OpenAIのGPT-6 Astraは、紹介時に、書類の作成からウェブサイトのテストまで、専門業務でコンピューターを操作する能力(computer use)がどこまで進んだかが示されたモデルです。OpenAIの次の目標は、エージェントが専門ソフトウェアを使って複雑なビジネス課題を解く能力と効率を高めることです。そのために、OpenAIは、企業のビジネスルールを理解し、複数ステップのワークフローを実行し、作業が元の要件を満たしているか検証するようにモデルを訓練する方法を探っています。

少数のソフトウェア企業との直接提携

OpenAIは、研究を加速するため、ワークフローを最もよく理解している少数のソフトウェア企業と直接提携しています。提携先と共に、難度が高く価値の高いタスクを特定し、自社モデルの訓練と評価のための研究課題にすることで、実世界のビジネス用途でモデルをより高性能で有用にすることを目指しています。

最初のパートナーは、AIを活用した契約業務(AI contracting)分野のリーダーであるIroncladです。両社は、エージェントが契約(agreements)、承認(approvals)、再利用可能な法的条項(reusable legal terms)を設定する必要があるタスクを開発し、契約・承認・法的条項を設定するこの複雑なワークフローにおいて進捗を示しました。Ironcladの専門知識は、成功の基準を定義し、実際の顧客ニーズをフロンティアモデル(frontier model)の開発に直接取り込むうえで重要な役割を果たしました。

契約ワークフローの具体例と課題

GPT-6 Astraは、Ironcladのタスクで訓練された最初のフロンティアモデルです。OpenAIの研究評価では、GPT-6 Astraの平均スコアはGPT-5.6 Solより32%高く、試行あたりの推定所要時間もGPT-5.6 Solより48%短かった結果となりました。法務オペレーションチームがソフトウェア購入のプロセスを整備する場面が、例として挙げられています。ソフトウェア購入のプロセスを設定する法務オペレーションチームの例では、一定額を超える購入には財務部門の承認が必要になりうるほか、特定の依頼にはセキュリティ部門のレビュー、標準外の条件には法務部門のレビューが必要になる場合があります。設定担当者は、この短いリストを受付フォーム、文書テンプレート、承認ルール、最終契約の記録に落とし込まなければなりません。

同じ作業をAIエージェントが行う場合は、ソフトウェアを操作しながら、財務部門の承認、セキュリティ部門のレビュー、法務部門のレビューといった要件を常に念頭に置いておく必要があります。たとえば、支出のしきい値を超える購入には財務部門の承認を設定し、しきい値の上下の依頼が正しい経路をたどることを確認しなければなりません。個々のステップが正しいだけでは不十分で、完成したプロセスが、想定された状況全体で機能する必要があります。

11件のタスクと訓練環境の構成

Ironcladの従業員とOpenAIでIroncladを使う人々が、研究者が法務・商取引・調達業務にわたる11件のタスクを特定するのを助けました。タスクには、秘密保持契約(nondisclosure agreements)の設定、調達承認プロセスの作成、依頼者が選んだ管轄を反映するよう再利用可能な法的条項を更新することといったものが含まれます。各タスクは、複雑さに応じて8〜50の基準で評価され、モデルがどの部分を正しくこなし、どこで不足したかを確認できました。

Ironcladは、モデルがタスクを練習できる、自社製品のホスト型ソフトウェア環境も提供しました。研究者らは、代表的なワークフローに基づく合成学習タスク(synthetic training task)を開発し、強化学習(reinforcement learning)を用いて、練習とフィードバックを通じてモデルが改善するようにしました。OpenAIは、その業務を熟知した人々とともに選んだタスク、詳細な基準、モデルが練習する場という組み合わせにより、顧客にとって最も重要な実世界のタスクで改善を確実に進められるようにしています。

比較したのは、AstraとGPT-5.6 Solです。設定は、AstraがMax reasoning、SolがHigh reasoningであり、それぞれのモデルが最も高いスコアを出した設定です。

評価結果とスコア・所要時間の比較

11件のリサーチタスク全体では、Astraの平均スコアは55.0%で、GPT-5.6 Solの41.6%を上回りました。試行あたりの推定平均所要時間は、Solの37.0分からAstraの19.2分に短縮されました。

元記事の表
指標GPT‑5.6 Sol High reasoningGPT‑6 Astra Max reasoning
平均ルーブリックスコア41.6%55.0%
試行あたりの推定平均所要時間37.0 minutes19.2 minutes

元記事の表を転載しています(見出しは日本語にしています。値は原文のままです)。出典: 元記事

Astraは11件のリサーチタスクで、GPT-5.6 Solより試行あたりのシミュレーション上の所要時間が短いまま、より多くのタスク要件を満たしました。

2本のクリップで示した同じ研究タスクでは、Astraはタスク基準の約94%を推定20分で満たし、GPT-5.6 Solは約85%を推定32分で満たしました。Ironcladの顧客がよく知る課題として、契約プロセスは、事業が依拠するルールを守りながら例外にも対応しなければなりません。エージェントがタスクの途中でルールの1つを見失うと、ソフトウェア企業がエージェントに自信をもって任せられる範囲が限られます。このことは、エージェントが複雑な契約業務をこなす力を高めても、人による監督が引き続き重要であり、包括的な契約プラットフォームも不可欠なままである理由を示しています。Ironcladは研究者と協力することで、こうした問題を基盤モデルの開発に取り込み、共同で調べることができます。

モデルが高性能になるにつれ、Ironcladは自社製品のより多くでモデルを使える機会があります。法務・事業チームにとっては、チームが頼る統制を保ちながら、AIが複雑な契約業務の手間をより多く担うことを意味することがあります。

OpenAIが求める共同研究パートナー

OpenAIは、今日のエージェントがまだ確実には完遂できない重要な専門業務のタスクについて、研究・エンジニアリングチームと直接協力する少数のソフトウェア企業を募集しています。該当するタスクがあるチームには、具体例の提供が求められます。この具体例には、エージェントに何をさせたいか、どこで失敗するかを示す証拠、および成功した結果をどう判断するかが含まれます。

共同研究のパートナーには、その業務を熟知した人々、テスト用の安全な環境、そして研究に安全に使えるデータを用意できることも求められます。これらは、失敗を調べ、モデルが改善したかを測る出発点になります。該当するチームは、共同研究の可能性を探るために応募できます。