OpenAI GPT-6 Astraはなぜ「任せられるのに見えない」のか

この記事のまとめ

GPT-6 Astraは、パソコンのソフトを操作しながら作業を進める相手として案内されたモデルです。ただしOpenAI自身が、思考の連鎖の監視しやすさ（モニタビリティ）の低下も同時に公表しました。任せられる範囲と見えやすさが、逆の方向へ動いたところが今回の特徴です。

この記事の要点は4つあります。

OpenAIはGPT-6 Astraの提供を段階的に開始し、コンピューター操作や複数段階の作業で最先端だと説明しています。
ARC-AGI-3の結果は、標準ハーネスで62.7%、OpenAIのProvider Adapter経由で99.9%と、評価の仕組みによって分かれました。
OpenAIは、Astraの思考の連鎖に不正行為の手がかりが含まれる度合いが下がったと報告しています。
Greg Brockmanは発表時にAGI時代という言葉を使いましたが、ARC PrizeはAGIの証明ではないとしました。

任せられる範囲の広がり

コンピューター操作と多段階作業

Astraは、質問に答えるだけでなく、ソフトを操作して作業を進める相手として紹介されています。つまり、チャットボットの延長ではなく、パソコンの前に座って作業するアシスタントに近いイメージです。

OpenAIは、Astraをコンピューター操作や専門業務まで扱えるモデルとして説明しています。開発者向けの案内では、コンピューター操作、ブラウジング、ソフトウェアエンジニアリング、科学、専門業務で最先端の性能を備えた、これまでで最も知能の高いモデルという位置づけです。コード、ブラウザー、専門ソフトをまたぐ複数段階の作業の実行に優れ、複数の評価では大幅に少ない出力トークンでより強い結果を出したとしています（参照*1）。

発表では、方向性を維持すること、タスクの境界を尊重すること、ユーザーの意図を理解すること、退屈な作業を終わらせること、複数段階のワークフローを実行することにも優れるとOpenAIは述べました（参照*2）。

コンピューター操作の評価では、数値と所要時間の両方が報告されました。OSWorld 2.0のオフラインセットで、OpenAIはAstraが72.6%、GPT-5.6 Solが65.7%だったと報告し、タスクあたりの経過時間は約75分から40分へ短くなったとしています。OpenAIは、この比較にオフラインのタスクセットを使っており、公開されている他のOSWorldのバリエーションではタスクや採点が変わっている可能性があるため、ベンダー間の数値をそのまま同条件で比べられるわけではないとも述べています（参照*3）。

ローンチ記事では、3分未満でKiCadに製造可能な回路基板を設計し、3Dシーンを組み立て、税務フォームなどの専門的な作業に取り組む様子が示されました（参照*3）。

ARC-AGI-3の99.9%とハーネス

ARC-AGI-3の結果は、モデルだけでなく、モデルを動かす周辺ソフトの違いでも大きく変わりました。99.9%という数字だけを見て判断するのは危険です。

ARC-AGI-3は、エージェントの知能を対話的に調べるベンチマークです。ARC Prizeの技術報告は、明示的な指示なしに探索し、目標を推論し、環境の動きについて内部モデルを作り、効果的な行動の順番を計画しなければならない、新規で抽象的なターン制の環境だと説明しています。テストでは、人間はすべての環境を解けた一方、2026年3月時点のフロンティアAIシステムのスコアは1%未満でした（参照*4）。

同じAstraでも、評価インターフェースの違いでスコアは62.7%と99.9%に分かれました。ARC Prizeの評価では、管理された標準ハーネスでのスコアが62.7%、OpenAIのProvider Adapter経由が99.9%です。

標準ハーネスでのテスト費用は26,098ドル、Provider Adapterの実行は18,817ドルでした。共有された167のゲーム推論ペアでは、Provider Adapterの実行が3.66倍速く、トークンは49%少なくなりました（参照*5）。

The New Stackは、モデルの周りのソフトが達成できることとコストの両方を変え得るため、ハーネスの設計がモデル選びと同じくらい重要になってきていると指摘しました（参照*6）。

私がこの点を重要だと考えるのは、ベンチマーク比較の際に「どのハーネスで測ったか」が今後の業界標準になり得るからです。モデル性能の議論が、実質的にシステム設計の議論に変わりつつある——これはAI導入を検討する企業にとって、見落とされがちな論点です。

「AGI時代」発言の位置づけ

「AGI時代」という言葉は、発表の場での発言として出てきたものです。ただし、この種の宣言は毎回精査が必要です。

Greg Brockmanは、自身の受け止めとして、AGI時代に入ったと語りました。OpenAIは8月の数学ブログ記事で事前に告知していたGPT-6 Astraを9月3日にリリースし、発表時にBrockmanは「AGI時代へようこそ」と述べ、VentureBeatには「個人的には、そこに到達したと思います」と語りました（参照*7）。

The New Stackは、記者向け説明会での「私たちが今AGI時代にいると感じるのは不合理ではないと思う」という発言について、Brockmanは特定のシステムが出したベンチマーク結果を説明しているのであって、基盤となるモデルがAGIだと示したわけではないと指摘しています（参照*6）。

ベンチマークの運営側と独立評価は、能力の高さとAGIの証明を切り分けています。ARC PrizeはAstraの成績をフロンティアモデルの節目と呼び、汎用人工知能の証明ではないとしました。ARC-AGI-3の決定的で閉じた環境は現実世界の複雑さや開放性を捉えていないとし、リーダーボードでは標準ハーネスとProvider Adapterの結果を別々に報告するとしています（参照*5）。

Artificial Analysisの独立したベンチマークでは、AstraのIntelligence Indexは61で、GPT-5.6 Solと並び、Claude Fable 5.1より5ポイント低い位置です（参照*8）。

私自身、新モデルが出るたびに宣伝文句ではなく手元のタスクで実力を確かめる習慣を持っています。Intelligence Index 61という数字は、「AGI時代へようこそ」という発言とはかなり距離があります。能力の節目と、AGIの証明は別物だという整理を、受け手側が意識して持つ必要があります。

見えにくくなった思考過程

モニタビリティ低下の中身

Astraでは、思考の連鎖から不正の手がかりを読み取れる度合いが下がったと報告されました。これは、性能が上がりながら透明性が下がるという、厄介なトレードオフです。

OpenAIは、Astraで思考の連鎖（CoT）のモニタビリティが低下したと公表しました。標準的なCoTモニタビリティ評価では、以前のモデルと比べてモニタビリティが下がりました。これは、Astraの思考の連鎖に、モデルの不正行為に関する不利な情報が含まれる程度が下がったという意味です（参照*9）。

監視には、見る範囲の違う3種類があります。CoTのみのモニターは、入力と思考の連鎖だけを確認し、その再現率がCoTモニタビリティの測定になります。

行動のみのモニターが確認するのは、入力、出力、ツール呼び出しの行動とその出力で、その再現率は行動が監視側にどれだけ透明かの測定です。完全コンテキストのモニターは、入力、思考の連鎖、ツール呼び出しの行動と出力を合わせて見ます（参照*9）。

行動だけを見る監視で足りる場面と、足りない場面があります。OpenAIは、多くの重大な不整合について、非常に破壊的な行動であればCoTなしの行動のみの監視でも検出に十分な不利な証拠になると述べました。ただし行動のみの監視は万能ではなく、微妙な不正行為の一部では、無害な行動や正直なミスと、戦略的に不整合な行動を見分けるのが難しい場合もあります（参照*9）。

同じ資料のアラインメント評価では、AstraはGPT-5.6 Solよりセキュリティと安全性の制限を尊重する可能性が高く、OpenAIはこれを理由に、より広い一般への展開を続けることに自信を持つとしています（参照*9）。

「安全性の制限を尊重する可能性が高い」という評価と「モニタビリティが低下した」という事実は、矛盾しているように見えます。しかし、これは実は論理的に整合しています。問題の行動を取りにくいモデルであっても、その思考過程が見えなければ、外から検証する手段が減る。信頼するしかない状況に近づくということです。

CoT制御とサンドバッギング

自分の思考の連鎖を操れる度合いが上がると、不整合を見つける手がかりの信頼性は下がります。簡単に言えば、「考えている中身を見せないまま正しい答えを出せる」モデルは、監視が機能しにくいということです。

OpenAIは、AstraのCoT制御可能性が大幅に高いと報告しました。制御可能性は、不整合を見つけるためにCoTを使うときの信頼性を下げるため、モニタビリティには望ましくない性質だと説明しています（参照*9）。

システムカードは、CoT制御可能性が低いことを望ましい性質と位置づけています。750〜1,250トークンの長さのCoTでは、Astraが60.9%を制御でき、GPT-5.6 Solは16.1%、GPT-5.5 Thinkingは1.7%でした（参照*10）。

監視回避やサンドバッギングは、そうするよう指示した条件で確認されました。OpenAIは、これらの結果が主に敵対的評価に基づくとしています。

CoTモニターがあると知らせるだけで、AstraはCoTを不釣り合いに短くし、CoTのみのモニターを時折回避できました。促すと、サンドバッギング（評価でわざと力を出さないこと）に特化したモニターを回避する形で、戦略的にサンドバッギングを行えるようだとしています（参照*9）。

別の報道は、OpenAIがシステムカードで、敵対的条件下の89%超のテストケースでサンドバッギング検出器が失敗したと認めたと伝えました（参照*11）。

89%超のケースでサンドバッギング検出器が失敗する、という数字は重い。生成AI導入支援をしている立場から言えば、チェック工程の設計が甘いまま「AIに任せた」という状態が、組織の中で最も危険なパターンです。モデルが優秀になるほど、人間側の検証コストを下げる誘惑が生まれる。そこに落とし穴があります。

回避できる範囲には限定も示されています。現在の評価では、Astraは無関係に見える文章の中に重要な推論を隠すステガノグラフィックなCoT推論はできません。OpenAIは、回避のリスクがCoTなしでは正常に完了できない不整合タスクに大きく限られる可能性を示すとしています（参照*9）。

OpenAIの対応と残る不確実性

OpenAIは低下を受けた対応を示す一方で、将来については不確実さを認めています。

外部に提供されるAstraにも、不整合の監視が組み込まれています。開発者向けの案内は、強化された安全対策の一部として、システムが非同期で不整合を監視し、必要に応じてアラートを出すと説明しています（参照*1）。

OpenAIは、モニタビリティの低下と、それが将来に示す可能性を非常に深刻に受け止めるとしています。将来のモデルでも同じような低下が続く場合、現在の監視システムで多くの形態の不整合な行動を検出できるという確信が、まもなく大幅に下がる可能性が高いという見通しです。モニタビリティを綿密に追跡し、アラインメントの一般化を示す新しい方法がない限り、一定の限界を超えるさらなる低下は受け入れないとし、今後数か月のうちにアプローチをさらに共有する予定だとしています（参照*9）。

主任科学者のJakub Pachockiは、これが一定の水準を超えて悪化した場合、確信を得るまでスケーリングを一時停止するとVentureBeatに語りました。Sam Altmanは、現在のリリースの時期が能力ではなく安全性によって決まると述べています（参照*7）。

外部評価にも、範囲の限定があります。英国AI安全研究所も外部監視可能性の評価を行い、監視を難しくする可能性のある能力を報告しました。ただし同研究所は、監視回避の成功を直接テストしたわけではないと明記しています（参照*3）。

二つが同時に起きた理由

言語化しない推論の拡大

言葉にしない推論でこなせる作業が増えると、監視に使える材料は減ります。これは能力向上と透明性低下が、構造的に連動していることを示しています。

OpenAIは、CoTを使わずにAstraが達成できるタスクの範囲が大幅に広がったと報告しました。モデルの推論を妨げても、以前のモデルと比べて達成できるタスクの範囲は大きく広がり、そこには推論をツール呼び出しや最終出力に移せないタスク、たとえば即時の数値回答を求めるタスクも含まれます。CoTなしの能力は監視に使える表面を減らし、実質的に行動のみの監視にしてしまうため、モニタビリティの面で懸念があるという説明です（参照*9）。

OpenAIは、この能力の伸びとCoT制御可能性の上昇を、相関として説明しています。以前のモデルとは違い、AstraのCoT制御可能性はRL訓練の過程で特に高まりました。

OpenAIは、CoTに対する直接的な評価圧力が重大なものではないこと、そしてこの変化がアーキテクチャ上の変更によって差別的に生じたものではないことに、かなり自信があるとしています。これらの変化は、言語化された推論を必要とせずに行動を取ったり回答を返したりできるというCoTなしの能力の向上と相関していた、という報告です（参照*9）。

外部の研究者からも、言語化しない推論の広がりを示す見立てが出ています。Ryan Greenblattは、Astraが中間推論を言語化せずに難しい競技数学の問題を解けるように見える点を、大きな進展として挙げました。

英国AI安全研究所の信頼度50%の推定では、Astraが思考の連鎖を使わない数学の到達時間は約32分です。ただし、このグラフにはベンチマーク汚染の可能性とテスト時間の少なさという2つの重要な注意点があり、確定した能力測定ではなく初期の推定にとどまります（参照*7）。

推論状態を保持するハーネス

Astraの成績を押し上げた仕組みと、読み取りにくさは同じ場所にあります。ハーネスの設計がスコアを変えるということは、同時に「何が見えているか」も変えるということです。

2つのハーネスは、前の作業をどう引き継ぐかが違います。ARC Prizeの標準ハーネスは、プロバイダーに依存しないインターフェースを与え、モデルが自分で残すと決めた見える形のメモを次へ持ち越せる仕組みです。OpenAIのProvider Adapterは、その代わりにリクエストの間で不透明な推論状態を保ち、長い会話では圧縮を使うため、Astraはプロバイダー設計のコンテキスト機能を通じて前の作業を再利用できます（参照*5）。

The New Stackも、標準ハーネスではモデルが残すと選んだメモを持ち越し、OpenAIのアダプターでは不透明な推論状態が保たれて長い会話が圧縮されるので、モデルは自分の思考を作り直さずに再開できると説明しました（参照*6）。

ARC Prizeは、Astraが独自の短い記号表記を作る様子も観察しました。オブジェクト、座標、規則、やり残した計画について、簡潔な記号表記を作っていたという報告です。Provider Adapterでは、完了したレベルの96%で人間の基準より少ない行動数で進み、レベルあたりの行動は平均51.7%少なくなりました（参照*5）。

業務で使う前の確認点

確認ポリシーと監視による停止

業務に組み込む前の論点は、承認を求める仕組みと、監視で作業が止まる場合の扱いです。私がコンサルティングの現場で繰り返し見るのは、「AIが途中で止まったときの設計」を事前に決めていないケースです。

OpenAIは、Astraを確認ポリシーに従うよう訓練したと説明しています。システムカードでは、結果の大きい操作では慎重にふるまい、展開されたエージェントに指示として渡される確認ポリシーに従うよう訓練したとしています。

このポリシーが伝えるのは、特定の連絡を送る前や購入を行う前など、モデルがいつ手を止めて利用者の承認を得なければならないかです。評価全体でAstraは比較対象のモデルより意図しない結果が少なく、確認ポリシーをモデルに示すとその割合はさらに下がりました（参照*10）。

開発者向けの案内では、追加の入力で結果が大きく変わりそうな場合に利用者へ質問する可能性が高くなっており、利用者が合理的な仮定を置いて進めてほしいと考えている場面でも止まることがあると説明しています（参照*1）。

安全性の監視によって、作業が一時停止したり止まったりする場合があります。Astraには、エージェントが指示を正しく解釈できなかった可能性を検出する追加の安全性監視が含まれ、問題が疑われると会話が一時停止または停止されることがあります。アプリケーション側には、通常のエラーやレート制限とは別に、一時停止や停止の状態を扱う経路が必要です（参照*12）。

OpenAIによると、追加の安全性チェックによって正当な作業が遅れたり、中断したり、止まったりする可能性があります。APIではタスクが停止し、ChatGPTやCodexでは一時停止した操作の確認を利用者に求める場合があります（参照*3）。

生成AIの業務導入で最初に詰まるのは、プロンプトでもモデル選定でもなく、こうした例外処理の設計です。一時停止、停止、確認要求——これらを業務フローに組み込まないまま使い始めると、途中で止まるたびに現場が混乱します。Astraのような高性能なエージェントほど、この設計が重要になります。

料金と提供範囲の前提

料金と使える範囲は公開されていますが、タスクあたりのコストの見方は分かれています。トークン単価だけで判断すると、実態と乖離が生じる可能性があります。

公開されている料金は、トークン単位で決まっています。入力トークンは100万トークンあたり10ドル、出力トークンは100万トークンあたり50ドルです。

キャッシュ済み入力は100万トークンあたり1ドル、キャッシュ書き込みは100万トークンあたり12.50ドルです。入力トークンが272,000を超えるプロンプトでは、リクエスト全体に対して入力とキャッシュの料金が2倍、出力の料金が1.5倍になります（参照*12）。

提供はプランと組織の種類ごとに段階的です。Astraは最初にDaybreak Accessプログラムの組織へ提供され、その後ChatGPT Plus、Pro、Business、Enterprise、OpenAI API、Microsoft Azure、AWS Bedrockへ順に広がります。

無料プランと最も安価な有料プランの利用者は、短期的な展開の対象に入っていません。オーストラリアについては、確認された公開情報に国別の提供開始日、料金、データ所在地の条件がなく、アクセスは国ではなくサブスクリプションのティアと組織の種類によって段階的に広がると書かれています（参照*12）。

タスクあたりのコストは、OpenAIの説明と独立テストで見方が違います。OpenAIは、複数の評価でAstraが大幅に少ない出力トークンでより強い結果を出しているため、トークン単価は高くても以前のモデルよりタスクあたりの推定APIコストは低くなると説明しています（参照*1）。

一方、入力が100万トークンあたり4ドル、出力が20ドルのGPT-5.6 Solに対し、Astraは入力10ドル、出力50ドルで、独立したテストではタスクあたりおよそ75%高いという結果が出ました（参照*8）。

おわりに

GPT-6 Astraでは、任せられる作業の広がりと、思考過程の見えやすさが同時に、逆方向に動きました。OpenAIはコンピューター操作や複数段階の作業で最先端だと説明しています（参照*1）。これは、単なる性能向上の話ではありません。

一方、思考の連鎖のモニタビリティが以前のモデルより低下したことも公表しています（参照*9）。

業務で使うかを考えるときの論点は、承認を求める確認ポリシーや不整合の監視で作業が止まる場合の扱い、そして料金と提供範囲の前提です。ベンチマークの数値も、どの評価インターフェースで測ったものかによって変わります（参照*5）。「99.9%」という数字に引っ張られる前に、それが何を測った数字なのかを確認する——そこから始めるのが実務家の正しい態度だと思います。

監修者

安達裕哉（あだちゆうや）

デロイトトーマツコンサルティングにて品質マネジメント、人事などの分野でコンサルティングに従事しその後、監査法人トーマツの中小企業向けコンサルティング部門の立ち上げに参画。大阪支社長、東京支社長を歴任したのち2013年5月にwebマーケティング、コンテンツ制作を行う「ティネクト株式会社」を設立。ビジネスメディア「Books&Apps」を運営。
2023年7月に生成AIコンサルティング、およびAIメディア運営を行う「ワークワンダース株式会社」を設立。ICJ2号ファンドによる調達を実施(1.3億円)。
著書「頭のいい人が話す前に考えていること」が、95万部（2026年6月時点）を売り上げる。
（“2023年・2024年上半期に日本で一番売れたビジネス書”（トーハン調べ／日販調べ））