技術ノート ｜ AIの最新動向を、現場目線で
2026年9月3日、OpenAI が新しいフラッグシップモデル GPT‑6 Astra を公開した[1]。目玉はコンピュータ操作だ。画面を読み、マウスとキーボードを動かして、人がパソコンの前でやっている作業——フォームの入力、顧客管理システムのレコード更新、カレンダーの整理、調べ物とその要約、資料やスプレッドシートの作成——を最後まで自分で進める。
数字も出ている。実務に近い操作を測るベンチマーク OSWorld 2.0 では、前世代の GPT‑5.6 Sol が 65.7%・1タスクあたり約75分だったのに対し、Astra は 72.6%・約40分。精度を上げながら、所要時間が半分近くになった。
ただし、今日から誰でも使えるわけではない。初日に配られたのは一部の組織だけで、企業向けプランでは管理者が有効にするまで既定でオフ。高度なサイバーセキュリティ作業は、モデル自身が拒否する。
この記事では ①何が発表されたのか ②コンピュータ操作で具体的に何ができるのか ③速さと費用 ④公表された表を全部並べたときに見える弱点 ⑤使う側で変わること ⑥今日誰が使えるのか、を順に見ていく。
01 何が発表されたのか
OpenAI は Astra を「世界で最も知的で、最もアラインメントの取れたモデル」と紹介している。得意分野として挙げているのは、コンピュータ操作、ブラウジング、ソフトウェア開発、サイバーセキュリティ、科学、専門職の業務。
公表された代表的なスコアを、前世代と並べるとこうなる。
| 評価 | GPT‑6 Astra | GPT‑5.6 Sol |
|---|---|---|
| FrontierMath Tier 4（研究レベルの数学） | 97.6% | 83.0% |
| ARC-AGI-3（初見の環境への適応） | 99.9% | 7.8% |
| Terminal-Bench 4.0（端末での実務） | 57.9% | 37.3% |
| Terminal-Bench Science 0.1（科学の作業手順） | 64.6% | 22.4% |
| ExploitBench（既知の脆弱性から攻撃コードを作る） | 100.0% | 78.5% |
ARC-AGI-3 の 7.8% → 99.9% のような跳ね方は、世代交代でもそう頻繁には出ない。評価した ARC Prize Foundation の Greg Kamradt 氏はこうコメントしている。
ARC-AGI-3 において、Astra はレベルの96%で我々の人間の行動効率のベースラインを上回り、事実上このベンチマークで人間と同等に達した。これまでテストした中で最良のモデルであるだけでなく、フロンティアモデルの性能における意味のある段階的変化を示している。
— Greg Kamradt, ARC Prize Foundation（OpenAI 発表ページより）
一方、記者向けの説明会で OpenAI 社長の Greg Brockman 氏が「AGIの時代へようこそ」と締めくくったことが各紙の見出しになった[4]。ただ、公式の発表文には AGI という言葉が一度も出てこない（ARC-AGI というベンチマーク名を除く）。会社としての宣言ではなく、個人の発言として報じられたものだ。
数字の読み方でひとつ注意がある。FrontierMath Tier 4 は発表文の本文が「98%で飽和」、末尾の一覧表は「97.6%」と、同じ発表の中で表記が揺れている。この記事では表の値を採った。
02 「コンピュータ操作」で何ができるのか
Astra の売りは、チャットで答えることではなく画面の中で作業を終わらせることにある。OpenAI が挙げている例をそのまま並べると、こうなる。
- オンラインフォームへの入力、顧客管理システムのレコード更新、カレンダーの整理
- ネットで調べ物をして、メールや文書エディタの中に要約を書く
- 科学データを分析してグラフを作る／ウェブサイトを作り、動作確認まで自分で行う
- ソフトウェアを自分でインストールして試し、画面に出ている不具合の原因を切り分ける
デモとして公開されているのは、基板設計ソフトで回路図から製造可能なプリント基板のレイアウトを作る作業、3DCGソフトで家をモデリングしてゲームエンジンで歩ける空間に変える作業、米国の確定申告書の記入、表計算、BIツール、法律文書の書式整えなど。専門ソフトの中に入って手を動かすタイプの仕事が並んでいる。
操作系のベンチマークは次のとおり。
| 評価 | GPT‑6 Astra | GPT‑5.6 Sol | Claude Opus 5 |
|---|---|---|---|
| Agents' Last Exam（実ソフトでの専門業務） | 59.3% | 53.6% | 55.5% |
| OSWorld 2.0（オフライン版・部分点） | 72.6% | 65.7% | 70.2% |
| ScreenSpot-Pro（画面上の要素を正確に指す） | 92.7% | 76.9% | ― |
Agents' Last Exam では、Astra は Opus 5 より高いスコアを出力トークン約65%減で出したと書かれている。ScreenSpot-Pro の 76.9% → 92.7% は「押したいボタンを正確に押せるか」に相当する能力で、画面操作の成否をいちばん左右する部分だ。
資料作成についても踏み込んだ記述がある。Astra は既存のテンプレートに合わせてスライドや文書を作り、その業務に不要な情報を出力に混ぜないよう訓練されているという。「それらしい体裁の資料は出てくるが、結局こちらで作り直す」という失敗の型に対する回答になっている。
03 速さと費用──時間はほぼ半分、単価は2.5倍
経営判断に直結するのはここだ。まず時間。OSWorld 2.0 のレイテンシ検証で、Astra は Sol に比べて1タスクあたり約47%短い時間で、より高いスコアを出した。
あわせて Codex 側のハーネス（モデルを動かす土台）も更新され、Mind2Web というベンチマークでは現行の Sol 体験に対して1.9倍速いタスク完了になるとしている。
次に単価。API の標準価格は入力100万トークンあたり10ドル、出力100万トークンあたり50ドル[2]。GPT‑5.6 Sol は入力4ドル・出力20ドルなので、トークンあたりでは2.5倍になる。
ところが OpenAI は「タスクあたりの推定APIコストはむしろ低い」と主張している。根拠は出力トークンの少なさで、発表文には評価ごとにこう書かれている。
| 評価 | 比較相手 | 推定APIコストの差 |
|---|---|---|
| Terminal-Bench Science 0.1 | Claude Fable 5.1 | 約31%低い |
| Terminal-Bench 4.0 | GPT‑5.6 Sol ／ Fable 5.1 | 約9% ／ 約63%低い |
| BenchCAD | GPT‑5.6 Sol ／ Fable 5.1 | 約43% ／ 約86%低い |
| GPQA Diamond（低コスト設定） | GPT‑5.6 Sol | 約37%低い |
つまり「単価は上がったが、少ない手数で終わるので総額は下がる」という主張だ。ただしこれは、モデルが短く終えられる種類の仕事での話になる。長い文脈を大量に読ませる使い方では逆に振れる余地がある。実際、入力が272,000トークンを超えるリクエストは、そのリクエスト全体が入力2倍・出力1.5倍で課金されると製品ドキュメントに明記されている[2]。コンテキストは1,050,000トークンまで入るが、入れるほど単価が上がる区間がある。
なお、Sol の4ドル／20ドルは「少なくとも2026年11月21日まで」の販促価格として案内されているものだ。比較するときは前提が違う。補足を2つ。Fast mode（標準の最大2倍の速度）は Astra でも使えるが価格も2倍。そしてEUのデータ所在地を使っている場合、Astra では Fast mode が利用できない。これは発表文になく、移行ガイドにだけ書かれている[3]。
04 公表された表を全部並べると、負けている項目もある
発表文は「世界で最も知的」と始まる。ところが同じ発表の末尾に載っている比較表には、他社モデルに負けている行がいくつもある。見出しだけを読むと出会わない情報なので、そのまま引く。
| 評価 | GPT‑6 Astra | 上回っているモデル |
|---|---|---|
| Artificial Analysis Intelligence Index v4.1.1（総合指数） | 61.2 | Claude Fable 5.1 ＝ 65.7 |
| Humanity's Last Exam（ツールあり） | 57.2% | Fable 5.1 ＝ 65.0%／Opus 5 ＝ 63.6% |
| Artificial Analysis Coding Agent Index v1.4 | 67.0 | Opus 5 ＝ 68.1／Fable 5 ＝ 67.2 |
| FrontierCode 1.1 Main | 53.3% | Fable 5 ＝ 53.5%／Opus 5 ＝ 53.4% |
第三者が算出する総合指数で他社が上、という状態を、OpenAI は自分の発表ページに表として載せている。宣伝文と表が矛盾しているというより、強い分野（コンピュータ操作・端末作業・数学・サイバー）と、そうでない分野が分かれていると読むのが正確だ。
比較表の脚注にも重要な但し書きがある。ScreenSpot-Pro と ExploitGym の Claude 側のスコアは、Fable ではなく Mythos（安全装置を減らした版）の数字だと書かれている。誰でも契約できるモデルの数字とは限らない。
そして OpenAI 自身が「悪化した」と書いている項目もある。Astra の書かれた推論過程は、Sol より監視しにくくなったという。理由として、簡単なタスクでは書く内容をより制御できるようになり、少ない記述で問題を解けるようになったことを挙げたうえで、「この低下は重く受け止めている」「監視可能性の改善は引き続き研究の優先課題」と明記している。能力の発表で自社に不利な指標を書いている箇所は珍しい。
05 使う側で変わること
ここからは、実際に業務へ組み込む人向けの話になる。移行ガイドに、コードを変えなくても挙動が変わる点がまとまっている[3]。
質問してきて止まる。 Astra は、答えによって結果が変わる場合にユーザーへ質問するよう設計されている。長い作業でも文脈を保てるようになった一方、以前のモデルなら適当に仮定して進めていた場面で、止まって聞いてくる。OpenAI は自律的に進めさせたい場合のプロンプト例を公式に載せている（「意図が読み取れるなら行動に寄せ、完了まで進めること」といった趣旨の指示）。
スキルや AGENTS.md の書き方に敏感になった。 指示への追従が強くなった結果、スキルファイルの曖昧な記述や矛盾した記述で、作業を早い段階で止めてしまうことがある。OpenAI は「モデルがアクセスできるスキルやファイルを監査することを強く推奨する」と書いている。AIエージェントに社内ルールを読ませて運用している組織では、モデルを差し替えた日に効いてくる項目だ。
文章が細かくなる。 箇条書き・表・Markdown を多用して読み取りやすくしようとする傾向があり、散文で書かせたい場合は明示的に指定する必要がある。テストを広めに書く。 コーディングでは完了前の検証を厚く行う傾向があり、小さな変更でも必要以上に広くテストすることがある。
細かいが効く仕様変更が1つ。 推論の深さの指定で、Sol にあった none（推論しない設定）が Astra では使えない。前世代のドキュメントには none, low, medium, high, xhigh, max と書かれているが、Astra は none を落としている。軽い用途で none を指定したまま切り替えると、その呼び出しは通らない。
新機能側では、ツールの実行を待つ間に別の作業を進められる非同期ツール呼び出し、作業中に追加指示を割り込ませられる mid-turn steering、会話の途中で推論の深さを変えてもキャッシュを保てる設定更新が加わった。長く走るエージェントを組んでいるなら、この3つは設計に効く。
06 今日、誰が使えるのか
発表当日の提供状況は、報道の見出しより狭い。
| 経路 | 状況 |
|---|---|
| 一部の組織 | 本日から。製品ドキュメントでは「Trusted Access Program に参加する企業向け」と説明 |
| ChatGPT Plus / Pro / Business / Enterprise | 「今後数日のうちに」 |
OpenAI API（gpt-6-astra）／AWS（Amazon Bedrock） | 「今後数日のうちに」 |
| 企業ワークスペース | 管理者が有効化する必要あり。ローンチ時点では既定でオフ |
| 高度なサイバーセキュリティ作業 | Astra 自身が拒否する（実証コードの作成など）。段階的に緩和予定 |
利用枠は既存のサブスクリプションに含まれ、足りない分はクレジットの追加購入で対応する。Pro / Business / Enterprise では、より重い GPT‑6 Astra Pro も使えるようになる。API では Zero Data Retention（データを保持しない運用）にも対応する。
サイバー能力については、Astra は OpenAI 自身の安全枠組みで「重大（Critical）」に指定された初めてのモデルでもある。その判断と、追加の安全確認によって正当な業務まで止まりうるという副作用は、昨日の記事で扱った。
関連記事 ｜ 前日の安全アップデートOpenAI Astra が「重大」なサイバー能力に到達 ──初の指定と、正当な業務まで止まりうる安全対策
→
今回の発表文にも同じ説明が繰り返されている——追加の安全確認は正当な作業を遅らせたり止めたりすることがあり、ChatGPT や Codex では確認を求められるが、APIではタスクが停止する。人が画面の前にいる経路と、夜間に無人で走る経路とで、結末が変わる。
07 まとめ
- 目玉はコンピュータ操作。画面を読み、専門ソフトの中で作業を終わらせる方向にはっきり寄せてきた（OSWorld 2.0 で 72.6%・1タスク約40分）
- 速さは実測で効く。Sol 比で所要時間が約47%短く、Codex ハーネス更新と合わせて Mind2Web では1.9倍速い
- 単価は2.5倍、タスク総額は下がるという主張。ただし272,000トークンを超える入力は割増になるので、長文脈を多用する使い方では検算が要る
- 全方位で最強ではない。第三者の総合指数や Humanity's Last Exam では Claude 側が上。監視可能性は自社比で低下したと公表されている
- 切り替えた日に挙動が変わる。質問して止まる／スキルや
AGENTS.mdの記述に敏感／noneは使えない - 今日は限定提供。企業ワークスペースは既定オフ、高度なサイバー作業はモデルが拒否
新しいモデルを業務に入れるとき、先に確認したいのは最高スコアではなく、手元の使い方でどこが変わるかだ。今回の場合、変わるのは「止まり方」と「聞いてくる回数」と「読ませているルールファイルの効き方」になる。
AIを業務に組み込む前の、地味な確認から
モデルの世代交代で効いてくるのは、ベンチマークの順位よりも、止まり方・費用の出方・既存のルールファイルの扱いです。電脳技巧集団（AI職人ギルド）では、この手の見極めと実装をまとめて引き受けています。相談してみる
出典・注記
- OpenAI「GPT‑6 Astra: A new generation of intelligence」2026年9月3日。ベンチマーク値・提供条件・コスト比較・Kamradt 氏のコメントはこのページから。openai.com/index/gpt-6-astra/
- OpenAI 製品ドキュメント「GPT-6 Astra」。単価、コンテキスト長（1,050,000トークン）、272,000トークン超の割増、Trusted Access Program、対応エンドポイント。developers.openai.com/api/docs/models/gpt-6-astra
- OpenAI 製品ドキュメント「Using GPT-6 Astra」（移行ガイド・プロンプトガイド）。挙動の変化、
none非対応、EUデータ所在地での Fast mode 制限、非同期ツール呼び出し。前世代のnone対応は「GPT-5.6 Sol」のモデルページで確認した。developers.openai.com/api/docs/guides/latest-model/gpt-6-astra - Greg Brockman 氏の「AGIの時代へようこそ」は記者説明会での発言として Axios 等が報じたもの。公式発表文には記載がない。
- 本記事の数値は OpenAI の公表値であり、CAG 自身が検証したものではない。Astra は執筆時点で当社に未提供のため、実機での確認は行っていない。
