OpenAIがGPT-6 Astraモデルをリリースし、AIをAnswer EngineからAI Agentへと重要な転換を実現。Astraはコンピュータの操作、ウェブブラウジング、ソフトウェアの使用、コードの作成と実行、複雑なワークフローの完了などの能力を備えており、OSWorld 2.0テストでは72.6％の成績を記録し、GPT-5の65.7％を上回った。これはAIが「より良く答える」から「物事を成功裏に完了する」へと進化し、単なる質問に答えるツールではなく、「雇用」可能なデジタル労働力となることを意味する。トークン需要は、ユーザー数の単純な増加から、Agent数、各Agentのタスク数、1タスクあたりのトークン消費量という3つの変数が同時に増加する乗数効果へとシフトする。AIは「Human+AI→Train→Better AI」というフィードバックループを形成しつつあり、モデル能力の向上自体が計算リソース需要の増加を牽引するエンジンとなっている。記事執筆者、出典：少数派观点局
誰もが以下の文を認めると信じます：
AIの時代において、あなたを打ち負かすのは、より早く、より上手にAIを使う人または企業である。
しかし、今回のOpenAIが自社のGPT-6 Astraモデルを発表した後、上記の文は完全に正確ではなく、あるいは完全に誤りである。現在、真正に正しい表現は次の通りである：
AI時代において、あなたを打ち負かすのは、AIをより上手に使う人や企業ではなく、より積極的にAIエージェントを導入・展開し、真正にその力を活用する人や企業である。
特に注意してください。上記の「あなた」は企業である可能性もあります。
覚えていますか？先月、AstraはOpenAIの内部秘密モデルとして登場し、10の数学および理論コンピュータ科学の問題に対して、トップレベルの数学研究（フィールズ賞級）の水準で解答を提供しました。今回、OpenAIが正式にリリースしたAstraの最大の進化は、「より賢く（数学および科学的能力が強化された）」になることだけでなく、AIをAnswer Engineから真正的なAI Agentへと進化させたことです。
したがって、今回のリリースでは、OpenAIはAstraのベンチマークがどれだけ向上したかに限定せず、最初からAstraの能力の境界を明確に説明しました：
Astraはコンピューターの操作、ウェブブラウジング、ソフトウェアの使用、コードの作成と実行、複雑なワークフローの完了、および科学、サイバーセキュリティ、専門分野での長距離タスクの実行が可能です。
この文は、Astraの真のブレークスルーを要約しています。つまり、AIは「人→AI→答え」から真正に「人→AIエージェント→タスク→実行→結果」へと進化しているということです。したがって、GPT-6 Astraは次の意味を持ちます：
AIはもはや質問に答えるためのツールではなく、雇用され、常に働き休まないデジタル労働力となり始めている。
Astraの長距離ミッションにおける能力向上が最も重要です。
OSWorld 2.0（由CMUおよびスタンフォードなどのチームが提案したテストで、AIエージェントがデジタル環境でオフィス作業、複数ファイルのソフトウェアエンジニアリングのデバッグ、システムレベルのネットワークセキュリティ設定などの複雑なタスクを完了し、人間の専門家とベンチマークを比較する）において、Astraは72.6％を達成し、GPT-5.6 Solの65.7％を上回った。同時に、タスク完了のシミュレーション時間は約75分から約40分に短縮された。
これはAstraが非常に決定的な変化を起こしていることを意味します：
「より良く答える」から、「成功して物事をやり遂げる」へ。
これにより、我々が「AI浸透率」を理解し、トークンの総需要を算出する方法が根本的に変わるだろう。これまで我々はAIの市場規模を推定する際、自然と次のような質問をしていた：ChatGPTをどのくらいの人が使用しているか？Copilotをどのくらいの企業従業員が使用しているか？AIのプログラマー、カスタマーサポート、ホワイトカラー、科学者への浸透率はどれほどか？
次に、「ユーザー数×ARPU」でAI市場の規模を推算する。このロジックはAnswer Engine時代には問題なかったが、AI Agent時代には問題が生じる：
- 一人がAIを使用することは、その人のAI作業量が一人分だけであることを意味しない。一人で複数のAgentタスクを構築できる。企業は同時に数百から数千のAgentをデプロイできる。一つのAgentは数時間、あるいは24時間連続で動作し続けることができる。
したがって、以下の不等式が成り立ちます：
1人 ≠ 1人のAIユーザー ≠ 1単位のAI作業量。
材料科学者は、異なる研究分野に応じて、一度に数十のAIエージェントを設定して、それぞれの研究タスクを実行させることができます。したがって、真に注目すべき変数は次のようになります：
- 世界中には一体どれほどのAIエージェントが稼働しているのでしょうか？
- 各稼働中のAIエージェントは1日あたり何タスクを実行し、どの程度のトークンを消費しますか？
この二つの数字の積が、AIの真の需要関数となる。
AIを利用しているかどうか、周囲の友人がAIを利用しているかどうか、あなたの会社がAIを利用しているかどうかは、AIの浸透率やトークンの総需要には全く関係ない。AIを使わないほうが良いというわけではない。誰かがAIエージェントを使ってあなたの優位性やビジネスを置き換え、あなたとあなたの会社を置き換えるだろう。
したがって、ここに特別に追加します：
今日では、少なくともすべての中規模および大規模企業が、自社のAI戦略を取締役会レベルで重視すべきである。なぜなら、この世界には、あなたの収益事業を狙う聪明な人々が多すぎるからである。
したがって、AIの浸透率の定義は「1人あたり」から「1エージェントあたり」へと移行しました。かつてはこのような考えでした：
AI浸透率 = AIを使用する人数／潜在人口
Astra以降、AIエージェントの浸透率の式は以下の通りです：
エージェント浸透率 = AIエージェントが引き継いだタスク / エージェントが実行可能なタスク
これらの式の分母には当然、大きな数量級の差があります。なぜなら、エージェントは人間の数と1対1で対応する必要がなく、1人の人が複数の個人用AIエージェントを所有することも可能だからです。「エージェントが実行可能なタスク」の数については、OpenAIが今回Astraの紹介ページで示した内容にヒントがあると考えます。
上はOpenAIが今回のAstra発表ページで提示した宇宙星図ですが、人類が宇宙に対していかに渺小であるかという一面は、人類が宇宙の世界に対していかに無知であるかということでもあります。この無知へのすべての探求は、AIエージェントが研究するタスクとなる可能性があり、その結果、AIエージェントの数は無限大に及ぶ可能性があります。
したがって、「世界中にどれだけの人がAIを開始したか」と「世界中にどれだけのデジタル労働力が稼働しているか」は、まったく異なる数量級です。
トークンの総需要はより弾力的である
一方、トークンの総需要は、「AIエージェントユーザー数の増加」よりもはるかに大きな需要弾力性を示す。エージェント時代のトークン需要は、単にユーザー数の増加に伴うものではなく、「各エージェントが担うAI作業量」の増加にも比例して増加するからである。
したがって、トークンの総需要を大まかに次のように表すことができます：
トークン総需要 ≈ AIエージェント数 × エージェントあたりのタスク数 × タスクあたりのトークン消費量
そして、この3つの変数は同時に急速に成長する可能性があります。
第一に、エージェントの数の増加。過去には一人がChatGPTを一つだけ使用していたが、将来には一人が個人アシスタントエージェント、コーディングエージェント、リサーチエージェント、ファイナンスエージェント、ショッピングエージェントなどを同時に実行する可能性がある。企業では、数十、数百のエージェントから数千、数万のエージェントへと拡大するだろう。
第二に、各エージェントが実行するタスクが増加しています。過去は「この記事を要約して」といったように、数千トークンで済んでいたものが、今後は「この業界を調査し、500のファイルを読み込み、50社を比較し、モデルを構築し、異常を検出し、レポートを作成し、そのレポートに基づいて投資提案を行う」といった複雑なタスクになります。Astraの意義はここにあります。モデルが複雑なタスクをより多くこなせるほど、人間は複雑なタスクをエージェントに委ねる勇気を持てるようになります。
第三に、エージェントは「たまに呼び出される」から「継続的に動作する」へと変わります。これが最も重要な変化です。従来のChatGPTは、ユーザーが質問して初めて呼び出され、答えを返した後に終了しますが、AIエージェントは、
目標を設定 → 計画を立てる → 検索する → 実行する → 検証する → 変更する → 再実行する → 完了
それは継続的に動作する計算チェーンであり、API呼び出しを絶えず生成します。タスクが複雑になればなるほど、Reasoningが長くなり、Contextが大きくなり、Tool Callが増え、Outputも増加し、その結果、Tokenの消費量もより大きくなります。
したがって、AIエージェントはAIユーザー数を増加させるだけでなく、各AIユーザーの背後にあるトークン需要を拡大します。
したがって、AIエージェントの数が20%しか増加しなくても、トークンの総需要が300%増加する可能性は十分にあります。
RSIはAstraにより強い「フライホイール効果」をもたらします。
AstraはOpenAIがこれまでに行ってきた最大規模のトレーニングランであり、公開された情報によると、そのトレーニング規模は10万GPUを超えた。さらに重要なのは、AIがモデルのトレーニング自体にますます関与しているということである。
かつては「人間→訓練→AI」だったが、徐々に以下のように変化しつつある：
人間 + AI → 学習 → より優れたAI
これはRSIの基本モードであり、モデルは訓練データの生成、問題の発見、評価、フィードバックの提供、さらには訓練プロセス中の一部のエンジニアリングおよび研究作業にも参加できます。
したがって、非常に美しい飛輪効果の連鎖が形成されます：
より強力なモデルにより、AIエージェントの能力が向上し、AIエージェントはより多くの現実世界のタスクを実行できるようになり、その結果、高品質なタスクデータとフィードバックが生成され、これらが再びより強力なモデルの訓練を支援する。そして、より強力なモデルが再びエージェントの能力を向上させ、より多くのタスクを引き受ける…
これは、AIの発展が従来のソフトウェアのような「バージョンアップデート」ではなく、自己加速型の生産システムに似ていることを意味します。その結果、トークンに対する需要は複数の変数が同時に拡大する乗数効果を生み出し、モデルが強くなるほど、この乗数効果はより顕著になります。
したがって、私たちは必ず見ることになります：
モデル能力の向上自体がAI計算リソース需要の増加を牽引し、その結果、十億、数十億とますます多くのAIエージェントというデジタル労働力が登場し、トークンへの需要が絶え間なく押し寄せてくる。
これがGPT-6 Astraのリリースにおける重要な意味です。