ChatGPTの拡大する仕事の世界が明らかにする、より幅広いタスク構成
OpenAIは10月26日、約100か国にまたがる165の業務活動を対象としたデータを公開し、研究者に消費者向けChatGPT利用のより詳細な視点を提供した。ChatGPTの拡大する仕事の世界は、依頼内容の範囲が広がっていることを示している。中心的な論点は、こうした依頼が経済変化について何を示すのか、特にツールを使うことと仕事を改善することが別の結果である場合にある。
雇用主にとって、この公開は従業員がAIをどこで有用と感じているのかという実務的な問いを投げかける。研究者にとっては、会話上の活動を既存の職業分類と結び付ける手段となる。いずれの立場でも、変化するタスク構成を生産性、労働者の置き換え、あるいは企業導入の直接的な尺度として扱うべきではない。
Claudeに関するAnthropicの研究も、AI利用がタスク全体にどのように広がるかを追跡しており、有益な比較対象となる。これらの取り組みによって、職場でのAIはより観測しやすくなる。同時に、実験の証拠と持続的な価値の証拠を区別するよう、ベンダーと買い手への圧力も高まる。
ChatGPTの拡大する仕事の世界が実際に測定しているもの
OpenAIの業務活動に関する公開資料によると、この四半期シリーズは2025年第1四半期から2026年第3四半期までを対象としている。継続的に観測された74か国では、上位10活動が分類済み業務メッセージに占める割合は平均51.1%で、56.0%から低下した。
これは4.9ポイントの低下に当たる。この結果が示すのは、完了した仕事の量ではなく、業務メッセージの構成である。
構成の変化は重要だ。導入の物語は、見出し上の総数の下では異なって見える可能性がある。あるツールは、既存の目的に使われながら利用を増やすかもしれない。あるいは、既存の利用者がより幅広い問題を持ち込むようになるかもしれない。これらは異なる形の拡大を表している。
今回の公開は、この違いを調査する機会を生む。研究者は、活動パターンが地域をまたいで連動するのか、それとも異なる発展を見せるのかを調べられる。有益な問いは、ある国が単にAIに熱心に見えるかどうかではなく、どのような仕事が会話に入ってくるのかへと変わる。
職業との結び付きは、中間業務活動（Intermediate Work Activities）を通じてもたらされる。これは、職種をまたいで関連タスクをまとめるカテゴリーである。OpenAIはこれらのカテゴリーを職業情報フレームワークであるO*NETから採用している。その職業コンテンツモデルは、業務活動を職種名、労働者要件、職場環境から切り分けている。
この違いによって、分析単位が変わる。説明を準備すること、情報を評価すること、資料を整理することは、異なる職種の中に現れうる。職種名だけを見ると、こうした共通の活動は見えにくくなる。
たとえば、プレゼンテーションを準備する架空の従業員を考えてみよう。その業務には、顧客フィードバックの解釈、財務上の前提の確認、説明文の作成が含まれるかもしれない。職種ラベルは従業員を大まかに表す。活動カテゴリーは、業務を構成する部分を表す。
このより細かな視点は、支援がワークフローのどこに入り込むのかを研究するための、より良い出発点となる。それでも、周辺のプロセス全体は視野の外に残る。プレゼンテーションが事業上の問いに答えているか、根拠となる証拠に問題がないかは、誰かが判断しなければならない。
同じ注意は、時系列での比較にも当てはまる。主要活動の比率が低下しても、人々がその活動を行う頻度が減ったことを示すわけではない。他の活動がより速く増えただけかもしれない。
そのため、ChatGPTの拡大する仕事の世界は、観測対象となったプラットフォーム内で注目がどのように変化しているかを示す地図として読むべきだ。その価値は、特定の活動についてより良い問いを導く点にある。この地図を経済的成果の説明へと変えるには、追加の証拠が必要となる。
雇用主が直面する、導入を超えた測定の問題
当面の課題は、従業員の関心を信頼できる事業成果に結び付ける必要がある雇用主にある。依頼の種類が広がるほど、評価すべき領域も広がる。
組織は、どこで役立つかを理解しないままAIツールを承認できる。従業員は、未知のテーマを探るため、下書きを改善するため、あるいは分析上の問題を検討するために使うかもしれない。どの活動でも、支援、検証、責任の関係は異なる。
したがって、管理上の問いはアクセスの提供にとどまらない。主張の大幅な修正が必要な完成稿には、業務上の価値はほとんどない。従業員が問題を理解する助けとなる回答は、生成された文章が最終成果物に入らなくても価値を生む場合がある。
こうした可能性は異なる指標を示唆する。反復的な業務では完了時間が重要となる。誤りが結果を伴う場面では正確性が重要となる。従業員が後に同様の仕事を独力で行う必要がある場合には、学習が重要となる。
単一の導入ダッシュボードで、こうした問いのすべてに答えることはできない。アクティブアカウント数は参加を示す。メッセージ数はやり取りを示す。しかし、どちらも組織が業務をより良く処理したことを自動的に示すものではない。
独立研究は、成果を直接観測する重要性を示している。Erik Brynjolfsson、Danielle Li、Lindsey Raymondは、カスタマーサポート担当者が利用する会話型アシスタントを研究した。彼らの職場生産性研究は、1時間当たりに解決された案件を測定し、労働者の経験水準によって異なる効果を見いだした。
ここで重要なのは研究設計である。カスタマーサポートは、明確な環境、特定の介入、観測可能な業務成果を提供した。これは、プラットフォーム上の依頼分布から導けるものとは異なる種類の推論を支える。
したがって、新しいSignalsの公開資料を読む雇用主は、人気の活動を調査候補として扱うべきだ。人気は、従業員が達成しようとしていることを示す。しかし、現在のアプローチが成功しているかは説明しない。
AIを使ってプロジェクト更新を準備する架空の管理者を考えてみよう。読みやすい文章を作ることは業務の一部である。実際に遅延したマイルストーン、未決定の判断、変更された約束事を確認するには、裏付けとなる記録が必要になる。
下書きがこれらの事実を誤って記述していれば、流暢な文章が追加作業を隠してしまう可能性がある。誰かが不一致を見つけ、元の文脈を取り戻し、更新内容を修正しなければならない。作成速度だけを評価すれば、その負担を見落とすことになる。
ここで、パーソナルナレッジマネジメントが、より広い職場AIの議論に関係してくる。回答の質は、人々がその背後にある情報を見つけて評価できるかどうかにも一部左右される。
この関連性は、remioや他の製品の性能を裏付けるものではない。意思決定に根拠が必要なとき、有用な証拠を利用可能な状態に保つという、ワークフローの別の要素を示している。
買い手にとっての実務的な示唆は、タスクの全体像を尋ねることだ。従業員は何を受け取り、アシスタントは何を生成し、その後にどのような検証が行われたのか。これらの回答は、印象的な活動量よりも強固な購買判断の基盤となる。
Claudeの研究が示す、利用拡大に解釈が必要な理由
ChatGPTの拡大する仕事の世界は、観測された行動を通じてAIを測定しようとする既存の取り組みの中で登場した。AnthropicのAI導入研究は、特に関連性の高い比較対象を提供している。
同社の2026年3月のレポートでは、Claude.aiの上位10タスクが会話に占める割合は、11月の24%から2月には19%へ低下した。Anthropicはまた、コーディング活動が開発者向けインターフェースへ移行したことや、個人利用・学業利用の変化についても述べている。
より幅広いタスク分布は、複数の変化が同時に起きていることを反映しうる。経済的な結論を導く前に、製品間の移行、利用者構成、変化するニーズをすべて検討する必要がある。
Claudeとの比較は、プラットフォームデータを慎重に解釈すべきことを裏付ける。人々は活動を行う場所を選ぶ。専門的なインターフェースがより適したものになれば、活動は一般的なチャット製品から離れても、ベンダー全体のエコシステムから消えるわけではない。
これにより、プラットフォームの境界は経済的に意味を持つ。消費者の会話と自動化されたソフトウェアワークフローは、仕事に対する異なる見方を提供する。その外側に何があるのかを分析が説明していれば、どちらを研究しても有用になりうる。
データセットはカテゴリーと対象集団も異なる。OpenAIの国別業務活動指標とAnthropicの会話タスク指標は、職場AI導入を直接競うものではない。それらの割合を同等のものとして比較すれば、誤解を招く順位付けとなる。
より良い比較は、各社が調べている問いに関するものだ。活動はより多様になるのか。経験は人々の支援の使い方を変えるのか。インターフェースは異なる業務を引き付けるのか。これらの問いは、どのベンダーが勝者かを宣言せずに、AI利用の発展を説明する助けとなる。
Anthropicのレポートは、より長い利用者歴とより成功したやり取りの関連も示したが、別の説明の可能性も認めている。経験豊富な利用者は、より良い戦略を学ぶかもしれない。初期導入者は、結果に影響する形で後から加わる利用者と異なる可能性もある。
この不確実性は、ChatGPTの業務利用の拡大を評価する雇用主にとって重要である。従業員にアクセスを与えることと、従業員が有用な習慣を身に付けられるようにすることは、別の組織的判断だ。チームがどの業務に適しているかを把握する前に、ツールが利用可能になることもある。
製品の観点から見ると、これは厳しい解釈上の問題を生む。依頼の増加は、有用な発見、未解決の困難、あるいは受け入れ可能な回答を得ようとする繰り返しの試行を示している可能性がある。インターフェースはやり取りを記録するが、成果は別の場所で生じるかもしれない。
架空のアナリストは、業務が複雑であるため複数の修正を依頼するかもしれない。別の利用者は、回答が必要を満たしたためすぐに終えるかもしれない。さらに別の利用者は、役に立たない回答の後でツールを放棄するかもしれない。
メッセージ量だけでは、これらの状況を区別できない。それらを理解するには、タスクの目的、難易度、その後に何が起きたかについての証拠が必要となる。
したがって競争環境は、この記事の中心的な緊張をより際立たせる。ベンダーは、人々が持ち込む仕事をますます詳しく説明できるようになっている。買い手には依然として、人々が完了する仕事に関する証拠が必要だ。
最も強い報道は、両方の視点を維持する。行動データは、個別の逸話では確立できないパターンを明らかにする。成果研究は、それらのパターンが特定の環境で便益に結び付くかを検証する。両者は、職場AIをめぐる物語の異なる部分を扱っている。
国ごとの差異は一律の展開戦略に疑問を投げかける
地理的な差異は、職場AIを一律に説明することの説得力を弱める。ある活動が一国の観測された利用の中で重要であっても、その国の経済全体における重要性を示すわけではない。
比率は、カテゴリーと比較集団の関係を示す。分析に関する依頼が観測された構成のより多くを占めるなら、それは研究者にその構成について伝える。その理由を明らかにするには、割合そのものを超える証拠が必要だ。
いくつかの仮説には検証の価値がある。職業構成が、人々が持ち込む依頼の種類に影響する可能性がある。言語、アクセス、組織上のルール、AIへの親しみも、参加に影響する可能性がある。
これらはリリースで確立された知見ではなく、考え得る説明である。その区別は重要だ。なぜなら、それぞれ雇用主と政策立案者に異なる対応を求めるからである。
パターンが地域の職種を反映しているなら、タスクの選定が中心的な課題となる。研修プログラムは、人々が実際に担う業務に対応すべきだ。アクセスの違いがパターンを説明するなら、研修だけでは根本的な制約を解消できない。
組織のルールが参加のあり方を左右するなら、非公式な個人利用から見えるのは全体像の一部にすぎない可能性がある。制約を受ける従業員は、特定の依頼を避けたり、観測対象のプラットフォーム外で承認済みのシステムを利用したりするかもしれない。
したがって国別比較では、利用プロファイルを労働力の能力に対する評価へと短絡させるべきではない。ある活動がデータセット内で一般的でない理由は、従業員が支援から恩恵を受けるかどうかとは無関係である場合がある。
同じ考え方は多国籍企業の内部にも当てはまる。中央チームが有望なユースケースを見出し、それを容易に各地へ展開できると想定するかもしれない。それでも各地域の拠点は、その業務を取り巻く言語、参照資料、承認プロセス、顧客の期待を評価する必要がある。
仮に、顧客対応のワークフローを考えてみよう。説明文の下書きを作成することは、業務の一部にすぎない。担当者は、どのポリシーが適用されるのか、どのような約束が可能なのか、そしてどの時点で案件をエスカレーションすべきかも理解しなければならない。
モデルが洗練された文章を生成できても、こうした地域固有の要件が満たされるわけではない。ワークフローを評価するには、従業員がその言葉を適切に使うために必要な文脈と権限を得ているかを確認する必要がある。
開発者にとって、地理的な差異は製品適合性に関する研究課題を生む。次に有用なのは、観測されたニーズを地域のユーザーとともに調査することだ。国レベルのパターンは、その調査の指針にはなり得るが、開発すべき機能を決めるものではない。
労働者にとっても、含意は同様に具体的である。他地域で人気のある活動の経験が、同じ手法が地域の業務にも適することを保証するわけではない。重要なのは、実際の業務とその制約に照らした検証である。
したがって、ChatGPTの仕事における利用領域の拡大は、導入についてより細分化された説明を支持する。参加の裾野が広がっても、行動が同一になる必要はない。技術は広がりながら、人々がそれぞれ異なる目的に合わせて適応させることができる。
この解釈は、成功について公にどう論じるべきかも変える。普遍的な物語は、誰が先行しているかについての大きな主張を招きやすい。タスクベースの物語は、どこに支援が適合するのか、何が有用な導入を妨げるのか、さらなる投資を正当化する成果は何かを問う。
こうした問いには、国別ランキングより多くの作業が必要だ。しかし、雇用主と研究者にとっては、説明可能な意思決定へ至るより明確な道筋も示す。
仕事に関する結論を制限する欠落データ
OpenAIによれば、このデータセットは個人向けChatGPTプランを対象とし、エンタープライズメッセージとCodexを除外している。米国との比較では、雇用加重でマッピングされたタスクの約43%が、個別報告カテゴリーの外にある「Other IWAs」に分類されている。
こうした境界条件により、このリリースを仕事の国勢調査や雇用代替の尺度として扱うことはできない。 欠落している活動は、いかなる解釈にとっても重要である。
付随するサンプリング手法では、さらに詳しい説明が示されている。より広範なSignalsサンプルは、月あたり100万件の消費者向けメッセージを使用し、特定の利用資格またはデータ利用上の制限があるアカウントを除外している。自動分類器が行動カテゴリーを割り当て、プライバシー保護のために統計的ノイズが加えられる。
こうした選択は、研究者が観測できる対象を形づくる。分類器はメッセージのカテゴリーを推定する。労働者に聞き取りを行うわけでも、完成した成果物を確認するわけでも、依頼された行為が実際に行われたことを確認するわけでもない。
プライバシー保護には、解釈上のトレードオフもある。集計情報により、個々のメッセージを保護しながらパターンを研究できる。一方、細かな違いを扱うには慎重さが求められる。とりわけ、観測数が少ないサブグループではなおさらである。
適切な対応は、結論を測定対象に見合うものにすることだ。依頼パターンは、支援への需要を調査する根拠になり得る。雇用の変化を立証するには、雇用に関する証拠が必要となる。
仕事には、プロンプトの中にきれいに現れない責務が含まれる。誰かが問題への対応が必要だと気づき、不足情報を取得し、同僚と調整し、結果に責任を負わなければならない。
構成要素の一部への支援は、仕事をなくさずにその仕事を変え得る。必要な労力を減らすこともあれば、業務の範囲を広げることもあり、新たなレビュー負担を持ち込むこともある。どの効果が支配的かは、依然として実証的な問いである。
反対の誤りは、あらゆる労働上の問いに答えられないという理由で、このリリースを退けることだろう。詳細な行動記録は有用な出発点を提供する。研究者が、より綿密に検討すべき活動を特定する助けになる。
独立した人口研究は、別の視点を提供する。Alexander Bick、Adam Blandin、David Demingによる生成AIの導入研究は、全国を代表する米国の調査を用いて、職場と家庭における利用を検討した。このアプローチは、プラットフォーム上の観測をより広い人口の中に位置づける助けとなる。
両手法は補完関係にある。調査では、特定ベンダーを超えた労働時間や経験について尋ねることができる。プラットフォームデータは、回答者の記憶だけに全面的に依存せずにやり取りを記述できる。
どちらの手法も、慎重な解釈の必要性をなくすものではない。調査回答には報告誤差が含まれ得る。プラットフォームのサンプルは重要な集団を取りこぼす可能性がある。同じ測定を繰り返すよりも、異なる手法間で一致が見られるほうが、信頼性をより強く高める。
したがって懐疑的な読解は、観測と結果の隔たりに焦点を当てるべきだ。このリリースは、より幅広い依頼の組み合わせが、より良い成果物、より高い賃金、あるいはより少ない雇用を生んだことを独立に立証してはいない。
また、欠落している活動が将来の変化を免れることも立証していない。その不在は測定上の境界を示す。将来を予測するには、能力、導入条件、組織上の意思決定に関する追加の証拠が必要である。
擁護可能な結論は、より限定的でありながら有用だ。研究者はいま、消費者向けAIがどこで仕事と交差するのかを問う、より詳細な基盤を得た。
次回リリースをより有益にする3つのシグナル
次の段階では、広がり、測定の一貫性、成果を結び付けるべきである。 今後数カ月にわたり、これらは職場利用の拡大という解釈を強める、あるいは弱めるシグナルとなる。
第一に、OpenAIが次に系列を更新する際、比較可能な国・活動グループ内でパターンが持続するかを注視すべきだ。一貫した定義のもとでパターンが継続すれば、活動の組み合わせが持続的に変化しているという見方が強まる。
反転が見られた場合は、より詳しい検討が必要となる。季節的な業務、利用者の変化、あるいは活動の取得方法の変化が、一時的な動きを説明する可能性がある。研究者は、傾向を仕事の恒久的な変化に帰する前に、こうした可能性を調査すべきである。
将来の更新時期を、今回のリリースから推測すべきではない。重要なシグナルは、次の観測が利用可能になる時点がいつであれ、その比較可能性である。
第二に、消費者向けチャット、エンタープライズシステム、専門特化型インターフェースの間に、より明確なつながりが示されるかを注視すべきだ。これらの境界を説明するベンダーの公表資料があれば、製品間の移行を解釈しやすくなる。
あるインターフェースで活動が減少する一方、別の場所で増加するなら、より大きな物語は変わる。当初は関心の低下に見えるものが、実際にはタスクと異なる環境との適合性が高まったことを反映している可能性がある。
一貫した定義があれば、この分析は強化される。互換性のないカテゴリーでは、研究者が行動変化を観測しているのか、測定の変化を観測しているのかという不確実性が残る。
第三に、特定の活動を完了した仕事の成果と結び付ける独立した評価を注視すべきだ。有用な尺度には、正確性、レビューに要する労力、完了時間、そして従業員が結果を評価する能力を保持しているかどうかが含まれる。
業務全体で改善が示されれば、利用拡大の経済的意義は強まる。大幅な修正作業の証拠が示されれば、その解釈には留保が付く。いずれの結果も、購入者がより良い判断を下す助けとなる。
この最後のシグナルは、実際の成果物に責任を持つ人々にとって最も重要だ。依頼の範囲が広がれば、AIはより多くの業務に関わるようになる。しかし、それは会話が終わった後に何が起きたのかを見極める必要性をなくすものではない。
ChatGPTの仕事における利用領域の拡大を評価する読者は、自身の仕事で見覚えのある活動から始めるとよい。従業員が持ち込む問いと、業務を完了するために必要な証拠を比較する。アシスタントがどこで貢献するのか、どこで検証が引き続き必要なのか、どのような結果が継続利用を正当化するのかを問う。こうした問いは、回答の流暢さではなく、原資料に結び付けておくべきだ。そのうえで、修正や人間の判断も含めたプロセス全体を測定する研究を探す。このリリースは、その調査の出発点を提供する。研究者が、人々がより正確に、より少ない労力で、責任の所在を明確にしたまま完了できることを示せたなら、どの観測された活動の価値が大きく高まるだろうか。
