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

AIラボのThird Moment Researchが、大規模なエージェント運用の実績を明らかにしました。OpenAIの公式ニュースによると、同ラボは約1万のAIエージェントを同時に走らせ、1回の連続稼働は36時間を超えたとされています。記事の日付は2026年10月14日です。 この仕組みを支えるのはOpenAIのモデルとツール群です。GPT-6 Astra、GPT-6.1 Sol、コーディングエージェントのCodex、そしてサイバーセキュリティ向けのDaybreakが挙げられています。狙いは長く動かすことだけではありません。数日間集中を保ち、使うほど改善するエージェントの構築を目標に掲げています。

一方で、公開情報には空白があります。具体的なタスクの種類、成功率、コストは示されていません。そのため「1万」や「36時間超」という数字は、規模と持久力の下限を示すものと読むのが妥当です。総合的な性能評価ではありません。 なぜこれまでのエージェントは短時間しか動けなかったのでしょうか。従来は数分から数十分の短いタスクが中心でした。中間結果でコンテキストウィンドウが埋まり、初期の目標や制約が薄れます。ツール呼び出しが1回失敗すると後続の手順がすべてずれ、誤りも積み重なっていきます。

深掘り分析

AIエージェントが36時間以上動き続けるには、何が必要なのでしょうか。1日から数日にわたって動かすには、少なくとも4つの課題を解く必要があります。ただし、Third Moment Researchがそれぞれをどう解決したかは、元の情報には書かれていません。 1つ目は目標の保持です。長い手順の連なりの中でも、最初に何をすべきか、何をしてはいけないかを覚えていなければなりません。2つ目は状態管理です。途中の結論を外部ストレージに書き出し、コンテキストを定期的に圧縮し、中断後はチェックポイントから再開できる必要があります。 3つ目は自己検証です。一区切りの作業が終わるたびに、テストや照合、別のモデルを使って結果を確かめます。最後まで盲目的に書き進めるやり方は通用しません。4つ目はリソースと権限の制御です。長時間の稼働はツール呼び出しの増加を意味し、操作ミスが起こり得る範囲も広がります。 製品の組み合わせは、この課題と対応づけて理解できます。Codexはコードの読み書きと実行を担います。GPT-6 AstraとGPT-6.1 Solは、異なる層の推論と実行を受け持ちます。Daybreakは、継続的な巡回と対応が求められるサイバーセキュリティの分野に、同じ長時間稼働の方式を持ち込みます。

「使うほど改善する」という点は慎重に扱うべきです。過去のタスクで得た経験や失敗の記録、有効だった手法を蓄積し、後続のエージェントが再利用すると考えるのが自然です。ただし仕組みの詳細は示されていません。確認された設計ではなく、推測として受け止める必要があります。

業界への影響

こうした実践は、競争の軸をいくつか変えます。第一に、評価の物差しです。これまでは1回の回答の質やベンチマークの点数が比べられてきました。これからは、無人でどれだけ長く動けるか、動いた後に結果がどれだけ信頼できるかが重要になります。稼働時間と規模が工学的な指標になり、評価も「1問に答える」から「1つのプロジェクトを完遂する」へ移ります。

第二に、コーディングエージェント市場です。Codexのようなツールが日をまたぐタスクを安定してこなせるなら、ソフトウェアチームは大規模な移行、テストの補完、依存関係の更新といった地味で時間のかかる作業を任せられます。エンジニアの役割は、レビュー担当と段取りの調整役に近づきます。 第三に、サイバーセキュリティです。攻撃側も防御側も自動化を使っています。Daybreakのような専用製品の存在は、セキュリティ運用センターでの常時監視、トリアージ、初動対応が、長時間稼働エージェントに向いた場面であることを示しています。 第四に、インフラへの負荷です。1万のエージェントを長時間同時に動かせば、推論の計算資源、スケジューリング、ログと監査の能力に高い要求がかかります。信頼性とコストの面で、クラウド事業者やモデル提供者の間に差が開く可能性があります。小規模なチームにとっては、1タスクあたりのコストが人手より低いかどうかが導入の条件になります。モデルの性能だけでは決まりません。

今後の展望

注目すべき点がいくつかあります。1つ目は、再現可能な公開データの有無です。タスク完了率、人の介入回数、1タスクあたりのコスト、長時間稼働中の誤りの蓄積曲線などが示されれば、導入判断の材料になります。これらの数字がなければ、規模の話を購入の判断に結びつけるのは難しいでしょう。

2つ目は、権限とセキュリティのガバナンスです。数日間動き続けるエージェントは、コードリポジトリやサーバー、セキュリティシステムへのアクセス権を長く保持する可能性があります。最小権限、操作ログの記録、異常時の自動遮断をどう実装するかが、企業が任せられるかどうかを左右します。 3つ目は、「使うほど改善する」ことの実際の限界です。蓄積された経験が偏りを固定化したり、1回の誤りを規則として繰り返し適用したりする恐れがあります。ラボがこれをどう防ぐのか、外部からも根拠が求められるでしょう。 4つ目は、業界全体の反応です。他のモデル提供者やエージェント基盤が同様の長時間稼働の指標を示し、共通の評価手法が生まれるかもしれません。Third Moment Researchの事例は、競争の焦点が「できるかどうか」から、「長期にわたり安定して、安全に、低コストでできるかどうか」へ移りつつあることを示唆しています。今後数四半期のうちに、この能力を監査可能で価格のつけられる製品にした事業者が、企業市場で優位に立つ可能性が高いでしょう。