AIによる未来予測を検証！Deep Researchの性能や予測データの精度を評価してみた！

自動化のアイデア

・

2025-11-19

【AI時代の未来】今後AIの台頭で社会はどうなる？実際にDeep Research機能で未来予測もさせてみた！

Suguru Nakazawa

✍️2026年のAIトレンド予測
🤔生成AIのDeep Researchを使って未来予測をしてみた！
✅検証内容1：Geminiによる通常調査とDeep Researchの出力結果を比較
✅検証内容2：Gemini、ChatGPT、Microsoft CopilotのDeep Researchの出力結果を比較
🖊️検証結果まとめ
まとめ

AI技術は今後10年間で、さらに私たちの生活やビジネスに革命をもたらすと予測されています。ただのチャットボットではなくAI自ら自律的に考えるAIエージェントや、AIが現実世界の物理環境で判断・動作するフィジカルAIなど、AIの進化が目まぐるしい昨今。各社でAI活用に関する未来予測や議論も活発に行われています。

これらの予測はAIがもたらす変化が単なるテクノロジーの進化にとどまらず、私たちの働き方や社会構造をも根底から変えてしまうかもしれません。そこで本記事では、これらの先進的なAIにおける未来予測をご紹介。さらに未来予測さえもAIで出来てしまう、「Deep Research機能」の未来予測についても実験してみました！

✍️2026年のAIトレンド予測

2026年に予測されている、今後のAIトレンドについて確認していきましょう。

エージェントAI (Agentic AI)

AIが単なる生成ツールから、自ら考えて行動する自律的なパートナーへと進化したのが「エージェントAI」です。

従来の生成AIはユーザーの指示に基づいてコンテンツを作成するだけでしたが、エージェントAIは「目標（ゴール）」を与えるだけで、それを達成するための計画立案、タスク分割、実行、調整を自律的に行います。これが 2026年にかけて、AIが市場調査から広告生成、実行までを自律的にこなすフローがビジネスの主流になると予測されています。これにより、人間は細かな作業から解放され、最終的な意思決定や倫理的監督を担う役割へとシフトするでしょう。

フィジカルAI (Physical AI)

フィジカルAIとは、AIがデジタル空間に留まらずロボットやセンサー、IoT機器などを通じて現実世界と直接連携し、「認識」から「行動」までを自律的に実行する技術のこと。

従来のAIの役割はデータの分析や回答の生成のみでしたが、フィジカルAIは現実世界で物理的なアクションを直接生成する段階へと進化しています。具体的には2026年にかけて、AIが自ら状況を判断して動く次世代ロボットやヒューマノイド（人型ロボット）が、物流倉庫や製造現場などの実社会に急速に普及すると予測されています。特に日本では深刻な労働力不足を解消するための「Society 5.0（超スマート社会）」の中核として期待されており、物流コストの劇的な削減などの具体的な成果も。今後さらに発展する分野と言えるでしょう。

マルチモーダルAI (Multi-modal AI)

テキスト、画像、音声、動画、さらには3Dデータやセンサーデータまでを横断的かつ同時に処理します。2026年には、情報の要約や画像作成といった「コンテンツ生成」の枠を超え、コードの自動記述、ワークフローの作成、センサーやロボットと連携したプロセス実行など具体的なアクションを生成する段階に移行するでしょう。

AIネイティブ開発 (AI-Native Development)

AIが開発プロセスの中心となる段階へ移行することで、2026年における最も重要な開発トレンドの一つとされています。具体的には、2030年までに80%の組織が「小規模な開発チーム＋AI」という体制へ移行すると予測されています。また、目標を与えるだけでAIエージェントが自ら計画を立て、コード生成を含む実行プロセスを自律的に完遂する「エージェント型」の開発も現実味を帯びている昨今。これまでの開発が「人間が主役でAIが便利な辞書や筆記用具だった」ことに対し、「AIが熟練の職人として現場を切り盛りし、人間はその設計図の確認と最終検品を行う監督官になる」ような変化と言えるでしょう。

ドメイン特化型AI (SME-LLM / Small LLM)

汎用的な大規模言語モデル（GPT-5やGeminiなど）の進化の一方で、特定の業務や業界に最適化された「専門性」を追求するモデルの需要が急拡大しています。2026年にかけて、広範な知識を持つ汎用モデルと特定のビジネス現場で威力を発揮する高性能な「SME-LLM（Subject Matter Expert LLM）」への市場の二極化が進むと予測。合わせて外部のクラウドにデータを送信できない金融・法律・医療などの規制が厳しい分野において、自社データのみで学習させた小型モデルをオンプレミスやプライベートクラウドで運用する動きが加速しています。

AI市場規模 (Market Projection)の拡大

AIがもはや選択肢ではなく「必須インフラ」へと変化したことで、世界・日本国内ともに指数関数的な成長が予測されている点にあります。世界のAI市場規模は、2025年に2,440億ドル、2026年には3,120億ドルに達し、2030年には8,270億ドル（約120兆円超）まで大幅に拡大すると予測。現在のAI市場の成長は、これまでのAIが「特定の作業を助ける便利な道具」だったのに対し、「社会や企業の運営に欠かせない電気や水道のような基盤インフラ」までを担っていくでしょう。

🤔生成AIのDeep Researchを使って未来予測をしてみた！

ここまではAIに関する未来予測を見て行きました。そしてここからは、AI自身に予測させてみましょう。
生成AIの「Deep Research機能」を使うことで、AIは特定の予測を立てられます。この機能を用いて、実際に未来予測をしていきましょう。

AIでできる未来予測とポイント

Deep Researchで未来予測を行う場合、様々な使い方があります。
利用できるビジネスシーンと利用時のポイントを知っておくことで、より一層Deep Research機能を活用できるはずです。

【Deep Researchを利用できるビジネスシーンの例】

売上予測
需要予測
在庫管理・仕入れ最適化
生産・人員計画
顧客行動の予測
メンテナンス予測
リスク予測

上記をはじめ、様々なシーンでDeep Researchによる未来予測を利用できます。

検証条件

検証には、以下の生成AIを利用します。

Gemini 通常調査

モデル：2.5 Flash
プラン：無料プラン

Gemini Deep Research

モデル：2.5 Flash
プラン：無料プラン

※Geminiのプラン／モデル／Gemini Deep Researchについて

ChatGPT Deep Research

モデル：選択不可
プラン：無料プラン

※ChatGPTのプランとモデル／Deep Research利用時のモデルについて

Microsoft Copilot Deep Research

機能：なし
プラン：無料プラン

※Microsoft Copilotのプラン／機能／Microsoft Copilot Deep Researchについて

検証内容とポイント

検証するアウトプット：過去のデータと市場の状況をもとに、今後1年のウェブ広告のコンバージョン予測

検証内容1：Geminiによる通常調査とDeep Researchの出力結果を比較

検証内容2：Gemini、ChatGPT、Microsoft CopilotのDeep Researchの出力結果を比較

検証項目

作成スピード（作成時間）
情報の信頼性（参照URLの数、参照URLの期間と透明性）
正確性（Holdout法およびMAE）

※Holdout法：過去データをトレーニンググループとテストグループに分けて、トレーニンググループをもとに予測したデータとテストグループの結果を比較する手法
（今回は過去3年分のデータを用意し、直近1年分をテストデータとします）
※Mean Absolute Error (MAE)：実際の値と予測値の絶対誤差の平均。値が小さいほど予測精度が高い。
（今回テストデータとする直近1年分のデータを実測値とし、AIは1年前の状態から2年後までの未来予測を行う）
（計算例：ある月のPV数の予測値が1,050、実測値が1,000の場合は、差分の絶対値が｜実測値-予測値｜＝50になる。この計算を全月で行い平均値をとる）

✅検証内容1：Geminiによる通常調査とDeep Researchの出力結果を比較

Geminiの通常調査とDeep Research機能の出力結果は、以下のようになりました。

【Gemini 通常調査】

【Gemini Deep Research】

検証結果

Geminiの通常調査とDeep Research機能の出力を「作成スピード」「情報の信頼性」「正確性」の3点で比較すると以下のようになります。

作成スピード

Deep Researchは、網羅的な調査を行い、見やすいレポートにまとめるため時間がかかります。
その特徴が反映された結果となりました。
作成時間のみを比較すればDeep Researchにメリットは感じられませんが、通常の調査で同様のレポートを作成するとなると、より多くの時間がかかるはず。
チャットを何度も繰り返し、ドキュメントに結果をまとめることを考えれば、むしろ3分40秒という時間はかなり速いです。
未来予測の結果をまとめて誰かに配布するシーンでは、大いに役立つはずです。

情報の信頼性

Deep Researchは、ときには100件を超えるリンクの調査ができる機能です。
しかし、今回の結果では、むしろ通常調査の方が多くの資料を参照しており、参照情報の鮮度にも大きな差はありませんでした。
この結果には、プロンプトでの指示が曖昧だったことが影響していそうです。
AIも人と同じで、具体的でわかりやすい指示の方が、依頼者が求める結果に近いアウトプットが可能になります。
もしDeep Researchで未来予測を行うときに、AIに参照してほしいリンクが決まっているときは、プロンプトに組み込むことをおすすめします。

正確性

Geminiの通常調査で出力されたのは、1年で1つの月の予測値だけでした。
一方のDeep Researchは、出力は四半期ごとの予測値のみで、クリック数とクリック率はありませんでした。
この結果にも指示が曖昧だったことが影響しているかもしれません。
サンプル数が少なくなったことで精度は落ちますが、PV数・コンバージョン数・コンバージョン率のいずれもDeep Researchの結果の方が誤差が小さい値となるため、より正確な値と言えます。
また、予測結果の出力数は、Deep Researchの方が多く出力しているため、通常調査の方が処理性能は低いと考えられます。
これらの点から、AIを使って未来予測を行うならDeep Researchの利用をおすすめします。

✅検証内容2：Gemini、ChatGPT、Microsoft CopilotのDeep Researchの出力結果を比較

ChatGPTとMicrosoft CopilotでもDeep Research機能を使い、同じプロンプトで未来予測を行った結果、以下のようになりました。

【ChatGPT Deep Research】

【Microsoft Copilot Deep Research】

検証結果

3つの生成AIのDeep Research機能を「作成スピード」「情報の信頼性」「正確性」の3点で比較すると以下のようになります。

Gemini：処理は速いがプロンプトの工夫が必要

Geminiは、他のAIに比べて圧倒的なスピードで未来予測を完了しました。
出力結果は求めるデータからは遠いですが、プロンプトを工夫することで改善の余地はあります。
AIになじみがない方にはハードルが高くなりますが、日頃からAIを頻繁に利用しており、プロンプトの調整ができる方は、Geminiを使った未来予測がおすすめです。

ChatGPT：未来予測の精度は高いが参照資料が少ない

データの精度が最も高いのがChatGPTです。
すべての項目で誤差が1番小さい値を示していました。
また、求める形式で全項目の毎月の予測値がアウトプットされていたのもChatGPTだけ。
AIに詳しくない方や予測精度を重視する方には、ChatGPTがおすすめです。
ただし、予測の根拠となるリンク数はGeminiと同様に少ないので、参照してほしいリンクが決まっているときは、プロンプトに組み込む工夫が必要です。

Microsoft Copilot：参照情報は豊富だが時間がかかる

Microsoft Copilotは、調べたリンク数が1番多く、他の生成AIの5倍以上でした。
予測値の根拠を固める資料を探している場合には、優秀なパートナーになるはずです。
ただし、調査には時間がかかるため、未来予測の結果がすぐに欲しいときは注意が必要です。
またMicrosoft Copilotは、多くの資料をリサーチすることは得意ですが、その結果を予測値に反映させる精度は高いと言えません。
そのため、予測の根拠となるデータ収集を目的として使うことをおすすめします。

🖊️検証結果まとめ

生成AIによる通常とDeep Researchを比較すると、以下のようになりました。
1回のチャットの返答時間は、通常調査の方が速いですが、調査結果をまとめるまでを考えれば、Deep Researchの方が効率的です。
また、予測データの裏付けとなる資料の数や予測値の精度も、基本的にDeep Researchが上回っているため、AIで未来予測を行うときは、Deep Researchの利用をおすすめします。