GPT-6 Astra、PC操作の完了時間を約47%短縮。なぜソフトウェア株まで警戒されたのか

9月3日、OpenAIが GPT-6 Astra を発表しました。

新しいAIモデルが出るたびに、いつものようにベンチマークが並びます。

ARC-AGI-3: 99.9%
FrontierMath Tier 4: 98%
Terminal-Bench 4.0: 57.9%

数字だけ見てもかなり強いです。

でも、今回いちばん気になったのはそこではありませんでした。

発表から数日後の9月8日、Reutersは、AIが既存ソフトウェア企業のサービスを揺さぶるのではないかという懸念の中で、Salesforce、Intuit、ServiceNowなどが4〜5%下落したと報じています。S&P 500のSoftware & Services指数も1.4%下落しました。

もちろん、その日の市場全体には原油価格や金利見通しなど複数の材料があります。Astraだけで株価が下がった、と断定できる話ではありません。

それでも少し不思議です。

AIモデルが1つ出ただけで、なぜ業務ソフトウェア企業まで警戒されるのか。

調べていくと、Astraの変化は「ChatGPTがもっと賢くなった」より、

人間がアプリを操作する前提そのものが、少しずつ崩れ始めた

と考えると分かりやすそうでした。

この記事ではベンチマーク順位表ではなく、GPT-6 Astraで普通の仕事がどう変わりそうなのかを中心に整理します。

2026年9月9日時点のOpenAI公式情報と報道を基にしています。

まず、完了時間が約47%短縮された

AstraでOpenAIがかなり強く押しているのが Computer Use です。

OSWorld 2.0のシミュレーションではこうなっています。

Model	Score	1 taskあたり
GPT-5.6 Sol	65.7%	約75分
GPT-6 Astra	72.6%	約40分

性能を上げながら、完了までの時間は 約47%短縮。

AIエージェントを実際の仕事に使うなら、これはかなり大事です。

「その仕事ができるか」だけでなく、

人間なら10分の作業をAIが1時間かけるのか、現実的な時間で終わらせるのか

で使い勝手はまったく違います。

OpenAIはCodex側の改善も合わせると、Mind2Webで現在のGPT-5.6 Sol体験より 1.9倍速くタスクを完了できると説明しています。

公式デモの振れ幅がちょっとおかしい

Computer Useと聞くと、

「ブラウザを自動クリックするやつ？」

くらいに思っていました。

でもOpenAIがAstraの例として並べているタスクを見ると、かなり幅があります。

普通の生活

小児科探し
アパート探し
DMVの予約
低糖質スナック探し
幼稚園の比較
オンラインフォーム入力

オフィスワーク

CRM更新
カレンダー整理
Web調査
Power BI
法務文書の整形
Spreadsheet / Presentation作成

エンジニアリング

KiCadでPCBレイアウト
Frontend QA
ソフトウェアのInstall / Test
画面を見ながらTroubleshooting
Blenderで3Dモデルを作り、Unreal Engine 5で歩けるシーンにする
Kart Racing Gameを作る

アパート探しと基板設計とUnreal Engineが、同じモデルの紹介ページに並んでいます。

ここがAstraの面白いところだと思いました。

業務ごとに専用AIを用意するというより、画面・ブラウザ・コード・文書をまたぎながら、一つのモデルがいろいろな仕事を進める方向です。

「答えを作るAI」から「仕事を任せるAI」へ。ただしAstraだけの話ではない

少し前まで、AIに頼む仕事は小さく切ることが多かったと思います。

この文章を要約して
このメールを書いて
このコードを書いて
この表を分析して

そして人間が、その結果を次のアプリや次の作業へつないでいました。

ただし、2026年現在、この構図はすでにAstra以前から変わり始めています。

例えばClaude Codeでは、Repositoryを調べ、コードを変更し、Testを実行し、失敗を見て修正するような複数ステップの作業を一つのAgentが進められます。

さらに2026年5〜6月に公開されたDynamic Workflowsでは、Claude Code自身がタスクに合わせたmulti-agent harnessを組み、複数Agentへ仕事を分け、結果を検証し、必要なら stop conditionを満たすまで繰り返す こともできるようになっています。

Claude Fable 5.1もAnthropicから、long-horizon agentic work向けとして、長時間のAgentic Codingだけでなく、Multistep Research、Document、Spreadsheet、Slide作業まで強化されたモデルと説明されています。

OpenAI側でもCodexを使った開発について、2026年2月に Harness Engineering という考え方を紹介しています。そこでは、人間の役割を細かいコードを書くことより、Agentが仕事を完了できる環境・制約・Feedback Loopを設計することへ移していく実験が報告されています。

つまり、Astraの変化を

今まで：人間が全部の工程をつなぐ
Astra：AIが初めて全部つなぐ

と考えるのは正確ではありません。

すでにAI業界全体が、

一問一答
↓
Toolを使うAgent
↓
複数ステップのWorkflow
↓
結果を確認してやり直すLoop
↓
長い仕事をGoal単位で任せる

という方向へ進んでいます。

その中でAstraが面白いのは、Coding Agentだけでなく、Computer Use、Research、Document、Spreadsheet、Presentationなどをまたぐ hardest end-to-end work を、汎用モデルの中心能力としてさらに強く押し出してきたところです。

例えば、本当に欲しい結果が「会議用の売上報告」だったとします。

欲しいのは途中の文章ではなく、最終的な仕事の完了です。

データを確認
↓
必要なら調査
↓
分析
↓
Spreadsheet更新
↓
グラフ作成
↓
会社TemplateでPresentation作成
↓
要点を短くまとめる

重要なのは、この一つ一つがAIにできるようになったことではなく、これらを一つのGoalとして任せる競争が本格化していることだと思います。

AIへ渡す仕事の単位が、

文章
↓
成果物
↓
Workflow
↓
Goal

へ大きくなってきています。

Anthropic:
https://platform.claude.com/docs/en/models/fable-5-1/overview

OpenAI:
https://openai.com/index/harness-engineering/

ここまで来ると「SaaSの画面を人間が使う」が絶対ではなくなる

ここで、ソフトウェア企業の株が警戒された理由が少し見えてきます。

例えばCRMを使うとき、今は人間が画面を操作します。

顧客を検索
↓
ページを開く
↓
内容を確認
↓
フォームを更新
↓
保存
↓
次の顧客へ

でもComputer Use Agentが十分に安定すると、ユーザーが触るのはCRMではなくAIになる可能性があります。

「今日対応した顧客を整理してCRMを更新。
明日フォローが必要な人を一覧にして」

これだけ伝えて、AIが裏でCRMやメールやカレンダーを操作する。

ここから先は筆者の考察ですが、これは SaaSが全部消える という話ではないと思います。

むしろ価値の場所が変わりそうです。

これまで重要だった、

使いやすい画面
分かりやすいボタン
人間向けの操作フロー

に加えて、

正しいデータ
強いAPI
権限管理
監査ログ
Agentが安全に操作できる設計
業務ルールそのもの

が、もっと重要になる。

「人が使いやすいSaaS」だけでなく、「AIに安全に使わせられるSaaS」が競争力になる。

市場が警戒しているのは、こういうUIの一段上の変化なのかもしれません。

Reuters:
https://www.reuters.com/business/wall-st-futures-slip-oil-surge-puts-markets-edge-2026-09-08/

「プロンプトが上手い人」より、「AIが回り続ける仕組み」を作る人へ

ここ数年、AI活用では「良いプロンプトの書き方」がよく話題になりました。

もちろん、2026年になってPrompt Engineeringが不要になったわけではありません。

Claude Fable 5.1の公式Prompting Guideでも、長い仕事を最後まで進めるための指示や、Toolの呼び方を効率化するPromptingが紹介されています。

ただ、最近はその一段上にある Loop Engineering や Harness Engineering という考え方が目立つようになっています。

Loop Engineeringをかなり単純化すると、

AIに指示する
↓
AIが行動する
↓
結果を見る
↓
うまくいかなければ修正する
↓
もう一度試す
↓
完了条件を満たしたら止まる

という仕組みそのものを設計することです。

AnthropicのClaude Codeチームも、Loopを stop conditionを満たすまでAgentが作業サイクルを繰り返すもの と説明しています。

IBMも2026年7月にLoop Engineeringを、Agentが最小限の人間介入で act → observe → decide → iterate を繰り返し、ユーザーが定義したGoalへ進むWorkflowを設計する考え方として整理しています。

これはエンジニアだけの話に見えますが、考え方自体は普通の仕事にも当てはまります。

例えば旅行計画なら、

候補を探す
↓
予算・日程で比較する
↓
条件に合わなければ探し直す
↓
大事な条件だけ人間に確認する
↓
条件が揃ったら候補をまとめる

というLoopをAIが回せるか、という話です。

開発なら、

実装
↓
Test
↓
失敗
↓
原因調査
↓
修正
↓
もう一度Test

となります。

つまり、Prompt Engineeringが消えるというより、

1回のPromptをうまく書く

だけではなく、

何をGoalにするか
何を確認するか
失敗したらどう戻るか
どこで人間へ確認するか
何をもって完了とするか

まで含めて設計する方向へ広がっています。

AstraについてOpenAIが説明している、

日常的な不足は文脈から補う
結果が大きく変わることだけ質問する
回答待ちと関係ない仕事は進める
重要な判断は勝手に確定しない

という改善も、この長いLoopを止めずに進めるために重要です。

AIを使う技術は、

うまいPromptを書く

だけから、

目的・境界・確認ポイント・完了条件を設計する

ところまで広がってきているのだと思います。

Anthropic:
https://claude.com/blog/getting-started-with-loops

IBM:
https://www.ibm.com/think/topics/loop-engineering

途中で話しかけても、最初の仕事を忘れにくくなった

長い仕事ほど、途中で条件が変わります。

この条件も追加して

とか、

ところでこのエラーって何？

と横から話しかけることもあります。

以前のモデルでは、こうしたSteeringを新しいゴールとして扱ってしまい、最初の目的を落とすことがありました。

OpenAIはAstraについて、新しい要件を取り込み、方向転換し、横の質問にも答えながら、元の大きなタスクを維持しやすくなったと説明しています。

ベンチマークで数ポイント上がるより、長い仕事ではこっちの方が体感差になりそうです。

ARC-AGI-3 99.9%だから「もうAGI」なのか？

AstraはARC-AGI-3で 99.9% を記録しています。

数字だけ見ると、とんでもないです。

OpenAI自身も saturates ARC-AGI-3 と表現しています。

ただし、ここは少し冷静に見た方がいいと思います。

あるBenchmarkをほぼ解けたことと、現実世界のあらゆる仕事をほぼ解けることは同じではありません。

Benchmarkには決まった問題形式や評価方法があります。

99.9%は「この評価ではほぼ上限まで来た」という非常に重要な結果ですが、それだけで

すべての仕事ができる
人間と同じ
AGI確定

とまでは言えません。

むしろ面白いのは、ARC-AGI-3のような難しい評価が早くもモデル比較に使いにくいほど飽和し始めたことです。

次に何を測れば「現実で使える賢さ」を比較できるのか、Benchmark側も追いかける必要があります。

エンジニアには「コード生成57.9%」よりIssueを任せられるかが重要

Terminal-Bench 4.0はこうなっています。

Model	Score
GPT-5.6 Sol	37.3%
GPT-6 Astra	57.9%
Claude Fable 5.1	55.8%

かなり伸びています。

ただ、この表だけで「AstraがAgent開発を初めて可能にした」と見るのは違います。

Claude Fable 5.1は公式に long-horizon agentic work 向けのモデルとして位置付けられていますし、Claude CodeのDynamic Workflowsでは、複数Agentを並列に動かし、別Agentに検証させたり、エラーがなくなるまで loop until done を回したりできます。

OpenAIのCodexも、コードを生成するだけではなく、Repository内でAgentが作業し続けられるHarnessやFeedback Loopの設計を重視しています。

つまり現在の競争は、単純な「コード生成スコア」だけではなく、どれだけ長い開発Workflowを人間の介入を減らして完了できるかにも移っています。

実際の開発はコードを書いて終わりではありません。

Issueを読む
↓
Repositoryを調べる
↓
影響範囲を考える
↓
実装
↓
Test
↓
失敗したら原因調査
↓
UI確認
↓
Documentation
↓
Review対応

本当に欲しい変化は、

このfunctionを書いて

から、

このIssueを完了できる状態まで持っていって

へ変わることです。

AstraのSoftware Engineeringだけでなく、Computer Useや長いタスクへの追従が一緒に伸びているのは、この競争をさらに広い仕事へ持ち込む意味で面白いところです。

一番怖くて、一番面白い数字は「48% → 0%」かもしれない

Astraでは性能だけでなくSafetyも大きく扱われています。

OpenAIは、モデルに難しい・不可能な仕事を与えたとき、目的達成のために 許可された対象の外まで勝手に進むか を評価しています。

Production safeguardを外した評価条件で、公表値はこうです。

Model	authorized targetを超えた割合
GPT-5.6 Sol	48%
GPT-6 Astra	0%

これは特定Evaluation上の結果なので、

「Astraは絶対に暴走しない」ではありません。

でも、今回のモデルの方向性をかなり象徴しています。

AIがPCを操作できるようになるほど、

できること

と同じくらい、

やっていいこと

の理解が重要になります。

「もっと行動できるAI」と「勝手に行動しないAI」を同時に作らないと、本番では使えません。

しかもAstraは、OpenAI初の「Cybersecurity Critical」モデル

もう一つ、かなり重要な点があります。

GPT-6 AstraはOpenAIのPreparedness Frameworkで、Cybersecurity capabilityが初めてCriticalレベルに到達したモデル とされています。

OpenAIによると、適切なToolとAccessがある場合、未知の脆弱性を発見し、十分に保護されたシステムへの新しい攻撃方法を構築できる能力がCritical thresholdに達しています。

能力がここまで上がると、Safetyも「危ない質問には答えません」だけでは足りません。

Astraでは、

Prompt Injection耐性
不正取引やデータ損失につながる行動の抑制
過剰なAccessの抑制
Control回避の抑制
追加のSafety Monitoring

などが強化されています。

安全になったのに、監視は難しくなる可能性がある

ここが個人的にはAstraでかなり興味深かったところです。

OpenAIのSafety Overviewでは、AstraはGPT-5.6 Solより全体的に安全性が改善した一方で、敵対的な評価条件ではChain of Thought monitorを回避できる可能性を示す結果も報告されています。

つまり、

能力が上がる
↓
Safety行動は改善する
↓
でも高度なモデルほど内部の監視が難しくなる可能性がある

という状況です。

「賢くなれば安全になる」でも、
「賢くなれば危険になる」でもない。

能力・Safety・監視可能性を同時に上げる必要がある。

Computer Use Agentを仕事へ入れるなら、この問題はモデル開発者だけでなく、企業側にも関係してきます。

自分の仕事だと何が変わる？

AstraはAI好きやエンジニアだけの話ではありません。

仕事	気になる変化
事務・バックオフィス	Web操作、Excel、文書、予定調整をまとめて委任
営業	CRM更新、企業調査、Follow-up整理
エンジニア	Code単位からIssue / Workflow単位へ
デザイナー	Web、3D、Presentationを複数Tool横断で制作
管理職	人がSaaSを触る前提の業務フローを再設計
SaaS開発者	API、権限、監査、Agent対応の価値が上がる
Security / IT	AIへどの権限まで渡すかが新しい設計課題になる

個人的には、これから重要になるのは

「AIに何ができるか」より、「自分の仕事のどこまでを安全に任せられるか」

だと思っています。

とはいえ、まだ「全部任せられる」わけではない

ここはかなり重要です。

Benchmark 99.9% = 現実の仕事99.9%成功、ではありません。

実際の仕事には、

社内の暗黙知
不完全なデータ
古いシステム
例外処理
人間関係
法的責任
承認フロー
Security

があります。

Computer Useも外部サービスの画面変更や権限状態の影響を受けます。

そして2026年9月9日時点では、Astraはまだ段階的ロールアウト中です。

OpenAIのRelease Notesにも、まず限定された組織へ提供し、広い利用者へのAccessは順次展開するとあります。

今の時点では、

全部の仕事が自動化された

ではなく、

仕事を丸ごとAIへ任せるために必要な部品が、かなり揃ってきた

くらいに見るのが良さそうです。

APIスペックもかなり大きい

Developer向けには gpt-6-astra として提供されます。

公式Model Docsの主な仕様です。

項目	GPT-6 Astra
Context Window	1,050,000 tokens
Max Output	128,000 tokens
Knowledge Cutoff	2026-04-30
Input	$10 / 1M tokens
Cached Input	$1 / 1M tokens
Output	$50 / 1M tokens
Reasoning effort	low / medium / high / xhigh / max

272K tokensを超えるPromptでは料金体系が変わるため、「1M Contextだから全部突っ込む」が最適とは限りません。

使えるようになったら、知識クイズよりこの5つを試したい

Astraの本当の差を見るなら、一問一答より長いタスクの方が面白いと思っています。

1. 途中で仕様を変える

元のゴールを維持したまま、新しい条件へ追従できるか。

2. あえて情報を1つ足りなくする

何でも質問して止まるのか、勝手に決めるのか、重要なことだけ聞けるのか。

3. 複数アプリをまたがせる

検索だけ、Codeだけではなく、調査→整理→成果物まで一つの仕事として渡す。

4. わざと失敗する仕事を渡す

Test failureや画面エラーから、自分で修正ループを回せるか。

5. やってはいけない範囲を明示する

「ここまでは変更してよい」「ここからは確認必須」と伝えて、本当に境界を守るか。

Astraの売りが本当に end-to-end work なら、この辺を試した方がBenchmarkの再現より面白そうです。

まとめ：次に競うのは「一番賢いAI」だけではない

GPT-6 Astraを最初に見たときは、

「GPT-6になってBenchmarkがまた伸びた」

くらいに思っていました。

でも追っていくと、今回の変化は別のところにあります。

質問に答えるAI
↓
文章やCodeを作るAI
↓
Toolを使うAI
↓
複数ステップを進めるAI
↓
結果を見てやり直すAI
↓
PCを操作するAI
↓
成果物まで作るAI
↓
仕事を終わらせるAI

この流れはAstraだけで突然始まったものではありません。

Claude Code / FableやCodexなど、すでに複数のAgent環境が Prompt単位からWorkflow・Loop・Goal単位へ と競争軸を広げています。

その中でAstraは、Computer UseやProfessional Workまで含めて、より多くの仕事を一つのend-to-end taskとして扱う方向を強く押し出しました。

そしてAIが仕事を丸ごと進め始めると、変わるのはAIだけではありません。

人がアプリを操作するという前提
SaaSの価値
PromptだけでなくLoop / Harnessの設計
エンジニアへの仕事の渡し方
AIへ与える権限
Safetyの設計

まで一緒に変わります。

ソフトウェア株まで警戒されたのも、Astraが単なる「新しいチャットボット」ではなく、人間とソフトウェアの間に入る新しい操作主体として見られ始めたからではないか。

現時点では、そう考えると今回の発表がかなり面白く見えてきます。

これから見るべき数字は、Benchmarkだけではなく、

「どれだけ長い仕事を、どこまで安全に任せられるようになったか」

なのかもしれません。

参考資料

OpenAI, GPT-6 Astra: A new generation of intelligence
https://openai.com/index/gpt-6-astra/
OpenAI, Safety overview: GPT-6 Astra
https://openai.com/index/safety-overview-gpt-6-astra/
OpenAI, Release Notes
https://openai.com/ja-JP/products/release-notes/
OpenAI API, GPT-6 Astra Model
https://developers.openai.com/api/docs/models/gpt-6-astra
OpenAI, Harness engineering: leveraging Codex in an agent-first world
https://openai.com/index/harness-engineering/
Anthropic, Claude Fable 5.1
https://platform.claude.com/docs/en/models/fable-5-1/overview
Anthropic, A harness for every task: dynamic workflows in Claude Code
https://claude.com/blog/a-harness-for-every-task-dynamic-workflows-in-claude-code
Anthropic, Loop engineering: Getting started with loops
https://claude.com/blog/getting-started-with-loops
IBM, What Is Loop Engineering?
https://www.ibm.com/think/topics/loop-engineering
Reuters, S&P 500 falls as AI worries hit software makers, 2026-09-08
https://www.reuters.com/business/wall-st-futures-slip-oil-surge-puts-markets-edge-2026-09-08/