インパクト投資は急速に拡大しているが、比較可能なデータの不足が、資本配分と信頼性のボトルネックになりつつある。
指標の標準化だけでは比較可能性を実現できない。インパクトは文脈に左右されるため、画一化を強いるのではなく、違いを翻訳する必要がある。
強固なガバナンスと人工知能を組み合わせれば、文脈を損なわずに多様なインパクトデータを大規模に調和させ、より適切なインパクト投資の意思決定が可能になる。
Global Impact Investing Network（GIIN）の2024年インパクト投資市場レポートによると、インパクト投資の運用資産額は現在1兆5,700億ドルに達し、世界で約4,000の組織に広がり、年間20％超の成長を続けている。
測定可能な社会的・環境的成果を生み出すことを明確な目的として、これまでにない規模の資本が投じられている。
しかし市場の成熟に伴い、構造的な弱点が無視しにくくなっている。業界には、組織間でインパクトの成果を比較する統一的な方法が依然としてなく、それが業界としての信頼性と効果的な資本配分の能力を損なっている。
比較可能性がなければ、資本は最も大きなインパクトをもたらすソリューションに流れず、優れた成果を上げるモデルも際立ちにくく、インパクトの主張も検証が難しいままだ。こうした比較可能性のボトルネックは、今後の成長を鈍らせるおそれがある。
インパクト投資の基準は、なぜいまだに整っていないのか？
インパクトは本質的に文脈に左右される。ナイロビで廃棄物を1キログラム転換することは、非公式な仕組みの中で生計と密接に結びついている。一方、成熟したインフラの効率向上を示すバルセロナでの1キログラムの転換とは、同じ成果を意味しない。
指標の標準化を試みると、インパクトに意味を与えるまさにその文脈が失われるおそれがある。
しかし、標準化の欠如もまた問題を生む。データをまったく比較できなければ、資本配分は不透明になる。インパクトを厳密に測定していても、主流の枠組みに合わない方法を用いる組織は、分析上見えない存在になる危険がある。
今日の状況には、このトレードオフが表れている。IRIS+、グローバル・レポーティング・イニシアティブ（GRI）、サステナビリティ会計基準審議会（SASB）／国際財務報告基準、サステナブルファイナンス開示規則、国際金融公社（IFC）のパフォーマンス基準をはじめ、環境・社会・ガバナンス（ESG）とインパクト測定の領域を構成する数十の枠組みが併存している。そのため、類似した指標であっても、単位、対象範囲、閾値が異なる形で定義されている。
GRIはバリューチェーン全体のエネルギー使用量をメガワット時で報告する場合がある一方、SASBは中核事業に焦点を当て、ギガジュールを用いる。それぞれの手法は内部的には一貫しているが、ポートフォリオ全体で見ると、こうした違いが積み重なり、知見ではなくノイズとなる。
これは資本市場にとって新しい問題ではない。金融市場が拡大したのは、比較可能性を生む会計基準が導入されてからだ。信用格付けは、リスクを語る共通言語を確立した。
世界経済フォーラムのステークホルダー資本主義指標は、50社を超える大手企業に採用され、非財務報告に一貫性をもたらそうとする同様の試みを示している。
インパクト投資はいま、これと同様の基盤整備の課題に直面している。比較の共通基盤がなければ、規模を拡大するだけでは効率性も信頼性も実現できない。
比較可能性のボトルネックをどう解消するか
標準化だけでは比較可能性を解決できないとすれば、インパクトデータを大規模に活用可能にするには何が必要だろうか。次の3つの変化が見え始めている。
1. 比較可能性によって違いを解釈する
第一に、比較可能性を画一化ではなく翻訳として捉える。投資家に必要なのは、同一の指標ではない。違いを確実に解釈する方法だ。つまり、指標が同じ根本的な成果を表す場合、区別したまままとめるべき場合、そもそも集計すべきでない場合を見極めることである。
新たなアプローチである共通フレームワーク（Common Approachが策定）や、GIINのIRIS+、国連開発計画（UNDP）のSDGインパクト基準などの制度は、このモデルの方向性を示している。整合性を可能にするだけの構造を備えながら、文脈を保つ柔軟性も確保するモデルだ。
2. AIは分類の大規模化を支援できる
第二に、人工知能（AI）を活用し、分類と調和を大規模に実現する。AIが何をインパクトとみなすかを定義することはないし、そうすべきでもない。しかし、インパクトデータの処理方法を大幅に改善できる。
文言ではなく意味に基づいて指標を分類し、報告制度間の対応関係を特定し、二重計上などのリスクに注意を促すことで、AIは大規模な比較可能性を実務で実現可能にする。
Agile Impactsが米州開発銀行と開発したパイロットでは、500件を超える投資案件を対象に、このアプローチで指標照合の適合率約90％を達成した。人間の判断は依然として不可欠だったが、以前は大規模には実現不可能だったことが実務的に可能になった。
3. ガバナンスが比較可能性を支える
第三に、技術だけでなくガバナンスに投資する。ポートフォリオ全体で機能するシステムには、何を対象に含めるか、どこまで調和させるのが妥当か、二重計上をどう防ぐか、どの前提を許容するかといった人間の判断が引き続き必要だ。技術はこうした機能を可能にするが、何を対象とすべきかは決めない。
インパクトデータの考え方を変える
この解決策で最も重要なのはAIではなく、問題の捉え方を変えることだ。
今日、ほとんどの基準は2つの異なる課題を同時に解決しようとしている。企業がインパクトをより効果的に測定する方法と、そのデータを市場全体で比較する方法だ。この2つは同じ問題ではない。
企業が、より多くのことを、より高い品質と一貫性で測定できるようにするには柔軟性が必要だ。各組織が、業務上意味のあることや競争優位の源泉となることを捉えられる余地が求められる。
一方、ポートフォリオ間で成果を比較するには、各組織がどのように測定したかにかかわらず、指標を分類、翻訳、集計するための共通の論理が必要となる。
両方の課題をひとつの枠組みにまとめたことで、この分野は不可能なトレードオフを迫られてきた。比較可能性のために標準化を進めるほど、企業が本当に重要だと考えるものを測る余地は減る。そして測定が減るほど、データは誰にとっても役立たなくなる。
パラダイムシフトとは、この2つの問題を切り分けることだ。一方では、より多くの文脈と詳細さを取り込み、事業価値との整合性を高めながら、企業がより良い測定を行えるよう支援する。もう一方では、測定を制約するのではなく、測定システム間を翻訳する独立した分析レイヤーとして比較可能性に取り組む。
AIはこの両方に異なる形で役立つ。一方ではより豊かなデータ収集を支え、もう一方では分類と調和の大規模化を可能にする。この変化をいま可能にしているのは、テクノロジーだ。
今日のツールがあって初めて、何千もの組織から集まる異質なデータを現実的に扱い、データの出所で画一化を強いることなく、意思決定に使える根拠へと翻訳できる。これにより、問いは「全員に同じ方法で測定してもらうにはどうすればよいか」から、「すでに全員が測定していることを、どう理解すればよいか」へと変わる。
問いの捉え方を変えるだけで、私たちが本当に求めている解決策への道が開ける。
