2024年12月、本ブログで「AGIと高度なAIエージェントの違い」というコラムを書いた。AGIを「自己目的設定・未知の課題への柔軟な対応・深い文脈理解と内省を持つ汎用知性」、高度なAIエージェントを「特定タスクに特化し、外部からの指示に依存し、自己目的設定能力を持たないもの」として、両者を汎用性と目的設定能力という2軸で対比させる内容だった。
あれから1年8ヶ月が経った。エージェントは自動運転やチャットボットの延長ではなく、数時間かけてコードを書き続け、コンピュータ画面を自律的に操作する存在になった。一方でAGIという言葉自体は、それを掲げてきた当のOpenAI CEOが「あまり有用な用語ではない」と言い出すところまで揺らいでいる。この2つの動きは、一見バラバラに見えて実は同じ現象の裏表である。
結論を先に述べると、2024年12月の2軸フレームワーク（汎用性・目的設定能力）は骨格として今も有効だが、「対比」ではなく「連続体（スペクトラム）」として読み替える必要が出てきた。ただしその連続体の中でも、「与えられた仕様のタスクをこなす能力」と「何が目的かを自分で発見する能力」の間には、2026年になって初めて定量的に見えるようになった差がある。しかもこの差は、わずか数ヶ月で急速に縮まりつつある。その動きの速さ自体が、AGIを固定されたゴールとして語ることの難しさを物語っている。
1. エージェントの自律性はどこまで伸びたか ―― 「時間軸」という物差し
旧記事は高度なAIエージェントを「特定タスクに特化し、訓練されたデータやプログラムの範囲内でしか対応できない」と定義した。この定義は「自律的に動ける時間の長さ」という一点において、2026年時点で大きく塗り替わっている。
AI安全評価の非営利団体METRは2025年3月、「タスク時間軸」という指標を提唱した。人間の専門家がそのタスクを終えるのにかかる時間を基準に、AIが50%の確率で自律的に完遂できるタスクの長さを測るものだ。この指標で見ると、2024年半ばのGPT-4oは約7分だったのに対し、2026年5月にMETRが評価したAnthropicの「Claude Mythos Preview」は16時間以上（95%信頼区間で8.5〜55時間）という、これまでで最も高い数値を記録した。
| モデル／時期 | 50%タスク時間軸 | 備考 |
|---|---|---|
| GPT-4o（2024年半ば） | 約7分 | METR初期論文の起点 |
| Claude 3.7 Sonnet（2025年2月） | 約59分 | 1時間の壁に接近 |
| Claude Opus 4.5（2025年12月） | 4時間49分 | 95%CI 1時間49分〜20時間25分 |
| Opus 4.6／GPT-5.2（2026年2月） | 5〜6時間規模 | 両社が拮抗 |
| Claude Mythos Preview（2026年5月公開） | 16時間以上 | METR計測の上限値。3月の限定評価 |
ただし、この数字を鵜呑みにするのは危険だ。METR自身が「現在のタスク群では16時間を超える測定は信頼できない」と明記しており、評価に使う228タスクのうち16時間以上のものはわずか5つしかない。信頼区間も非常に広く、METRは「Opus 4.5の『真の』時間軸が3.5時間なのか6.5時間なのか、正直分からない」と率直に述べている。
さらに重要なのは、80%の確率で成功する時間軸はほとんど伸びていないという事実だ。Opus 4.5の80%時間軸は27分、GPT-5.1-Codex-Maxで32分と、過去のモデルとほぼ同水準にとどまっている。「50%成功なら数時間、80%成功なら30分」という乖離は、実務でエージェントに何を任せられるかを考えるうえで、50%時間軸の派手な伸びよりもよほど重要な数字である。
2. ベンチマークと実運用の溝 ―― コンピュータ操作エージェントの場合
この溝を最もはっきり見せてくれるのが、コンピュータ画面を実際に操作するエージェントの評価だ。実デスクトップでの369タスクを人間と比較するOSWorldというベンチマークでは、2024年4月の12.24%から、2026年6月には上位モデルが85%前後（人間の基準値72.36%を上回る）まで駆け上がった。数字だけ見れば「解決済み」に見える。ただしこの人間基準値や上位スコアは、評価版・ハーネス構成・計測日によって数値が変動する点には留意しておきたい。
ところが2026年6月に公開された後継ベンチマーク「OSWorld 2.0」（人間の所要時間の中央値が約1.6時間という、より長く現実的なワークフロー108件で構成）では様相が一変する。500ステップの予算内で最高スコアを記録したのは Claude Opus 4.8 だが、その完遂率はわずか20.6%だった。しかもタスクが長くなるほど成功率は急落し、人間で163分を超えるタスクになると、すべてのモデルで完遂率が0%になる。
「短いタスクのベンチマークで85%、長く現実的なワークフローで20.6%」——この対比こそが、2026年時点でのエージェントの実像である。制約を途中で忘れる、必要な情報を取りこぼす、確認せずに推測で進める、検証の工程を省略する。論文が挙げるこれらの失敗パターンは、まさに実際の業務でユーザーが直面するものと重なる。
3. 「仕様通りにこなす」と「目的を自分で見つける」―― ARC-AGI-3が示した壁
旧記事が挙げた「未知の課題への柔軟な対応」というAGIの条件は、2026年に入って初めて明確な数字として測定されるようになった。新規パターンへの推論能力を測るARC-AGIベンチマークの創案者François Cholletらは、2025年3月に第2版（ARC-AGI-2）を公開した。ローンチ時点でフロンティアモデルはほぼ全滅（1桁%台）だったが、2026年前半にはGoogleのGemini 3.1 Proが77.1%、Gemini 3 Deep Thinkが84.6%まで到達し、フロンティアAPI経由の公開リーダーボードでは85%規模の値も報告されている。
ここで一つ注意が要る。この「85%規模」はAPI経由でフルセットを評価した値であり、インターネット接続なし・1提出あたり約50ドルという計算予算の制約下で競うKaggleの公式コンペティション（ARC Prize）の値とは別物だ。後者の2025年最高値は非公開評価セットでわずか24%にとどまる。ちなみに人間の基準値は、ARC Prizeが400名超を対象に実施した対照試験で平均60%であり、しばしば引用される「10人のパネルで100%」はARC-AGI-1（旧版）の別の調査に由来する数字なので、両者を混同しないよう注意したい。ARC-AGI-2の85%グランプリ（完全公開・再現可能な解に与えられる賞）は、2025年終了時点でまだ誰も獲得していない。
そして2026年3月、ARC Prizeは第3版「ARC-AGI-3」を公開した。これは静的なパズルではなく、説明も規則も目標も与えられない対話型の環境を数百用意し、エージェントが自力で探索し、何をすれば「勝ち」なのかを発見し、学んだことを次のレベルに持ち越せるかを問うものだ。ARC-AGIシリーズで2019年の開始以来、初めての大きな形式転換である。
公開直後の評価は際立っていた。人間は全環境で100%を達成し、フロンティアAIは1%未満にとどまった。この結果は当時、旧記事が「自己目的設定の欠如」と呼んだものを、初めて数字として裏づけたかに見えた。
ただしこの数字は、4ヶ月足らずで大きく動いている。2026年7月24日、ARC Prizeが独立検証した結果によれば、AnthropicのClaude Opus 5がARC-AGI-3で30.2%を記録し、それまでの最高値だったGPT-5.6 Sol（Max reasoning）の7.8%を4倍近く上回った。それまで誰も攻略できなかった環境を5つ新たに解き、うち4つは人間と同等以上の効率だったという。なお、OpenAIは同じGPT-5.6 Solについて、推論の状態を保持し文脈を圧縮する設定に切り替えると、パブリックセットでのスコアが13.3%から38.3%まで伸びると発表している。ただしこれはARC Prize公式リーダーボードとは異なるタスクセット・ハーネスでの測定であり、30.2%という数字と単純に順位を比較できるものではない。
この推移から読み取るべきは、「AIには自己目的設定能力が全くない」という単純な結論ではない。むしろ、①閉じたゲーム環境の中でルールや目標を発見する能力自体は、この数ヶ月で急速に向上しつつあること、②そのスコアはモデル単体の実力だけでなく、ハーネスや推論状態の保持方法といったエージェント設計に大きく左右されること、の2点だろう。加えて、ARC-AGI-3が測っているのはあくまで閉じた環境内での局所的な目標・ルールの発見であり、旧記事が言う「自己目的設定」——長期的な価値観や動機を自ら形成する能力——を直接測定・否定するものではない点にも注意しておきたい。過大解釈を避けるなら、「未知の環境でのルール発見能力」という限定された意味において、AIエージェントはこの数ヶ月で急速にキャッチアップしつつあるが、人間の効率にはまだ届いていない、というのが現時点で言える範囲だろう。
4. AGIの定義そのものが溶けていく
旧記事はAGIを「自己目的設定・内省・意識」といった哲学的な軸で定義した。2026年の主要研究機関は、この種の定義からむしろ距離を置く方向に動いている。
Google DeepMindは2023年の論文で、性能と汎用性の2軸によるLevel 0〜5の段階分類「Levels of AGI」を提示した。2025年4月に公開した145ページの技術報告書では、これを踏まえて「Exceptional AGI（Level 4）＝幅広い非物理的タスクで熟練成人の99パーセンタイル以上」という能力の分位点でAGIを定義し、「意識」ではなく測定可能な能力水準に焦点を絞っている。OpenAIも「Chatbot→Reasoner→Agent→Innovator→Organization」という5段階を提示し、現在のエージェントはその3段階目に位置づけられるとしている。いずれも、AGIとエージェントを「別物」ではなく「連続体の一点」として扱う構図だ。
最も象徴的なのは、MicrosoftとOpenAIの契約に埋め込まれていたAGI条項の変遷である。当初は「OpenAI取締役会がAGI達成を宣言すればMicrosoftのIP権が失効する」という能力ベースの取り決めだったが、2024年末には「最初期投資家が受け取れる利益、約1000億ドルを生み出す能力」という財務的な定義に置き換わっていたことが報じられた。2025年10月の組織再編に伴う新契約では、AGI宣言の判定は独立専門家パネルによる検証手続きに変わり、2026年4月にはこの条項自体が削除されたと報じられている。能力の定義から、金額の定義へ、そして手続きの定義へ、最終的には契約から消える——この4段階の変遷は、「AGI」という語を法的文書に固定することの難しさをよく示している。
Anthropicは早い段階から「AGI」という語を避け、「powerful AI（強力なAI）」という表現を使ってきた。Dario Amodeiは2024年10月のエッセイで、これを「ノーベル賞受賞者級の知性を持ち、人間が使うあらゆるインターフェースを操作でき、自律的に行動できるもの」と説明し、「データセンターの中の天才の国」と表現している。
5. 実現時期の予測 ―― 収斂ではなく、振れ幅
主要な研究者・経営者の見通しは、「収斂しつつある」というより「大きく振れながら推移している」というのが実態に近い。
Anthropicのダリオ・アモデイは2026年1月の対談で、人間ができることをノーベル賞受賞者の水準でこなせるモデルの到達を「2026年か2027年」と述べた一方、Anthropicの売上が2023年ゼロから2024年に10億ドル、2025年に100億ドルへと年10倍で伸びてきたことを紹介しつつ、この成長曲線が文字通り続くとは限らないと自ら留保している。Google DeepMindのデミス・ハサビスは長く2030〜2035年という見通しを示してきたが、2026年5月には2029〜2030年へと前倒しした。それでも「記憶・一貫性・継続学習という、あと1〜2のブレークスルーが必要」という立場は変えていない。
一方でOpenAIのサム・アルトマンは、2025年8月8日放送のCNBC番組で「AGIはあまり有用な用語ではない」と述べ、それまでの前のめりな姿勢からトーンを変えた。理由として、AGIの定義が論者ごとに複数あり、重要なのは特定の到達点ではなく能力の指数関数的な向上そのものだ、という考えを示している。予測追跡サイトの集計によれば、2025年後半には複数の著名な論者が予測を後ろ倒しにしたが、2026年に入ってからの更新はふたたび軒並み前倒しに転じている。「収斂」というより「振動」と呼ぶ方が正確だろう。
6. 技術的ボトルネック ―― 継続学習という壁
旧記事が挙げた技術的課題（汎用学習アルゴリズム、計算資源、自然言語処理の精度）のうち、自然言語処理の基礎的な流暢さは大きく向上した。ただし事実性や長い文脈での一貫性、専門領域での正確性は実務上の課題として依然残っており、「解決済み」と言い切るのは時期尚早だろう。加えてこの1年8ヶ月では、継続学習・長期記憶・一貫性が、研究コミュニティの関心を集める主要な論点の一つとして浮上した。
現行のモデルは事前学習を終えると基本的に静的であり、会話の文脈窓の外側に新しい長期記憶を形成できない。2026年のフロンティア規模の検証では、複数の主要モデルに連続的なファインチューニングを施すと、既存タスクの能力が15〜32%低下するという結果が報告されている。緩和策の研究は進んでおり、例えば「スパース・メモリ・ファインチューニング」という手法は、フルファインチューニングで89%落ちる性能低下を11%まで抑えたと報告された。Google Researchも2025年11月、モデルを多層の入れ子構造として捉え直す「Nested Learning」という枠組みを発表している。ただしこれらはいずれも研究段階であり、フロンティア製品への実装には至っていない。
実務のエージェントでは、セッションをまたいで状態を保持するメモリツールやチェックポイント機能の実装が進んでいる。ただしこれは外部記憶による回避策であり、モデルの重みそのものが経験によって更新され続けるという意味での継続学習とは異なる。この区別は、AGIの技術的な準備状況を評価するうえで重要である。
7. ビジネス現場の実態 ―― 導入したが、成果が出ない
旧記事は「AIエージェントは自動運転・カスタマーサポート・医療診断で即効性を発揮する」と述べた。2026年時点の実務データは、より慎重な見方を要求している。
MIT Media Labの2025年7月の報告書は、企業が生成AIに300〜400億ドルを投じながら、95%のパイロットが測定可能な損益インパクトを生んでいないと指摘した。失敗の主因はモデルの品質でも規制でもなく、ツールがフィードバックを保持し、文脈に適応し、時間とともに改善する仕組みを欠いている「学習ギャップ」にあるという。成功している5%に共通するのは、対象タスクを狭く絞ること、特定ドメインに特化すること、外部の専門家と組むことの3点だ。社内人材と外部専門家を組み合わせた案件の成功率は67%に達する一方、IT部門単独での内製は22%にとどまる。なお、この報告書は査読を経た学術研究ではなく著者自身が「予備的な調査」と位置づけたものであり、成功・失敗の判定基準もパイロット開始からおおむね6ヶ月というやや短い観測期間でのP&Lインパクトに限定されている点には留意しておきたい。
調査会社Gartnerは2025年6月、エージェント型AIプロジェクトの40%超が2027年末までに中止されると予測した。理由はコストの増大、ビジネス価値の不明確さ、リスク統制の不備の3点である。同社は既存のチャットボットやRPAを「エージェント」と再ブランドするだけの「agent washing」にも警鐘を鳴らし、数千存在するとされるエージェント型AIベンダーのうち実体を伴うのは約130社程度と見積もっている。一方で同社は、2028年までに日常業務判断の少なくとも15%がエージェント型AIによって自律的に行われ、企業向けソフトウェアの33%がエージェント型AIを含むようになるとも予測しており、悲観一色の見立てではない。
まとめ ―― 「対比」から「連続体」へ、そして新しい壁の発見
2024年12月の記事が示した2軸フレームワークは、骨格としては今も通用する。ただしこの1年8ヶ月で明らかになったのは、AGIとエージェントを二項対立で語る構図そのものが崩れ、代わりに「自律性・時間軸の連続体」という見方が主流になったということだ。METRの時間軸は数分から十数時間へと伸び、DeepMindやOpenAIの段階分類、Microsoft-OpenAIの契約変遷も、いずれもAGIを単一のイベントではなく連続的な進捗として扱っている。
その一方で、連続体の中に興味深い非対称性があることも、この1年8ヶ月で見えてきた。仕様が明確なタスクをこなす能力は、コンピュータ操作でもARC-AGI-2でも人間の水準に並びつつある。目的そのものを自分で発見しなければならない環境（ARC-AGI-3）では、公開直後こそAIは1%未満にとどまったが、わずか4ヶ月でトップスコアは30%規模まで押し上がった。旧記事が定性的に指摘していた「自己目的設定の欠如」は、2026年になって定量的に観測できるようになったが、その差は固定された壁というより急速に埋まりつつあるものであり、しかもそのスピードがモデル単体の実力なのか、ハーネス設計に依存するのかは、まだ見極めが必要な段階にある——というのが本稿の最も重要な更新点である。
実務への示唆としては、「AGIかどうか」を問うよりも、自社の業務を「人間換算で何分のタスクか」で棚卸しし、しかも派手に伸びている50%時間軸ではなく、実務で意味を持つ80%時間軸（現状30分前後で足踏み）を基準に据えることを勧めたい。エージェント導入は狭く深く進め、長時間ワークフローには人間の監督を残す設計を前提とする。そして「AGI」という言葉を契約やベンダー選定に持ち込む際は、それが能力の話なのか、金額の話なのか、手続きの話なのかを、あらかじめ明文化しておく必要がある。Microsoft-OpenAIの契約がたどった4段階の変遷は、その教訓を最も雄弁に物語っている。
0 件のコメント:
コメントを投稿