ChatGPTが「操作ログから仕事を自動化する」時代へ——Computer Historyが示す履歴駆動AIの未来

1 ChatGPTが「操作ログから仕事を自動化する」時代へ——Computer Historyが示す履歴駆動AIの未来

ChatGPTが「操作ログから仕事を自動化する」時代へ——Computer Historyが示す履歴駆動AIの未来

OpenAIがmacOS版ChatGPTに、操作イベントを記録する「Computer History」を追加しました。
繰り返している作業をAIが見つけてスキル化を提案するため、自動化の入口が変わります。
ただし操作ログには「なぜ」と「結果」が残らず、対象OSや提供地域にも制約があります。

AIに仕事を自動化してもらうには、これまで人間が先に対象業務を見つけ、手順を説明し、プロンプトやワークフローを作る必要がありました。しかし、その前提が変わり始めています。

OpenAIが2026年8月に公開した「Computer History」は、Mac上の許可したアプリやWebサイトで発生した操作イベントを記録し、ChatGPTやCodexから振り返れるようにする機能です。表面的には「さっきまで何をしていたか思い出せる便利な記憶機能」に見えます。

しかし、本当に重要なのはそこではありません。Computer Historyは、繰り返されている作業を見つけると、スキルや自動化の作成を提案します。これは、「操作ログから自動化を見つける時代」への重要な一歩だと思います。

1. Computer Historyは操作イベントから自動化提案へとつなげる仕組み

Computer Historyは、ChatGPTのmacOSデスクトップアプリで提供されるオプトイン機能です。対象はChatGPT Pro、Business、Enterpriseで、BusinessとEnterpriseでは管理者が利用を許可したうえで、各ユーザーが個別に有効化する必要があります。現時点では欧州経済領域、英国、スイスでは提供されていません。OpenAIの公式ドキュメント

有効にすると、許可したアプリやウェブサイトで発生したクリック、入力、キーボードショートカット、アプリ切り替えなどの操作イベントが記録されます。それらは定期的に要約され、ChatGPTやCodexが参照できるタイムラインとローカルメモリになります。

ユーザーは、例えば次のように質問できます。

「昼休みの前は何をしていた？」
「昨日確認していた資料を探して」
「今週行った作業をまとめて」

そして、繰り返し可能な作業が見つかると、「この手順を再利用可能なスキルにする」「毎日の作業概要を自動作成する」といった提案が表示されます。履歴を残すだけでなく、自動化へつなげることが、この機能の核心です。

ここが、既存の履歴機能との大きな違いです。

MicrosoftのRecall（プレビュー）は、Copilot+ PCで画面のスナップショットを定期的に保存し、過去に見たアプリ、ウェブサイト、画像、文書などを自然言語で探せるようにするオプトイン機能です。スナップショットと関連データは端末内で処理・暗号化され、「過去を思い出す」ことに強みがあります。Microsoft Recallの公式説明

一方、Computer Historyは画面のスクリーンショットや音声を取得せず、操作イベントを中心に記録します。そして、履歴を検索するだけでなく、仕事のパターンをスキル化・自動化する方向へ接続しています。

OpenAIには以前の研究プレビュー「Chronicle」もありました。Chronicleはスクリーンショットを利用していましたが、Computer Historyは単なる名称変更ではなく、操作イベント方式へ作り直された後継機能だと説明されています。

また、OpenAIには「Record & Replay」もあります。こちらは、人間が操作の記録を開始して特定の仕事を一度実演すると、ChatGPTまたはCodexがその手順を再利用可能なスキルへ変換する機能です。Record & Replayが「人間が意図的に教える」仕組みだとすれば、Computer Historyは「普段の仕事からAIが覚えるべき業務を発見する」仕組みだと整理できます。Record & Replayの公式説明

▶︎ あわせて読みたい：ChatGPT Workの本質は「自動化のその先」にある

2. 履歴が残ると、自動化の入口が変わる

これまで、業務自動化には大きな壁がありました。

それは、実際に自動化を作る技術だけではありません。「どの仕事を自動化すべきか」を人間が見つけなければならなかったことです。

現場の仕事は、本人にとってあまりにも当たり前になっています。毎週同じサイトを確認する、複数の資料から数字を転記する、決まった形式で報告書を作る。

こうした小さな反復作業は、わざわざ業務一覧には書かれません。そのため、RPAやAIを導入しても、対象業務の棚卸しに多くの時間がかかってきました。

Computer Historyの方向性が面白いのは、AIが実際の作業履歴から、その候補を発見できる点です。自動化の入口そのものが変わります。

例えば、僕がAIニュースを発信する際には、ニュースを探し、一次情報を確認し、論点を整理し、原稿を推敲し、画像を作り、投稿後の数字を確認します。同じテーマを扱っていても、毎回まったく同じ操作になるわけではありません。それでも、履歴が蓄積されれば、AIは「変わらない骨格」と「毎回変わる入力」を分けて認識できるようになります。

すると、単純なマクロではなく、状況に応じて判断しながら進める再利用可能なスキルを作れる可能性が生まれます。

さらに将来、作業の発生条件まで学習できれば、「毎週金曜に行う」「顧客から特定のメールが届いたら始める」「数値が基準を下回ったら調査する」といったトリガーも自動的に提案できるでしょう。

つまり、AI活用は次のように変わっていきます。

従来は、人間が「この仕事を自動化して」と依頼していました。これからはAIが、「この仕事を何度も行っています。次から私が担当しましょうか」と申し出るようになります。

現在のComputer Historyは、まだ人間の確認後にCodexへスキル作成を依頼する段階であり、完全自律ではありません。しかし、方向性としては非常に大きいものです。

3. ただし、操作ログだけでは「仕事」は理解できない

この領域を先行している企業の一つがScribeです。

Scribeは、ユーザーが記録を開始して業務を一度実演すると、その操作を文章とスクリーンショットによる手順書へ変換する「Scribe Capture」を展開してきました。さらに2025年11月に発表した「Scribe Optimize」では、承認された業務アプリ上のワークフローを自動収集し、プロセスマップやボトルネックを可視化します。重複・ばらつきの標準化、自動化候補の優先順位、ROI予測まで提示します。Scribe Optimizeの公式説明

なお、発表時点ではブラウザ業務が対象で、指定ユーザー本人の同意を前提としていました。

Scribeは2025年の資金調達で評価額13億ドルとなり、ユニコーン企業になりました。同社が評価されている背景には、「AIをどこに導入するか」を勘やヒアリングではなく、実際の業務データから判断するという考え方があります。TechCrunchの報道

ただし、ここには重要な限界があります。操作ログは、仕事の一部しか映しません。

操作ログから分かるのは、基本的に「何をしたか」です。「なぜそうしたか」は残りません。

例えば、営業担当者が値引きをした事実は記録できても、「競合への乗り換えを防ぐためだった」「長期契約が見込めた」「今回は例外的に承認された」といった理由までは分かりません。

資料を閉じたという同じ操作でも、「完成した」「いったん諦めた」「別の情報を調べるために移動した」では意味がまったく違います。

AIが本当に仕事を学ぶためには、少なくとも3種類の履歴が必要になります。

行動ログ——何をしたか
意図ログ——なぜそう判断したか
結果ログ——その判断は良かったか

将棋でいえば、棋譜だけでなく、その一手を選んだ狙いと、最終的な勝敗まで一緒に残す必要があります。

もちろん、すべての操作について「なぜですか」と聞かれたら、仕事になりません。重要なのは、人間への確認をゼロにすることではなく、質問する場面を絞ることです。

例えば、AIが次のような場面だけ短く確認します。

過去と異なる操作をしたとき
複数の選択肢から一つを選んだとき
AIの提案を人間が修正・却下したとき
通常ルールから外れた例外処理をしたとき
成果への影響が大きい判断をしたとき

「なぜこの案を選びましたか」「今回だけの例外ですか」といった短い問いに、音声や選択式で答えられれば、操作性を大きく損なわずに判断理由を残せます。

人間の思考をすべて文章化するのではなく、AIが理解できなかった分岐だけを聞く。これが現実的な設計になるでしょう。

4. 観察した仕事がスキルへ変わり、使うほど改善される

ここまで進むと、AIは単に人間の仕事を再現するだけではなくなります。

次のような改善サイクルが回り始めます。

観察する——日常業務の操作や流れを記録する
有用性を検証する——頻度、時間、成果からスキル化する価値を判断する
意図を追加する——人間が判断理由、例外条件、目的を補う
スキル化して実行する——AIが再利用可能な業務として担当する
結果を戻す——人間の修正や成果を使ってスキルを更新する

この循環が回れば、仕事をするたびにAIがカバーできる範囲が広がっていきます。使うほど仕事を覚えるソフトウェアになります。

僕は、こうした「業務を実行し、その結果や人間の修正を取り込みながら継続的に進化する業務特化ソフトウェア」を「ループウェア（Loop Ware）」と呼んでいます。

従来のソフトウェアは、開発者が決めた機能をユーザーが利用するものでした。改善するには、要望をまとめ、仕様を作り、開発し、アップデートを配布する必要がありました。

ループウェアでは、日常の利用そのものが改善データになります。

よく行われる作業を見つけ、AIが自動化を提案します。人間が意図を追加し、スキルとして実行します。

うまくいかなかった部分を修正し、その修正を次回へ反映します。このループによって、ソフトウェアが利用者の仕事に合わせて成長していきます。

さらに将来は、スキルだけでなく、そのスキルを担当するAIエージェントまで自動的に作られる可能性があります。

例えば、営業チームの履歴から「毎週、競合の価格変更を調査している」と分かれば、AIマネージャーが競合調査スキルを作り、専用エージェントへ割り当て、定期実行し、結果を営業担当者へ報告します。成果が悪ければ、参照情報や判断基準を修正します。

仕事からソフトウェアが生まれ、ソフトウェアが仕事を行い、その結果からソフトウェアが改善されます。

Computer Historyは、このループの最初にある「観察」を、一般的なAIアシスタントへ組み込んだ機能だと捉えられます。

▶︎ あわせて読みたい：判断と理由を残して育てる「ループウェア」とは何か

5. 「AIに仕事を教える」から「仕事をするとAIが育つ」へ

Computer Historyだけで、この未来が完成したわけではありません。

現状ではmacOSに限られ、記録対象や利用地域にも制約があります。操作履歴だけでは、人間の意図や成果の良し悪しも十分には分かりません。プライバシーやセキュリティへの配慮も不可欠であり、企業で導入するなら、対象アプリの限定、本人の同意、機微情報の除外、人間による承認といった設計が必要になります。

しかし、今回示された方向性は重要です。

これまでAIは、基本的に人間の指示を待つ存在でした。これからは、人間の仕事を観察し、繰り返しを見つけ、自分が担当できる業務を提案し、少しずつスキルを増やしていきます。

個人レベルでは、仕事をするほど自分専用のAIアシスタントが育ちます。企業レベルでは、社員の業務履歴、判断、修正、成果が、組織独自のAIを育てる資産になります。

同じ高性能なAIモデルは競合企業も利用できます。しかし、「自社では実際にどのように仕事を行い、何を良い結果と判断しているか」というデータは、その会社にしか持てません。

その意味では、AI時代の競争力はモデルの性能だけでは決まりません。日々の仕事から、どれだけ質の高い学習ループを作れるかが重要になります。

Computer Historyは、AIに「人間の仕事を見る目」を与えました。

次に必要なのは、判断理由を聞く「耳」と、結果を評価する「採点表」です。

この3つがそろったとき、AI活用は「便利なアシスタント」から、「仕事をするほど成長する業務基盤」へ変わっていきます。

今回の機能は、その未来の入口なのだと思います。

まずは自分の業務で、「何度も繰り返しているのに、手順書には残っていない作業」を一つ見つけてみてください。そして、操作だけでなく「なぜそうしたか」「結果はどうだったか」も短く残してみてください。そこが、自分専用のループウェアを育てる最初の一歩になります。

よくある質問（FAQ）

Q1. Computer Historyは誰でも使えますか？

現時点では限定的です。ChatGPTのmacOSデスクトップアプリ向けのオプトイン機能で、対象はPro、Business、Enterpriseです。BusinessとEnterpriseでは、管理者が許可したうえで各ユーザーが個別に有効化する必要があります。欧州経済領域、英国、スイスでは提供されていません。

Q2. Microsoft RecallやRecord & Replayとは何が違いますか？

記録する対象と、その先の使い道が違います。Recallは画面のスナップショットを保存して「過去を思い出す」ことに強く、Computer Historyはスクリーンショットや音声を取らず、クリックや入力といった操作イベントを記録します。Record & Replayは人間が意図的に一度実演して手順を教える仕組みで、Computer Historyは普段の仕事からAIが自動化候補を見つける仕組みです。