Third Moment、1万のAIエージェントを36時間超稼働

背景と概要

OpenAIは2026年10月14日、AIラボのThird Moment Researchを取り上げた顧客事例を公開しました。この研究所は約1万のAIエージェントを同時に走らせ、36時間以上にわたって連続で稼働させています。使われているのは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です。公開された要約によると、目標は数日間集中を保ち、使うほど改善していくエージェントをつくることです。

この事例を特徴づける数字は二つあります。一つは規模で、並列で動く1万のエージェントです。もう一つは時間で、36時間超という連続稼働は、丸一日半の勤務時間を超えます。この二つが並ぶと、もはや一人が対話して使うアシスタントではありません。スケジューリング、監視、結果の回収が必要な、本番の運用システムだと言えます。

ただし注意点があります。公開要約には、各エージェントの具体的な任務、成功率、費用が書かれていません。そのため本稿では、報じられた事実と、一般的な知見にもとづく推測を分けて扱います。原文が触れていない部分は、断定を避けます。

深掘り分析

難しいのは、モデルを1万回呼び出すことではありません。長い時間軸の中で、一つひとつの呼び出しを目標から外さないことです。短い作業なら、モデルは一つのコンテキストウィンドウの中で推論を終えられます。しかし作業が数十時間に及ぶと事情が変わります。ツールの出力や途中経過でコンテキストが埋まり、最初の目標が薄れていきます。ある段階の小さな誤りが、後の段階で拡大することもあります。ライブラリやネットワークのインターフェース、ファイルの状態といった外部環境が、実行中に変わる可能性もあります。 AIエージェントはどうすれば36時間、焦点を失わずに動き続けられるのでしょうか。Third Momentの具体的な手法は公開されていません。ただ、長時間稼働するエージェントでは、一般にいくつかの仕組みが使われます。計画と進捗を会話の中だけでなく外部ストレージに書き出すこと。一定間隔でコンテキストを圧縮またはリセットし、記録から復元すること。各ステップに検証可能なチェックポイントを置くこと。失敗したときにロールバックや再試行ができること。以上は一般的な推定であり、この研究所で確認された事実ではありません。

道具立てからも手がかりが得られます。Codexはコード生成エージェントなので、コードの読み書き、コマンドの実行、結果の確認ができると考えられます。結果を検証できる信号が得られるため、長い作業でも現実との接点を保ちやすくなります。Daybreakがサイバーセキュリティ向けであることから、脆弱性の発見や防御分析のように、粘り強く試行を重ねる作業にも、この長時間稼働の手法が使われていると読めます。GPT-6 AstraとGPT-6.1 Solが異なる役割を担っている可能性はありますが、たとえば一方が計画と判断、他方が高スループットの実行といった分担は、原文に明記されていない推測です。 「使うほど改善する」という点も慎重に読む必要があります。成功と失敗の軌跡を再利用可能な経験、プロンプト、ツールとして蓄積する方式のほうが可能性が高く、モデルの重みを更新するとは限りません。どちらの方式かは、要約からは分かりません。

業界への影響

この事例は、競争の焦点の移り変わりを示しています。1回の回答の質ではなく、長く多段階にわたる作業での信頼性が問われ始めています。エージェントが2日間話題を外さずに動くチームは、1時間で迷走するチームよりも、研究者やエンジニアの仕事量の一部を肩代わりする姿に近づきます。 オーケストレーションの能力も、モデルの性能と同じくらい重要になります。1万の並列エージェントを動かすには、タスクキュー、リソース割り当て、再試行ルール、結果の重複排除、監査ログが欠かせません。これは分散システムの古典的な課題ですが、実行単位が自分で判断するモデルに変わった点が新しい部分です。成熟したインフラを持つチームが有利になり、APIを呼ぶだけのアプリケーション層の企業にとっては、参入の壁が高くなります。

コード生成エージェントの分野では、製品の形が変わります。エディタ内でコードを補完する使い方から、目標を渡して数時間後に成果を検収する使い方へと移ります。他のコーディング支援ツール、自動テスト基盤、セキュリティスキャンの事業者と直接競合することになります。 もっとも敏感なのはサイバーセキュリティの面です。持続力と並列性は、防御側が欠陥を素早く見つけるのに役立つ一方、攻撃側にも使われかねません。アクセス制御、利用審査、責任分担は、後から足すものではなく、製品設計の一部になります。 企業の購買担当者は、費用と統制も重視するでしょう。1万のエージェントを丸1日以上動かせば、計算資源の消費は小さくありません。明確な停止条件と予算の上限がなければ、無駄な支出になりえます。原文には費用の数字がなく、公開情報だけでは採算を判断できません。

今後の展望

注目すべき点がいくつかあります。第一に、より詳しい評価データが公開されるかどうかです。タスクの完了率、人間が介入する頻度、タスクあたりの費用、短時間の方式との比較が挙げられます。これらがないと、36時間という数字が能力の上限なのか、デモンストレーションなのかを見極められません。 第二に、「使うほど改善する」仕組みが標準化されるかどうかです。スキルや経験の共有ライブラリができれば、一つのエージェントが学んだことを他のエージェントが再利用できます。一つの研究所の技法が、一般的な実践になる可能性があります。 第三に、稼働時間が1~2日から1週間以上へ延びても、時間とともに誤り率が上がらないかどうかです。これは長時間の信頼性を測るうえでもっとも厳しい試験であり、現時点の要約は答えを示していません。 第四に、規制当局やセキュリティ担当者の反応です。エージェントがサイバーセキュリティ関連の操作を自律的かつ長時間にわたって実行できるとき、監査証跡、権限分離、人間の承認点をどう設計するかが、大企業や政府の現場に入れるかどうかを左右します。第五に、他のラボやクラウド事業者が同様の規模の実演を行い、1万の並列エージェントが業界の標準的なベンチマークになるかどうかも見どころです。

Third Moment Researchの事例が示す方向は明確です。エージェントはデモの段階を終え、長期の運用が必要な工学システムへ移りつつあります。チーム間の差を分けるのは、基盤モデルの賢さだけでなく、安定性、オーケストレーション、セキュリティ統制になりそうです。