OpenAI AIスコアカード、成果単価で見る部門導入判断

OpenAI は 2026年7月17日、AI導入を測るための「AI age scorecard」を公開した。焦点は、新モデルの単純な性能比較ではない。AIがどれだけ有用な仕事を生み、成功した仕事1件あたりいくらかかり、どれだけ人間の修正やエスカレーションを減らせるかを見るという考え方である。

日本企業にとって、この更新は OpenAI AI投資管理 の続きとして読むべきだ。前回の投資管理記事は、使用量、支出、承認、追加容量をどう管理するかが中心だった。今回の scorecard は、その管理を何の成果指標に結びつけるかを示している。

さらに、ChatGPT agent廃止とWork移行 や ChatGPT業務AI課金開始 で見たように、ChatGPT はチャットだけでなく、調査、資料、表計算、Codex、業務エージェントへ広がっている。だから、これからのAI導入判断は「何人に配ったか」ではなく、「どの業務が成功し、その成功にいくらかかったか」に移る。

事実: OpenAIは4つの測定軸を示した

OpenAIの記事は、AIの価値を4つの問いで整理している。

1つ目は、AIがどれだけ有用な仕事を生み出しているかである。単なる出力数ではなく、利用者が実際に使える成果物になったかを見る。要約、調査、コード、表計算、スライド、顧客対応の下書きなど、仕事の種類ごとに測る必要がある。

2つ目は、成功した仕事1件あたりのコストである。token単価や月額料金だけではなく、完了までに使ったモデル、再試行、出力、修正、人間レビューを含めて見る。安いモデルでも、何度も失敗して人間が直すなら総費用は下がらない。

3つ目は、AIの出力がどれだけそのまま使えるかである。OpenAIは、結果を Ready to use、Needs correction、Needs escalation のように分けて追う考え方を示している。これは日本企業の現場にかなり向いている。なぜなら、AIの品質を抽象的な満足度ではなく、修正量と承認負荷で説明できるからだ。

4つ目は、利用が増えたときに1ドルあたりの成果が改善しているかである。利用者数や実行回数が増えても、修正や再作業が同じ割合で増えるなら、スケールしたとは言いにくい。逆に、標準プロンプト、ナレッジ、評価、承認線が整い、同じ費用で成功した仕事が増えるなら、AI投資は複利的に効いている。

事実: GPT-5.6とChatGPT Workの文脈につながる

OpenAIは同じ記事で、GPT-5.6の効率や、ChatGPT Work、Codex、APIをまたぐ企業利用を文脈に置いている。GPT-5.6の発表では、モデルの性能だけでなく、出力tokenの効率、長時間のエージェント作業、CodexやAPIでの利用条件が強調された。

ここで大事なのは、モデルが強くなるほど測定が簡単になるわけではない点だ。むしろ、AIが長い仕事を担うほど、途中の検索、ツール利用、ファイル参照、コード変更、レビュー、承認が増える。成果を測る単位を決めないと、費用だけが先に見える。

ChatGPT Workの発表も同じ方向である。OpenAIは、Workを接続済みアプリ、ファイル、文書、表計算、プレゼン、レポート、Sitesを扱う作業面として位置づけている。これは ChatGPT横断検索 のような過去作業の再利用ともつながる。AIが過去文脈を探し、成果物を作り、部門業務をまたぐほど、単発の会話品質ではなく、業務フロー全体の成功率を見なければならない。

分析: 日本企業は席数管理から成果管理へ移る

ここからは分析である。

日本企業のAI導入は、まず席数と月額で議論されやすい。何人にChatGPTを配るか、どの部署でPoCするか、どのモデルを標準にするか。この段階では、管理もしやすい。しかし、Work、Codex、Workspace Agents、Excel/Sheets、PowerPointのような機能が入ると、同じ席を持つ人でも費用と価値が大きく変わる。

たとえば、営業担当が顧客訪問前に短い要約を作る使い方と、毎朝CRM、Slack、Driveを読んで商談準備を生成する使い方は、同じChatGPT利用ではない。開発者がCodexで小さなテストを追加する使い方と、長時間のリポジトリ移行を任せる使い方も違う。経営企画がExcelで単発の式を直す使い方と、複数ファイルを読ませて月次レポートを更新する使い方も違う。

だから、見るべき単位はユーザーではなく業務である。営業準備1件、問い合わせ分類100件、月次資料更新1回、テスト済みPR1件、法務レビュー下書き1件のように、仕事の単位を決める。そのうえで、AI費用、人間レビュー時間、修正回数、承認待ち、再実行回数を測る。

この粒度にすると、AIの価値を経理や事業部門へ説明しやすくなる。「AI費用が増えた」ではなく、「商談準備1件あたりの作業時間が30分減り、追加creditsはこの範囲に収まった」と言える。逆に、費用は小さくても修正が増えた業務は、止めるか設計を変える判断ができる。

実務: Ready、Correction、Escalationを台帳に入れる

最初に作るべきなのは、大きなAI ROIダッシュボードではない。まずは部門別のAI業務台帳でよい。列は、業務名、owner、利用者、入力データ、接続アプリ、出力先、利用モデル、月次上限、承認者、成功条件、停止条件にする。

その上に、3つの品質結果を置く。

Ready to use は、AI出力がそのまま使える状態である。営業メールなら担当者が事実確認だけで送信準備に進める。コードならテストが通り、レビューに出せる。資料なら会議で使える水準になっている。

Needs correction は、人間の修正が必要だが、AI出力が下書きとして価値を持つ状態である。文章の言い回し、表の一部、コードの細部、出典の補足、スライド構成の修正などが該当する。ここはAI導入の初期には多くてもよいが、運用が進んでも減らないなら、プロンプト、参照データ、モデル、承認線を見直すべきだ。

Needs escalation は、人間が引き取らないと進まない状態である。前提が間違っている、参照データが足りない、顧客影響が大きい、法務判断が必要、コード変更が危険、データ更新をAIに任せられない、といったケースである。これは失敗として隠すのではなく、どの業務では人間判断が必須かを見つける材料にする。

この3分類を月次で見れば、AIの導入品質が分かる。利用量が増えてもReady比率が上がり、Correction時間が下がり、Escalation条件が明確なら、導入は進んでいる。逆に、実行回数だけ増えてCorrectionとEscalationが増えるなら、AIは現場の仕事を減らしていない。

注意点: 数字だけで自動化を広げない

成果単価を測れるようになると、次に起きる誘惑は「成果が出た業務をすぐ自動化する」ことである。しかし、これは危ない。

AIの成果が高い業務ほど、重要なデータやシステムへ近づきやすい。営業、採用、経理、法務、開発、サポートでは、AIが読むデータの範囲と、実行してよい操作を分ける必要がある。monthly credit limit は費用の上限であって、顧客情報や社外秘ファイルへのアクセス許可ではない。

特に、ChatGPT WorkやCodexが外部アプリ、ローカルファイル、ブラウザ、開発環境を使う場合、承認線を先に決めるべきだ。AIが下書きを作るのはよいが、顧客へ送信する、契約条件を変更する、本番データを更新する、破壊的コマンドを実行する、外部サービスへファイルを渡す、といった操作は別の扱いにする。

日本企業では、AI推進部門が成果単価を作り、情シスが接続アプリとIDを管理し、セキュリティがデータ分類を見て、経理が費用配賦を確認し、事業部門が業務ownerになる形が現実的だ。どれか1部門だけでは、AIの費用、品質、リスクを同時に説明できない。

まとめ

OpenAIのAI scorecardは、AI導入を「便利だったか」から「成功した仕事1件あたりの成果と費用」へ移すためのフレームである。GPT-5.6やChatGPT Workのように、AIが長い業務を担うほど、この見方は重要になる。

日本企業が今やるべきことは、AIを止めることでも、全社に一気に広げることでもない。まず、繰り返し使う業務を選び、Ready / Correction / Escalation を記録し、成果単価と承認線を同じ台帳で見ることだ。席数、token単価、利用回数だけでは、ChatGPT Work時代のAI投資は説明できない。

出典

• A scorecard for the AI age - OpenAI, 2026-07-17
• GPT-5.6: Frontier intelligence that scales with your ambition - OpenAI, 2026-07-09
• ChatGPT is now a partner for your most ambitious work - OpenAI, 2026-07-09