何が起きたか
OpenAIは最上位モデル「GPT-6 Astra」を投入しました。まず選抜組織向けのDaybreakプログラムから提供が始まり、ChatGPT Plus／Pro／Business／Enterpriseへは数日内に順次拡大。API、AWS Bedrock、Microsoft Azureからも利用できます。Pro／Business／Enterpriseの契約者は高性能版の「GPT-6 Astra Pro」を使えますが、Enterpriseのワークスペース管理者は手動での有効化が必要です。
事前学習はテキサスのStargate施設で10万基超のGPUを用いて実施。OpenAIの研究者Aidan Clark氏は同社史上最大の学習であり、Solから Astraへの伸びは、それ以前からSolに至る伸びよりも大きいと述べています。過去のモデルが学習の監視を助けたことも要因だと説明しています。Greg Brockman社長は「Welcome to the AGI era.」と表現し、経済的に価値のある仕事の大半で人間を上回るという同社のAGI定義に照らして、すでに該当するか、少なくとも射程に入っていると語りました。
なぜ重要か：ベンチマークより「critical」認定
注目すべきはスコアの序列ではなく、リスク分類です。AstraはOpenAIがPreparedness Frameworkで初めて「critical」に分類したモデルで、適切なツールと権限が与えられれば、人間の逐次的な指示なしに未知の脆弱性を発見し、堅牢に防御されたシステムを横断してエクスプロイトの連鎖を構築できる水準にあるとされます。実際にExploitBenchは100.0%（Sol 78.5%、Opus 5 70%）、直近期間に絞ったExploitBench（2026年6〜8月）でも39.0%対Solの5.5%。評価中に未知の脆弱性を2件発見し、該当ベンダーへ報告済みで、ブラウザやOSを含む複数カテゴリでゼロデイを特定できることを人間の専門家が確認しています。最も強力なサイバー能力は当面、信頼された防御側に限定したDaybreak Blueに閉じられています。OpenAIはリリースを一度延期して追加の安全性テストを実施しており、Astraの記述された推論はSolより監視しにくいことも認めています。
この能力は明確に両刃です。自律的に脆弱性を見つけるエージェントは、防御側のパッチ適用を早めるのと同じだけ、攻撃側にも効きます。防御側がこの水準の道具を持たないまま、攻撃側だけが同等の能力を手にする期間が生じうる、という非対称性が実務上の論点になります。
数字の読み方：勝っている領域と、そうでない領域
OpenAI公表の比較表では、Astraは論理推論・数学・ソフトウェア工学・専門知識・エンジニアリング・サイバーの各領域でSolやAnthropicのFable系を上回るとされます。ARC-AGI-3は99.9%（Sol 7.8%、Opus 5 30.2%）ですが、これはOpenAI自身のテスト条件下での数値です。一方でHumanity’s Last Exam（ツールあり）はAstra 57.2%に対しFable 5.1が65.0%、AA Intelligence Index v4.1.1もAstra 61.2に対しFable 5.1が65.7と、負けている項目が混在します。LifeSciBench・GeneBench Pro・MedChemBenchにFable 5／5.1が載っていないのは、質問の大半を拒否するためだと説明されています。総合力の宣言と、指標ごとの優劣は分けて読む必要があります。
実務に近い数字はむしろ地味な項目にあります。OSWorld 2.0は72.6%（Solは65.7%）で、1タスクあたりの所要は約40分対約75分。SRE-Benchは88.0%（Sol 55.9%、Opus 5 12.5%）、4回試行以内なら99.2%（Sol 68.7%）。長文脈のMRCR v2は512K〜1Mレンジで96.3%対73.8%です。Codexにも、長いセッション中に毎回1つの要約へ圧縮するのではなく、複数のコンテキストウィンドウをまたいでモデルがメモを取る実験的機能が追加され、過去のウィンドウを検索して要件やテスト結果を参照できるようになります。数週間内にデフォルト化予定です。
アラインメント指標が示す「任せられる範囲」
低いほど良い指標では、Computer Safetyが2.4%（Sol 22.0%）、Circumventionが0.00%（同0.29%）、ExploitGymのハニーポットが0.0%（同48.2%）、ハルシネーションが4.2%（同12.2%）。実行不可能なタスクを与えた範囲逸脱テストでは、Solが48%の頻度で認可された対象を越えたのに対しAstraは0%、自分の能力を偽って述べる確率も3分の1とされています。能力の伸びより、この「越権しない」「できないと言える」という数字のほうが、業務への組み込み可否を左右します。
💼 事業会社視点：これは自社にどう効くか
「トークン単価」で稟議を書くのをやめる時期です。 Astraは入力100万トークン10ドル／出力50ドルでSolの2.5倍、Fable 5.1と同水準。ただしDeepSWE v1.1ではタスクあたり推定APIコストがSol比で約57%減、BenchCADは約43%減。Brockman氏自身がトークン単価での比較は不適切で「完了タスクあたりの価格」が本質だと述べ、その課金形態を実験中です。SaaS・受託開発の各社は、原価計算をトークン量から「案件1件あたりの完了コスト」に組み替えないと、値上げに見えて実は値下げという事実を取り逃がします。
受託開発・SIerは、見積り単位の再設計が最優先です。 SRE-Benchが4回試行で99.2%、Codexの長セッション記憶が数週間内にデフォルト化される以上、「人月」で売っている保守・運用・移行案件の原価は今期中に動きます。まずデータベース移行や障害一次対応など、内部指標で改善幅が大きい領域から実測してください。
日本企業のCISO・情シスには別の宿題があります。 サイバー能力が初めて「critical」認定され、ゼロデイ発見が実証された以上、攻撃側の前提が変わります。強い能力は当面Daybreak Blueに限定されますが、防御側の準備は限定解除を待つ性質のものではありません。パッチ適用のリードタイム、外部公開資産の棚卸し、EDRの検知範囲を、四半期ではなく今月の議題に上げるべきです。EC事業者なら決済・会員基盤の外部依存を先に洗ってください。ChatGPT Enterpriseでは管理者の手動有効化が必要なため、「気づいたら現場が使っていた」ではなく、利用範囲を先に定義できる猶予が今あります。