OpenAIが2026年9月1日に公開した「Enterprise Signals」分析によれば、AI活用の上位10%の企業は一般企業の8.3倍の出力トークンを利用者あたりに生成しており、1月の2.6倍から格差が急拡大している。支援から実行へと移る企業AI導入の分岐点を、Basis・Clay・Exaの3事例と研究現場の動きから読み解く。

OpenAIは2026年9月1日、公式ブログ「How AI-native companies turn workflows into operating capability」を公開した。同社が定期分析している「Enterprise Signals」のデータでは、AI利用度上位10%の「フロンティア企業」は、1人のアクティブユーザーあたり典型企業の8.3倍の出力トークンを生成している。この倍率は2026年1月には2.6倍だった。わずか8ヶ月で3倍以上に開いたこの差は、AIの「利用の有無」ではなく「仕事の任せ方」の差であると同社は分析している。

格差の正体はトークン量ではなく「業務の委任深度」

出力トークン数そのものが価値を測る指標ではない、という点には注意が必要だ。OpenAI自身も、トークン量は「人がAIに多くの仕事を任せている」ことのシグナルにすぎず、成果はサイクルタイムや品質・コストといったワークフローの結果で測るべきだと述べている。

同社が指摘するフロンティア企業の共通点は3つある。第一に、エージェントを会社のコンテキスト（CRM・Slack・ドキュメント等）やツールに接続していること。第二に、雑務ではなく実務的な仕事を委任していること。第三に、うまくいったワークフローを再利用可能な形にして繰り返していること。つまり差はモデルの性能ではなく、業務設計の側に生まれている。

3つの事例に見る「支援」から「実行」への移行

OpenAIは具体例として3社の取り組みを紹介している。いずれも企業自身の発表であり、効果の数値は各社の主張である点に留意されたい。

会計事務所向けAIエージェントを開発するBasisでは、入社初日のオンボーディングが2時間から30分に短縮されたと報告されている。仕組みは、会社固有のオンボーディング手順をCodex用の再利用可能な「スキル」として定義し、初日に従業員がエージェントから案内を受けながら環境構築を進めるものだ。HR側は例外や頻出質問が発生するたびにスキルを更新でき、プロセスが特定の担当者の稼働状況に依存しなくなったという。

営業チーム向けの自己学習型レベニューエンジンを開発するClayは、散在する商談コンテキストの問題に取り組んだ。CRM・メール・Slack・商談資料に分散する情報を、顧客アカウントごとに専用サブエージェントが夜間にレビューして更新し、朝になると調整エージェントが優先アクションのリストに整理する。担当者は毎晩およそ1時間のメール整理が不要になったと同社は主張する。推奨の根拠となる一次ソースが常に参照できるため、営業担当者は行動前に情報を検証できる。

検索APIを開発するExa Labsでは、「Exa everywhere」と掲げる統合機会の発見から実装までを、優先順位・必要な情報源・人間によるレビューを明確にしたワークフローとしてCodexに委任している。エージェントがリポジトリを監視し、プルリクエストを作成し、テストを実行し、週次のアップデートを準備する。どの機会を追うか、外部へのコミットメントをどう管理するかは人間が決める設計だ。

3社に共通するのは、エージェントの成果物が必ずテスト・レビューを通じて人間に見える形になっている点、そして改善をワークフロー自体に組み込んでいる点である。

研究現場でも進む「実用化の加速」

産業応用の裏側では、基盤研究から実装への流れも加速している。MIT Newsが2026年9月2日に報じたところによれば、MIT-IBM Computing Research Lab出身の研究者らが、量子機械学習や信頼できるAIの研究成果をIBMの企業向けエージェントフレームワークや推論基盤に移している。

その一例がvLLM Hookだ。IBM Researchの科学者らが発表したこの手法（arXiv:2603.06588、査読前のプレプリント）は、LLM推論エンジンvLLMにプラグインとして組み込み、隠れ層の活性化といったモデル内部のシグナルからプロンプトインジェクションやハルシネーションの可能性を検出する。推論プラットフォーム上でそのまま動く軽量な設計が特徴で、安全対策を実運用に載せるための足回りと言える。

エージェントが実行を担うようになるほど、この種の「実行を見える化し、止める仕組み」の重要性は増す。MIT-IBMの事例は、企業導入のボトルネックがモデル性能から信頼性・安全性の実装へと移りつつあることを示唆している。

導入競争で効くのは「測定」と「実験の余白」

OpenAIはブログの締めで、企業リーダーへの処方箋として6段階のフレームを示している。要点は、戦略的優先度・システム・引き継ぎ・測定可能な賭け金が交わる「重要なワークフロー」を1つ選び、責任者とKPI・ベースラインを先に定義し、エージェントの職務記述書（トリガー・成果物・権限）を書き、実験の余地を残した上で、うまくいったものを標準化するというものだ。

1月から9月の8ヶ月で2.6倍から8.3倍へと開いた格差は、ツールの導入率ではなく運用の成熟度を反映している。エージェントへの委任を増やす企業と増やさない企業の差が、可視化され始めた段階だと考えられる。日本企業の多くはまだ「支援」の段階にとどまっているが、差が開き始めた初期であるほど、測定と実験の設計が後発の追い上げコストを左右することになりそうだ。