はじめに
OpenAIが公開したGPT-6 Astraの広告映像を見ると、どうにも奇妙な感じがします。人間がコンピュータに向かって自然な言葉で話しかけると、AIが意図を理解して画面を操作し、次々と仕事を片付けていきます。「人間はコンピュータの操作方法を覚えなくてよくなり、やりたいことを言葉で伝えるだけになる」という未来像なのでしょう。しかし、日常的に生成AIを高度な用途で使っている人ほど、この映像には違和感を覚えるのではないでしょうか。Astraほどの性能を本当に必要とする人ほど、こんな使い方はしないからです。
この映像がおかしいのは、Astraの性能が低そうに見えるからではありません。むしろ逆です。Astraが従来モデルを大きく超えるほど高度なAIであるなら、その追加能力を使い切れるのは、複雑な問題を与え、条件を整理し、結果を検証できる利用者です。ところが広告では、そうした利用者像ではなく、「コンピュータに詳しくなくても口で頼めば何でもやってくれるAI」が前面に出ています。製品の能力が向いている相手と、広告が描いている相手がずれているのです。
音声は入力が楽でも編集が難しい
音声入力には明確な利点があります。「これを開いて」「この店を予約して」「このメールに返事して」といった短い指示なら、キーボードより手軽な場合もあります。しかし、高度な知的作業で重要なのは最初の入力速度だけではありません。むしろ重要なのは、入力した内容を訂正、編集、比較、再利用できることです。
キーボードなら、書いている途中で一語だけ変更できます。前の文章をコピーして条件だけ変えることもできます。長い指示を書いた後に全体を読み返し、矛盾している条件を送信前に消すこともできます。音声ではこれが難しくなります。「Aという条件で調べてください。いや、AではなくBです。ただし、その前に言ったCは残してください」と話し始めれば、訂正行為そのものが新たな自然言語命令になります。
しかもこれは音声認識技術が進歩すれば解決する問題ではありません。認識率が100％になっても、音声は時間方向に流れて消えていく逐次的な媒体です。一方、文字は画面上に残り、カーソルを動かして任意の場所を書き換えられます。音声は会話には向いていても、複雑な思考の編集には向いていません。
ハイスキルなエンジニアがキーボードを好む理由も、単にタイピングが速いからではありません。キーボードと画面の組み合わせは、自分の考えを一度外部に置き、それを見ながら加工するための装置でもあります。コード、ログ、条件、AIの回答を引用しながら「ここだけ変更する」という操作が極端に安いのです。
仮説検証では音声がさらに不利になる
この違いは、生成AIを仮説検証の道具として使うとさらに大きくなります。仮説検証では、「質問して答えを聞く」という一往復では終わりません。仮説を出し、反例を探し、説明変数を分離し、前提の一部を撤回し、別の可能性へ枝分かれしながら考えを更新していきます。
たとえば「原因はAではないか」と考え、AIの回答を見て「しかしBの場合には説明できない」と修正し、さらに「AとBは独立した原因なのではないか」と組み替えます。その後、「最初の仮説の二番目の前提だけ残して、もう一度検討してくれ」と戻ることもあります。このような作業では、過去の文章が画面上に残っていること自体に価値があります。文字による対話は、そのまま思考の外部記憶になります。
これをすべて音声で行えば、「さっき言った話のうち」「その前の仮説ではなく」「二つ目の条件だけ」といった参照指定が増えていきます。本来AIに預けたかった認知負荷の一部を、人間の作業記憶へ戻してしまいます。
AIを文章作成機や音声アシスタントとして使うなら問題にならないでしょう。しかし、AIとの対話を使って一日に何度も仮説を立て、反証し、枝を刈っている利用者に音声縛りを課したら、ほとんど罰ゲームです。高度なAI利用ほど、文字の編集可能性が重要になります。
Astraを必要とする人ほどキーボードを使う
ここでAstraとSolの関係を考えると、広告の奇妙さがさらに際立ちます。簡単な要約、メール作成、旅行計画、検索、日常的なコンピュータ操作であれば、すでにSolでも相当に高い水準に達しています。このような利用者にAstraを与えても、モデル性能の上昇幅ほどには成果は伸びないでしょう。利用者が要求する仕事の難易度がモデルの能力上限に届いていないからです。
Astraの価値が本当に出るのは、Solでは途中で崩れるような仕事です。巨大なコードベースから障害原因を調べる、複数の制約を守ったまま修正する、大量の資料から仮説を検証する、長時間の作業で目的を保持し続ける、といった仕事でしょう。
ところが、そのような仕事をAIに依頼する人は、「そこをクリックして」「次にこれを開いて」などと一操作ずつ話しかけるでしょうか。おそらくしません。「このIssueを再現し、公開インターフェースを変更せず原因を特定し、最小限の修正と回帰試験を追加してプルリクエストを作れ」とキーボードで一度に渡すでしょう。そして結果を確認して、問題のある部分だけ数行で修正指示を出します。
つまりAstra級のAIで重要なのは、人間の操作を音声に置き換えることではなく、一回の指示で委任できる仕事の単位を大きくすることです。AIが賢くなるほど、「開いて」「押して」「戻って」という会話はむしろ減るはずです。
ここに皮肉があります。音声で何でも頼めることを最も便利だと感じそうな人は、Solでもかなり満足できます。一方、Solでは足りずAstraを必要とする人は、複雑な条件を高速に編集するためキーボードを使います。Astraを最も必要としない人に最も分かりやすい形で、Astraを宣伝しているわけです。
AstraはVIVANTのハヤトである
この広告を見て思い出すのが、『VIVANT』に登場するAIのハヤトです。ドラマにはコンピュータの専門知識を持たない視聴者も大勢います。そのため、登場人物が難解なコマンドを入力したり、大量のログを比較したりしていては、何がすごいのか伝わりません。
そこで「ハヤト、これを調べてくれ」と言えばAIが高度な分析結果を返す形にします。これはドラマとして非常に合理的です。音声で話しかけるAIは、誰にでも理解できる「すごいAI」の記号だからです。
Astraの広告も本質的には同じことをしています。人間が話す、AIが理解する、コンピュータが勝手に動く。この三段階なら、生成AIをほとんど使ったことがない人でも一瞬で意味が分かります。広告映像のAstraは、現実のパワーユーザーが使う道具というより、現実世界に出てきたハヤトなのです。
広告としてそうする理由は分かります。本当にAstraを使いこなしている人を撮影したら、おそらく映像として非常に地味です。人間が数行の文章をキーボードで入力し、しばらくAIに仕事をさせ、成果物を読んで二、三行修正指示を出すだけになるでしょう。実際にはこちらの方が圧倒的に高度な使い方でも、コンピュータを知らない視聴者には何がすごいのか伝わりません。
そのため広告では、技術的な能力を視聴者が理解できるフィクションへ翻訳する必要があります。その結果、本来Astraを必要としない利用者の姿が、Astra時代を象徴する利用者として描かれてしまいます。
本当に見たいのはSolではできなかったこと
Astraの性能を知りたい利用者が本当に見たいのは、「声でパソコンを操作できます」という映像ではありません。Solでは成立しなかった何が、Astraなら成立するようになったのかです。
複雑な条件を長時間維持できるのか。調査中に目的を見失わないのか。誤った仮説を途中で棄却できるのか。巨大なコードベースを扱っても局所的な修正で全体設計を壊さないのか。一時間分の人間の仕事を一回の指示で完遂できるのか。AstraとSolの違いに金を払う利用者が知りたいのはこちらでしょう。
そしてAstraが本当に優秀なら、人間はAIとたくさん会話する必要すらなくなります。優秀なエージェントほど少ない指示で遠くまで走れるからです。未来のハイスキルユーザーは、AIに延々と話しかける人ではなく、短く精密な指示を渡し、出てきた結果を検証する人になる可能性が高いのです。
まとめ
OpenAIのAstra広告が滑稽なのは、Astraが大したことのないAIだからではありません。Astraが高度であればあるほど、広告で描かれている利用者像との矛盾が大きくなるからです。
音声は簡単な依頼には便利ですが、訂正、比較、引用、構造化、仮説の枝分かれといった高度な知的作業では文字に劣ります。そしてAstraの能力差を本当に必要とするのは、まさにそうした複雑な仕事をする人たちです。その人たちはおそらくキーボードを捨てません。むしろAIが高度になるほど、キーボードを自分の思考を精密に編集する装置として使うでしょう。
一方、「話しかければ全部やってくれるAI」は誰にでも分かります。だから広告上のAstraは、『VIVANT』のハヤトと同じような一般向けのAI表象になります。広告としては正解なのでしょう。しかし、Astraの性能を本当に必要とする側から見れば、「その性能が必要な人はそんな使い方をしない」としか思えません。
Astraの本当の価値は、人間のキーボード操作を音声操作へ変えることではありません。人間が操作そのものを考えなくてもよい範囲を広げることです。その革命を説明するために「AIと楽しそうに会話しながらパソコンを操作する未来」を見せているところに、この広告のどうしようもない滑稽さがあります。