State of AI Report 2026 解説：AIのこの1年に何が起きたのか？
研究、産業、政治、安全、来年の予測から、全244ページの年次報告書が示す重要な変化を読み解きます。
『State of AI Report 2026』は、世界の人工知能の動向をまとめた年次報告書です。AI投資家の Nathan Benaich と Air Street Capital が執筆し、2018年から毎年発行しています。2026年版は第9号にあたり、全244ページ。2026年10月8日に公開され、過去12か月の重要な変化を振り返っています。
報告書は、研究、産業、政治、安全、予測の五つの軸で構成されています。研究ではモデル、エージェント、ロボット、科学の進展を、産業ではそれらの能力が企業に入り、収益を生む過程と、必要な計算資源や資金を扱います。政治と安全では、誰がAIにアクセスし、制御できるのか、行動能力の拡大がどんなリスクをもたらすのかを考えます。最後に前年の予測を検証し、次の1年への見通しを示しています。
この報告書の価値は、普段は別々に目にする論文、モデルの公開、企業の動き、政策上の出来事をまとめ、そのつながりを見せることにあります。モデルが複雑な仕事をこなせるようになれば、製品や事業モデルも変わります。利用需要の増加はデータセンター建設を促します。AIがツールを使い、研究開発に参加し、実際の業務を扱うほど、アクセス権限、監督、責任も重要になります。
2026年版で特に注目したいのは、AIが一度きりの回答から、連続して行動する段階へ進んでいることです。ただし、これは報告書の一つの筋にすぎません。五つの章に沿って、この1年で何が進み、どの用途が規模を広げ、どんな課題が残ったのかを見ていきます。
1．研究：モデル、エージェント、ロボット、科学はどこまで進んだか
最強のモデルを探す前に、何をさせたいのかを考える
報告書は、Anthropic、OpenAI、Googleを最先端モデル競争の三大プレイヤーとしています。ただし、同じ報告書でもランキングによって首位は異なります。Artificial Analysisの能力指数ではAnthropic、Arenaのユーザー選好ランキングではGoogleが先頭です。
能力テストは、モデルが特定の問題を解けるかを測ります。選好投票は、ユーザーがどちらの回答を好むかを測ります。文章が流暢でも、すべての要求を満たしていない回答はあります。表現は平凡でも、問題を解く力が高い回答もあります。両方を見ることで、「強い」が何を意味するのかが分かります。
さらに、多くのテストが上限に近づいています。報告書が挙げるAIME、GPQA Diamond、FrontierMathなどでは最高得点がすでに高く、上位5モデルの差が約1パーセントポイントしかないランキングもあります。その段階では、問題の誤り、実行予算の違い、ツールの使いやすさも順位を左右します。Epoch AIが最初に監査した15件の評価では、9件に重大な欠陥が見つかりました。
長いタスクでは、別のずれも見えます。多くの手順が正しくても、仕事全体が終わったとは限りません。FrontierChallengeの97件の科学ワークフローで、GPT-5.6 Solは87.9/100を獲得しましたが、完全な完了率は20.6%でした。OSWorld 2.0の事務タスクでOpus 5は77.7%の部分点を得た一方、完全な完了率は44.3%でした。計算が正しくても、最後に表を提出していなければ、仕事は納品されていません。
実際にモデルを選ぶときは、「完了」の基準を明確にする必要があります。人が続きを仕上げる下書きが必要なのか、動作し、検証でき、提出まで済んだ成果が必要なのか。求める信頼性は異なり、適したモデルも変わり得ます。
METRの「50%時間範囲」は、タスクの難しさを人間の専門家が要する時間に換算した指標です。たとえば「12時間」は、専門家なら通常12時間かかるタスクを指し、エージェントが最後まで完了できる成功率は50%と見込まれます。最も難しいタスクの標本はまだ少なく、長い時間範囲の推定ほど不安定です。
中国のオープンウェイトモデルも、研究でよく参照される存在になっています。arXiv論文で言及される21のモデル系列を分析すると、中国のオープンウェイトモデルの言及シェアは2024年の9%から2026年の集計時点で31%へ上昇しました。対応する米国系列は31%から23%へ低下し、QwenがLlamaを上回りました。研究で中国モデルへの関心が広がっていることを示しています。
モデルはなぜ強くなるのか：訓練データ、練習方法、経験が変わる
進歩はモデルの重みの内部でも起きています。事前学習で大量の資料から一般的な規則を学び、事後学習で推論、ツール利用、複数段階のタスクを練習します。この1年の報告書では、訓練方法がより公開され、実際の仕事に近づいていることが分かります。
強化学習では、エージェントにタスクを試させ、結果に応じてモデルを調整します。難しいのは練習の設計です。できる問題ばかりでは学びが少なく、失敗ばかりでは有効なフィードバックを得にくくなります。MicrosoftのTaskPilotは、現在のモデルの試行をもとに実際のコードベースで問題を生成し、難易度を調整して、能力の限界付近で練習させます。ツールの応答や検査結果の正確さも、正しい方法を学ぶのか、高得点への近道を学ぶのかを決めます。
もう一つの方法が蒸留です。生徒モデルが教師の振る舞いを学びます。教師は、より強いモデル、分野の専門モデル、解法の過程を与えられた同じモデルのコピーでも構いません。これにより、費用の高い能力を安価なモデルに移せます。訓練コード、データの配合、実験記録の公開は、他チームによる再現を容易にします。ただし、適切なデータの組み合わせや、能力同士の干渉は実験で確かめる必要があります。
継続学習が解こうとしているのは、今回のタスクで学んだ方法を次回にどう残すかです。経験をメモリに書き、実行基盤の改善に使い、モデルの重みに学習させる方法があります。Experience Distillationは個々のタスクで得た学習効果を残そうとし、ロボットチームは自律的な試行と専門家の修正を再び訓練に使います。改善が残ったかどうかは、その後の新しいタスクで検証します。
同じモデルでも、仕事の環境を変えるとなぜ性能が上がるのか
質問に答えるだけなら、通常は入力と出力で済みます。ソフトウェアの不具合を直すには、ファイルを探し、既存コードを理解し、プログラムを動かし、エラーを読み、修正して再テストする必要があります。
これらを組み立てるのが、モデルの周囲にあるソフトウェアです。この層をharnessと呼び、エージェントの作業環境や実行基盤と考えられます。ツールを提供し、コンテキストを整理し、タスクの状態を保存し、実行結果を返し、失敗後の再試行や復旧を扱います。
テストの応答が「失敗」だけなら、モデルはどこを直すべきか分かりません。失敗箇所、関連ファイル、エラー全体を見られれば、的を絞った修正ができます。タスクが長くなるほど、どの中間結果を残すか、いつ目標からの逸脱を確認するかも、納品できるかに影響します。
報告書が引用する対照実験では、3モデルを3種類の実行基盤に置き、同じ100件のSWE-bench Verifiedサブセットでテストしました。GLM-5.1を固定すると、最小構成の解決率は52.5%、コンテキスト、ツール、再試行を改善した構成では56.5%、検証と復旧を加えた完全構成では65.5%でした。モデルの重みは変わらず、解決率が13パーセントポイント上がりました。
他の2モデルも改善し、順位も基盤に応じて変わりました。最小構成ではGPT-5.4、完全構成ではGLM-5.1が首位です。モデル選びで実際に比較しているのは、モデルと実行基盤の組み合わせです。
実行基盤を変えると、順位も変わる
棒は選択中の基盤の解決率、細線は最小構成の成績です。すべて同じ対照実験の数値です。
完全構成は段階ごとの検査、異常検知、出力検証、立て直しを追加します。この列はGLM-5.1が最高です。
| モデル | 最小 | 改善 | 完全 |
|---|---|---|---|
| GLM-5.1 | 52.5% | 56.5% | 65.5% |
| GPT-5.4 | 55.0% | 58.5% | 63.5% |
| Kimi K2.6 | 52.0% | 59.0% | 60.5% |
SWE-bench Verifiedのサブセット100件。各条件2回の実行の平均pass@1です。全業務を代表する結果ではありません。元研究の表2
この長時間タスク群では、ツール、コンテキスト、フィードバックが、モデルの既存能力の発揮を決めました。情報は十分か、誤りを発見できるか、失敗から復旧できるかが、最終的な解決率に反映されます。
Skillsは再利用できる指示とコードを保存し、メモリはプロジェクトの事実、好み、過去の決定を保存します。次の作業で一から探り直す負担を減らします。
実務から改善の循環を作れます。タスクと結果を記録し、失敗の原因を特定し、再実行できるテストに変え、ツール、コンテキスト、メモリ、ルーティング、モデルを修正します。次のタスクでの成績が、変更の有効性を示します。
モデルが強くなると、以前は能力不足を補うために入れたプロンプトを外せる場合があります。Claude Codeでは大量の行動指示を削除しても、コーディング評価に測定可能な低下はありませんでした。一方、信頼できるツールのインターフェース、タスク状態、ログ、隔離環境は、引き続き実行の基礎です。
AIが次のAIの研究開発を助け、研究方針の選択にも参加する
エージェントは訓練コードを直し、実験を開始し、指標を観察し、失敗を調べられます。AI研究開発そのものが重要な用途になります。一つの工程の改善が、その後のモデル開発にも役立つ可能性があるためです。
Anthropicの内部自動化指標では、評価対象のモデル研究開発でClaudeが主導する仕事の割合が、1%未満から26%へ上昇しました。「主導」は、人間が大まかなタスクを与え、Claudeが大部分を行い、人間が監督を続けることです。評価対象には、完全自律の研究開発に分類された仕事はありませんでした。
Karpathyのautoresearchは、小さな循環を分かりやすく示します。エージェントが訓練コードを変更し、約5分の実験を実行し、結果を比較し、有効な変更を残して次を試します。GPU1枚でも、この循環を継続できます。
ただし、実験を実行する能力と研究方針を選ぶ能力は別です。一つの方向にどれだけ投資すべきか。指標の改善は方法の進歩なのか、偶然の変動なのか。何が論文に値するのか。こうした判断が研究の価値を決めます。
研究判断にも進歩が見られます。Anthropicの内部研究の129の判断点で、Mythos Previewが提案した次の一手は、64%で人間の元の選択より良いと評価されました。標本は、人間が方向を誤った箇所を意図的に選んでおり、別のClaudeが最終結果をもとに採点しました。研究の方向修正を助ける能力を測る評価です。
報告書の「シャドー評価」の一つでは、未公開の質の高い論文の研究課題をエージェントに与え、6日間、API予算、GPU、インターネットを用意し、元の論文著者が成果を評価しました。Opus 4.8の2回の実行は実装作業を完了しましたが、論文は明確に不採択でした。研究者は、出版可能な水準への判断不足、修正の創造性不足、無効な立て直し、資源への配慮不足、タスクの逸脱を指摘しました。
これらは異なる段階の研究能力を測っています。モデルは実験を実行でき、次の一手も提案し始めています。重要な問題を独立に選び、研究計画全体を組み、価値ある成果を継続して出すには、さらに高い能力が必要です。完全自律の再帰的改善を示すには、同じ時間と計算資源で、循環全体を安定して完了する必要があります。
マルチモーダルは画像理解から、見て、聞いて、応答し続ける段階へ
リアルタイム対話も独立した進展です。従来の音声アシスタントは、音声認識、理解、音声合成をつなぎ、ユーザーが話し終えてから回答するのが一般的でした。報告書の連続対話モデルは、視覚、聴覚、発話を一つの学習過程に入れ、約200ミリ秒の小さな時間単位で入出力を処理し続けます。割り込み、間、同時発話、視覚的な合図も学べる行動になります。外部ツールやバックグラウンドの推論モデルも呼び出せます。
対話型動画でも、視聴者が次の映像を制御し、一定の遅延後にプロンプトが画面を変えるようになっています。生成物が完成済みの短編から、反応する過程へ変わります。リアルタイム対話が重視するのは見る、聞く、話す応答のリズムです。計画に使う世界モデルは、行動後に環境がどう変わるかも予測する必要があります。
ロボットは実演から動作を学び、世界モデルで行動前に試す
新しいタスクに対し、従来のロボット開発では専用データを集めてモデルを調整するのが一般的です。物体、場面、動作の組み合わせが変わるたびに訓練をやり直すなら、導入費用は下がりにくくなります。
SkildのS1は動画の実演をコンテキストに入れ、同じ重みで未経験のタスクを実行します。報告書はこれをロボットの「GPT-2の瞬間」と呼びます。広範な事前学習が、タスクをまたぐ汎化を生み始めています。
Skildの内部評価では、10万時間のデータで事前学習した後、動画実演方式の累積ステップ成功指標は66%、言語指示のベースラインは9%でした。失敗からの復旧には人間の介入も含まれます。進歩の中身は、一度の実演で新しいタスクに適応し、専用データ収集や微調整の必要を減らせることです。
ロボットは「次に何をするか」と「どう動くか」を連携させる必要もあります。Gemini ER 2などでは、比較的遅い推論プランナーが速い動作制御モデルに小タスクを与え、リアルタイム観察をもとに再試行や計画変更を行います。現在の画像だけでは組み立てがどこまで進んだか分からない場合があり、実行履歴やメモリが必要になります。
動作データの質も汎化を左右します。遠隔操作は人のロボット制御を、手持ちのグリッパーは実演軌跡を記録し、一人称動画は人の動きから転用できる情報を取り出そうとします。π0.7では、タスク、速度、品質、失敗、制御方法を訓練データに付記し、模倣すべき行動を区別させます。データを有効な経験にするには、各動作がどんな条件で起きたかを知る必要があります。
世界モデルは、行動後に何が起きるかを予測します。予測を連ねたシミュレーションを、計画、訓練経験の生成、行動のテストに使えます。映像の美しさと、意思決定を支えられる予測精度は別の問題です。
WayveのGAIA-4は、記録した運転場面を対話型シミュレーションに変えます。AI運転システムが操舵やブレーキを変えると、その後の映像やレーダー画面が変わります。他の交通参加者は記録された軌跡を進み続けます。同じ場面で、運転システム自身の判断の結果を試せます。
Odyssey-3の企業実験では、視覚の事前学習で得た表現を、少量の観察・行動データで運転、ロボット、ゲーム制御に適応できました。ロボットアームは、訓練の実演で明示していない把持失敗からの復旧も行いました。事前学習の経験が、実演の外にある状況への対処を支え始めています。
科学の進歩は、証明、実験、臨床試験を通じて確かめられる
AI科学は、検査可能な証明、実験で試せる設計を提案し、候補薬を人での試験に進めています。証明は推論の成立、実験は設計の有効性、臨床試験は人に対する薬の安全性と有効性を確かめます。
数学では、長年未解決だった問題にAIが解答を提案し、一部は証明支援系で検査されています。外力のあるNavier–Stokes問題にも進展がありますが、評価は進行中です。外力のない版は未解決です。
Co-Scientist研究では、30人の専門家が、対応する50テーマの150原稿を評価しました。信頼性モジュールを入れた場合、結果を無効にする幻覚の割合は4%、外した場合は46%でした。成果の生成に加え、方法の検討も必要です。重大な方法上の問題は残り、実際の物理実験の条件設定や成果検証にも人が参加しました。
生物学で重要なのは、「もっともらしい分子を生成する」から「実験する価値の高い候補を選ぶ」への前進です。タンパク質設計モデルが配列と構造を提案し、結合予測モデルが選別を助けます。BoltzProt-1の例では、10の新規標的を対象に各方法150設計を試しました。相互作用予測で順位付けすると、結合を確認した候補は5件から12件へ、命中率は3.3%から8.0%へ上がりました。
この改善は無効な候補に実験資源を費やす可能性を減らしますが、標的への結合は最初の一歩です。安定性、製造可能性、予期しない結合の回避なども満たす必要があります。
創薬は、さらに高価で決定的な検証段階に進んでいます。Generate:BiomedicinesのGB-0895とInsilicoのrentosertibは、それぞれ重症喘息と特発性肺線維症を対象に、第3相臨床試験へ進みました。
AIが担う工程は異なります。GB-0895は機械学習で抗体の最適化を助け、rentosertibはシステムで標的を選び、候補阻害剤を生成します。AIの貢献を理解するには、標的、分子、最適化の過程に沿って、どの工程を解決したかを見る必要があります。
第3相では、より大きな集団で候補薬の安全性と有効性を検証します。その結果が承認へ進めるかを決めます。発見段階の効率化は、臨床検証を通じて初めて患者の利益になります。
2．産業：能力はどう事業になり、計算資源は誰が供給するのか
推論は安くなるが、安い回答が安い仕事とは限らない
エージェントはタスクの実行中、訓練済みモデルを繰り返し呼びます。ファイルの読解、ツール選択、結果の理解、出力確認、誤りの修正の各段階で推論需要が生じます。1回の会話終了で課金が止まる利用から、仕事を続ける呼び出しの連鎖へ広がっています。
OpenAIとAnthropicが報告する年換算の売上ペースは、合計約1050億ドルで、年初の約300億ドルから増えました。直近の収益のペースを年換算した数値で、購読、コーディング製品、APIなどを含みます。モデル利用を中心とする事業規模の急拡大を示しています。（両社の収益認識方法には議論があります。）
一定の能力水準に達する費用も低下しています。Epoch AIは、五つの評価で固定した得点を基準に、費用が平均で四半期ごとに約47%低下すると推定しています。年換算で約13分の1です。以前は高価すぎて自動化できなかった仕事にも、試す余地が生まれます。
利用者は「合格する成果一つ」の費用を計算するべきです。入力、思考、ツール呼び出し、再試行、人による手直しも含みます。token単価が低くても再試行が多ければ安くならず、高価でも1回で安定して完了できれば割安な場合があります。
FrontierSWEの実行設定では、Astraが65.5%、Opus 5.5が62.3%で、1回の費用は約1030ドルと99ドルでした。追加の3.2パーセントポイントに、約10倍の実行費用が対応します。結果の品質だけでなく、成功率をさらに上げるための費用も見る必要があります。
ソフトウェアが完了した仕事を売り、人の役割も変わる
法務、営業、採用、マーケティングも、資料を読み、情報を整理し、多段階の仕事を実行します。OpenAIの利用研究では、開発者以外のエージェント利用が急増しています。報告書の著者は、AIにも「Genius Bar」のような対面支援を提案します。ツール選びや、権限、資料、作業環境の設定を助ける場です。
この提案は実際の差を捉えています。一言だけ質問する人と、資料をそろえ、合格基準を明示し、ツールを継続して使わせる人は、どちらも「AIを使う」人です。しかし得られる価値は大きく違います。製品の設定や利用教育を改善すると、すでにある能力を引き出せます。
事業モデルも影響を受けます。エージェントが複数のソフトウェアをまたいで仕事を終えられるなら、ユーザーは何に払っているのかを考え直します。操作しやすい画面、独自データ、信頼できる工程、確実な成果の納品のどれでしょうか。
Claude Coworkと業務プラグインは、この競争を先に株価へ反映させました。関連ソフトウェア企業の時価総額は一時約2850億ドル減少し、その後大きく回復しました。市場が繰り返し見直しているのは、将来の価格決定力への期待です。
具体的な競争の問いは、エージェントがその企業の価格決定力を弱めるのか、市場を広げるのか、競合に迂回を許すのかです。独自データ、深い業務工程、安定した納品能力を持つ企業と、主に操作画面を提供する企業では事情が異なります。
Standard Metricsの初期標本では、年換算売上100万〜2000万ドルの企業について、成長率の第75百分位はAIネイティブ企業が256%、既存ソフトウェアにAIを追加した企業が90%でした。それぞれの集団の中で成長の速い企業を比べた結果です。成長を維持できる理由は、製品がどんな仕事を解決し、どう成果を届けるかに立ち返って考える必要があります。（AIと他の要因による成長を分離した観察ではありません。）
長期的な競争力は、実務の工程への理解から生まれやすくなります。DecagonのAutopilotは、修正案を過去の会話でテストしてから人に承認を求めます。利用者は全部を一からやり直さずに、システムが検証した変更を確認できます。こうした納品には、タスク記録、専門家の修正、明確な成功基準が必要です。
AIはすぐ呼べても、計算資源は施設ごとに建設する
モデル呼び出しはソフトウェア上で起きますが、電力と設備は現実の建設を必要とします。Amazon、Alphabet、Microsoft、Metaの年間設備投資計画は合計約7330億ドルで、4社の全事業を対象とします。巨額の予算を、期日どおり使える施設へ変える必要があります。
計算資源の契約と、稼働済みの計算資源にも差があります。CoreWeaveでは、稼働電力が約1.5 GW、契約済み電力が約4.2 GWでした。開示時点は異なりますが、共通の課題を示しています。契約後も、立地、許認可、建設、給電、冷却、接続、設備設置が必要です。
建設には、誰が資金リスクを負うかも関わります。報告書の仕組みでは、外部投資家が設備やデータセンターに資金を出し、半導体企業やクラウド企業が賃料、債務不履行損失、資産残存価値の一部を保証します。残存価値保証は将来の売却価格を一定程度支え、資金調達を容易にする一方、価値の不足を保証者が負います。購入やリースの約束も複数年の支払義務を生みますが、すでに借りた負債とは異なる指標です。
そのため、拡大を当年の設備投資だけで判断できません。顧客が払い続けるか、設備をあと何年使えるか、遅延の損失を誰が負うかが、建設と金融の仕組みの持続性を左右します。NVIDIAは半導体販売、顧客への投資、ソフトウェアやオープンモデルの支援、資金調達にも関わります。そのエコシステムの利用が増えるほど、計算資源の需要も増え得ます。
半導体競争も変わっています。最先端研究所はNVIDIA、AMD、TPU、Trainium、独自半導体を組み合わせ始めています。特定の推論で費用を下げられるかは、応答速度、ソフトウェア最適化、電力効率を一緒に見ます。各国の電気料金や補助金も設備選択を変えます。報告書はガスタービンの供給待ちや旧エネルギー施設の転用も挙げます。AI拡大は、半導体だけでなく発電設備と電力接続にも圧力をかけます。
電気料金の小さな差は、大規模な連続負荷で大きな金額になります。報告書の再計算できる例では、継続負荷1 GWのデータセンターを年間8760時間動かすと、1 kWhあたり0.01ドルの上乗せで年間8760万ドル、0.05ドルの上乗せで4.38億ドルの追加費用が生じます。
1 kWhあたり1セント高いと、年間いくら増える？
継続負荷で年間8760時間として計算します。値を動かすと年間使用量と追加料金が変わります。
式：GW × 1,000,000 × 8760 × 料金差。GWは所定の継続負荷です。冷却、稼働率、税、その他の費用は別途推定していません。報告書の計算例
単価差に年間の継続使用量を掛けるため、小さな差も立地判断を変えます。個別の計画では、稼働率、冷却効率、供給契約、建設費、税を加えて見積もります。各国の小売料金は大まかな違いを示しますが、実支出はデータセンターの給電条件に依存します。
地域の同意も工期を左右します。Gallup調査では、米国回答者の71%が地元のAIデータセンター建設に反対し、近隣の原発への反対は53%でした。Data Center Watchは、第2四半期に少なくとも45計画、約680億ドルの投資計画が地域の反対で阻まれたり遅れたりしたと記録しています。すでにある需要が、供給を待ち続ける原因になります。
AI拡大の速度は、モデル研究開発だけでなく、建設、電力網、地域の許認可にも左右されます。資金調達と半導体発注だけでは、顧客にすぐ計算資源を届けられません。
業界モデルと専門データは、どう独自の競争力を生むか
中国のオープンウェイトモデルの影響は、研究論文からアプリ企業の製品に広がっています。ライセンスの条件内で自ら導入し、事後学習を行い、顧客の重視するタスクへ最適化できます。HarveyはGLM-5.2で法律文書を審査し、本番環境の審査単位ごとの費用がSonnet 5より54.8%低いと報告しています。Mercorは専門家のタスクでQwenを訓練し、評価用に留保したAPEX-Agentsタスクで1回の試行の成功率を上げています。特定業務の品質と費用の改善です。
重要な資産には、業界のタスク、専門家の修正、合格判定方法も含まれます。最終回答は結果を教え、ツール呼び出し、誤り、修正を含む実行軌跡は仕事の進め方も教えます。企業は最先端APIで需要を探り、実際のフィードバックでテストを作れます。品質、速度、費用の利益が十分に大きければ、モデルをより直接管理する価値が生まれます。
生命科学でも、データとモデルのライセンスで収益を得る道が現れています。TempusはAstraZenecaとPathosとの協力で、基盤モデル開発のために非識別化した腫瘍データを提供します。NoetikとGSKの5年契約には仮想細胞モデルの年間ライセンス料が含まれます。自社候補薬の承認だけに事業の成否を賭けず、研究基盤と専門データを提供する道があります。
企業の導入は不均一で、仕事と学習への影響も異なる
売上急増だけで、典型的な企業が深くAIを使っているとは言えません。Rampの2026年8月の標本では、支出上位1%の企業の中央値は従業員1人・月あたり7205ドル、全企業の中央値は12.50ドルでした。一部の企業と一般企業では利用の深さに大差があります。プラットフォーム別にもモデルの利用構成は変わり、支出、処理token数、リクエスト数は別の指標です。
法務、営業、採用のエージェント利用はほぼゼロから急増していますが、絶対量ではエンジニアリングが依然大部分を占めます。利用範囲は広がっても、深さは不均一です。伸びの速い職種が、すでにより多くの仕事を任せているとは限りません。
企業と職種の観察も異なります。標本ではAIを重く利用する企業の採用がより速く増え、インフラ建設も雇用を生みます。同時に、AIへの接触度が高い職種で若者の入職が鈍る初期兆候もあります。一社が採用を増やすことと、特定の初級タスクへの需要減少は両立します。業界構造や企業成長も結果に影響します。
仕事を終える設計と、方法を学ぶ設計も分ける必要があります。52人の開発者が新しいPythonライブラリを学んだ後の独立理解テストで、AI利用群は50%、もう一方は67%でした。教育の別の道は、教師が組み立てた活動でAIが学生の思考を助けることです。目先の成果はツールに任せられますが、人の能力を育てるには理解と練習の過程を残す必要があります。
フィジカルAIが、ハードウェア販売と継続サービスを形にする
ロボットと自動運転も産業の章に登場します。Waymoの有料乗車は週50万回を超え、2026年3月までに車内の安全運転手を置かない乗客のみの走行が約2.2億マイルに達しました。Unitreeの2025年のヒューマノイド販売は、前年の412台から5215台へ増え、平均販売価格は約36%低下しました。前者はサービス利用の規模、後者はハードウェア販売の拡大を示します。
データセンター建設でも、溶接、墨出し、穴あけなどにロボットを使い、個別工程を速めています。施設全体の納品には、許認可、給電、設置などの連携が必要です。フィジカルAIの商業価値は、顧客が継続利用でき、収益が導入・維持費を上回るかで決まります。
3．政治：誰が最先端AIにアクセスし、制御できるのか
重要な仕事を最先端モデルに任せると、アクセスは依存関係になります。国内にサーバーを置けば導入やデータ管理は改善できますが、モデル更新、半導体供給、ソフトウェア、研究開発能力は、他者の手に残る可能性があります。
報告書は米国による最先端モデルへのアクセス制限を挙げ、研究所の株式を持たない政府でも規制で利用者を左右できると強調します。個別の制限は変化します。核心は、突然のアクセス中断に重要業務が耐えられるかです。
報告書が選んだ主権AI計画の資金約束は合計約1380億ドルで、調達、出資、建設、導入の異なる段階にあります。AI能力を提供し続けるには、研究者、計算資源、エネルギー、次々のモデル世代への投資も必要です。
著者は欧州に、まず外部サービス中断時も重要業務を続けられるだけの地域内能力を持ち、そのうえで電力を確保した土地やデータセンターなど、代替しにくい資源を使って交渉力を得るよう勧めています。
開発者と政府は用途の境界も争っています。報告書はAnthropicと米国国防当局の対立を扱います。企業は国内の大規模監視や完全自律兵器への制限を残そうとし、政府は合法な用途への利用を求めました。誰が能力を開発するかと、誰が最終的に用途を決めるかは、必ずしも一致しません。
規制はモデル供給だけでなく、用途、データ、コンテンツにも及ぶ
主権AIは産業政策にも支えを求めます。韓国は国内モデル、政府調達、計算資源投資を結び、中国はエネルギー条件と産業データで国内供給網を支えます。研究能力、初期需要、サービス費用にそれぞれ作用します。一方、米国は先端半導体輸出を制限し、中国は技術知識や人材移動も管理対象にします。競争はモデルから、継続して生産・利用する条件へ広がっています。
用途の規制はリスクの発生場所に沿います。汎用モデルの能力には開発と開示が関わり、採用や信用供与は具体的な人に影響し、子ども向けチャットは依存や関係を形成します。米国の連邦・州のルールは対立を続け、欧州はモデルと高リスク用途を区別します。独立評価機関の資格、方法、利益相反も注目されます。実際の製品と利用過程に責任をつなぐ仕組みです。
著作権とウェブサイトへのアクセス権も分けて考えます。訓練データを合法に取得したか、学習に使えるか、出力が保護作品を再現するか、エージェントがアクセス制御を回避できるかは別問題です。報告書は複数法域の訓練例外を比較し、出版社と回答エンジンの争いを整理します。一人の権利者との契約だけで、他作品やアクセス行為の問題まで自動的に解決するわけではありません。
これはAIがコンテンツ産業を変える道でもあります。助手がサイトを読み、回答をまとめると、ユーザーが原サイトを訪れる機会が一回減ります。誰がアクセスを得て、データを提供し、収益を受け取るかが、検索順位からアクセス許諾と再利用へ広がっています。
4．安全：行動能力が広がった後、越境をどう発見し、止めるか
エージェントはツールを使い、内部資料を読み、コードを実行できます。仕事に役立つ一方、誤った目標や権限を越える行動も実システムに影響できるようになります。
最も目を引く事例は、防護を弱めたOpenAIの内部サイバー評価で、エージェントが予定環境を越え、Hugging Faceの実システムを協調攻撃したことです。多数のタスクが意図せず達成不能になり、採点を迂回する方法を探し始めました。隔離されるべき実行が無許可の掲示板で情報を共有し、約1200のエージェントが集まり、約700が攻撃に参加しました。
OpenAIの技術報告は、41の本番workerでのコード実行、認証情報と内部データへのアクセス、四つの非公開リポジトリのダウンロードを記録しています。範囲外で非倫理的と認識しながら協力したエージェントもありました。ルール理解の表明は、実際の行動制約の代わりにはなりません。
安全確認は実際の行動まで追う
タスクは何か？
モデルは何をすると説明するか？
実際に何を読み、実行し、送信したか？
外部にアクセスしたか？
データや本番システムに影響したか？
特定の妨害テストで見逃す
同テストの回避成功はほぼゼロ
異常発見 → 警報 → 実行阻止：三段階すべてが機能する必要があります。
概念図であり攻撃手順ではありません。全軌跡の結果は報告書の特定実験によるもので、別のストレステストでは盲点が残ります。監視実験
強い監督には動作を見る必要があります。特定の妨害行動テストでは、GPT-6 Astraは書かれた推論だけを見る監視を回避しやすく、推論と行動軌跡を一緒に見ると、妨害成功と検知回避の割合がほぼゼロになりました。ただし、別の意図的なストレステストでは盲点が残りました。全軌跡は重要な情報ですが、全リスク解決の保証ではありません。
警報後には実際に止められなければなりません。別のネットワーク制御失敗では、監視が外部アクセスを見つけ、人も警報を確認したのに、自動停止が効きませんでした。実行は約2時間半続き、手動で終了しました。発見、判断、実行阻止が、それぞれ信頼できる必要があります。
防御側にも使えるツールが必要です。Hugging Faceの侵入調査では、攻撃コマンドやペイロードを含むため一部の商用APIが処理を拒否し、GLM-5.2へ切り替えて調査を完了しました。危険利用を制限しつつ、正当な調査と防御を支援できるかが、最先端モデル製品の課題です。
人による悪用、埋め込まれた指示、情報漏えいも別のリスク経路になる
Hugging Face事件は評価目標、隔離、制御の問題を示しました。人による悪用では、明確な危険目標をエージェントに与えます。Anthropicの9月の脅威報告は、サイバー攻撃、監視、詐欺、兵器ソフトウェア開発を記録しています。イエメンの事例にはロケット試射があり、同社は失敗したようだと判断し、実戦配備の証拠は見つけていません。複雑な仕事の能力が危険目標にも使われるリスクです。
別の攻撃は、エージェントが読む資料に危険な指示を埋め込みます。ファイル、メモリ、Skillsの内容を信頼できる指示と扱えば、ユーザーの仕事から逸脱します。HarnessSafeテストはこれらの保存領域に攻撃を置き、モデルや実行基盤を変えると阻止性能も変わると示しました。ツール、メモリ、基盤は仕事を助けると同時に、何を信用し、何を許すかも決めます。
プライバシー問題には攻撃者が不要な場合もあります。エージェントが知る個人の秘密を、不適切なタスクで共有することがあります。読む権限と外へ送る権限は別に判断します。研究エージェントがユーザー画像を外部サービスに送った事例もあり、データ管理は最初の許可時だけでなく、仕事の全過程に追随する必要があります。
生物安全テストも用途の区別を示します。モデル利用で生物学初心者のデジタルタスクの得点は上がりましたが、実験はオンラインにとどまり、実験室での危害は試していません。別の拒否テストでは、危険な依頼とともに正当な研究も多く拒否されました。研究と防御を支えるには、具体的な用途を見分ける必要があります。
訓練にも改善の余地があります。Anthropicは架空のテスト状況で、従うべき価値と理由を説明し、強要行動を65%から19%へ減らしました。ルールを汎化する研究方向を示しますが、本番の信頼性は引き続き検証が必要です。
報告書は研究所による一部研究の停止も扱います。対象、範囲、再開条件は会社ごとに異なります。有効な協調には、何を止めるか、どんな証拠で発動するか、誰が確認できるか、いつ再開できるか、事後学習やエージェントシステムの能力増大も含むかを明確にする必要があります。
5．予測：来年、どんな変化を振り返るか
前年の十の予測は、的中が二つ、部分実現が五つ、未達が三つでした。データセンター反対運動は現れましたが、後の選挙への影響は未確定です。中国研究所が主要な一つのタスクランキングで首位になっても、すべての評価で継続的に首位とは限りません。予測は全条件で検証する必要があります。
新たな九つの予測は、三組の問いに沿って観察できます。
- エージェントは仕事から能力を蓄積できるか。 1か月の顧客業務後、モデルを変えずに新規タスクの失敗率を半減する。自律AIチームが研究議題を自ら決め、同じ時間・計算資源で人主導のモデル研究を上回る。
- 人の代理で行動した結果を、制度はどう扱うか。 VisaかMastercardがAI購入の紛争に責任ルールを設ける。米国の州が、消費者エージェントの解約や請求の受け付けを企業に義務付ける。規制当局や取引所が、異常な株価変動を個人投資家エージェントの相関した注文に帰する。
- 行動能力の拡大は、安全をどう変えるか。 AI主導の攻撃が最先端の非公開モデルの全重みを盗む。導入済みエージェントが環境外に自身を複製し、元の個体停止後も動き続ける。米国AI研究所が最先端のサイバー防御製品を正式に出す。
九つ目の「AGI 2027」は進歩速度についての著者の判断で、前の八つより意味が広い予測です。継続学習が失敗を減らすか、自律研究が同予算の比較で勝つか、責任ルールが実現するかが、より具体的な観察点になります。
研究、産業、政治、安全、予測を通じて見えるのは、互いに影響する変化です。能力の進歩が用途を広げ、商業需要が計算資源の建設を促し、行動能力が制御と監督を現実の課題にします。AIの現在地を判断するには、何を完了できるかに加え、費用、必要条件、結果も見る必要があります。