GPT-5、専門業務で人間に迫る性能 OpenAIが新指標発表

OpenAIは9月25日、AIモデルが人間の専門家と比べてどの程度の業務を遂行できるかを測定する新しいベンチマーク「GDPval」を発表しました。最新モデルであるGPT-5が、多くの専門職の業務において人間が作成したものに匹敵する品質に近づいていることが示されました。これは、汎用人工知能（AGI）開発に向け、AIの経済的価値を測る重要な一歩と言えるでしょう。

GDPvalは、米国の国内総生産（GDP）への貢献度が高い9つの主要産業（医療、金融、製造業など）から、44の職種を選定して評価します。例えば、投資銀行家向けのタスクでは、AIと専門家がそれぞれ作成した競合分析レポートを、別の専門家が比較評価します。この「勝率」を全職種で平均し、AIの性能を数値化する仕組みです。

評価の結果、GPT-5の高性能版は、専門家による評価の40.6%で、人間が作成したレポートと同等かそれ以上の品質であると判断されました。これはAIが、調査や報告書作成といった知的生産タスクにおいて、既に専門家レベルの能力を持ち始めていることを示唆します。経営者やリーダーは、こうした業務をAIに任せ、より付加価値の高い仕事に集中できる可能性があります。

興味深いことに、競合であるAnthropic社の「Claude Opus 4.1」は49%という、GPT-5を上回るスコアを記録しました。OpenAIは、この結果について、Claudeが好まれやすいグラフィックを生成する傾向があるためではないかと分析しており、純粋な性能差だけではない可能性を示唆しています。モデルごとの特性を理解し、使い分けることが重要になりそうです。

AIの進化の速さも注目に値します。約15ヶ月前にリリースされたGPT-4oのスコアはわずか13.7%でした。GPT-5がその約3倍のスコアを達成したことは、AIの能力が急速に向上している証左です。この進化のペースが続けば、AIが人間の専門家を超える領域はさらに拡大していくと予想されます。

もちろん、このベンチマークには限界もあります。現在のGDPval-v0はレポート作成という限定的なタスクのみを評価対象としており、実際の専門業務に含まれる多様な対話や複雑なワークフローは反映されていません。OpenAIもこの点を認めており、今後はより包括的なテストを開発する計画です。

従来のAIベンチマークの多くが性能の飽和を迎えつつある中、GDPvalのような実世界でのタスクに基づいた評価指標の重要性は増しています。AIがビジネスに与える経済的インパクトを具体的に測定する試みとして、今後の動向が注目されます。