日本でChatGPTを使っている人は、いま何％くらいいるのでしょうか。
日本リサーチセンターが全国20〜69歳を対象に行った2026年6月のWeb調査では、**ChatGPTを「現在利用している」人は30.3％**でした。さらにGeminiやCopilotなどを含む生成AI全体では、利用経験率が56.3％、現在利用率が50.4％に達しています。20〜69歳では、生成AIを現在使っている人がすでに半数を超えたことになります。
ただし、もう一つ興味深い数字があります。
NIRA総合研究開発機構が就業者を対象に行った2026年2月調査では、**仕事で生成AIを月1回以上定期的に使っている人は27％**でした。定期利用者の74％は、生成AIによって仕事の効率が向上したと答えています。
二つは調査対象も設問も違うため、「50.4％から27％を引けば、仕事で使えていない人が23.4％いる」という比較はできません。それでも、現在の日本で起きていることは見えてきます。
生成AIに触れることは珍しくなくなった。しかし、自分の仕事の進め方そのものをAIによって変えている人は、まだ多数派とは言えない。
この時間差こそ、いまAIを使い始める意味を考えるうえで重要です。
日本ではChatGPTが約3割、生成AI全体では半数が利用中
まず、数字の意味をもう少し正確に見ておきましょう。
「日本人の何％がChatGPTを使っているのか」という問いには、一つの数字だけで答えない方が安全です。「一度でも使った」のか「現在使っている」のか、対象年齢はどこまでか、どのような方法で調査したのかによって数字は変わります。
日本リサーチセンターの2026年6月調査は、全国20〜69歳の男女を対象としています。そのため、30.3％をそのまま「日本国民全員の厳密な割合」と考えることはできません。ただ、20〜69歳の利用状況を見る目安としては、ChatGPTがすでに一部の技術好きだけのサービスではなくなっていることが分かります。
同じ調査では、ChatGPTの利用経験率は38.4％でした。現在利用率を見るとChatGPT30.3％、Gemini29.0％、Copilot15.0％で、40代・50代ではGeminiがChatGPTを上回っています。
つまり、「生成AI＝ChatGPT」という最初の段階から、用途や利用環境に応じて複数のAIを選ぶ段階へ、すでに移り始めています。
仕事での利用も急速には伸びています。
NIRAの調査では、生成AIを仕事で定期利用する人は2023年10月の12％から、2025年7月には22％、2026年2月には27％まで増えました。よく使われているのは、情報収集・検索、文章生成、要約、校正・編集などです。現段階では、AIが何もかも自律的に処理する働き方が一般化したというより、日常業務の一部へ徐々に入り込んでいる途中と見る方が実態に近いでしょう。
ここで次の問いが出てきます。
誰もがAIを使うようになったら、「AIを使えること」そのものに価値は残るのでしょうか。
「ChatGPTを使える人」が評価されるわけではない
「生成AIの利用者が増えている。だから、これからはAIを使える人が評価される」
こう言ってしまえば簡単ですが、少し話が粗いと思います。ChatGPTを開いて質問を入力できること自体は、利用者が増えるほど特別な能力ではなくなります。
見るべきなのは、AIを使った結果として、以前より高い成果を出せるかどうかです。
世界経済フォーラムの「Future of Jobs Report 2025」では、2030年までに重要性が最も速く増すスキルの1位に「AIとビッグデータ」が挙げられています。一方で、創造的思考、柔軟性、継続的学習、リーダーシップ、分析的思考など、人間側の能力も重要性が増すと予測されています。
1,000社を超える企業の見通しをまとめた同報告では、働くうえで必要とされる既存スキルの39％が、2030年までに変化するか、古くなると予測されています。
これは「AIの操作方法だけ覚えればよい」という話ではありません。むしろ、AIの能力が上がるほど、人間が持っている専門性や判断力をどうAIと組み合わせるかが重要になると読む方が自然です。
PwCが2026年に公表した「Global AI Jobs Barometer」でも、AIスキルを要求する求人は求人市場全体より速く伸びています。また、求人広告上では、AIスキルを求める求人に平均62％の賃金プレミアムが確認されています。
ただし、この数字は6大陸の10億件以上の求人広告を分析した世界規模の結果です。「ChatGPTを使えば日本で給料が62％上がる」という意味ではありませんし、AIスキルだけが賃金差の原因だと示す数字でもありません。
むしろ興味深いのは、PwCが、AIによって専門家の能力が増幅される「professionalised」な仕事では、人間側の判断、専門性、創造性、リーダーシップなどがより重視される傾向を指摘していることです。
したがって、「AIを使いこなす人の価値が高まる」と言うのであれば、より正確にはこうでしょう。
AIを操作できる人ではなく、自分の専門性・文脈・判断基準・検証方法をAIへ接続し、以前より高い成果へ変換できる人の価値が高まる可能性がある。
この記事で考えたいのは、この能力です。
プロンプトからコンテキスト、ハーネスへ——広がったのは「人間が設計する範囲」
生成AIを追っていると、「プロンプトエンジニアリング」の次に「コンテキストエンジニアリング」が登場し、最近では「ハーネスエンジニアリング」という言葉まで目にするようになりました。
次々に新しい専門用語が作られているようにも見えますが、三つを並べると、AIの使われ方がどのように変わってきたのかをかなり分かりやすく整理できます。
| 概念 | 主に設計するもの | 問い |
|---|---|---|
| プロンプトエンジニアリング | 指示 | AIに何を、どう頼むか |
| コンテキストエンジニアリング | AIが参照する情報 | AIは何を知ったうえで判断するか |
| ハーネスエンジニアリング | 実行環境・ツール・検証 | AIをどこで働かせ、どう失敗を検出するか |
プロンプトエンジニアリングが主に扱うのは、モデルへ渡す「指示」です。何をしてほしいのか、どんな形式で回答してほしいのか、何をしてはいけないのかを言葉にします。これは今でも重要です。
ただ、AIへ一問一答ではなく、複数工程を含む仕事を任せるようになると、良い指示文を書くだけでは足りなくなります。
Anthropicは2025年9月、コンテキストエンジニアリングを、モデルが望ましい行動を取れるよう、推論時に利用できる情報全体を適切に構成・維持する問題として説明しています。そこには指示文だけでなく、会話履歴、外部データ、ツール、MCPなども含まれます。
さらにOpenAIは2026年2月、Codexを使った開発経験を「Harness engineering」という言葉で整理しました。
3人のエンジニアが約5か月にわたりCodexを使ってソフトウェアを構築した実験では、約1,500件のPull Requestがマージされました。OpenAIによると、このプロジェクトでは手書きコードを1行も使わず、アプリケーションロジックだけでなく、テスト、CI設定、ドキュメント、監視機能、内部ツールまでCodexによって記述されています。
そこで人間側の重要な仕事になったのは、コードを一行ずつ書くことより、エージェントが迷わず働ける構造を用意することでした。
仕様は明確か。必要な情報へたどり着けるか。テストによって失敗を検出できるか。間違った方向へ進んだときに修正できるか。
つまり、変わっているのは流行語ではありません。
人間がAIに対して設計する範囲が、「指示」から「情報」、さらに「仕事を完了できる環境全体」へ広がっているのです。
Claude Code、Codex、GitHub Copilotは「未来の働き方」の先行実験
この変化が分かりやすく先行しているのが、ソフトウェア開発です。
Claude Codeは2025年2月24日、研究プレビューとして登場しました。特徴的だったのは、単に「このコードを書いて」と頼むのではなく、ターミナル上から相当量のエンジニアリング作業をClaudeへ委任するという体験を、一つの製品として提示したことです。
OpenAIも2025年5月16日、クラウド型ソフトウェアエンジニアリングエージェントとしてCodexの研究プレビューを公開しました。機能追加、バグ修正、コードベースについての質問、Pull Requestの提案などを、独立したクラウド環境で実行する設計です。2026年2月には、複数のエージェントを並行して管理するCodexアプリも登場しました。
さらにGitHubでは2026年2月、CopilotだけでなくClaudeやCodexにもIssueやPull Requestなどから仕事を割り当てられる仕組みがパブリックプレビューとして公開されました。2026年8月には、エージェントのスキルやMCPサーバーを一つの形式にまとめ、対応する複数のエージェントクライアントで利用するためのAgent Plugins 1.0も公開されています。
細かな製品競争を追うとキリがありません。ここで見るべきなのは、「ClaudeとCodexのどちらが勝つのか」でも、「Copilotに何機能増えたのか」でもありません。
重要なのは、人間がAIへ指示する対象が、
「この文章やコードを作って」から、「この仕事を完了して」へ移っていることです。
AIが一つの成果物を返す道具から、複数の工程を進める存在になるほど、人間側には「何を完成とするか」「何を参考にさせるか」「どこで確認するか」を設計する能力が必要になります。
これは、プログラマーだけの話なのでしょうか。
AIが強くなるほど、専門知識はいらなくなるのか
Anthropicが2026年6月に公表したClaude Codeの利用研究は、この問いを考えるうえで興味深い結果を示しています。
同社は2025年10月から2026年4月までの約40万件のClaude Codeセッションを、プライバシーに配慮した方法で分析しました。その結果、典型的なセッションでは、人間が「何をするか」という計画判断のおよそ70％を担う一方、Claudeが「どう実行するか」という実行判断のおよそ80％を担っていました。
つまり、
人間が目的を決め、AIが実行方法の多くを担当する
という分業が見えてきます。
さらに興味深いのは、専門性との関係です。ただし、ここは研究の方法を正確に理解する必要があります。
Anthropicは利用者へ試験を実施して専門性を測定したわけではありません。会話ログから、その利用者が当該タスクについてどれほど専門性を示しているかをClaudeが5段階で推定しています。指示の具体性、何を検証させるか、利用者とClaudeのどちらが間違いを修正しているか、といった要素が判断材料です。
その指標では、タスクについて高い専門性を示すセッションほど、一回の指示からClaudeが行う作業量が多くなり、成功率も高くなる傾向が確認されました。もっとも、Anthropic自身も、実世界で成果物がその後実際に使われたかまでは測定できておらず、すべての分類が会話ログをモデルで分析した結果であることを研究上の限界として挙げています。
ここには一見すると逆説があります。
AIが賢くなれば、人間は何も知らなくても仕事ができるようになると思われがちです。しかし少なくともこの研究からは、AIが実行部分を多く担当できるようになっても、「何をすべきか」「何がおかしいか」を判断するためのタスク固有の知識が、依然として成果と関係していることが示唆されます。
この傾向が他の職種や仕事にもそのまま当てはまるとは限りません。それでも、自分の分野を理解している人ほどAIへ渡せる仕事の単位を大きくできる可能性がある、という仮説を考えるうえでは興味深い結果です。
ベテランの経験は「AIに渡せる資産」になり得る
この視点を、プログラマー以外の仕事へ置き換えて考えてみます。
たとえば営業担当者が長年の経験から、「この条件の案件は受注確度が高く見えても、最終決裁で失注しやすい」と知っているとします。
経理担当者なら、「原則はこの処理だが、月末のこの取引だけは別ルールになる」という例外を知っているかもしれません。製造現場なら、「数値上は正常範囲でも、この音と振動が同時に出たら故障の前兆を疑う」という感覚を持つ人もいるでしょう。
こうした例は、Claude Codeの研究によって営業・経理・製造で効果が実証されたという意味ではありません。
ただし、現在のAIが、与えられたコンテキストや判断基準をもとに仕事を進める仕組みであることを考えると、長年の仕事で蓄積された知識をAIが利用できる形へ変換することには意味があります。
本人の頭の中にしかなかった判断基準を言語化し、過去の資料や良い例・悪い例と一緒に渡せば、それはAIが仕事を進める際の材料になります。
だからAI時代に重要なのは、若いかベテランかという単純な話ではないのかもしれません。
経験があるかどうか以上に、その経験をAIが利用できる形へ変換できるかどうか。
この能力によって、長年蓄積した経験を、本人が直接手を動かす仕事以外にも広げられる可能性があります。
AIによって経験が価値を失うと決めつけるより、経験をAIへ渡せる人は、その経験の射程を広げられるかもしれないと考える方が、現在の技術変化には合っているように思います。
「AIを使いこなす力」は、操作から設計へ移っている
ここまでを整理すると、「AIを使える」という言葉の意味自体が変わり始めています。
最初の段階では、ChatGPTを開き、質問できるだけでも新しい能力でした。次に、良いプロンプトを書き、望む回答を引き出せる人が注目されました。
しかしAIへ任せられる仕事が大きくなるにつれて、それだけでは足りなくなっています。
必要になるのは、何を達成したいのかを定義し、必要な資料や背景情報を渡し、どこまでAIへ任せるかを決めることです。さらに、正しい結果と間違った結果を見分け、失敗したときに修正できる仕組みまで考えなければなりません。
言い換えれば、AIを使いこなす力は、少しずつ**「操作する能力」から「仕事を設計する能力」へ広がっています。**
そして、この変化が続くのであれば、自分の仕事そのものを理解していることの価値はむしろ大きくなります。
何が重要か分からない人は、何をAIへ渡せばよいかも分かりません。良い成果物を知らなければ、AIの回答を評価できませんし、例外を知らなければ、もっともらしい間違いを見抜くことも難しくなります。
AIを使うほど人間側に何もいらなくなるのではなく、人間側の知識の「使われ方」が変わる。
現時点では、この捉え方の方が実態に近いのではないでしょうか。
参考書を全部読んでから始める必要はない
だから、「まずAIについて勉強して、十分詳しくなってから使おう」という順番には少し問題があります。
書籍や講座が不要という意味ではありません。ただ、モデル名、画面、料金、機能はかなり速く変わります。Claude Codeが登場し、Codexが拡張し、GitHubの中から複数のエージェントを使えるようになったように、製品同士の境界すら短期間で変化しています。
一方で、比較的変わりにくい能力があります。
目的を決めること、必要な情報を揃えること、仕事を適切な単位へ分けること、成果物を確認すること。そして、間違っていれば条件を追加してやり直させることです。
だから最初に必要なのは、参考書を何冊も読み終えることではありません。
自分が本当に必要としている仕事を一つ、AIと一緒に最後まで終わらせることです。
たとえば文章を一度直してもらって「すごい」で終わるのではなく、過去の資料も渡し、「ここは違う」と修正し、根拠を確認し、実際に誰かへ提出できる状態まで仕上げてみる。
そこまでやると、「AIに質問する」と「AIを使って仕事をする」の違いが見えてきます。
半年後より今日一度使う方がいい理由は「先行者利益」ではない
AIについて「早く始めた方が得だ」と言うと、先に始めた人だけが得をする先行者利益の話に聞こえるかもしれません。
しかし、AIについて早く始める価値は少し違います。使う回数が増えるほど、**「自分の仕事のどこならAIへ渡せるのか」**という解像度が上がっていくからです。
最初はメールを直してもらうだけだった人が、次は過去のメールも渡すようになる。その次には、自社のルールや判断基準を、機密情報の扱いに注意しながらAIへ伝えるようになるかもしれません。
さらに進めば、「この条件なら人間へ戻す」「この数字がおかしければ再確認する」といった検証方法まで考えるようになります。
後から専門用語を付ければ、プロンプトからコンテキスト、ハーネスへ進んだとも言えますが、利用者が最初から用語を覚える必要はありません。
実際の仕事をAIへ渡してみると、「情報が足りない」「指示が曖昧だった」「ここはAIに任せてはいけない」といったことが次々に見えてきます。その失敗と修正の蓄積が、AIを使う力になります。
何から始めればよいか分からないのであれば、AIにこう聞くだけでも構いません。
「AI初心者です。私が普段している仕事について質問し、その中からAIに任せられそうな作業を一つ見つけ、実際に一緒に終わらせてください」
そして、一回の回答で終わらせず、「なぜそう判断したのか」「この条件を追加するとどう変わるか」「間違っている可能性がある部分はどこか」「実際に使える状態にするには、あと何が必要か」と往復してみてください。
その往復こそが、AIを使う経験です。
まとめ——AIが一般化した後、人間の何に差がつくのか
2026年6月、日本リサーチセンターの全国20〜69歳調査では、ChatGPTの現在利用率は30.3％、生成AI全体では50.4％でした。
一方、NIRAが就業者を対象に行った2026年2月調査では、仕事で生成AIを月1回以上定期利用する人は27％です。
生成AIそのものを知らないことが大きな差だった時代は、終わり始めています。
では、AIが誰にでも使える道具になった後、人間の何に差がつくのでしょうか。
現在のデータやエージェント技術から考えると、答えの一つは見え始めています。
AIを操作できるかどうかではありません。
自分が何をしたいのかを定義できること。必要な背景や専門知識をAIへ渡せること。どこまで任せるかを決められること。そして、出てきた結果が正しいかを判断し、必要なら修正できることです。
AIが高度になるほど、人間の専門知識が不要になるとは限りません。少なくともClaude Codeの利用研究では、タスクについて高い専門性を示すセッションほどAIへ多くの仕事を任せられ、成功率も高いという関係が確認されています。ただし、これはClaude Code上の会話ログをもとにした研究であり、あらゆる職種で同じ結果になることを直接示すものではありません。
それでも、実行部分をAIへ任せられるようになるほど、「何をすべきか」「何がおかしいか」を知っていることが重要になる、という方向性には十分注目する価値があります。
ベテランが何年もかけて身につけた経験も、それをAIへ渡せる形にできれば、新しい使い道が生まれるかもしれません。
だから「これからAIを使いこなす人が評価される」という言葉を使うなら、単に「AIをたくさん使う人」という意味では足りません。
自分の専門性・文脈・判断・検証をAIへ接続し、成果へ変換できる人。
その能力の価値が、これから高まっていく可能性があります。
Claude Code、Codex、GitHub Copilotのどれが最終的に勝つのかを見届けてから始める必要はありません。製品が変わっても、目的を伝え、情報を揃え、仕事を任せ、結果を検証する経験は残ります。
AIを使いこなす人への一歩は、AIについて詳しくなった瞬間から始まるのではありません。
自分の現実の仕事を一つ、AIと一緒に最後まで終わらせたところから始まります。
H2 参考情報
日本リサーチセンター「生成AIについて 2026年6月調査」
NIRA総合研究開発機構「第4回デジタル経済・社会に関する就業者実態調査」
World Economic Forum「Future of Jobs Report 2025」
PwC「2026 Global AI Jobs Barometer」
Anthropic「Effective context engineering for AI agents」
Anthropic「Agentic coding and persistent returns to expertise」
Anthropic「Claude 3.7 Sonnet and Claude Code」「Introducing Claude 4」
OpenAI「Harness engineering: leveraging Codex in an agent-first world」
OpenAI「Introducing Codex」「Introducing the Codex app」
GitHub「Agent HQ」「Claude and Codex coding agents」
