のセクションで紹介した Living Systematic Review の思想を市場調査に応用します。

反復ループの型を書き出すと次のようになります。

初回（60分）：定義を決めて、5レポートで初版を作る
月次（30分）：新しく出たレポートを1〜2件追加、既存の数字が更新されているか確認
四半期（60分）：全体を見直し、扱う指標を追加・削除、CAGR の基準年を最新に更新
半期（90分）：全指標のカバレッジを見直し、DB選択を再検討

このループを2〜3回回すと、資料が急速に安定してきます。「作って終わり」ではなく「継続資産」として運用する感覚です。

汎用チャットと専門エージェントの分業

反復ループを回すとき、AI ツールの使い分けが効いてきます。汎用チャット（ChatGPT、Claude、Gemini）は、思考の壁打ち・仮説立て・単発リサーチに向いています。専門エージェント型（Elicit、Consensus、Scite）は論文横断の数値抽出に強いです。

もう1つの選択肢として、Snorbe というリサーチエージェントを紹介します。Snorbe は、複数の専門データベースを自然な日本語で横断できる設計で、押さえているデータソースには次のものがあります。

特許：JPO（日本特許庁）、EPO（欧州特許庁）、Google Patents
学術：arXiv、PubMed、Semantic Scholar
統計：e-Stat（政府統計）、Statista、CB Insights
SNS・ニュース：X（旧Twitter）、Tavily
社内資料：PDF、Excel、PPT の取り込み

たとえば「AI エージェントの導入率について、直近半年の学術論文と特許出願、業界統計を突き合わせたい」と自然な日本語で投げれば、Semantic Scholar で論文を、Google Patents で特許を、Statista で市場データを、それぞれ引きに行ってくれます。数値横断で必ず出てくる「論文と特許と市場データを串刺しで見たい」場面で、専門DBを個別に叩く手間が省けます。

Snorbe の設計上の特徴は、完全記憶型のナレッジグラフを持っていることです。従来のチャットツールは会話ごとに文脈が切れる設計ですが、Snorbe は「AI エージェント」というノードを保持しつつ、関連する調査結果を継続的に蓄積していけます。「このソースは信頼できる」「これは古いので除外」と担当者が判定した情報は、判断ごと記憶されるので、次回の調査で同じ判定を再現できます。反復ループを回すほどに、AIが担当者の目線を学習していく形になります。

Elicit や Consensus が論文特化なのに対して、Snorbe は「論文＋特許＋SNS＋統計＋社内資料」の複合横断が特徴です。R&D 企画・BD・投資家のように、論文だけでなく特許動向や業界統計まで一気に見たい人にとっては、別軸の武器になります。

今後のトレンド、数値ダイジェストが広く使えるように

最後に、少しだけ将来の展望に触れておきます。数値ダイジェストの世界は、2025年から2026年にかけて次のような変化が進んでいます。

1つ目は、専門データベースの API 化です。Semantic Scholar Academic Graph API や Elicit API、Consensus MCP サーバーなど、他社ツールから叩けるインフラが整いつつあります。自組織のワークフローに専門DB を組み込む障壁が急速に下がっています。

2つ目は、引用の質の可視化です。Semantic Scholar Highly Influential Citations、Scite.ai の Supporting/Contrasting、Altmetric Score のように、被引用数の量だけでなく質を見る指標が広がっています。「よく引用された論文」ではなく「本当に影響を与えた論文」を見分けられる時代になっています。

3つ目は、AI 使用の透明性ルール整備です。PRISMA-trAIce、L-PRISMA、PRISMA-DFLLM のように、AI をレビューに使うときの報告ルールが2025年から急速に標準化されつつあります。今のうちから「AI ツール名・プロンプト・人間検証」を記録する習慣を作っておくと、将来的な監査対応にも耐えます。

4つ目は、AI 研究エージェントの参入です。Sakana AI Scientist v2 が Nature 2026年3月に掲載され、ICLR 2025 ICBINB ワークショップで人間平均を上回る査読スコア（6/7/6、平均6.33）を得ました。研究の自動生成側でも、人間との協働レベルが年々上がっています。「AI に読ませて、AI に書かせて、人間が判断する」型が現実の選択肢になりつつあります。

この記事のまとめ

論文サーベイの数値ダイジェストは、単に数字を集めて並べる作業ではありません。同じ現象なのに数字が5倍違う世界で、どの数字を信じるかを見極める職人技です。

大学院生・アナリスト・R&D企画・BD・投資家にとっての実務ポイントは、次の3つに集約できます。

数字のバラつきは「調査の意見の違い」ではなく、定義・母集団・時点・単位・利益相反バイアスという6つの構造的原因から来る。原因を分解する目線を先に持つ
論文の被引用数は WoS/Scopus/Google Scholar/Semantic Scholar/Scite でカバレッジと引用の質が違う。目的別に使い分けるマトリクスを頭に入れる
PRISMA 2020 と系統的レビューの型を市場調査に転用し、AI ツール（Elicit、Consensus、Scite、Snorbe）で反復ループを回す。60分ダイジェストを月次で更新するリビング資料として運用する

読者の方が今週から試すとしたら、まず自組織で扱っているレポートを5つリストアップして、対象期間・母集団・単位・原典URL の4つを表にしてみるのが最初の一歩です。この作業だけで、「同じ現象を扱っているようで、実は全部違うものを測っている」ことに気づきます。そこからSnorbe や Elicit のような専門横断ツールで、論文と特許と統計を串刺しで扱う反復ループに広げていくと、資料の信頼性と更新スピードの両方が上がっていく実感が得られます。

数字の世界は、鵜呑みにすると簡単に騙されます。ただ、6つの罠と使い分けのマトリクスを頭に入れれば、レポートを開いた瞬間に「あ、この数字は◯◯を測ったやつだな」と分解できるようになります。この分解力が、複数レポート横断で数値ダイジェストを作るリテラシーの正体です。

よくある質問

Q1. 論文サーベイの数値ダイジェストは、系統的レビューと何が違いますか？

系統的レビューは効くか効かないかを判定するために、決まった手順で網羅的に論文を集めて統計統合する作業で、平均15.5か月かかります。数値ダイジェストは、複数のレポート・論文・統計データから同じ現象の数字を突き合わせて「どの数字を信じるか」を判定する作業で、60分〜数時間で仕上げる想定です。系統的レビューが持つ透明性の思想（PRISMA 2020 の27項目チェックリスト、原典追跡、両論併記）を市場調査や産業データに転用するのが、数値ダイジェストの基本設計です。医学が数十年で磨いた道具を、市場調査に応用するイメージで捉えると分かりやすいです。

Q2. なぜ論文の被引用数がデータベースで3倍も違うのですか？

各データベースが「引用として何をカウントするか」の範囲を変えているからです。Web of Science は査読ジャーナルの選定を厳格にして書籍・プレプリント・会議録の一部を除外します。Scopus は会議録を積極的に含めますが書籍のカバレッジは限定的です。Google Scholar は学位論文・書籍・プレプリント・ワーキングペーパー・会議録を全部含めます。同じ論文への引用でも、その引用元がどこに掲載されているかで、カウントされたりされなかったりする。Anker 2019 の実測で European Journal of Heart Failure トップ論文の被引用数が WoS 76 / Scopus 108 / Google Scholar 230 と3倍差、という結果はこの構造の直接的な帰結です。

Q3. 「AI市場は2030年に◯兆ドル」の予測はどこまで信じられますか？

CAGR（年平均成長率）を1社の数字だけで判断するのは危険です。同じ Grand View Research でも基準年を変えると CAGR が30.6〜36.6% で6ポイント動きますし、Grand View 35.9% と Precedence 19.20% で17ポイント違います。CAGR 20% と 35% で10年後の倍率は6.2倍と20倍で、3倍以上ずれます。予測を扱うときは「◯年基準・◯年ターゲット・◯社発表」の三点セットを必ず明記し、複数社の予測を Forest Plot 風に並べて中央値と外れ値を見る運用にすると、投資判断の質が上がります。

Q4. h-index はどのデータベースで公表するべきですか？

目的次第で使い分けます。自然科学分野の網羅性を重視するなら Scopus や Web of Science、社会科学・人文学分野は Google Scholar や Dimensions が向いています。ただし、同じ研究者でも一般に WoS の h < Scopus の h < Google Scholar の h と階段状の関係になるので、「私の h-index は35」と単独で書くと誤解を招きます。プロフィールに書くなら必ず「Scopus基準」「WoS基準」「GS基準」を付記します。Frontiers 2024 の Akhtar は h-index を実験科学者評価に使うことの信頼性そのものに疑問を呈しているので、単一指標に頼らず、Highly Influential Citations や Smart Citation の質的指標も併用する方向が2026年の潮流です。

Q5. Elicit や Consensus は本当に信頼できますか？

用途を絞れば信頼できます。Elicit は Cochrane 994件の測定で Data extraction 96%、Full-text screening 99%、Abstract screening 97% の精度を出しています。Consensus は Yes/No 質問への論文の総意を Consensus Meter で示すのに強いです。Scite は Supporting/Mentioning/Contrasting の3クラス分類が独自のポジションです。ただし、いずれも「全自動で完成品を作るツール」ではなく、「AI が下書きをして、人間がレビューする」設計です。人間検証を挟む前提で使うと、15.5か月の系統的レビュー作業を数週間に圧縮できます。AI 使用時は PRISMA-trAIce の透明性ルールに従って、使ったツール名・プロンプト・人間検証の記録を資料に添付するのが2026年の作法です。

Q6. 論文と特許と統計を串刺しで見たいときのおすすめツールは？

Elicit や Consensus は論文特化なので、特許や社内資料は扱えません。論文＋特許＋SNS＋統計＋社内資料を一体で扱うなら、Snorbe が候補になります。Snorbe は JPO・EPO・Google Patents の特許DB、arXiv・PubMed・Semantic Scholar の学術DB、e-Stat・Statista・CB Insights の統計DB、X（旧Twitter）、社内 PDF/Excel/PPT を横断できる設計です。R&D 企画、BD、投資家のように、論文だけでなく特許動向や業界統計まで一気に見たい人にとっては、専門DBを個別に叩く手間が省けます。汎用チャット（ChatGPT、Claude、Gemini）で思考の壁打ちをしつつ、Snorbe で継続観察と数値の突き合わせを回す、という分業が実務的な使い方です。

Q7. CAGRを引用するときの正しい書き方はありますか？

「AI市場のCAGRは35.9%」と単独で書くのは、記事の信頼性を落とします。最低限、次の三点セットを明記します。「基準年（例：2025年）」「目標年（例：2030年）」「発表元（例：Grand View Research 2025年3月版）」。さらに複数社の CAGR を並列で提示し、なぜ数字が違うかの理由（対象範囲の違い、生成AI 限定 vs 広義 AI、HW 込み vs SW のみ）まで書き添えると、読み手が判断できる資料になります。CAGR の複利効果は長期で爆発するので、1社の数字を鵜呑みにすると投資判断が3倍ずれる可能性があります。Forest Plot 風に複数推計を並べる運用に切り替えると、外れ値を見抜きやすくなります。

Q8. 数値ダイジェストを今週から始めるにはどうすればいいですか？

3ステップで始められます。ステップ1として、自組織で扱っているレポートを5つリストアップし、対象期間・母集団・単位・原典URLの4つを表にします。この作業だけで、「同じ現象を扱っているようで、実は全部違うものを測っている」ことに気づけます。ステップ2として、Elicit や Consensus で論文横断の数値抽出を試します。60分ダイジェストの6ステップを1テーマで回してみて、感覚を掴みます。ステップ3として、月次で更新するリビング資料に切り替えます。1回作って終わりではなく、Living Systematic Review の思想で継続資産にする運用です。この3ステップを1テーマで完走してから、他テーマや専門DB横断ツール（Snorbe など）に拡張していくと、失敗しにくく進められます。