本文へスキップ
KNOWLEDGE — AI NEWS
OpenAI企業AI調査｜補助から実行への転換
OpenAIが2026年8月12日、企業のAI利用実態を示す2つの調査を公式サイトで公開しました。利用量が上位10%の企業は、利用者1人あたりの出力トークンで中位の企業の8.3倍に達し、その差は1月の2.6倍から広がったと記載されています。エンジニアリング以外の職種でエージェントの利用が伸びている点も示されました。
Summary
この記事の要点
モデルの性能比較ではなく、AIを業務へ組み込む側の設計がどこで分かれたのかに絞って整理します。要点は3つです。
企業のAI利用が「聞く」から「任せる」へ移っている
2026年6月時点で、法人顧客のCodexとChatGPTの合計出力トークンのうち64%をCodexが占めたと公式に記載されています。複数手順の長い作業ほど出力が増えるため、この数値は利用回数だけでなく任せている作業の重さも映しています。
差がついたのはモデルではなく、文脈と道具のつなぎ方
上位の企業も中位の企業も、使えるモデル自体は同じです。公式資料は、差が広がったこの局面で、エージェントを社内の文脈・道具・繰り返しの業務につなぐ機能の利用が進んでいると併記しています。因果として断定はされていません。
伸びているのは開発以外の職種
2月以降の週次利用者数は、法務で108倍、営業と採用で41倍、マーケティングで26倍に増え、エンジニアリングの5倍を上回ったと記載されています。いずれも2月比の伸び率で、実際の人数は公開されていません。それでも、開発部門を持たない企業にも関係する変化です。
Basics
前提：アシスタント・エージェント・トークン・プラグイン
今回の調査を読むには、4つの言葉の区別が必要です。特に「アシスタント」と「エージェント」の違いが、調査全体の軸になっています。
| 用語 | 意味 | 実務での意味合い |
|---|---|---|
| アシスタント | 質問に答え、考えを整理する使い方。対話でのやり取りが中心 | 成果物を作るのは人。効果は担当者一人の時間短縮にとどまりやすい |
| エージェント | 道具を使い、ファイルを作り、複数手順の作業を最後まで進める使い方 | 作業そのものを任せる。誰が何を確認するかという設計が新たに必要になる |
| 出力トークン | モデルが書き出した文章量を数える単位 | 利用料の基準。利用の深さを測る目安にはなるが、売上や利益を示す数値ではない |
| Codex | OpenAIのエージェント。元はソフトウェア開発向けで、道具を使って複数手順の作業を進める | 開発以外の職種でも使われ始めている。今回の職種別の数値は、このCodexの利用者数を指す |
| プラグイン／スキル | 再利用できる指示（スキル）と、社内データや道具への接続をまとめた仕組み | 同じ作業を毎回説明せずに任せられる。個人の使い方を組織の手順に変える道具 |
この記事で扱うのは、AIを「相談相手」として使う段階から、「作業を任せる相手」として使う段階へ移った企業で何が起きているか、という話です。生成AIをEC業務に組み込む全体像は生成AIのEC活用で、AIが購買まで担う流れはエージェンティックコマースで整理しています。
Announcement
公式発表の要点
OpenAIは2026年8月12日、企業のAI利用に関する2つの調査を公開しました（出典: OpenAI公式サイト「From assistance to execution」）。内訳は法人顧客の利用データをまとめたEnterprise Signalsと、導入の広がりを分析した作業論文How Organizations Use AI: Evidence from ChatGPTの2本です。公式に記載されている数値は次のとおりです。
| 項目 | 公式に記載されている内容 |
|---|---|
| 発表日・発表主体 | 2026年8月12日、OpenAI |
| 集計対象 | OpenAIの法人顧客。Enterprise Signalsは、職種別の分析に1,000万件を超えるメッセージを標本とすると記載 |
| エージェント利用の比率 | 2026年6月時点で、CodexとChatGPTの合計出力トークンのうち64%がCodex |
| 上位企業と中位企業の差 | 利用者1人あたりの出力トークンで8.3倍（1月は2.6倍） |
| 業種別の差 | 情報・技術で11.7倍と最大、製造で5.3倍と最小 |
| プラグインの利用率 | 週次利用者のうち、上位企業21%・中位企業9%。OpenAI社内は95% |
| スキルの利用率 | 週次利用者のうち、上位企業19%・中位企業3% |
| 職種別の伸び | 2月以降の週次Codex利用者数が、法務108倍・営業41倍・採用41倍・マーケティング26倍・エンジニアリング5倍 |
| 社歴別の利用 | 導入から6か月後、キャリア初期の従業員は経営層より週13件多くメッセージを送信 |
数値を読む前に、定義を押さえる必要があります。OpenAIは毎月、法人顧客を利用者1人あたりの出力トークンで順位付けし、上位10%を「フロンティア企業」、45〜55パーセンタイルを「典型的な企業」と定義しています。つまり8.3倍という差は、業績や成果の差ではなく利用量の差です。OpenAI自身も、短い回答が高い価値を持つこともあれば長い回答が価値を伴わないこともあるとして、トークンは事業価値の指標としては不完全だと明記しています。
あわせて、フロンティア企業の実践として3点が挙げられています。第1に、エージェントに社内の文脈と道具を渡すこと。第2に、どこで動いてよいか・どの情報を見てよいか・いつ実行してよいか・誰が高リスクの判断を確認するかを決めること。第3に、個人の使い方を組織で共有する場を持つことです。日本国内に絞った内訳は公開されていません。本記事の執筆時点（2026年8月15日）で公式に確認できるのはここまでです。
Analysis
セルフプラスの見解 — 差は使用量ではなく「任せ切れているか」
ここからは公式発表を踏まえたセルフプラスの分析で、事実の要約とは分けて記載します。この調査は「AIをたくさん使う会社が伸びている」という話に読めますが、そう読むと打ち手を間違えます。使用量は結果として増えた数字であって、増やしにいく目標ではありません。
1. 8.3倍は成果の差ではなく、任せている作業の重さの差
出力トークンが8.3倍という差は、同じ仕事をAIに8.3倍うまくやらせているという意味ではありません。多くの場合、途中まで手伝わせているか、最後まで任せているかの違いが量に出ています。EC業務に置き換えると、次の違いです。
| 作業 | 手伝わせている状態 | 任せ切っている状態 |
|---|---|---|
| 商品説明文 | 1点ずつ案を出させ、人が毎回書き直して登録する | 商品データと自社の文章の型・禁止表現を渡し、下書きと確認待ち一覧まで作らせる。人は可否だけ判断する |
| レビュー対応 | 気になったレビューを貼り付けて返信案をもらう | 期間分をまとめて分類させ、対応が必要なものだけを理由つきで抽出させる |
| 問い合わせ | 回答文の言い回しを整えてもらう | 過去の対応履歴とFAQを渡し、一次仕分けと下書きまで進めさせる。担当者は確認と送信を担う |
右の列に移すと、渡す情報も出力も増えます。トークン量はその副産物です。目指すのは量ではなく、人が最後の判断だけを担う形に作業を組み替えることだと考えています。
2. EC事業者に効くのは、開発職ではなく法務・営業・マーケの伸び
職種別の数値で、法務108倍・営業41倍・マーケティング26倍がエンジニアリングの5倍を上回った点は、社内にエンジニアを抱えないEC事業者にとって重要です。これまで「AIエージェントは開発の話」として様子見にできましたが、伸びが大きいのは書類と文章と確認作業が多い職種です。ただしこれは2月比の伸び率であり、実際の人数は公開されていません。エンジニアリングの5倍が低く見えるのは、すでに普及していて母数が大きいためだと考えられます。日本のEC実務では次の領域が該当します。
表現チェック
景品表示法や薬機法の観点で、商品ページ・広告文・メールの表現を確認する作業です。判断基準を文章で渡せるため任せやすい一方、最終責任は人が持つ必要があります。抽出はAI、判断は人という切り分けが現実的です。
広告文とLPの量産
商材ごとに訴求を変えた大量の文案作成は、過去の配信実績と禁止表現を渡せば下書きまで進みます。効果の良し悪しは配信データで決まるため、作る速度を上げても評価の工程は人が握ります。
問い合わせとレビューの整理
一次仕分け、頻出質問の抽出、返品・交換の傾向把握など、量が多く判断基準が定まっている作業です。ここは効果が数字で見えやすく、最初の対象に向いています。
3. つなぐ先は管理画面ではなくデータ — カートを問わず第1段階は同じ
Shopify・Shopify Plus・ecforceのいずれを使っていても、エージェントに渡すべきものは共通しています。商品マスタ、在庫、受注、問い合わせ履歴、過去の文章の型です。管理画面の操作を自動化することが目的ではありません。
段階を分けると判断しやすくなります。第1段階は、必要なデータを書き出してAIに渡し、成果物を人が管理画面へ反映する形です。カートの種類を問わず今日から試せて、失敗しても本番データは動きません。第2段階は、APIや自動化ツールで基幹データと接続する形です。ここへ進む前に、どの操作まで自動で進めてよいか、誰が確認するか、間違えたときにどう戻すかを決めてください。まずは、使っているカートの管理画面から商品・受注データを書き出せるかを確認するところから始められます。Shopifyでの改善全体の進め方はShopifyサイトAIグロース支援で扱っています。
4. 属人化を解く仕組みが、そのまま差になる
調査で示された「キャリア初期の従業員のほうが利用が多い」という結果は、多くの企業でうまい使い方が個人の手元に溜まっていることを意味します。その人が異動すれば消えます。プラグインやスキルの利用率に大きな差が出ているのは、この属人化を解いた企業とそうでない企業の差だと読めます。
EC事業者にとっての具体物は、社内で成果が出ている指示文です。商品説明文のトーン、使ってはいけない表現の一覧、返品対応の言い回し、レビュー分類の基準。これらを個人のメモから共有の手順書に移すだけで、同じAIから出てくる成果物の水準がそろいます。社内での手順化・マニュアル整備は生成AI業務効率化で扱っています。
この調査はOpenAIが自社顧客の利用データを集計したものです
数値の出所はOpenAIの法人顧客の利用ログであり、AI市場全体や日本市場の傾向を示すものではありません。国別の内訳も公開されていません。また作業論文には、米国の上場企業のうち導入企業のほうが資産・従業員数・研究開発投資が大きいと記載されていますが、これは元々規模の大きい企業が導入している可能性も含む記述です。AIを導入すればこの差が生まれる、と読み替えることはできません。自社の判断は、自社の業務で試した結果に基づいて行ってください。
Action
明日から何をすべきか
新しいツールの契約から始める必要はありません。今の使い方を仕分けて、任せる範囲を1つだけ広げるところから始められます。3つとも、使っているAIの種類を問わず実行できます。
今の使い方を「聞く」と「任せる」に仕分ける
社内でAIを使っている作業を書き出し、人が成果物を作っているもの（聞く）と、AIが成果物まで作っているもの（任せる）に分けます。「任せる」が1つも無ければ、失敗しても損失が小さい作業を1つ選んで移します。レビューの分類や問い合わせの一次仕分けが候補になります。
成果が出ている指示文を1本、部署の手順に格上げする
誰か一人がうまく使っている指示文を選び、前提条件・禁止表現・出力形式を書き足して共有ファイルに置きます。個人のメモのままでは、その人が使うときにしか品質が出ません。1本を手順に変えるだけで、同じ作業を担当者が代わっても再現できるようになります。
権限とレビューの線を先に引く
在庫・価格・公開・送信に関わる作業は、AIが実行する前に人が確認する形にします。決めるのは「どこまで自動で進めてよいか」「誰が確認するか」「間違えたときにどう戻すか」の3点です。この線を引かないまま接続を進めると、止めどころが分からなくなります。
同じくエージェントの業務利用に関する動きはxAIが常時稼働のGrok Botを公開した件とOpenAIがモデルより仕組みを重視すると示した件で扱っています。AIエージェントの導入手順全体はAIエージェント一括支援にまとめています。なお、AI検索経由の流入をどう測るかは別のテーマで、AI検索の効果測定で扱っています。
FAQ
この発表に関するよくあるご質問
この調査の数値は日本の企業にも当てはまりますか。
OpenAIは自社の法人顧客を対象にした集計だと記載しており、日本単独の内訳は公開されていません。国別の数値が無いため、日本市場の傾向としてそのまま読むことはできません。自社の状況は社内の利用実態を確認して判断してください。
トークンを多く使うほど成果が出るということですか。
そうとは限りません。OpenAIも、短い回答が高い価値を持つ場合があり長い回答が価値を伴わない場合もあるとして、トークンは事業価値の指標として不完全だと明記しています。利用の深さを測る目安であり、売上を示す数値ではありません。
エンジニアがいない会社にも関係がありますか。
関係があります。公式資料では、2月以降の週次Codex利用者数が法務で108倍、営業と採用で41倍、マーケティングで26倍に増え、エンジニアリングの5倍を上回ったと記載されています。伸びているのは開発以外の職種です。
