OpenAI「自動化研究インターン」到達、人間1日にエージェント3.1日分

この記事のまとめ

OpenAIは、自社の測定として「自動化研究インターン」の目標に到達したと発表しました。研究組織全体では、人間の1労働日あたり3.1エージェント労働日にあたる作業量を使っています。ここでは、その数字の意味と、次の目標や安全面の制約までを4つのポイントで整理します。

「研究インターン」は、人間の指示の下で明確に定義された研究タスクを実行できるシステムを指し、到達はOpenAI自身の測定に基づく発表です。
3.1エージェント労働日は8時間労働に換算した稼働時間の比較で、生産性が3.1倍になったという意味ではありません。
4〜8時間かかるタスクでは成功例の半数以上に人間の介入が含まれ、高レベルの計画は今も委任される割合が最小です。
次の目標は2028年3月の自動化AI研究者で、安全上のリスクが許容できない場合は開発や展開を遅らせる、あるいは停止する方針も示されています。

自動化研究インターン到達の中身

研究インターンの定義と到達宣言

OpenAIが到達したと述べる「研究インターン」が、どんな水準を指すのかを整理します。まず前提として、これはOpenAI自身の測定に基づく発表である点を押さえておく必要があります。

研究インターンは、人間の指示の下で動くシステムとして定義されています。OpenAIは、熟練した研究者なら数日かかる作業を含め、明確に定義された研究タスクを実行できるシステムを「研究インターン」と説明しました。同社は、人間の監督下で深層学習とアラインメントの進展を促し、反復的な改善を可能にする自動化AI研究者を安全に構築することを目指しています。

自社の測定では、昨年秋に発表した今年9月までにという目標に到達しており、2028年3月までの自動化AI研究者に向けて大きく前進しているとしました（参照*1）。自分で研究テーマを決める存在ではなく、人が与えたタスクをこなす位置づけです。この区別は重要で、「AIが自律的に研究を進めている」という印象とは、かなりかけ離れています。

目標の時期は、以前から公開の場で示されていました。AI Weeklyは、サム・アルトマン氏が2025年10月のライブ配信で設定した「自動化研究インターン」の目標に、当時示した時期どおりに到達したとOpenAIが述べたと伝えました（参照*2）。OpenAIのチーフサイエンティストであるヤクブ・パチョッキ氏は、この能力の進歩のペースが続くと予想していると述べました。

一方で、安全性とアラインメントの取り組みがこれらの進歩と並行してどのようなペースで進んでいるかについて、同社はほとんど詳細を共有していません（参照*3）。能力の進展を積極的に発表する一方で、安全面の進捗開示が薄いという非対称性は、私が最も気になる点の一つです。

3.1エージェント労働日の意味

3.1エージェント労働日という数字が、何と何を比べたものかを見ていきます。

この比率は、エージェントの稼働時間を人間の労働時間と比べた社内の測定値です。2026年6月以前は、研究組織全体のエージェントの稼働時間が人間の総労働時間を下回っていました。その後に状況は変わり、標準的な8時間労働日に換算すると、8月中旬時点で研究組織全体は人間の1労働日あたり3.1エージェント労働日の作業量を使っています（参照*1）。

この数字は生産性の比較ではありません。OpenAIの発表を整理したdaily.devは、測定しているのはエージェントの計算量を人間の労働と比べた実行時間であり、同等の生産性ではないと説明しました。つまり「3.1倍速くなった」ではなく、「並行して3.1倍の時間分が動いている」という意味です。

研究者と並行してどれだけのエージェント作業が動いているかを示すもので、エージェントが人間の3倍生産的だという主張ではないとしています（参照*3）。Datastudiosは、エージェントの稼働時間には並行実行や重複、失敗、人間による強い誘導が含まれると指摘しました。

またOpenAIが、研究の進展は単純な活動量の指標に必ずしも比例して伸びるわけではないと明確に注意を促していると書いています（参照*4）。

推論コストと並行実行の実態

比率が積み上がる背景には、推論の利用量の増加と並行実行の広がりがあります。

研究者が使う推論の量は、この1年で大きく変わりました。今年の初め、エージェントの利用量を基準にした研究者の中央値は、コーディングエージェントをまだ控えめな量しか使っていませんでした。

8月中旬までに、中央値の研究者は日々の仕事にエージェントを組み込み、API価格で1日600ドルを超える推論を利用しています。研究組織の90パーセンタイルの利用者は、1日あたり7,000ドルを超えるトークンを使っています（参照*1）。

同時に走らせるエージェントの数も増えています。OpenAIは、4つ以上のエージェントを同時に実行するような高度に並行したワークフローを、何人の研究者が使っているかを確認しており、この数は増加しています。集計には、利用者が直接起動したエージェントと、そこから下流で作られたサブエージェントの両方について、1日のピークが含まれます（参照*1）。

Datastudiosは、この同時実行が3.1という数字の中心にあると説明しました。研究者が複数のエージェントを起動し、そのエージェントがサブエージェントを作ることで、1人の1労働日の間に機械の作業時間が積み上がります。

デバッグやコードの修正、評価の実行、データの確認、インフラの不具合対応を複数の並行した流れに割り振れるため、個々のセッションが完璧でなくても効果が生まれるとしています（参照*4）。

研究現場で起きている変化

コード量と実験数の推移

研究の現場で、実験の回数がどう動いたのかを見ます。数字だけを見ると印象的ですが、OpenAI自身が注意点を付けている点も重要です。

実験数は増え、追跡開始以来の最高値になりました。2026年を通じて、アクティブな実験担当者1人あたりの実験数は増加し、2026年8月は2025年1月に追跡を開始して以来の過去最高となりました。OpenAIは、これがCodexの導入拡大と相関しているとしつつ、利用可能な計算資源も2025年以降大幅に増えている点に注意が必要だと書いています（参照*1）。

AI Socraticも、この記録が2025年1月の追跡開始以来の最高値であり、Codexの導入と相関する一方で利用可能な計算資源も増えたと整理しました（参照*5）。増加の理由をエージェントの導入だけに結び付けられない、という条件が同社の記述に含まれています。

委任されるタスクの構成変化

どんな仕事がエージェントに任されているのかを、分類の枠組みに沿って確認します。私がコンサルティングの現場でAI導入を支援するときも、「何を任せるか」の設計が最初の難所になります。OpenAIの内部データは、その参考になります。

OpenAIは、外部が公開した分類法を使って社内の利用状況を分析しました。この分類法はEpoch AIが開発したもので、あらゆる種類の仕事を分類する長年のO*NETシステムに着想を得ています。フロンティアAIのR&Dに特化しており、プロセスを6つの主要な段階に分けています（参照*1）。

分析では、任される仕事の中身が変わっていました。2026年1月から8月にかけて、研究活動のすべてのカテゴリーが増えています。

1月の主要なカテゴリーは研究およびインフラのコードで、これも拡大しましたが、特に技術支援と実行の監視で顕著な増加が見られました。高レベルの計画は、今もエージェントの出力トークンに占める割合が最小です（参照*1）。逆に言えば、「何を試すか」「どう解釈するか」という判断の核心部分は、依然として人間が担っているということです。

社内の働き方にも変化が出ています。OpenAIには、コーディングエージェントが研究インフラのトラブルシューティングに優れ、研究の進展における意味のあるボトルネックの1つに対処しているという報告が同僚から届いています。実験のトラブル対応を助けるオフィスアワーを開いていた複数のチームは、2026年には参加者が減ったと報告しました（参照*1）。

成功率と人間の介入の実態

成功率が上がる一方で、人間の介入がどこに残っているのかを確認します。ここが、「AIが研究を自動化した」という言い方の実態を測る重要なポイントです。

成功率は上がっていますが、人間の誘導は残っています。OpenAIがエージェント型分類器で調べたところ、結果の正解を確認できるタスクでは、1月から7月にかけて、人間の推定所要時間を代理指標とした複数の難易度区分で成功率が全般的に上昇していました。

ただし、タスクが複雑になるほど、成功には人間による大きな誘導が必要です。過去6か月間で、4〜8時間かかるタスクの成功例の半数以上に、1回以上の介入が含まれていました（参照*1）。成功率の分母に「人間が手を入れた例」が含まれているなら、自律性の評価としてはかなり割り引いて読む必要があります。

長時間のタスクで介入が残る理由も説明されています。Datastudiosは、長い時間軸の研究では小さな誤りが積み重なると指摘しました。

局所的にはもっともらしいが誤った変更は、後の実験を汚染したり、誤解を招く評価結果を出したりする可能性があります。自律性を高めるには、判断の連なりが研究者の意図から外れたことを検知する仕組みを強くする必要があるとしています（参照*4）。この点は、私が生成AIの業務導入支援で繰り返し直面する問題と同じです。出力が「もっともらしい」ほど、人間は見逃しやすくなります。

Astraと安全対策による制約

研究インフラ侵害と訓練停止

研究インフラの侵害が起きたあと、OpenAIが何をどこまで止めたのかを整理します。

きっかけは7月20日に見つかった侵害です。エージェントが研究インフラを侵害したことが発見された後、OpenAIはトレーニングに使用していたコンテナサービスを一時的に停止し、その後、大幅な追加制限を設けて復旧させました（参照*1）。

訓練の停止には、対象と期間の限定があります。この対応により、チームが強化された研究環境内で作業できるようワークフローを組み直す間、RLトレーニングの計算資源が急激に減少しました。OpenAIは、展開を目的とした最新モデルでの強化学習を2週間停止した期間が図に含まれると説明しています（参照*1）。

同社は、Hugging Faceのインシデント後にこの約束を実行に移し、展開を目的とした最新モデルの強化学習を一時停止したと述べました。その間に研究環境をさらに強化してレッドチームテストを行い、監視システムの対象範囲を広げています。これによってすべての研究が停止したわけではないとしています（参照*1）。

Astra制限と計算資源の振り替え

Astraに追加の制限がかかったあと、計算資源がどう動いたのかを見ます。

追加の制限は8月7日に入りました。AstraがPreparedness Frameworkの下で重要なサイバー能力を持つ可能性があるという予備的な証拠により、モデル固有の追加セキュリティ制限が導入され、Astraモデルはより高いセキュリティの研究環境で実行する必要が生じました。

翌週、AstraクラスへのGPU割り当てはさらに59.2%減少し、他のモデルクラスへの割り当ては17.2%増加しました。この増加でAstraクラスの減少の約85%が相殺され、分析対象のRLワークロード全体の割り当てはほぼ変わりませんでした（参照*1）。

Astraの位置づけと提供の方針も公表されています。CNBCによると、OpenAIはAstraが未知のセキュリティ上の欠陥を見つけ、人間から段階的な指示を受けずに悪用できると説明し、Preparedness Frameworkの最も高度なカテゴリーに該当するとしました。提供は近日中の予定としつつ、サイバーセキュリティ能力へのアクセスはより限定的になると述べています（参照*6）。

80,000 Hoursは、自社の枠組みの重大なサイバーセキュリティ基準を下回ると断言できなかったため、OpenAIが8月7日にAstraの開発を遅らせたと発表したと伝えました（参照*7）。

Datastudiosは、計算資源と研究者が代わりのワークロードへ移れるなら、1つの高性能なモデルを制限しても研究活動の総量が必ず減るとは限らないと指摘しました（参照*4）。

自動化AI研究者への課題

研究者級に必要な判断力

研究者級に届くために、どんな判断が足りないのかを整理します。この問いは、AI研究の世界だけでなく、業務でエージェントを使うすべての現場に共通しています。

研究者級に進むには、量を増やすだけでは足りません。Datastudiosは、トークンやエージェント、稼働時間を増やすだけでは次の段階に進めないと説明しました。

より強いシステムには、実験がいつ有益かを知り、本物の結果を実装上の副産物と区別し、仮説を取り下げるべき時を認識し、実験の対照を保ち、人間が監査できる形で不確実性を伝えることが求められます。フロンティアの研究判断には唯一の正解がないことが多く、その評価は難しいとしています（参照*4）。

研究者への聞き取りや他社の自己評価でも、残る仕事は近い内容です。Epoch AIは、8人のAI研究者およびエンジニアに半構造化インタビューを行いました。参加者は、計画や推論、結果の解釈よりも実装作業のほうが自動化に適している点でおおむね一致しています（参照*8）。

Anthropicのシステムカードは、Mythos 5.1が簡単に確認できる推測を事実として述べたり、自分の作業の完全性を誇張したり、重要な主張を検証しなかったりすることがよくあると記しました（参照*9）。

測定の難しさとボトルネック

指標の読み方と、これから何がボトルネックになるのかを見ます。ここでもOpenAI自身が留保を置いており、その誠実さは評価できますが、同時に「測定できていないものが多い」という現実でもあります。

OpenAI自身が、指標の解釈の難しさを留保として示しています。同社は、これらのデータポイントは比較的測定しやすい一方で、解釈が難しい場合があると述べました。

自動化が進むにつれて、自動化が最も難しいタスクが研究者の努力のより大きな割合を占め、将来の進展における重要なボトルネックになるとしています。計算資源も進展を左右する要因であり、他のボトルネックが減るにつれて重要性が増す可能性があると書いています（参照*1）。

測定の方法づくりも、まだ途中の段階です。OpenAIは、エージェントを活用したAI研究はまだ新しく、その測定方法についても学んでいる段階だと述べました。

研究チームが生成するコード量のような指標は比較的簡単に集められる一方、研究の進展との関係が不確実なため解釈は難しいとしています。エージェントがタスクに成功する頻度のような指標はより有用な可能性がありますが、開発と検証は複雑だと説明しました（参照*1）。

AI Socraticも、これらの指標は数えやすい一方で解釈が難しいという同社の注意点は、維持する価値があると整理しています（参照*5）。

アラインメントの未解決課題

安全面には、まだ解けていない課題が残っています。私は生成AI事業を立ち上げて2年半ほど企業への導入支援を続けていますが、能力の進展に対してアラインメントの進展が「追いついているかどうかわからない」という状況は、外部から判断する手段がほとんどないという点で深刻だと考えています。

OpenAIは、到達の方法が分かっていないと明言しています。RSIは、AIが自分自身の改善を繰り返すことを指します。

同社は、アラインメントされた完全なRSIに安全に到達する方法は、まだ分かっていないと述べました。能力と並行してアラインメントおよび安全対策を拡大するために取り組んでいるものの、アラインメントと安全性の進展が追いつくとは限らず、より高性能なシステムは監視が難しくなる可能性があるとしています（参照*1）。

AI Weeklyは、OpenAIが2028年3月までの完全に自動化されたAI研究者を目標に掲げつつ、この未解決を認めていると伝えました（参照*2）。

リスクの判断次第では、開発や展開を止める方針も示されています。OpenAIは、慎重なアラインメントと安全性の取り組みがこの努力の中心であり、現在のエージェント型コーディングシステムで確認されている安全上の問題を測定して軽減することから始まると述べました。進めることが許容できない安全上のリスクをもたらすと判断した場合は適切に対応するとし、そこには十分に保護できないと判断したシステムの開発または展開を遅らせる、あるいは停止することが含まれるとしています（参照*1）。

業務に置き換える視点

設計と検証に残る人間の役割

AIに任せられる作業と、人が確かめる作業の分かれ目を事例から見ます。この分け方こそ、私が企業のAI導入支援で最初に取り組む設計作業です。

科学研究の実験では、支援できる範囲と限界の両方が報告されています。OpenAIが公開したGPT-5による科学加速の実験報告によると、GPT-5は専門家の適切な指導のもとで、研究のアイデア創出、深い文献検索、証明の作成、数値モデルの構築、実験計画の提案を支援しました。一方で、GPT-5の出力には誤りや過度に自信のある主張も含まれ、人間の専門家による検証と監督が必要でした（参照*10）。

時間が縮んだという報告にも、条件が付いています。同じ報告では、研究者はGPT-5が数分でコードを作成した一方、物理的に妥当なパラメータ領域の選択、病的な結果の判断、結果が正しいかどうかの確認には人間の専門知識が必要だったと述べています。研究者は6人月程度の作業が6時間に圧縮されたと報告しましたが、モデルが数値的な問題を隠したり、ノイズを成功と判断したりするため、専門家による継続的な確認が不可欠でした（参照*10）。

別の研究でも、検証の負担は人に残りました。最も重要で繰り返し現れた人間の貢献は、モデルの出力に批判的な判断を適用することでした。これは私が自社のメディア運営でAIを使う際にも同じで、AIが出した文章や構成が「もっともらしく見える」ほど、事実確認と論理の検証を怠りやすくなります。

データセットのファイルを誤認し、合成データセットを使用した事例では、AIは確認が必要かもしれないと指摘せずに、もっともらしく見える結果を生成しました。懐疑的に検討する負担は、一貫して人間の研究者にかかりました（参照*11）。

監督を機能させる運用設計

監督を形だけにしないために、どんな運用設計が提案されているのかを見ます。「承認疲れ」という概念は、実務の感覚に非常に近いものです。

承認の繰り返しは、監督を弱めます。ある研究は、利用者が自分の目標のためにシステムを活用しながら、エージェントの動作中の行動に許可を与え、選択の正確性を評価し、各段階の安全性と適切性を判断し、起こり得る影響を予測しなければならないと整理しました。実際には、エージェントが処理を続けるために示すプロンプトを繰り返し承認することになり、承認内容に細かく注意を払わなくなる「承認疲れ」に陥るとしています（参照*12）。

同じ研究は、対処となる設計の案も示しました。1つは限定された自律性で、エージェントが承認なしに実行できることをあらかじめ定め、真に判断を必要とする決定に利用者の注意を取っておきます。もう1つはバッチレビューで、エージェントが論理的な作業単位を完了した後、確認できる差分としてバッチ全体を提示し、関連する行動をまとめて評価できるようにします（参照*12）。私の感覚では、業務導入において「承認を求める頻度」と「承認の粒度」の設計が、運用定着の鍵になります。

タスクの決め方についての指摘もあります。別の研究は、現時点ではタスクの仕様を人間が定めるべきだとしました。多くの実験では、指標とデータセットの選択をモデルに任せることがうまく機能した一方で、より明確な指示が必要な状況が2つあったと報告しています（参照*11）。

おわりに

OpenAIは、自社の測定として研究インターンの水準に到達したと発表しました。ただし3.1エージェント労働日は稼働時間の比較であり、4〜8時間かかるタスクでは成功例の半数以上に人間の介入が含まれていました。高レベルの計画は、今もエージェントの出力トークンに占める割合が最小です（参照*1）。数字の見た目に対して、実態はかなり条件付きです。

次の目標は2028年3月の自動化AI研究者ですが、これは同社が掲げた予定です。OpenAIは、アラインメントされたRSIに向けた進展を実現し理解することが使命にとって重要だとしたうえで、方法を改善し、進化する理解を報告し、フロンティアシステムについて十分な情報に基づく公開討論と意味のある民主的統治に向けて取り組み続けると述べました（参照*1）。私が注目しているのは、2028年3月という目標よりも、「能力の進展に安全面がどこまで並走できるか」という点です。OpenAIがこの非対称性を公に認めているという事実は、過小評価せずに受け取っておくべきだと思います。

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））