職務記述書は「境界線」から「出発点」へ：OpenAIが捉えたタスクの越境

今日あなたが仕事でAIを使ったとして、そのお願いは本当に「自分の仕事」だっただろうか。OpenAI Economic Researchが2026年7月に公開したレポート「Work at the Frontier: How AI is expanding what people do at work」（Caroline Chin、Alex Martin Richmond）は、80万件を超える業務メッセージを分析し、その問いに具体的な数字で答えている。

結論から言えば、私たちは思っている以上に、他人の仕事に足を踏み入れている。

どんな研究か（背景と課題）

私たちがAIと仕事の話をするとき、話題はたいてい「どうすればもっと速く終わるか」という、やり方の側に向かう。だがこのレポートが当てているレンズは、その一段下にある。変わりつつあるのは仕事の進め方だけではなく、そもそも誰がその仕事をしているのかという部分だ。レポート自身も冒頭の要点で「AIは仕事がどう行われるかだけでなく、誰がそれを行うかをも変えるかもしれない」と述べている。

職務記述書という、かつては固かったはずの境界線が、誰の号令もないまま溶け始めている。世界中のオフィスで進んでいるのは、静かな、しかし確実な革命だ。しかも、それを起こしているのは経営方針でも人事制度でもなく、現場の一人ひとりがAIに送っている日々のメッセージだ。

なぜ、これまでの枠組みでは見えなかったのか

ところが、従来の研究の枠組みは、この種の変化を捉えるのが得意ではなかった。

AIと仕事を論じる研究の多くは、「ある職業に割り当てられたタスクの一覧」を出発点に置き、そのうち何%をモデルが実行できるかを問う。Autor, Levy, and Murnane（2003）以来のタスクベース・フレームワークは、職業を分割不可能な塊ではなく活動の束として捉える視点をもたらしたが、その束の中身自体は固定されているという前提が残っていた。

しかしGans（2026）が指摘するように、自動化がタスクの実行コストを変えれば、企業は職務を細分化して専門化を進めることも、逆に複数の活動を束ね直してジェネラリストを増やすこともできる。労働市場で報われるスキルの束そのものが、AIに反応して変わる。

本研究の立ち位置：肩書きが変わる「前」を見る

本レポートの狙いは、この変化を職務記述書が書き換わる前に捉えることにある。従来の研究（Atalay et al. 2020、Autor et al. 2024）は、求人票や職種名、雇用パターンに変化が反映された「後」を観測してきた。生成AIのプロンプトを分析すれば、企業が肩書きを変えるより前に、労働者自身が業務範囲を押し広げている段階を直接見られる、というのが本研究の立ち位置だ。

補足として、Perplexityの検索クエリを分析したYang et al.（2026）も、クエリがユーザーの推定職業の外側に頻繁にはみ出すことを報告している。本研究はそれを、自己申告の職業と紐づいたメッセージで、より直接的に測定した形になる。

調査の設計：80万件のメッセージをO*NETに突き合わせる

分析の骨格はシンプルだ。米国ユーザーの業務関連メッセージ80万件超をランダムサンプリングし、各メッセージを米国労働省の職業データベースO*NETの詳細作業活動（DWA）1つに分類する。そのうえで、DWAに紐づく職業と、送信者の申告職業を突き合わせる。

対象は8つの職種グループ（カスタマーエクスペリエンス、デザイン、エンジニアリング、財務、人事、法務、マーケティング、営業）。分類は3カテゴリに分かれる。

ここで重要なのは、職業境界の作り方だ。職業をSOC（標準職業分類）に雇用シェア加重でマッピングし、O*NETのタスクリンクと評価からDWAを特定する。さらに各DWAを「DWAタイトル＋親IWAタイトル」で埋め込みベクトル化し、境界内の最近傍DWAとのコサイン類似度が0.80以上なら境界内と判定する。「近いから職域内」を機械的に線引きしている点は、後述の限界とも関わってくる。

なお、職業情報はChatGPT Businessのアカウント登録時に自己申告された部署・役職から取得しているが、分析対象のメッセージはそのユーザーの個人アカウントのものだ。ChatGPT BusinessとEnterpriseは別の製品母集団であり、この推定値をEnterpriseユーザーに一般化してはならない、とレポートは明記している。

主要な結果

1. 職種特有のAI利用の43.5%は「他人の仕事」

先に言葉の定義をしておきたい。ここでいう「他人の仕事」とは、実際に誰かから仕事を奪った、あるいは委譲されたという意味ではない。O*NET上で歴史的に別の職種と結び付けられてきたタスクを指す。レポートの技術付録も、この指標はDWAがどの職種のO*NETタスクに最も近いかを記述するものであり、その仕事が実際にその職種から委譲されたのか、そこで発生したのかを示すものではない、と明記している。

まず全体像から。業務関連メッセージ全体の内訳は次の通りだ。

6割がメールや要約といった汎用業務、という部分に驚きはない。問題はその先だ。汎用業務を除いた「職種特有のメッセージ」だけを分母に取り直すと、そのうち43.5%が歴史的に他の職業に割り当てられてきたタスクになる。レポートはこの現象をタスクの交差（task crossover）と名付けている。職種グループごとに見ると、この比率は28%から77%まで開きがあり、全メッセージに対する越境率で見ても11〜30%の幅がある。

職種特有メッセージに占める越境の割合は、8グループ中5つで過半数を超えた。

数字の読み方に注意が必要だ。この75%は「デザイナーのAI利用全体の75%が他人の仕事」という意味ではない。分母は汎用業務を除いた残りである。汎用業務まで含めた全体に対する比率は別指標になり、デザインの場合は次節で見る35.2%がそれにあたる。同じ職種でも75%と35.2%という二つの数字が並ぶわけで、引用するときは必ずどちらの分母かを確認したい。

2. 輸入と輸出：タスクの「貿易収支」

タスクの越境には2つの方向がある。他分野からタスクを取り込む方向（輸入）と、自分の分野のタスクが他分野で使われる方向（輸出）だ。レポートはこの2つを分けて集計しており、両者は必ずしも連動しない。

2つの列は集計方法が異なる点に注意したい。取り込み側は、その職種のユーザーが送った全業務メッセージを分母にした単純な割合だ。一方の流出側は、当該職種以外の7職種それぞれについて割合を計算し、その7つを平均した値である。7職種分のメッセージを1つに合算した比率ではない。

デザインの非対称性が際立っている。デザイナーは自分のメッセージの3分の1以上を他分野の仕事に使っているのに、デザインのタスクが他職種で占める割合は、平均するとわずか1.7%にとどまる。マーケティングタスクは他の7職種で占める割合を平均すると8.9%で、サンプル中最大だった。エンジニアリングは逆に、取り込みは控えめだが、他分野が引き受ける供給源になっている。

考察：AIの「得意・不得意」が貿易不均衡を生んでいる

では、なぜこれほど偏るのか。（レポートはこの偏りの理由を説明していない。ここは筆者の解釈として読んでほしい。）

鍵になるのは、現在のモデルが何を得意としているかだ。テキストの生成と分析は、いまのモデルの中心的な能力にあたる。マーケティングのコピー、ユーザーデータの分析、簡単なスクリプト、契約書の下読み──いずれも「やりたいこと」さえ言語化できれば、専門用語も定石も知らないまま初稿にたどり着ける領域だ。デザイナーが自分の仕事の隣にあるこれらのタスクを取り込めるのは、そこがちょうどAIの得意な土俵だからだろう。

逆方向はそうならない。デザインの最終成果物は、ピクセル単位で詰められたプロダクションレベルのグラフィックだ。ブランドの一貫性、余白の呼吸、書体の詰め、実装や印刷の制約。そこで効いてくるのは、言語化しにくい判断の積み重ねである。生成AIを使えば非デザイナーでも「それっぽい画像」までは到達できるが、その先の詰めには依然として専門的な目と微調整が要る。だから、デザインの仕事は他分野へ出ていかない。

つまり、AIの能力の「得意・不得意」が、そのままタスクの「貿易不均衡」を生んでいるという見立てだ。マーケティングとエンジニアリングが輸出側の上位に来ているのも、同じ理屈で説明がつく。プロモーション資料の作成もシステムの障害対応も、出力の中心にあるのはテキストだからだ。

この見立てが正しいなら、ひとつ検証可能な予測が立つ。画像生成の制御性が上がり、ブランドガイドラインへの追従や細部の微調整が指示だけで済むようになれば、デザインの「輸出」も動き出すはずだ。もっとも、これはレポートが述べていることではない。ただし「技術が特定の活動のコストを変えれば、人間の仕事の束も組み替わる」という原理自体は、レポートが背景として引くGans（2026）やAcemoglu and Restrepo（2019）の枠組みそのものだ。貿易の向きは固定されたものではなく、モデルの能力地図が変われば書き換わる。

3. どのタスクが越境しているか

具体的に何が国境を越えているのか。レポートは、対象8職種のうち7職種で繰り返し上位に現れるタスクを挙げている。

財務データの計算と、システムの障害対応。この2つは、それぞれ財務職以外・エンジニア職以外のすべての職種で上位3位に入っている。非財務職が送る財務関連メッセージの9.8%が財務データの計算、非エンジニア職が送るエンジニア関連メッセージの6.1%が障害対応だ。

マーケティング領域では非マーケティング職の傾向がさらに明確で、「プロモーション資料の作成」がマーケティング関連メッセージの25%を占める。中身は広告、SNS投稿、チラシ、プロモーション動画、プレゼン資料、製品シート、キャンペーン用グラフィックと幅広い。次いで「マーケティング素材の作成」が9.3%（デザイナーで最高）、「マーケティング計画・戦略の立案」が6.5%と続く。

4. スタートアップ・エフェクト：小さい職場ほど越境する

越境の起きやすさは、職場の規模によって変わる。ChatGPTワークスペースの座席数で比較すると、メッセージ量が中位50%の「典型的なユーザー」で明確な傾斜が出た。

差は約2.5ポイント、最小規模に対する相対比では約13%。専門家に振れる相手が身近にいないとき、人はAIに広い範囲の助けを求める──レポートはそう解釈している。3人のスタートアップに法務部は存在しないので、明日までに秘密保持契約をレビューする必要が生じたら、AIに頼るしかない。1,000人規模の企業なら、確立されたワークフローに乗せて専門チームに渡せる。

興味深いのは、この傾斜が上位25%のヘビーユーザーには当てはまらない点だ。ヘビーユーザーでは規模による単調な傾向が見られない。レポートは2つの解釈を併記している。組織の違いを超えて安定したAIワークフローを確立している可能性と、追加のメッセージ量が反復的なコーディングや編集、分析といった自分のコア業務の深掘りを反映している可能性だ。前者にせよ後者にせよ、AIを「何でも屋」として横に広く使う層と、「超専門ツール」として縦に深く使う層が分かれていることになる。

なお、ワークスペースの座席数は企業の総従業員数ではない。企業は従業員数と異なるライセンス数を購入しうるため、規模の代理変数としては専門化の度合い、業種、職種構成、組織の成熟度など多くの要因が混ざっている。

専門家はパニックになるべきか

素人がAIで広告コピーを書き、バグを直し、財務データを計算するなら、本職はどうなるのか。この直感的な不安に対して、レポートは3つの材料を提示している。

第一に、レポート自身が明確に線を引いている。「AIは門外漢がタスクに着手することを容易にするかもしれないが、専門家は依然としてエキスパートレベルの判断とレビューにおいて不可欠である」──そしてこれらの結果は分業のあり方が変化している証拠として理解されるべきであり、どの職業が雇用を増減させるかの推定ではない、と。生成することと評価することは別のスキルだ。

第二に、越境は一方通行ではない。マーケター自身も自分のメッセージの24.3%を他分野のタスクに充てている。誰かが一方的に仕事を奪われているのではなく、全員が互いの領分に踏み込んでいる。

第三に、汎用業務を自職種側に含めて集計し直した補遺の図では、どの職種も自分のコア業務の対角線をしっかり保っていることが確認できる。レポートの表現を借りれば、AI利用は「認識可能な職業の中心を保ちながら役割を広げている」。軸足は残したまま、周辺に手を伸ばしている状態だ。

限界と今後の課題

このレポートは、自ら制約を丁寧に列挙している点で誠実だ。引用する際は以下を外せない。

• 結果はすべて記述的であり、AIがなければ同じ人々がどう仕事を配分していたかは分からない。雇用や生産性への影響を推定するものでもない
• 分析単位はメッセージ1件であり、労働時間でも完了したプロジェクトでも職務でもない。出力が実際に使われたか、品質はどうだったか、どれだけ時間を節約したか、AIなしでも完了できたか、専門家がレビューしたかは一切観測されていない
• ランダムサンプルは米国の労働力全体を代表しない。職業は自己申告であり、ChatGPT Businessの母集団に限られる
• 1つのメッセージに複数のタスクが含まれうるため、割り当てられたDWAは主要な活動を表すにすぎない
• 職業境界はコサイン類似度0.80という閾値で機械的に引かれている。境界の引き方が変われば越境率も変わる
• 座席数の小さい職場での越境率の高さは、専門化・業種・組織成熟度など多くの交絡要因を含む相関であり、因果ではない

レポートの結論部は、実務に直結する問いを残している。「もし労働者が伝統的な職業境界を超えた活動のためにAIを繰り返し使用することが職務責任の永続的な変化につながるなら、労働者は自らの確立された専門性の外側にあるAI支援の成果物を評価するための訓練を必要とし、組織はレビューと説明責任のための明確なプロセスを準備する必要がある」。

もう1つは測定の課題だ。政府の統計は、仕事が歴史的にどう分割されてきたかについて価値ある記録を提供してきた。しかしAIが「誰がどのタスクをやるか」を変えるなら、既存の職務記述に基づく指標は、実際の働き方から徐々に乖離していく。

まとめ

• 汎用業務を除いた職種特有のAI利用のうち43.5%が他職種のタスク。全業務メッセージ比では16.8%
• カスタマーエクスペリエンス77%、デザイン75%、人事69%と、8職種中5つで越境が過半数を占める
• デザインは取り込み35.2%に対し、他職種での平均シェアは1.7%と非対称。マーケティングとエンジニアリングは逆に、他職種へ広く供給する側に回る
• 財務データの計算とシステムの障害対応は、それぞれ財務職以外・エンジニア職以外のすべての職種で上位3位に入る
• 座席数2〜5の小規模ワークスペースでは越境率18.9%、101席以上では16.3%。ただしこの傾斜は中位50%のユーザーに限られ、ヘビーユーザーには現れない
• 結果は記述的で、分析単位はメッセージ1件。出力が使われたか、品質が妥当だったかは観測されていない

AIが専門用語や手順を肩代わりしてくれるおかげで、フレンチのシェフでも配管の修理に着手できるようになった。ただし、壁の裏で水漏れしていないかを確認する知識までは、レンチはくれない。専門外の領域に踏み込むからこそ、出力を鵜呑みにしない判断力が最後の安全網になる。

情報ソース：