無形資産会計の刷新とAI資産の財務報告

2026年5月25日

株式会社IPリッチのライセンス担当です。本日は、急速に進化する人工知能（AI）技術と、それに伴う無形資産の会計上の取り扱いの変化について、国際的な最新動向と企業実務への影響を解説します。国際会計基準審議会（IASB）は現在、AIモデルや内部で開発されたソフトウェア、さらには蓄積されたデータセットなど、現代の企業価値の源泉となっている無形資産の認識や開示に関する大規模な基準見直しを検討しています。本記事では、この新しい会計基準に備えるために企業が取り組むべきAI資産の棚卸しといった実務対応から、それらの資産評価がM&A（企業の合併・買収）の構造に与える影響に至るまで、財務と知財の交差点で起こっているパラダイムシフトを詳しく紐解いていきます。

AI技術や独自のソフトウェア、そして蓄積されたデータセットといった現代の無形資産を適切に評価し、その真の価値を把握することは、企業にとって「知財の収益化」という極めて重要な経営戦略に直結します。自社内に眠っている見えざる資産を可視化し、それを新たなビジネスモデルの構築や他社へのライセンス供与に結びつけることで、直接的な収益機会を最大化することが可能となります。特許をはじめとする知的財産の売買やライセンス展開を検討されている方は、特許売買・ライセンスプラットフォーム「PatentRevenue」で特許権の売買又はライセンスの希望者に無料で登録することを強くお勧めいたします。詳細はこちらのURL「 https://patent-revenue.iprich.jp/#licence 」からご確認いただけます。

Patent Value Analyzer | 特許収益化の可能性を無料評価

無形資産会計の国際的潮流とIASBによる抜本的見直し

現行の国際財務報告基準において無形資産の取り扱いを定めている「IAS第38号」は、もともと1998年に起草され、2001年に採択された非常に古い基準です。この基準が策定された当時のビジネス環境は、現在のようにクラウドコンピューティングや人工知能、ビッグデータが経済成長の主たる推進力となる以前のものでした。そのため、現在の基準は時代遅れとなっており、企業の真の価値創造メカニズムを財務諸表上に正確に反映できていないという批判が、投資家やさまざまなステークホルダーから長年にわたって強く寄せられていました。財務諸表の利用者は、企業が保有する無形資産やそれに対する支出について、意思決定に十分な情報を得られていないと感じていたのです。

このような課題に対応するため、国際会計基準審議会（IASB）は2024年4月、無形資産に関する会計要件の包括的な見直しに向けた調査プロジェクトを正式に開始しました。このプロジェクトの主眼は、IAS第38号の要件が現代のビジネスモデルを公正に反映し続けているかを再評価し、必要であれば無形資産の定義や認識要件を抜本的に改善することにあります。その後、2024年10月に開催された米国財務会計基準審議会（FASB）との合同教育会議において、プロジェクトの範囲やアプローチについて深い議論が交わされ、無形資産に関する報告の欠陥が最優先の是正課題として共有されました。FASB側でも同時期に無形資産の認識に関する意見募集を実施し、多くの関係者からフィードバックを受け取っており、グローバルな会計基準のすり合わせが進められています。

さらに、IASBは2025年5月の暫定決定において、財務諸表にすでに認識されている無形資産だけでなく、現行基準では認識されていない無形資産の双方について、情報利用者のニーズ評価を本格的に開始することを決定しました。ここでは、新しいタイプの無形資産や新たな利用方法に関連する実務上の課題を「テストケース」として用い、基準の改定を模索する方針が示されています。英国の会計基準承認委員会（UKEB）などもこの動きに呼応し、英国のステークホルダーの意見を収集し、IASBの提案を検証するための独自のケーススタディを開発するなど、国際的な枠組みの構築に向けた協調が進んでいます。このように、無形資産会計の見直しは単なるルール変更にとどまらず、企業がどのように自社の価値を外部にコミュニケーションするかという根本的なパラダイムの転換を意味しています。

AIモデルとデータセットが創出する資産価値の可視化

AIを自社のビジネスに導入する企業が急速に増加する中で、経営陣が直面する最大のジレンマの一つは、AIへの巨額の投資が財務諸表上では単なる「費用」として処理され、企業の本当の価値、すなわちバランスシートの向上に直結しないことです。従来の投資対効果の分析枠組みでは、AIにかかる支出を一時的なコスト削減のための経費として捉えがちです。しかし、実際にはAIは、ソフトウェア、独自のプロセス、そしてデータといった目に見えない無形資産の価値を複利的に増大させる資本形成のプロセスに他なりません。

専門機関の調査によれば、AI投資が無形資産の価値を高めるメカニズムを適切に評価することの重要性が実証されています。例えば、ある保険会社がAIの研究開発に6000万ユーロを投資した事例において、従来の保守的な会計処理ではその全額が費用として計上され、短期的には利益を圧迫する要因とみなされる可能性がありました。しかし、ロイヤルティ免除法などを駆使した精緻な無形資産評価を行った結果、その投資によって新たに創出されたソフトウェアスタックと独自のデータセットには、実に1億7000万ユーロに及ぶ資産価値があることが判明しました。この見えざる資産価値を投資家に適切に開示することで、同社はAIに対する支出を単なるコストから持続可能な企業価値のドライバーへと再定義することに成功し、結果として市場からの評価を高めることに繋がりました。

特に、AIモデルのパフォーマンスと競争優位性を根本から左右するデータセットの資産価値は近年飛躍的に高まっています。ただし、すべてのデータが等しく高い価値を持つわけではありません。インターネット上で公開されているマクロデータを用いて訓練された汎用的なAIモデルは、他社でも容易に構築可能であるため、日用品化しやすいという特徴があります。企業にとって真の競争優位性、すなわち強固な参入障壁をもたらすのは、他社が容易にアクセスできない独自のミクロデータと、長期間にわたって体系的に蓄積された時系列データです。AIは過去の事象の傾向から学習して未来を予測するため、歴史的なデータの蓄積が欠落している企業は、精度の高いモデルを構築することができません。

さらに注目すべき点は、AI技術の進化が既存のデータ資産の価値を間接的に押し上げる効果を持っていることです。過去においては、人間による分析コストが高すぎたために放置されていた古いデータセットが、高度なAIツールを用いることで瞬時に深いインサイトを抽出できるようになり、突如として極めて価値の高い資産へと変貌する現象が起きています。このように、AIとデータは相互に価値を高め合う関係にあり、企業はこれらを一体の資本として正確に評価し、財務的に可視化する手法を確立することが求められています。

アジャイルソフトウェア開発におけるAIコストの資本化とIAS38の課題

企業が自社でAIモデルやソフトウェアを開発する場合、その支出を費用として計上するのか、それとも無形資産として資本化し、数年にわたって減価償却していくのかは、財務報告において極めて重要な論点です。現行のIAS第38号では、内部で生成された無形資産のコストを「研究段階」と「開発段階」の二つに厳密に分類することを求めています。新しい知識を得るための調査や、技術的な代替案の探索といった研究段階で発生した支出は、将来の経済的便益が不確実であるため、発生した時点で直ちに全額を費用として処理しなければなりません。一方、開発段階に入り、技術的な実現可能性が証明され、企業にその資産を完成させて使用または売却する意図と十分な資源があり、将来の経済的便益を創出する方法が明確に証明された場合にのみ、その支出を無形資産のコストとして資本化することが認められます。

しかし、現代のソフトウェア開発やAI開発の現場において、この研究段階と開発段階の明確な切り分けは事実上不可能になりつつあります。現在主流となっているアジャイル開発と呼ばれる手法では、開発サイクルが短期間で反復され、試作品の作成という研究と機能の実装という開発、そしてリリースと改善が同時並行で絶え間なく繰り返されます。そのため、旧来のウォーターフォール型開発を前提としたIAS第38号の認識要件は、現在の実務と著しく乖離しているとの指摘が相次いでいます。これが、IASBが基準の抜本的見直しにおいて、アジャイルソフトウェア開発を重要なテストケースとして取り上げている最大の理由です。

さらに、AIモデル特有の性質がこの問題を一層複雑にしています。AIモデル、特に機械学習や生成AIのモデルは、新しいデータを取り込んで自己学習し、継続的にアップデートされる性質を持ちます。そのため、どこで完成したのかという基準を設けることが難しく、また、技術の陳腐化が極めて速いため、従来の静的なソフトウェアのように耐用年数を適切に見積もることが困難です。2026年1月に議論されたIASBのスタッフペーパーでは、データリソースとAIを独立したテストケースとして設定するかどうかが検討されました。結論として、AIやデータが抱えるこれらの会計上の課題は、アジャイル型ソフトウェア開発やクラウドコンピューティングが直面する課題と本質的に類似していると判断され、AIを独立のケースとはせず、既存のソフトウェア開発の枠組みの中で主要な具体例として包括的に検証されることになりました。

実務上、AIツールを導入・開発する際のコスト分類には細心の注意が必要です。資本化が認められる可能性が高い直接的なコストとしては、AIモデルの開発に従事する内部エンジニアの労務費、機械学習モデルの訓練に必要な莫大な計算リソース、自然言語処理モデルを訓練するために外部から取得した大規模データセットの購入費用などが挙げられます。逆に、導入したAIシステムを従業員が操作するためのトレーニング費用や、AIが計画通りのパフォーマンスを発揮する前に発生した初期の試験運用における損失などは、無形資産のコストには含まれず、費用として処理しなければなりません。昨今急増している生成AIの開発においても、サードパーティの大規模言語モデルを利用するための費用や、自社専用にモデルを微調整するファインチューニングのコストをいかに会計処理するかは、依然として企業にとっての大きな課題となっています。

M&A市場におけるAI資産の評価とアーンアウト条項の活用

無形資産が企業価値の中核を担うという構造変化は、M&A市場において最も顕著に表れています。統計によれば、2020年の時点で米国主要企業の市場価値の約90パーセントが無形資産で占められており、有形資産を中心とした旧来の経済構造からの転換はすでに不可逆的なものとなっています。この劇的な変化は、M&Aにおける企業価値評価の手法や、取引のストラクチャリングに根本的な変革を迫っています。

現代のM&A取引において、買収企業が対象企業に対して巨額の割増価格を支払う最大の理由は、対象企業が保有する独自のAIアルゴリズムや、医療分野・金融分野などにおける専門的でクローズドなデータセット、さらには顧客の行動履歴といった情報資産を獲得することにあります。しかし、これらのデータ資産や開発途上のAIモデルは、現行の会計基準では貸借対照表に計上されていないことが多いため、当事者間でその真の価値について共通の認識を形成することが非常に困難です。過去の著名なソーシャルメディア企業の買収事例においては、買収側がプラットフォームの所有権やブランド価値といった目立つ要素にばかり着目し、ユーザーから日々生成される膨大な行動データの潜在的な収益化価値を過小評価してしまった結果、買収後の価値最大化の機会を大きく逸したという教訓が残されています。

このように、AIやデータセットといった革新的かつ不確実性の高い無形資産は将来の収益予測が極めて難しいため、買収側と売却側の間で希望する企業評価額に大きなギャップが生じがちです。この溝を埋め、M&A取引を円滑に成立させるための革新的なディール手法として、近年アーンアウト条項が急速に普及しています。

アーンアウトとは、買収対価の全額を取引完了時に一括で支払うのではなく、買収後の一定期間内に、対象企業が事前に合意した売上高などの財務目標や、特定のAIモデルの開発完了といった非財務的な目標をクリアした場合にのみ、追加の対価を支払うという条件付きの支払いメカニズムです。アーンアウトにはいくつかの形態があり、例えばAI開発のキーマンとなる優秀なエンジニアや創業者が買収後も会社に留まり成果を出すことを促すリテンション・アーンアウトや、現金の代わりに買収企業の株式を付与することで双方の利害を一致させるエクイティ・アーンアウト、さらには対象企業が目標を下回った場合に売却側から買収側へ資金を返還させるリバース・アーンアウトなどが活用されています。これらのストラクチャリングを駆使することで、買収側は急速に変化するAI技術に対する過大評価のリスクを適切に軽減しつつ、売却側は将来の技術的成功や事業成長に応じた正当な超過利益を享受することが可能になります。

国内外の会計基準動向と企業に求められる知財ガバナンスの実務

国際的な無形資産会計の見直しの波は、日本国内の会計実務にも確実な影響を及ぼしています。日本においては、金融庁が主導する形で国際財務報告基準の任意適用が拡大しており、多くの上場企業がグローバルな投資家との対話を見据えて基準移行を進めています。さらに、日本の企業会計基準委員会も国際的な動向を密接に注視しており、財務諸表の境界線の明確化や、金融商品、無形資産に関する包括的な議論を継続的に行っています。これには、新たな取引形態やビジネスモデルに対応するための会計基準のアップデートが含まれており、グローバルなルール形成から取り残されないための対応が急務となっています。

このような過渡期において、企業は受動的に会計基準の変更を待つのではなく、能動的に自社のAI資産とデータ基盤を管理・保護する体制を構築しなければなりません。その第一歩となるのが、社内に点在するAIモデル、アルゴリズム、内部開発されたソフトウェア、そして独自に蓄積されたデータセットの徹底した棚卸しです。多くの組織では、現場の各事業部門が業務の効率化やサービス向上のために独自のAIツールやデータパイプラインを構築していますが、それらが経営陣や財務部門によって企業全体の資産として一元的に把握・管理されていないケースが散見されます。AIは単なるITの便利なツールではなく、企業の将来の競争力を決定づける中核的な資本です。したがって、法務、財務、知的財産、そして技術開発の各チームが横断的に連携し、どのデータセットが独自の経済的価値を持っているのか、どのアルゴリズムを特許として出願すべきか、あるいは営業秘密として社内で厳重に保護すべきかを定期的に評価する知財ガバナンスの体制を確立することが不可欠となります。

適切な知財ガバナンスの運用は、将来の企業価値向上や円滑な資金調達、ひいてはM&Aにおける評価額の最大化に直結します。戦略的な特許出願の推進や、AIによって生成された成果物に対する権利帰属の明確化、そして各種のデータ保護規則や各国のAI規制法を厳格に遵守したクリーンなデータ基盤の構築は、投資家に対して経営陣の高い洗練度とリスク管理能力を示す強力なシグナルとなります。投資家や買収企業は、単にAIを表面的なツールとして使っている企業ではなく、AI技術とデータを法的に保護された資産として囲い込み、他社に対する強固な参入障壁を築いている企業を高く評価するからです。

さらに、正確な資産の棚卸しによって可視化されたAIモデルやデータセットは、自社内での事業利用にとどまらず、新たな直接的収益の源泉となり得ます。日本国内の事例を見ても、コンテンツ配信のプラットフォーム企業がAI開発企業向けにクリエイターの作品を学習用コンテンツとして提供し、その収益をクリエイターに還元するモデルを本格的に導入したり、画像素材サイトがユーザーから投稿された画像をAI学習素材として収集しマネタイズを図るなど、データを資産として活用する新たなビジネスモデルが次々と誕生しています。このように、無形資産の価値を正確に測定し、適切な知財保護を図った上で市場に流通させる知財の収益化の実践こそが、激動するAI時代の企業経営において最も注力すべき戦略的課題と言えるでしょう。

（この記事はAIを用いて作成しています。）

参考文献リスト