メインコンテンツへスキップ
見出し画像

【AI推論】GPT-6「Astra(アストラ)」Effortはどれにすればいい?CoTからAIエージェントまで理解すると答えが見えてくる

    皆さん、こんにちは。ワンダー佐藤です。
    今回はGPT-6 Astra(アストラ)の「Effort」についてやっていきたいと思います。

    AstraにはLow、Medium、High、Extra Highなど、どのくらい推論させるのかを調整する設定があります。Xなどを見ていると「AstraはExtra Highで使った方がいい」という意見もあります。そして逆の意見もあります。

    「どれにしたらいいの?」

    とか思いますよね。

    しかし、ここで最初に押さえておきたいことがあります。
    Effortは、高ければ高いほど良いというものではありません。
    もちろん長く考えれば解ける問題もあります。しかし、長く考えたことで逆に考えすぎたり、余計なことを始めたり、コストだけ増えてしまったりする場合もあります。

    では、何を基準に決めればいいのか。
    それは、Effortを「知能レベル」として考えるのではなく、AIと人間のどちら側で思考と行動のループを回すのかを決めるダイヤルとして考えることです。

    これを知ることで、AIで生成するものの品質をあげ、使用料やクレジットを抑え、コスト効率を上げていきましょう!

    【関連動画】

    いいね・チャンネル登録していただけると嬉しいです🍀

    https://www.youtube.com/@AICoCreation

    そもそもEffortとは何なのか

    Effortの正体を理解するには、まず「推論モデル」が何をしているのかを理解する必要があります。
    通常のAIは質問を受けると、そのまま回答を生成します。しかし推論モデルは、最終回答を出す前に内部で考えます。
    ここで重要になるのがChain of Thought、いわゆるCoTです。
    日本語では「思考の連鎖」などと呼ばれます。

    人間でも難しい問題を聞かれたら、いきなり答えを出すのではなく、

    「うーん」

    と考えますよね。

    AIでも同じように、

    問題を見る
    →考える
    →途中結果を見る
    →さらに考える
    →答えを出す
    という段階を踏ませる。

    これが推論モデルの基本的な考え方です。
    Effortは、簡単に言えばこの内部の思考をどこまで長く続けさせるのかを調整するものです。

    CoTから推論モデル、そしてAIエージェントへ

    この流れを歴史的に見ると面白いです。
    2022年頃からChain of Thoughtが大きく注目され、
    「Step by Stepで考えさせると数学などの問題が解きやすくなる」
    ということが分かってきました。

    その後、推論を検索やツール利用と組み合わせる流れが出てきます。
    私自身、昔のPerplexityを使っていた時に「ものすごく段階的に検索しているな」と感じたことがあります。

    検索する
    →結果を見る
    →次に何を調べるか考える
    →また検索する
    という動きですね。

    そして一般的に「推論モデル」という存在を一気に有名にしたのがOpenAIのo1です。

    o1は、回答する前に長く考えるモデルとして登場しました。
    ここから推論モデルが一気に一般化していきます。
    さらに推論はTool Useと組み合わされて、

    考える→行動する→観察する→また考える

    というループへ進化しました。

    これが現在のAIエージェントにつながっています。
    つまり、もともとは数学などの問題をうまく解くために発展してきた「長く考える能力」が、今ではAIを自律的に動かすための能力へと拡張されているわけです。

    短いEffortは「インタラクティブ」

    ここからが今回の本題です。
    Effortを短くすると、AIは比較的早い段階で人間へ結果を返します。

    AIが少し考える
    →人間に返す
    →人間が確認する
    →次の指示を出す
    →またAIが考える

    という流れになります。

    これはまさにインタラクティブな使い方です。
    LowやMediumなどは、このように人間とAIが細かくキャッチボールしながら作っていく用途と非常に相性がいい。

    例えば文章を書いていて、
    「ここはもう少し柔らかく」
    「この表現は違う」
    「この部分は残したい」
    と人間が判断する場合。
    あるいはUIを作っていて、
    「このボタンはもう少し右」
    「色はこっち」
    「この配置の方が自分らしい」
    と調整していく場合。

    こういった仕事では、AIに長時間勝手に進めてもらうよりも、短く返してもらった方が品質は上がりやすいのです。

    長いEffortは「エージェンティック」

    逆にHighやExtra HighのようにEffortを長くすると、AIは人間へ返す前に内部でより多くの処理を行います。

    考える
    →作る
    →確認する
    →修正する
    →もう一度試す
    →結果を見る

    というループを、自分の中で何度も回していきます。
    つまりEffortを長くすると、AIはエージェンティックに働きやすくなると考えることができます。

    人間が途中でいちいち確認しなくてもいい仕事であれば、この方が効率がいい。
    例えばアプリを作る場合、必要な機能がすでに分かっていて、ざっくりと全体を作ってほしいのであれば、最初から細かく止める必要はありません。

    画面を作る
    →機能をつなぐ
    →動作確認
    →エラー修正
    →もう一度確認

    と一気に走らせればいい。
    こういう場合はExtra Highのような長いEffortが活きてきます。

    「難しいからHigh」は間違いかもしれない

    ここはかなり重要です。
    一般的には「簡単な問題はLow、難しい問題はHigh」と考えてしまいがちです。
    しかし、私は少し違うと思っています。
    重要なのは難しさの質です。

    例えば非常に難しい研究テーマがあったとします。
    そこで人間側に専門知識があり、AIの判断を細かく確認しながら進めなければならないのであれば、むしろLowやMediumの方がいい。
    AIが勝手に長く進むと、途中から方向がズレても人間が止められません。
    逆に、処理自体は比較的単純でも、

    ファイルを整理する
    →条件を確認する
    →問題があれば修正する
    →全部終わるまで繰り返す

    というように、人間が介入しなくてもAIだけで閉じられる仕事なら、HighやExtra Highで一気にやらせた方が効率的です。
    つまり、
    難しい=High
    簡単=Low
    ではないのです。

    判断基準は「人間が途中で必要か」

    私はここが一番分かりやすい基準だと思っています。
    この仕事は、途中で人間の判断が必要なのか。
    それともAIに任せてしまっていいのか。

    人間の判断が必要なら、Effortは短め。
    AIだけで進められるなら、Effortは長め。

    例えばデザインの好み、文章のトーン、自分のコンセプトに合っているかどうか。これは人間が見た方がいい。
    逆にコードが動くか、テストが通るか、エラーが消えたか。これはAI自身でも検証できます。
    AI自身が正誤を確認できる仕事なら、何度も内部でループさせればいいのです。
    ですからEffortを決めるときは、

    「これは難しいか?」

    ではなく、

    「途中で自分が見る必要があるか?」

    と考えると非常に分かりやすくなります。

    自分に専門知識がないならAIに任せるのも一つ

    もう一つ面白いのが、人間側に専門知識がない場合です。

    例えば私はプログラマーではありません。
    その状態でAIがコードを書いている途中に細かく口を出しても、正しいかどうか分からないことがあります。
    だったら、ある程度AIへ任せた方がいい。

    実装する
    →動かす
    →テストする
    →失敗する
    →修正する
    →もう一度テストする

    というループを回して、成功条件を満たすところまでやってもらう。
    この場合、人間がやるべきことはコードの一行一行を監督することではありません。

    「何をもって完成とするのか」を決めることです。

    例えば、
    主要機能が全部動く
    テストが通る
    エラーが出ない
    既存機能を壊していない
    といった終了条件を決める。
    そこから先はAIに任せる。
    これもAIエージェントの非常に自然な使い方だと思います。

    全体を作る時は長く、細部は短く

    もう一つEffortを使い分ける非常に分かりやすい基準があります。
    それが、
    全体を見るのか、部分を見るのか
    です。

    例えばアプリを作る時に、

    ヘッダーだけ作る
    →確認
    →メニューを作る
    →確認
    →ボタンを作る
    →確認

    と細かく切りすぎると、全体の統一感がなくなる場合があります。
    最初はExtra Highなどで、

    機能全体
    UI全体
    画面遷移
    データ構造
    全体のトーン

    まで一気にざっくり作らせる。
    そして全体像ができたところからLowやMediumに切り替え、細かい部分を人間と一緒に詰める。

    この使い方はかなり理にかなっています。
    全体設計=Agentic
    細部調整=Interactive
    と考えると分かりやすいでしょう。

    長く考えれば必ず良くなるわけではない

    ただし、ここには注意点があります。
    長く考えさせると、逆に品質が落ちることもあります。

    例えば、
    過剰な自己検証
    不要なTool Call
    過剰設計
    余計な修正
    必要以上のSubagent起動
    といったことです。

    一度正しいところまで到達したのに、「念のためもう一度考えよう」と考え直した結果、逆に悪くしてしまうこともあります。
    人間でもありますよね。
    試験問題で最初に選んだ答えが合っていたのに、考えすぎて答えを変えて間違える。
    AIにも似たことがあります。
    つまり、長い推論にはOverthinkingという問題もあるわけです。
    ですから「Extra Highなら安心」ということでもありません。

    最近のAIはモデル自身がかなりエージェント化している

    ここで最近のモデル特有の問題が出てきます。
    Claude Opus 5などを見ても、最近のモデルはモデル自身の中にかなり強いエージェント的能力を持っています。

    自己検証する
    Toolを使う
    テストする
    Subagentへ仕事を振る
    失敗したらやり直す

    といったことを、自分から行います。
    そこへさらに外側から、
    必ず三回確認しろ
    必ず別のAgentを呼べ
    全部再チェックしろ
    といった指示を大量に与える。
    さらにSkillも大量につける。
    さらにCLAUDE.mdやAGENTS.mdにも大量のルールを書く。
    こうなると、モデル自身のエージェント能力と外部のエージェント設計が重なってしまうことがあります。
    そしてEffortをHighやExtra Highにすると、そのループを何周も回してしまう。
    結果として、逆に品質が落ちることも考えられます。

    Skillやエージェント設計によって最適Effortは変わる

    ここまで来ると、Effortはモデル単体では決められないことが分かります。

    その人がどんなAI環境を作っているのか。
    Skillはいくつあるのか。
    CLAUDE.mdやAGENTS.mdにどれくらい指示があるのか。
    Toolはいくつ接続されているのか。
    MemoryやStateはどうなっているのか。
    Subagentはどう動くのか。

    こういったAgent Architecture、さらに広く言えばSystem Architectureとの組み合わせで最適なEffortが変わります。
    外部のエージェント設計がほとんどなく、素のモデルへ目的だけ渡している人なら、Extra Highでモデル自身にどんどん考えさせる方法が合うかもしれません。

    逆に大量のSkill、Tool、Rules、Subagentsを組み合わせている人なら、Medium程度の方が綺麗に動く場合もあるでしょう。
    だからXで、

    「AstraはLowで十分」
    「Mediumが一番いい」
    「Highがスイートスポット」
    「Extra Highじゃないと本領を発揮しない」

    と意見が全部バラバラなのは、ある意味当然なのです。
    みんな環境が違うからです。

    私はSkillを一つに絞ってルーターで飛ばしている

    ちなみに私の場合、Skillは基本的に一つしか直接装着していません。
    そのSkillがRouterになっていて、必要に応じて別の場所にあるSkillを選びに行く形になっています。

    Skill自体はたくさん持っています。しかし最初から全部を読み込ませない。
    必要な時だけ必要なものを読むようにしています。
    AGENTS.mdやCLAUDE.mdについても似ています。

    最初のファイルへ大量の指示を書くのではなく、「CORE.mdを見てください」というようにルーティングする。
    そこからタスクを判断して、
    Coding.md
    Writing.md
    Idea.md
    といった、その仕事に必要なMDだけを読み込ませます。
    つまり全部を一気にコンテキストへ入れない。
    このやり方だと、Effortを長くしても大量のルールが同時に競合しにくくなります。

    私はこういう「必要な時に必要なものだけ読む」システムの方が、これからのAIエージェントには合っていると思っています。

    Effortは固定した方がいい場合もある

    とはいえ、毎回Low、Medium、High、Extra Highを頻繁に切り替える必要があるかというと、それも環境によると思います。

    もしEffortを切り替えるたびにコンテキストやファイルを再読み込みする必要があるなら、それ自体がコストになります。

    であれば、自分が一番使いやすいEffortを一つ基準として決めてしまう。
    例えばMediumを基本にして、必要な場合だけExtra Highへ上げる。
    あるいはLowを基本にして、プロンプトで「ここまで自律的に進めて」と指定する。
    こういう方法でもいいと思います。

    重要なのは、他人のおすすめEffortをそのまま使うことではありません。
    自分の環境におけるスイートスポットを見つけることです。

    自分のPersonal Effort Sweet Spotを探そう

    同じタスクをLow、Medium、High、Extra Highで何回か試してみると面白いと思います。
    見るポイントは、

    完成度
    人間の修正回数
    所要時間
    使用量
    途中で余計なことをしなかったか
    最後まで完遂できたか
    そして何より、人間側が楽だったか。

    このあたりです。

    最も賢そうに見えたEffortではなく、自分とAIを合わせたシステム全体として一番良かったEffortを探す。
    それがその人のPersonal Effort Sweet Spotです。
    そして普段はそこを使う。
    全体を一気に作りたい時だけ上げる。
    人間が細かく介入したい時だけ下げる。
    これくらいの運用が一番自然なのではないかと思います。

    結論:EffortはAIと人間の協働を調整するダイヤル

    ということで、今回一番伝えたかったことは非常にシンプルです。
    最強のEffortは存在しません。
    Extra Highが最強というわけでもない。
    Lowが一番効率的というわけでもない。
    タスクによります。
    人間の専門知識によります。
    AIへどこまで任せるのかによります。
    全体を見るのか、部分を見るのかによります。
    そして、その人が作っているAgent Architecture、System Architectureにもよります。
    だからEffortは「AIの知能レベル」を決める設定として考えるよりも、
    思考と行動のループを、人間側とAI側のどちらへ置くのかを調整するダイヤル
    として考えると分かりやすいと思います。
    人間と一緒に細かく考えたいなら短くする。
    AIに一気に任せたいなら長くする。
    全体を作らせるなら長くする。
    細部を詰めるなら短くする。
    AIだけで検証できるなら長く回す。
    人間にしか判断できないなら早めに返させる。
    そして、自分の環境で何度か試して、自分なりの基準を作る。
    これからAIエージェントがさらに強くなっていくほど、この「どこまでAIへ任せるか」という設計は重要になってくると思います。
    Effortを単純な強弱ではなく、人間とAIの協働設計として考えてみてください。


    【プロフィール】

    ワンダー・佐藤源彦(さとう もとひこ)
    1977年生まれ
    MBBS & AI共創イノベーション主催。
    医療系の研究所、心理学の研究所の勤務を経て独立し、現在は生成AI(ChatGPT、Claude、Geminiなど)と心身に関する研究をしている。
    主著『かんたんプロンプト』(芸術新聞社)『東洋医学と潜在運動系』(たにぐち書店)、2年間専門誌に連載、論文執筆などの執筆業を行いつつAI共創ライティングを開発中。
    心理学・カウンセリング・コーチングをAIに技術転用し、AI共創プロンプトエンジニアリングを開発している。
    AIスクール・AI企業研修・AIアプリ開発などを行う。

    ✅ワンダー佐藤総合リンク
    https://linktr.ee/motohiko.sato

    ✅ワンダー佐藤源彦・著『かんたんプロンプト』(芸術新聞社から刊行)
    ※プロンプトエンジニアリングの基本から応用、タスク実行までを網羅
    https://amzn.asia/d/80zVtv8

    ✅note記事
    https://note.com/mbbs
    ※ChatGPT・Claude・Gemini・NotebookLM・Perplexity
    ※メンバーシップはじめました!

    ✅AI共創イノベーション(AIスクール・AI企業研修・AIアプリ開発のサイト)
    https://mbbs-ai.jimdofree.com/

    ✅Facebook
    https://www.facebook.com/motohiko1977
    ※リクエスト申請前にメッセージください

    【AI共創イノベーションおすすめ動画】
    https://www.youtube.com/watch?v=IXbKlwHUdbg&list=PLTcSHWqKTOojc8R-brID5q06JrmtiWRTl

    サテライトチャンネル
    https://www.youtube.com/@mindbody_ai


    #GPT6 #GPT6Astra #Astra #ChatGPT #OpenAI #AIエージェント #AIAgent #ReasoningModel #推論モデル #ChainOfThought #CoT #エフォート #ReasoningEffort #xhigh #Claude #ClaudeOpus5 #AIコーディング #ChatGPT6 #GPTアストラ使い方 #プロンプト #プロンプトエンジニアリング

    あなたへのおすすめ