1. 企業AI活用の格差が8.3倍に広がった

OpenAIの「Enterprise Signals」は、匿名化・集計された企業利用データを基に、毎月のAI利用上位10%を「frontier firms」、45〜55パーセンタイルの企業を「typical firms」と比較しています。2026年6月時点で、上位企業のアクティブユーザー当たり出力トークンは一般企業の8.3倍となり、1月時点の2.6倍から差が拡大しました。

ここで注意したいのは、8.3倍が利益、生産性、作業速度を直接表す数字ではないことです。OpenAI自身も、短い回答が大きな価値を生む一方、長い出力が役立たない場合もあるとして、トークン量をAIへ任せる仕事の深さをみる代理指標と位置付けています。経営判断では「たくさん使った」ではなく「価値のある業務をどこまで完了できたか」へ読み替える必要があります。

調査指標上位企業一般企業
出力トークン／利用者8.3倍の水準比較基準
Plugins週次利用率21%9%
Skills週次利用率19%3%

出典：OpenAI「Enterprise Signals」（2026年8月12日更新）。利用率は週次アクティブユーザーに占める割合です。

2. 上位企業は「質問」から「実行」へ進む

上位企業の違いは、モデルの契約だけではありません。Skillsで判断基準や手順を再利用し、Pluginsで社内データや業務ツールへ接続し、AIが複数工程を継続できる状態を整えています。OpenAIの整理では、エージェントが意味のある仕事を完了するには「文脈」「ツール」「継続性」の3要素が必要です。

  • Context目的・資料・判断基準
  • Tools社内データ・業務アプリ
  • Persistence完了までの継続実行
  • Control権限・承認・レビュー

3要素に統制を加えると、AIを「便利なチャット」から安全な業務フローへ移しやすくなります。

例えば営業提案なら、「提案書を作って」と頼むだけでは担当者ごとに品質が揺れます。過去提案、価格表、顧客情報、ブランド表現を参照可能にし、ヒアリング内容の整理、類似事例の抽出、初稿作成、確認待ちまでを一つの流れとして設計します。個別機能の導入より、AI導入ROIを測る指標と承認点を先に決めることが重要です。

3. AIエージェントは非技術部門にも広がる

調査では、2026年2月以降の企業向けCodex週次利用者が、法務で108倍、営業と採用で各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倍を上回りました。伸び率は母数の違いに左右されるため部門間の利用人数を示すものではありませんが、AIエージェントが開発部門だけの道具ではなくなったことを示す材料です。

部門週次利用者の伸び任せやすい業務例
法務108倍契約比較、論点整理、確認表作成
営業41倍商談準備、提案初稿、案件リスク整理
採用41倍求人票比較、面接準備、候補者情報整理
マーケティング26倍施策分析、顧客ニーズ整理、制作支援
エンジニアリング5倍実装、テスト、コードレビュー

非技術業務は、正解条件が曖昧で検証しにくいことが課題です。まず「入力資料がそろっている」「完了条件を言語化できる」「人が10分以内に確認できる」仕事を選ぶと、展開しやすくなります。AIエージェント定着KPIで紹介したように、利用人数ではなく完了できたタスクを追う設計が有効です。

4. 中小企業が実践する4つの運用

大企業と同じ基盤を一度にそろえる必要はありません。MIRAINAでは、企業AI活用を定着させる際に、次の4つを小さな対象業務で一周させることを勧めます。

① 完了条件が見える1業務を選ぶ

問い合わせ返信案、週次報告、商談前調査など、入力と成果物が明確な仕事を選びます。「調査を効率化する」ではなく「指定5社の公式発表を確認し、根拠URL付きの比較表を毎週作る」のように定義します。

② 判断基準をSkillやテンプレートにする

良い担当者が頭の中で行っている確認順、除外条件、文章の型を再利用できる形にします。完成例だけでなく、推測禁止、参照先、エラー時の扱い、完了報告まで含めると再現性が上がります。

③ データ範囲と承認点を固定する

閲覧できるフォルダ、実行できる操作、外部送信の可否を決めます。最初は読み取りと下書き作成までに限定し、メール送信、契約変更、公開、削除などは人の承認後に実行する設計が安全です。

④ 成功例を共有し、月1回更新する

担当者個人の便利技で終わらせず、入力、指示、出力、確認結果をチームで共有します。失敗した条件も残し、テンプレートと権限ルールを月1回見直すことで、個人利用を組織の標準業務へ変えられます。

MIRAINAの視点では、上位企業との差を埋める第一歩は、全社員へ大量のプロンプトを配ることではありません。1つの業務について、必要な文脈、使うツール、完了条件、承認者をセットで決めることです。ここまで整えば、モデルや製品が変わっても運用知識が会社に残ります。

5. トークン量ではなく業務KPIで測る

出力トークンは利用の深さを観察する参考値ですが、中小企業の経営KPIには向きません。現場では、成功タスク率、作業リードタイム、人のレビュー時間、手戻り率、重要ミス件数を追います。導入前の基準値を1〜2週間記録し、同じ業務でAI導入後と比較してください。

KPI計算・確認方法見るべき変化
成功タスク率完了承認数÷実行数任せられる範囲が広がったか
リードタイム依頼から承認までの時間待ち時間を含めて短縮したか
レビュー時間人が確認・修正した時間確認負荷が下がったか
手戻り率再実行・大幅修正の割合指示と参照資料が十分か
重要ミス誤送信・誤公開・規程違反安全性を維持できているか

AIを使った回数だけを目標にすると、価値の低い利用が増える恐れがあります。中小企業の生成AI導入率を上げるだけでなく、成果物が承認されるまでの流れを測り、権限やテンプレートの改善につなげることが重要です。

6. まとめ

OpenAIの最新調査では、企業AI活用の上位10%と一般企業の間で、利用者当たり出力トークンの差が8.3倍に広がりました。差を生んでいるのはモデルへのアクセスだけではなく、仕事の文脈、業務ツール、継続実行、権限とレビューを組み合わせた運用です。

中小企業は、完了条件が見える1業務を選び、判断基準を再利用可能にし、データ範囲と承認点を固定し、成功例を共有するところから始められます。評価はトークン量ではなく、成功タスク率、リードタイム、レビュー時間、手戻り、重要ミスで行いましょう。