BUSINESS── ARTICLE 016── 2026.07.13── 20 MIN READ

生成AI、ついに分析担当へ？ GPT-5.6でデータ分析は圧倒的に楽になるのか

GPT-5.6でデータ分析は本当に楽になるのか。海外の研究者や利用者の声、実務に近い評価結果から、その実力とまだ任せられない仕事を探ります。

DATA WORLD編集部特集 20分

ChatGPT、データ分析まで全部やってくれるの？

DATA WROLD編集部のうみです！またChatGPTがアップデートされましたね。

今回登場したのは「GPT-5.6」。OpenAIいわく、プログラミングや科学研究、パソコン操作のような、いくつもの工程が続く仕事に強くなったそうです。

そこで私たちとして気になっているのが、データ分析としての機能です。

売上データを渡して、「先月から売上が落ちているから、原因を調べて」と頼む。すると、データのミスを探し、商品別や地域別に集計し、グラフを作り、会議で説明する内容まで整理してくれる。

これができたら、めっちゃ便利ですよね。

表計算ソフトと何時間もにらめっこして、「この数字、どこから出てきたんだっけ……」となる時間が、かなり減るかもしれません。

では、GPT-5.6はデータ分析をどこまで任せられるようになったのでしょうか。

先に結論を言うと、かなり進化しています。ただし、「人間の分析担当者はもういらない！」という話ではありません。実務に近い科学データの分析試験では、以前のモデルから成績を2倍以上に伸ばしましたが、それでも最後まで正しく解けた課題は約3割でした。

3割を「すごい進歩」と見るか、「まだ7割も間違える」と見るか。

今回は、海外の研究者や実際に使った人の声も交えながら、GPT-5.6でデータ分析の仕事がどう変わりそうなのか、一緒に見ていきましょう！

そもそも、GPT-5.6ってなに？

GPT-5.6には、3つのモデルがあります。

モデル	ざっくりした特徴	データ分析で使うなら
Sol	最も能力が高い	複雑な分析や最終確認
Terra	能力・速度・費用のバランス型	日常的な集計やレポート作成
Luna	高速で費用を抑えたモデル	分類や大量の繰り返し作業

最も強いのがSol。バランス型がTerra。速くて安いのがLunaです。

名前だけ聞くと、急にSF作品の登場人物が3人増えたような感じですが、役割はわりとシンプルです。

OpenAIは2026年7月9日、GPT-5.6をChatGPT、Codex、開発者向けAPIで一般提供すると発表しました。

ただし、ChatGPTの中身が全部GPT-5.6になったわけではありません。普段の素早い回答には、引き続きGPT-5.5 Instantが使われます。GPT-5.6 Solが担当するのは、MediumやHighなど、より深く考える設定です。

簡単な質問には従来の速いモデル。難しい調査や分析にはGPT-5.6。そんな使い分けですね。

第三者評価を行うArtificial Analysisでは、GPT-5.6 Solの最大思考設定が総合指標で59点を記録し、首位モデルと1点差でした。費用は首位モデルのおよそ3分の1と報告されています。ただし、Artificial AnalysisはOpenAIの公開前評価にも協力しており、完全に無関係な立場での事後検証とは少し条件が異なります。

出典：Artificial AnalysisによるGPT-5.6の評価

提供状況は、OpenAIのGPT-5.6に関する案内で確認できます。

今回の進化、その心は？

AIとデータを扱う私たちも、これまでのChatGPTに表の集計やグラフ作成を頼んできました。

では、今回のアップデートはなにが違うのか。私たちが特に注目しているのは、その「仕事の進め方」です。

一言でいえば、「仕事を途中でぶつ切りにしなくてよくなった」ということです。

これまでは、「まず表を確認して」「次に集計して」「グラフを作って」「結果を説明して」と、一工程ずつ頼む場面が多くありました。途中で条件を忘れたり、データの問題に気づいたのに、その後の分析へ反映できなかったりすることもあります。

GPT-5.6では、次のような流れをまとめて進める力が強化されています。

データの中身を確認する
欠けている値や重複、異常な数字を見つける
何を調べるべきか整理する
分析方法を選ぶ
結果がおかしければ、前の工程へ戻る
グラフや表にまとめる
相手に合わせて説明する

AIが長い仕事を進められる時間は、モデルの進化とともに延びています。METRは、人間の専門家が作業した場合の所要時間を基準に、AIが一定の確率で完了できる仕事の長さを継続的に測定しています。今回の「途中でぶつ切りにしなくてよくなった」という変化を見るうえでも、参考になる評価方法です。

つまり、AIの進化は「難しい問題に答えられるか」だけで測られるものではなくなってきました。複数の工程を進め、途中で道具を使い、エラーが出たらやり直し、最後まで成果物を作れるか。仕事の長さそのものが、一つの評価軸になっているんですね。

出典：METR「Task-Completion Time Horizons of Frontier AI Models」

GPT-5.6の開発に関わった機械学習研究者Aston Zhang氏は、次のように書いています。

“GPT-5.6 is a capable model, especially for long-horizon tasks and knowledge work across coding, computer use, and science.”

ざっくり訳すと、「長い工程を伴う仕事や、プログラミング、コンピューター操作、科学分野で特に力を発揮するモデル」ということです。

出典：Aston Zhang氏のLinkedIn投稿

なお、Zhang氏は開発に参加した側の人です。第三者の冷静なレビューというより、作り手がどこに自信を持っているのかを示すコメントとして読んだ方がよいでしょう。

データの異常を、分析方法の変更につなげる

たとえば、売上データの中に同じ注文が二重に入っていたとします。

AIが「重複データがあります」と教えてくれる。

確かに助かります。でも、それだけでは分析は終わりません。

重複を除いて売上を計算し直し、商品別や地域別の数字も更新する。さらに、最初に考えていた「売上が落ちた原因」まで変わるのかを確認していきます。

データの異常に気づき、その発見を理由に分析方法まで変えられるか。ここに、データ分析の難しさがあります。

重複データの発見から再集計、分析方法の変更、結論の更新までが連続する分析フロー

データの異常を見つけたあと、分析全体を組み直せるか。GPT-5.6で進化したポイントの一つです。

GPT-5.5から2倍以上。でも、正解率は28.7％

そこで私たちが気になったのが、この力を実際に調べた生命科学分野のデータ分析試験「GeneBench-Pro」です。

AIに渡されるのは、最初からきれいに整理されたデータではありません。研究室や医療記録などから届く、間違いや不足を含んだ現実に近いデータです。

AIは、そもそも何を調べられるデータなのかを考え、入力ミスや偏りを探し、分析方法を選び、結果に無理がないかを確かめます。129問のうち82問は、外部の専門家による確認も受けています。

その結果がこちらです。

GeneBench-ProにおけるGPTモデル別の正解率。GPT-5.5の12.0％に対し、GPT-5.6 Solは28.7％、Sol Proは31.5％。

GeneBench-Proで課題を最後まで正しく解けた割合。出典：GeneBench-Pro論文

GPT-5.5の12.0％に対して、GPT-5.6 Solは28.7％。

2倍以上です。これはかなり大きな進歩でしょう。

さらに面白いのは、数字が伸びた理由です。以前のモデルも、データの異常そのものには気づいていました。ただ、その異常を「データを少し掃除すればよい話」として処理し、その後の分析方法まで変えられないことがありました。

GPT-5.6 Solは、見つけた異常が後の計算にも影響すると考え、分析方法や確認手順を組み直せる場合が増えています。

たとえるなら、「ミスを見つけて上司に報告する新人」から、「このミスなら結論も変わるので、調査をやり直します」と判断できる担当者へ近づいた感じです。

ただし、この試験は生命科学分野が対象です。一般企業の売上分析やマーケティング分析を直接調べたものではありません。また、GeneBench-ProはOpenAIが公開した試験です。今回の「2倍以上」という結果は、あくまでこの試験条件で確認された数字として見ておくのがよさそうです。

出典：GeneBench-Pro論文、OpenAIによる評価結果の解説

「AIの間違いを直す仕事」が減るかもしれない

とはいえ、私たちが仕事で使うことを考えると、性能試験の数字だけでは実際の使い心地まで分かりません。

GPT-5.6 Solを1週間、アプリ開発や製品設計などで試したLyudmil Pelov氏は、最大の違いをこう表現しています。

“The biggest difference I noticed is that it simply requires less hand holding.”

「細かく手取り足取り指示する必要が減った」という意味です。

さらに、こんなコメントもあります。

“The work felt more collaborative than corrective.”

AIの間違いを延々と直すより、一緒に仕事を進めている感覚に近くなった、ということでしょう。

出典：Lyudmil Pelov氏のLinkedIn投稿

Pelov氏の投稿は、あくまで個人の感想です。データ分析だけを試したものでもありません。

それでも、AIとデータを扱う私たちとしては、「修正する時間が減る」という変化はかなり重要だと感じています。

同じ条件を何度も説明する。コードの小さなミスを直す。途中で話がずれて、最初からやり直す。

この作業が減ったら、めっちゃ楽になりますよね。

その分、「そもそも何を調べたいのか」「この結果を仕事でどう使うのか」という、人間の考える時間を増やせます。

複数の要因を同時に検討できる、AIエージェント

では、私たちはこの進化をビジネスでどう使えるのか。GPT-5.6がもたらす価値は、AIが経営判断を代わりに行うことではありません。

人が判断する前に、より多くの可能性を試せることです。

売上が落ちた理由だけでも、いくつもの可能性があります。

顧客数が減った
一人あたりの購入額が下がった
特定の地域だけ悪化した
新規顧客が減った
返品やキャンセルが増えた
売れる商品の組み合わせが変わった

これを人間が一つずつ調べると、普通に時間がかかります。AIがデータ整理や試算を担当し、6つの可能性をまとめて比較してくれるなら、かなり便利です。

2026年に発表されたAgenticDataBenchは、金融企業の実務課題を含む15分野のデータ分析を集め、AIエージェントを評価しています。まだ査読前の研究ですが、「複数の要因をまたいで、現実に近いデータ分析を進められるか」を測ろうとする動きが広がっていることが分かります。

出典：AgenticDataBench: A Comprehensive Benchmark for Data Agents

企画担当者なら、市場調査の切り口を増やせる。営業責任者なら、成績が変化した理由を顧客層や地域ごとに見られる。専門の分析部門がない会社でも、「とりあえず数字を見てみよう」までのハードルが下がりそうです。

AIに任せやすい分析、人が関わりたい分析

ここまで見てくると、「では、どんな分析なら任せやすいのか？」も気になってきます。

SciAgentArenaの結果では、現在のAIエージェントは、手順や正解の条件がはっきりしたデータ分析で力を発揮しました。

たとえば、こんな仕事です。

決められた条件で集計する
データの形式や欠損を確認する
複数のパターンを同じ方法で試算する
コードで結果を再確認できる計算をする

反対に、答えの決まっていない探索では、まだ不安定さが残っています。

そもそも何を調べるのか決める
業界や現場の事情を踏まえてデータを読む
途中の発見から新しい仮説を考える
結果をどの意思決定につなげるか判断する

この違いを見ていると、AIへ渡す仕事の輪郭も少し見えてきます。まずは、条件と確認方法がはっきりした作業から任せる。そこで出てきた結果を、私たちが現場の事情と照らし合わせる。現時点では、この組み合わせが使いやすそうです。

出典：Benchmarking AI Agents for Addressing Scientific Challenges Across Scales

複数のAIで動く「小さな分析チーム」

GPT-5.6では、複数のAIに仕事を分ける「ultra」という仕組みも導入されました。

データ分析なら、こんな役割分担が考えられます。

データの間違いや不足を調べるAI
集計と分析を行うAI
結論に反対する材料を探すAI
結果を経営者向けに説明するAI

一つのデータを中心に、データ確認、分析、反対意見、経営者向け説明の4つの役割が連携するAI分析チーム

一つのデータを、異なる役割を持つAIが同時に検討する「小さな分析チーム」のイメージ。

一つのAIが出した答えをそのまま採用せず、別のAIにツッコミを入れさせるわけです。

AIの分析チーム。なんだか急に未来感が出てきました。

とはいえ、AIを4人集めたら正解率も4倍になる……という単純な話ではありません。同じ前提を共有したAIが、全員そろって間違えることもあります。（会議の人数だけ増えて、全員同じ勘違いをしている。人間の会社でもたまにありますよね）

私たちとして注目したいのは、AIの人数よりも確認方法です。

同じ質問を4つのAIに繰り返すより、一つは分析を進め、一つは前提を疑い、一つは計算を再現する。最後に人間が、業務上の判断として無理がないかを見る。それぞれに違う役割と確認方法を持たせる方が、分析チームとして機能しやすいでしょう。

この慎重さを裏づける研究もあります。106件の実験をまとめたNature Human Behaviourの統合分析では、人間とAIを組み合わせたチームは、平均すると「人間単独またはAI単独のうち、成績がよかった方」を下回りました。人間とAIを組み合わせれば自動的に強くなる、というわけではないようです。

出典：When combinations of humans and AI are useful: A systematic review and meta-analysis

出典：OpenAIによるGPT-5.6の一般提供発表

約7割は解けていない問題

GeneBench-Proの28.7％という数字には、二つの顔があります。

GPT-5.5から2倍以上に伸びた。これはすごい。

でも、最上位のGPT-5.6 Solに長く考えさせても、約7割は最後まで正しく解けなかった。これも事実です。

複数の分析画面と資料を見比べ、AIが示した赤い異常値を確認する分析担当者

AIが分析を速く進めても、異常値や前提条件を人間が確認する工程は残ります。

OpenAI自身も、現在のAIは人間の専門家を置き換えるには信頼性が足りないと説明しています。一方で、一部の作業を自動化するだけでも、費用や時間を大きく減らせる可能性があるとしています。

全部任せられなくても、下調べ、候補の洗い出し、繰り返しの集計には使える。

現時点では、私たちもこの距離感で使うのがよいと考えています。

また、17種類の米国公的調査と505件の分析課題を使ったLongDAでも、長い資料を読み、必要な条件を探し、複数段階の計算を行う仕事には、最新モデルでも大きな性能差が残りました。現実の分析では、データそのものだけでなく、仕様書や調査票を正しく読む力も必要になります。

会社のデータでも、似たようなことがあります。項目名の意味が分からない。部署ごとに入力方法が違う。数年前に集計ルールが変わった。説明資料が複数のファイルへ分かれている。

数字の計算ができても、こうした背景を読み違えれば結論も変わります。GPT-5.6の長い仕事を進める力には期待しつつ、社内ルールやデータの来歴は、人が一緒に確認していく場面が残りそうです。

出典：LongDA: Benchmarking LLM Agents for Long-Document Data Analysis

沈着冷静な見解を示す研究機関

GPT-5.6 Solを公開前に評価した研究機関METRは、さらに慎重な見方をしています。

“We do not believe GPT-5.6 Sol would enable fully automated AI R&D.”

GPT-5.6 Solは、AI研究開発を完全に自動化する水準には達していない、という評価です。

試験中には、評価環境の抜け道を利用して答えへ近づこうとする動きも確認されました。

要するに、「結果を出して」と頼まれたAIが、ルールの穴を見つけて点数を取りにいったわけです。妙に人間くさいですね……。

会社のデータ分析でこれをやられると困ります。「営業成績がよくなったことを示して」と頼んだら、都合の悪い期間や商品を勝手に除外するかもしれません。見栄えのよいグラフは作れても、それは正しい分析ではありません。

さらに、人間がAIの判断を繰り返し見ることで、AI側の小さな偏りが人間にも引き継がれ、判断の偏りが大きくなる可能性も報告されています。Nature Human Behaviourに掲載された1,401人の実験では、人間とAIのやり取りによって、知覚や社会的判断の偏りが増幅するフィードバックが確認されました。

出典：How human–AI feedback loops alter human perceptual, emotional and social judgements

なお、METRは外部機関ですが、この評価は秘密保持契約のもとで行われ、公開文章はOpenAIの広報・法務部門による確認を受けています。私たちとしては、その条件も含めて見ています。

出典：METRによるGPT-5.6 Solの事前評価

人間の仕事はどう変わっていく？

では最後に、私たち人間の仕事がどう変わるのか、一緒に整理してみましょう。

集計やグラフ作成をAIに任せられるなら、人間の仕事はなくなるのでしょうか。

いえいえ、なくなるというより、仕事の中心が変わります。

AIへ任せやすくなる仕事	人間に残る大事な仕事
集計表を作る	何を調べるべきか決める
分析用のコードを書く	分析方法が妥当か確かめる
グラフを作る	誤解を生まない見せ方を選ぶ
結果を文章にする	結果を業務判断につなげる
一つの仮説を試す	複数の可能性を比較する

データ整理や試算を進めるAIから、最終判断を担う人間へ分析レポートが渡される様子