10月28日、My Electric Sparksが「Uber ChatGPT Work Rollout Covers All 30000 Employees」と題した記事を公開した。Uberが全社員約3万人にChatGPT Workを展開したというこの事例で際立つのは、初期導入者の約80%が非エンジニアだったという事実だ。「AIはまずエンジニアが使うもの」という従来の常識とは真逆の順序で、財務・オペレーション・プロダクトといったビジネス部門が先行した。
エンジニアより非エンジニアが先行した大規模展開
Uberは今年前半に1,000人規模のパイロット運用を実施し、その結果を受けて全社展開に踏み切った。UberとOpenAIは10月22日（現地時間）にこの拡張を正式発表している。
パイロット参加者の内訳を見ると、初期導入者の約80%が非エンジニアだった。財務・オペレーション・プロダクトといったビジネス部門から先行して試験導入された経緯がそのまま数字に表れている。
Uberのエンジニアリング担当バイスプレジデント、Sumanth Sukumar氏はTechCrunchに対し、パイロット期間中のユースケースを具体的に説明している。
- オペレーションデータの分析によるトレンド抽出と提言の作成
- 異なる市場・言語向けのトレーニング資料のローカライズ
- 日常業務管理のためのインタラクティブなダッシュボードの構築
いずれもコードを書く作業ではなく、業務効率化に直結するホワイトカラー向けの用途である。この結果はOpenAIがChatGPT Workの訴求対象として「あらゆる部門の業務担当者」を明示していることとも符合する。
「AI pods」——エンジニアと現場を2週間でつなぐ実験
全社展開と並行して、Uberは今年30人のAIエンジニアを社内各チームに配置し、2週間で業務の主要プロセスを自動化するという「AI pods」と呼ぶ取り組みも実施した。技術的な専門知識と現場の業務知識を組み合わせることで、どれだけの改善余地が生まれるかを検証する試みである。
「ツールを配布して終わり」ではなく、専門人材を短期集中で現場に送り込んで成果を出すというアプローチは、AI導入を推進する企業にとって参考になるモデルだ。配置期間をあえて2週間に区切ることで、改善余地の有無をすばやく判定し、次のチームへ展開するサイクルを回す設計になっている点が興味深い。元記事では各podsの具体的な成果指標は開示されていないが、このモデルを全社展開の判断材料として活用したことは示唆されている。
コストと評価指標は非公開——それでも「測る」姿勢は明確
全社展開のコストはUberから開示されていない。ただしSukumar氏は、「社員がどのように使っているか、どのようなワークフローを構築しているか、どれだけ効果的に働けているか」を継続的に追跡し、その学びを今後のAI展開に活かすと述べている。
削減コストや雇用への影響については言及がなく、「測定して学ぶ」という方針が前面に出ている。成果を定量化する前に「どう使われているか」を把握するフェーズを設けている点は、拙速なROI算出より実態把握を優先するアプローチとして読める。
OpenAIのエンタープライズ戦略における位置づけ
OpenAIはChatGPT Enterpriseをはじめとする法人向け製品ラインを拡充しており、Uberのような大規模展開の発表は、その企業顧客基盤の厚みを示す実績として機能する。競合のAnthropicもClaude for Enterpriseを法人向けに展開しており、大企業のAIプラットフォーム選定をめぐる競争は激化している。
なお、「中小企業のAI導入率が86%」という数字は元記事中で言及されているが、出典の調査名・実施主体は明記されていない。この数字の背景については元記事を直接確認されたい。
現場への示唆
記事では、展開後の実務上の留意点についても言及されている。
- 社員に対して「どのデータをツールに渡してよいか」の明確なガイドラインが必要である
- ダッシュボードや要約は見た目が整っていても誤りを含む場合があるため、出力を鵜呑みにしない運用が重要である
- 小規模なワークフローから始め、結果を確認してから判断に使う習慣が成果につながる
Uberのケースが示すのは、AIツールの導入規模よりも、現場がそれをどう使いこなすかが結果を左右するという点だ。AI podsによる短期集中配置と、80%が非エンジニアという導入順序の組み合わせは、技術部門主導ではなく業務部門主導でAI展開を設計したことの表れとも言える。
詳細はUber ChatGPT Work Rollout Covers All 30000 Employeesを参照していただきたい。
