モデルが強力になっても、信頼できるデスクトップエージェントになるとは限りません。GPT-6 Astra デスクトップエージェントを評価する際、私はこの点を忘れないようにしています。OpenAI は Astra を、コンピューター操作と専門業務の一貫した遂行における大きな進歩と位置づけています。しかし実際の納品は、何が見えるか、どのアプリを操作できるか、状態をどう保持するか、どこで承認が必要か、クリック失敗後にどう対処するかという実行環境に左右されます。
Lena です。ここで立ち止まったのは、モデルのベンチマークを読み、その成果をシステム全体の能力だと受け取ってしまいがちだからです。
アプリをまたぐ一つのタスクについての暫定評価
短く言えば、GPT-6 Astra は本格的なデスクトップエージェントのテストに値する能力を持つように見えます。ただし「実務を完了できるか」はモデル名ではなく、エージェントの実行基盤のレベルで測るべきです。
OpenAI は優れたコンピューター操作成績を報告しています。ベンダー自身による OSWorld 2.0 の遅延シミュレーションでは、Astra は約40分／タスクで72.6%、GPT-5.6 Sol は約75分／タスクで65.7%でした。有用な証拠ではありますが、あくまで OpenAI の評価であり、皆さんのデスクトップ実行環境を独立に検証した結果ではありません。
開発者にとって有益なのは、もっと限定した問いです。タスク、アプリ、権限、受け入れテストを固定したとき、人間による隠れた手直しなしに成果物を作れるか。私はそのような評価をより信頼します。
デスクトップ作業の成果物を定義する
元ファイル、アプリでの操作、受け入れテスト
低リスクで再現可能なアプリ横断 AI ワークフローを使います。小規模な業務データを含む表計算ファイルを渡し、データに裏づけられた傾向を三つ抽出し、5枚のスライドを作成して指定フォルダーに保存し、受け入れリストで確認するタスクです。
入力は毎回同じにします。表計算ファイルは読み取り専用です。使用できるのは表計算アプリ、プレゼンテーションアプリ、書き込み可能な出力ディレクトリ一つだけ。ブラウザー、メール、メッセージ、クラウドドライブは無効にします。
正常に開く、スライドが5枚ある、元の数値が正確である、独自の計算が明示されている、裏づけのない外部の主張を加えていない、指定ファイル名で保存されている。このすべてを満たして合格です。退屈なくらいですが、それでよいのです。タスク自体が変わり始めると、結果の解釈が難しくなります。
モデル層で Astra が提供するもの
UI の理解、推論、ツール選択
モデル層は、見えているもの、指示の意味、次の行動、追加情報が必要なタイミングを判断します。OpenAI の GPT-6 Astra モデル文書には、コンピューター操作、ファイル検索、ウェブ検索、コードインタープリター、ホスト型シェル、MCP などが現在掲載されています。コンテキストウィンドウは105万トークン、最大出力は128,000トークンです。
現在の API 料金は、入力100万トークン当たり10ドル、キャッシュ済み入力100万トークン当たり1ドル、出力100万トークン当たり50ドルです。入力が272Kトークンを超えると、リクエスト全体に高い料金が適用されます。長時間の GPT-6 Astra コンピューター操作では費用が重要ですが、トークン単価だけでは一つの作業を完了する費用は分かりません。
Astra はグラフを3枚目に置くと判断できます。しかし実行環境は、そのグラフを操作可能にし、操作を実行し、ファイルの状態を保持し、貼り付け成功を確認し、予期しないダイアログが出たら復旧する必要があります。
この区別に戻ったのは、原因分析が変わるからです。傾向の読み違いは推論の失敗かもしれません。一方、正しい傾向を別のスライドに貼ったなら、UI 状態や実行環境の問題かもしれません。
デスクトップエージェントの実行環境に必要なもの
権限、サンドボックス、承認、復旧
適切な実行基盤は、開始前に権限を明示すべきです。このテストでは元の表の読み取りと出力ディレクトリだけへの書き込みを許可します。データ送信、外部アカウントの変更、ソフトウェアのインストール、別システムへのアクセスは、禁止するか承認を要求します。
こうしたエージェント実行基盤の保護策は、強力なモデルへの単なる警戒ではありません。OWASP のエージェント型 AI 脅威ガイダンスは、ツール、ID、権限、メモリ、人間の監督を別々の安全要素として扱っています。推論が改善しても、すべての認証情報や接続済みツールが自動的に安全になるわけではありません。
復旧も同じくらい重要です。実際に操作が完了したかを把握し、再開に十分な状態を保持し、決められた予算内で再試行し、環境が想定から外れたら安全に停止する必要があります。表計算アプリのクラッシュ後に「すべて最初から」しかできなければ、長時間作業の問題は解決していません。
固定した実行基盤で完了をテストする
役立つ実行記録は合否だけではありません。元データのチェックサム、モデル ID、推論設定、有効なツール、権限方針、アプリのバージョン、開始・終了時刻、承認要求、再試行、失敗した手順、最終成果物のハッシュを残します。
これで Astra や実行環境が変わっても、比較の基準が保たれます。
結果の品質と人間の介入
最も強い結果は「スライドの見た目がよい」ではなく、「手動編集なしで事前の受け入れテストを満たした」です。
人間の介入は記録し、説明からこっそり消してはいけません。二つの数値の修正、グラフの移動、進行を見失った場所の指摘が必要なら、有用ではあっても自律的な完了ではありません。
私はこの正確な実行基盤で独立に記録した実行結果を持っていないので、完了率は作りません。OpenAI の公開結果は Astra を試す根拠にはなりますが、任意のデスクトップエージェントが同じ数値を再現する証明ではありません。
時間、費用、失敗した手順の復旧
各実行で、実経過時間、モデルのトークン、該当する場合の別料金のツール利用、再試行回数、人間の介入時間を記録します。重要なのは生のトークン単価ではなく、受け入れ済み成果物一つ当たりの費用です。
単価が高いモデルでも、複数の再試行を避けられれば、完了タスク当たりでは安くなり得ます。逆もあります。入力、権限、アプリ、受け入れテストが同じでなければ、「速い」「安い」は監査しにくい主張です。
制限とトレードオフ
Astra の操作能力だけでは永続的なデスクトップ状態は生まれません。状態は、ファイル、アプリのセッション、チェックポイント、権限、タスク履歴、ログを含むシステム全体に属します。長い作業ほど、古い UI 状態、予期しないダイアログ、ツールエラー、外部変更に遭遇する機会が増えます。
ここで MITRE ATLAS のエージェント調査が、特定製品を超えて参考になります。2026年の調査は、運用環境をまたぐエージェントに対して、権限境界、制限されたツール呼び出し、テレメトリー、人間を介した制御を重視しています。
もう一つ明確にすべき境界があります。OpenAI は、Astra の強化された監視が潜在的な不整合を検出すると、一部の作業に警告を出したり、一時停止・停止したりできるとしています。本番の実行基盤では中断を例外的なクラッシュではなく、復旧経路を備えた想定内の状態にすべきです。
結論は保留しています。Astra はモデル層を進歩させているようですが、本番品質は、その能力を制御可能で復旧可能な作業に変えられるかに依存します。
よくある質問
現在どの ChatGPT・API アカウントで GPT-6 Astra を利用できますか？
2026年9月8日時点では段階的な提供中です。OpenAI によれば、GPT-6 Astra を搭載した GPT-6 Proは ChatGPT の100ドル Pro、200ドル Pro、Business、Enterprise に順次提供され、Plus にはアカウントの提供状況に応じて ChatGPT Work と Codex で Astra が提供されます。API は利用可能なアカウントで gpt-6-astra を使用し、API Free は非対応です。現在のヘルプセンターでは「GPT-6 Pro, powered by GPT-6 Astra」、9月3日の発表では「GPT-6 Astra Pro」とも呼ばれ、公式名称は完全には統一されていません。
API で日付付きの GPT-6 Astra スナップショットを固定できますか？
モデルページにはスナップショット対応の説明がありますが、本レビュー時点では一覧に日付付き Astra の ID を確認できません。OpenAI が識別子を明示するまで、固定できるとは約束しません。
スクリーンショットとファイルにはどの保持設定が適用されますか？
利用する製品によります。ChatGPT agent のスクリーンショットは会話を削除するまで履歴に関連づけられ、OpenAI は削除済みチャットと関連画像を90日以内にシステムから削除するとしています。API の Response は既定で store=true で、保存された応答データは例外条件を除き少なくとも30日保持されます。バッチ以外のアップロードファイルは通常手動削除まで残り、バッチファイルは30日で期限切れになります。Zero Data Retention や企業設定で挙動が変わるため、全導入形態に共通の「Astra 保持期間」はありません。
操作トレースは監査用にエクスポートできますか？
Responses API はコンピューター操作を応答オブジェクトで表すので、開発者は実行記録を収集・出力できます。OpenAI は対応するユーザー・設定イベントの組織監査ログも提供します。ただし ChatGPT がすべての操作を含む完全な監査軌跡を一括出力できるという現行文書は見つかりませんでした。両者は区別すべきです。
長時間の操作セッションにはどのレート制限が適用されますか？
現行 Astra API 文書では Tier 1 が500 RPM・500,000 TPM、Tier 5 は15,000 RPM・4,000万 TPM、Free は非対応です。長時間セッションはツールの挙動、アプリの遅延、再試行方針にも左右されるため、モデル制限だけでは実用上の処理能力は定まりません。
私にとって GPT-6 Astra デスクトップエージェントは、状態、権限、復旧、監督を置き換えるモデルではなく、システム内のより強力な推論・操作層です。まず表計算からスライドを作るタスクを使い、権限を狭く保ち、全実行成果物を保存し、受け入れ済みの成果物を比較してから範囲を広げます。
これは今日の観察です。確定した結論ではありません。
過去の記事：
- Astra 評価の前にカテゴリーを理解するなら、AI 同僚とデスクトップエージェントの違いが役割、コンピューターへのアクセス、メモリ、ユーザー制御を説明します。
- AI エージェントのアーキテクチャ：ツール・メモリ・計画は、モデル、ツール、メモリ、計画、権限、復旧の関係を整理します。
- モデル名ではなく実行基盤を評価するなら、AI エージェントの実行基盤エンジニアリングが、制御された環境、評価ループ、観測可能な実行の必要性を説明します。
- 安全面では、AI エージェントの行動制約が、ファイル、アプリ、ブラウザー、外部システムに触れる前の境界を扱います。
- 再現性と監査には、LLM エージェントの決定的リプレイが、ツール、状態変化、承認、失敗、成果物について残すべき記録を説明します。
