AI開発コストの資産計上とIAS 38の実務対応

株式会社IPリッチのライセンス担当です。 本記事では、近年、急速にビジネスの現場へと普及しているAI（人工知能）ソフトウェアやツールの開発コストについて、国際財務報告基準（IFRS）におけるIAS 38（無形資産）の規定に基づき、どのように資産計上すべきかの実務対応と判断基準を詳しく解説いたします。 AI開発においては、従来型のソフトウェア開発とは異なり、機能や要件が事前に完全に定義できないという特有の不確実性が伴います。データ取得、計算リソース（GPUやクラウド）、インフラ構築、そしてスタッフ教育など、多岐にわたるコストが発生する中で、会計上の「研究段階」と「開発段階」を厳密に区別し、適切なコスト区分を行うことが企業の財務的な透明性を担保する上で極めて重要です。 本記事を通じて、AIプロジェクトが抱える複雑なコスト構造を整理し、長期的な投資回収と企業の知的財産（知財）価値の最大化に向けた、戦略的な会計実務のポイントを深く理解していただければ幸いです。

また、AI技術の発展は、単なる社内の業務効率化にとどまらず、新たなビジネスモデルの創出や「知財の収益化」という重要なテーマにも直結しています。自社で多額のコストをかけて開発した独自のAIモデルや特許技術は、無形資産として適切に評価されることで、他社へのライセンス供与や特許売却を通じた直接的な収益源に変わる可能性を秘めています。特許売買・ライセンスプラットフォーム「PatentRevenue」では、こうした特許権の売買やライセンスの希望者に無料で登録いただけるサービスを提供しており、企業の皆様が持つ知財価値の最大化を力強くサポートしています。AI開発によって生み出された貴重な知的財産を有効に活用し、さらなる成長資金へと繋げるために、ぜひPatentRevenueへの登録をご検討ください。詳細については、以下のURLをご参照ください。 https://patent-revenue.iprich.jp/#licence

AI開発における無形資産（IAS 38）の基本概念と資本化の意義

国際財務報告基準（IFRS）を採用している企業において、無形資産の会計処理を規定する「IAS 38」は、財務の透明性と企業間の比較可能性を担保するための極めて重要な基準となります。IAS 38では、無形資産を「物理的実体のない識別可能な非貨幣性資産」と定義しています。これには、ソフトウェア、特許権、ライセンス、ブランド名などが該当します。無形資産として貸借対照表（バランスシート）に認識されるためには、その資産が識別可能であり（売却、移転、ライセンス供与が可能であるか、あるいは契約上・法律上の権利から生じるものであること）、将来の経済的便益を企業にもたらす可能性が高く、かつ取得原価（コスト）を信頼性をもって測定できる必要があります。

しかしながら、AIソフトウェアや機械学習モデルの開発コストに対して、この伝統的な会計基準をそのまま適用しようとすると、実務上で多くの特有な課題が生じます。なぜなら、IAS 38が起草された1998年当時は、無形資産といえば主に特許やブランド名、あるいは仕様が明確に定義された従来型のソフトウェアを想定して作られたものだからです。現在私たちが直面しているような、ニューラルネットワーク、大規模言語モデル（LLM）、複雑なデータパイプラインといった、確率論的な出力を持つ現代のAIアーキテクチャは全く想定されていませんでした。

従来型のソフトウェア開発では、コードの機能や仕様が事前に明確であり、開発の進捗や完了の定義が比較的容易でした。一方でAI開発は、コードそのものの正確性だけでなく、学習させるデータの質や量に強く依存してモデルの精度が変動するという、非常に大きな不確実性を伴います。このような複雑な性質により、企業はどの支出を当期の「費用」として処理し、どの支出を将来の収益に貢献する「資産」として資本化（資産計上）すべきかの判断に日々苦慮しています。

開発コストを資産として資本化することができれば、当期の費用負担が大幅に減少し、短期的にはEBITDA（利払い前・税引き前・減価償却前利益）などの収益性指標が向上するというメリットがあります。しかし長期的には、資産計上されたコストはソフトウェアの耐用年数にわたって減価償却されていくため、将来の期間において継続的な費用負担が発生します。したがって、経営陣や財務担当者は、AI開発コストの取り扱いが企業価値評価にどのような影響を与えるのかを、目先の利益だけでなく中長期的な視点から慎重に分析する必要があるのです。

研究フェーズと開発フェーズの厳密な区分とAIプロジェクトの特質

社内で創出された無形資産（自己創設無形資産）の会計処理において、IAS 38はプロジェクトの進行を「研究フェーズ」と「開発フェーズ」の2つに厳格に区別することを企業に求めています。この区別は、発生したコストを直ちに費用として処理するのか、それとも資産として計上して将来にわたって償却していくのかを決める、決定的な分水嶺となります。

まず「研究フェーズ」とは、新しい科学的または技術的な知識や理解を得るための探求活動を行う段階を指します。仮説の検証、新しいアルゴリズムの代替案の探索、初期段階の概念実証（PoC：Proof of Concept）などがこれに含まれます。IAS 38の規定により、この研究フェーズで発生したすべてのコストは、それが将来の経済的便益を生み出すという確証がまだないため、発生した時点で即座に全額を費用として処理しなければなりません。

一方「開発フェーズ」とは、研究の成果やその他の知識を、商業的な生産や社内での本格的な使用を開始する前に、新しい、または大幅に改良されたシステムやサービスの計画・設計に適用する段階を指します。一定の厳しい要件（後述する6つの要件）をすべて満たした場合にのみ、この開発コストは無形資産として資本化することが認められます。

AIプロジェクトにおいて、この2つのフェーズを区別することが極めて難しい理由は、AI開発が従来のような直線的（ウォーターフォール型）なプロセスではなく、反復的で循環的なプロセスを経るためです。たとえば、特定の仮説をテストするためにAIモデルをトレーニングする初期の作業は「研究」に該当します。そして、そのモデルの有効性が確認された後に、実際の運用環境（プロダクション環境）にデプロイするために微調整を行う作業は「開発」に該当します。

しかし実務の現場においては、モデルの微調整を行った結果、再び精度が落ちてしまい、仮説の再検証に戻るといったことがシームレスに繰り返されます。そのため、研究と開発の境界線は明確な一本の線ではなく、グラデーションのように非常に曖昧になります。このような状況において、技術チームと財務部門が緊密に連携し、プロジェクトの「フェーズゲート（段階の移行点）」となる明確なマイルストーンを事前に定義しておかない限り、会計上は保守的な原則が適用され、すべてのコストがデフォルトで研究フェーズのものとして費用処理されてしまうリスクがあります。

開発コスト資産計上のためのIAS 38が定める6つの要件とAIへの適用

開発フェーズのコストを無形資産として計上するためには、IAS 38の第57項が定める「6つの要件」をすべて、かつ同時に満たすことを実証しなければなりません。これらは部分的な達成では認められず、一つでも満たせない要件がある期間の支出は、すべて当期の費用として処理されます。AIプロジェクトにおいてこれらの要件を証明するためには、従来とは異なる実務的なアプローチが求められます。

第一の要件は、無形資産を完成させ、それを使用または売却できるようにすることの「技術的実現可能性」です。従来のソフトウェア開発では、プロトタイプが動作することによってこの要件が証明されました。しかし、AIモデルの場合は、実験室内のクリーンなテストデータセットで高い精度を達成しただけでは不十分です。時間の経過に伴うデータの傾向変化（データドリフト）、予期せぬエッジケースの発生、処理遅延（レイテンシ）などの課題をクリアし、実際の運用環境に耐えうる本番レベルのパフォーマンスを実証して初めて、技術的実現可能性が認められます。

第二の要件は、無形資産を完成させ、それを使用または売却する企業の「意図」です。単に「社内のAI能力を構築する」といった漠然とした目的のプロジェクトは、この要件を満たしません。「小売部門の顧客離反予測モデルを開発し、既存のCRMシステムに組み込む」といった、非常に具体的で明確なデプロイ（展開）計画が存在している必要があります。

第三の要件は、無形資産を「使用または売却する能力」です。AIモデルそのものが完成しても、それを稼働させるためのインフラがなければ使用能力があるとは言えません。企業は、データパイプラインの構築、既存システムとの統合経路、そしてMLOps（機械学習オペレーション）の体制がしっかりと整っていることを証明する必要があります。これらが欠如しているために、本番環境に到達できずに終わるAIモデルは決して少なくありません。

第四の要件は、無形資産が「将来の経済的便益を創出する方法の証明」です。これはAI投資を正当化する上で最も難易度が高い要件の一つです。AIモデルが単に技術的な精度を示すだけでなく、実際にビジネス上の価値を生み出す因果関係を証明しなければなりません。たとえば、物流企業がルート最適化AIを開発した場合、過去のデータでのシミュレーション結果だけでなく、実際のライブパイロット運用を行い、「燃料費が確実に11%削減された」といった明確な経済的効果の証拠を監査人に提示する必要があります。

第五の要件は、開発を完了し無形資産を使用するために必要な「技術的、財務的およびその他の資源の利用可能性」です。従来のソフトウェア開発では、主に予算と開発チームが資源として評価されましたが、AI開発においては、資金よりも「高品質な学習データの確保」が最大のボトルネックとなることがよくあります。必要なトレーニングデータが不足している場合、どれほど豊富な予算があったとしても、この要件は満たされません。

第六の要件は、開発段階において無形資産に帰属する「支出を信頼性をもって測定する能力」です。AI開発では、クラウド上の計算リソースを複数のプロジェクトで共有したり、一つのデータ準備パイプラインを複数のモデル学習に流用したりすることが一般的です。そのため、コストを特定の単一の資産に紐づけることが困難になります。この要件を満たすためには、開発の初期段階からプロジェクト単位でのクラウド費用のタグ付けや、エンジニアの労働時間をプロジェクトごとに細かく記録する、厳密なコストトラッキング体制を構築することが不可欠です。

データ取得・計算リソース（クラウド・GPU）・インフラ関連コストの会計処理

AIソフトウェアの開発プロセスでは、多様なコストが発生します。企業はこれらを一括りに「AI投資」とするのではなく、コストの性質ごとに適用すべき会計基準を精緻に切り分けて処理しなければなりません。

AIモデルの精度を左右するデータの取得および準備に関するコストは、その代表例です。外部から独自のデータセットを購入する場合や、非デジタルデータをAIが処理可能な形式に変換するコストなどは、それが将来の複数のモデルトレーニングに有益であり、資産としての要件を満たす場合には、独立した無形資産、またはAIソフトウェア資産の一部として資本化できる可能性があります。しかし、自社内で日々の業務から自然発生的に蓄積された顧客データやオペレーションデータなどの自己創設データについては、資産価値の客観的な測定が極めて困難であるため、現行のIFRSの下では原則として費用処理されることが大半です。国際会計基準審議会（IASB）においても、データリソースをどのように財務諸表に反映させるべきかについて、現在も活発な議論が続けられています。

また、計算リソース（コンピューティング）のコストも重要な要素です。基盤モデルやディープラーニングのトレーニングには膨大な計算能力が必要です。自社で高性能なGPUやサーバーを購入してオンプレミス環境を構築した場合、これらのハードウェア支出は「有形固定資産（IAS 16）」として計上され、それぞれの耐用年数にわたって減価償却されます。一方で、クラウドコンピューティングサービスを利用してトレーニングを行った場合、支払ったクラウド利用料は原則としてサービス提供を受けた期間の営業費用として即時処理されます。ただし、前述の6つの要件を満たす開発フェーズにおける特定のクラウド利用料であれば、開発コストの一部として資本化できるケースもありますが、厳密なプロジェクト単位での利用実態の証明が求められます。

さらに、AIソフトウェアを社内で運用するために不可欠な従業員のトレーニング（教育）コストや、システム導入に伴う初期のオペレーション非効率による損失、一般的な管理費などは、いかなる場合も資産計上することはできず、発生時に全額費用として処理しなければなりません。IAS 38の第69項において、トレーニング支出は企業が従業員のスキルを完全に支配・統制することができないため、無形資産の要件を満たさないことが明記されています。

自社で一からAIを開発するのではなく、外部のSaaS型AIツールを導入し、自社向けにカスタマイズや設定を行うケースも増加しています。この場合、IFRS解釈指針委員会（IFRIC）の決定に基づき、カスタマイズによって企業が支配できる新たな識別可能なコードや無形資産が生み出されない限り、その実装および設定コストは、クラウドサービスへのアクセス権の受領に伴って費用処理されるのが一般的です。

アジャイル開発と最新AI手法（ファインチューニング・RAG）における財務的課題

現代のAI開発は技術手法の進化により、その会計処理がさらに複雑化しています。特に、ファインチューニング（微調整）とRAG（検索拡張生成）という2つの異なるアプローチの財務的な違い、そしてアジャイル開発手法による影響は、実務上極めて重要な検討事項となります。

ファインチューニングは、特定のタスクに特化させるために、既存の基盤モデルに対して自社のドメイン固有のデータを追加で学習させる手法です。この手法は、学習フェーズにおいて多大なGPUリソースと計算コストを前払いで消費します。そのため、もし開発フェーズの資産計上要件を満たすことができれば、この初期の大規模なコストを無形資産として資本化し、モデルの経済的寿命にわたって償却していくという、伝統的なソフトウェア資産に近い会計処理の対象となり得ます。

一方、RAGは、AIモデル自体を再学習させるのではなく、ユーザーからの入力に対して自社のデータベースをリアルタイムで検索し、その情報をAIに与えて回答を生成させるアーキテクチャです。RAGシステムの構築においては、モデルの学習コストよりも、データのベクトル化、データパイプラインの構築、およびデータベースの維持管理に初期コストが集中します。さらに、運用時におけるデータ検索と推論のためのランニングコストが大きくなる傾向があります。RAGの導入コストは、独自のアルゴリズム開発というよりもシステム統合とデータインフラ構築としての側面が強いため、どこまでを新規の無形資産として計上できるかの判断基準がファインチューニングとは異なります。

さらに、AI開発の現場では短期間のサイクルで開発・テスト・見直しを繰り返すアジャイル開発手法が主流となっています。アジャイル環境下では、プロジェクトの各スプリント（開発の反復単位）が研究なのか開発なのか、あるいは新規資産の構築なのか既存資産の維持・保守なのかを明確に区別することが非常に困難です。要件を満たして資産計上を開始した後でも、あるスプリントの検証結果によって急な方針転換が行われ、それまでに開発したコードやモデルが破棄されることがあります。この場合、企業は速やかに当該資産の減損テストを行い、価値が失われた部分を減損損失として計上しなければならず、業績に予期せぬ変動をもたらすリスクが潜んでいます。

投資回収計画（ROI）の策定と中長期的な予算管理の実務

AIプロジェクトは多額の初期投資を必要としながらも、その効果が目に見える形でビジネスの財務数値に貢献するまでに一定のタイムラグが生じます。そのため、企業の財務担当者は、単年度の予算管理にとどまらず、中長期的な視点での投資回収計画（ROI）を策定し、厳密に追跡評価する必要があります。

AI投資のライフサイクルは、一般的に初期の概念実証（PoC）、本格展開、プロセスの最適化と横展開、安定運用、そして次世代技術への更新という、複数年度にわたるフェーズで進行します。単年度の予算枠だけでAIを評価してしまうと、初期段階でのコスト超過や、運用後の継続的なインフラコストを見落とし、投資対効果の判断を誤る危険性があります。成功している企業の財務部門は、AI専用の予算枠を設け、価値実証の要件を厳格に設定した上で、段階的なリソース配分を行っています。

適切なROIを追跡するためには、AI導入前の既存プロセスの処理時間、エラー率、投入リソースなどのベースライン（基準値）を詳細に文書化しておくことが不可欠です。導入後、AIモデルの稼働にかかるトークン消費量やAPI呼び出し費用といった継続的なランニングコストと、削減された人件費や向上した時間的価値を月次で比較・モニタリングすることで、初めて真の投資対効果が算出可能になります。

また、開発コストを研究フェーズの費用として即時処理するか、開発フェーズの無形資産として資本化するかという会計上の選択は、企業の財務指標に直接的な影響を与えます。資本化を選択すれば短期的には利益が押し上げられますが、将来にわたって減価償却費という形で費用が計上され続けることを意味します。AI技術は陳腐化のスピードが極めて速いため、償却期間の設定を誤ると将来的に巨額の減損損失を計上することになりかねません。したがって、企業は技術のライフサイクルと会計上の耐用年数を現実的にすり合わせた上で、慎重かつ戦略的な資本化戦略とシナリオプランニングを構築し、知財価値の維持と収益性のバランスを最適化していくことが強く求められます。

（この記事はAIを用いて作成しています。）