世界はAIに何を聞くかではなく、何を任せ始めたか──次の格差は「使えるか」より「渡せるか」

冒頭は記事のために生成したイメージ映像です。実機、実在施設、観測データを示すものではありません。

同じChatGPTを開いている。けれど、片方の画面には質問があり、もう片方の画面には納品物がある。

一人は「この制度を説明して」と聞く。もう一人は資料を渡し、「この条件で比較表を作り、矛盾を洗い、判断できない点には印を付けて」と頼む。

使っているmodelは同じでも、その二人が一時間後に持っているものは違う。

2026年8月6日、OpenAIは初めて、ChatGPTが世界各国でどう使われているかを示すcountry-by-country dataを公開した。

そこで見えたのは、どの国がAIへ一番たくさん質問したか、という順位だけではない。

世界の一部では、AIが「答えを聞く箱」から、「仕事を渡す場所」へ移り始めている。

そしてAIが誰にでも届くほど、次の格差はaccessの有無だけでは説明できなくなる。何を、どこまで、どんな完成条件で任せられるか。その差が静かに大きくなる。

まず、「2倍超」の読み方を間違えない

OpenAIの発表には、仕事では人々がAIを「Doing」に使う傾向が、仕事以外より2倍以上高い、とある。

ここは読み違えやすい。

「職場ではDoingがAskingの2倍」という意味ではない。

OpenAI Signals v2.0の公開CSVを見ると、2026年6月のglobal構成はこうなっている。

2倍を超えているのは、仕事に関連するmessageのDoing比率45.4%を、仕事以外のDoing比率22.0%と比べた時だ。約2.06倍になる。

仕事の中だけを見れば、DoingはAskingの約1.41倍。十分に大きいが、「2倍」ではない。

Doingは、何をしているのか

Signalsのdata dictionaryでは、利用者の意図をAsking、Doing、Expressingの三つに分類する。

• Askingは、情報や助言を求め、判断材料を増やす使い方。

• Doingは、modelが中心となってoutputを作るよう頼む使い方。

• Expressingは、情報やactionを求めず、意見や感情を表す使い方。

Doingの例には、メールを書き直す、reportを作る、project timelineを表にする、文章から企業名や日付をCSVへ抜き出す、Dockerfileを書く、といった依頼が並ぶ。

つまりDoingは、「教えて」から一歩先へ出ている。

ただし、まだ「完了した仕事」ではない。

AIがメールを書いたことと、そのメールを人間が採用したことは違う。codeを出したことと、testを通って本番へ入ったことも違う。比較表を作ったことと、意思決定が正しくなったことも違う。

Signalsが測っているのは、利用者がAIへ何を求めたかであって、仕事が成功したかではない。

OpenAI Signals公開CSV、2026年6月のconsumer accountのメッセージ分類。仕事関連／非仕事関連という分母が違い、人数や生産性の割合ではない。 図を大きく開く

BrazilではDoingが半分を超え、日本ではAskingが上回る

国別に見ると、同じChatGPTが同じ入口から使われているわけではない。

2026年6月の仕事関連messageでは、BrazilのDoingは53.3%、Askingは25.8%だった。DoingはAskingの約2.07倍になる。

一方、日本はDoing 32.0%、Asking 37.2%。この月はAskingがDoingを上回る。米国はDoing 43.2%、Asking 32.7%だった。

ここで、「Brazilは実行文化で、日本は質問文化だ」と結論づけたくなる。

でも、その物語をこのdataから作ってはいけない。

国ごとに利用者の年齢、職種、plan、言語、featureの提供状況、仕事で個人accountを使える程度が違うかもしれない。分類modelの誤差もある。そもそもconsumer planのmessageなので、企業が管理するEnterprise利用は入っていない。

国別dataが教えるのは、国民性ではない。

同じAIでも、地域によって「どの仕事の入口へ入っているか」が違うらしい。

そこから先は、職場policy、教育、産業、言語、支払い手段、利用可能な機能まで見なければ因果にはならない。

AIはtext boxから、制作机へ広がっている

もう一つ目を引くのがMultimediaだ。

2026年6月、画像の生成・分析やその他mediaの生成・取得を含むMultimediaは、global messageの7.8%を占めた。まだPractical Guidanceの32.1%、Writingの22.3%、Seeking informationの18.8%より小さい。それでもOpenAIは、年初から最も速く伸びたuse caseとしている。

Brazilでは11.9%、Colombiaでは10.4%。一割を超えた。

これは「文章生成の次に画像生成が流行った」というだけではない。

text boxへ言葉を入れ、言葉が返ってくる道具だったものが、画像を見て、絵を作り、音や映像を扱うworkbenchへ変わっている。AIへ渡せる仕事の形が、文章の外へ広がった。

ただし、ここにも留保がある。OpenAIのcompanion paperが公開したvalidationでは、topic classifierのmodelと人間多数決の一致はCohen’s κ = 0.56。modelは人間よりMultimediaやPractical Guidanceを多くlabelする傾向があった。

7.8%は公式datasetの推定値として使える。しかし、小数点以下まで揺るがない真実として扱う数字ではない。

35歳以上が増えた。でも「人数が5%増えた」ではない

早期のChatGPTは、若い利用者の道具という印象が強かった。

Signalsでは、その輪郭も変わっている。2026年6月、自己申告年齢がある成人messageのうち、35歳以上によるものは約33.6%。一年前より約5 percentage points増えた。FranceとCzechiaでは、35歳以上のshareが一年で10 points以上伸びている。

ここでも、言葉は丁寧に選ぶ必要がある。

これは35歳以上の「利用者数」が5%増えたというdataではない。年齢を自己申告した18歳以上のaccountが送ったmessageの中で、35歳以上の構成比が上がったという話だ。

それでも、若いearly adopterだけの実験場から、経験を積んだ世代の実務へ浸透している兆候としては重い。

年齢を重ねた人は、必ずしも最新UIへ最初に飛びつかない。その代わり、渡せる経験、過去例、判断基準、失敗の記憶を持っている。

AIへの委任は、操作速度だけで決まらない。何がよい仕事かを知っている人ほど、contextとacceptance criteriaを渡せる可能性がある。

自己申告年齢を持つmessageの構成比(利用者数そのものの増加ではない)。 図を大きく開く

次のAI格差は「持っているか」から「任せられるか」へ

これまでのdigital divideは、まず接続の有無だった。

端末があるか。internetへつながるか。料金を払えるか。自分の言語で使えるか。

それらは今も消えていない。World BankはAI participationの土台をconnectivity、compute、context、competencyの「4Cs」と整理する。OECDの2025年dataでも、生成AI利用には年齢で53.6 points、学歴・所得でそれぞれ約21 pointsのgapがある。

accessは、まだ大きな問題だ。

ただ、同じ画面が開くようになった後にも差は残る。

「おすすめを教えて」と聞く人。「三案作って」と頼む人。自分の資料を渡し、制約と判断軸を添え、事実確認を分け、失敗した箇所だけを直させ、次回のtemplateまで残す人。

全員がAIを使っている。それでも、AIが引き受けている仕事の深さは違う。

この差を考えるために、Asking / Doingをもう少し細かくした五段階を置いてみたい。OpenAIの公式分類ではなく、実務を見るための編集上の物差しだ。

1. Ask — 情報、説明、選択肢を聞く。

2. Make — メール、画像、code、表などを一つ作らせる。

3. Shape — 自分の素材と制約を渡し、編集、変換、比較を任せる。

4. Finish — 完成条件、参照元、禁止事項、検証手順を渡し、受理可能な成果物まで進めさせる。

5. Compound — 成功条件、修正履歴、template、evidenceを残し、次のtaskを安く正確にする。

上へ行くほどAIが偉くなるわけではない。

むしろ、人間が「何をもって完成とするか」をはっきり持つ必要がある。任せる範囲が広がるほど、context、権限、停止条件、review、責任の設計は重くなる。

深い委任は、判断の放棄ではない。判断を先に言語化することだ。

「たくさん任せた」と「成果が出た」の間には、検品台がある

AIの利用を語る時、回数やmessage数、token量は測りやすい。

別の母集団を扱うEnterprise Signalsでは、上位企業が典型的な企業の8.3倍のoutput tokensを生成していると報告された。しかしOpenAI自身、「tokenはbusiness valueの不完全な尺度で、短い回答が大きな価値を持ち、長い回答がほとんど価値を持たないこともある」と明記している。

Consumer SignalsのDoingも同じだ。taskを頼んだことは見える。成果までは見えない。

その注意を具体的に示す反例がある。

World Bankが公開したPeruのrandomized controlled trialでは、Limaの公立小学校390校、6年生担当教員1,269人を対象に、一日の生成AI training、Microsoft Copilot license、八か月のfollow-upを提供した。

利用は増えた。prompt qualityも、弱いAI outputを見抜く力も改善した。しかもgainは、当初遅れていた年長の教員で大きかった。

一方、七つの主要taskで時間短縮は確認されなかった。

だから「AI trainingは無駄だった」ではない。速さ以外の力が育ったのだ。

同時に、「使わせれば時間が浮く」「Doingが増えれば生産性が上がる」とも言えない。

AI導入の測定には、少なくとも三つの検品台が要る。

• 採用率 — 出力をそのまま、または修正後に使えたか。

• 修正コスト — 人間が直すのに何分、何回かかったか。

• 蓄積 — 次回に使えるsource、template、checklistが残ったか。

AIへ渡した量ではなく、検品を通った仕事で見る。

一週間だけ、「何回使ったか」を数えるのをやめる

自分がAIを質問箱として使っているのか、仕事を任せる基盤として使い始めたのか。これは利用時間のscreen captureだけでは分からない。

一週間、一日一件だけ、普段自分でやっているtaskを選んで記録してみる。

一日目は、同じtaskを「教えて」と「作って」の二通りで試す。二日目は、自分の素材を渡す。三日目は、合格条件を三つ付ける。四日目は、事実確認とrisk確認を別stepにする。

五日目は、失敗した時に全部を作り直させず、失敗箇所だけを直す。六日目は、成功promptではなく、成功条件と手順をtemplateにする。

七日目、「何回AIを使ったか」ではなく、何件が採用できたか、修正に何分かかったか、何が次回へ残ったかを見る。

そこで初めて、自分のAI利用が質問から仕事へ移ったかが分かる。

質問する力の次に、仕事を渡す力が来る

Askingは古くならない。

よい問いは、未知を開く。医療、法務、経営、教育では、安易に実行させず、問いを重ねる方が正しいこともある。

だから、Askingが多い国を遅れていると呼ぶべきではない。Doingが多い人を賢いと決めるべきでもない。

変化は、質問が消えることではない。

質問して理解し、必要な時には仕事へ変え、完成条件を渡し、結果を検品し、次へ残せること。

AIが広がるほど、modelへのaccessは少しずつcommodityになる。そこから先の差は、人間が持つ目的、経験、判断、そして委任の設計に移る。

世界がAIへ何を聞いているか。その問いはまだ重要だ。

でも、次の競争を決めるのは、もう一つ先かもしれない。

世界はAIに、何を任せ始めたか。

そして私たちは、返ってきたものを、何をもって「仕事になった」と認めるのか。

※本記事は2026年8月20日時点のOpenAI Signals v2.0、関連methodology、companion paper、およびWorld Bank・OECD一次資料を参照した。Signalsは毎月300,000件のconsumer ChatGPT message sampleを基にし、Free / Go / Plus / Pro accountを対象とする。Enterprise、Codex、削除済みaccount、training opt-out userは含まれない。意図・topicはLLM classifierによる推定であり、message単位のtask成功、利用者数、生産性、文化的因果を示すものではない。Signals dataはCC BY 4.0。