01 ／ 日刊 11月1日
AIの案内で、通報はどう変わる？
運営側の自己報告
入力の場で、AIが足りない情報を聞き返す。英国の通報サービスの運営側が報告した変化と、その限界を読みます。
内容と原典を読むAIを使う人は、いま何に困っているのか。
HAKOMIROは、AIを使う人の悩み・試行錯誤・未解決の課題を、原典からたどるキュレーションメディアです。国内外の使い手が、何に困り、何を試し、どうなったか。AI利用の現在地を届けます。
編集方針・訂正と権利の連絡先2026年11月号更新中
深まる秋、仕事を見つめ直す。
資料を探す
11月の編集テーマ
HAKOMIRO 2026年11月号：AIを仕事に、根づかせる。
導入の先にある、成果と使い続ける条件を読む。
毎日ひらく。ひと月で、一冊に。
導入の先にある、成果と使い続ける条件を読む。
11月1日までの日刊1日分・6件を収録。月内の追加をここに重ねます。
日々の追加
この号に、届いた記事。
日刊の掲載日ごとに、新しい順。
原典の公開日は、記事ごとに分けて表示します。
1日分の日刊・6件の記事
仕事と社会運営側の自己報告
AIの案内で、通報はどう変わる？
入力の場で、AIが足りない情報を聞き返す。英国の通報サービスの運営側が報告した変化と、その限界を読みます。
原典公開 10月30日確認 11月1日
根拠と限界を読む仕事と社会調査機関の集計（回答者の申告）
AIの利用、企業の大きさでどう違う？
スペインの企業調査から、規模による利用の差を読みます。日本の企業にそのまま当てはまる数値ではありません。
原典公開 10月26日確認 11月1日
根拠と限界を読む仕事と社会調査機関の集計（回答者の申告）
AIの成果、どう確かめる？
「AIで価値が出た」という回答と、投資と比べる仕組みの差。回答者の申告による調査で、成果を測ったものではありません。
原典公開 10月28日確認 11月1日
根拠と限界を読む仕事と社会企業側の自己報告
Copilotを全社へ。成果はどこから見える？
エスティ ローダーの導入拡大の発表。利用を広げたことは分かりますが、成果の数字は示されていません。
原典公開 10月30日確認 11月1日
根拠と限界を読むつくる・開発著者の報告（独立した再現なし）
AIに読ませるログ、もっと少なくできる？
テスト出力を整えて入力を減らした、著者の隔離環境での一件の実験。開発の運用費を考える手がかりです。
原典公開 10月31日確認 11月1日
根拠と限界を読むつくる・開発著者の報告（独立した再現なし）
AIに渡すツール、設定どおりに絞れる？
使わせるツールを書くだけでは絞れず、外す設定が要った。著者の環境で確かめた一件の報告です。
原典公開 10月31日確認 11月1日
根拠と限界を読む
今月の特集
立ち止まって、考える。
日々の記事と既存の資料から、編集部が選びました。
02 ／ 日刊 11月1日
AIの成果、どう確かめる？
調査機関の集計（回答者の申告）
「AIで価値が出た」という回答と、投資と比べる仕組みの差。回答者の申告による調査で、成果を測ったものではありません。
03 ／ 資料・編集確認 10月23日
先生とAI、準備のその後。
無作為化比較試験
英国の比較試験で、AIを使う群の授業準備は週約49分短縮。時間は教員の自己記録で、利用は期間中に減りました。
事業者への自己申告調査／研修機関の設立発表
資料・編集確認 10月23日
JUNEの編集後記
一日の発見を、ひと月の視点へ。
記事が増えても、原典と確認した日をそばに置きます。月末には編集確認を経て一冊にまとめ、次の仕事で読み返せるようにします。
バックナンバー
ひと月の発見を、本棚に。
号ごとの表紙と目次で、読み返しやすく。
- HAKOMIRO2026年11月号AIを仕事に、根づかせる。更新中の号を見る
月末に閉じて、次の月へ。
月内は、確認を終えた日刊をこの号に追加します。月末の編集確認を終えた号は、表紙・目次・収録記事を固定して残します。
完成した号はまだありません。2026年11月号は月末の編集確認を終えたあとで、ここに完成号として並びます。
すべての号を見る
HAKOMIROの資料と論点
生成AIを、誰が使い、何に困るか。
国や発信の場をまたいで、生成AIの使い方、確かめる負担、利用への期待を、原典に基づいて整理しました。
公開資料 26件 ／ 論点 8件
資料ごとの確認日と根拠は、詳細に記載しています。日々調査し、確認済みの追加・修正を反映します。
3か月の原典レビュー
2026年8〜10月、AI利用の動き
AIを使う場面は検索・購買や業務の実行へ広がっています。一方で、削減時間を手直しで失う負担、成果・費用の測り方、人が確認する範囲が共通の論点でした。自律委任が毎月増えている、とまでは読めません。
対象公開期間：〜 ／ 原典確認：
調査範囲と読み方：原典15件・8月3件／9月6件／10月6件
公開日が2026年8〜10月の原典15件を、国内外の利用・購買・職場・教育・開発・運用から選び、本文と調査方法を確認しました。全件調査や無作為抽出ではありません。原典件数は関心の大きさ・普及率を表しません。既存の26資料とは別の調査単位です。
日本語・英語の公開資料に限り、日本・英米と、AIに関心の高い企業/開発者の報告に偏ります。無料で読める原典の確認範囲です。新製品発表だけの記事、転載、本文未取得、期間外公開の候補は採用数へ含めません。調査実施日が古い資料も、公開日と分けて表示します。
時系列比較は同じ調査の公表比較だけに限定。異なる資料に共通する論点は編集上の整理として分けています。公開月と、実際に調査・経験した月は一致しないことがあります。
5つの動きと、次に確かめること
要点はそのまま読めます。根拠・限界を開くと、自分の場面で確かめることと原典へ進めます。
01 · 同じ調査の長期比較＋関連する調査
AIが、検索から選択・購入に関わる
NTTデータの購買利用経験者では、AI提案の採用61.9%→69.7%（3→8月）。情報の食い違いや申込への接続も課題です。
根拠・限界と、次に確かめること
NTTデータの3月→8月比較では、購買利用経験者がAI提案を採用した割合が61.9%から69.7%へ増えました。同時に、AIと企業の情報・申込導線の食い違いも報告されています。サイバーエージェントの8月調査も検索利用を捉えていますが、母集団と設問が違うため一つの推移にはできません。
読者への意味：商品を探す人はAIの回答と公式条件を照合する。提供者は、比較情報から購入・申込まで同じ条件で辿れるかを点検する。
02 · 8→9月の同調査比較＋別対象の調査
利用が増えても、確認・手直しは残る
WorkdayのAI利用者では、削減時間の半分以上を手直しで失う人が33%→33%（8→9月）。利用拡大と負担軽減は別です。
根拠・限界と、次に確かめること
Workdayの8→9月の集計では、仕事でのAI利用は76%→77%、削減時間の半分以上を手直しで失うAI利用者は33%のままでした。日本の生活者調査や教育調査でも誤情報への不満と検証知識が論点です。ただし、これらは別の対象・時期で、世界共通の負担率にはできません。
読者への意味：生成にかかった時間だけで効果を判断せず、確認・修正・差し戻しを含む時間と、必要な品質を記録する。
03 · 複数資料に共通する論点
個人の時短を、組織の成果と費用へつなぐ
McKinseyの個人生産性改善80%と企業のEBIT（利払い・税引き前利益）への寄与37%は別指標。GMOの社内調査ではトークン費用の管理も論点でした。
根拠・限界と、次に確かめること
McKinseyは個人生産性・企業利益・運用費を別の設問で捉えています。GMOの社内調査では内製とトークン管理が具体的な実践として現れます。英国政府調査では企業規模による差も大きく、先進企業の使い方をそのまま小企業全体へ当てはめられません。
読者への意味：繰り返す一業務で、完成までの人の時間・利用料・確認費用・実際の利用結果を比べ、続ける/絞る判断をする。
04 · 複数資料に共通する論点
導入の数字だけでは、現場の納得は見えない
英国の別標本では、AI経済への期待は経営意思決定者84%・就業者41%（Microsoft）。利用率から現場の納得を推測できません。
根拠・限界と、次に確かめること
英国のMicrosoft調査では経営層と就業者の期待に差があり、WorkdayではAI利用の非開示が8月49%から9月41%へ下がっても残っています。日本の「人づて」の認知も、身近な人との接点を示します。国や設問をまたいだ因果関係は確認できません。
読者への意味：利用率だけを追わず、任せてよい業務・確認が要る場面・相談先を、実際の仕事の例で共有する。
05 · 当事者の実践報告と限定実験
作れた・通った・成立した、その先を確かめる
著者の単独環境では、10月途中の209レビューすべてで3モデル中2モデルが判定不能。不合格率の低下だけでは検証の稼働を示せません。
根拠・限界と、次に確かめること
8月の本番障害報告、9月の失敗記録、10月のレビュー集計は、作業範囲・終了判定・検証の成立条件を問い直す事例です。Anthropicの本の交換実験でも、取引成立と現物の受渡しは別でした。選んだ事例から事故が増えているとは判断できません。
読者への意味：実装や合格数に加え、実際に動いた確認項目・利用先での結果・失敗後の戻し方まで確かめる。
同じ月次調査で、変化を確かめる
Workday AI@Workの2026年8月→9月。世界の従業員、8月5,944人・9月約6,000人。指標ごとに分母を分けています。
| 指標・分母 | 8月 | 9月 | 差（ポイント） |
|---|---|---|---|
| 仕事でAIを使う全従業員 | 76% | 77% | +1pt |
| AIへ自律的にタスクを任せた経験AI利用者 | 71% | 69% | -2pt |
| 削減時間の半分以上を手直しで失うAI利用者 | 33% | 33% | 0pt |
| 仕事でのAI利用を意図的に伏せたAI利用者 | 49% | 41% | -8pt |
横に収まらない場合、表だけを横へスクロールできます。割合は回答者の自己申告です。「手直し33%」は、削減時間の半分以上を失う人の割合で、全作業時間の33%という意味ではありません。同じ人の変化・統計的な有意差・対象国一覧や抽出の全条件は確認できていません。
調べた原典15件を、公開月から読む
月を開くと、確認できた内容・調査実施時期・対象を読めます。件数は調査範囲で、人気の増減ではありません。
2026-08 · 3件
S01 · NTTドコモ モバイル社会研究所 · 公開
人づての認知と役立ち感（原典・別タブ）
認知者の「人づて」は10%→19%。利用者の役立ち感は75%→82%。8月の変化ではなく、前年2月との比較です。
- 調査実施・発生時期：
- 2025-02 / 2026-02
- 対象・範囲：
- 日本・15〜69歳。全体n=7,527 / 7,223、認知者n=3,551 / 5,099
S02 · Toyo / Zenn · 公開
小さな依頼が本番障害へ広がった報告（原典・別タブ）
SNSリンク追加からテーマ更新へ作業が広がり、約27分停止したと著者が報告。失敗後の現状確認と復旧手段を点検する材料です。外部再現はしていません。
- 調査実施・発生時期：
- 2026-05-27
- 対象・範囲：
- WordPress運営者1人による事故報告。所在を適用条件としない技術事例
S03 · McKinsey · 公開
個人の生産性と企業利益は別に測る（原典・別タブ）
80%が個人生産性の改善を報告する一方、企業のEBIT（利払い・税引き前利益）への何らかの寄与を挙げたのは37%。約20%は運用費が利用を制約。異なる指標の差を利益改善幅と解釈できません。
- 調査実施・発生時期：
- 2026-05-04 / 2026-06-08
- 対象・範囲：
- 97か国・回答者1,719人。国のGDP（国内総生産）に応じた重み付け。企業活動についての自己申告
2026-09 · 6件
S04 · サイバーエージェント GEOラボ · 公開
検索での生成AI利用（原典・別タブ）
AI Mode込みの生成AI検索利用は52.3%。一般の全AI利用率ではありません。検索と生成AIの併用者の46.6%が検索行動の半分以上をAIへ移したと回答。検索経由の実売上を測った値ではありません。
- 調査実施・発生時期：
- 2026-08-07 / 2026-08-10
- 対象・範囲：
- 日本・15〜69歳9,278人。インターネット調査
S05 · ikedan / TOKIUMプロダクトチーム · 公開
失敗記録から実行時の確認へ（原典・別タブ）
終了コードや代理指標の過信などを分類し、ルールからHook、実経路の確認へ進めた報告。228件は失敗率の分母ではなく、社会全体の根因を3つとする証拠でもありません。
- 調査実施・発生時期：
- 公開前の数か月 / several months before publication
- 対象・範囲：
- 著者のClaude Code運用で蓄積した228パターン。単独環境の自己報告
S06 · Workday AI@Work · 公開
8月の職場利用と手直し負担（原典・別タブ）
AI利用76%、AI利用者の33%は削減時間の半分以上が手直しで失われると回答。公開日は本文表示でなく公式Articleメタデータを照合しました。
- 調査実施・発生時期：
- 2026-08
- 対象・範囲：
- 世界の従業員5,944人。公開本文で対象国一覧・抽出の全条件は確認できない
S07 · NTTドコモ モバイル社会研究所 · 公開
誤情報への不満と確認負担（原典・別タブ）
誤情報への不満は34.8%→40.4%。2026年の確認・選択負担は19.5%で、多数派ではありません。確認する人ほど不満が強い関連は、AI精度の悪化を直接示すものではありません。
- 調査実施・発生時期：
- 2025-02 / 2026-02
- 対象・範囲：
- 日本・15〜69歳の生成AI利用者n=1,995 / 3,669。Web調査
S08 · Anthropic · 公開
AIに好みを伝えて本を交換する実験（原典・別タブ）
好みの把握と取引の上手さを分けて評価。実取引の成立後も一部は受渡しを追えず、成立と配送を区別しています。社員の嗜好や信頼を一般消費者へ広げられません。
- 調査実施・発生時期：
- 2026年夏 / summer 2026
- 対象・範囲：
- 社員201人、米国・英国・アイルランドの6拠点。社内の限定実験
S09 · NTTデータ · 公開
AIの提案から購入・申込へ（原典・別タブ）
購買利用経験者のAI提案採用は61.9%→69.7%。全体の37.9%はAIと公式情報等の接続で困った経験があり、その1,497人中66.6%は購入・契約をやめた経験あり。実取引ログではなく回答です。
- 調査実施・発生時期：
- 2026-08-28 / 2026-08-31
- 対象・範囲：
- 日本・15〜69歳AI利用経験者3,948人。購買利用経験者2,387人。前回2026年3月の全体1,429人
2026-10 · 6件
S10 · GMOインターネットグループ · 公開
内製とトークン費用の判断（原典・別タブ）
業務活用者の54.1%がバイブコーディングを業務実践。トークン管理の実践は60.7%。AI利用が進んだ一企業群の報告で、日本全体の普及率にはできません。前回月を未照合のため月次比較に使いません。
- 調査実施・発生時期：
- 2026-09-07 / 2026-09-11
- 対象・範囲：
- 国内グループパートナー5,894人。生成AI業務活用者を分母とする設問あり。トークン管理設問の正確な分母は原典本文で未確認
S11 · 仙台大学 AI教育研究チーム · 公開
教育利用と検証リテラシー（原典・別タブ）
利用学生の79.2%は課題・レポートに使用。引用・ファクトチェック方法を知る利用学生は各41.5%。教員の42.4%は知識不足を課題に挙げました。教育成果の因果効果は測っていません。
- 調査実施・発生時期：
- 2026-03-13 / 2026-03-26
- 対象・範囲：
- 全国Web調査。分析対象は学生5,706人・教員2,384人。利用率は私的利用も含む
S12 · Microsoft / Censuswide · 公開
経営層と働く人の期待差（原典・別タブ）
英国が5年以内にAI先進経済になる自信は経営意思決定者84%、従業員41%。別標本の期待の違いであり、AIの導入率・生産性や同じ人の意識変化ではありません。
- 調査実施・発生時期：
- 2026-10-02 / 2026-10-12
- 対象・範囲：
- 英国・従業員/就業者5,000人と意思決定者1,000人の別標本
S13 · Workday AI@Work · 公開
9月も手直し負担は残る（原典・別タブ）
8→9月の利用76%→77%、自律委任71%→69%、手直し負担33%→33%。AI利用非開示は49%→41%。公表集計の比較で、同一個人追跡や統計的有意差は確認していません。公開日は公式メタデータ照合。
- 調査実施・発生時期：
- 2026-09（比較 2026-08） / comparison with 2026-08
- 対象・範囲：
- 世界の約6,000人。表の自律委任・手直し・非開示はAI利用者が分母。対象国/正確なnは本文で確認できない
S14 · yuki takamura / Zenn · 公開
レビューの数字を成立条件まで確かめる（原典・別タブ）
不合格率は7月51.1%→10月途中13.4%に下がった一方、10月209件すべてで3モデル中1モデルだけが判定。品質改善と断定できない事例です。失敗率の業界平均にはできません。
- 調査実施・発生時期：
- 2026-07 / 2026-10-19（10月途中まで）
- 対象・範囲：
- 著者のアプリ開発で記録した876レビュー。単独環境
S15 · 英国政府 / AI adoption survey · 公開
企業規模で異なるAI導入（原典・別タブ）
少なくとも1種のAI技術を使う企業は16%→32%の年次比較。大企業52%。生成AI限定の調査ではなく、10月時点の実測でもありません。
- 調査実施・発生時期：
- 2026-01-07 / 2026-04-21
- 対象・範囲：
- 英国企業3,503社への電話調査。追加50面談・7社訪問
Read this review in English
AI use: an August–October 2026 source review
AI use extends into purchasing and task execution, while rework, measuring returns and costs, and human oversight recur across sources. The evidence does not show autonomous delegation increasing every month.
Publication window: 2026-08-01–2026-10-31. Originals checked: 2026-11-01.
We selected and read 15 primary sources published from August through October 2026 across consumer use, purchasing, work, education, development and operations. This is a purposive review, not an exhaustive or random sample. Source counts do not measure interest or prevalence, and are separate from the existing 26 observation records.
Coverage is limited to accessible Japanese- and English-language sources and is weighted toward Japan, the UK/US, and AI-engaged organizations and developers. Product announcements alone, republications, unread originals and out-of-window publications are excluded. Older fieldwork is shown separately from publication dates.
Within-study comparisons are separated from editorial themes across sources. Publication and fieldwork dates may differ.
01 · Longer-term same-study comparison plus related evidence
AI reaches beyond search into purchasing
Among NTT DATA’s purchasing users, recommendation adoption rose 61.9%→69.7% from March to August, alongside information and application-flow friction.
Evidence, limits and what to check next
NTT DATA’s March-to-August comparison shows recommendation adoption among purchasing users rising from 61.9% to 69.7%, alongside friction between AI and company information or application flows. CyberAgent separately measures August search use; different populations and questions prevent combining the series.
For users: check AI answers against official conditions. For providers: check that comparison information leads to purchasing or applications with consistent terms.
02 · August–September same-study comparison plus other populations
Use can grow while rework persists
In Workday’s survey, 33%→33% of AI users lost at least half of time saved to rework from August to September; adoption and reduced burden are different outcomes.
Evidence, limits and what to check next
Workday’s August–September aggregates show workplace adoption at 76%→77%, while 33% of AI users still lose at least half of saved time to rework. Japanese consumer and education surveys also highlight misinformation and checking knowledge, but different populations and periods cannot yield a global burden rate.
Track checking, correction and rework as well as generation time, together with required quality.
03 · A recurring issue across sources
Connect individual time savings to organizational returns and costs
McKinsey’s 80% reporting individual productivity gains and 37% reporting enterprise earnings before interest and taxes (EBIT) impact are different measures. GMO’s internal survey also highlights token-cost management.
Evidence, limits and what to check next
McKinsey measures individual productivity, enterprise financial impact and operating costs separately. GMO reports in-house development and token management in an advanced corporate group. UK government research also shows business-size differences; leading adopters do not represent all small firms.
For a recurring workflow, compare end-to-end human time, tool and review costs, and actual use outcomes before deciding what to continue or narrow.
04 · A recurring issue across sources
Adoption figures do not reveal workforce confidence
In Microsoft’s separate UK samples, confidence in a leading AI economy was 84% among decision-makers and 41% among workers; adoption alone cannot show workforce confidence.
Evidence, limits and what to check next
Microsoft’s UK study finds differing expectations among leaders and workers. Workday shows concealed AI use falling from 49% to 41% but persisting. Japanese word-of-mouth findings add another social dimension. Causality across countries and questions is not established.
Alongside adoption, share concrete examples of permitted delegation, required checks and where to ask for help.
05 · Practitioner reports and a bounded experiment
Check beyond built, passed or agreed
In one author’s environment, two of three models returned no verdict in all 209 October reviews through October 19. Lower failure rates alone do not show that verification is operating.
Evidence, limits and what to check next
The August outage report, September failure analysis and October review audit question task scope, completion signals and whether verification actually runs. Anthropic’s book-swapping experiment also separates agreement from physical handover. These selected cases do not establish increasing incident rates.
Check which validations actually ran, what happened at the point of use, and how failures can be recovered, beyond implementation or pass counts.
What the same monthly survey actually shows
Workday AI@Work: August versus September 2026. August n=5,944; September around 6,000, worldwide. Measures have different denominators, shown below.
| Measure / denominator | Aug | Sep | Change (percentage points) |
|---|---|---|---|
| Workplace AI useall employees | 76% | 77% | +1 pp |
| Ever delegated a task autonomouslyAI users | 71% | 69% | -2 pp |
| Rework consumes at least half of time savedAI users | 33% | 33% | 0 pp |
| Deliberately concealed workplace AI useAI users | 49% | 41% | -8 pp |
Percentages are respondents’ reports, not measured productivity or verified work outcomes. Rework is the share of AI users losing at least half of saved time, not the share of all work time. Published aggregates do not establish individual change or statistical significance. Country coverage and full sampling details are not confirmed in these articles.
Read the 15 primary sources by publication month
Open a month to see findings, fieldwork periods and populations. Counts are review coverage, not popularity.
2026-08 · 3 sources
S01 · NTTドコモ モバイル社会研究所 · Published
Word of mouth and perceived usefulness (original, new tab)
Word-of-mouth discovery among AI-aware respondents rose from 10% to 19%; perceived usefulness among users rose from 75% to 82%. This compares February waves a year apart, not a change in August.
- Fieldwork / event:
- 2025-02 / 2026-02
- Population / scope:
- Japan, ages 15–69; full samples 7,527 / 7,223, AI-aware subsamples 3,551 / 5,099
S02 · Toyo / Zenn · Published
A small request expanded into a production outage (original, new tab)
The author reports an approximately 27-minute outage after a link request expanded into a theme update. It motivates checking state and recovery options after a failed action; the incident has not been independently reproduced.
- Fieldwork / event:
- 2026-05-27
- Population / scope:
- One WordPress operator’s incident report; geography is not an applicability condition
S03 · McKinsey · Published
Individual productivity and enterprise returns (original, new tab)
80% report improved personal productivity, 37% some enterprise earnings before interest and taxes (EBIT) impact, and about 20% cost constraints. These are different self-reported measures, not an estimate of the gap in realized financial returns.
- Fieldwork / event:
- 2026-05-04 / 2026-06-08
- Population / scope:
- 1,719 respondents across 97 countries, weighted by national gross domestic product (GDP); self-reported organizational activity
2026-09 · 6 sources
S04 · サイバーエージェント GEOラボ · Published
Generative AI in search (original, new tab)
Search use of generative AI, including AI Mode, was 52.3%. Among users of both search engines and generative AI, 46.6% said they had shifted at least half of search activity to AI. This does not measure all AI use or realized sales.
- Fieldwork / event:
- 2026-08-07 / 2026-08-10
- Population / scope:
- Japan, 9,278 respondents aged 15–69; online survey
S05 · ikedan / TOKIUMプロダクトチーム · Published
From failure notes to execution checks (original, new tab)
The author classifies failures such as overreliance on exit codes and describes moving from rules to hooks and live-path checks. The 228 patterns are not a denominator for a failure rate or proof of three universal root causes.
- Fieldwork / event:
- 公開前の数か月 / several months before publication
- Population / scope:
- 228 recorded patterns from the author’s Claude Code environment; a single-environment self-report
S06 · Workday AI@Work · Published
August workplace use and rework (original, new tab)
AI adoption was 76%; 33% of AI users said rework consumed at least half of the time saved. Publication date was verified in official Article metadata rather than visible article copy.
- Fieldwork / event:
- 2026-08
- Population / scope:
- 5,944 employees worldwide; the article does not fully disclose country coverage and sampling conditions
S07 · NTTドコモ モバイル社会研究所 · Published
Misinformation concerns and checking burden (original, new tab)
Misinformation dissatisfaction rose from 34.8% to 40.4% across annual February waves. In 2026, 19.5% reported checking or selection burden, a minority. Associations with checking behavior do not establish declining model accuracy.
- Fieldwork / event:
- 2025-02 / 2026-02
- Population / scope:
- Japan, AI users aged 15–69; samples 1,995 / 3,669; online survey
S08 · Anthropic · Published
Book-swapping agents and preference elicitation (original, new tab)
The experiment separates preference elicitation from trading performance. Some physical handovers could not be confirmed after deals, so agreement and delivery differ. Employee preferences and trust cannot be generalized to consumers.
- Fieldwork / event:
- 2026年夏 / summer 2026
- Population / scope:
- 201 employees across six US, UK and Irish offices; a bounded internal experiment
S09 · NTTデータ · Published
From AI recommendations to purchase (original, new tab)
Recommendation adoption among purchasing users rose from 61.9% to 69.7%. Of all respondents, 37.9% reported friction between AI and company touchpoints; among those 1,497 people, 66.6% had abandoned a purchase or contract. These are survey responses, not transaction logs.
- Fieldwork / event:
- 2026-08-28 / 2026-08-31
- Population / scope:
- Japan, 3,948 AI-experienced people aged 15–69; purchasing-use subset 2,387; previous full sample 1,429 in March 2026
2026-10 · 6 sources
S10 · GMOインターネットグループ · Published
In-house tools and token costs (original, new tab)
54.1% of workplace AI users practiced vibe coding at work; 60.7% reported token-management practices. This is an advanced corporate group, not Japan-wide prevalence. We do not chart a monthly change without verifying the previous wave.
- Fieldwork / event:
- 2026-09-07 / 2026-09-11
- Population / scope:
- 5,894 domestic group partners; some questions use the workplace-AI-user subset; the exact denominator for token-management questions is not stated in the original article
S11 · 仙台大学 AI教育研究チーム · Published
Educational use and verification literacy (original, new tab)
Among student users, 79.2% used AI for assignments or reports and 41.5% knew citation methods and, separately, fact-checking methods. 42.4% of teachers cited inadequate teacher knowledge. This does not establish causal learning outcomes.
- Fieldwork / event:
- 2026-03-13 / 2026-03-26
- Population / scope:
- Japan-wide online survey; analyzed samples 5,706 students and 2,384 teachers; adoption includes private use
S12 · Microsoft / Censuswide · Published
Different expectations among leaders and workers (original, new tab)
Confidence that the UK could become a leading AI economy within five years was 84% among decision-makers and 41% among workers. These are expectations in separate samples, not adoption, productivity or within-person change.
- Fieldwork / event:
- 2026-10-02 / 2026-10-12
- Population / scope:
- UK; separate samples of 5,000 workers and 1,000 senior business decision-makers
S13 · Workday AI@Work · Published
Rework persists in September (original, new tab)
From August to September, adoption moved 76%→77%, autonomous delegation 71%→69%, rework burden 33%→33%, and concealed use 49%→41%. These compare published aggregates; panel continuity and statistical significance are not established. Date verified in official metadata.
- Fieldwork / event:
- 2026-09（比較 2026-08） / comparison with 2026-08
- Population / scope:
- Around 6,000 employees worldwide; delegation, rework and concealment use AI-user denominators; exact n and country coverage are not disclosed in the article
S14 · yuki takamura / Zenn · Published
Check whether review metrics reflect working reviews (original, new tab)
Failure rates fell from 51.1% in July to 13.4% through October 19, but all 209 October reviews had only one of three models returning a verdict. This cannot establish quality improvement or an industry-wide failure rate.
- Fieldwork / event:
- 2026-07 / 2026-10-19（10月途中まで）
- Population / scope:
- 876 recorded reviews in the author’s app-development environment; a single system
S15 · 英国政府 / AI adoption survey · Published
AI adoption differs by business size (original, new tab)
Annual adoption of at least one AI technology rose from 16% to 32%, with 52% among larger firms. This is not limited to generative AI and was not measured in October.
- Fieldwork / event:
- 2026-01-07 / 2026-04-21
- Population / scope:
- UK; telephone survey of 3,503 businesses, plus 50 interviews and seven site visits
いま、どこで困っているか
国内外でAIを使う人は、何に関心を持ち、何に困っているのか。利用場面、試された対策、分かったことと残る問いを、原典からたどります。
公開資料で確認した人や組織の観測です。掲載順や資料件数は、世の中全体の注目度や課題の多さを表しません。
- 論点 01
AIに任せた開発を、どう確かめて出荷するか
実装を終えても、元の要件や故障時の振る舞いの確認が残ります。編集した範囲と関連テストがつながらず、確認が遅いという要望もあります。
公開PRに修正記録・全体効果は未確認
- 論点 02
並行・長時間のAI開発を、どう止めて引き継ぐか
担当や文脈を見失う、再試行が止まらない、作業が消える、逆に応答ごとに停止する、という異なる本人報告があります。
設定変更後の改善報告あり・追試は未確認
- 論点 03
実装が進んだ後、どの設計を選ぶか
動く構成ができても大きすぎる場合があり、問い方でAIの判断が変わることにも負担を感じています。
本人が小さい案を選択・効果の比較は未確認
- 論点 04
AIの出力や完了報告を、何で確かめるか
存在しないコミットやテスト通過の報告、設定理由と操作記録の不整合が報告されています。一般利用者の背景調査にも、確認負担の回答があります。
照合を実施・負担軽減は未確認
- 論点 05
小さな事業で、AIを何にどう使うか
未利用者は、使い方の不明確さやデータ保護、出力の不正確さを懸念しています。障壁の質問はAI全般が対象です。
試行の回答あり・新支援の効果未確認
- 論点 06
AIの試作品を、人が使える形にするには
画像加工では入力の難しさや不要物の残存、ゲームでは動いても楽しくない初期版が課題でした。行政チャットは、できることや確かめ方を伝える必要があります。
入力・工程を改善・継続効果は未測定
- 論点 07
AIの学びを、職種・専攻の実務につなげるには
職場では部署や職種によって必要な使い方が異なり、相談先への要望もあります。学生調査は支援への受け止め方を示しますが、必要な形式までは確定していません。
研修・相談を実施・効果は未測定
- 論点 08
時短を、使い続けられる仕事の流れにつなげるには
教員からは、授業案を一から作る必要が少なく、修正にも手間がかかるという声があります。日本の教職員調査には、生徒のAI利用に伴う確認や課題設計の負担もあります。
授業準備は時短・長期の定着は未確認
資料を探す
気になることから
26件の資料
詳細条件
不具合・対処後の本人報告 · 英語
長いAI作業には、引き継ぎで止まる条件も要る
現行ツールの目標文に、完了条件と正当な停止地点を明記。
確認の範囲：Windows 11の1件。約30回は本人の記録で、HAKOMIROによる追試はしていません。
機能要望・設計案／公式仕様の照合 · 英語
AIの編集を、変更に関係するテストへつなぐ
PostToolUseで変更ファイルを集め、StopでVitestの関連テストを一度回す案です。Bash経由の変更の把握と、失敗時の再試行上限を別に設計します。
確認の範囲：機能要望と設計案です。利用者が導入して効果を確認した事例ではありません。
長期利用者の回顧 · 英語
実装が進むほど、何を優先するかの判断が残る
本人が複雑さを評価して小さい案を選択。別の返信にある決定記録の提案は、本人の実施結果と区別します。
確認の範囲：1人の回顧・自己評価です。小さなタスクと本人の環境の経験を、開発者全般へ一般化できません。
作り手の説明／AIレビューの公開コメント／開発者の修正差分 · 英語
AIで書いたコードを動かし、故障時の振る舞いまで確かめる
実行できた経路とコードから推論した経路を分け、保守者が再現・修正の範囲を補う。初期のnative Unixの指摘は直接実行した結果ではありません。
確認の範囲：特定PRの記録で、見落とし率や工数削減を測る比較ではありません。
GitHubのREADME／運用者による集計と失敗例 · 英語
複数のAIに分担させても、完了の判断は別に行う
作業用のブランチを分け、重要な変更を別モデルがレビュー。元の依頼と成果物を照合し、確認をやり直しています。
確認の範囲：自作ツールの運用者による報告で、独立した利用者評価ではありません。
公開Issueの本文・時系列・後続コメント · 英語
夜間のAI実行で、再試行を止める条件が足りない
実行を手動停止し、時刻と使用量の記録で経過を報告。製品側への改善要望と、別利用者の回避案が続きました。
確認の範囲：1利用者の特定環境での報告。原ログ全量や他環境での再現は未検証です。
Redditの原投稿本文／当事者による復旧報告 · 英語
作業領域から消えた32ファイルを、コミットから復旧した
消失したファイルをGitの履歴から復元。再発防止として、作業領域と保存手順の明示を提案しました。
確認の範囲：ハンドル名による1件の報告で、職業・所属は未確認です。
Product HuntのMakerコメント／本人の設計記事 · 英語
複数のAIの仕事と引き継ぎを、一つの画面で追いたい
共有画面、担当と状態の表示、文脈を伴う引き継ぎを製品として用意。結果を人が確認する方針を説明しています。
確認の範囲：製品を販売する作り手の説明で、独立した利用者評価ではありません。
Blueskyの原投稿／本人による実装経路の説明 · 英語
要望をAIが実装し、人がプレビューで確かめる
実装の開始とドラフト作成を自動化し、作る価値の判断、操作の確認、マージを人の工程として残しています。
確認の範囲：自作サービスの紹介を兼ねる本人報告です。
Blueskyの本人による原投稿 · 英語
細かく指示してもAIが止まる、という未解決の報告
詳細な指示と継続の要求を試したという記録です。今回確認した原投稿だけでは、有効な回避方法は分かりません。
確認の範囲：短い1投稿で、版・設定・プロンプト・ログ・再現頻度は不明です。
事業者への自己申告調査／研修機関の設立発表 · 英語
小さな事業で、AIを何にどう使うか
自主的な試行やオンライン交流が報告され、10月22日には研修機関の設立が発表されました。
確認の範囲：プログラム修了者の任意回答で、全米の小企業を代表しません。
主催者による参加者の経験の記録 · 英語
事務職のAI利用を、職場の相談と実践で支える
各機関が、研修や利用ルールの整備、相談を通じた支援を試しています。
確認の範囲：主催者による会合の要約。参加人数・各機関の所在地・代表性は確認できません。
設計担当者による利用者調査・テストの報告 · 英語
行政AIチャットで、使う前の期待と確かめ方を整える
回答に原典へのリンクを設け、文字拡大やスクリーンリーダーでの操作にも対応。
確認の範囲：提供側による設計報告で、調査人数・期間・正答率・時短効果は示されていません。
無作為化比較試験 · 英語
授業準備の時短と、使い続ける条件
学校単位で無作為に割り付け、週ごとに記録。両群とも他の生成AIは利用可能ですが、Oakのサイトで新たな教材を探すことは控える条件でした。
確認の範囲：時間は教員の自己記録。教材評価は教員が修正した最終版で、AIの未修正出力や生徒の学力を測った結果ではありません。
当事者の記録 · 日本語
画像生成を業務へ渡すには、入力と工程を整える
入力を絞り、実物の写真で出力を目視確認して、処理の順序や使い方の説明を調整。
確認の範囲：作成者による試験と受け渡しの自己報告。利用人数・継続率・時短効果は提示されていません。
前後調査・プレプリント · 英語
導入前の期待を、実際の仕事に合わせて見直す
同じ職員の導入前後の回答を対応付け、研修と業務での利用を経た認識を調べました。
確認の範囲：単一機関の自己申告による前後調査で、比較対照群はありません。生産性や精度を実測した結果ではありません。
企業による一次調査 · 日本語
生徒がAIを使うと、教員の確認と課題設計も変わる
業務の負担について回答した調査です。特定の改善策を導入して効果を測った事例ではありません。
確認の範囲：328人全員が生成AI利用者とは記載されていません。負担設問別の回答母数を公開資料から確認できず、割合は採っていません。
当事者の記録 · 日本語
AIが作る設定の理由を、手元の記録と照合する
設定の控えと前後の出力を残し、理由の説明を手元の操作履歴と照合。
確認の範囲：PC1台・1回の自己報告で、操作・計測にもAIを使用。元のログをこちらが独立検証したものではありません。
当事者の記録 · 英語
AIで作れたゲームを、遊んで確かめる
コードの詳しいレビューはほとんど行わず、繰り返し遊んで挙動や体験を確認。
確認の範囲：作者の主観と限られた試遊の報告で、楽しさ・安全性・開発効率の比較試験ではありません。
一次調査 · 英語
AIを信頼する条件は、自分で確かめられること
開発者調査では、AIへの信頼を「出力を容易に検証できること」と結びつける回答が48.0%でした。
確認の範囲：自己選択型の調査で、開発者全体の代表値ではありません。
一次調査 · 英語
自分の仕事をAIが担う将来像は、立場で違う
2030年にAIが自分の仕事の80%以上を担えると予想した人は、Anthropic社員で半数超、米国の就業者で5%でした。
確認の範囲：将来の予想を示す数字で、2030年の能力や失業の実績ではありません。
一次調査 · 日本語
比較の入口にAI。検索エンジンも併用される
商品価格や宿泊先などを比較する場面でもAI利用が報告されています。
確認の範囲：自己申告の利用率であり、検索回数の実測シェアではありません。
当事者の記録 · 日本語
AIの完了報告を、実際の成果と照合する
Gitへの書き込み担当を限定し、ファイル・テスト・設計書との照合を行っています。
確認の範囲：当事者1人の記録です。欠陥率や総作業時間の改善を示す定量比較は、記事では確認できません。
一次調査 · 日本語
AIの確認負担は、使い方によって違う
役立てながら内容を確かめる利用者がいます。負担の実作業時間は測っていません。
確認の範囲：2026年2月の状態を示す背景資料です。
当事者の記録 · 英語
料理の間に音声で実装。レビューにも時間を使う
大まかな実装を音声で進め、細部の確認と修正ではキーボードに切り替えました。
確認の範囲：熟練した開発者の自己報告1件。従来手法との比較時間や費用は、記事では確認できません。
一次調査 · 英語
AIを学ぶ学生に、仕事へつなげる支援は届くか
著者は、体系的な導入教育、専攻別の技能教育、課題別の利用指針、教職員研修などを提案しています。施策の効果を検証した報告ではありません。
確認の範囲：観測は2025年12月。現在の大学の支援状況が同じとは限りません。