「AGIの実現が近い」という言説をよく見かけるようになりました。ただ、この種の議論はたいてい「いつ来るか」で止まってしまいます。エンジニアや事業側の人間にとって本当に知りたいのは、その先です。AGIはどういう形で実現され、どういうサービスとして自分たちの前に現れるのか。
この問いが実務的に重要なのは、答えによって今すべきことが変わるからです。「賢いチャットボットが少し賢くなる」だけなら既存の延長で対応できます。しかし課金単位が「席」から「成果」に変わり、購入対象が「ツール」から「業務そのもの」に変わるなら、SaaSの価格設計も、SIerの契約書も、社内の内部統制も作り直しになります。
結論を先に書きます。AGIは単一の到達点としてではなく、数年がかりの連続的な移行として立ち現れつつあります。2026年8月現在、一部の経済的タスクでは既に人間の専門家に匹敵する一方、汎化能力を問うベンチマークでは人間の足元にも及びません。そしてサービス形態は「席の販売」から「職務の販売」へ、さらに「成果の販売」へと段階的に移っていくと考えられます。以下、根拠を示しながら整理します。
1. そもそも「AGI」の定義がラボごとに違う
議論の前提として押さえておくべきなのは、AGIに業界共通の定義が存在しないという事実です。「AGIは近い」という主張と「AGIは遠い」という主張が並立しているのは、多くの場合、両者が別のものを指しているからです。
OpenAIは2024年7月に、AGIへの道筋を5段階（Chatbots → Reasoners → Agents → Innovators → Organizations）で整理する枠組みを内部共有したことが報じられています。2026年時点の位置づけはLevel 2から3への移行期、つまり推論するモデルが定着し、エージェントが一部の企業で実運用に入った段階、という評価が一般的です。
ただしOpenAI自身が2026年に入って軸足を移しています。同社は2026年4月26日にAGIに関する5原則（民主化・エンパワーメント・普遍的繁栄・レジリエンス・適応性）を公表しましたが、複数の報道が指摘したのは、この文書で「AGI」という語の使用回数が前身にあたる文書から大幅に減っていた点でした。AGIという単語自体が多義的になりすぎて、ロードマップの説明に使いにくくなった、という事情がうかがえます。
AnthropicのDario Amodeiは、そもそも「AGI」という語を好まず、「データセンターの中の天才国家」という表現を使います。2026年1月に公開されたエッセイ「The Adolescence of Technology」でこの表現が使われており、強力なAI（powerful AI）の到来を数年内と見る立場を継続的に表明しています。
Google DeepMindは能力の「レベル」で捉える立場で、2025年4月に公表した安全性に関する長大な論文では、幅広い非物理タスクで熟練成人の上位数パーセントに相当する能力を持つAIが10年以内に登場しうる、という見通しを示しています。
つまり「AGIの実現形態」を問う前に、どのAGIの話をしているのかを確認する必要があるということです。実務上は、抽象的なAGI概念より次節のベンチマークのほうが役に立ちます。
2. ベンチマークが示す「まだらな」進歩
2026年の現在地を最もよく表しているのは、領域によって人間を超えているものと、幼児にも劣るものが同居しているという状態です。三つの指標で見てみます。
METRのタスク時間ホライズン。「AIが50%の確率で完遂できるタスクの長さ」を測る指標で、この分野で最も参照される客観指標のひとつです。METRの2026年1月更新（TH1.1、228タスク）によれば、倍増ペースは2019年以降の全期間平均で約7か月ですが、2023年以降は約131日、2024年以降は約88.6日と加速しています。フロンティアモデルの50%ホライズンは2026年に約12時間（718.8分）に達しました。
ただしMETR自身が、16時間を超える領域の測定は現行のタスクスイートでは信頼性が落ちると明記しています。また、この加速ペースが一時的で2026〜2027年に鈍化する可能性を指摘する専門家もおり、単純な外挿は危険です。より重要な留保は、これが「50%成功率」の数字だという点です。実務で使えるのは80%や95%の成功率であり、その水準でのホライズンは大幅に短くなります。
GDPval。OpenAIが2025年10月に公開した、実務成果物で人間の専門家と直接対決させるベンチマークです。米国GDP上位セクターの多数の職種について実務成果物を用意し、経験豊富な専門家の成果物と比較させます。GPT-5.2 Thinkingは勝率・引き分け率で70.9%を記録しました。ただしこれはOpenAI自身が設計・運用するベンチマークであり、自己評価バイアスを割り引いて読む必要があります。
ARC-AGI。新規パターンへの汎化能力を測る系列です。ARC-AGI-2では2026年8月時点でGPT-5.6 Sol Maxが92.5%に到達しており、人間平均を上回っています。しかし2026年3月25日にリリースされた対話型のARC-AGI-3では、リリース直後の時点でフロンティアモデルのスコアが軒並み1%を割りました。Gemini 3.1 Pro Previewが0.37%、Claude Opus 4.6が0.25%、Grokが0%という状況で、人間は同じ課題を解けます。
この差は「静的なパターン認識としての知能」と「新規環境で試行錯誤しながら適応する知能」の隔たりを示しています。ただし2026年7月にはGPT-5.6 SolがARC-AGI-3で初めてゲームクリアを達成し7.78%まで到達したという報告もあり、状況は動いています。人間の水準にはなお遠いものの、「1%の壁」は破られつつあると見るのが2026年8月時点の妥当な理解でしょう。
3. スケーリングの延長線か、新しいアーキテクチャか
実現形態をめぐる最大の技術的論点は、現在のTransformer/LLMをスケールアップしていけばAGIに届くのかという問いです。
主流のアプローチは、事前学習のスケーリングに加えて、推論時計算のスケーリング（test-time compute）、検証可能な報酬からの強化学習、そしてエージェント化を組み合わせる形に進化してきました。コーディングや数学のように答え合わせができる領域で進歩が速いのは、この3番目の要素が効いているためです。
一方で、研究者コミュニティの多数派はスケーリング単独には懐疑的です。AAAI 2025の大統領パネル報告書（回答者475名）では、回答者の76%が「現行のAIアプローチをスケールアップしてAGIを実現することは、ありそうにない、または非常にありそうにない」と評価しました。これは公式PDFで確認できる数字です。ラボのCEOの発言とアカデミアの体感には、かなりの開きがあるということです。
この立場を最も明確に体現しているのがYann LeCunです。彼は2025年11月にMetaを離れる意向を表明し（実際の退社は2025年末）、その後AMI Labs（Advanced Machine Intelligence Labs）を立ち上げました。2026年3月には約10.3億ドルを調達し、評価額は35億ドルと報じられています。LeCunの主張は一貫していて、LLMは人間レベルの知能への道ではなく、必要なのは世界モデル、具体的にはJEPA（Joint Embedding Predictive Architecture）系のアプローチだ、というものです。
世界モデルの方向にはMeta、Google DeepMind、NVIDIA、World Labsなどが並走していますが、実用化の時期については各社とも慎重です。2026年時点では「スケーリングの延長線がまだ効いている」というのが観測される事実であり、新アーキテクチャが必要かどうかは未決着と見るのが公平でしょう。ARC-AGI-3の結果は前者への疑問符ですが、GPT-5.6 Solの進展は「現行路線でもまだ伸びる」証拠でもあります。
4. タイムライン予測は「誰の予測か」で読む
AGIの時期予測は、発言者の立場によって系統的にずれます。この点を意識せずに数字だけ拾うと判断を誤ります。
| 立場 | 予測時期 | 主な根拠・表現 | 読むときの留意点 |
|---|---|---|---|
| AIラボCEO （Amodei、Altman等） |
2027年前後〜2028年 | 「データセンターの中の天才国家」（Amodei）、自動AI研究者の実現目標（OpenAI） | 巨額の資金調達と企業評価がこのナラティブに依存する構造がある。インセンティブ上のバイアスを割り引く必要 |
| Google DeepMind （公式文書） |
10年以内 | 2025年4月の安全性論文。非物理タスクで熟練成人の上位数パーセント相当 | ラボ発だが安全性文脈での記述で、他社より慎重 |
| 予測市場・集合知 （Metaculus等） |
2030年代前半 | コミュニティ中央値は2033年1月前後。2030年までの実現確率は各予測市場で50%前後 | 定義（解決条件）が厳しめに設定されており、緩い定義なら早まる |
| アカデミア多数派 （AAAI調査） |
現行手法では到達困難 | 回答者475名の76%が「スケールアップによるAGI実現はありそうにない」 | 「時期が遅い」ではなく「路線が違う」という主張である点に注意 |
実務的な示唆は、「AGI到達の単一時点」を待つのは意思決定の方法として筋が悪いということです。能力は段階的に上がり続けるので、それに合わせて体制を継続的に調整するほうが合理的です。以下ではその段階を、AGI相当の能力に到達した時点を起点として初期・中期・長期に分けて考えます。西暦への対応は上表の幅（楽観2027年前後、中間2030年代前半、悲観2030年代後半以降）を当てはめてください。
5. サービス形態・初期（0〜2年）：「AIワーカーを雇う」
ここからは筆者の推定が中心になります。
この段階の提供形態は、汎用チャットボットではなく職種単位の「デジタル従業員」に収束すると考えられます。カスタマーサポート担当、経理処理担当、一次調査担当といった具合に、人間の組織図の空きポジションに埋め込む売り方です。
ここで重要なのは、商品価値の重心がモデルの賢さそのものから離れるという点です。既にどのラボのモデルも一定水準を超えている以上、差がつくのはオンボーディング（何を任せるか定義する仕組み）、権限管理、監査ログ、ロールバック手段といった「組織に安全に埋め込むための周辺装置」です。METRの数字が示すとおり、50%成功率で12時間のタスクをこなせても、80%や95%の水準ではずっと短いのですから、人間のレビューを前提とした設計は当面外せません。
インターフェースはチャットUIから、既存の業務システム内への常駐へ移ります。Slack、Teams、ERP、CRM、チケット管理システムの中にエージェントが住み着く形です。Gartnerは2025年8月26日のプレスリリースで、タスク特化型AIエージェントと統合されるエンタープライズアプリケーションの割合が、2025年の5%未満から2026年末までに40%へ拡大すると予測しています。この移行の入口にあたる動きです。
課金モデルはシート課金と成果課金の併存期になります。既にカスタマーサポート領域では、解決1件あたりの従量課金を採用するベンダーが現れています。この「タスク単価」から、より粗い「1職務あたり月額」へと単位が大きくなっていくのが自然な流れでしょう。
そして筆者が最も重要だと考える律速要因は、推論コストでも精度でもなく、人間側の監督帯域です。AIが10体並列で働けても、その出力を承認できる人間が1人しかいなければ、全体のスループットは人間で決まります。「AIを何体動かせるか」ではなく「人間が何件承認できるか」がボトルネックになるという構造は、この段階の設計を根本的に規定します。承認を省ける領域（可逆な操作、低リスクな判断）から順に自動化が進み、不可逆・高リスク領域は長く人間が残る、という非対称な浸透になるはずです。
6. サービス形態・中期（2〜5年）：「成果を買う」とSaaSの解体
中期には、販売単位がツールから業務プロセスそのものへ移ると予想します。顧客が買うのは「請求処理ソフトウェア」ではなく「請求処理という業務の完遂」になる。実質的にはBPOのAI版です。
ここで価格構造が二極化するはずです。要約、翻訳、一般的なコード生成といった汎用領域は、オープンウェイトモデルの圧力で原価（推論コスト）に向かって暴落します。DeepSeekが2026年4月24日に公開したV4-Proは1.6兆パラメータのMoEでSWE-bench Verifiedが80.6%、しかもMITライセンスという構成でした。最先端に近い性能をライセンス制約なく配ることは、汎用領域の価格を意図的に破壊する行為でもあります。一方で医療、金融、法務、製造の安全系といった規制産業・高責任領域は、価値ベースの価格を維持できるでしょう。
この過程でSaaSの解体（unbundling）が起きる可能性があります。UIを持つアプリケーション層の価値が薄れ、価値がデータとワークフローの所有、システムへの書き込み権限、ドメイン固有の検証手段へと移動する。逆に言えば、AIが持てないものを持っている企業が優位に立ちます。
物理世界への拡張もこの時期でしょう。ロボット向けの基盤モデルが実用域に入れば、製造・物流・建設の現場データが競争資源になります。日本にとってはここが勝負どころで、この点は次節で扱います。
個人向けでは、パーソナルAIが「常時文脈保持型」に進化します。ここで論点になるのが文脈のポータビリティです。自分のAIに何年も蓄積した文脈を他社サービスに持ち出せるのか。持ち出せないなら、それは史上最強のロックインになります。データポータビリティ権のAI版として規制側の論点に浮上する可能性は高いと見ています。
7. サービス形態・長期（5〜15年）：知能のユーティリティ化
長期の不確実性は極めて高いので、以下は方向性の提示にとどまります。
方向としては、知能が電力や通信に近いユーティリティ財として提供される姿が想定されます。単価は計算資源と電力コストに収斂し、「どのモデルを使っているか」は水道の水源を気にしないのと同じくらい意識されなくなる。OpenAI・SoftBank・Oracle・MGXによるStargateが4年5,000億ドル・10GW規模を掲げていることは、AIインフラが実質的に電力事業に接近していることを示しています。SoftBankは2025年12月にOpenAIへの約410億ドルの投資を完了し、出資比率は約11%となりました。
このとき希少性は知能そのものから移動します。筆者の見立てでは、価値が集まるのは次の4つです。
- 計算資源と電力へのアクセス権 — 国家間格差そのものであり、主権AI議論の核心
- 独自データと物理的実行能力 — ロボット、設備、現場へのアクセス
- 信頼と責任の引き受け — 誰が結果を保証するのか
- 人間であること自体 — 人間の判断・承認が法的・社会的に要求される領域
したがって企業が最終的に買うものは「能力」ではなく「保証」になる、というのが筆者の推定です。これはSIer、監査法人、保険といった既存の信頼産業にとって、消滅ではなく再定義の機会だと考えています。
8. サービス形態の変化：軸別の整理
ここまでの議論を軸ごとに整理すると次のようになります。フェーズ0が現在（2026年8月）、以降が上記の初期・中期・長期に対応します。
| 軸 | フェーズ0（現在） | 初期（0〜2年） | 中期（2〜5年） | 長期（5年〜） |
|---|---|---|---|---|
| 販売単位 | ツール・シート | 職務（デジタル従業員） | 業務プロセス・成果物 | 能力へのアクセス＋保証 |
| 課金モデル | 月額シート＋API従量 | タスク単価／職務単価 | 成果報酬・価値ベース | ユーティリティ従量＋保証料 |
| UI | チャット・IDE | 業務システム内に常駐 | UIの後退（自律実行） | 環境に埋没 |
| 人間の役割 | 操作者 | レビュアー・承認者 | プロセス設計者・監督 | 責任主体・目的設定者 |
| 競争優位 | モデル性能 | 統合力・信頼性・監査 | データ・実行権限・検証手段 | 計算資源・物理資産・信頼 |
| 主な律速 | 精度・ハルシネーション | 推論コスト・監督帯域 | 組織のAI-Ready度・規制 | 電力・半導体・地政学 |
9. 日本への波及：制度設計と現場データ
日本への波及は、グローバルから1〜2年遅れると見るのが妥当でしょう。ただし遅れの理由は技術的制約ではなく、稟議・内部統制・責任分界点の契約設計にあります。「AIが誤った出力を出して損害が発生したとき、誰が責任を負うのか」を契約に書けるかどうかが、普及速度を規定します。
制度面では、AI推進法（人工知能関連技術の研究開発及び活用の推進に関する法律、令和7年法律第53号）が2025年6月4日に公布され、2025年9月1日に全面施行されました。罰則を持たない推進・基本法型で、事業者に課されるのは努力義務にとどまります。EUのAI Actがリスクベースの規制と高額の制裁金を備えるのとは対照的です。2025年12月23日にはAI基本計画が閣議決定されました。
罰則がないから何もしなくてよい、という話ではありません。政府調達要件、既存法（個人情報保護法、著作権法）、AI事業者ガイドラインが事実上の基準として機能します。実務としては、AI利用ポリシー、エージェントの台帳管理、出力検証フロー、責任分界の契約条項あたりを先に整えた事業者が優位に立つはずです。
技術面では、国産基盤モデルの位置づけが2026年に明確に変わりました。GENIACは2026年6月4日に第4期の採択16件を公表しましたが、そこで前面に出たのは「日本の強みである現場データのAI-Ready化」であり、ロボット基盤モデルやデータエコシステム構築が新規事業として加わっています。汎用フロンティアモデルで正面から競争するのではなく、現場データという他国が持たない資源に賭ける、という戦略転換です。
これは前節までの議論と整合的です。中期以降に価値が「データと実行権限」へ移るのだとすれば、製造・物流・建設・医療の現場を押さえていることは、モデル開発力の不足を補って余りある資産になりうるからです。
フルスクラッチの国産モデルも動いています。Preferred Networksは2026年6月22日にPLaMo 3.0 Primeを正式リリースし、推論モードを備えた国産フルスクラッチモデルとして提供を開始しました。ただし現実的な選択肢としては、汎用国産モデルの完成を待つより、業界特化の小型モデルとオープンウェイトモデルを組み合わせて業務に組み込む路線のほうが先に成果を出すだろうと見ています。
10. AGIからASIへ：最大の不確実性
最後に、長期予測を大きく分岐させる要因に触れます。AGIが自らを改良し始めた場合、そこからASI（人工超知能）までどれくらいかかるのか、という問題です。
この議論で注目すべきは、ラボ内部からの発言です。AnthropicのJack Clarkは2026年5月に、自律的に後継システムを構築できるAIが2028年末までに出現する確率を60%超、2027年末までを30%程度と述べています。これは推測ではなく公開された発言であり、複数のメディアが数値まで一致して報じています。
もっとも、こうした急速な移行（fast takeoff）に対する反論も強力です。計算資源の物理的制約、新規の洞察を生む作業が本質的に逐次的で並列化しにくいこと、そして半世紀以上にわたって持続的な自律的自己改善の実例が存在しないことが挙げられます。緩やかな移行（slow takeoff）であれば、本記事で描いた連続的なサービス形態の変化に落ち着くでしょう。急激な移行であれば、サービスや市場という枠組み自体が意味を失う可能性があります。
筆者としては前者の確度が高いと考えていますが、これは根拠の強い予測ではありません。この分岐については、誰も自信を持って語れる段階にないというのが正直なところです。
11. まとめ：待つのではなく、指標を決めて動く
「AGIはいつ来るか」を待つのは意思決定として筋が悪い、というのが本記事の結論です。能力は段階的に上がり続けるので、自分たちで移行の判断基準を決めておき、指標が動いたら体制を変えるほうが実用的です。筆者が有用だと考える基準を挙げておきます。
- METRのタスクホライズンが80%成功率で1営業日（8時間）を超えたら — ホワイトカラー業務の本格的な自動化フェーズと判断してよい。現在公表されている12時間は50%成功率の数字であり、混同しないこと
- ARC-AGI-3で複数のフロンティアモデルが人間水準に接近したら — 「新規環境での適応」という最後の壁が崩れたシグナル。2026年7月に7.78%まで来ており、この指標は今後1〜2年が見どころ
- 取引先や競合のSaaS契約で成果課金が過半を占めたら — 自社の課金構造転換を先送りできない段階
- 自社の承認プロセスがAIの出力速度に追いつかなくなったら — 監督帯域が律速に変わった合図。この時点で必要なのはモデルの入れ替えではなく、承認プロセスの再設計
そして当面のあいだ、AIに関する競争優位はモデルの選定ではなく「どこまでを人間の承認なしで動かしてよいか」を定義し、その責任を引き受けられる体制のほうに宿ります。これは技術部門だけでは決められない話で、法務・監査・経営が同じテーブルにつく必要があります。AGIの到来を待つ前にできることは、まだかなり残っています。
0 件のコメント:
コメントを投稿