AIの高得点は職場の合格ではない——米労働時間90％の空白とMicrosoft実務データから作る『業務カバレッジ票』

AIモデルの導入会議では、ベンチマークの順位、回答速度、料金、長いコンテキストが比較されます。しかし、その高得点は、自社の仕事が速く、安全に、最後まで終わることを保証しません。評価問題に含まれる工程だけが速くなっても、資料を探す、権限を確かめる、同僚へ説明する、例外を直す、結果を承認する工程が残れば、一件全体の所要時間はほとんど変わらないからです。

2026年10月、米Mercorは、29の公開AIベンチマークを米労働省のO*NETにある923職種・1万8797タスクへ対応付けた「Benchmark Map」を公開しました。同社の暫定推計では、米国の労働時間の90％が、既存ベンチマークでほとんど、または全く覆われないタスクに費やされています。

同じ時期、Microsoftの研究者らは、社内の数万人のソフトウェアエンジニアを対象に、Claude CodeとCopilot CLIの導入状況を分析しました。ITmedia NEWSの解説によれば、利用初週のエンジニアでは、マージされたプルリクエスト数が使わなかった場合より平均24％増えたと報告されています。一方、利用開始には同僚や上司の利用が強く関係し、使い始めることと成果が出ることは別の現象でした。

さらにChatGPTのChrome拡張機能は、開いているタブを読み、比較表を作り、フォーム入力やメッセージ送信などを進められるようになりました。AIが仕事の文脈へ近づけば、コピーして貼り付ける手間は減ります。ただし、仕事用と私用のタブ、閲覧と操作、下書きと送信の境界を同時に設計しなければなりません。

今回は、この三つの動きを「どのモデルが一位か」ではなく、「自社の仕事のどこまでが測られ、どこまでをAIへ渡し、何をもって完了とするか」という業務カバレッジの問題として整理します。

結論——モデル表ではなく、一件の仕事に色を塗ります

AI導入前に作るべきなのは、モデル名を縦に並べた比較表だけではありません。一件の仕事を、開始から終了までの小さな工程へ分け、AIが助けられる工程、まだ測れていない工程、人が残す工程、AIへ見せてはいけない工程に色を塗る「業務カバレッジ票」です。

最低限、次の八欄を一枚へまとめます。

欄	記録する内容	合格の見方
用事	誰の何を、いつまでに終えるか	完了条件を一文で説明できます
工程	取得、判断、作成、確認、実行、訂正	途中の待ち時間も含めて列挙できます
評価範囲	ベンチマークや試験が覆う工程	測れていない工程を空欄のまま残しません
基準線	導入前の時間、品質、費用、事故	AIなしの通常値と比較できます
AIの役割	提案、下書き、変換、操作、自動実行	工程ごとに権限上限が決まっています
文脈	読めるタブ、ファイル、履歴、個人情報	必要最小限の入力だけを許可できます
守る指標	品質、差し戻し、漏えい、過剰作業	量が増えても悪化を見逃しません
出口	停止、手作業、別担当、訂正、削除	AI停止後も期限内に完了できます

この票では、ベンチマーク得点は「評価範囲」の一部に入ります。高得点でも、実際の工程の二割しか覆っていなければ、残り八割を別に試します。反対に、モデル全体の順位が一位でなくても、毎週繰り返す狭い工程を安定して短縮し、守る指標を悪化させないなら、導入価値があります。

Mercorの地図が示すのは、AIの弱さより測定の空白です

MercorのBenchmark Mapは、AIベンチマークを職業の実務へ対応付ける試みです。923職種のうち、少なくとも五つの評価問題で覆われるタスクを一つでも持つ職種は208、対象タスクは1万8797のうち924としています。職種名だけを見て「この仕事はAI化できる」と判断するには、覆われていない工程が大き過ぎます。

分布にも偏りがあります。コンピュータ・数学分野は36職種中29職種に一定のカバレッジがある一方、医療専門職は89職種中12、教育・図書館分野は62職種中9でした。Mercorは、AIの影響を受けやすく、賃金総額の大きい職種ほど評価問題に含まれやすい傾向を示しています。ソフトウェア開発や金融分析を詳しく測る一方、法務秘書、裁判所職員、中規模の知識労働、物理世界を伴う仕事には空白が残ります。

ただし、90％という数字を「AIは仕事の一割しかできない」と読み替えてはいけません。これは、Mercorが選んだ29のベンチマークと、O*NETへの対応付けに基づく暫定的なカバレッジ推計です。同社自身も、ベンチマーク一覧が完全ではなく、不完全な一覧はカバレッジを低く見積もること、経済的な現実性の判断に主観が入ること、LLMによるタスク分類を使うことを限界として明記しています。

読み取るべきなのは、AIが不得意だという結論ではなく、測っていない仕事について性能を語れないという原則です。日本企業が海外のベンチマーク表を採用するときも、まず自社の工程を対応付けます。該当する評価問題がなければ、得点を推測せず、小さな社内試験を作ります。

職種単位では粗すぎ、タスク単位でもまだ足りません

同じ「営業」でも、見込み客を探す、過去の接点を読む、提案を作る、価格条件を承認してもらう、顧客へ送る、反応を記録する工程があります。同じ「経理」でも、証憑を集める、勘定科目を提案する、例外を照会する、承認する、仕訳する、監査証跡を残す工程があります。

タスク名が同じでも、入力と終了条件は異なります。「契約書を確認する」という評価問題で正答しても、自社の最新版ひな型へ到達できなければ使えません。顧客別の例外条項を見落とさず、変更理由を法務担当へ説明し、承認後の版だけを送付できるところまでが実務です。

業務カバレッジ票では、タスクをさらに五つの状態へ分けます。

1. 入力可能：必要な資料へ、許可された範囲で到達できます。
2. 判断可能：基準、例外、根拠、確信度を示せます。
3. 作成可能：必要な形式で下書きや差分を作れます。
4. 実行可能：承認された対象へだけ反映できます。
5. 回復可能：誤りを見つけ、戻し、説明し、再実行できます。

文章を生成できるだけなら、三番目の一部です。仕事を終えるには、入力と実行の権限、訂正と回復まで必要です。以前の記事で整理したAI出力の検証待ち在庫も、この空白を示しています。生成量だけを増やすと、確認できていない出力が工程の後ろへ積み上がります。

Microsoftの社内分析は、利用開始と成果を分けて見せます

ITmedia NEWSが紹介したMicrosoftの研究は、2026年1月5日から4月29日までの約四カ月、社内の数万人のソフトウェアエンジニアを対象に、コマンドライン型AIコーディングツールの導入を分析しました。

興味深いのは、最初に使うきっかけが、モデル性能表だけではなかったことです。上司の上司を共有する同僚の四分の一以上が直近二週間に使っている場合、試用のオッズは最大216％高まりました。直属の上司の利用では82％、日常的にコードレビューする相手の四分の一以上が使っている場合は54％高まったと報告されています。

これは、社内の利用率が製品適合性だけを示さないことを意味します。上司が使うから試す、近くの同僚が使うから安心する、勉強会があったから触るという社会的な伝播が含まれます。月間利用者数が増えても、自社タスクへの効果を直接証明したことにはなりません。

一方、継続利用は、もともとのコーディング量やプルリクエスト頻度と関係していました。多忙で反復回数が多い人ほど、わずかな短縮でも価値を感じやすいと考えられます。反対に、利用頻度が低い人が定着しないからといって、能力不足や抵抗と決めつけるべきではありません。AIを使う機会自体が少ない可能性があります。

プルリクエスト24％増を、そのまま生産性24％増にしません

研究では、導入初週にツールを使ったエンジニアについて、マージされたプルリクエスト数が使わなかった場合より平均24％増え、その傾向が調査期間中に続いたと紹介されています。ツール別ではClaude Code利用週で11.4％、Copilot CLI利用週で24.9％の増加でした。

これは大規模な実務環境から得られた重要な信号です。しかし、プルリクエスト数は、顧客価値、障害削減、設計品質、保守性を全て含む指標ではありません。小さく分割する文化、案件の難しさ、レビュー待ち、既存コードの状態によっても変わります。二つのツールの差も、利用者、用途、導入時期、選択の違いを越えて、製品の優劣へ直結させるべきではありません。

日本企業が社内試験へ移すときは、主指標と守る指標を分けます。

種類	指標例	注意点
主指標	一件の完了時間、期限内完了率、処理件数	量だけでなく用事の終了を測ります
品質	差し戻し、欠陥、根拠欠落、顧客訂正	後工程へ送った負担も含めます
人の負担	入力準備、確認、再作業、相談時間	AI利用時間だけを短縮と数えません
安全	権限超過、誤送信、秘密情報、停止件数	事故ゼロだけで危険操作の不在を決めません
学習	再利用できる手順、失敗条件、引き継ぎ	熟練者だけの裏技にしません
継続	AI停止日の完了率、代替時間、復旧時間	製品障害時の仕事も測ります

AIで浮いた時間をどこへ配るかも同時に決めます。処理件数が増えても、レビュー担当の残業が増えたり、元の会議や報告が残ったりすれば、組織全体の余裕は生まれません。増えた出力ではなく、導入、確認、再作業を引いた正味の時間を見ます。

Chromeタブ連携は、文脈の取得も評価対象に変えます

The Vergeの報道によると、ChatGPTのChrome拡張機能は、利用者がChromeを指定すると、開いているタブの情報を参照できます。複数の商品の比較、タブに開いた事業者の料金・機能整理、イベント資料から登録フォームへの入力などが利用例として示されています。

ChatGPT Workでは、タブの整理だけでなく、メッセージ送信、フォーム入力、ファイルのダウンロードなどを操作できると説明されています。公開例には、登録フォームを埋めて送信前に止める指示もあります。この「止める位置」は、便利さと責任の境界です。

従来のベンチマークは、用意された問題と入力をモデルへ渡します。実務では、その入力を見つける工程があります。どのタブが最新版か、仕事用か私用か、顧客の許可があるか、入力欄が必須か任意かを判断します。タブへアクセスできるAIは、入力準備を短縮できる一方、評価対象を広げます。

少なくとも権限を四段階に分けます。

• 読み取り：指定したタブの内容だけを読みます。
• 整理：比較表や下書きを作りますが、外部へ変更しません。
• 入力：フォームやメール欄へ記入しますが、確定前に止まります。
• 実行：送信、予約、購入、ダウンロードなどの副作用を起こします。

仕事用ブラウザープロファイルを分けても、それだけで安全になるわけではありません。社内システム、顧客情報、個人メール、医療予約、決済画面が同時に開く可能性があります。一件ごとに対象タブを明示し、不要なタブを閉じ、実行前に対象、差分、外部送信先を表示します。

「文脈が多いほど賢い」を導入条件にしません

長い会話履歴、開いた全タブ、共有ドライブ全体へアクセスさせると、AIは事情を理解しやすく見えます。しかし、必要な情報が増えるのではなく、無関係な情報と誤送信の候補も増えます。

業務カバレッジ票の文脈欄には、次の五点を書きます。

1. 対象：どのタブ、フォルダー、顧客、期間を読むか
2. 目的：比較、要約、下書き、入力、実行のどれか
3. 除外：私用、別案件、未成年者、健康、認証、決済情報
4. 保存：入力、出力、操作履歴がどこへ何日残るか
5. 停止：送信、購入、予約、削除のどこで人へ戻すか

文脈を増やす前に、必要最小限の資料だけで同じ用事を完了できるかを試します。精度が足りない場合も、いきなり全履歴を許可せず、不足した項目を一つずつ追加します。AIの能力を上げるために、組織の秘密を無制限に広げる必要はありません。

日本企業向けの30日試験は、代表業務と空白業務を一件ずつ選びます

最初の一週間は、既存ベンチマークが比較的豊富な業務と、ほとんど測られていない業務を一件ずつ選びます。前者はコード修正、文書分類、表の整理などです。後者は社内調整、現場点検、顧客の例外相談、複数システムをまたぐ申請などが候補です。

それぞれについて、開始から終了までを十前後の工程へ分けます。作業時間だけでなく、待ち時間、差し戻し、承認、再入力、電話確認も記録します。AIを使う前の一週間で基準線を取り、最速の熟練者だけでなく、通常の担当者と引き継ぎ直後の担当者も含めます。

第二週は、AIへ読み取りと下書きだけを許可します。モデル得点ではなく、入力準備、下書き、確認、訂正を含む一件全体の時間を測ります。何をAIへ渡せなかったか、どの工程で人の知識が必要だったかを空白として残します。

第三週は、限定した操作を加えます。テスト環境のフォーム入力、下書き保存、指定フォルダーへの出力など、取り消せる操作から始めます。送信や削除は人の承認前で止めます。意図的に古い資料、似た顧客名、権限のないタブ、入力不足を混ぜ、止まれるかを確認します。

第四週は、AIを一日止めます。手順書だけで別担当者が同じ用事を完了し、AI利用時の結果と比較します。AIが速かった工程だけでなく、止めた日に失われた検索方法、判断基準、連絡先がないかを確かめます。

月次報告は、利用率ではなくカバレッジの変化を見ます

全社員の利用率を目標にすると、必要のない人までAIを開き、回数だけを増やす動機が生まれます。Microsoftの研究が示すように、利用開始は周囲の利用に影響されます。導入キャンペーンの成功と業務改善の成功を分けます。

月次では次の七指標を並べます。

• 一件の全工程のうち、社内試験で覆えた割合
• 評価されていない工程と、その労働時間の割合
• AI利用前後の完了時間と期限内完了率
• 確認、差し戻し、再作業を含む人の正味負担
• 読み取り、入力、実行の権限超過と事前停止件数
• AI停止日に期限内で完了できた割合
• 別担当者が手順と記録から再現できた割合

カバレッジ率を100％へ近づけること自体も目標にしません。人が対話し、例外を引き受け、価値衝突を判断する工程は、意図して人に残せます。大切なのは、測れていないのに自動化済みと呼ばないことと、人へ残す工程の時間と能力を確保することです。

出典

• Mercor「A benchmark map of the US economy」（2026年10月16日取得）
• ITmedia NEWS「Microsoft、社内エンジニア数万人を対象に『Claude Code』『Copilot CLI』導入の影響を分析」（2026年10月16日）
• The Verge「ChatGPT can peek at your Chrome tabs now」（2026年10月15日）

次のAI導入会議で、測れていない工程を見せられますか

AIベンチマークは、モデルを同じ条件で比べるために欠かせません。Microsoftの社内分析も、実務での導入と成果を大規模に観測した貴重な材料です。Chromeタブ連携も、資料を集めて転記する摩擦を減らす可能性があります。問題は、それぞれを職場全体の合格証へ広げてしまうことです。

評価問題が覆う範囲、社内で観測した成果、AIへ渡す文脈、実行できる操作は、別々の層です。四つを一枚の業務カバレッジ票へ重ねれば、得点が高いのに終わらない仕事、利用者が多いのに負担が減らない仕事、速くなった代わりに閲覧範囲が広がった仕事を見分けられます。

次のAI導入会議では、「このモデルは何点ですか」の後に、こう尋ねてみてください。「その点数は、私たちの一件のどの工程を測り、どこを測らず、何を読ませ、どこで人へ戻しますか」。測れていない場所を正直に塗り残せる組織から、AIの高得点を、自社の仕事が安全に終わる力へ変えられるのではないでしょうか。