米国の先行企業はChatGPT Workをどう使っている？――「質問するAI」から「仕事を任せるAI」へ
ChatGPTに、まだ「質問」していますか？
「これを調べて」
「この文章をまとめて」
「この案について考えて」
私自身、生成AIを使うときは、仕事を細かく切り出して一つずつ依頼することが多い。
人間が仕事を考え、作業を分解し、その一部をAIへ渡す。そして回答を受け取り、次の指示を出す。
ところが、2026年7月9日に登場したChatGPT Workについて米国の先行企業の事例を調べていると、少し違う使われ方が始まっていることに気づいた。
毎週の情報収集を任せる。
定型的なExcel分析を任せる。
数千件の営業データを調査させる。
会議前に複数のシステムから状況を集め、問題点と担当者と次のアクションまで整理させる。
どうやら彼らは、AIに「答え」だけを求めているのではない。
「仕事」そのものを渡し始めている。
今回は、ChatGPT Workとは何なのか。そして米国・北米の先行企業では、どんな仕事を任せ始めているのかを調べてみたい。
ChatGPT WorkとGPT-5.6は、同じ日に登場した
ChatGPT Workが発表された2026年7月9日、OpenAIは同じ日にGPT-5.6 SolのChatGPTへの提供開始も発表している。
現在、OpenAIはChatGPT WorkをGPT-5.6を搭載した製品として案内しており、仕事の内容に応じてモデルを使い分ける設計になっている。
つまりChatGPT Workは、単にChatGPTへ「作業モード」を追加しただけではない。
複雑な仕事を処理するモデルと、そのモデルに文脈・ツール・継続性を与える仕組みが、同じ時期にそろってきたと見ることもできる。
Chatは「話す」。Workは「任せる」
OpenAIはChatGPT Workを、長時間かかる複雑な仕事に取り組むためのエージェントとして説明している。
情報を調査する。
分析する。
接続されたアプリやファイルを横断する。
最終的には文書、スプレッドシート、プレゼンテーション、レポート、Sitesなどの完成物まで作る。
さらに、一度だけ実行するだけでなく、スケジュールやトリガーに従って繰り返したり、変化を監視したりすることもできる。
ここでは理解しやすくするため、この記事独自の整理として、
Chatは「話す」。Workは「任せる」。
と考えてみる。
従来のChatを単純化すると、
人間 → 質問 → AI → 回答
だった。
Workでは、
人間 → 目的 → AIが複数工程を処理 → 成果物 → 人間が確認・判断
へと、AIに渡す仕事の単位が大きくなる。
AI半導体大手NVIDIA――情報を「読む」から「判断材料を作る」へ
NVIDIAは、GPUを中心にAI計算基盤を提供する、世界を代表する半導体企業だ。
同社のAI operationsチームでは、毎週およそ25〜40件の外部AI情報をChatGPT Workで確認している。
ただし、単純な要約ではない。
外部情報とNVIDIA内部のプロジェクトや優先事項などを照らし合わせ、最終的に5〜8件の行動につながるシグナルまで絞り込んでいる。
つまり、
情報収集
↓
自社との関連性を判断
↓
重要度を判断
↓
行動材料に変換
までを一つの仕事として渡している。
担当者は、この変化を「passive reading」から「active intelligence」への変化と表現している。
ここで一つ問いが浮かぶ。
毎週大量のニュースを読んでいるとして、本当に自分が読む必要があるものは何件なのだろう。
NVIDIA――Excelを速くするのではなく、「Excelを触らなくていい仕組み」にする
同じNVIDIAでは、大型イベントGTCの準備に伴う顧客リスト、登録状況、営業活動などの分析もWorkへ移している。
以前は、この手作業に担当者の時間の約40％が使われていたという。
そこで仕事を週2回動く反復ワークフローへ変更。
12週間の準備期間では、週あたり約16時間を削減できたと報告されている。
普通なら、
Excel作業をどう速くするか？
と考える。
Work型では、
そもそも、毎週自分がExcelを開く必要はあるのか？
という問いに変わる。
速くやるより、やらなくて済む構造を作る。
業務自動化のZapier――1件35〜45分の調査を、月数千件回る仕組みへ
Zapierは、さまざまなWebサービスやアプリをつなぎ、業務を自動化するプラットフォームを提供している企業だ。
同社では、営業ファネルから離脱した見込み客の原因調査に、従来1件あたり35〜45分かかっていたという。
CRM、メール、通話記録など複数の情報を見る必要があるからだ。
現在はChatGPT Workを使った仕組みによって、毎月数千件のリードをQA/QCし、問題の傾向や経営層向けダッシュボードまで生成している。
さらにZapierが次に目指しているのが、
Always-on Loop。
人間が毎回AIを呼び出すのではなく、
情報が入る
↓
AIが確認する
↓
変化を見つける
↓
処理する
↓
更新する
↓
再び情報を待つ
という仕事のループそのものを回す。
クラウド通信のRingCentral――「何が起きていますか？」から「では、どうしますか？」へ
RingCentralは、企業向けに電話、メッセージ、ビデオ会議などを統合したクラウド通信サービスを提供する企業だ。
同社のPMOでは、Jira、Google Sheets、CRMなどに散らばった情報をChatGPT Workで整理している。
その結果、会議開始後に、
「今どこで止まっていますか？」
「担当は誰ですか？」
と確認するのではなく、
阻害要因、担当者、次のアクションが整理された状態で会議を始められる。
つまり、
「何が起きていますか？」
を話す会議から、
「では、どうしますか？」
を話す会議へ。
人間が使う認知資源が、
情報収集から判断へ移る。
経理業務自動化のStampli――AIを使うのではなく、AIを組み込んだ生産システムへ
Stampliは、企業の請求書処理や買掛金業務を自動化するFinTech企業だ。
同社では、新製品Deep Financeのローンチに、Codex、ChatGPT Work、GPTを使った自動化などを組み合わせている。
製品情報、会議メモ、意思決定、メッセージングガイドラインなどを共通の仕組みにつなぎ、GTM・コンテンツ制作工程では、従来なら推定243時間必要だった作業を約77時間に圧縮したと報告している。
ただし、この数字は、
「ChatGPT Workだけで243時間→77時間」
という意味ではない。
主にCodexを使った制作工程を含む、複数のAIを組み合わせた仕事再設計の事例として見るべきだ。
ここで重要なのは、AI一つの性能より、
AIが組み込まれた仕事の生産システムを作っていること
だと思う。
4社を並べると、ある変化が見えてきた
ここで企業名をいったん忘れてみる。
今回調べた事例をMirai LABなりに整理すると、AIへの仕事の渡し方は大きく3段階に見える。
Prompt
その都度依頼する。
「これを調べて」
↓
Workflow
複数工程をまとめて渡す。
「毎週この情報を集め、比較し、レポートを作って」
↓
System
情報や条件の変化によって、仕事そのものが回る。
「更新 → 検知 → 分析 → 処理 → 更新 → 必要なときだけ人間へ」
つまり、
Prompt → Workflow → System
へと、AIに渡せる「仕事の単位」が大きくなり始めている。
これはOpenAIの公式分類ではなく、今回の企業事例からMirai LABなりに整理したフレームだ。
サービスエンジニア的に見ると、これは「恒久対策」に近い
ここまで考えて、フィールドサービスの仕事と少し似ていることに気づいた。
設備で同じトラブルが何度も発生する。
そのたびに現場へ行き、リセットし、調整して復旧する。
設備は動く。
しかし来週また同じ故障が起きるなら、本当に「解決」したと言えるだろうか。
サービスエンジニアなら次に、
「なぜ繰り返すのか？」
を考える。
応急処置から標準化へ。
標準化から恒久対策へ。
AI活用も似ている。
毎週同じ仕事が発生し、毎週ChatGPTを開き、毎週同じプロンプトを書いているなら、
便利にはなったものの、まだ毎回「復旧作業」をしている状態なのかもしれない。
同じ仕事を何度もAIへ頼んでいるなら、それは「恒久対策できる故障」なのかもしれない。
Promptを書く技術は重要だ。
しかし、その先には、
プロンプトを書かなくても回る仕組みを作る
というAI活用がある。
なぜ「仕事」を任せられるようになったのか
OpenAIは、AIエージェントが意味のある仕事を完遂するためには、
Context
Tools
Persistence
が重要だと整理している。
Context
何を目的としているのか。
過去に何が起きたのか。
どんな判断基準を使うのか。
Tools
Web。
ファイル。
アプリ。
各種システム。
Persistence
一度答えて終わるのではなく、長時間作業したり、繰り返し処理したりする。
ここからは、これをMirai LABなりにもう一段整理してみたい。
仕事を任せるには、
Intelligence
× Context
× Tools
× Persistence
が必要になる。
AIがどれだけ賢くても、
会社の目的も知らない。
過去の経緯も知らない。
何を良いと判断するのかも知らない。
それでは、本当の意味で仕事は任せられない。
AI時代には「どんなプロンプトを書くか」だけでなく、
「AIに、どんな仕事の文脈を渡すか」
が重要になるのだと思う。
では、人間の仕事はどこへ移るのか
少なくとも今回調べた先行企業を見る限り、人間の仕事が単純になくなっているようには見えない。
むしろ、重心が移っている。
AI側へ、
情報収集。
整理。
定型処理。
資料作成。
を移す。
その代わり、人間は、
目的を決める。
Contextを与える。
仕事を設計する。
結果を評価する。
例外へ対応する。
最終判断と責任を持つ。
RingCentralの事例が象徴的だ。
状況確認から、
「では、どうする？」
へ。
少なくとも今回の先行事例では、人間の仕事は、
作業することから、仕事を設計し、判断することへ
少しずつ重心を移しているように見える。
あなたが今週、二度やった仕事は何だろう？
今回ChatGPT Workについて調べる前は、
「ChatGPTの新しい高性能な作業モード」
くらいに考えていた。
しかし先行企業の使い方を追ってみると、その先に別の問いが見えてきた。
その仕事を、そもそも人間が毎回やる必要はあるのか？
Prompt。
Workflow。
System。
最後に、自分の仕事を一つだけ思い出してみてほしい。
あなたが今週、二度以上繰り返した仕事は何だろう？
そして、
その仕事は、次回もあなたが最初からやる必要があるだろうか？
ここからChatGPT Workの使い方を考えることができる。
ただし実際に使おうとすると、次の疑問が出てくる。
Web版とデスクトップ版は何が違うのか？
Cloud WorkとLocal Workは何が違うのか？
Chat、Work、Codexをどう使い分ければいいのか？
次回は、
「自分なら最初に、どの仕事をAIへ渡すか」
まで含めて整理してみたい。
15秒で誰かに話すなら
「アメリカの先行企業では、ChatGPTに質問するだけじゃなくて、毎週の仕事そのものを渡し始めているらしいよ」
「どういうこと？」
「Excelを速くやらせるんじゃなくて、毎週Excelをやる仕組みごとAIに任せる感じ。」
参考
ChatGPT WorkとGPT-5.6 Solはともに2026年7月9日に発表された。現在、OpenAIはChatGPT WorkをGPT-5.6搭載製品として案内している。
今回紹介した企業事例は、主にOpenAIが公開しているCustomer StoryおよびEnterprise Signalsを参照した。
そのため各社の時間削減などの数字は、第三者による独立した実証研究ではなく、各企業がOpenAIの事例ページ上で報告している値として捉えてほしい。
またChatGPT Workは登場からまだ日が浅く、今後も機能や仕様が変化する可能性がある。
主な参照先：
OpenAI「ChatGPT is now a partner for your most ambitious work」
OpenAI「Model Release Notes ― GPT-5.6 Sol」
OpenAI「How NVIDIA scales expertise with ChatGPT Work」
OpenAI「ChatGPT WorkによるZapierの中核マーケティング改革」
OpenAI「How RingCentral builds AI-native work from engineering to ops」
OpenAI「How ChatGPT Work helps Stampli move ideas to market」
OpenAI「Enterprise Signals」
AIとの共作について
この記事の企画の起点となった「ChatGPT Workが米国ではどう使われているのかを知りたい」という問いと、サービスエンジニアとしての「応急処置より恒久対策を考える」という視点は筆者自身のものです。
ChatGPTとの対話を通じて、事例の調査、情報の整理、構造化、問い直し、文章化を行いました。
AIから出てきた内容をそのまま採用するのではなく、「自分の感覚に合うか」「事実として正確か」「読者に残したいものは何か」を確認しながら、残す・変える・捨てるを判断しています。
