OpenAI、「コンピュータ操作AI」の処理速度はすでに一般人間の平均超え、超人間的レベルに接近——利用は「YC水準」で急拡大
2026年10月26日 – a16zポッドキャスト：OpenAIのアリ・ワインスタイン氏とジェームズ・サン氏が語る、コンピュータ操作エージェントの現在
OpenAIの幹部2名がa16zのポッドキャストインタビューで、2つの重要な主張を行った。1つ目は、同社のコンピュータ操作エージェントの速度が一般の人間オペレーターを超え、専門家レベルに迫りつつあるという点だ。2つ目は、長期間にわたる限定的な普及期を経て、ここ数カ月で利用が急加速しているという点だ。OpenAIでコンピュータ操作の開発に携わり、消費者向け製品を重視するアリ・ワインスタイン氏は、「コンピュータ操作の性能が向上し、平均的な人間よりも速くコンピュータを操作できるようになりました。専門家レベルのPCユーザーよりも速い『超人間的（スーパーヒューマン）』な領域に、本当に手が届くところまで来ています」と語る。同氏はこの閾値（しきいち）について、「人間が手動で行えることはすべて、より高速に実行できるようになる」ため、潜在的な「パラダイムシフト」になると表現した。これらの主張は同社による自主的なものであり、ベンチマークや具体的な利用数値は示されていない。それでも今回のインタビューは、同チームが自社製品、その普及曲線、そして依然として残る課題をどのように捉えているかを知る上で有益な手がかりとなる。
利用は変曲点を迎えたが、普及率は依然として低水準
ワインスタイン氏は、軌道が急激に変化したと説明した。チームがコンピュータ操作製品の開発を始めた当初、「それを使っている人はごくわずか」だった。しかし今年に入り、基盤モデルが「突如として」これらのタスクをこなす能力を高め、「ここ数カ月で製品は爆発的に成長している」という。同氏は、OpenAIのユーザーベースのうち、現在コンピュータ操作機能を利用しているのは「一部の割合に留まる」と、その限界についても率直に認めた。
1月に「Atlas」ブラウザーの開発に参画するためOpenAIに入社したサン氏は、初期の苦闘についてより率直に語った。Atlasにおけるエージェント体験は「大々的なウリにはならなかった」という。大半のユーザーが通常のブラウザーとして扱っていたからだ。「RIP Atlas（Atlasよ安らかに眠れ）」というサン氏の冗談めいた発言は、この単独ブラウザーがその後、より幅広い製品群に統合されたことを示唆している。モデルの性能が向上した時点で、OpenAIはすでにエージェント利用の実績があった既存製品にブラウザー機能を組み込み、その結果「Y Combinator（YC）水準の週次成長」を記録しているとサン氏は述べた。
サン氏は、次の変曲点はモバイルとクラウドにあると指摘した。デスクトップの利用は依然として「パワーユーザー向けの色合いが濃い」一方、大半の消費者はスマートフォンを中心に生活しているためだ。目標は、すべてのチャットユーザーに「使い方の理解すら必要のない、強力なコンピュータ」を提供することであり、サン氏はこれを10億人のユーザーへ到達する道筋と位置付けた。両幹部は、同製品がコンシューマー向けとエンタープライズ向けの両方において「スケーリングの瞬間」を迎えているという認識を示した。
「Astra」モデルがもたらす変化
インタビューの焦点は、OpenAIの最新モデルであるAstraに向けられた。ワインスタイン氏はコンピュータ操作に対するその影響について慎重な姿勢を示し、同社のコンピュータ操作モデルは「Astraが登場する前の段階ですでに非常に優れていた」と述べた。彼の経験では、Astraは3つの点で製品を「周辺部分から」改善している。第1に、同じタスクを実行する際に消費する「思考トークン」が少なくて済むため、平均して処理が高速化していること。第2に、音声指示によってMicrosoft Paintでイラストを描いた発表デモのように、クリエイティブな作業が向上していること。そして第3に、信頼性が高まっていることだ。これは信頼性の99%と97ルの違いのようなもので、「知覚しにくいが極めて重要である」と彼は表現した。
サン氏は、AstraはOpenAIの「最もアラインメント（調達・調整）されたモデルである」と付け加え、システムカードを引用して、プロンプトインジェクションに対する耐性が大幅に向上し、意図しない動作が減少したことを挙げた。調達業務やベンダー・顧客とのコミュニケーションを伴う企業向け業務において、これにより導入の安全性が格段に高まると同氏は主張した。またサン氏は、社内テストにおいてAstraがビデオゲームで前バージョンの「5.6」モデルを毎回打ち負かしたことや、約30時間で『Fallout』をクリアしたという公開投稿を引き合いに出した。もっとも、それが商用面で何を意味するのかについては確信がないと認めている。
ワインスタイン氏は、OpenAIの立ち位置を「最も速く、最も安価で、最も信頼性の高いコンピュータ操作製品を持っている」と表現した。これは実証された結果ではなく、あくまで主張に過ぎない。同氏はまた、同社が今後も複数の品質・価格帯でモデルを提供し続ける方針であり、安価なモデルでもコンピュータ操作能力が向上していると述べた。どのモデルがどのタスクに使用されるかについては、今後さらに多様化が進むとの見通しを示した。
企業向けコントロール：サンドボックス、承認機能、自動レビューアー
エージェントがそれを監視する人間よりも高速になるにつれて、コントロールの問題が核心になるとサン氏は述べた。「エージェントが行っているすべてを人間が観察・監査できなくなる域に達したとき、特に企業や事業主に対して、人間がどれだけ介入するか（human in the loop）の度合いや監査性をどのように制御する手段を提供すべきか、という問題が生じます」
OpenAIは、2つのレイヤーに基づく企業向けコントロール機能を発表した。第1のレイヤーは決定的（デテミニスティック）な制御である。管理者はエージェントを承認済みのアプリケーションやウェブサイトに限定するサンドボックス環境を構築でき、ダウンロード、アップロード、または新規サイトへのアクセスといった特定の操作に対して人間の承認を義務付けることができる。第2のレイヤーは、同社が「Guardian」または「自動承認（auto-approve）」と呼ぶモデルベースのレビューアーであり、エージェントが行うすべての操作の安全性とアラインメントを評価する。消費者は承認プロセスを一切省くことを好むかもしれないが、企業はどの種類の操作を自動実行させるかを自ら決定できる。
サン氏は、企業の導入への躊躇は能力の不足ではなく、説明責任や安全性への実感が主な原因であることが多いと指摘し、モデルのインジェクション耐性が大半の人間のそれよりも優れているにもかかわらず、決定的レイヤーが「企業に強い安心感を与えている」と語った。OpenAIはまた、社内およびサードパーティによるアラインメント評価を管理者向けに提示している。コンシューマー向けに関しては、目に見えるアニメーション付きのカーソルや新規アプリケーション起動時のパーミッションプロンプトといったデザイン上の選択が、ユーザーに信頼感を与え、自身のマシン上で「暴走（runaway stuff）」が起きるのではないかという恐れを抱かせないための工夫であるとワインスタイン氏は説明した。
企業がエージェントを導入している領域
企業向けのユースケースは「かなり明確である」とサン氏は語る。大企業は15〜20年前のレガシーソフトウェアを稼働させており、MCPツールもなく、人間にとっても操作が厄介な代物だからだ。一部の企業では、こうしたシステムを操作する方法をモデルに学習させるための「スキル」を構築している。同氏はユースケースを2つに分類した。1つ目は、ERPやCRMなどのシステム横断型における、地味ながら価値のある自動化と呼ぶ領域である。例として挙げられたのは調達業務であり、年間機材発注は現在、チームのスプレッドシートからオペレーションチームを経由し、調達ソフトウェアに入力されてベンダーへと流れていく。APIを持たない複数の台帳にまたがる月末の財務照会や、CRMやアウトリーチツールにデータをフィードする営業見込み客の開拓（プロスペクティング）も同様のカテゴリに属する。市場調査もこれに当てはまる。
2つ目のカテゴリは、視覚能力の向上によって可能になる、より野心的なクリエイティブおよび技術的作業であり、回路設計、建築、ハードウェアエンジニアリング、ゲームデザインなどが含まれる。企業はまだよりシンプルな機会に注力しているため、これらの活用については本格的に考えていないとサン氏は述べたが、顧客がモデルの能力を理解するにつれて、こうした領域でも利用が進むと予想している。
ワインスタイン氏は、DMV（車両管理局）の書類記入、メーリングリストの配信停止、個人の財務や食事計画のスプレッドシートの管理など、消費者向けの類似事例を挙げた。また、コンピュータ全体を音声制御することを、自身が「最もワクワクしている」カテゴリとして強調した。
「Dot」と、能動的エージェントへの移行
幹部らは、OpenAIの製品である「Dot」についても多くの時間を割いて語った。Dotは、完全なウェブブラウザーを備えた独自のクラウドコンピュータを各エージェントに割り当て、商品の購入や予約の完了を可能にする製品だ。サン氏によると、その最大の差別化要因は「能動性（プロアクティビティ）」にあるという。Dotは、自身のカレンダーにまだ反映されていなかった外部からの会議招待にフラグを立て、高レベルの指示に基づいてSlackを監視し、部下や報告ラインからの重要なフィードバックを捉える。さらに、ローカルのブラウザーとクラウド上のマシンの両方を駆動してSentryのログを抽出し、分析して報告することもできる。同氏は、Dotが「毎回同じ形状とは限らない、能動的で長期にわたるタスク」に最も適していると主張した。
ワインスタイン氏は、次のステップはユーザーとエージェントのリアルタイムのコラボレーションであると述べた。現在の製品はバックグラウンド指向の色合いが濃いが、それは強みであると同時に限界でもあるという。「人間がエージェントに適応するのではなく、エージェントが人間に適応する」ような仕組みを求めている。
オープンウェブの経済的課題は未解決
サン氏は、オープンウェブにおける商業的課題について率直に語った。企業が承認したソフトウェア内ではエージェントによる自動化は大歓迎される。しかしインターネット上では、広告主や広告収入に依存するパブリッシャーのビジネスモデルは「エージェントに製品を利用されることと適合しておらず」、エージェントによる広告表示は「実際の収益にはカウントされない」という。OpenAIはこの問題についてパートナーシップチームと共に取り組んでいるが、まだ解決策には至っていないと述べた。
エージェントを受け入れたいと考えているサイトに向けて、同氏はOpenAIのアプリブラウザーがサポートする標準規格「WebMCP」を挙げた。これにより、人間とエージェントがサイトを共同で利用することが可能となり、エージェントが面倒なステップを処理し、閲覧やチェックアウトの段階で人間が引き継ぐことができる。サン氏は、このモデルによりサイトをAPIに還元してしまうのではなく、サイト自体をインターフェースとして維持できると述べている。
ソフトウェアのフォームファクターとスタートアップの機会
レガシーソフトウェアとAIネイティブアプリケーションのどちらが勝利するかという問いに対し、ワインスタイン氏はその双方が存続し続けると答えた。10〜40年前に書かれたレガシーシステムはすぐに消えることはなく、コンピュータ操作機能の登場によって「すべてのソフトウェアがデフォルトでエージェントと連動するようになるため、企業に対してソフトウェアをエージェントとより連携しやすくするようさらなる圧力がかかるかもしれない」という。サン氏は、安価なソフトウェアの制作が品質の向上を余儀なくさせると主張し、インターネットが「顔のない」エージェント同士のトラフィックで埋め尽くされる未来を否定した。自身が妻のためにパーソナライズされたトレーニングツールを作った経験を引き合いに出し、「100人または1人のための」設計されたソフトウェアの到来を予測した。B2Bにおいては、ユーザーが監査ログや制御のためのインターフェースを依然として必要とするため、「なぜ私たちは質の低いソフトウェアで妥協しなければならないのか」と疑問を呈した。
元ファウンダーである両幹部は、OpenAIの事業領域の広がりにもかかわらず、スタートアップに対しては前向きな姿勢を崩さなかった。サン氏は、OpenAIのチームは直面している問題に対して依然として「手一杯の状況にある」と語った。縦軸の業界特化型（バーティカル）の例として、レストランの在庫を撮影し、予測されるトラフィックから需要を予測し、調達ソフトウェアを通じて食材を発注し、ERPで人員配置を調整するエージェントを挙げた。多くの中小企業がAIツールの理解、接続、導入、保守に苦慮しており、特定の業界における規制、市場投入（Go-to-Market）、カスタマーサービスを理解する専門家には依然として参入の余地が残されていると指摘した。
短期的な課題は製品の一貫性
サン氏は、製品における不都合な現実を認めた。現在、ユーザーは自身のパスワードを使用するChrome拡張機能、個別のCookieやログイン情報を持つアプリ内デスクトップブラウザー、ChatGPT内のクラウドブラウザー、そしてDot内のもう一つのクラウドコンピュータという、いずれも状態を共有しない4つの異なる環境に直面している。「なぜ互いに通信しないこれら4つの異なるブラウザーを私が持たなければならないのか」と、一般消費者は疑問に思うだろうと彼は語った。コンピュータ操作は概念として「最も理解しやすいAI製品」である一方、実装の複雑さがユーザーに漏れ出していると指摘した。体験を統合的でコンシューマーグレードの水準に高めることが次四半期の優先事項であり、個別のウェブサイト特有のエージェントに分断されるのではなく、エージェントとアプリケーションがコンテキストを交換できるようにするための「共有インテリジェンスレイヤー」について説明した。