Third Moment Research が1万のAIエージェントを36時間超稼働

背景と概要

OpenAIは最近、AIラボ Third Moment Research の顧客事例を公開しました。同社はGPT-6 Astra、GPT-6.1 Sol、Codex、そしてサイバーセキュリティ向けのDaybreakを併用しています。見出しの数字は二つです。約1万のエージェントと、36時間を超える連続稼働です。目標は、数日間集中を保ち、使うほど改善するエージェントを作ることだとされています。

事例が出たのは2026年10月中旬です。各社がエージェントをデモから本番環境へ移し始めた時期にあたります。狙いは一度きりの見栄えのよい実演ではありません。長期雇用の社員のように経験を蓄え、次の回でより良く働く仕組みです。

ただし、公開されている要約には、タスクの種類、成功率、コストが示されていません。本稿は公開情報と一般的な工学の知見に基づいて読み解きます。未公開の数字は推測しません。

深掘り分析

Third Moment Researchは、どのように1万のAIエージェントを36時間以上動かしているのでしょうか。出典は手法の詳細を明かしていません。示されているのは、GPT-6 Astra、GPT-6.1 Sol、Codex、Daybreakという道具立てと、約1万という規模、36時間超という稼働時間だけです。仕組みに関する以下の説明は、一般的な実務からの推測であり、確認された事実ではありません。 長時間稼働と短い対話は、別の工学課題です。数分で終わる実行では、モデルの推論品質が問われます。36時間を超える実行では、システムの耐久性が問われます。コンテキストウィンドウはツールの出力や途中の下書きで埋まります。初期の目標が後半の細部に押されて薄れ、同じ失敗を繰り返したり、静かに本来の課題からそれたりすることもあります。対策としては、作業を確認できる段階に分ける、重要な状態を外部メモリに書き出す、チェックポイントで中断後に再開できるようにする、独立した検証の手順で誤りを正す、といった方法を組み合わせるのが一般的です。

製品名からは役割分担が見えてきます。Codexはコード環境でファイルを読み書きし、コマンドを実行して反復するため、実行層に向いています。GPT-6 AstraとGPT-6.1 Solは位置づけの異なる二つのモデルです。計画役と大量実行役を分担している可能性はありますが、出典はそう述べていません。易しい手順を軽いモデルに回すのは、この規模でコストを抑える常套手段です。 「使うほど改善する」という表現にも注意が必要です。モデルの重みを再学習するとは限りません。成功例、失敗例、再利用できるツール手順を、知識ベース、プロンプトのテンプレート、スキル集に蓄え、後続のエージェントが引き継ぐ形が多く見られます。1万という並列数はここで効いてきます。どの戦略が安定して有効かを、システムが早く見つけられるからです。Daybreakについては、サイバーセキュリティ向けとだけ説明されています。脆弱性の調査、ログ分析、攻撃対象領域の整理は、継続的な探索と繰り返しの検証を要するため、長時間エージェントに向きます。一方で、権限の境界と監査の記録には、より厳しい管理が求められます。

業界への影響

モデルを提供する企業にとって、競争の焦点は単発のベンチマークの点数から、稼働時間、並列規模、安定性へ移りつつあります。信頼できる長時間稼働を提供できる企業が、企業向けエージェントの基盤になりやすくなります。OpenAIが性能表ではなく顧客事例でこの点を語ったのは、単体のモデルではなく、モデルとツール群を合わせた全体を実負荷で証明したいからだと読めます。

他のラボやスタートアップにとっては、参入の壁が高くなります。かつてのエージェント開発は、プロンプトとツールの組み合わせが中心でした。これからは、スケジューリング、障害耐性、コストの集計、可観測性まで担う必要があります。作業の性格は、プロンプトの工夫よりも分散システムの構築に近づきます。他社のモデルやオープンソースのエージェント基盤も長時間タスクへ動いており、差は運用コスト、既存の開発環境との統合の深さ、失敗の扱いの成熟度に表れるでしょう。

サイバーセキュリティの分野では、Daybreakのような専用エージェントが、防御側の繰り返し作業の多くを自動化できます。同じ能力は攻撃側にも使われかねません。そのため、アクセス制御、利用の監査、責任の分担が製品設計の要になります。一般の企業利用者への教訓は実務的です。モデルの賢さだけを問うのではなく、数日にわたる作業を最後まで安定して終えられるか、誤りの際に巻き戻せるか、全工程を追跡できるかを確かめるべきです。

今後の展望

注目点は四つあります。第一に、Third Moment Researchがより具体的な指標を公開するかどうかです。タスクの完了率、人間が介入する頻度、エージェント1体あたりの平均コストが挙げられます。36時間の先、数日や数週間まで延ばせるかも知りたい点です。これらの数字がなければ、長時間エージェントが再現できる工学的能力なのか、特定の場面だけで成り立つ成果なのかを判断できません。 第二に、「使うほど改善する」仕組みの実装です。外部メモリとスキルの蓄積に頼る場合は、誤った経験が固定され、集団全体に広がる危険に注意が必要です。モデルの再学習を伴う場合は、データ管理と評価方法が主な論点になります。 第三に、規模に伴う安全とコンプライアンスです。エージェントごとの権限の最小化、操作ログ、異常時に止める仕組みが含まれます。サイバーセキュリティのような高リスク領域では、特に重要です。第四に、コスト構造です。1万のエージェントを36時間以上動かせば、計算資源の消費は大きくなります。規模の異なるモデルを使い分け、決まった手順はモデルではなくスクリプトに任せることが、主な削減策になりそうです。

これらの課題に答えが出れば、長時間エージェントはソフトウェア開発、セキュリティ運用、調査業務の日常的な基盤になり得ます。信頼性とコストが達しなければ、市場は人とエージェントの慎重な協働へ戻るでしょう。いずれにせよ、この事例は、エージェントの次の競争が、持続力、協調、監査可能性を備えた工学体制で決まることを示しています。