メッセージの「タスククロスオーバー」判定手法

あるメッセージが「クロスオーバー（越界）」したと判断するには、まず「その人物の職種」と「メッセージが示すタスク」の2つを特定する必要がある。レポートでは4ステップの手順を採用している。以下の例はレポートの図1に基づくものだ。

上の4つのタブをクリックして順に確認できます。イラスト内容はレポート図1の営業／LPの例を再現したものです。

ここで2つの用語を整理しておこう。O*NETは米国労働省が管理する職業データベースで、各職種を具体的な業務活動に細分化しており、本レポートでは「そのタスクが歴史的にどの職種に属するか」の基準として使用されている。詳細業務活動 (DWA)（detailed work activity）はこのデータベースの最小単位であり、例えば「コンピュータアプリケーションやシステムのトラブルシューティング」「財務データの計算」などが該当する。

「自分の職域内かどうか」の判定には、一定の猶予が設けられている。厳密な一致は求められず、あるタスクが自身の職域内にある最も近いタスクと0.80以上（最大値1）のセマンティック類似度を持つ場合も「本来の職務」とみなされる。したがって「本来の職務」の範囲は広めに設定されており、クロスオーバーと判定されるハードルは見た目以上に高い。

3つの分類が完了した。次に控えるのは、本レポートがメディア等で報じられる際に最も誤解が生じたステップである。

43.5%の数字は6割のメッセージを除外して再計算したもの

16.8%と43.5%は、まったく同じメッセージ群から算出された数値である。両者の間には「全仕事の61.5%を占める汎用業務を母数から除外し、残る38.5%の専門的質問のみを取り出して再度100%として試算する」という処理が入っている。16.8%を新しい母数38.5%で割ると、43.5%という数値が導き出される。

レポート図2の原図。右上には「denominator: all work-related messages（母数：全仕事メッセージ）」、中央には「Retained 38.5%: non-generic（非汎用38.5%を保持）」、下のバーには「rebased to 100%（100%基準で再試算）」と明記されている。出所：OpenAI『Work at the Frontier』。

この処理自体はレポート内で明確に示されており、図中には「rebased to 100%」、本文中にも「Excluding generic work（汎用業務を除く）」と書かれている。欠落していたのは二次情報での伝達プロセスです。

後者の表現はより刺激的に聞こえるが、省略された6割こそが、現在多くのユーザーがAIで処理している業務（メール作成、文章校正、日程調整など）なのである。

集計基準が明確になったところで、レポートの基準に沿って8職種ごとの違いを見ていこう。これ以降「クロスオーバー割合」と表記する場合、特に断りのない限り、母数は非汎用の「専門的質問」を指す。

CSとデザインでクロスオーバー最多、エンジニアリング最少

43.5%という全体数値の内訳を8職種で見ると、最も高いカスタマーサポート（CS）が77%、最も低いエンジニアリングが28%と、3倍近い大きな開きが存在する。

8職種のうち5職種で過半数に達している。濃い色で示された5つの職種では、ユーザーがChatGPTに専門的な質問をする際、大半が「自分の専門外の業務」に関する質問であることを示している。

エンジニアリングの28%という最低値については補足が必要だ。これはエンジニアが他職種の業務を行わないという意味ではない。絶対量で見ると、エンジニアはAIをコーディング、デバッグ、コードレビューといった本来の職務に大量に利用しており、母数が大きく膨らむためクロスオーバーの割合が希釈されているのである。後述するように、エンジニアの全仕事メッセージに占めるクロスオーバー割合も18.5%と8職種中最低だが、これは「エンジニアの業務が他職種に流出しているか」という問いとは全く別の問題だ。

マーケティングとエンジニアリングのタスクが他職種へ流出

前節ではどの職種でクロスオーバーが多いかを見たが、「どの職種の領域を侵しているか」は未検証だった。レポートの図4がこれに答えている。行は発言者の職種、列はO*NETにおけるタスクの本来の帰属職種を表し、バブルが大きいほど割合が高い。

レポート図4。縦軸Worker occupationは発言者の職種、横軸Traditional task sourceはタスクの伝統的帰属先。列名は左からCustomer experience（CS）、Design（デザイン）、Engineering（エンジニアリング）、Finance（財務）、Human resources（人事）、Legal（法務）、Marketing（マーケティング）、Sales（営業）。濃い色の対角線は各職種自身のセルを示す。母数は各行の非汎用・専門的質問であり、四捨五入のため行内合計が100%にならない場合がある。出所：OpenAI『Work at the Frontier』。

レポート本文では、「マーケティングとエンジニアリングのタスクが、他職種のAI利用において最も頻繁に登場する」と分析している。具体的には、マーケティング系タスクが営業およびデザイン従事者の非汎用メッセージの28%〜29%、CSの26%を占める。またエンジニアリング系タスクはデザイン従事者の28%、CSおよび財務の20%〜22%を占めている。

このマトリクスを1行ずつ読み解くと、レポート本文には明記されていない事実が浮き彫りになる。

職種タブをクリックして内訳を比較できます。関心のある職種を選択し、タスクの構成比と自職種の順位を確認できる。

8行を確認すると、明確な傾向が浮き彫りになる。要約した表が以下だ：

当サイトがレポート図4の各行から数値を抽出・整理したものであり、レポート本文にこの一覧表があるわけではない。各行の表記数値の合計は82%〜100%の間（原図で数値未表記の小さなバブルがあり、エンジニアリングの行が最多）、図注にある四捨五入の記述と一致する。財務の行における25%と23%の差は2ポイントと僅差であり、誤差範囲内といえる。

では、具体的にどのようなタスクが流出しているのだろうか。レポート表2は頻出する5つのクロスオーバータスクを挙げている。「カバー率」の列は、残り7職種のうち何職種でそのタスクが上位3位に入っているかを示す。

「財務データの計算」と「ソフトウェアのトラブルシューティング」は最も汎用的に浸透しており、他7職種すべてでトップ3に入っている。非財務職種から出された財務系メッセージのうち9.8%が財務データの計算であり、非エンジニアリング職種から出されたエンジニアリング系メッセージの6.1%が障害調査であった。

もう1つ特筆すべき数値がある。非マーケティング職種が発したマーケティング系メッセージのうち、25%が「プロモーション素材の開発」に分類されている。これには広告、SNS投稿、チラシ、宣伝動画、プレゼン資料、製品ワンペーパー、イベント用画像などが含まれる。また、9.3%が「マーケティング素材の制作」、6.5%が「マーケティング計画・戦略の策定」であった。

では逆に、「タスクを外に流出させている職種」と「他人のタスクを引き受けている職種」はどこなのだろうか。

デザイナーは何でもこなすが、デザイン業務の流出はほぼゼロ

レポートの図5では、タスククロスオーバーを2つの方向に分類しています。取り込みは、その職種自身のAI利用のうち他職種の業務が占める割合を指し、流出は、その職種の業務が他職種の質問にどれだけ登場しているかを示します。この2つの方向性は必ずしも連動していません。

デザインは両極端な数値を示しています。取り込み率はトップの35.2%であるのに対し、流出率は最下位の1.7%と、実に20倍もの差があります。デザイナーはAIを活用して複数の職種の業務を積極的に取り込んでいるものの、デザイン自体の業務が他職種に流出することはほとんどありません。

エンジニアリングはその逆です。エンジニア自身のクロスオーバーは最小（18.5%）ですが、エンジニアリング業務の流出率は2番目に高く（7.4%）、他職種に最も多く取り込まれている業務の一つとなっています。

マーケティングは唯一、両方の数値が高い職種です。メッセージの24.3%で他職種の業務を行っていると同時に、自身の業務も8.9%の割合で他職種の質問に登場しており、サンプル全体で最高値となっています。

レポート図5の原図。左図はTasks brought in（取り込み）、右図はTasks that travel（流出）で、両図の横軸は0〜40%。CXはカスタマーサポート、Mktg.はマーケティング、Eng.はエンジニアリングを示す。出所：OpenAI 『Work at the Frontier』。

レポートでは、「これが職種の消失を意味するわけではない」と注記されています。AIによって非専門家であっても手を取りやすくなる業務がある一方で、専門的判断や検証においては引き続き専門家の存在が不可欠です。これらの結果が示しているのは業務分担の変容であり、人員の増減を直接予測するものではありません。

個人レベルの分析を見てきましたが、では組織の規模による影響はあるのでしょうか？

小規模企業ほどクロスオーバーが多い傾向——中頻度ユーザー限定

レポートの図6では、ワークスペースの席数（ライセンス数）別に分類しています。2〜5席のワークスペースではクロスオーバーメッセージが18.9%を占めるのに対し、101席以上では16.3%となっており、一見すると綺麗な右肩下がりの傾向が見られます。

しかし、この結果を鵜呑みにできない3つの理由があります。

1. 傾きは見た目ほど急ではない。図6の縦軸は16%から19%のわずか3ポイントの幅しかありません。18.9%から16.3%への低下は2.6ポイントであり、レポート本文でも「約2.5ポイントの低下、最小ワークスペース比で約13%の減少」と記述されています。

2. この傾向は中間層のユーザーにのみ当てはまる。レポートではユーザーをメッセージ量に応じて3グループに分類し、付録図A1に掲載していますが、3つのラインの挙動は全く異なります。

レポート付録図A1。3つのパネルは左からメッセージ量が最も少ない25%、中間50%、最も多い25%を示す。横軸のWorkspace seatsはワークスペースの席数。出所：OpenAI 『Work at the Frontier』。

単位：%。データはレポート付録図A1より引用。下位25%グループにおける最大規模ワークスペースのデータはわずか197件のメッセージに基づいており、精度が低くなっています。

本文で引用されているのは中間層のデータです。上位25%の行は16.3、15.8、17.4、14.7、16.4と推移しており、一定の方向性が見られません。レポート自身も「ヘビーユーザーには単調な傾向が存在しない」と明記しています。

3. 席数は必ずしも企業規模を反映しない。企業が一部の従業員にのみアカウントを付与している可能性があるためです。レポートではこれが記述的な比較に過ぎず、席数は「専門化の程度、業界、組織の成熟度、身近に相談できる相手の有無」といった要因の代理指標に過ぎない可能性が指摘されています。

レポートが提示する解釈の一つとして、小規模企業ではタスクを委任できる専門スタッフが不足しているため、マーケティングのコピー作成、システム障害の調査、契約書の確認などが必要になった際、自らAIを活用せざるを得ない点が挙げられます。一方、大企業の従業員であれば、既存の専門チームや標準プロセスに委任する傾向が高くなります。ただし、これは一つの可能な解釈であり、実証された因果関係ではありません。

しかし、これらの割合はすべて、「共通業務が除外された母数」に基づいています。除外された部分を元に戻すと、見えてくる構図は大きく変わります。

共通業務を含めれば全職種で「本来の職務」が過半数

レポートの15ページでは、「汎用業務（共通業務）」を各職種のセルに加算し直してマトリクスを再計算しています。

レポート付録図A2。サブタイトル「Dark diagonal = own-occupation + shared work」は、濃い色の対角線が本来の職務と共有業務の合計であることを示しています。対角線の8つの数値は上から順に、カスタマーサポート70%、デザイン65%、エンジニアリング82%、経理・財務70%、人事70%、法務75%、マーケティング76%、営業68%です。出所：OpenAI 『Work at the Frontier』。

8つの職種はすべて65%〜82%の範囲に収まっています。前述の計算でクロスオーバー率が最も高かったカスタマーサポート（除外前は77%）もここでは70%となり、デザイン（同じく75%）は65%となっています。

Task crossover does not replace role-specific work: every occupation still retains a meaningful diagonal of same-occupation or shared activity.

タスククロスオーバーは職種固有の業務を代替するものではない。すべての職種において、自職種の本来業務または共有業務が依然として大きな割合を占めている。

『Work at the Frontier』15ページ

同時に、マトリクスの対角線以外のセルは、人々が本来の職務と他職種の業務を複合的にこなしている実態を示しています。特にマーケティングとエンジニアリングの列でその傾向が顕著です。レポート自体は「タスクの組み合わせが多様化し、AIによって職務の領域が拡大しているものの、各職種には明確な中核業務が残されている」と分析しています。

この重要な補正データは15ページに掲載されていますが、インパクトのある数値は3ページに提示されており、その間には12ページもの隔たりが存在します。

レポートが提起する2つの本質的課題

本来の職務が代替されていないとすれば、真の変化はどこに生じているのでしょうか。レポートは結論部分でこれを2つの課題として整理していますが、いずれも明確な回答は提示していません。

1つ目の課題：AIを活用して他職種の業務を行う状態が常態化した場合、それが職務定義の長期的な変化につながるのか。もしそうであれば、従業員は専門外のAI成果物を評価・判断する能力を身につける必要が生じ、組織は明確な検証・責任プロセスを構築する必要があります。

具体的には次のような状況です。プログラミング知識のないマーケティング担当者がAIを使って公式サイトの不具合を修正した場合、その修正内容の妥当性を誰が判断するのか。カスタマーサポートがAIで規制機関への回答文書を作成した場合、誰が最終署名を行うのか。前述の表2において「行政機関との交渉・連絡」業務はカスタマーサポート職種の21.4%を占めています。レポートは回答を示していませんが、この現実的な課題を明確に浮き彫りにしています。

2つ目の課題はより深刻です。公的な職業データベースは、業務が歴史的にどのように分担されてきたかを記録しています。AIによって業務の担い手が変化した場合、従来の職務記述書に基づく統計基準は現実から乖離していくことになります。そして、本レポートが分析の基準尺度として用いたのが、まさにこのO*NETなのです。

歴史的に見て、こうした曖昧化は新たな職種の創出につながる

レポートの背景説明に含まれる一節は、各種の統計数値以上に重要な示唆を含んでいます。これは本データの独自性を次のように説明しています。

Analysis of Generative AI usage offers a window into an earlier stage of the job evolution process, as workers can begin testing and recombining tasks before firms revise job descriptions or invent new job titles altogether.

生成AIの利用状況に関する分析は、職種の進化プロセスにおけるより初期の段階を捉える視点を提供する。企業が職務記述書を改定したり新しい職種名を定義したりする前に、労働者が自発的にタスクの再編成や検証を開始しているためである。

『Work at the Frontier』4ページ

従来の働き方の変化に関する研究では、求人広告や職種名、雇用統計に変化が反映されるのを待つ必要があり、その時点ではすでに変化が完了していました。一方、今回のデータが捉えたのはさらに手前の段階です。深夜にデザイナーがチャット画面を開き、本来エンジニアに相談すべき質問を入力する——こうした事象は人事記録には一切残りません。

レポートが引用する3つの研究は、この一連のプロセスの前後関係を提示しています。

3つの研究はいずれもレポートの背景章で引用されています。最後の論文『New Frontiers: The Origins and Content of New Work, 1940–2018』の共著者であるCaroline Chin氏は、本レポートの筆頭著者です。

これら3つの研究をあわせて読み解くことで、本レポートの立ち位置が明確になります。職務境界の再編は過去80年間にわたり継続しており、今回のデータはその最新の一コマを捉えたものに過ぎません。この変化の波は今後も続いていきます。

考察：変化はどこから顕在化するのか

※以下の内容は、レポートの事実に基づいて当サイトが独自に推論したものであり、レポート自体が予測しているものではありません。一つの仮説としてお読みください。

タスクのクロスオーバーがさらに進む場合、最初に変化が生じるのは職種名ではなく、日常的に使われながらも見過ごされがちな領域です。求人要件の「歓迎条件」欄が拡充され、カスタマーサポート求人に「基本的なSQLの理解」、デザイン求人に「データトラッキングの読解力」といった項目が加わるようになるでしょう。評価シートには責任の所在が曖昧な成果物が現れます。ランディングページのコピーがマーケティングと営業のどちらによるものか、双方が主張できるようになるためです。研修予算の一部は「自職種の専門性の深掘り」から「隣接職種の成果物の妥当性を判定する能力の習得」へとシフトしていきます。

その先に控えているのが責任の問題です。レポートの結論にある「従業員は専門外のAI成果物を評価・判断する能力を身につける必要がある」という指摘は、企業実務においては「最終承認権」の課題に直結します。カスタマーサポートがAIで作成した規制機関への回答文書を、法務部門がチェックすべきかどうか。チェックすれば作業効率は以前の状態に戻り、チェックしなければ問題発生時の責任の所在が曖昧になります。レポートはこの課題を提示しているものの明確な回答は与えていません。答えはデータではなく、各企業の運用プロセスの中に存在するからです。

世間で話題となっている数値は43.5%ですが、レポート内には16.8%という数値も記載されています。同一のメッセージ群でありながら数値が異なる理由は、分母の取り方にあります。メール作成や日程調整、文章校正といった誰もが行う「汎用業務」（61.5%）を分母からまるごと取り除き、残った38.5%を改めて100%として再計算することで、16.8%が43.5%へと変化するのです。

同一のクロスオーバーメッセージ（図中のドット）であっても、分母を変えることで16.8%から43.5%へと変化します。レポート自体には「rebased to 100%」という表記や「汎用業務の除外」について明記されています。この前提を落として伝えてしまっているのが、二次情報の記述です。

レポートの基準（特定の専門職种に明確に帰属する質問のみを分母とする）に従うと、8職種中5職種でクロスオーバー業務が過半数を占めており、最も高い職種と最も低い職種では3倍近くの差が見られます。

濃い色の5職種のユーザーがChatGPTで専門的な質問をする際、その多くは自身の専門外の内容です。エンジニアリングは28%と最も低い数値ですが、これはエンジニアが他領域に関わらないという意味ではありません。コード記述やデバッグ、コードレビューといった作業が本来の職務範囲に大きく留まるため分母が膨らみ、クロスオーバーの割合が薄められているのです。

レポートでは、クロスオーバーを2つの方向に分類しています。取り込みは、その職種の質問のうち他職種の業務がどれくらい含まれるかを示し、流出は、その職種の業務が他職種の質問の中にどれくらい出現するかを示します。この2つの方向は必ずしも一致しません。

左右両側は同一の目盛り（最大値40%）を使用しており、右側が全体的に短いのは実際の格差を反映しています。3つの役割を見ると、デザイン職は複数の職種の業務を自身で取り込んでいるものの、デザイン自体の業務が他者に流出することはほぼありません。エンジニアリングはその逆で、自身の本業を守りつつ業務が他者に利用されています。マーケティングは両方の値が高く、サンプル全体の中で最も他者へ供給されている業務タイプです。

利用の割合はすべて、汎用業務が除外された分母に基づいています。レポートの付録では、汎用業務を各職種自体の枠組みに算入し直した結果が示されています。それによると、8つの職種において65%〜82%の業務は「本来の職務」および「共有の汎用業務」で占められており、エンジニアリングが82%で最も高く、デザインが65%で最も低い結果となっています。タスククロスオーバーは、職種固有の核心的業務を代替しているわけではありません。