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

背景と概要

OpenAIは、Third Moment Researchの導入事例を2026年10月14日に公開しました。同組織は約1万個のAIエージェントを同時に動かしています。1つのタスクは36時間以上、連続して動き続けます。目標は、エージェントが何日も集中して作業し、使うほど賢くなることです。事例に挙がった構成要素は、GPT-6 AstraとGPT-6.1 Sol、コーディングエージェントのCodex、サイバーセキュリティ向けのDaybreakです。

公開されている確かな数字は、同時稼働の約1万個と、36時間超という稼働時間だけです。アーキテクチャ、失敗率、コストは明かされていません。以下の分析は、業界で一般的な手法に基づく推測です。Third Moment Researchの実際の実装を述べたものではありません。

なぜ36時間の連続稼働が重要なのでしょうか。短いタスクなら、1つのコンテキストウィンドウに収まります。しかし1日半に及ぶ作業では、コンテキストが埋まり、初期の判断が忘れられ、ツール呼び出しの誤りが積み重なります。小さなずれが数百ステップ後に方向性の誤りへ育つこともあります。ここが、デモと本番運用を分ける差です。

深掘り分析

AIエージェントが36時間以上、安定して動くには何が必要でしょうか。原文は手法を明かしていません。ただ、この種のシステムでは通常、3つの能力を組み合わせます。1つ目は状態の外部化です。計画、進捗、中間成果物をファイルやデータベースに書き出し、会話履歴だけに頼りません。2つ目はチェックポイントと再開可能な実行です。中断しても、最後の安定した地点から再開できます。3つ目は定期的な自己レビューです。別のモデルや別の工程が途中成果を点検し、ずれを早く直します。

モデルの顔ぶれからは、役割分担が読み取れます。GPT-6 AstraとGPT-6.1 Solは、推論や実行の層を分けて担当している可能性があります。ただし、分担の中身は原文にありません。複数モデルの使い分けは、長時間タスクのコストを抑える定番の発想です。高価で強いモデルが計画と重要な判断を担い、軽いモデルが大量の反復作業を担います。 Codexの存在は、作業の多くがコードを媒体に進むことを示しています。スクリプトの作成、テストの実行、ログの読み取りは、成否が検証できるフィードバックを生みます。テストは通るか通らないかのどちらかです。この信号があるので、人が付き添わなくても長い自律運転が成り立ちます。 使うほど賢くなる、という点も慎重に読む必要があります。工学的には、成功と失敗の軌跡を再利用できる資産として蓄積することを指す可能性が高いです。たとえばプロンプトのテンプレート、ツールのラッパー、評価用のケースです。モデル自体の再学習とは限りません。Third Moment Researchがどの方式を採るかは、原文では確認できません。

業界への影響

この事例は、競争の焦点を1回の回答の質から、持続的な作業の信頼性へ動かします。この1年、各社は数時間動くコーディングエージェントを宣伝してきました。数日単位で、1万規模の並行運用という事例が出ると、企業の購買側は別の指標で見始めます。タスク完了率、成功1件あたりのコスト、失敗後の復旧力です。ただし原文はどれも報告していません。事例を証拠として使える範囲には、その分だけ限界があります。 OpenAIにとっては、モデル、Codex、垂直型のセキュリティ製品を束ねた提案の裏付けになります。プラットフォームがAPIの販売にとどまらず、長時間のワークフロー全体を支えられると示す材料です。AnthropicやGoogle、オープンソースのエージェント基盤、オーケストレーション各社には、デモではなく同規模の信頼できる導入例を示す圧力がかかります。 Daybreakが含まれる点は、脆弱性調査、コード監査、脅威分析といった作業を想起させます。これらは並列に分けやすい仕事です。巨大なコードベースや資産一覧を小さく切り、エージェントを1つずつ割り当て、最後に集約できます。正確性と追跡可能性が強く求められるため、ログの保存、権限の分離、人によるレビューは通常欠かせません。稼働が長いほど、プロンプトインジェクションやツールの越権利用にさらされる時間も延びます。モデルの性能そのものより、サンドボックスと最小権限の設計が重要になる場面もあるでしょう。

両刃の面もあります。防御側は大規模な点検にエージェントを使えます。攻撃側も同様の能力で作業を速められます。アクセス制御と利用審査は、プラットフォーム事業者が向き合う課題になります。

今後の展望

注目すべき点は4つあります。1つ目は、36時間という記録がすぐに塗り替えられるかどうかです。あわせて、各社が自社に都合のよい事例ではなく、長時間タスクの共通ベンチマークを公開するかも見どころです。

2つ目はコストの開示です。長いタスク1件あたりの平均費用や、やり直しが必要な失敗の割合が出れば、このやり方が研究機関から一般企業へ広がるかを判断できます。原文はどちらの数字も示していません。 3つ目は、使うほど賢くなる仕組みの正体です。記憶やスキルライブラリによるのか、評価に基づくプロンプトの改良なのか、特定用途の微調整なのか。道筋ごとに、他へ移せる度合いとリスクが変わります。 4つ目はガバナンスです。数日間自律的に動くエージェントには、監査記録と、人が介入する地点の定義が要ります。サイバーセキュリティのような機微な分野では特にそうです。これらに公開の答えが出れば、長時間のマルチエージェントは、一部の組織の特殊な実践から、再現できる基盤へ変わる可能性があります。今回の事例は方向を示しました。成熟には、より透明なデータと厳密な工学的検証がまだ必要です。