今日のトレンドに戻る: OpenAIの新AI、パソコンの事務作業を半額で代行
Poly ランキング · 今日のトレンドから

AIエージェントに何ができるか?オフィス作業10種のランキング(2026年)

米国の労働者の5人に1人は、AIが自分の作業を少なくとも1つ完全に引き受けたと答えている。しかし、記録を付ける仕事をしている人のうちAIを使っているのは25%だけだ。

  • 1位:ファイルの並べ替えと名前変更
  • 10 位まで

01最終リスト

主要なAIがそれぞれ独立して 10 位までのリストを作りました。確認しやすい 1 つの結果です。各順位に理由、出典、その項目を入れた AI の一覧があります。

並び順:AIの合意が多い順です。

明るいバッジは、その AI がこの項目を自分のリストに入れたことを示します。薄いバッジは入れなかったことを示します。

  1. 1

    ファイルの並べ替えと名前変更

    どのAIも最初に挙げた。間違ったフォルダーはひと目で分かり、ドラッグして戻せば取り消せる。このカテゴリーの成功率を公表しているベンチマークはない。

    選んだ AI: Claude, Meta, Grok, Gemini, Nova, Kimi, DeepSeek, Qwen.

    各 AI のリストでの順位: Claude: 1 · Meta: 1 · Grok: 1 · Gemini: 1 · Nova · Kimi: 1 · DeepSeek: 1 · Qwen: 1

    各 AI の指摘 8
    • Claude1 位

      ここでのミスは、通常は元に戻せて、一目で分かります。確認には数秒しかかからないため、成功率が控えめでも安全です。

      出典 ↗
    • Meta1 位

      ミスのコストはゼロ。エージェントは60%の精度でも、データ入力職の年収中央値$41,340と比べて時間を節約できます。

      出典 ↗
    • Grok1 位

      ファイル管理のタスクは、OSWorldで最も成功率の高い分野の一つです。ミスのコストが低く、画面で確認しやすいので、控えめな成功率でも安心して任せられます。

      出典 ↗
    • Gemini1 位

      ベンチマークの成功率が92%で、取り消しコストがゼロの「元に戻す」コマンドと組み合わせると、事務作業で人の時間を85%節約できます。

      出典 ↗
    • Nova

      この AI のリストでは別の名前です。リスト全体を開いてください。

    • Kimi1 位

      ミスの修正に数秒しかかからない、唯一の作業群です。ファイル名の間違いや誤ったフォルダは、目に見えて元に戻せます。エージェントはOSWorldのファイル作業で、ベンチマーク内で最高水準の成功率に達しています。

      出典 ↗
    • DeepSeek1 位

      34%のエージェントでも時間を節約できる、唯一の作業です。間違ったフォルダは、ドラッグして戻すだけで直せます。やり直しの手間ではありません。

    • Qwen1 位

      成功率が高く、金銭的なリスクはゼロです。ミスは、ファイルを元のフォルダに戻すだけで済みます。

      出典 ↗
    8つのAIがここに選出
  2. 2

    表計算の整理とデータ分析

    データ分析は、全面的に任される率が最も高いタスク(7.1%)だ。ベンチマークの結果はばらつく。簡単なCalcのタスクでは最大97.87%、完全なMBABench-2.0の構築では16%。

    選んだ AI: Claude, Meta, Grok, Gemini, Nova, Kimi, DeepSeek, Qwen.

    各 AI のリストでの順位: Claude: 4 · Meta: 4 · Grok: 5 · Gemini: 5 · Nova · Kimi: 4 · DeepSeek: 6 · Qwen: 2

    各 AI の指摘 8
    • Claude4 位

      データ分析は、労働者の7.1%が任せている最も多い作業です。ただし古いOfficeWorldのテストでは、基準のモデルはWord、Excel、PowerPointの作業で21~23%程度でした。

      出典 ↗
    • Meta4 位

      OSWorld 1.0ではタスクあたり30回のツール呼び出し、2.0では318回です。短い表計算の編集は、人間の基準値72.36%に近づいています。

      出典 ↗
    • Grok5 位

      LibreOffice Calcのタスクは、トップのエージェントがOSWorld-Verifiedで高得点です。ただし数式や複数シートのロジックが絡むと、まだ抜き取り確認が必要です。

      出典 ↗
    • Gemini5 位

      81%のシートで文字列の整形と見出しの照合を自動化しますが、構文の異常には、まだ確認が必要です。

      出典 ↗
    • Nova

      この AI のリストでは別の名前です。リスト全体を開いてください。

    • Kimi4 位

      単一アプリの表計算は、ベンチマークの数字が最も強い作業です。WorkArena-L1のトップのエージェントは、単一の企業タスクの90.3%をクリアします。

      出典 ↗
    • DeepSeek6 位

      トップの表計算エージェントは、MBABench-2.0のタスクの16%を通過し、デバッグの正確さは12%です。だから、すべてのセルにもう一組の目が必要です。

      出典 ↗
    • Qwen2 位

      エージェントは構造の整理をうまくこなし、Excelの「元に戻す」ボタンのおかげで、人による確認も苦になりません。

      出典 ↗
    8つのAIがここに選出
  3. 3

    PDFと書類からのデータ抽出

    仕事の文書を全文読ませる作業を既に任せている労働者は5.7%いる。出力は書き直すのではなく、元のページと照らして確認できる。

    選んだ AI: Claude, Meta, Grok, Gemini, Kimi, DeepSeek, Qwen. 選ばなかった AI: Nova.

    各 AI のリストでの順位: Claude: 2 · Meta: 3 · Grok: 6 · Gemini: 2 · Kimi: 3 · DeepSeek: 2 · Qwen: リストを見る

    各 AI の指摘 7
    • Claude2 位

      業務文書の読解は、すでに最も任されている作業の一つで、労働者の5.7%が利用しています。元の資料と照らし合わせて抜き取り確認できる成果物です。

      出典 ↗
    • Meta3 位

      コード実行による構造化された抽出は、手作業のコピー&ペーストと比べて、取り消しのコストが低く、時間の節約が大きい作業です。

      出典 ↗
    • Grok6 位

      文書の作業はOSWorldで多く見られます。対象の形式が明確で、後工程に使う前に出力を確認すれば、抽出は成功しやすいです。

    • Gemini2 位

      視覚エージェントは、複数ページにわたる雑然とした領収書を89%の精度で読み取り、合計金額だけを抜き取り確認すれば済みます。

      出典 ↗
    • Kimi3 位

      すべてのセルが人の目で抜き取り確認できる場所に入るため、最も安全な抽出の仕事です。GPT-6.1 Terraの発表は、まさにこの請求書とフォームの地道な作業を中心に作られていました。

      出典 ↗
    • DeepSeek2 位

      LlamaParse AgenticはParseBenchで84.88点です。人による確認は、1行ずつの監査ではなく、2分の抜き取り確認です。

      出典 ↗
    • Qwen

      この AI のリストでは別の名前です。リスト全体を開いてください。

      リストを見る
    7つのAIがここに選出
  4. 4

    ウェブでの調べものと閲覧

    エージェントは読むだけで、何も変更しない。ただし得点は、あるブラウジングのベンチマークでは78.0%なのに、日常的なタスクでは23.5%と大きく振れる。そのため情報源は今も開いて確かめる必要がある。

    選んだ AI: Claude, Meta, Grok, Gemini, Kimi, DeepSeek, Qwen. 選ばなかった AI: Nova.

    各 AI のリストでの順位: Claude: 3 · Meta: 2 · Grok: 2 · Gemini: 3 · Kimi: 5 · DeepSeek: 3 · Qwen: 7

    各 AI の指摘 7
    • Claude3 位

      エージェントは情報を集めるだけで、何も変更しません。OSWorld 2.0の解説では、Claudeは動的な環境や、複数の情報源をまたぐ推論でより良い結果を出すとされています。

      出典 ↗
    • Meta2 位

      エージェントは価格ページを読み、ベンダーを監視なしで比較できるようになりました。WorkArenaのWebタスクでの成功率は42.7%から55%です。

    • Grok2 位

      Microsoftのデータでは、職場でのAI利用の中心は意思決定の支援と情報検索(27.5%と13%)です。労働者はすでにこれらを自由に任せています。

      出典 ↗
    • Gemini3 位

      閲覧エージェントは、複数サイトの市場カタログを確実にまとめ、元のライブデータを変えるリスクはゼロです。

    • Kimi5 位

      エージェントは今や、タブをまたいだ情報収集で人より速くなっています。しかし記録上の最良の誤り率は、まだ4.3%です。ゼロではなく、幻覚(ハルシネーション)の許容枠です。

      出典 ↗
    • DeepSeek3 位

      Browser Use Cloudは閲覧で78.0%ですが、ClawBenchの日常タスクでは、Claude Sonnet 4.6は23.5%まで下がります。確認こそが仕事です。

      出典 ↗
    • Qwen7 位

      エージェントはタブをまたいでデータを集められますが、幻覚で作られた情報源には、人による一行ずつのファクトチェックが必要です。

      出典 ↗
    7つのAIがここに選出
  5. 5

    CRMの記録更新

    この作業を記録している人のうち、AIを使っているのは25%だけで、調査した10項目で最も低い。ツールを使うエージェントは64〜84%に達するが、画面を操作するオープンなエージェントはセールスフォースで5%未満だ。

    選んだ AI: Claude, Meta, Grok, Gemini, Kimi, DeepSeek, Qwen. 選ばなかった AI: Nova.

    各 AI のリストでの順位: Claude: 6 · Meta: 7 · Grok: 7 · Gemini: 7 · Kimi: 7 · DeepSeek: 7 · Qwen: 3

    各 AI の指摘 7
    • Claude6 位

      記録を管理する労働者のうち、AIを使っているのは25%だけで、測定された全作業の中で最も低い割合です。記録の気づきにくい誤りを警戒しているためです。

      出典 ↗
    • Meta7 位

      WorkArenaのCRMタスクの成功率は42.7%のみです。顧客データは元に戻しにくいため、人による確認が必要です。

    • Grok7 位

      複数アプリや企業向けUIのワークフローは、まだ難しいままです(WorkArenaのリストフィルターは0%近く)。確認が手早くできる、影響の小さい項目だけ安全です。

      出典 ↗
    • Gemini7 位

      ベンチマークの正確さは74%で、確認しなければ連絡先項目の4分の1が壊れたままになります。顧客への連絡の正確さを損なう恐れがあります。

      出典 ↗
    • Kimi7 位

      単一の CRM 編集は90.3%で合格しますが、同じServiceNowの作業の複合的なワークフロー版は2.1%に崩れます。この88ポイントの差こそ、人の確認が必要な場所です。

      出典 ↗
    • DeepSeek7 位

      CRM-Agent-Benchの厳密な成功率は64.32~83.60%ですが、SCUBAのSalesforce画面テストでは、オープンソースのコンピュータ操作エージェントは5%未満です。APIと画面は別の世界です。

      出典 ↗
    • Qwen3 位

      エージェントは複数タブのフォームも簡単に扱えますが、営業担当は保存する前に、重要な顧客情報の更新をまだ確認します。

      出典 ↗
    7つのAIがここに選出
  6. 6

    経費の入力と請求書の計上

    Fable 5.1は請求書の入力を72%正しく行う。最も優れた人間のテスター(51%)を上回るが、誤る28%は金銭や監査記録に関わる。

    選んだ AI: Claude, Meta, Grok, Gemini, Kimi, DeepSeek, Qwen. 選ばなかった AI: Nova.

    各 AI のリストでの順位: Claude: 9 · Meta: 9 · Grok: リストを見る · Gemini: 9 · Kimi: 9 · DeepSeek: 8 · Qwen: 5

    各 AI の指摘 7
    • Claude9 位

      払い戻しや監査ログに関わる、小さなデータ入力の作業です。データ入力の職種は、2023年から2033年にかけて25.9%減少すると予測されています。

      出典 ↗
    • Meta9 位

      お金に関わります。90%正確なエージェントでも、一行ずつの確認が必要なら、まったく時間の節約になりません。

      出典 ↗
    • Grok

      この AI のリストでは別の名前です。リスト全体を開いてください。

      リストを見る
    • Gemini9 位

      経費の誤入力は監査の罰則を招きます。財務担当者の68%は、領収書の完全な確認を求めています。

      出典 ↗
    • Kimi9 位

      事務職の時給はおよそ$21~22です。経費の入力を一行ずつ確認するコストは、入力そのものとほぼ同じです。まさにここで、節約は消えてしまいます。

      出典 ↗
    • DeepSeek8 位

      Fable 5.1は、請求書の入力タスクの72%を通過し、最も優れた人間の51%を上回ります。しかし、失敗した28%はお金を動かしかねません。

      出典 ↗
    • Qwen5 位

      エージェントは日付や合計を簡単に拾えますが、経理が小切手を切る前に、人が支払いを承認しなければなりません。

      出典 ↗
    7つのAIがここに選出
  7. 7

    支払い、電信送金、給与処理

    1ステップの正答率が98%なら、20ステップのタスクが最後まで成功するのは約67%にとどまる。OpenAI、Anthropic、グーグルはいずれも、金銭に関わる作業には人の承認を求めるよう勧めている。

    選んだ AI: Claude, Meta, Grok, Gemini, Kimi, DeepSeek, Qwen. 選ばなかった AI: Nova.

    各 AI のリストでの順位: Claude: 10 · Meta: リストを見る · Grok: リストを見る · Gemini: 10 · Kimi: 10 · DeepSeek: 10 · Qwen: 10

    各 AI の指摘 7
    • Claude10 位

      20ステップで1ステップ98%の成功率でも、最後まで成功するのは約67%です。取り消せない支払いにとって、それは安全とは程遠い数字です。

    • Meta

      この AI のリストでは別の名前です。リスト全体を開いてください。

      リストを見る
    • Grok

      この AI のリストでは別の名前です。リスト全体を開いてください。

      リストを見る
    • Gemini10 位

      精度88%でも、誤った銀行の振込先入力は取り返しがつかないため、一行ずつの人の承認が必要です。

      出典 ↗
    • Kimi10 位

      90%の正確さがまったく役に立たない作業です。銀行振込に入る10%の誤りだけが、誰の記憶にも残ります。

      出典 ↗
    • DeepSeek10 位

      ベンチマークは不要です。OpenAI、Anthropic、グーグルのいずれも、お金、契約条件、認証情報には人の承認を残すよう勧めています。

      出典 ↗
    • Qwen10 位

      人が最後まで関与すべき究極のタスクです。エージェントのクリックの誤りが、会社の資金を一瞬で流出させかねません。

      出典 ↗
    7つのAIがここに選出
  8. 8

    フォーム入力(支払いを伴わないもの)

    新モデルの目玉の用途だが、端から端までのフォーム・ベンチマークでは、複数ファイルのフォームで43.31、指示だけのフォームで15.5にとどまる。すべての欄はなお確認が必要だ。

    選んだ AI: Claude, Meta, Gemini, Nova, Kimi, DeepSeek. 選ばなかった AI: Grok, Qwen.

    各 AI のリストでの順位: Claude: 8 · Meta: 8 · Gemini: 4 · Nova · Kimi: 8 · DeepSeek: 5

    各 AI の指摘 6
    • Claude8 位

      90%の精度のエージェントでも、人は各項目を確認しなければなりません。データ入力の時給の中央値(約$19.88)で計算すると、その確認時間で節約分が消えることがあります。

      出典 ↗
    • Meta8 位

      GPT-6.1 Terraはフォーム入力向けに作られています。前モデルより15ポイント高いものの、それでも38%は外れます。

      出典 ↗
    • Gemini4 位

      サービスナウのWorkArenaで84.8%の完了率を達成し、繰り返しの手入力を70%減らします。

      出典 ↗
    • Nova

      この AI のリストでは別の名前です。リスト全体を開いてください。

    • Kimi8 位

      フォームは、Terraの販売の主な売りです。「フォームへの記入」はOpenAI自身の例ですが、エンドツーエンドの企業向けフォームのワークフローは、依然として最も弱いベンチマーク分野のままです。

      出典 ↗
    • DeepSeek5 位

      CRAFTは複数ファイルのフォームでE2E(エンドツーエンド)43.31に達しますが、指示のみのフォームでは15.5です。フォームは簡単ですが、指示はそうではありません。

      出典 ↗
    6つのAIがここに選出
  9. 9

    ITサービスポータルのチケットと依頼

    単一ステップのサービスナウのタスクは、集計ボードで79.1〜90.3%に達する(スナップショットによって異なる)。サービスカタログのフォームは、GPT-4oでも77.8%に達していた。

    選んだ AI: Claude, Grok, Gemini, Qwen. 選ばなかった AI: Meta, Nova, Kimi, DeepSeek.

    各 AI のリストでの順位: Claude: 5 · Grok: 4 · Gemini: 6 · Qwen: 6

    各 AI の指摘 4
    • Claude5 位

      WorkArena-L1では、集計サイトによると上位エージェントは約79.1%、同じ時点でのL2の最高は約69.4%です。古いモデルはすべて、リストの絞り込みで0%でした。

      出典 ↗
    • Grok4 位

      WorkArenaのサービスカタログのタスクは、GPT-4o級のモデルで約78%に達しました。UIは一般的で、ミスは見つけやすいです。

      出典 ↗
    • Gemini6 位

      WorkArenaのスコアでは、社内のインシデントの振り分けで79.5%の正確さを示し、顧客向けの連絡は一切出しません。

      出典 ↗
    • Qwen6 位

      WorkArenaでのエンドツーエンドの成功は、パスワードの再設定では安定していますが、ハードウェアの申請には、まだ人の承認が必要です。

    4つのAIがここに選出
  10. 10

    複数アプリにまたがる作業

    最も難しいケース:OSWorld 2.0で厳格な完全完了の最高値は48.7%で、これはAnthropicの自己申告だ。一方、論文での公式な最高の実行は20.6%で完了していた。

    選んだ AI: Claude, Meta, DeepSeek, Qwen. 選ばなかった AI: Grok, Gemini, Nova, Kimi.

    各 AI のリストでの順位: Claude: 7 · Meta: 10 · DeepSeek: 9 · Qwen: リストを見る

    各 AI の指摘 4
    • Claude7 位

      OSWorld 2.0の解説では、複数アプリの作業が最も難しいケースとされ、1つのタスクで最大5つのアプリを使います。最高の完全達成率は48.7%です(Anthropic発表)。

      出典 ↗
    • Meta10 位

      OSWorld 2.0の中央値は1.6時間、318回のツール呼び出しです。短いタスクでは完全達成率20~24%、長いタスクでは崩れます。

      出典 ↗
    • DeepSeek9 位

      OSWorld 2.0の最良のエージェントは、平均318回のツール呼び出しを要する108の複数アプリのワークフローのうち、20.6%を完全に完了します。5件中4件は、まだ人の確認が必要です。

      出典 ↗
    • Qwen

      この AI のリストでは別の名前です。リスト全体を開いてください。

      リストを見る
    4つのAIがここに選出

トップ3をもっと詳しく ↓

02トップ3をもっと詳しく

ランキングは上にあります。ここでは上位3つについて、それが何か、なぜここにあるのか、知っておきたいことを紹介します。

三つは異なる物差しで比べられています。ファイル整理を採点するベンチマークはなく、残りの二つも基準の違う調査やテストに基づいています。

1ファイルの並べ替えと名前変更

1位 — ファイルの並べ替えと名前変更. 8 の AI のうち 8 がリストに入れた/そこでの順位の中央値:1. ミスはすぐ目に付き、ファイルを戻すだけで取り消せるので、確認は数秒で済みます。

知っていましたか

  • 2026年2月、あるベンチャーキャピタリストは、妻のデスクトップを片付けるよう頼まれたAIエージェントが、約15年分の家族写真が入ったフォルダーを削除してしまったと語っています。アップルのサポートがiCloud経由で復元したとのことです。データベースはこれを申し立てとして扱っています。

どんなものか
AIエージェントに、ファイルをフォルダーに入れたり名前を変えたりさせること。
強み
三つの中で、ミスが最も見つけやすく、取り消しも最も簡単です。
知っておくべき人
散らかったフォルダーを持つ人向け。任せ始めるのに最もリスクが小さい作業だとわかります。
  • 安全に任せられる度合いドラッグで戻せば取り消せる
ここにある理由
  • ファイル整理だけを採点するベンチマークはありません。近い物差しは、ファイル作業を含むコンピューター操作全般のテスト、OSWorldです。初期のテストでは、人は72.36%を超える課題を終えた一方、最良のAIは12.24%しか達成できませんでした。

  • 2026年の調査では、働く成人の20%が、同僚や外注先に任せていた業務のうち少なくとも一つを、今はAIが担っていると答えました。この調査にはファイル整理の数字はありませんが、そこのミスは見つけやすく、取り消しも簡単です。

歴史
  • 1981年、ゼロックスは、デスクトップ画面をオフィスのように使えるコンピューター「Star」を発売しました。価格は16,595ドルで、大企業を狙った製品でした。それでも「数万台」が売れたとされています。

気をつけたい点
  • 首位評価は取り消しやすさに基づいていますが、ある記事では、読み取りは元に戻せる一方、名前の変更・移動・削除は戻せないと指摘しています。整理されたテスト用フォルダーではうまくいくものの、実際のアカウントで問題が起きるとも付け加えています。

  • 同じ記事は、誤作動するエージェントが40個のファイルの名前を間違って変えたり、顧客に誤った文書を共有したりしかねないと警告しています。削除などの取り返しのつかない操作にはシートベルトが必要なので、実行させる前にプレビューを確認するよう勧めています。

さらに知るには
  • 散らかったフォルダーのコピーで、Finderの一括名前変更を試してみてください。ファイルを選択して右クリックし、「名前の変更」を選んでから「フォーマット」で連番を追加します。おかしいと思ったら、Command-Zで取り消せます。

トップ3を比べる ↓

2表計算の整理とデータ分析

2位 — 表計算の整理とデータ分析. 8 の AI のうち 8 がリストに入れた/そこでの順位の中央値:4. 人々が最も多く全面的に任せている作業ですが、ベンチマークの結果は大きくばらついているため、結果は確認が必要です。

知っていましたか

  • 2025年12月、Simularは、自社のAgent SがOSWorldで72.6%の成功率に達し、人間の基準値72.36%をわずかに上回ったと発表しました。これは同社自身の発表であり、人間の数値は元のテスト条件で計測されたものです。

どんなものか
AIエージェントに、スプレッドシートを整理させ、中のデータを分析させること。
強み
他の二つの作業より多くの人が、全面的に任せています。
知っておくべき人
数字を扱う人向け。大きな作業は今でも失敗が多いことがわかります。
  • 安全に任せられる度合い7.1%が全面的に任せている
ここにある理由
  • 働く人が最も多く全面的に任せているのはデータ分析で、調査対象の7.1%です。業務文書の読み取りの5.7%を上回ります。データ分析をする人の46%が、そのためにAIを使っています。

  • 大きなスプレッドシートの作成ははるかに難しい課題です。金融の専門家向けの101問からなるMBABench 2.0では、最良のAIの構成でも正答率は15.8%(101問中16問)でした。他の構成のほとんどは8%以下でした。

歴史
  • 1978年、ダン・ブリックリンは、ハーバード大学の教授が黒板の数字を消すのを見て、コンピューターでできると考えました。1979年に発売された表計算ソフトVisiCalcは、その年に売られたアップルIIの25%以上で使われたと報じられています。

気をつけたい点
  • 同じテストで、ChatGPTは途中で諦め、筆者に分析を一人でやるよう求めました。エージェントが最後までやり遂げても、使う前に合計を生データと照らし合わせて確認してください。

人々の声
  • And to my surprise, I discovered that not a single partner mention count done by ChatGPT was right. — Rolf Mistelbacher

さらに知るには
  • グーグルのスプレッドシートの「探索」パネルが、平易な質問にピボットテーブルで答える仕組みを読んでみてください。小さなサンプル表から始め、各回答を信頼する前に生の行と照らし合わせてください。

トップ3を比べる ↓

3PDFと書類からのデータ抽出

3位 — PDFと書類からのデータ抽出. 8 の AI のうち 7 がリストに入れた/そこでの順位の中央値:2.5. すでに多くの人が任せており、出力は元のページと照らし合わせて抜き取りで確認できるので、打ち直す必要がありません。

知っていましたか

  • アドビの取締役会は、かつてPDF形式の開発を打ち切ろうとしたことがあります。普及は遅れました。アドビのAcrobatは有料でしたが、リーダーはバージョン2.0以降無料でした。

どんなものか
AIエージェントに、PDF、フォーム、請求書からデータを取り出させること。
強み
結果はすべて元のページと比べられるので、確認がすばやく済みます。
知っておくべき人
書類を扱う人向け。表など、どの部分をより注意深く見るべきかがわかります。
  • 安全に任せられる度合い5.7%が全面的に任せている
ここにある理由
  • 業務文書を読む人の39%が、そのためにAIを使っています。データ分析の46%とは差があります。全面的に任せている割合は5.7%で、データ分析の7.1%を下回るため、人々はこの作業を今も自分で確認しています。

  • ある独立したテストでは、AWS Textractが請求書の項目を91.3%の確率で正しく読み取りました。表の解析は弱く、GPT-4oとグーグルのDocument AIはいずれも38.5%でした。表は元のページと照らし合わせて確認すべき部分です。

歴史
  • 1990年、アドビの共同創業者ジョン・ウォーノックは、紙のページをデジタルファイルに変える計画「Camelot」の論文を書きました。それが後のPDFになり、1993年6月15日に正式に発表されました。

気をつけたい点
  • UiPathの利用者が、ツールがでたらめな値を作り出している請求書を一件見つけ、単価と時間を前の明細行から取ってきたのではないかと疑いました。数件だけでなく、すべての数字を元のページと照らし合わせて確認してください。

    出典 ↗ ✓ 複数の AI が確認
  • 請求書と表を使った五つのAIモデルのテストでは、感心させられるものがあった一方で、合計額を作り出したり見出しを無視したりするものもありました。結果はツールによって大きく違います。

トップ3を比べる ↓

トップ3を並べて

ファイルの並べ替えと名前変更表計算の整理とデータ分析PDFと書類からのデータ抽出
AI のリスト入り8 / 88 / 87 / 8
安全に任せられる度合いドラッグで戻せば取り消せる7.1%が全面的に任せている5.7%が全面的に任せている
1位にした AIClaude, Meta, Grok, Gemini, Kimi, DeepSeek, Qwen——

AI の数が同じ順位は、各 AI のリストでの平均順位で並べています。

03知っておきたいこと

AI がリストを作る中で気づいたこと。

ベンチマークでエージェントが最も得意とする作業を、労働者はそのまま任せてはいない。全面的な委任では、データ分析(7.1%)と文書の読み取り(5.7%)が先頭だが、記録を付ける人でAIを使うのは25%だけだ。

気づいた AI:
選んだ AI: Claude. 選ばなかった AI: Meta, Grok, Gemini, Nova, Kimi, DeepSeek, Qwen.
出典 ↗

単一ステップと複数ステップの結果は、異なるエージェントと異なる年のものだ。WorkArena-L1のボードでは約79〜90%だが、2024年のWorkArena++のタスクではGPT-4oが2.1%。人間は93.9%を完了している。

気づいた AI:
選んだ AI: Claude, Grok, Kimi, DeepSeek, Qwen. 選ばなかった AI: Meta, Gemini, Nova.
出典 ↗

信頼が利用に追いついていない。AIエージェントにタスクを任せても安心だと強く同意する従業員は27%にとどまる。

気づいた AI:
選んだ AI: Kimi. 選ばなかった AI: Claude, Meta, Grok, Gemini, Nova, DeepSeek, Qwen.
出典 ↗

AIの作業をどれだけ直す必要があるかについて、調査の結果は食い違う。エポック・AIとイプソスの調査では、AIの成果物の66%がそのまま、または軽い修正だけで使われる。一方、Asanaの調査では、労働者の54%がAIの成果をやり直すか直している。

気づいた AI:
選んだ AI: Claude. 選ばなかった AI: Meta, Grok, Gemini, Nova, Kimi, DeepSeek, Qwen.
出典 ↗

待つ時間も費用の一部だ。ある研究では、エージェントが行間を変えるのに12分かかった。人なら数分でこなす作業だ。

気づいた AI:
選んだ AI: Claude. 選ばなかった AI: Meta, Grok, Gemini, Nova, Kimi, DeepSeek, Qwen.
出典 ↗

04よくある質問

AIエージェントは何ができますか?

ファイルの整理、PDFからのデータ抽出、調べもの、1ステップで済むITポータル作業をこなせ、集計サイトの成績は79〜90%です。長い複数アプリ作業での厳格な完了率は、最高でもまだ48.7%です。

出典 ↗
どの事務作業をAIエージェントに任せられますか?

まずはファイルの整理や書類の読み取りなど、元に戻せる作業から始めましょう。働く人の5.7%はすでにこれらを完全に任せています。CRMの記録、経費、支払いは人が確認を続けてください。

出典 ↗
AIでの自動タスクはどう作ればいいですか?

範囲が狭く、結果を確認できる作業を選び、GPT-6.1 Terra(100万トークンあたり$1/$5)のようなコンピュータ操作モデルを使います。ステップ数と費用に上限を設定し、お金に関わる作業には承認を必須にしてください。

出典 ↗
事務作業のエージェントのベンチマークスコアがこれほど違うのはなぜですか?

テストする操作方法と作業の長さが異なるためです。CRMのエージェントは、API経由では64〜84%ですが、画面上でセールスフォースを操作させると5%を下回ります。

出典 ↗

05集計方法

数式なしで、やさしい言葉で。

1質問

AIエージェントが今日任せられる事務作業ベスト10、そして人の確認がまだ必要なもの

2このテーマを選んだ理由

ラボでの成功率と、働く人が実際にどこまでエージェントに任せているか、確認にかかる時間を比べると、読者が今すぐ任せられる日常業務がわかります。単一のベンチマークや調査ではそれはわかりません。

3対象範囲

対象範囲:世界の事務・知識労働全般。フォーム入力、表計算、CRMの更新、PDFからの抽出、ファイルの整理、経費入力、ウェブ閲覧、複数アプリにまたがる作業

4評価の観点

  • ベンチマークにおけるその種類の作業のエージェント成功率(OSWorldの分類、WorkArena)
  • その作業をすでにAIに任せている、または任せることを拒否している働く人の割合
  • エージェントの作業を人が確認・修正するのにかかる時間。手作業でやる場合と比べて
  • ミスの代償:お金、顧客データ、元に戻しにくい記録に関わるかどうか
  • OSWorld 2.0(XLang Lab、Snorkelの解説記事)— 長時間のデスクトップ・複数アプリ作業での成功例と失敗パターン。分類別の割合は公表されていません
  • WorkArena(ServiceNow Research、原論文)— 企業向けウェブ業務の最後までの成功率:GPT-4oで約42.7%、リスト絞り込みでは0%
  • WorkArena-L1ランキングのスナップショット(集約サイト)— 第三者のBrowserGym取り込みによる単一ステップのサービスナウ業務。一次情報源とは照合していません
  • エポック・AI / イプソス調査(2026年7月)— 米国の労働者1,106人のうち、10の業務それぞれを完全にAIに任せている人の割合

5順位をつけた AI

主要なAI:Claude, Meta, Grok, Gemini, Nova, Kimi, DeepSeek, Qwen。それぞれが独自に10位までのリストを作り、各順位に出典を示しました。

6順位の決め方

AI ごとに表現が違っても同じ項目は一つとして数えました。より多くの AI がリストに入れ、より上位に置いた項目ほど順位が高くなります。「AI の一致」は、その項目を自分のリストに入れた AI の数を示します。出典は AI 自身が見つけたものだけで、手作業での追加はありません。

06各 AI のリスト

🇺🇸 Claude10 位まで · メモ 4 件

同じ質問に Claude だけが答えたものです。上の最終リストはすべての AI をまとめています。

  1. 1
    ファイルの並べ替え、名前変更、書類の整理

    ここでのミスは、通常は元に戻せて、一目で分かります。確認には数秒しかかからないため、成功率が控えめでも安全です。

    出典 ↗
  2. 2
    書類の読み取りとPDFからのデータ抽出

    業務文書の読解は、すでに最も任されている作業の一つで、労働者の5.7%が利用しています。元の資料と照らし合わせて抜き取り確認できる成果物です。

    出典 ↗
  3. 3
    ウェブでの調べものと閲覧

    エージェントは情報を集めるだけで、何も変更しません。OSWorld 2.0の解説では、Claudeは動的な環境や、複数の情報源をまたぐ推論でより良い結果を出すとされています。

    出典 ↗
  4. 4
    表計算の分析と整理(下書き、数式)

    データ分析は、労働者の7.1%が任せている最も多い作業です。ただし古いOfficeWorldのテストでは、基準のモデルはWord、Excel、PowerPointの作業で21~23%程度でした。

    出典 ↗
  5. 5
    ITサービスポータルの定型作業とチケット

    WorkArena-L1では、集計サイトによると上位エージェントは約79.1%、同じ時点でのL2の最高は約69.4%です。古いモデルはすべて、リストの絞り込みで0%でした。

    出典 ↗
  6. 6
    CRMの記録更新(金額に関係しない項目)

    記録を管理する労働者のうち、AIを使っているのは25%だけで、測定された全作業の中で最も低い割合です。記録の気づきにくい誤りを警戒しているためです。

    出典 ↗
  7. 7
    複数アプリにまたがる作業(ツール間のデータコピー)

    OSWorld 2.0の解説では、複数アプリの作業が最も難しいケースとされ、1つのタスクで最大5つのアプリを使います。最高の完全達成率は48.7%です(Anthropic発表)。

    出典 ↗
  8. 8
    フォーム入力(お金に関係しないもの:登録、アンケート、申請)

    90%の精度のエージェントでも、人は各項目を確認しなければなりません。データ入力の時給の中央値(約$19.88)で計算すると、その確認時間で節約分が消えることがあります。

    出典 ↗
  9. 9
    経費の入力と報告

    払い戻しや監査ログに関わる、小さなデータ入力の作業です。データ入力の職種は、2023年から2033年にかけて25.9%減少すると予測されています。

    出典 ↗
  10. 10
    お金を動かすフォーム(支払い、請求書、給与、銀行振込)

    20ステップで1ステップ98%の成功率でも、最後まで成功するのは約67%です。取り消せない支払いにとって、それは安全とは程遠い数字です。

Claude が気づいたこと

最も任されている作業は、ベンチマークでエージェントが最も得意とする作業とは限りません。労働者は、データ分析(7.1%)、文書の読解(5.7%)、記録管理(5.3%)を任せています。一方、記録を管理する人のうちAIを使うのは25%だけです。

1ステップごとの信頼性は積み重なります。1ステップ98%で20ステップだと、最後まで約67%です。OSWorld 2.0のタスクは平均300ステップ以上です。

行間隔を変えるだけのエージェントの12分の実行は、節約の反対側を示しています。浮いた時間は、エージェントの待ち時間と、その作業の確認に使うことになるかもしれません。

この研究で流通している実務家の主張によると、事務作業は「カーブ評価は効かない」、つまり例外は認められません。人がすべての出力を確認するなら、省力化はできていません。

🇺🇸 Meta10 位まで · メモ 2 件

同じ質問に Meta だけが答えたものです。上の最終リストはすべての AI をまとめています。

  1. 1
    ファイルの並べ替えと整理

    ミスのコストはゼロ。エージェントは60%の精度でも、データ入力職の年収中央値$41,340と比べて時間を節約できます。

    出典 ↗
  2. 2
    ウェブの閲覧と調べもの収集

    エージェントは価格ページを読み、ベンダーを監視なしで比較できるようになりました。WorkArenaのWebタスクでの成功率は42.7%から55%です。

  3. 3
    PDFからのデータ抽出

    コード実行による構造化された抽出は、手作業のコピー&ペーストと比べて、取り消しのコストが低く、時間の節約が大きい作業です。

    出典 ↗
  4. 4
    表計算の書式設定と数式

    OSWorld 1.0ではタスクあたり30回のツール呼び出し、2.0では318回です。短い表計算の編集は、人間の基準値72.36%に近づいています。

    出典 ↗
  5. 5
    文書の編集と変換

    GPT-6.1 Terraは、OpenAIによると技術的なコミュニケーションに優れ、提案書の作成や図面の読み解きができます。

    出典 ↗
  6. 6
    メールの下書きと要約

    就業している成人の38%が、仕事のタスクにチャットボットを使っています。任せる割合が最も高く、ミスのコストは低い作業です。

    出典 ↗
  7. 7
    CRMのデータ入力と更新

    WorkArenaのCRMタスクの成功率は42.7%のみです。顧客データは元に戻しにくいため、人による確認が必要です。

  8. 8
    フォーム入力(金銭以外)

    GPT-6.1 Terraはフォーム入力向けに作られています。前モデルより15ポイント高いものの、それでも38%は外れます。

    出典 ↗
  9. 9
    経費報告と請求書入力

    お金に関わります。90%正確なエージェントでも、一行ずつの確認が必要なら、まったく時間の節約になりません。

    出典 ↗
  10. 10
    お金や顧客データを扱う複数アプリの作業

    OSWorld 2.0の中央値は1.6時間、318回のツール呼び出しです。短いタスクでは完全達成率20~24%、長いタスクでは崩れます。

    出典 ↗

Meta が気づいたこと

ファイル整理は、成功率が60%と控えめでも、取り消しのコストがゼロです。一方、90%正確でも、お金を動かすフォーム入力には人の全件確認が必要です。だから、ファイル整理がフォーム入力より上位に来ることがあります。

米国労働統計局(BLS)の賃金統計では、データ入力の中央値は$41,340(時給約$20)です。キャッシュ利用で$0.31のエージェント実行では、価値を決めるのは確認時間です。

🇺🇸 Grok10 位まで · メモ 3 件

同じ質問に Grok だけが答えたものです。上の最終リストはすべての AI をまとめています。

  1. 1
    ファイルの並べ替えと整理(2026年)

    ファイル管理のタスクは、OSWorldで最も成功率の高い分野の一つです。ミスのコストが低く、画面で確認しやすいので、控えめな成功率でも安心して任せられます。

    出典 ↗
  2. 2
    情報収集と調べもの(2026年)

    Microsoftのデータでは、職場でのAI利用の中心は意思決定の支援と情報検索(27.5%と13%)です。労働者はすでにこれらを自由に任せています。

    出典 ↗
  3. 3
    重要度の低い下書きと要約(2026年)

    文章の下書きや要約は、最もよくあるAI作業の一つです。社内向けの下書きなら、確認は速く、ミスのコストも低いです。

    出典 ↗
  4. 4
    簡単なサービスカタログと一般的なフォーム入力(2026年)

    WorkArenaのサービスカタログのタスクは、GPT-4o級のモデルで約78%に達しました。UIは一般的で、ミスは見つけやすいです。

    出典 ↗
  5. 5
    構造化されたデータ元からの表計算へのデータ入力(2026年)

    LibreOffice Calcのタスクは、トップのエージェントがOSWorld-Verifiedで高得点です。ただし数式や複数シートのロジックが絡むと、まだ抜き取り確認が必要です。

    出典 ↗
  6. 6
    金銭以外の記録のPDF・書類からの抽出(2026年)

    文書の作業はOSWorldで多く見られます。対象の形式が明確で、後工程に使う前に出力を確認すれば、抽出は成功しやすいです。

  7. 7
    重要度の低いCRM項目の更新(2026年)

    複数アプリや企業向けUIのワークフローは、まだ難しいままです(WorkArenaのリストフィルターは0%近く)。確認が手早くできる、影響の小さい項目だけ安全です。

    出典 ↗
  8. 8
    基本的なメールの仕分けと定型返信(2026年)

    Thunderbirdのような作業は、Verifiedの表で良い点を取ります。労働者はすでに下書きにAIを使っていますが、個人的な、または機密のメールには、まだ人が一度目を通す必要があります。

    出典 ↗
  9. 9
    経費と精算の入力(2026年)

    OSWorld 2.0の長いワークフローでよくあります。途中までは進むことが多いものの、完全達成は少なく、1つのミスでお金が動いたり、監査の問題が起きたりします。

    出典 ↗
  10. 10
    お金を動かす、または公式記録を更新するフォーム(2026年)

    90%の正確さでも、一行ずつの確認が必要になり、節約した時間が消えることがあります。多くのシステムでは、ミスのコストは高く、取り返しがつきません。

    出典 ↗

Grok が気づいたこと

Microsoft Work Trend Indexのデータでは、意思決定と情報検索がAI利用の大半を占め、単純な作業の自動化は小さいです。労働者は今もAIの出力を出発点として扱っています。

WorkArena++の複合的な企業向けタスクは、ほぼ解けていません(GPT-4oは約2.1%、人間は93.9%)。多段階のCRMやIT業務には、今も多くの人の監督が必要です。

一般的なナレッジワーカーは、確認と修正に多くの時間を「botsitting(エージェントの番)」として費やしています。重要な作業では、確認の時間が速さの利点を打ち消すことがあります。

🇺🇸 Gemini10 位まで · メモ 3 件

同じ質問に Gemini だけが答えたものです。上の最終リストはすべての AI をまとめています。

  1. 1
    ローカルファイルの整理とフォルダのアーカイブ

    ベンチマークの成功率が92%で、取り消しコストがゼロの「元に戻す」コマンドと組み合わせると、事務作業で人の時間を85%節約できます。

    出典 ↗
  2. 2
    PDFと請求書のデータを表に抽出

    視覚エージェントは、複数ページにわたる雑然とした領収書を89%の精度で読み取り、合計金額だけを抜き取り確認すれば済みます。

    出典 ↗
  3. 3
    ウェブ調査と価格比較の集約

    閲覧エージェントは、複数サイトの市場カタログを確実にまとめ、元のライブデータを変えるリスクはゼロです。

  4. 4
    下書き文書からの標準的なウェブフォーム入力

    サービスナウのWorkArenaで84.8%の完了率を達成し、繰り返しの手入力を70%減らします。

    出典 ↗
  5. 5
    表計算の整理と数式の統一

    81%のシートで文字列の整形と見出しの照合を自動化しますが、構文の異常には、まだ確認が必要です。

    出典 ↗
  6. 6
    ITサービスチケットの振り分けと分類

    WorkArenaのスコアでは、社内のインシデントの振り分けで79.5%の正確さを示し、顧客向けの連絡は一切出しません。

    出典 ↗
  7. 7
    CRMの見込み顧客情報の補完と連絡先更新

    ベンチマークの正確さは74%で、確認しなければ連絡先項目の4分の1が壊れたままになります。顧客への連絡の正確さを損なう恐れがあります。

    出典 ↗
  8. 8
    外部顧客との複数カレンダーの日程調整

    複数カレンダーをまたぐ推論は、エッジケースの32%で失敗します(タイムゾーンや招待)。慎重な人の確認が必要です。

  9. 9
    社内経費精算の申請

    経費の誤入力は監査の罰則を招きます。財務担当者の68%は、領収書の完全な確認を求めています。

    出典 ↗
  10. 10
    請求書の直接支払いと電信送金の入力

    精度88%でも、誤った銀行の振込先入力は取り返しがつかないため、一行ずつの人の承認が必要です。

    出典 ↗

Gemini が気づいたこと

すぐに「元に戻す」ができる作業や、影響範囲が限られる作業は、1件あたり平均14分を節約します。一方、責任の重い会計ワークフローでは、必要な監査のため、正味の節約はゼロ分です。

Microsoft Work Trend Indexによると、労働者の85%はデータの準備と並べ替えを喜んで任せますが、お金の送金が絡むと、80%超が自律的な実行を拒否します。

米国労働統計局(BLS)の事務職の中央時給$21.40で計算すると、1回の実行が$0.18のエージェントは、ファイルと文書の処理で95%のコスト削減をもたらします。

🇨🇳 Kimi10 位まで · メモ 4 件

同じ質問に Kimi だけが答えたものです。上の最終リストはすべての AI をまとめています。

  1. 1
    ファイルの並べ替えとフォルダ整理

    ミスの修正に数秒しかかからない、唯一の作業群です。ファイル名の間違いや誤ったフォルダは、目に見えて元に戻せます。エージェントはOSWorldのファイル作業で、ベンチマーク内で最高水準の成功率に達しています。

    出典 ↗
  2. 2
    文書、メール、提案書の初稿

    AI利用者の58%が、1年前にはできなかった仕事を生み出していると答えています。そして下書きは、Microsoftの指標で最も任されている作業です。

    出典 ↗
  3. 3
    PDFから表計算へのデータ抽出

    すべてのセルが人の目で抜き取り確認できる場所に入るため、最も安全な抽出の仕事です。GPT-6.1 Terraの発表は、まさにこの請求書とフォームの地道な作業を中心に作られていました。

    出典 ↗
  4. 4
    表計算の整理(書式、重複削除、数式の一括入力)

    単一アプリの表計算は、ベンチマークの数字が最も強い作業です。WorkArena-L1のトップのエージェントは、単一の企業タスクの90.3%をクリアします。

    出典 ↗
  5. 5
    ウェブ調査と複数タブの閲覧要約

    エージェントは今や、タブをまたいだ情報収集で人より速くなっています。しかし記録上の最良の誤り率は、まだ4.3%です。ゼロではなく、幻覚(ハルシネーション)の許容枠です。

    出典 ↗
  6. 6
    メールの仕分けと返信の下書き

    受信トレイの整理は、任せることへの入口です。しかし労働者の4分の1は、AIをきっぱり拒否しています。ボトルネックは能力ではなく、信頼です。

    出典 ↗
  7. 7
    CRMとITポータルの記録更新

    単一の CRM 編集は90.3%で合格しますが、同じServiceNowの作業の複合的なワークフロー版は2.1%に崩れます。この88ポイントの差こそ、人の確認が必要な場所です。

    出典 ↗
  8. 8
    社内フォーム入力(金銭以外)

    フォームは、Terraの販売の主な売りです。「フォームへの記入」はOpenAI自身の例ですが、エンドツーエンドの企業向けフォームのワークフローは、依然として最も弱いベンチマーク分野のままです。

    出典 ↗
  9. 9
    経費報告の入力

    事務職の時給はおよそ$21~22です。経費の入力を一行ずつ確認するコストは、入力そのものとほぼ同じです。まさにここで、節約は消えてしまいます。

    出典 ↗
  10. 10
    請求書の承認と支払い処理

    90%の正確さがまったく役に立たない作業です。銀行振込に入る10%の誤りだけが、誰の記憶にも残ります。

    出典 ↗

Kimi が気づいたこと

委任のパラドックス:AI利用者の58%は、1年前にはできなかった仕事を生み出していると言いますが、エージェントに作業を任せることに心から同意するのは27%だけです。能力は信頼を追い越しました。さらに労働者の26%は、密かにAIを避けていることを認めています。

同じプラットフォームでの88ポイントの崖:エージェントは、WorkArena-L1のServiceNowの単一タスクの90.3%はクリアしますが、人間が93.9%でこなせるWorkArena++の複合ワークフローは2.1%(GPT-4o)しかクリアできません。「エージェントに私のCRMを任せられる」は、一度に一項目なら正しくても、一度に一ワークフローでは正しくありません。

確認には市場価格があります。データ入力係の年収中央値は、約$43,310~$45,930です。確認に作業と同じ時間がかかる作業は、経費、請求書、お金を動かすフォームなど、現在のエージェントの精度では何も節約しません。

最新モデルの目玉であるフォーム入力は、最も実証されていない使い道でもあります。GPT-6.1 Terraは、フォームを売りにして本日発表されました。一方、最も強い公開された企業向けの証拠(WorkArena++)は、タブをまたぐフォームのワークフローが、テストされた全エージェントで最も弱い分野であることを示しています。

🇨🇳 DeepSeek10 位まで · メモ 1 件

同じ質問に DeepSeek だけが答えたものです。上の最終リストはすべての AI をまとめています。

  1. 1
    ファイルの並べ替えと名前変更

    34%のエージェントでも時間を節約できる、唯一の作業です。間違ったフォルダは、ドラッグして戻すだけで直せます。やり直しの手間ではありません。

  2. 2
    PDFのデータ抽出

    LlamaParse AgenticはParseBenchで84.88点です。人による確認は、1行ずつの監査ではなく、2分の抜き取り確認です。

    出典 ↗
  3. 3
    ウェブの閲覧と調べもの

    Browser Use Cloudは閲覧で78.0%ですが、ClawBenchの日常タスクでは、Claude Sonnet 4.6は23.5%まで下がります。確認こそが仕事です。

    出典 ↗
  4. 4
    カレンダーの日程調整

    Copilotのチャットのうち、カレンダー作業はわずか0.4%です。しかし日程調整のエージェントの誤り率は35%のままです。影響は小さいものの、信頼も低いです。

    出典 ↗
  5. 5
    フォーム入力(支払いを伴わないもの)

    CRAFTは複数ファイルのフォームでE2E(エンドツーエンド)43.31に達しますが、指示のみのフォームでは15.5です。フォームは簡単ですが、指示はそうではありません。

    出典 ↗
  6. 6
    表計算のデータ入力と整理

    トップの表計算エージェントは、MBABench-2.0のタスクの16%を通過し、デバッグの正確さは12%です。だから、すべてのセルにもう一組の目が必要です。

    出典 ↗
  7. 7
    CRMの更新

    CRM-Agent-Benchの厳密な成功率は64.32~83.60%ですが、SCUBAのSalesforce画面テストでは、オープンソースのコンピュータ操作エージェントは5%未満です。APIと画面は別の世界です。

    出典 ↗
  8. 8
    経費の入力と請求書の計上

    Fable 5.1は、請求書の入力タスクの72%を通過し、最も優れた人間の51%を上回ります。しかし、失敗した28%はお金を動かしかねません。

    出典 ↗
  9. 9
    複数アプリにまたがる作業

    OSWorld 2.0の最良のエージェントは、平均318回のツール呼び出しを要する108の複数アプリのワークフローのうち、20.6%を完全に完了します。5件中4件は、まだ人の確認が必要です。

    出典 ↗
  10. 10
    支払いの承認、電信送金、利用規約への同意

    ベンチマークは不要です。OpenAI、Anthropic、グーグルのいずれも、お金、契約条件、認証情報には人の承認を残すよう勧めています。

    出典 ↗

DeepSeek が気づいたこと

トップの表計算エージェントは、MBABench-2.0のタスクの16%を通過し、デバッグの正確さは12%です。1行ずつの確認が必要な表計算エージェントは、まったく時間を節約できません。

🇨🇳 Qwen10 位まで · メモ 2 件

同じ質問に Qwen だけが答えたものです。上の最終リストはすべての AI をまとめています。

  1. 1
    ファイルの並べ替えと名前変更

    成功率が高く、金銭的なリスクはゼロです。ミスは、ファイルを元のフォルダに戻すだけで済みます。

    出典 ↗
  2. 2
    表計算の書式設定

    エージェントは構造の整理をうまくこなし、Excelの「元に戻す」ボタンのおかげで、人による確認も苦になりません。

    出典 ↗
  3. 3
    定型のCRMデータ入力

    エージェントは複数タブのフォームも簡単に扱えますが、営業担当は保存する前に、重要な顧客情報の更新をまだ確認します。

    出典 ↗
  4. 4
    会議の議事録の要約

    取り返しのつかない被害のリスクは低く、労働者は数時間分の聞き取り作業を省けるため、喜んでこれを任せます。

    出典 ↗
  5. 5
    経費の領収書からのデータ抽出(PDF)

    エージェントは日付や合計を簡単に拾えますが、経理が小切手を切る前に、人が支払いを承認しなければなりません。

    出典 ↗
  6. 6
    ITサービスポータルでのチケット処理

    WorkArenaでのエンドツーエンドの成功は、パスワードの再設定では安定していますが、ハードウェアの申請には、まだ人の承認が必要です。

  7. 7
    複数アプリにまたがる調べものと閲覧

    エージェントはタブをまたいでデータを集められますが、幻覚で作られた情報源には、人による一行ずつのファクトチェックが必要です。

    出典 ↗
  8. 8
    顧客サポートのメール下書き

    エージェントは丁寧な返信を書けますが、怒っている顧客への的外れな返答は、大事な取引先を失わせかねません。

    出典 ↗
  9. 9
    給与と福利厚生の更新

    90%正確なエージェントでも危険すぎます。1桁の数字の誤りで、米国内国歳入庁(IRS)の罰金や、怒った社員を招きます。

    出典 ↗
  10. 10
    電信送金と取引先への支払い

    人が最後まで関与すべき究極のタスクです。エージェントのクリックの誤りが、会社の資金を一瞬で流出させかねません。

    出典 ↗

Qwen が気づいたこと

Microsoft Work Trend Index 2026によると、労働者は要約や書式設定を喜んで任せる一方で、お金や機微な人事記録に関わる作業には、AIが触れることを積極的に拒みます。

WorkArena++は682の企業ワークフローをテストし、エージェントは単一アプリでのデータ入力には優れる一方、CRM、メールクライアント、表計算の間を切り替える必要がある作業では、大きくつまずくことを示しています。