ChatGPTが「作業パートナー」になる──指示から完了まで、手を離せるAIへ

本日2時にOpenAIより「Introduction to ChatGPT agent」というライブが配信されたのでこのライブの解説をしていく。これは、ChatGPTのチャット欄の下に、「Agent」が選択可能になるアップデートの告知だ。Sam Altman、Casey Chu、Isa Fulford、Yash Kumar、Zhiqing Sun が ChatGPT の統合エージェント モデルを紹介しデモを行っている。

ChatGPTエージェントとは何か──従来のツールとの違い

OpenAIが今回発表した「ChatGPTエージェント」は、これまでの「ツール」とは根本的に異なる。従来は、ユーザーがプロンプトを入力し、1ターンでの応答を得る「会話型」のインタフェースだった。しかしエージェントは、ユーザーの長文の指示を受け取り、自律的に思考し、情報収集・処理・生成・操作といった一連のプロセスを、時間をかけて段階的に実行する。

これは、「単一のプロンプト応答型」から「目的遂行型AI」への質的転換である。OpenAI内部で過去に試験的にリリースされていた「Operator」や「Deep Research」の技術が統合され、ブラウジング、ファイル操作、コード実行、API接続といった高度な機能を、ひとつの知的存在に統合したのが今回の「エージェント」だ。

デモ：ウェディング準備を丸ごと任せる

ライブ配信では、結婚式への出席準備という複雑なタスクをエージェントに任せるデモが行われた。プロンプトには次のような内容が含まれていた：

• ドレスコードに合った服装の提案（メンズ・中価格帯・天候配慮）

• 会場近くのホテル予約（前後日程含む）

• プレゼントの選定（500ドル以内、レジストリ優先）

エージェントはこれらを受けて、仮想コンピュータ上にセットアップされた環境で、ブラウザを開き、情報収集を開始。必要に応じてGUIブラウザとテキストブラウザを使い分け、宿泊サイトから空き情報を取得し、スーツ候補を画像付きで確認、ギフト選定まで一貫して自動で実行した。

ユーザーは途中で「黒のドレスシューズ（サイズ9.5）も探して」と追加指示を出したが、エージェントはそれを中断せず受け取り、計画の中に自然に組み込んだ。

機能の構成と学習設計

このエージェントは以下のような仮想的なツール群を統合して動いている：

• Text Browser：効率的な情報探索。Deep Research由来。

• GUI Browser：Webの視覚的インタラクション。Operator由来。

• Terminal：コード実行・API呼び出し・ファイル生成（Excel, Slides等）。

• Image Generator：資料やプレゼン用のビジュアル生成。

モデルには、これらのツールを「いつ、どの順番で使うべきか」を学習させるために、強化学習ベースのタスクが与えられている。はじめはすべてのツールを同時に使おうとするが、次第に適切な組み合わせを学び、効率的にタスクをこなせるようになっていく。

共同作業性とインタラプト設計

エージェントは単なる自律実行マシンではなく、人間との共同作業者として設計されている。タスクの途中で質問を挟んだり、確認を求めたり、ユーザーからの中断や修正指示にも柔軟に応じるよう訓練されている。

たとえば、メール送信の前には必ず草稿の確認を求め、誤字や意図のずれをユーザーがチェックできる。さらに、ユーザーが直接ブラウザ画面を操作して「引き継ぐ」ことも可能で、責任ある協働ができる構造になっている。

ベンチマーク結果：全指標で過去モデルを超える

実際の性能も、定量的に飛躍している。以下はいくつかの注目すべきベンチマーク結果：

• HumanEval（ツール無し）→42%（ツールあり）

• Front TMS（数理推論）→27%（SOTA）

• WebArena（ウェブ操作）→従来比大幅向上

• BrowseComp（検索と発見）→69%のパス率

• SpreadsheetBench（実務スプレッドシート）→最大45%

• IB Analyst Benchmark（財務モデル構築）→従来モデルを上回る

PowerPointの生成では、Google Driveから自ら評価データを取得し、コードでスライドを自動生成し、装飾には画像生成を活用。自己評価と自己修正のプロセスまで内包されている。

セキュリティと社会的リスク

このような「外界接続型エージェント」は、その力と同時に新たなリスクを伴う。特に問題視されているのが**「プロンプトインジェクション」**である。悪意のあるWebサイトが「クレジットカードをここに入力してください」と誘導することで、エージェントがそれに従ってしまう危険がある。

OpenAIはこれに対し、

• モデルに「怪しい命令を無視する」よう訓練

• 実行を監視するモニタリング層を追加

• リアルタイムに防御ロジックを更新可能な仕組み

を導入しているが、完璧ではないと明言している。したがって、ユーザー側もクレジットカードや機密情報は手入力し、「Takeoverモード」で自分の手で処理することが推奨されている。

提供開始と今後の展望

このエージェント機能は、Proユーザー（月400回）、Teamユーザー（一部月40回）を対象に即日展開される。Enterpriseや教育向けには月内の提供開始を予定。

これまでライブ配信では Sam Altman が明言していたのは：“We’re going live today for Pro and some Team users, rollout should finish by end of the day for Pro.”
しかしGreg Brockman（@gdb）による最新ポストでは：“Rolling out in ChatGPT Pro, Plus, and Team today.”つまり Plusも対象になってると明言してる。

その後、OpenAIから公式に、Plusユーザーにも7月21日の月曜日から展開する旨発表があったので、筆者のPlusアカウントで使用可能になったら改めて使用感のNoteを執筆するつもり。

ライブの鑑賞後感

今回のChatGPTエージェント機能は、「業務現場でリアルタイムに形を見せる」ことに特化した使い方が非常に強い。顧客とのブレストなどで提案する時に非常に強力なツールとなりそうだ。例えば、ウェディングコンサルの場面などは、かなり理想的なユースケースで：

たとえばこんな流れが可能：

• 新郎新婦がその場で「春の軽井沢、ガーデンスタイル、夜は冷える」などと話す

• コンサルタントがChatGPT Agentに：「春の軽井沢でガーデンウェディング、夜は冷えるので羽織り推奨、ミッドレンジ予算でスーツとギフト、宿泊まで提案して」

• 数分後には、候補スーツのショップ画面や宿泊施設一覧、ギフトリストが画面に現れ、PDFでまとめて送信可能

• さらに「この式場の3Dモデルをつくってみて」と言えば画像生成＋プレゼン資料までつくれる（Image Gen API統合）

これはもう、従来の“事前準備”や“お持ち帰り検討”をゼロに近づけて、目の前で次のアクションを提示できるレベル。
しかも、顧客が「じゃあこのホテルで仮予約したい」と言えば、GUIブラウザを介してChatGPTが自動でフォーム入力して、「途中までやっておきました。ご確認ください」と差し出してくれると言ったような使い方も可能になりそう。

使い方だけのショート動画はこちら：

また、実際の使用方法はこちらの動画がわかりやすい。