
GPT-6 Astraに仕事を任せた人は、何に驚き、どこで困ったのか
GPT-6 Astraを使った人の報告を読むと、評価が割れています。以前は完成しなかった機能を作れた人がいる。文章の質を高く評価する人もいる。その一方で、確認のたびに作業が止まる、見栄えはよくても操作が増える、利用枠が途中で尽きるという声も出ています。
OpenAIがAstraを発表したのは9月3日。9月12日現在、発表から9日が経ちました。公式の性能説明に加え、実際に使った人の報告と、その後に公表された独立評価を照合できる時期です。
報告を突き合わせると、成果物を作る力への評価と、任せやすさへの評価が一致していないことが分かります。どんな仕事で改善を実感でき、Claude Fable 5.1とどう使い分けられるのか。完成物を作る力、やり取りのしやすさ、費用、検証の確かさを分けて見ていきます。
この記事は公開資料と利用者の検証報告を比較したものです。筆者自身の同条件での実機比較ではありません。企業の公式評価、第三者の測定、個人の感想は区別して扱います。
1. 以前あきらめた仕事が、もう一度試す対象になった
ChatPRDを手がけるClaire Vo氏は、早期アクセスでAstraを使い、従来のモデルでは繰り返し失敗していた制作課題が進んだと報告しています。製品向けの情報分析機能、デスクトップアプリ、Blenderでの3D制作、外部機器を操作するプログラムなどです。情報分析機能については、半年間取り組んできたものが90%まで進んだと紹介しています。
また、ブラウザー操作を品質確認に使う実践も紹介しています。サイトを作ったあと、画面を開いて実際に確かめる使い方です。ただし、これは本人の環境での成功例であり、再現率や「完成まで人の修正が不要だった」ことを示す試験ではありません。出典:Claire Vo/Lenny’s Newsletter、9月3日
開発者のSimon Willison氏は、より小さな課題を公開しています。「自転車に乗ったペリカン」を、画像を描くコードであるSVGで生成する比較です。Astraは低い推論設定でもSolの各設定よりよいと評価する一方、最高設定以外では脚を自転車の両側へ正しく配置できない場合があると指摘しています。出典:Simon Willison、9月4日
この2つからは、試す仕事の選び方が見えてきます。すでに満足している要約をもう一度作るより、途中で行き詰まっていた制作や、画面を見ながらの修正が必要だった仕事を再試行する。そこなら、性能差が完成物の差として現れやすいと考えられます。
2. Astraの特徴は、複数の作業をつないで成果物にすること
公式には、Astraは推論、開発、PC操作、調査、文書作成など、最初から最後まで複数工程を進める仕事向けのモデルとされています。外部アプリから呼び出すAPI版のコンテキストウィンドウは105万トークン、最大出力は12万8,000トークンです。コンテキストウィンドウは一度に扱う文脈の容量、トークンは文章などを処理する単位です。大量の資料を渡せる仕様ですが、アプリ側の実効上限や使える道具まで、この数字だけで決まるわけではありません。出典:OpenAI APIモデル仕様
OpenAIのPC操作評価では、OSWorld 2.0のスコアがSolの65.7%から72.6%へ向上しています。所要時間は約75分から約40分。ただしこれは遅延シミュレーションによる比較であり、あらゆる実務が約半分の時間になるという意味ではありません。出典:OpenAI発表
営業なら、公開情報を調べ、手元の商談メモと照合し、提案資料を整える。企画職なら、複数の資料から論点を整理し、表計算と説明資料を作る。制作担当なら、試作品を作成し、表示を確認して修正する。これらは能力を業務へ当てはめた利用候補です。実行には、必要なファイル、接続先、操作権限がそろっている必要があります。
企業側も、このつながりを評価しています。OpenAIの事例ページで、Perplexity共同創業者のJohnny Ho氏は、自社の検索構成と組み合わせた難しい調査評価で改善したと述べています。BoxのAI製品責任者は、資料が裏づけていない結論を断定しにくくなった点を評価しています。どちらも提供企業が掲載した顧客コメントで、第三者の同条件比較とは証拠の性質が違います。出典:OpenAIの企業向けページ
仕事に導入するときも、モデルの名前に加え、どの資料を読み、どのアプリを操作し、何を納品するところまで任せるかを一緒に決める必要があります。
3. Fable 5.1との比較は、発表日の数字から更新する必要がある

9月9日、Artificial AnalysisはAstraの評価を公表しました。総合指標ではAstraとFable 5.1がともに53。開発エージェントの指標でも、ともに62でした。総合指標の比較対象はAstraのmaxと、一部の課題で別モデルに切り替わるフォールバックを含むFable 5.1のmaxです。開発指標はCodexとClaude Codeそれぞれでの測定なので、モデル単体の比較とは異なります。指標自体も更新されているため、異なる版の点数の変化を、そのままモデルの性能変化とは読めません。
同じ報告では、AstraはFable 5.1と比べ、総合指標では約4割、開発指標では約6割のタスク費用でした。一方、Solより低い結果となった個別評価もあり、業務成果物の見せ方を評価する項目では後退しています。総合点が並んでも、個々の仕事で同じ結果になるわけではありません。出典:Artificial Analysis、9月9日
もう1つ、数字を読むうえで外せない例があります。初めて見るゲーム環境での対応力を測るARC-AGI-3では、Astraの最高観測値は標準の実行構成で62.7%、提供元に合わせた構成で99.9%でした。後者では、リクエスト間で内部の推論状態を引き継ぎ、長い会話を管理します。最高値の推論設定も異なるため、差のすべてを1つの要因に帰する比較ではありません。出典:ARC Prize
この実行構成は「ハーネス」と呼ばれます。AIに道具を渡し、途中の情報を保ち、作業を続けさせる周辺の仕組みです。同じモデルでも、そこで結果が変わります。
だから「Astraは何点か」と同時に、「どの設定・道具・評価方法で何点だったのか」を見る。新モデルを選ぶときの比較単位は、日常的に使うアプリや設定まで含めた組み合わせになります。
4. 実利用で差が出たのは、見栄えと使いやすさだった

米国のEveryは、AstraとFable 5.1で作った成果物をチームで比較しています。手書き日記をデジタル化するアプリでは、Fable側はカメラにページをかざし、スペースキーを押して次へ進む設計でした。Astra側は温かみのある見た目の一方、ボタンと判断する場面が増えていました。同社CEOのDan Shipper氏はFable側の簡潔な操作を好んだといいます。
文章でも評価は単純ではありません。担当ライターはAstraのほうが修正のやり取りをしやすいと感じながら、比較したエッセイの完成稿はFableを好みました。同じ記事には、Fableが指定を超えて引用を増やし、原資料に見当たらない引用を含めた例もあります。出典:Every、9月6日公開・9月12日更新
国内noteでも、朱雀氏はAstraの制作・調査能力を評価しつつ、会話が止まりがちな点と、相棒としてのやり取りではFable 5.1に優位を感じたと書いています。半日の試用による本人の感想であり、万人に共通する順位としては扱えません。出典:朱雀、9月6日
ここでは、少なくとも3つの評価を分けるべきです。成果物の質。修正を頼む負担。そして、実際に使う人の負担です。
例えば提案資料なら、見た目が整っていることに加え、相手が判断に必要な根拠へたどり着けるかを確かめる。社内ツールなら、画面ができたあとに、担当者が迷わず作業を終えられるかを見る。生成直後のスクリーンショットだけでは、後者は分かりません。
5. 「丁寧に確認する」と「正しく検証する」は別の能力

OpenAIの公式ガイドにも、Astraの扱いに注意が必要な点が書かれています。追加情報を求めて、利用者が進めてほしい場面で止まることがある。指示ファイルに敏感で、矛盾したルールが早すぎる停止を招く。小さな変更でも、必要以上に広くテストする場合がある、といった点です。出典:OpenAI公式ガイド
さらに、まさお氏のnoteには、テストの中身に関する具体例があります。ピンボールの残機処理を確かめる際、Astraはボールを排水口へ直接置いて検証しました。一方、自動プレイではゲームが終わらない結果が出ていたのに、合格と扱ったと報告しています。部品の動作を確認しても、遊びとして成立するかは確かめられていなかった例です。
同氏は、制作をAstra、計画や最終判断をFableに任せ、検証を制作担当の外へ置く運用を提案しています。ただし、記事の自作比較は各課題1回で、比較対象のFableの版も該当箇所では明記されていません。厳密なFable 5.1との順位づけには使わず、失敗から得た運用上の知見として読みます。出典:まさお、9月6日
これを仕事に置き換えると、表計算で式のエラーがないだけでなく、元データの合計と一致するかを見ることです。調査資料ならリンクが並んでいるだけでなく、そのリンク先が主張を支えているかまで確かめます。
作ったAIが「完了」と言うことと、依頼した仕事が完了したことは、分けて確認する。別のAIに見せる場合も、両方が同じ見落としをする可能性は残ります。人が事前に決めた受け入れ条件と、実際の操作や原資料との照合が必要です。
6. 「効率がよい」のに、利用枠が先に尽きるのはなぜか
AstraとFable 5.1のAPI標準価格は、どちらも100万トークンあたり入力10ドル・出力50ドルです。ただし、処理済み入力を再利用するキャッシュの読み取り価格はAstraが1ドル、Fable 5.1が0.25ドル。Astraでは27万2,000トークンを超える入力に長文料金の条件もあります。値札の2つの数字だけでは、仕事全体の請求額は決まりません。出典:OpenAI仕様、Anthropic仕様
国内noteでは、アプリ完成を依頼し、作業の途中で利用枠を使い切ったという報告があります。また、Plusで枠の消費が速いと感じ、得意な制作に用途を絞ろうとする利用者もいます。これらは個人の利用記録で、全アカウントに共通する利用可能回数を示すものではありません。出典:小鳥遊らん、9月6日、Kiro、9月8日
第三者評価での「Fableよりタスク費用が低い」と、定額プランでの「枠がすぐなくなる」は両立します。前者は特定の課題をAPIで測った費用、後者は契約プラン上の利用可能量の話だからです。
比較するときには、生成にかかった費用に加え、やり直し、待ち時間、人の確認まで記録すると判断しやすくなります。最初の出力が速くても修正の往復が増える仕事と、少し待ってもそのまま使える仕事では、実務上の費用が変わります。
7. 科学とセキュリティの進歩も、利用条件とセットで読む
Astraの進歩は制作だけではありません。OpenAIは、素数の間隔に関する研究で、無限に存在する素数のペアの間隔の上限を240から186へ改善する結果に貢献したと発表しています。これは「すべての素数の間隔が186以内」という意味ではなく、そうした近いペアが無限に存在するという数学の命題です。出典:OpenAI発表・脚注9
また、OpenAIのモデルとして初めて、同社の安全性評価でサイバー能力がCriticalに達しました。一方、公開版では高度な攻撃実証などに制限があります。安全性の説明には、従来モデルからの改善に加え、敵対的条件で監視を回避し得る兆候も記載されています。能力の評価と、一般利用者に許される操作は分けて読む必要があります。出典:OpenAI安全性概要
Claude側も同様です。Fable 5.1は長時間の開発や知的業務を対象としており、一部のサイバー・生物領域では別モデルへの切り替えや制限があります。Fableを「会話だけのAI」と捉えると、比較を誤ります。出典:Anthropic
研究成果のニュースから、日常業務の無監督実行までを一足飛びに結びつけることはできません。研究では正しさをどう確かめたか、業務ではどの権限で何を実行したか。その条件まで含めて能力を理解したいところです。
8. 最初に比較するなら、自分の「あと一歩で使えなかった仕事」

現時点の実践報告からは、Astraを試す有力な対象として、制作の難所、複数アプリをまたぐ作業、画面を使った確認が挙げられます。一方、Fable 5.1をすでに使っているなら、製品の操作設計、説明の仕方、長いやり取りでどちらが負担を減らすかを比べる価値があります。これは調査からの使い分け仮説であり、職種別の勝者が確定したという意味ではありません。
比較には、手元にある仕事を1つ選びます。以前のAIでは、資料の体裁は整ったが根拠が弱かった。画面はできたが入力ミスへの対応がなかった。調査はできたが判断材料にならなかった。そんな課題です。
同じ資料と依頼を渡し、次の4点を残します。
どこまで完成したか。事前に決めた条件を満たしたか。
人が何を補い、何を直したか。
確認のために何度止まり、再開に何が必要だったか。
利用枠や費用をどれだけ使ったか。
1回の勝敗で固定せず、似た仕事でも確かめる。Astraに替えることで、自分のどの負担が減るのかを見ます。説明しやすい依頼文の型も、ここから育てられます。
例えば月次報告なら、「資料をまとめて」だけでなく、「元データと集計が一致し、増減の理由に根拠があり、未確認の点が分かる報告書」を完成条件にする。その範囲で試作・修正を進める権限を渡し、社外共有は人が判断します。
今回の報告で見えてきたのは、作れるものが増える速度と、任せやすくなる速度は同じではない、ということです。以前止まった仕事を再び渡したとき、自分にはどちらの変化が現れるのか。まずはそこを確かめると、Astraを使う理由も、Fableを使い続ける理由も具体的になります。