OpenAI o3 と Gemini Sheets が引き起こす新しいワークフロー戦争

OpenAI はより深いスプレッドシート統合を備えた o3 をリリースし、Google は Sheets 内に Gemini を展開した。知識労働者は今やリーダーボードのスコアを追い求めるのではなく、各ツールが日常業務で実際に節約できる時間を比較するようになった。

過去1週間の Reddit スレッドでは、ユーザーが並列タイミングテストを投稿している。あるスレッドでは、財務モデルに o3 で48分、Gemini Sheets で31分かかったと記録された。別のスレッドでは、売上予測で数式の繰り返し編集が必要な場合、Gemini で22分、o3 で40分かかったと追跡された。

この変化が重要なのは、知識労働者が価値をパラメータ数ではなく返される分数で測るようになったからだ。このようなワークフロー比較が製品チームやエンジニアリングチームをどのように変えつつあるかの詳細は、practical AI workflows for product managers を参照されたい。

リリースで実際に変わったこと

OpenAI は o3 のチャットセッション内にネイティブな数式生成とセル参照処理を追加した。ユーザーは表を貼り付けて、既存の列形式を尊重した計算を依頼できる。Google は Gemini を Sheets に直接埋め込み、モデルがライブのセル値を読み取り、コピー＆ペーストなしで数式を書き戻せるようにした。

両方のアップデートは6月初旬に到着した。OpenAI は6月3日に変更ログを公開し、Google は6月5日に Workspace ユーザー向けに機能を有効化した。このタイミングにより、両ツールはすでに日常ワークフローをテストしているフォーラムで同じ会話の場に置かれることになった。The Verge と Google Workspace blog の公式報道が、急速な採用曲線を確認している。

より深い統合により、o3 はユーザーが列操作を説明する際に $A$1 や A1:A12 などの相対参照・絶対参照を理解するようになった。一方 Gemini は、接続されたデータソースから新しい行が追加されたときに自動的に拡張する配列数式をトリガーできる。これらの技術的詳細は、モデルが数百行を超える規模になったときの手動調整を減らすことに直結する。

基本機能を超えて、o3 は最終的な数式が表示される前に中間計算ロジックを表示する多段階推論チェーンをサポートするようになった。これにより、ユーザーは「地域外れ値を分離するステップを表示して」と尋ねるだけで、数式とロジックトレースの両方を受け取って分散分析をデバッグできる。Gemini はリンクされた外部データセット（BigQuery テーブルを含む）全体で動的に更新される名前付き範囲をサポートするようになった。マーケティングチームが夜間にキャンペーン支出データを更新すると、Gemini は翌朝ユーザーの介入なしに貢献利益数式へ更新を反映できる。

その他の変更点として、エラー処理の改善がある。o3 は数式を提案する前に潜在的な #REF! 問題をフラグ立てし、Gemini はサイドパネルで配列スピル範囲をプレビューして適用前にユーザーが確認できるようにした。これらの改良により、複雑なモデルの1回あたり5〜10分かかっていたやり取りが削減される。9to5Google の報道は、これらのエラー防止機能が2つのアプローチをどのように差別化しているかを強調している。

チームはまた、o3 がデータパターンに基づいて条件付き書式の提案を扱えるようになった点にも気づいた。たとえば金利シナリオの感度表を依頼すると、o3 は安全余裕が事前設定した閾値を下回るセルを自動的に強調表示できる。Gemini はネイティブの条件付き書式エンジンで同様の結果を実現するが、モデルが更新時に再利用できるよう、ユーザーが一度ルールセットを事前定義する必要がある。

ベンチマークスコア versus 時間節約

Reddit のユーザーは、リーダーボードの数値が実際のスプレッドシート速度を予測することはほとんどないと報告している。ある会計士は3件のクライアントレポートの結果を投稿した。o3 はデータがきれいな CSV 形式で到着したときに分散計算をより速く処理した。Gemini はデータが1時間ごとに更新される共有チームシート内にあるときに同じレポートをより速く処理した。

違いは生の推論能力ではなくコンテキストアクセスの違いから生じた。Gemini はライブシートを読み取った。o3 はユーザーが毎回新しいデータを貼り付ける必要があった。1週間の業務全体でこれらのコンテキスト切り替えは積み重なる。毎日収益調整を行うチームは、タブとチャットウィンドウの間でデータを移動するだけで30〜40分を失う可能性がある。

ベンチマークスコアはマーケティング資料で依然として支配的だが、採用に関する会話はタスクあたりの節約分数へと移行している。財務チームは今や「モデル作成までの時間」を追跡する社内スコアカードを公開しており、静的なテストセットでの精度パーセントではない。ある企業は6週間の社内調査を公開し、Gemini に切り替えた後に予測サイクルあたり平均17分の削減を示した。一方、o3 を外部クライアント業務に使用する別の部門は、サンプル行参照を含むプロンプトテンプレートを標準化した結果、平均12分の節約を記録した。

チームはまた、節約効果がファイルサイズによって異なることも発見している。5,000行未満のファイルはライブコンテキストにより繰り返しのエクスポートが不要になるため Gemini が有利だ。一方、数万行規模の大きなファイルは、o3 の複数計算ステージにまたがる推論トレースを要約できる能力から恩恵を受ける。ある文書化されたテストでは、42,000行の調達モデルを o3 で19分で完了したのに対し、同じファイルを Gemini のライブ接続で処理するとスピル範囲ごとに確認を求められたため27分かかった。

知識労働者が両ツールをテスト

プロダクトマネージャーは週次更新モデルの実行について語った。あるワークフローでは前四半期の数値を予測範囲と比較した。Gemini は新しい行データが到着すると自動的に範囲を更新した。o3 はユーザーが毎セッション比較ロジックを再記述する必要があった。

営業チームはパイプラインモデルをテストした。Gemini は追加ステップなしでリンクされたタブから商談データを取得した。o3 はプロンプトに明示的な列名を指定する必要があった。チームはファイルに4つ以上のリンクされたタブが含まれる場合に差が拡大することに気づいた。コホート保持レポートを実行するマーケティングアナリストも同様の結論に達した。Gemini のライブシートコンテキストにより、毎日フィルタ条件を再記述する必要がなくなった。

これらの繰り返しのテストは、ワークフローの摩擦が推論の深さだけによるものではないことを明らかにしている。それは各モデルが人間のプロンプトなしにどれだけ状態を保持できるかによるものだ。いくつかの製品チームは「プロンプト再利用率」の追跡を開始し、Gemini は o3 と比較して1か月の反復で列名の再記述が60%少なくて済むことを発見した。サプライチェーンモデルを実行する運用グループは、o3 の明示的な推論トレースにより、ステークホルダーへの出力異常の説明に費やす時間が約3分の1に短縮されたと記録した。

2つ目のパターンは委譲に関するものだった。Gemini を使用するジュニアアナリストは、すべての数式ステップがライブソースとすでに照合された状態で更新済みファイルをシニアレビュアーに引き渡すことができ、レビューサイクルを3回から2回に短縮できた。o3 ユーザーは代わりに注釈付きのチャットトランスクリプトをエクスポートし、レビュアーがマスターワークブックと照合する必要があり、引き渡しごとに15分の追加時間がかかった。

日常タスクにおける核心的な比較

データ処理

• o3: 各新しい計算ごとに貼り付けた表を必要とする

• Gemini Sheets: ライブセルを読み取り、ソースデータが変更されると更新する

数式編集

• o3: チャット内で数式を提案し、ユーザーがシートにコピーする

• Gemini Sheets: 選択したセルに直接数式を書き込む

チーム共有

• o3: 出力は手動で転送されるまでチャットログに残る

• Gemini Sheets: 出力は共同作業者から見える共有ファイルに表示される

これらの主な違い以外にも、Gemini は「フィルタされたすべての行に適用」操作を1ステップで実行できる一方、o3 は手動で再適用する必要がある静的なリストを返す。逆に o3 は、モデルが予期しない出力を生成したときに監査人が好む、より透明性の高い思考連鎖ステップを提供する。ある文書化されたケースでは、コントローラーが o3 の推論トレースを使用して、Gemini がサイレントで生成した繰延収益スケジュールの背後にある正確なロジックを再構築し、チームは月次決算時のリバースエンジニアリングに1時間を節約した。

異なる役割への実践的な影響

1日の大半を単一のワークブック内で過ごすアナリストは、Gemini のライブコンテキストから最大の即時利益を得る。上流データの変更をモデルが継続的に反映する中で、仮定を反復できる。すべての数式変更を監査証跡のために文書化しなければならないコントローラーは、提案がすべてコンプライアンスノートにコピーできる明示的な推論トレースとともに到着するため、o3 を好むことが多い。

Workspace アカウントなしで複数のクライアントファイルを扱うコンサルタントは、機密データを共有ドキュメントから遠ざけるために o3 を利用し続けることが多い。すでに Google Workspace を標準化している運用チームは、コピー＆ペーストの手順を排除できるため Gemini をデフォルトのパスと見なす。四半期ごとの取締役会資料を扱うポートフォリオマネージャーは、Gemini により毎朝シナリオ出力を2分未満で更新できたと報告した。一方 o3 は各シナリオを平均9分の別々のチャットセッションにエクスポートする必要があった。

制限とリスク

いくつかのスレッドで、Gemini がプロンプトが曖昧な場合に既存の値を上書きすることがあると指摘された。o3 は上書きを避けたが、ユーザーはコピーした数式をすべて検証する必要があった。どちらのツールもクライアント向け成果物の前に人間によるレビューを必要とした。

あるユーザーは Gemini が既存のモデルを破壊する循環参照を生成したと報告した。別のユーザーは o3 が元のシートに存在する名前付き範囲を無視したと報告した。これらのケースは、モデルがステップバイステップのガイダンスなしに複雑なプロンプトを受け取ったスレッドで現れた。

その他のリスクには、個人を特定できる情報を含むシートのデータ所在に関する懸念や、Gemini の直接的なセル編集が揮発性関数に依存する大規模ファイルで意図しない再計算カスケードを引き起こす可能性が含まれる。財務チームはまた、接続された API を通じて外部データがシートに入力されたときのプロンプトインジェクションリスクを指摘した。あるアナリストは、書式が誤ったベンダーコメントが Gemini が収益ウォーターフォールに適用するフィルタロジックを変更したことを発見した。両ベンダーは、AI 編集権限を付与する前に重要なモデルの読み取り専用バックアップコピーを維持することを推奨している。

詳細なワークフロー例

前四半期の実績を当四半期の予測と照合する収益ブリッジモデルを考えてみよう。Gemini を使用するプロダクトマネージャーは「新しい製品ラインを含めるようにブリッジを拡張し、最新の価格タブを使用して貢献利益を再計算せよ」と入力できる。Gemini は価格タブを読み取り、新しい明細行を挿入し、将来の価格更新で自動的にスケールする配列数式を書き込む。全体のシーケンスは90秒未満で完了する。

同じマネージャーが o3 を使用する場合、まず価格タブをエクスポートしてチャットに貼り付け、貢献利益計算を説明し、生成された数式をワークブックにコピーし、ライブファイルに合わせて参照を手動で調整する必要がある。このプロセスは6〜8分を消費し、基になる価格が次の同期前に再び変更された場合にバージョン管理リスクをもたらす。

もう一つの例として、セールス・パイプラインの確率加重があります。GeminiはリンクされたCRMタブ内のステージ定義の変更を検知し、それに応じて加重値の数式を書き換えることができます。o3は更新されたステージリストを毎回貼り付け、加重ロジックを再記述する必要があり、1日に複数回パイプラインデータを更新するチームに繰り返しのオーバーヘッドを追加します。

チーム間のROI測定

生産性向上を追跡しているチームは、導入前後のタスク所要時間を記録し始めています。あるコンサルティングファームでは、Gemini対応ファイルでのモデル構築時間が平均47分から29分に短縮され、アナリスト1人あたり週あたり約2.5時間の削減につながったと記録しています。内部ダッシュボードでは、従来の精度率に加えて初稿までの時間指標も表示されるようになりました。o3を外部向け成果物に使用している組織では、AI導入前のベースラインと比較してモデルあたり一貫して15分の削減を測定していますが、チャットセッションに貼り付ける前にファイルをサニタイズする必要がある場合は削減効果が縮小します。

業界別アプリケーション

バイオテクノロジー分野では、アッセイ結果の集計を行う研究者がGeminiを活用し、プレートリーダー出力とサマリー統計のライブリンクを維持することで、ピボットテーブルの再構築にかかる時間を数時間から数分に短縮しています。投資銀行のアナリストは、クライアントデータの機密性によりクラウドドキュメントストレージが禁止されている場合にo3を好んで使用しています。小売オペレーションズチームは週次在庫予測の処理において、複数のプランナーが同じ地域タブを同時に更新する際にGeminiのライブコンテキストがバージョンずれを防ぐことを確認しています。

ツールの選び方

各チームは、最も一般的なモデルタイプで2週間のパイロットを実施すべきです。モデルがライブダッシュボードや共有データソースから週3回以上データを取得する場合は、通常Geminiが優位です。モデルにWorkspaceドキュメント外に留めておく必要がある独自の前提条件が含まれる場合は、o3が適しています。データ取り込みにGemini、最終的なナラティブの作成にo3を使用するハイブリッドアプローチが、実用的な中間策として台頭しています。複数のグループが現在、ライブ接続用のGemini対応テンプレートと、匿名化されたサンプルデータのみを含むo3向けの簡素化版テンプレートという2つの並行テンプレートを維持しています。

AIスプレッドシート統合におけるセキュリティ上の考慮事項

セキュリティチームは、各統合が権限と監査ログをどのように扱うかを検証しています。GeminiはSheetレベルの共有設定を継承するため、編集アクセス権を持つ共同作業者は誰でも同じデータセットでモデルを呼び出せます。o3は独立したチャット環境内で動作するため、どのプロンプトを誰が見るかをより厳密に制御できます。厳格なデータ分類ポリシーを採用する企業は、個人を特定できる情報をo3経由で処理し、一般公開の市場データはGemini経由で扱うようにしています。両ベンダーは現在、AI生成のすべての数式を記録する管理コンソールを提供していますが、ログの粒度は異なります。Geminiは編集されたセル範囲を記録し、o3は推論チェーンを記録します。コンプライアンス担当者は、使用を拡大する前にこれらのログを既存のSOXやGDPR要件に照らし合わせてマッピングすることを推奨しています。

今後の注目シグナル

各チームは7月の次回決算サイクル後に更新されたタイミング結果を共有する予定です。GoogleはGeminiのアクセスを個人のGoogle Sheetsアカウントに拡大する可能性があります。OpenAIは新しいコネクタを通じてライブシート読み取り機能を追加する可能性があります。これらの動きはそれぞれ、ナレッジワーカーにとっての実用的な比較を変えるでしょう。

一貫したライブデータアクセスを必要とするユーザーは、まずGeminiを試しています。機密データをチャットログ内に留めておくことを好むユーザーは依然としてo3をデフォルトとしています。結果は、各企業が残存する摩擦点をどれだけ迅速に解消できるかにかかっています。

FAQ

これらのツールはスプレッドシートの専門性を置き換えるでしょうか？

いいえ。どちらもユーザーがロジックを検証し、自動化された数式を破るエッジケースに対処する必要があります。

Geminiとo3を同じファイルで使用できますか？

はい。多くのチームが複雑なシナリオモデリングのためにサブセットをo3にエクスポートし、最終出力を共有のGemini対応シートに貼り戻しています。

基盤となるデータ構造が変更された場合はどうなりますか？

Geminiは列ヘッダーが一貫していれば適応できます。o3はユーザーが各セッションで新しいレイアウトを再記述する必要があります。