Third Moment Research、1万AIエージェントを36時間超稼働

背景と概要

OpenAIは公式サイトで、AIラボ Third Moment Research の顧客事例を公開しました。同ラボは 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 を使い、数日間集中を保ち、使うほど良くなるエージェントを構築しています。事例の日付は2026年10月14日で、見出しには「1万のエージェントを36時間超にわたり稼働」という二つの数字が掲げられています。

狙いは、会話が上手なアシスタントを作ることではありません。大量のエージェントが、人が一手ずつ見守らなくても任務の方向を保つこと。そして各回の実行で得た知見を蓄積し、次の改善に生かすことです。ただし公開資料には、1万のエージェントが具体的に何をしたのか、コストや成功率がどうだったのかは示されていません。そのためこの事例は、他社がそのまま比較できるベンチマークではなく、方向性を示すシグナルとして読むのが適切です。

では、AIエージェントを36時間動かし続けることは、10分間動かすことと何が違うのでしょうか。短い実行では難しい問題の大半が表に出ませんが、長い実行ではそれが露わになります。36時間という数字は、持続的な負荷でシステムが崩れなかったことを示します。ただし、どれだけ有用な成果が出たかまでは、まだ語っていません。

深掘り分析

長時間稼働するエージェントには、四つの工学的課題があります。第一にコンテキストの漂流です。タスクが長くなると、初期の目標や制約、途中の結論が後続のノイズに埋もれ、モデルが気づかないうちに本来の意図からずれます。第二に誤りの累積です。各ステップの失敗確率が小さくても、数百から数千ステップを経ると増幅されます。チェックポイント、ロールバック、自己検証が定石の対策になります。 第三は状態管理です。モデルの窓に残る一時的な記憶だけに頼ると、プロセスが止まった時点で進行状況を失います。進捗、仮説、未完了の項目を外部ストレージに書き出しておけば、中断しても直前の地点から再開できます。第四はスケジューリングです。1万の並列インスタンスは、膨大なモデル呼び出し、ツール呼び出し、サンドボックス環境を意味します。キュー、レート制限、再試行の仕組みが、艦隊全体が動き続けるか止まるかを左右します。

事例に登場する Codex は、ソフトウェア開発向けのエージェント製品で、リポジトリやコマンドライン環境でファイルを読み書きし、テストを実行できます。この能力は、長いタスクに必要な「外部状態」と「検証可能なフィードバック」の供給源になります。テストの失敗は明確な信号であり、成功は明確なチェックポイントです。 「使うほど良くなる」という表現にも注意が必要です。工学的には、実行の軌跡、失敗の原因、うまくいった手法を回収し、再利用できるプロンプト、スキル、評価セットに変えることを指すのが一般的です。次のエージェント群は、前の群の経験を土台に出発できます。ただし Third Moment Research がどの方式を採るのか、資料は述べていないため、ここでは推測しません。Daybreak についても、資料が伝えるのはサイバーセキュリティ向けという点だけです。セキュリティ業務には継続的な監視、繰り返しの検証、大規模な並列調査への需要があり、長時間稼働型の設計とは相性が良いと言えます。これは適合性の話であり、内部実装の話ではありません。

業界への影響

この事例は、ベンダー間の競争軸の移動を映しています。この1〜2年は、1回の回答の質やベンチマークの得点が争点でした。いまは、一つの仕事を独力で完遂できるかどうかが問われ、タスクの継続時間、並列規模、信頼性が物差しになりつつあります。OpenAIは Astra と Sol という二つのモデル系列に、Codex と Daybreak という二つの製品系列を一つの顧客事例に並べました。汎用モデルから開発エージェント、さらに垂直領域のセキュリティ製品までをそろえた構成を示すもので、プラットフォーム一体型への企業の信頼を高めます。モデルのインターフェースだけを提供する競合には、圧力となります。

エージェント系の新興企業にとっては、参入の壁が上がります。プロンプトを薄く包むだけでは足りず、スケジューリング、記憶、評価、コスト管理を備えた一体の工学体系が求められます。企業の利用者にとっては、夜間のバッチ処理、コード移行、脆弱性の洗い出し、ログ監査のように、時間はかかるが範囲が明確な仕事を任せる道が開けます。人は承認の節目でだけ関与する形になります。

サイバーセキュリティは両刃の剣でもあります。長時間・大規模な自動化は、防御側が問題を素早く見つけて修正する助けになる一方、攻撃側が探索規模を広げるために使うこともできます。そのためセキュリティ向け製品には、より厳格なアクセス制御、利用の監査、責任分界が必要になりがちです。規制当局やセキュリティ担当者にとって、1万の自律インスタンスが権限を越えず、データも漏らさなかったとどう確認するかは、導入時に避けて通れない問いになります。

今後の展望

注目すべき点は四つあります。第一に、OpenAI や Third Moment Research がより具体的な情報を出すかどうかです。タスクの種類、エージェント1体あたりの平均ステップ数、失敗と再試行の比率、タスク単価、人手の介入頻度などが該当します。これらがなければ、36時間という数字は「落ちなかった」ことしか語れません。

第二に、「使うほど良くなる」仕組みを独立に再現できるかです。モデルの微調整なのか、外部記憶なのか、評価駆動のプロンプト改善なのかで、コストや移植性は大きく変わります。第三に、長時間タスク向けの共通評価基準が生まれるかどうかです。稼働時間、障害からの回復力、最終的な正確さを併せて測れれば、ベンダー間の公平な比較が可能になります。

第四は安全面の整備です。サンドボックスによる隔離、最小権限、行動ログ、緊急停止の仕組みが成熟すれば、大規模で長時間のエージェント群は、一部のラボの実演から企業ソフトウェアの日常的な機能へ移るでしょう。整備が遅れれば、リスク事案が展開の速度を鈍らせます。どちらに進むにせよ、この事例は物差しの変化を示しています。問われるのは、どれだけうまく答えるかだけではありません。どれだけ長く独力で働き、その間に何を積み上げられるかです。