推定はDeepResearchで行う時代【ChatGPT Pro】

2025年3月2日 20:21

これまで未知の数字を推定するためには、限られたデータをもとに論理的な推論を積み重ねる「フェルミ推定」が用いられてきました。しかし、OpenAIが提供を始めたAIエージェント「DeepResearch」を利用すれば、従来のフェルミ推定よりも、より効率的で精度の高い推定が可能になります。

DeepResearchとは、ユーザーが指定したテーマに対してインターネット上の膨大な情報を高速で収集・分析し、自動で詳細なレポートを生成するAIツールです。一般的には、DeepResearchは市場調査やレポート作成などの情報収集ツールとして知られていますが、本記事では、その情報収集・分析能力を活用してフェルミ推定を行うという活用法を紹介します。

この記事では、DeepResearchを使ったフェルミ推定のメリット、具体的なやり方、そして実際に推定した結果について紹介します。

DeepResearchでフェルミ推定を行うメリット

DeepResearchを使ってフェルミ推定を行うメリットは以下の通りです。

推定作業のスピードアップ
- DeepResearchは大量の情報を瞬時に収集・分析できるため、人間が何時間もかかる作業を数分で完了させることが可能です。
- 今回は一推定5分程度で完了
根拠データの充実化
- AIが膨大なデータを処理することで、人間では見落としてしまうような関連データや情報も含め、より豊富で多様な根拠を推定に取り入れることができます。
推定プロセスを何度でも繰り返せる
- DeepResearchでは、条件の変更や推定方法の修正を容易に何度も行うことができます。試行錯誤が迅速にできるため、より納得感のある精度の高い推定結果を得ることが可能です。

やり方

簡単です。
DeepResearchに以下のように指示を出します。

世界中で一日に撮影されるスマホ写真の枚数はどれくらいか？
フェルミ推定してください。
できる限り数字の根拠をソースと共に示してください。

フェルミ推定結果

実際にやってみた結果は以下の通りです。
数字の根拠や推論過程はChatGPTのリンク先を参照してください。

都心のビル清掃員の数はどれくらいか？

オフィスビルの推定総数: 約9,400棟（東京23区内）
1棟あたりの清掃員数（平均）: 約3人
清掃員のシフト制を考慮した延べ人数: 約6人/棟
東京23区全体の清掃員数（延べ人数）: 約5.6万人
最終的なフェルミ推定結果: 約5万～6万人の清掃員が東京23区のオフィスビルで働いていると推定

日本全国にあるコインランドリーの台数はどれくらいか？

コインランドリー店舗数: 約25,000店
1店舗あたりの平均台数: 約10台（洗濯機＋乾燥機）
全国のコインランドリー総台数: 約25万台
利用者数ベースの推定: 約20万～30万台の範囲
最終的な推定結果: 約25万台のコインランドリー機器が全国に設置されていると推定

日本国内で掃除機が年間に吸い込むレゴブロック数はどれくらいか？

日本国内の総世帯数: 約5,445万世帯（2023年・厚生労働省統計）
掃除機の普及率: 約99%（ほぼ全世帯が所有）
子供がいる世帯の割合: 約18.1%（約983.5万世帯）
レゴブロック所有世帯の割合（推定）: 子供のいる世帯の約50% → 約492万世帯
1世帯あたりの年間レゴブロック誤吸込み数（推定平均）: 約1～2個
日本全国で掃除機に吸い込まれるレゴブロック数（年間）: 約490万～980万個

まとめ

DeepResearchは、これまで市場調査やレポート作成といった用途で使われることが一般的でかと思います。しかし、本記事で紹介したように、フェルミ推定のような論理的推論にも応用できる可能性を秘めています。人間が手作業で行うよりも、AIの力を借りることで推定作業のスピードとクオリティの両面で圧倒的な優位性を発揮します。

本記事では、DeepResearchを使ったフェルミ推定のメリットとして、推定作業の高速化、根拠データの充実、試行錯誤の柔軟性向上という点を紹介しました。人間が手作業で行う推定では限られたデータしか扱えませんが、AIは膨大な情報を元に、より正確な推定を可能にします。また、短時間で複数のシナリオを試すことができるため、迅速かつ最適な推論が実現できます。

今後、技術の進化とともに、さらに精度の高い推定が可能になり、人間が手作業で推定を行う必要性はますます減少していきます。

今後はDeepResearchのようなツールを調査・推定に用いることは標準になるため、ツールを使ったうえでツール以上の価値をどうやって出すかを考えていく必要があります。