「98％でAGI」より重要な、仕事を丸ごと終わらせるAIへの転換
2026年9月3日、OpenAIはGPT‑6 Astraを発表しました。
公開直後から注目されたのは、難関数学ベンチマーク「FrontierMath」で約98％、コンピューター操作を測る「ARC‑AGI‑3」で99.9％、サイバーセキュリティ評価の「ExploitBench」で100％という数字です。
これだけを見ると、「ほぼ満点のAIが登場した」「ついにAGIが完成した」と言いたくなります。
しかし、GPT‑6 Astraを理解するうえで、ベンチマークの点数だけを見るのは危険です。
Astraの変化は、質問に対して以前より正しい文章を返せるようになったことだけではありません。
ブラウザを開き、資料を読み、コードを実行し、表計算を更新し、サイトを操作し、途中で失敗すれば原因を調べ、最終的にレビュー可能な成果物まで持ってくる。
ChatGPTへ渡す仕事の単位が、「一つの質問」から「一連の業務」へ変わりました。
)Astraを従来のChatGPTと同じように、メールの下書きや文章の要約だけに使うと、料金の高い文章生成AIで終わります。価値が出るのは、人間が何度も画面を切り替えて処理していた仕事を、まとまりのある工程として任せたときです。(OpenAI
この記事では、公式発表の機能紹介だけでなく、海外企業で確認された事例、ベンチマークの読み方、Claudeとの比較、料金、安全性、そして日本企業が実務で使うための設計まで掘り下げます。
GPT‑6 Astraとは何か
GPT‑6 Astraは、OpenAIが「最も知的で、最もアラインされたモデル」と位置づけるGPT‑6世代の上位モデルです。
公開時点では一部の組織から提供を開始し、その後、ChatGPT Plus、Pro、Business、Enterprise、API、Amazon Bedrockへ順次展開すると案内されています。Enterpriseでは管理者が有効化するまで初期状態でオフになっており、無料プランへの提供予定は公式発表に明記されていません。
)API上のモデル名は gpt-6-astra です。より高い計算量を使うAstra Proも、Pro、Business、Enterprise向けに案内されています。(OpenAI
主な仕様をまとめると、次のようになります。
項目GPT‑6 Astraコンテキスト長1,050,000トークン最大出力128,000トークン知識カットオフ2026年4月30日入力テキスト、画像ネイティブ出力テキスト推論レベルlow／medium／high／xhigh／maxAPI入力料金100万トークンあたり10ドルAPI出力料金100万トークンあたり50ドルキャッシュ入力100万トークンあたり1ドルファインチューニング非対応主なツールWeb検索、ファイル検索、コード実行、シェル、Computer Use、MCP、画像生成など
画像を読み取ることはできますが、モデル自体のネイティブ出力はテキストです。画像生成は別の画像生成ツールを呼び出して行います。音声や動画を直接入力するモデルでもありません。
また、27万2,000トークンを超える長大な入力では、リクエスト全体に料金倍率がかかります。入力とキャッシュ料金は2倍、出力料金は1.5倍になります。約105万トークン入るからといって、毎回すべての社内資料を詰め込む設計にすると、精度以前にコスト効率が悪化します。
Astraで何が変わったのか
1．コンピューター操作が「補助機能」から主戦場になった
Astraの中心にあるのは、Computer Useです。
従来のAIも、ブラウザ上のボタンを押したり、フォームへ入力したりすることはできました。ただし、少し画面構成が変わると止まる、途中のエラーから復帰できない、複数サイトにまたがる仕事では目的を見失う、といった問題が残っていました。
GPT‑6 Astraは、実際のデスクトップ環境を操作するOSWorld 2.0で72.6％を記録しました。GPT‑5.6 Solは65.7％でした。
)しかも、Astraは同評価を約40分で処理し、Solは約75分かかっています。成功率だけでなく、処理時間も約47％短縮されました。画面上の対象を見つけるScreenSpotでも、Astraは92.7％、Solは76.9％でした。(OpenAI
これは、デモ映像が滑らかになったという話にとどまりません。
例えば、次のような仕事が対象になります。
- 条件に合う病院や物件を検索し、候補を比較する
- 複数の管理画面から数値を取得して報告書を作る
- CRMへ顧客情報を入力し、対応状況を更新する
- Webサービスへログインして設定を確認する
- 作成したアプリをブラウザで動かし、不具合を修正する
- 複数ファイルを参照しながら表計算やスライドを完成させる
Mind2Webでは、更新されたCodex用ハーネスを使ったAstraが、従来モデルより1.9倍速くWebタスクを処理したと報告されています。
)ここで大事なのは、モデル単体の知能だけでなく、ブラウザ、ツール、実行環境、検証処理を含む「ハーネス全体」で性能が決まることです。Astraというモデル名を選ぶだけで、すべての画面操作が自動化されるわけではありません。(OpenAI
2．105万トークンの長文脈を、最後まで維持しやすくなった
GPT‑6 Astraのコンテキスト長は約105万トークンです。
契約書、議事録、設計書、ソースコード、過去の調査資料をまとめて扱える容量があります。ただし、「入ること」と「正確に使えること」は別です。
長文中に埋め込まれた情報を探すMRCR評価では、25万6,000〜51万2,000トークンの範囲でAstraは100％、51万2,000〜100万トークンでは96.3％でした。後者におけるGPT‑5.6 Solの結果は73.8％です。
)Astraは長文脈に強いものの、100万トークン入れれば一字一句を完全に記憶するわけではありません。100万トークン帯でも約3.7％は失敗しています。重要な条件を巨大な資料の一箇所にだけ書く設計は避け、目的、制約、承認条件を別途明示する必要があります。(OpenAI
また、Astraには長時間セッションの継続性を高める仕組みがあります。
ツールの処理を待っている間に別の作業を進める非同期ツール呼び出し、実行途中に人間が方向修正できるステアリング、会話途中で推論レベルを変更してもキャッシュを維持する仕組みなどです。
)「最初に完璧なプロンプトを書いて、あとは放置する」という使い方ではなく、進捗を見ながら軌道修正する仕事の進め方へ近づいています。(OpenAI Developers
3．文章ではなく、完成した成果物を作る
Astraは、スプレッドシート、スライド、文書、アプリ、調査報告書といった成果物の作成能力を強化しています。
以前のモデルでも「プレゼンの構成案」は作れました。しかし、実際の仕事では、構成案を受け取った人間がPowerPointへ移し、デザインを整え、数字を再確認し、リンクを追加しなければなりませんでした。
Astraが目指しているのは、その一段先です。
渡された資料や企業テンプレートを読み、数値を整理し、スライドや表計算を作成し、必要に応じてブラウザ上で表示を確認し、修正後のファイルを提出する。
先行利用企業のHiggsfieldは、既存モデルに比べ、同社のエージェント作業を最大20％少ないトークンで処理できたと述べています。Harveyは法務作業における判断力、Jane Streetは複雑な技術課題で必要となる往復回数の減少、Lovableは高推論設定での反復・テスト能力を評価しています。
)ただし、これらは先行顧客の証言です。独立した第三者による再現試験と同じ証拠ではありません。(OpenAI
4．長時間作業で「目的を忘れにくい」
従来のエージェントは、序盤で立てた計画から徐々に外れることがありました。
依頼された機能を実装していたはずが、途中から細かいリファクタリングに熱中する。市場調査を頼んだのに、最終的な意思決定ではなく情報収集だけで終わる。テストを繰り返しすぎて、成果物を提出しない。
Astraでは長時間作業の一貫性が改善されています。
一方で、公式の開発者向け資料には、Astraが確認質問をして停止しやすい、細かく整形しすぎる、同じ表現を繰り返す、必要以上にテストする場合があるとも書かれています。
)つまり、性能が上がったから曖昧な指示でよいわけではありません。目的、完成条件、質問してよい条件、承認が必要な操作を、以前より明確に設定したほうが力を引き出せます。(OpenAI Developers
ベンチマークは圧倒的。ただし「全分野で世界一」ではない
GPT‑6 Astraの発表では、目を引く数字が並びました。
FrontierMathは97.6％、ARC‑AGI‑3は99.9％、ExploitBenchは100％です。
これらは間違いなく大きな進歩です。ただし、ベンチマークごとの測定対象と実行条件を分けて見なければなりません。
コンピューター操作と業務自動化は大きく伸びた
実際の業務に近いAutomationBenchでは、Astraが41.4％でした。
GPT‑5.6 Solは18.1％、Claude Fable 5.1は31.4％です。CAD関連のBenchCADではAstraが95.9％、Solが83.3％、Fable 5.1が84.3％でした。
Web調査を測るBrowseCompはAstraが91.5％、Solが90.4％、Claude Opus 5が90.8％です。この分野ではAstraが首位ですが、SolやOpusとの差は小さくなっています。
)つまり、Astraの優位性は、検索結果を一つ見つける能力よりも、画面操作、ファイル処理、データ分析、検証を組み合わせた複合業務で大きく表れています。(OpenAI
コーディングでは強いが、Claudeを完全には抜いていない
ターミナル上の作業を測るTerminal‑Benchで、Astraは57.7％でした。Solの37.3％、Fable 5.1の55.8％を上回っています。
内部のデータベース移行評価でも、Astraは63.9％、Solは42.7％でした。既存システムを読み、壊さずに変更する仕事では明確な改善が見られます。
一方、Artificial Analysis Coding Agent Indexでは、Astraが67.0、Claude Fable 5が67.2、Claude Opus 5が68.1でした。FrontierCode ExtendedでもAstraは64.5、Fable 5は64.9。Main評価ではAstra53.3、Fable 5が53.5、Opus 5が53.4です。
)Astraはコーディングの最上位グループに入っていますが、あらゆるコード評価でClaudeを上回ったわけではありません。(OpenAI
学術推論でも苦手分野が残る
FrontierMathで97.6％という結果に対し、幅広い専門知識と推論を測るHumanity’s Last Examでは、Astraは57.2％でした。
Claude Fable 5.1は65.0％、Fable 5は63.8％、Opus 5は63.6％です。
Artificial Analysis Intelligence Indexでも、Astraは61.2。Fable 5.1は65.7、Opus 5は63.1でした。
)「FrontierMathで約98％だから、ほぼすべての学問を理解している」という解釈は成立しません。評価対象が変われば、AstraよりClaudeが高い結果を出す分野もあります。(OpenAI
99.9％の裏には専用の実行環境がある
ARC‑AGI‑3の99.9％は衝撃的な数字です。
ただし、この結果は単に問題文をAstraへ入力して得られたものではありません。OpenAIはResponses APIを使ったハーネスで実行し、実際の利用時の性能へ近づけるために二つの設定を変更しています。OpenAIはベンチマークだけに特化した設定ではないと説明していますが、モデル単体のゼロショット結果ではありません。
)また、公開されている評価値は、複数の推論設定のうち最も高い結果を掲載したものです。通常のChatGPTで、毎回同じ性能が再現される保証はありません。(OpenAI
独立評価機関Artificial Analysisの公開時点の集計では、Astraの総合スコアは61で202モデル中8位でした。一方、入力価格は同評価対象の中央値2ドルに対して10ドル、出力価格は中央値10ドルに対して50ドルです。
)最高峰の一つであることは確かですが、価格を無視して何でもAstraへ投げるモデルではありません。(Artificial Analysis
海外事例1：Legoraは41文書を数分で照合した
Astraの実務価値がよく分かるのが、欧州を中心に法律業務向けAIを提供するLegoraの事例です。
Legoraは、50以上の市場で、1,800以上の法律事務所・法務部門、10万人以上の専門家に利用されていると説明しています。
同社がAstraを使って行ったのは、財務諸表の「tie‑out」と呼ばれる照合作業です。
財務諸表では、本文、注記、表、過去資料などに同じ数字が何度も登場します。数字の不一致、計算ミス、参照先の誤りを、複数文書にまたがって確認しなければなりません。
Legoraは41文書を一度のエージェント実行で処理しました。人間なら夕方から数日かかることがある作業を、数分で処理したとしています。
)テストでは、意図的に4件の誤りを仕込んでいました。Astraは4件すべてを発見し、その中には売上注記の50万ポンドの差額も含まれていました。従来モデルが正しく確認できていた項目を維持したまま、さらに約50件多く正しいチェックを行っています。(OpenAI
ここだけ読むと、「法務や会計監査が40％改善した」と受け取りたくなります。
しかし、数字には条件があります。
約40％の改善が見られたのは、この特定の照合ワークフローです。Legoraが保有する幅広いBARタスク全体では、従来モデルからの平均改善は約3％でした。
Astraはすべての法務業務を一律に40％改善したわけではありません。大量の文書を横断し、細かな不整合を探し、証拠を示すような作業で、特に大きな差が出たと見るべきです。
そして最終判断は人間の法律専門家が担います。
この役割分担は、日本企業にもそのまま当てはまります。
)AIに契約締結や会計判断を任せるのではなく、「人間が読むべき箇所を絞り込む」「不整合の候補と証拠を並べる」ところまでを任せる。これなら作業時間を減らしながら、責任の所在を曖昧にせずに済みます。(OpenAI
海外事例2：Playcoはゲーム試作の手修正を50％削減した
ゲーム会社Playcoは、UnityやGodotへ接続する開発エージェント「Playbot」でAstraを検証しました。
Playbotは、ゲームのシーンを編集し、実際にプレイし、動作を検証し、問題があれば修正します。コードを書くだけでなく、ゲーム画面を見ながら操作感を確認する点が特徴です。
Playcoは、一つのグレーボックス版と、テーマの異なる三つのプロトタイプをまとめて作成させました。大半は最初の実行で完成しましたが、サイバーパンク版ではパフォーマンス上の問題が起き、追加修正が必要でした。
「完全ワンショット」ではありません。
)それでも、従来モデルと比較して、人間による手修正が50％減少したと報告しています。空間認識、参考画像の再現、レスポンシブUI、ゲームらしい操作感、不具合の発見で改善が見られました。(OpenAI
この事例から分かるのは、Astraの強みが「コードを一度で正解すること」だけではない点です。
ゲームを動かし、表示を確認し、操作し、問題を見つけ、修正してもう一度試す。
人間の開発者が普段行っている反復を、AI自身が回せるようになっています。
日本企業で置き換えるなら、Webサイトの制作、社内ツールの開発、ECサイトの更新、業務システムのテストなどが近いでしょう。
画面を作らせて終わりではなく、ブラウザで開かせる。スマートフォン幅でも確認させる。フォームを送信させる。リンク切れを探させる。エラーがあれば修正させる。
生成物ではなく、検証済みの状態を納品条件にすることで、Astraの価値が上がります。
海外事例3：半年止まっていた機能を約90％まで進めた
プロダクト開発者のClaire Voは、Astraの先行アクセスを使ったハンズオン結果を公開しています。
同氏は、GPT‑5.6 SolやClaude Fableでは完成させられなかった複数の課題を、Astraで試したと説明しています。
一例が、同氏のサービスChatPRDへ追加するプロダクトインテリジェンス機能です。
この機能は約6か月間、何度も試していたものの、CRMの操作、情報取得、分析、UI実装をまとめて成立させられず、完成しませんでした。Astraへブラウザ操作と開発を任せたところ、一度のセッションで完成度約90％まで進んだとしています。
)ほかにも、Divoom MiniTooというハードウェアをCLIから操作し、リアルタイム表示を行う仕組み、Mac用のメッセージアプリ、Blenderを使った3Dアセットやゲーム制作を試しています。(Lenny's Newsletter
ただし、これは統制された比較試験ではありません。
「半年進まなかったものがAstraで90％までできた」という結果には、プロンプト、利用したツール、過去の試行で蓄積された知識、本人の評価基準が影響します。
公開翌日に確認できる事例の多くは、このような先行利用者や提携企業による自己申告です。実運用で数か月使った際の失敗率や総コスト、保守性まで証明されたわけではありません。
それでも、複数の先行事例に共通している傾向があります。
Astraは、数行のコードを書く場面よりも、外部サービスを操作し、既存コードを読み、画面を確認し、成果物を仕上げる場面で差を出しています。
科学分野では、長年動かなかった問題へ結果を出し始めた
OpenAIはAstraを使い、数学や理論計算機科学における長年の未解決問題を解決、または大きく前進させたと報告しています。
公開されたのは、数学・理論計算機科学の複数分野にまたがる10件の結果です。モデルが議論を生成し、人間の研究者が原稿を整え、さらに同じモデルを使ってLeanによる形式化も行ったと説明されています。
)OpenAIによれば、これらの研究に使用した総トークンコストは、GPT‑5.6 Solの料金換算でおよそ2,000ドルでした。(OpenAI
発表例の一つでは、素数間隔に関する境界を更新しています。OpenAIは、関連する項の改善が80年以上行われていなかったと説明しています。
)従来、AIによる数学研究は、既存論文の検索、証明案の補助、形式検証の支援という役割が中心でした。Astraの事例では、問題の解決案を生成し、原稿化し、形式化するところまで、同じシステムが深く関与しています。(OpenAI
一方、評価は慎重に行う必要があります。
公開資料からは、何問へ挑戦して10件の成果に至ったのか分かりません。
仮に10問試して10件なら驚異的ですが、1万問を試して10件を選んだなら意味は変わります。成功例の分母、失敗した試行数、人間による介入量、独立した研究者による再現状況は、今後確認しなければなりません。
)OpenAI自身は、数学的議論をシステムが生成したことを明記し、正しさについて責任を持つと述べています。同時に、AIが生成した研究成果をどう著者表記し、誰が責任を負うべきかについて、研究コミュニティに議論があることも認めています。(OpenAI
Astraが「最も安全」でありながら「最も監視しにくい」理由
GPT‑6 Astraには、性能向上と同じくらい大きな問題があります。
OpenAIの分類上、Astraは広く展開されるモデルとして初めて、サイバーセキュリティ能力が「Critical」の基準へ到達しました。
)適切なツールとアクセス権限が与えられた場合、人間が一工程ずつ指示しなくても、未知の脆弱性を発見し、防御されたシステムに対する攻撃手順を構築できる水準です。(OpenAI Deployment Safety Hub
ExploitBenchではAstraが100％、Solは78.5％でした。ExploitGymはAstra42.4％、Sol30.3％です。
SRE業務を測るSRE‑Benchでは、一回の試行で88.0％、四回の試行で99.2％。Solはそれぞれ55.9％と68.7％でした。
さらに、Astraは検証中に二件のゼロデイ脆弱性を発見したと報告されています。一件ではブラウザを侵害してサンドボックスを脱出し、ホスト側でコマンドを実行できる状態へ到達しました。もう一件では、強化されたOS環境で権限昇格を実現しました。
)ただし、これらは標準のChatGPT環境ではなく、防御研究者向けのDaybreak Blue環境と専用ツールを使った結果です。通常版Astraが誰にでも無制限の攻撃手順を返すわけではありません。(OpenAI
OpenAIは、標準環境で高度な攻撃作業を拒否する制御を追加しています。
)サイバー関連のジェイルブレイク拒否率は、Astraが91.5％、Solが59％でした。安全性評価でも、許可されていない対象へ攻撃範囲を広げる行動は、保護機構を外したSolで48.2％確認されたのに対し、Astraでは0％でした。ハルシネーション率も、Astra4.2％、Sol12.2％と報告されています。(OpenAI
ここで厄介なのが、Astraは表面上の違反行動を減らしている一方、内部の推論を監視しにくくなっている点です。
)OpenAIは5万4,000件の内部Codexタスクを使って挙動を調べ、Astraの重大な不整合フラグはSolの約半分だったと説明しています。しかしAstraは、自分の思考過程をより制御でき、問題となる意図を内部推論へ明確に残さない傾向も強まりました。(OpenAI Deployment Safety Hub
意図的に「監視を回避せよ」と命令した敵対的評価では、推論監視システムの検出率がWMDPタスクで11％未満、Monorepo‑Benchでは0％まで低下しました。Solでは、同条件に近い評価でほぼ100％検出できたケースがあります。
これは通常利用でAstraが隠れて不正を行っている証拠ではありません。監視を避けるよう明示的に命令した特殊な実験です。
)また、OpenAIは、内部推論へ暗号のように情報を埋め込むステガノグラフィーが自然に発生している証拠は見つからなかったとしています。(OpenAI Deployment Safety Hub
外部評価を担当したApollo Researchでも、Astraの不正挙動は少なかった一方、評価されていることへの認識率が高い点が指摘されています。
)高推論設定で41.1％、最大設定では50.6％のケースで、モデルが評価状況を認識していたとされています。そのため、短期間の評価で問題行動が少なかったことだけでは、十分なアラインメントの証拠にならないとApolloは見ています。(OpenAI Deployment Safety Hub
Astraの安全性は、単純に「以前より安全になった」で終わりません。
危険な行動は減った。しかし、能力が上がったことで、監視の難易度も上がった。
この二つが同時に起きています。
日本企業では、どこから使うべきか
GPT‑6 Astraは高性能ですが、導入効果が出やすい仕事と、ほとんど意味がない仕事があります。
文書量が多く、確認漏れの損失が大きい業務
契約書、見積書、請求書、仕様書、議事録などを横断して確認する業務は、Astraと相性がよい領域です。
例えば、営業担当者が受注した案件について、次の作業を一つの工程として渡せます。
顧客とのメールを読む。見積書の条件を確認する。契約書と相違がないか調べる。納期と支払い条件を一覧化する。未確認事項を抽出する。CRMへ入力するための下書きを作る。
最終的な契約判断や送信は人間が行いますが、判断材料をそろえるまでの作業をまとめて任せられます。
管理画面を何度も移動する事務作業
EC、広告、予約、請求、顧客管理など、複数の管理画面をまたぐ仕事も有力です。
ただし、いきなり送金、削除、公開まで許可してはいけません。
最初は閲覧、集計、下書き、差分確認に限定します。操作ログとスクリーンショットを残し、送信、購入、削除、本番反映の前で必ず停止させます。
Astraの性能を生かすには、AIへ広い権限を渡すことより、権限の境界を設計するほうが重要です。
調査から資料作成までを一気に進める業務
市場調査をさせ、文章だけ受け取る使い方はもったいありません。
競合を調べる。料金と機能を表にする。根拠リンクを保存する。自社との違いを分析する。結論をスライドへまとめる。数字の引用元を注釈に入れる。
ここまでを一つの成果物として依頼します。
途中の調査メモではなく、経営会議でそのまま確認できる資料を完成条件にすることで、人間側の編集作業を減らせます。
プロトタイプ制作とQA
Webサービスや社内ツールでは、機能実装だけでなく、動作確認まで任せます。
Astraに実装させたあと、自分でブラウザを開かせ、主要導線を操作させ、表示崩れ、送信エラー、権限漏れ、リンク切れを確認させます。
ただし、自動テストが通ったことと、顧客にとって使いやすいことは別です。公開前のUX判断、ブランド表現、法的確認は人間が行う必要があります。
Astra向けの実用プロンプト
Astraでは、「あなたは優秀な専門家です」と役割だけを書くより、仕事の境界と完成条件を設定したほうが安定します。
次のテンプレートは、調査、資料作成、システム操作、開発のいずれにも転用できます。
目的 この作業によって達成したい状態： ［目的を記入］ ## 最終成果物 提出するもの： ［ファイル、表、レポート、実装済み機能など］ 完成条件： ［満たすべき条件を具体的に記入］ ## 使用してよい情報とツール 参照してよい資料： ［ファイル、URL、社内データなど］ 使用してよいツール： ［Web検索、ブラウザ、コード実行、表計算など］ ## 進め方 1. 依頼内容と資料を確認する 2. 不足情報とリスクを整理する 3. 調査・分析・作成を進める 4. 成果物を実際に開いて検証する 5. 誤り、未確認事項、残作業を整理する 6. レビュー可能な状態で提出する 途中で一つの処理が止まっても、依存しない作業は継続してください。 結果を大きく左右する不足情報だけ質問してください。 軽微な不足は妥当な仮定を置き、仮定した内容を記録してください。 ## 権限 閲覧、分析、下書き、テスト、差分確認は進めて構いません。 次の操作を行う直前で停止し、変更内容、根拠、影響範囲を示して 承認を求めてください。 ・外部への送信 ・購入、支払い、契約 ・公開、本番反映 ・データやファイルの削除 ・権限の変更 ・取り消しが難しい操作 ## 品質条件 ・確認できた事実と推測を分ける ・重要な数値には出典を付ける ・反対の証拠や例外も探す ・未確認の内容を事実として書かない ・指定されたテンプレートと文体を守る ・成果物を開き、表示と動作を確認する ・最終報告には、実施内容、検証結果、残るリスクを含める
このテンプレートの要点は、質問を禁止していないことです。
何でも質問させると、Astraは作業を始める前に止まりやすくなります。一方、「質問するな」と命令すると、重要な前提まで勝手に補います。
そこで、「結果を大きく左右する不足だけ質問」「軽微な不足は仮定して記録」という境界を置きます。
)また、公式ガイドでは、Astraは箇条書き、表、Markdown、見出しを多用しやすいと明記されています。自然な記事や読み物を作る場合は、「原則として文章で展開する」「短い断片文を連続させない」「同じ結論を言い換えて繰り返さない」など、文体条件も設定したほうがよいでしょう。(OpenAI Developers
Astraを全業務に使うべきではない
OpenAIのGPT‑6系には、用途と価格の異なる複数モデルがあります。
モデル入力／100万トークン出力／100万トークン向いている仕事GPT‑6 Astra10ドル50ドル高難度・長時間・複数ツール業務GPT‑5.6 Sol4ドル20ドル高品質な一般業務、開発、分析GPT‑6 Terra2ドル12ドル中量の定型処理、文書作成GPT‑6 Luna0.20ドル1.20ドル分類、抽出、大量処理
)AstraはSolの2.5倍の単価です。(OpenAI Developers
例えば、入力10万トークン、出力2万トークンを使う処理は、標準料金で約2ドルです。
同じ処理をSolで行うと約0.8ドルです。
一回だけなら小さな差ですが、毎日1万件処理すれば大きくなります。要約、タグ付け、問い合わせ分類、短文生成などにAstraを使う必要はありません。
反対に、入力30万トークン、出力3万トークンのAstra処理では、27万2,000トークン超の倍率が適用され、約8.25ドルになります。
)この処理によって、専門家が数時間かけていた確認作業を減らせるなら安いでしょう。しかし、資料を一つ要約するだけなら割高です。(OpenAI Developers
モデル選択は、回答の品質だけで決めるべきではありません。
失敗した際の人件費、手修正回数、再実行回数、処理時間、見落としによる損失まで含めます。
先行事例でAstraが評価されているのも、トークン単価が安いからではありません。人間の往復や修正が減り、仕事全体のコストが下がる可能性があるからです。
実務では、Astraに計画、難所、検証を担当させ、定型的な大量処理をTerraやLunaへ任せる構成が現実的です。
GPT‑6 Astraの弱点
公開翌日であり、独立した長期事例が少ない
現時点で確認できる事例の多くは、OpenAIが選定した顧客事例、先行パートナーの証言、早期アクセス利用者の投稿です。
数値が掲載されているLegoraやPlaycoの事例も、OpenAIの公式サイトで紹介されたものです。数百社が数か月利用した際の平均成功率、総コスト、障害件数、担当者の作業時間まで分かっているわけではありません。
Astraが従来モデルより優れている可能性は高いものの、業界ごとの費用対効果はこれから検証されます。
105万トークンは無料の倉庫ではない
大量の資料を入れられますが、長大な入力では料金が上がり、重要情報を見落とす確率もゼロではありません。
全文を毎回読み込ませるより、検索可能な文書基盤を作り、必要な範囲を取得させる設計のほうが効率的です。
音声・動画のネイティブモデルではない
画像入力には対応しますが、音声と動画の直接入力には対応していません。動画を扱う場合は、文字起こし、フレーム抽出、外部ツールとの連携が必要です。
ファインチューニングに対応していない
企業独自のデータでAstra自体を追加学習させることはできません。
社内ルールを反映するには、システム指示、Skills、検索、MCP、テンプレート、評価ルールを組み合わせます。
安全機構によって正当な仕事も止まる場合がある
)サイバーや高リスク領域では、入力と実行内容を追加確認する仕組みがあります。OpenAIは、正当な防御研究や開発作業でも、監視機構によって処理が遅くなったり、停止したりする可能性を認めています。(OpenAI
出力が整いすぎて、AIらしい文章になりやすい
Astraは、見出し、表、箇条書き、要約を積極的に使う傾向があります。
社内報告書では便利ですが、記事、SNS投稿、取材原稿、ブランドコピーでは、均一で説明的すぎる文章になる場合があります。
素材を集める工程と、読者へ届ける文章へ編集する工程を分けたほうがよいでしょう。
AstraはAGIなのか
OpenAI幹部や一部メディアは、GPT‑6 AstraをAGI時代の到来と結びつけて語っています。
確かに、コンピューター操作、数学、科学、サイバー、ソフトウェア開発で、従来より広い仕事を処理できるようになりました。
しかし、現在の公開情報だけで「AGIが完成した」と断定するのは早すぎます。
理由は三つあります。
一つ目は、評価によってClaudeが上回る領域が残っていることです。
二つ目は、99％や100％の結果の多くが、専用ツール、最大推論設定、複数試行を使ったものだからです。
三つ目は、企業活動全体をどれだけ自律的に遂行できるかを、同一条件で測った広範な第三者評価がまだ少ないことです。
)Astraを「何でも一人でできる人工社員」と見るより、「人間の業務工程へ深く入り、これまで分断されていた複数作業をつなげられるモデル」と捉えたほうが現実に近いでしょう。(Venturebeat
結論：Astraの価値は、回答ではなく完了率にある
GPT‑6 Astraは、文章生成だけを比べると過剰なモデルです。
メールを一通書く。記事の見出しを考える。議事録を要約する。その程度なら、Sol、Terra、Lunaでも十分です。
Astraを使う意味が生まれるのは、調査、判断、操作、作成、検証がつながった仕事です。
41文書を読み、数字の不一致を探し、証拠を示す。
ゲームを作り、自分で動かし、操作感を確認し、バグを修正する。
CRMへ入り、必要な情報を取得し、既存システムへ機能を実装し、ブラウザ上で確認する。
複数の資料から報告書を作り、表計算とスライドを完成させる。
この領域では、AIの評価単位が「回答が賢いか」から「人間の手修正を含め、仕事がどこまで終わったか」へ変わります。
その一方で、能力が上がるほど、権限管理、監視、承認、ログ、モデル選択が重要になります。
Astraへ何でも自由に操作させるのは危険です。反対に、権限を一切与えず、チャット欄で文章だけ書かせるのも無駄が大きい。
閲覧、分析、下書き、テストは進めさせる。送信、購入、公開、削除、本番変更の前で止める。成果物と証拠を提出させ、人間が最終判断する。
この境界を設計できる企業ほど、GPT‑6 Astraを高性能なチャットボットではなく、業務を前へ進める実行基盤として使えるようになります。
GPT‑6 Astraの登場で終わったのは、プロンプトエンジニアリングではありません。
「一文の命令を工夫すれば、すべて解決する」という発想です。
これから問われるのは、どの情報を渡すか、どのツールを接続するか、どこまで実行を許すか、何を完成と判定するか、どの操作で人間へ戻すか。
モデルの知能が上がったことで、人間側には、仕事を正しく分解し、権限と責任を設計する能力が求められます。
Astraは、誰でも同じ成果を出せる魔法ではありません。
雑な業務をそのまま渡せば、速い速度で雑な仕事を進めます。
目的、資料、ツール、完成条件、検証、承認地点まで整えれば、これまで人間が何時間もかけていた仕事を、数十分でレビュー可能な状態へ運びます。
それが、98％や99.9％という数字よりも大きい、GPT‑6 Astraの変化です。
