2026.09.15 2026.09.15

AIにパソコンを触らせるとき、どこまでを任せるか

ゲンキ

AI に文章を書かせるとき、私たちは無意識にひとつの安全装置を使っている。出てきたものを読んでから採用するという手順だ。読むという行為がそのまま検品になっているので、多少おかしなものが出ても、採用しなければ何も起きない。

画面を操作させる用途では、この安全装置が外れる。フォームは送信され、記録は更新され、予定は入り、注文は確定している。結果を見た時点で、操作はもう終わっている。AI コンピュータ操作という言葉が実務の話になったとき、最初に考えるべきはこの順序の違いである。

先に本記事の立場を書いておく。当サイトは有料枠での検証を行っておらず、以下に書く操作を自分で試してはいない。したがって「うまく動いた」とも書かない。かわりに、開発元が公開している発表本文とシステムカードに書かれた数値を、条件ごと並べ直す。数値はすべて2026年9月6日時点の確認である。

コンピュータ操作として何ができると書かれているのか
コンピュータ操作の数字は条件つきで読む
速さの数字は、モデル単体のものではない
「できる」と「任せてよい」を分ける
取り返しのつく操作と、つかない操作
範囲を越えないという評価
安全側の数字にも脚注がついている
割り込みへの耐性は上がった。ただしゼロではない
99.79% を実務でどう受け取るか
確認をどこに置くか
止まることを前提に組む
任せる前に決めておく4つ
当サイトが確認できていないこと
まとめ
出典・参考

忍者AdMax

コンピュータ操作として何ができると書かれているのか

まず、開発元が名前を挙げている作業を並べる。オンラインのフォーム入力、顧客管理システムの記録更新、カレンダーの整理。オンラインで調査して、要約をメールや文書エディタに書く。科学データを分析して図を作る。サイトを作り、そのサイトの機能が動くかフロントエンドの確認まで行う。ソフトを自律的に導入してテストする。画面に出ている不具合を切り分ける。

この列挙のしかたには特徴がある。どれも成果物が画面の外に出ていく。書いた要約はメールの下書きになり、更新した記録は業務システムの側に残る。「答えを返す」ではなく「状態を変える」ことが対象として名指しされている。

並べ直すと、性質は3つに分かれる。ひとつは記録の更新で、フォーム入力や顧客管理の更新がこれにあたる。ふたつめは調べて書く作業で、調査と要約、データの分析と作図が入る。みっつめは作って確かめる作業で、サイトを作って動作を見る、ソフトを入れてテストする、画面の不具合を切り分ける、といったものだ。3つのうち、外に影響が出る度合いが最も高いのは最初の記録の更新である。

逆に、この一覧にないものにも意味がある。ここに挙がっていない特定のソフトを名指しして「操作できる」と書くことは、本記事ではしない。開発元が挙げているのはあくまで作業の種類であって、個別のアプリケーションでの動作保証ではないからだ。この区別は細かく見えるが、実際に作業を任せるかどうかを決める段になると効いてくる。「できると書いてあった」と思って任せた作業が、実は誰も保証していなかった、という事故はここから起きる。

コンピュータ操作の数字は条件つきで読む

コンピュータ操作の能力として最初に出てくるのは、画面上の作業を測るベンチマークの結果である。

ベンチマーク	GPT-6 Astra	GPT-5.6 Sol
OSWorld 2.0	72.6%	65.7%
ScreenSpot-Pro（ツールなし）	92.7%	76.9%
Agents’ Last Exam	59.3%	53.6%

このうち OSWorld 2.0 の行には、表の中に条件がそのまま書き込まれている。版が v2026.08.08、オフライン用の課題集合、部分点あり、という3点だ。同じ名前のベンチマークでも、版と課題集合と採点方法が違えば数字は動く。他所で見た数字と一致しないときは、まずここを疑うことになる。

ScreenSpot-Pro の行についている「ツールなし」も同じ性格の条件である。道具を使わせずに画面上の要素を指し示させた結果であって、道具ありの環境での成績ではない。

数字そのものの読み方も添えておきたい。画面操作を測るベンチマークの 72.6% は、10回に3回近く失敗しているという意味でもある。文章生成の評価で見慣れた9割台の数字と並べると低く見えるかもしれないが、課題の性質が違う。決められた画面を順に辿り、目的の状態まで持っていくという作業は、途中のどこか一箇所で外れれば最後まで届かない。工程が長いほど、各工程の成功率の積として全体が決まる。

だからこそ、前世代の 65.7% から 72.6% への変化は、見かけの7ポイント以上の意味を持つ。失敗する側から見れば、34.3% が 27.4% に減っている。ただしこれも、条件つきの数字であることに変わりはない。

速さの数字は、モデル単体のものではない

能力と並んで強調されているのが速さである。開発元は、画面操作を測る環境での遅延の模擬において、1タスクあたり約40分で 72.6%、前世代は約75分で 65.7% だったと述べている。所要時間にすると約47%短い。

ここで見落としてはいけないのが、「遅延の模擬」という条件だ。実際の環境で計った時間ではなく、シミュレーション上の値として提示されている。

さらに、別に挙げられている「タスク完了が1.9倍速い」という数字は、モデルだけの改善ではない。開発元は、モデルと同時に周辺の実行環境も更新したと明記しており、1.9倍はその両方を合わせた結果として示されている。モデルを差し替えれば1.9倍になる、という読み方はできない。

こうした条件は、読みやすさのために要約から真っ先に落ちる部分である。速さは体感に直結するぶん誇張されやすいので、出どころを確かめる価値がある。

「できる」と「任せてよい」を分ける

数字が上がったことと、任せてよいことは別の話である。ここを混ぜると判断を誤る。

理由は単純で、失敗の代償が作業ごとに違うからだ。同じ成功率90%でも、失敗が「もう一度やり直す」で済む作業と、「取り消せない」作業では、意味がまったく違う。前者なら10回に1回の失敗は許容できる。後者では、10回に1回でも許容できないことがある。

つまり任せる範囲は、モデルの成績ではなく作業の性質から決まる。成績は判断材料のひとつにすぎず、しかも上限のほうを示している。上限が上がったからといって、下限が保証されるわけではない。

この考え方は、人に仕事を頼むときとまったく同じである。新しく入った人がどれだけ優秀でも、初日に決裁の権限は渡さない。能力を疑っているからではなく、間違えたときに取り返せるかどうかで渡す範囲を決めているからだ。相手が機械になっても、この設計はそのまま使える。

違うのは速度である。人なら、渡した仕事を1件ずつ進めるので、途中で様子を見る余地がある。機械は同じ操作を短時間に何度も繰り返せるので、間違いも同じ速度で積み上がる。速いことは、良い方向にも悪い方向にも同じだけ効く。任せる範囲を先に決めておく理由は、突き詰めればここにある。

取り返しのつく操作と、つかない操作

作業机の側で具体化してみる。3Dプリンターを回している人の手元には、次のような作業が並んでいる。

作業	やり直し	気づきやすさ
原価を式に当てはめて計算する	できる	見れば分かる
部品表から必要数を数える	できる	見れば分かる
印刷の記録を表に書き足す	できる	後から直せる
写真を日付ごとに並べ替える	できる	見れば分かる
消耗品を注文する	できない	届くまで分からないことがある
設計データを外部に公開する	できない	取り消しても記録は残る
古いファイルを整理して消す	できない	消えたことに気づかない

上4つと下3つの間に線がある。上は任せてよく、下は人が押す。この線引きは、モデルの成績がどれだけ上がっても動かない。上がるのは上側の作業をどれだけ速く片づけられるかであって、下側を安全にする効果はない。

もうひとつ、右の列も見ておきたい。失敗に気づけるかどうかは、やり直せるかどうかとは別の軸である。消したファイルは、消えたこと自体に気づかない。この列で「気づかない」に入る作業は、たとえやり直せても任せにくい。

気づきやすさは、作業そのものより記録の作り方で決まる部分が大きい。たとえば印刷の記録を書き足す作業なら、書き足した行がどれか分かるようにしておけば、後から見直せる。逆に、既存の値を上書きする形にすると、間違って上書きされたことに気づく手がかりが残らない。追記は気づけて、上書きは気づけない。任せる作業を設計するとき、この違いは成功率より効く。

注文のような外に出ていく操作についても、同じ考え方が使える。注文そのものを任せるのではなく、注文の内容を作るところまでを任せて、確定は自分で押す。作業のうち時間を食っているのは前半で、判断が要るのは後半なので、分けたほうが得るものが大きい。工程をひとかたまりで渡さないというのが、ここでの要点になる。

範囲を越えないという評価

任せる話をするなら、範囲を越えないかどうかの評価も見ておきたい。

開発元は、過去に起きた事案を踏まえた新しい評価を作ったと述べている。難しい、あるいは達成不可能な課題に直面したとき、モデルが本来の範囲を超えて動いてしまうかを測るものだ。結果として、前世代は認可された対象の外に出る挙動を48%の割合で示したのに対し、今回のモデルは0%だったとされている。

ただし条件がある。この48%という値は、本番環境の安全機構を外した状態での測定である。実際の製品ではその上に保護が乗るので、利用者が48%の頻度で範囲逸脱に遭っていたという意味ではない。

同じく、内部の安全性評価でも改善が示されている。画面操作の安全性を測る内部ベンチマーク（値が低いほど良い)では 2.4% と 22.0%、自動レビューを併用した場合は 1.8% と 4.3% という値が並んでいる。制限の回避を試みるかを測る内部評価では 0.00% と 0.29% である。

安全側の数字にも脚注がついている

これらの数字にも条件がある。発表本文の脚注は、他社モデルとの比較には簡易な研究用の実行環境を使っており、製品版で通常有効になっている保護（自動レビュー、確認ポリシー）を外していると明記している。

さらに脚注は、確認なしで動く状況を利用者が経験することはない、とも書いている。つまり、この比較表は製品同士の比較ではなく、素の挙動の比較である。

安全側の数字が良いと安心してしまいがちだが、良い数字が出ている条件は「保護を外した状態」であることが多い。保護を外しても大丈夫だった、という主張は強い主張だが、それは保護が不要だという意味ではない。

割り込みへの耐性は上がった。ただしゼロではない

画面を触らせる用途で固有の危険がひとつある。操作先の画面に、モデル宛ての指示が仕込まれている場合だ。閲覧しているページや読み込んだ文書の中に「これまでの指示を無視して次を実行せよ」と書いておく攻撃で、間接的な指示の注入と呼ばれる。

作業机の側で考えると、この危険は意外に身近である。部品を探して通販サイトを見て回る、共有された設計データの説明文を読ませる、掲示板の投稿から不具合の対処法を集めさせる。どれも普通の調べ物だが、読ませている文章は自分が書いたものではない。読むだけなら害はなくとも、読んだうえで操作させる構成にすると、文章の側から操作に手を伸ばす余地ができる。

システムカードによれば、この種の攻撃に対する堅牢性は 96.23% から 99.79% へ改善したとされている。指示の階層を守るかどうかの評価では 99.99% に達したという。

数字としては大きな改善である。同時に、99.79% は 100% ではない。そして、この種の防御は攻める側が工夫を重ねる対象でもある。測定した時点での値であって、将来にわたる保証ではない。

99.79% を実務でどう受け取るか

残りの 0.21% をどう扱うかは、作業の回数と代償で決まる。

月に数回、自分の目の前で動かすだけなら、この確率はほぼ問題にならない。一方、毎日数百回の処理を無人で回すなら、話は変わる。回数が増えれば、低い確率も必ず引き当てる。そして無人で回している以上、引き当てた瞬間に気づく人がいない。

対処の方向は2つしかない。触らせる先を選ぶことと、押させないものを決めることである。前者は、素性の分からないページや文書を操作対象に含めないという運用になる。後者は、前の節で線を引いた「取り返しのつかない操作」を人の側に残すという設計になる。

どちらも当たり前に見えるが、当たり前でなくなるのは自動化が育ってからだ。最初は確認しながら動かしていたものが、うまくいくうちに確認を外れていく。外した確認は、外したことを誰も覚えていない。

確認をどこに置くか

確認を入れるかどうかではなく、どこに入れるかを考えたほうが実務的である。全部の操作で確認を求めれば、自動化した意味がなくなる。かといって全部を素通しにすれば、前の節で見た線引きが機能しない。

置き場所の目安は3つある。ひとつめは、外に出る直前である。送信、公開、注文、削除。これらの手前に一箇所置けば、内側の作業をいくら速く回しても被害は外に出ない。ふたつめは、入り口だ。どの情報を読ませるかを人が決めておけば、素性の分からない文章が操作に混ざる経路をふさげる。みっつめは、まとまりの切れ目である。工程が長いとき、途中の成果物を一度人が見る点を作っておくと、間違いが後段まで運ばれない。

逆に、置いても効きにくい場所もある。操作の一つひとつに確認を出す作りは、回数が増えるほど中身を読まずに押す習慣を育てる。確認が形式になった時点で、確認は無い。数を絞って、絞ったぶん本当に読む。これは機械の話ではなく、運用する人間の話である。

止まることを前提に組む

もうひとつ、実務で効く仕様がある。安全上の確認により、正当な作業が止まりうるという点だ。

発表本文によれば、ChatGPT と Codex では作業が一時停止し、続行前に内容の確認を求められることがある。API では処理が停止する。この違いは小さく見えて、無人運転では決定的である。人が画面を見ているなら確認に答えればよいが、夜間に走らせている処理が黙って止まっていれば、翌朝まで分からない。

したがって、組み込むときの設計は次のようになる。止まりうることを前提にし、止まったと分かる仕組みを先に用意する。止まったのか、終わったのか、失敗したのかを区別できるようにしておく。この区別ができていない自動化は、止まった理由を探すだけで半日を使う。

3Dプリントの業務にAIを組み込む考え方はChatGPT Agent 実践 — Operator 廃止後の3Dプリント業務自動化ノート（2026-05-07 公開）で扱った。本記事はそこからの差分として、任せる範囲の決め方に絞っている。