Claude Cowork実態調査：開発8.7%、事務作業が主役の驚くべき利用比率

📖この記事は約22分で読めます

1. 120万件のデータが明かす意外な真実

想定外の利用率分布

2026年7月現在、Anthropicから「Claude Cowork」の利用状況に関する詳細レポートが公開されました。このレポートのベースとなっているのは、実に120万件という膨大なセッションデータです。私たちが日常的に目にしているAI活用のイメージとは大きく異なる結果が含まれていることに、すぐに気づくはずです。

多くの技術系メディアやブログでは、AIはソフトウェア開発の効率化ツールとして語られることが多いです。GitHub CopilotやCursorのようなコーディング支援ツールが注目を集める中、AIの主要用途はコード生成だと考えがちでした。しかし、今回のデータはそんな常識を覆すような分布を示しています。

ソフトウェア開発は一部に過ぎない

レポートによれば、セッション全体のうちソフトウェア開発に分類されるものは、わずか8.7％にとどまっています。これは全体のおよそ10％にも満たない数字です。つまり、100人のユーザーがClaude Coworkを使った場合、9人以上はコードを書くためではなく、別の目的で使用していたことになります。

一方、セッションのおよそ3分の1、つまり約33％が「業務処理と運用」に分類されました。これは明確な多数派です。スライド作成、メールのドラフト作成、会議議事録の整理、データのエクスポート処理など、いわゆる事務作業がAI活用の中心になっている実態が浮き彫りになりました。

ローカルLLMユーザーへの衝撃

このデータは、クラウドAPIに依存するユーザーだけでなく、ローカルLLMを自宅PCで動かそうとしている私たちにとって、重要な示唆を含んでいます。もしAIの主な価値がコーディングにあると誤解していたら、モデル選定やハードウェア投資の優先順位を間違える可能性があります。

実際、私は以前、70Bパラメータ級の巨大モデルをVRAM 24GBのGPUで無理やり動かそうとしました。それは複雑なコードのデバッグに使えると考えたからです。しかし、日常的には文章の要約や資料作成の方が頻度が高いことに気づき、最近では13Bクラスのモデルで十分だと考えを改めました。

2. 「業務処理と運用」の具体的な中身

スライド作成とプレゼン資料

レポートで言及されている「業務処理」の代表例が、スライド作成やプレゼン資料の準備です。Claude Coworkは、与えられたテキストやデータを基に、スライドの構成案を提示したり、各スライドのタイトルや本文を生成したりする能力を持っています。これは単なるテキスト生成ではなく、視覚的なレイアウトを考慮した提案を含む場合があります。

多くのビジネスパーソンは、資料作成に多大な時間を費やしています。骨子立てから始まり、文章の推敲、デザイン調整まで、工程は多岐にわたります。Claude Coworkはこれらの工程のうち、特に「骨子立て」と「下書き作成」の部分を大幅に短縮できる可能性があります。120万件のセッションの中で、この用途が3分の1を占めた背景には、こうした日常的なニーズの大きさがあるのでしょう。

メール対応とコミュニケーション支援

もう一つの大きなカテゴリは、メールやチャットでのコミュニケーション支援です。クライアントへの返信、社内での報告、あるいは交渉のメールなど、適切なトーンと構成で文章を作成する必要がある場面は数多くあります。Claude Coworkは、簡潔な指示に対して、ビジネスライクな文章を瞬時に生成できます。

特に、怒りの感情を込めた下書きを冷静なトーンに書き換える、あるいは曖昧な指示を明確なアクションプランに変換するといったタスクで威力を発揮します。これは大規模言語モデルが得意とする「文脈理解」と「スタイル転換」の能力が直接活かされる領域です。ローカルLLMでも同様のことは可能ですが、クラウド版の方が学習データが新しければ、最新のビジネス慣習を反映した出力が得られやすいでしょう。

データ整理と情報抽出

「運用」に含まれるもう一つの重要な要素は、データ整理や情報抽出です。非構造化データであるメールやドキュメントから、特定の情報を抽出して表形式にまとめる、あるいは複数のソースから共通する傾向を導き出すといった作業です。これは従来のRPA（ロボティック・プロセス・オートメーション）では難しかった、意味理解を伴う処理です。

例えば、顧客からの問い合わせメール100通を読み込み、その中で最も頻繁に問題提起されている製品機能をリストアップする、といったタスクです。Claude Coworkはこのようなタスクに対して、高い精度で回答を返すことができます。これが業務処理の33％を占める要因の一つとなっています。

3. コーディング支援の限界と実態

8.7％という数字の意味

ソフトウェア開発が8.7％という数字は、一見すると低いように見えますが、決して無視できるものではありません。開発者コミュニティにおいて、AIコーディング支援ツールの普及率は急速に高まっています。CursorやGitHub Copilot、あるいはVS Code拡張機能のContinueなど、多くのツールがリリースされています。

しかし、この数字は「すべてのユーザー」を対象としたものです。開発者ではない一般ビジネスユーザーも含まれているため、開発者限定で見れば割合は高くなるはずです。それでも、AIの全セッションの10％未満がコードに関連しているという事実は、AIの活用範囲がコーディングを超えていることを如実に示しています。

複雑なロジック生成の難しさ

私がローカルLLMを使ってコード生成を試みるとき、簡単なスクリプトやHTML/CSSの修正であれば問題なく対応できます。しかし、複雑なロジックを持つ関数や、既存のコードベースに深く依存する変更を行う場合、LLMはしばしば不正確な提案をしたり、コンテキストを失ったりします。

特に、ローカルで動かす7B〜13Bクラスのモデルでは、この傾向が顕著です。クラウドの巨大モデルでも完全ではありませんが、エラー率やハルシネーション（幻覚）の発生率は依然として課題です。そのため、開発者はAIの出力を盲信せず、常に検証と修正を行う必要があります。この「検証コスト」を考慮すると、AIによるコーディング支援の純粋な生産性向上効果は、想像より小さくなる可能性があります。

デバッグとリファクタリングの役割

コーディング支援におけるAIの真の価値は、新規コードの生成よりも、既存コードのデバッグやリファクタリングにあるかもしれません。Claude Coworkのセッションデータでは、この辺りの詳細な内訳までは明記されていませんが、経験上、エラーメッセージの解析や、コードの可読性向上のための提案は非常に有用です。

例えば、理解できないエラーログをLLMに貼り付け、その原因と解決策を問うことは、多くの開発者が行っているでしょう。この種の問い合わせは、セッション数としては多くないかもしれませんが、ユーザーのストレス軽減に大きく貢献します。8.7％の中には、こうした「救済措置」的な利用も含まれていると考えられます。

4. ローカルLLMとの比較検証

クラウドとローカルの使い分け

Claude Coworkのようなクラウドベースのサービスと、OllamaやLM Studioで動かすローカルLLMは、どのように使い分けるべきでしょうか。まず結論から言うと、機密性の高いデータや、オフライン環境での利用が必要な場合はローカルLLMが優位です。一方、最新の知識や高度な推論能力が必要な場合は、クラウドモデルが有利です。

今回のレポートで示された「業務処理」の多くは、機密情報を含む可能性があります。社内資料や顧客データ、内部の議事録などをクラウドに送信することに抵抗を感じるユーザーは少なくありません。そのようなケースでは、ローカルLLMは強力な代替手段となります。特に、QwenやLlamaなどのオープンソースモデルは、日本語対応も進んでおり、事務作業での活用が十分可能です。

性能とコストの比較表

クラウドサービスとローカルLLMの主な違いを、下表にまとめました。これは私の経験と一般的なベンチマーク結果を基に作成したものです。VRAM容量や推論速度、初期コストなどの観点から、両者の違いを明確にしています。

VRAM制約への対応

ローカルLLMの最大の課題は、VRAM（ビデオメモリ）の制約です。大きなモデルを動かそうとすると、VRAM不足により推論速度が激減したり、OOM（Out of Memory）エラーが発生したりします。RTX 4090のような24GB VRAMを持つGPUでも、70Bクラスのモデルを完全には動かすことができません。

そのため、量子化技術（GGUF形式など）を用いて、モデルの精度をわずかに犠牲にしてメモリ使用量を削減する必要があります。INT4量子化であれば、70Bモデルを24GB VRAMで動かすことが可能になります。ただし、推論速度は低下します。このトレードオフを理解した上で、用途に合わせてモデルを選択することが重要です。

5. 事務作業自動化のためのローカル環境構築

最小構成のハードウェア要件

Claude Coworkで使われているような事務作業を、ローカルLLMで再現する場合、どのような環境が必要でしょうか。必ずしも最新のハイエンドGPUは不要です。事務作業用のプロンプトは、一般的に複雑な推論を要求しないため、比較的小さなモデルでも十分に対応できます。

例えば、RTX 4060 Ti 16GBや、MacBook ProのM2/M3チップ搭載モデルでも、13B〜32Bクラスのモデルを快適に動かすことができます。VRAMが16GBあれば、13BモデルのFP16動作、あるいは32BモデルのINT4量子化動作が可能です。これらは、文章生成や要約、簡単なコード補完には十分な性能を持っています。

Ollamaでのモデル設定例

ローカルLLMの導入には、Ollamaが最も手軽です。インストール後、コマンドラインでモデルをダウンロードして実行できます。事務作業向けには、Qwen2.5やLlama 3.1などのモデルがおすすめです。特にQwen2.5は、日本語処理能力が高く、論理的な推論も得意です。

# Ollamaのインストール後、モデルをダウンロード
ollama pull qwen2.5:14b

# モデルを実行してチャットを開始
ollama run qwen2.5:14b

# プロンプト例：スライド構成案の生成
"以下のトピックについて、5スライド分の構成案を作成してください。
トピック：2026年第3四半期の販売戦略
ターゲット：中小企業オーナー
目的：新規顧客獲得"

LM StudioによるGUI操作

コマンドラインに抵抗がある場合は、LM Studioが便利です。GUIベースでモデルの選択、プロンプトの入力、出力の確認を行うことができます。また、ローカルのファイルを読み込んでRAG（検索拡張生成）を行う機能も備えています。これにより、自社の資料を基にしたQ&Aシステムを簡単に構築できます。

LM Studioでは、モデルの量子化レベルを視覚的に確認でき、VRAM使用量の推計も表示されます。これにより、自分のハードウェアでどのモデルが動くかを試行錯誤せずに判断できます。事務作業の自動化には、この手軽さが大きなメリットになります。

6. RAG技術による社内知識の活用

RAGの基本概念

Claude Coworkが業務処理に活用されている背景には、単なるテキスト生成だけでなく、ユーザーのコンテキストを考慮した回答が期待されていることがあります。ローカルLLMでこれを再現するには、RAG（Retrieval-Augmented Generation）技術が有効です。RAGは、外部の知識ベースを検索し、その情報をLLMに入力として渡すことで、より正確で文脈に即した回答を生成する手法です。

例えば、自社のマニュアルや過去の議事録、製品仕様書などをベクトルデータベースに保存しておきます。ユーザーが質問をすると、関連するドキュメント断片を検索し、それらをLLMのプロンプトに含めて回答を生成します。これにより、LLMの学習データに含まれていない社内固有の情報にも対応できます。

QdrantとOllamaの連携

ローカル環境でRAGを構築するには、QdrantやChromaなどのベクトルデータベースと、OllamaやLangChainなどのフレームワークを組み合わせて使用します。Qdrantは高性能なベクトル検索エンジンで、OllamaはLLMの推論エンジンです。これらを連携させることで、完全なオフラインRAGシステムを構築できます。

セットアップは少し複雑ですが、一度構築してしまえば、社内知識の検索と回答生成を自動化できます。これは、Claude Coworkのようなクラウドサービスでは実現困難な、高いプライバシー保護とカスタマイズ性を兼ね備えたソリューションです。特に、製造業や医療機関など、データ漏洩が許されない業界では、このアプローチが必須となります。

実装例とコードスニペット

以下は、PythonとLangChainを使用して、QdrantとOllamaを連携させる簡易的なコード例です。このコードは、ローカルのテキストファイルをベクトル化し、Ollamaのモデルを使用して質問に回答するプロセスを示しています。

from langchain_community.document_loaders import TextLoader
from langchain_community.vectorstores import Qdrant
from langchain_community.embeddings import OllamaEmbeddings
from langchain_community.llms import Ollama
from langchain.chains import RetrievalQA

# ドキュメントの読み込みと分割
loader = TextLoader("company_manual.txt")
documents = loader.load()

# Ollamaの埋め込みモデルとLLMの初期化
embeddings = OllamaEmbeddings(model="nomic-embed-text")
llm = Ollama(model="qwen2.5:14b")

# ベクトルデータベースの作成と保存
vectorstore = Qdrant.from_documents(
    documents,
    embeddings,
    url="http://localhost:6333",
    collection_name="manuals"
)

# RAGチェーンの構築
qa_chain = RetrievalQA.from_chain_type(
    llm=llm,
    retriever=vectorstore.as_retriever()
)

# 質問への回答
query = "製品の保証期間は何年ですか？"
result = qa_chain.run(query)
print(result)

7. メリットとデメリットの正直な評価

ローカルLLMの明確なメリット

ローカルLLMの最大のメリットは、データプライバシーの確保です。機密情報をクラウドに送信する必要がないため、セキュリティリスクを最小限に抑えられます。また、一度ハードウェア投資を行えば、ランニングコストは電気代のみになります。長期的に見れば、クラウドサービスよりもコスト効率が良くなる可能性があります。

さらに、オフラインでの利用が可能である点も大きな強みです。インターネット接続が不安定な環境や、完全に隔離されたネットワーク環境でも、AIの恩恵を受けることができます。これは、製造現場や研究施設など、特定的环境において極めて重要です。

無視できないデメリット

一方、デメリットも明確です。まず、初期投資コストが高いことです。高性能なGPUや大容量のメモリを搭載したPCを購入する必要があります。また、モデルの更新やメンテナンスには技術的な知識が必要です。クラウドサービスのように「ボタン一つで最新モデル」にはなりません。

さらに、ローカルモデルの性能は、クラウドの巨大モデルには劣る場合があります。特に、複雑な推論や創造的なタスクでは、その差が顕著になります。そのため、すべてのタスクをローカルLLMに任せることはできません。用途に応じて、クラウドとローカルを使い分ける柔軟性が求められます。

コストパフォーマンスの試算

コスト面での比較を具体化しましょう。Claude Proのサブスクリプションは月額約20ドルです。一方、RTX 4060 Ti 16GB搭載PCの購入費用は約15万円とします。電気代を月500円と仮定すると、ローカル環境のランニングコストは月500円です。

クラウドサービスの場合、月20ドル（約3,000円）を10年続ければ、約36万円になります。ローカル環境の場合、初期投資15万円に電気代6万円（10年分）を加えた21万円です。約15万円の差があります。ただし、これはモデルの性能差やメンテナンスコストを考慮していない単純計算です。実際の判断には、セキュリティ要件やパフォーマンス要件も加味する必要があります。

8. 今後の展望と技術トレンド

エッジAIの進化

今後のトレンドは、エッジAIの進化です。ノートPCやスマートフォンに搭載されるNPU（Neural Processing Unit）の性能が向上しており、ローカルでのLLM実行がより身近になりつつあります。Ryzen AIシリーズやIntel Core Ultraシリーズなど、NPU搭載プロセッサが普及しています。

これにより、GPUなしでも、ある程度のLLM推論が可能になります。もちろん、VRAMを持つGPUには及びませんが、テキスト生成や簡単な推論タスクには十分です。これにより、ローカルLLMのハードルはさらに下がります。事務作業支援という用途には、このレベルの性能で十分対応できる可能性があります。

オープンソースモデルの質的向上

もう一つの重要なトレンドは、オープンソースモデルの質的向上です。MetaのLlamaシリーズ、Mistral AIのMistralモデル、アリババのQwenシリーズなど、オープンソースモデルの性能は年々向上しています。特に、日本語対応や専門分野の知識については、クラウドモデルに迫る、あるいは凌駕するモデルも登場しつつあります。

2026年現在、Qwen2.5やLlama 3.1などのモデルは、事務作業やコーディング支援において、十分な性能を持っています。これにより、ローカルLLMの選択肢は広がり、ユーザーは用途に合わせて最適なモデルを選択できるようになります。クラウド依存から脱却し、オンプレミスでのAI活用が進む可能性があります。

エージェント技術の統合

将来的には、LLM単体ではなく、エージェント技術との統合が進むでしょう。エージェントは、LLMを中核とし、ツール（ブラウザ、ファイルシステム、API等）を操作してタスクを自律的に実行するシステムです。Claude Coworkも、将来的にはより高度なエージェント機能を持つ可能性があります。

ローカル環境でも、AutoGenやCrewAIなどのフレームワークを使用して、エージェントシステムを構築できます。これにより、単なるチャットボットを超え、複雑なワークフローを自動化することが可能になります。事務作業の自動化という観点からは、エージェント技術の導入が次のステップになるでしょう。

9. 読者への具体的なアクション提案

まずは小さなモデルから始める

この記事を読んだあなたが、ローカルLLMを試してみたいなら、まずは小さなモデルから始めることをお勧めします。7Bクラスのモデルで十分です。OllamaやLM Studioをインストールし、qwen2.5:7bやllama3.1:8bなどをダウンロードして、簡単なプロンプトを試してみてください。

「この文章を要約して」「このメールの返信案を書いて」など、日常的なタスクを任せてみましょう。期待外れの結果が出るかもしれませんが、その過程でLLMの特性や限界を理解できます。それが、より高度な活用への第一歩になります。

自分のワークフローを分析する

次に、自分のワークフローを分析してください。どの作業に最も時間がかかっているか、どの作業が repetitive（反復的）か、どの作業にAIが役立ちそうか、を整理しましょう。Claude Coworkのレポートが示したように、コーディング以外にも、資料作成やデータ整理など、AI活用の余地はたくさんあります。

特に、定型文の作成や、大量のテキストからの情報抽出は、LLMの得意分野です。これらのタスクを特定し、ローカルLLMで自動化できないか検討してみてください。小さな成功体験を積み重ねることで、AI活用への自信がつきます。

コミュニティに参加する

最後に、ローカルLLMのコミュニティに参加することをお勧めします。Hugging FaceやGitHub、あるいは日本のLLM関連のDiscordサーバーやSlackワークスペースなど、多くの情報源があります。他のユーザーの経験やトラブルシューティングの情報を得ることで、自分の環境構築がスムーズになります。

私はブログを通じて、自分の検証結果や設定情報を共有しています。こうした情報交換は、技術の習得を加速させます。一人で悩まず、コミュニティの力を借りながら、ローカルLLMの活用を広げていきましょう。AIの民主化は、一人ひとりの実践から始まります。

10. まとめ：AI活用の再定義

コーディング偏重からの脱却

Claude Coworkの120万件データは、AI活用の現状を如実に示しています。ソフトウェア開発はAI活用の一部に過ぎず、大半は事務処理や運用業務です。この事実は、AIの価値を再定義するものです。私たちは、AIを「開発者専用ツール」ではなく、「すべてのビジネスパーソンためのアシスタント」として捉えるべきです。

ローカルLLMの文脈でも、この視点は重要です。VRAMを消費して巨大モデルを動かす前に、自分の日常的な業務の中で、どこにAIの価値があるかを考える必要があります。コーディング支援だけが目的なら、専門ツールを使う方が効率的かもしれません。しかし、資料作成や情報整理が目的なら、13Bクラスのローカルモデルで十分対応できるでしょう。

プライバシーと自律性の重視

クラウドサービスの利便性は否定できませんが、データプライバシーと自律性の重要性は無視できません。特に、機密性の高い業務では、ローカルLLMが唯一の選択肢となる場合があります。Anthropicのレポートは、クラウドでの活用実態を示していますが、その裏側には、ローカルでの活用ニーズも潜んでいます。

私たちは、クラウドとローカルを適切に使い分けることで、AIの恩恵を最大限に享受できます。クラウドで高度な推論を行い、ローカルで機密データを処理する、ハイブリッドなアプローチが、今後の標準になるかもしれません。そのための第一歩として、ローカルLLMの環境構築と検証を進めていきましょう。

未来への一歩

AI技術は急速に進化しています。2026年現在、ローカルLLMはすでに実用域に入っています。ハードウェアの進化とオープンソースモデルの向上により、自宅PCでのAI活用はより現実的になりました。Claude Coworkの利用データは、その需要の大きさを示しています。

読者の皆様も、ぜひローカルLLMの世界に触れてみてください。最初は戸惑うかもしれませんが、一度使い方をマスターすれば、業務効率化の強力な味方になります。AIは魔法ではありませんが、正しい使い方をすれば、驚くほどの生産性向上をもたらします。その可能性を、自分の手で開いていきましょう。

---

📦 この記事で紹介した商品