OpenAIは2026年11月12日、クリエイターと企業の仕事をつなぐプラットフォーム「Gondola」での、CodexとChatGPTの導入事例を公開しました。Gondolaでは、プログラミングを専門としない事業担当者がCodexで動く画面を試作し、エンジニアが本番公開に必要な設計やレビューを担当しています。
Gondolaは、月間の開発成果がチーム全体で25%増えたと申告しています。ただし、顧客企業の運用指標に基づく報告です。第三者による比較実験や、Codex単独の効果を示した数値ではありません。
Gondolaでは事業担当者の企画を試作する余力が不足し、Codexで開発前の検証を早めた
Gondolaは、写真家や映像制作者などが、自分の制作したコンテンツや仕事の成果を示せるプラットフォームです。ブランド企業が制作実績を確認し、人材を探す際にも使われます。同社では、顧客との会話から新機能の案が生まれても、少人数の開発チームに実装の余裕がなく、企画の検証が先送りになっていました。
従来は、事業チームが要件を書き、開発担当者の手が空くまで待っていました。現在は、事業担当者自身がCodex Cloudに製品のコードベースや開発環境を参照させ、画面の試作品や作業フローを作ります。コードベースは、製品を構成するプログラム一式です。事業担当者は、操作できる具体的な形にして、エンジニアへ引き継ぎます。
AIへ本番公開まで任せるのではなく、事業部門が試作品を用意し、エンジニアが設計や安全性を評価できるようにしています。Gondolaと業種が異なる企業でも、試作と本実装を分担する方法は参考になります。
事業担当者がCodex Cloudで「Programs」を試作し、エンジニアがレビューと公開を担当した
Gondolaの「Programs」は、ブランド企業がクリエイターを探し、応募者を審査し、案件や予算を管理する機能です。担当マネージャーがCodexで画面とワークフローを試作し、エンジニアが仕上げて公開しました。
OpenAIの事例では、初期作業にGPT-5.4、主要な開発にGPT-5.5、追加改修にGPT-6.1を使ったと紹介されています。Gondolaでの利用履歴であり、同じモデルを組み合わせれば、同じ期間で完成するという意味ではありません。
Gondolaの創業者は、Codexで数日から数週間の開発時間を短縮できたと見積もっています。顧客側の評価であり、第三者が同一条件で比較した工数測定ではありません。
同社は、試作品を「作って終わり」にせず、使えない案を捨て、顧客が必要とする内容だけを残して本実装へ進めています。AIで試作を早めることに加え、人が採用する案を選んでいる点も重要です。
開催都市のクリエイターを探す「Creator Map」は、Codexで試作して開発担当へ引き継いだ
Gondolaは、ワールドカップの開催都市で写真家や映像制作者を探せる「Creator Map」も開発しました。社内にあったクリエイターデータを使い、短期間で顧客の要望に応える画面へ転用しています。
同社の説明では、事業担当者がCodexで操作できる試作品を作り、エンジニアが仕上げました。既存データと明確な利用目的があり、企画の方向性を早く示せた例です。すべての新規アプリを、同じような期間で作れる証拠ではありません。
開催期間に間に合わせるため、作業範囲を限定したことも成功要因と考えられます。一般の企業で参考にするなら、既存データを活用でき、必要な画面が明確で、期日も決まっている小規模なプロジェクトから試してみてください。社内データをAIの開発環境へ渡す前には、その情報を使う権限も確認する必要があります。
GondolaはChatGPTでGmail・カレンダー・業務ツールの情報をまとめ、日次レポートを作る
Gondolaは、開発以外の日常業務でもChatGPTを利用しています。公式事例によると、Gmail、Googleカレンダー、スプレッドシート、GoogleドライブなどのGoogle Workspaceを情報源にしています。Asana、Slack、QuickBooksなどの情報も組み合わせ、社員が1日の予定や重要事項を確認できる日次レポートを作成しています。
社員が複数のアプリを開き、予定や優先事項を突き合わせる手間を減らせる点が利点です。一方、導入する企業は、連携先へのアクセス権限を必要最小限にし、共有範囲を超える情報が要約に入らないよう運用する必要があります。
AIがまとめた内容には、日時の読み違いや、最新状況の取りこぼしが起きる可能性もあります。Gondolaは、重要な成果物を社外へ送る前や、経営判断に使う前に、人が確認すると説明しています。業務を自動化しても、最終的な責任を持つ判断は人が行う運用です。
開発成果25%増・リードエンジニアの変更件数50%増はGondolaの申告で、因果効果は未検証
OpenAIの事例によると、Gondolaの月間開発成果はチーム全体で25%増え、リードエンジニアのマージ済みコード変更件数は50%増えました。マージ済みとは、変更内容を製品側のコードへ取り込んだ状態です。エンジニアの人数は増えておらず、プルリクエストのレビュー時間も、大きく変わらなかったとされています。
Gondolaは、売上が前年同期比で2倍超、ブランドを通じて採用されたクリエイター数が2.5倍になったとも説明しています。ただし、事業全体の成長を示す申告値で、AI導入だけで生まれた成果とは判断できません。売上や採用数には、市場環境、営業活動、顧客の増加など、多くの要因が関わります。
開発成果の測定にも、「マージ済みの変更件数」というGondolaの運用指標を使っています。ソフトウェアの品質や顧客満足度を直接示す数値ではありません。25%や50%という結果は、OpenAIが紹介したGondolaの申告として読む必要があります。
Codex導入の実務では、事業担当の試作とエンジニアのレビュー・公開判断を分離する
Gondolaの開発担当者は、コマンドで操作するCLIやエディターでCodexを使い、GitHubのプルリクエストレビューにも役立てています。プルリクエストは、コードの変更を取り込む前に確認するための仕組みです。一方、システム全体の構成設計(アーキテクチャ)、セキュリティ、データの扱い、本番公開の判断は、引き続き人間のエンジニアが担っています。
非エンジニアが最初の形を作れても、技術的な検証が不要になるわけではありません。小規模なチームで試す際は、顧客データや秘密情報をAIへ渡してよい範囲を事前に定めてください。まずは単独の画面や、社内用の小さな作業フローを試作すると始めやすくなります。
動作確認後には、担当エンジニアがコード、認証、権限、保守性を点検します。効果は、作業時間だけでなく、不具合数や手戻りも含めて評価してください。
Codexの導入効果を測る際は、開発に着手するまでの時間、変更のレビュー負荷、公開後の不具合数を分けて記録してみてください。コードの作成件数だけでは見えない改善点も把握しやすくなります。





