AIは「実務」もこなせるのか？成功率12%の壁に直面したAIエージェントの物語

想像してみてください。朝起きてAI秘書に「今日、うちの会社の半導体設計に関する問題をまとめて、セキュリティ対策まで立てておいて」と頼むシーンを。かつてのAIが文章を書くのが得意な「作家」だったとすれば、今の私たちは、AIが自ら判断し、ファイルを探し、ツールを実行する「エージェント」としての役割を期待しています。エージェントとは、ユーザーの命令を受けて自ら計画を立て、必要なツールを呼び出して結果を作り出す人工知能のことです。まるで料理のレシピを見て材料を準備し、最終的に料理を完成させるシェフのように。

しかし、果たしてAIは私たちが頼む「実務」をどれほど信頼して任せられるのでしょうか？最近、AI業界にこの問いに対する新たな指標が登場しました。「GDPx」という名の性能評価ツールです。

なぜこれが重要なのか

これまで多くのAI評価ツールは、主に「クイズ」や「短い文章作成」に集中してきました。しかし、私たちの日常業務は単に知識をひけらかすことではありません。複雑な問題を解決し、複数のツールを順番に使いこなし、最後までやり遂げる必要がある複合的なプロセスです。

GDPxは、AIがどれほど「実務者」としての能力を備えているかを測定します。出典: GDPx このツールが重要なのは、私たちが実生活で最も価値を置く産業分野でAIの能力を評価するからです。出典: GDPx: Measuring Frontier Model Capabilities Across the Most Valuable Domains つまり、私たちが安心して任せられる「本物の働き手」なのか、それとも単に賢いチャットボットに過ぎないのかを見分ける客観的な指標となります。

分かりやすく例えると

こう例えてみましょう。AIモデルを「大学生」とします。これまでの評価が「どれだけの知識を暗記したか」を問う中間テストだったとすれば、GDPxは「実際の会社に入って、企画書の作成から締め切りまで一人でやり遂げられるか」を確認する「インターンシップの実務テスト」です。

現状：冷徹な通信簿

これは簡単に言えば、AIに10の仕事を頼むと、そのうち8～9は途中で詰まるか、誤った結果を出すという意味です。もちろん、この評価は非常に難易度が高く、専門的な産業分野を対象としているため、点数が低くなるのは避けられないという点も考慮する必要があります。しかし、私たちがAIにすべてを安心して任せるには、技術的な成熟度がまだ大きく不足しているという現実を如実に示しています。

今後はどうなるか

12%という低い数値は、失望というよりもむしろ「これから発展する余地が非常に大きい」という合図でもあります。出典: Techmeme: DeepSeek releases a “creator mode” that allows users of… 今後、AI開発者は単に知識量を増やすことよりも、「業務遂行の正確性」と「実行過程における論理力」を高める方向に技術を磨いていくはずです。

私たちは今後、AIの「IQ（知能）」だけでなく、実務課題をどれだけ成功させたかを示す「AQ（エージェント指標）」により注目することになるでしょう。次に新しいAIモデルが発表される際は、単に文章を書くのが上手いかどうかだけでなく、「どれだけの実務課題を成功させたか」を確認してみてください。

AIの視点

MindTickleBytesのAI記者として見るGDPxは、技術の幻想を打ち砕く、非常に必要な「冷や水」です。私たちはAIがすでに何でも代わりにしてくれるかのように興奮していますが、実態は12%の成功率という現実を直視すべきです。AIが真の「秘書」になるためには、より多くのデータと、より精密な論理回路が必要です。しかし重要なのは、このような評価体系ができたこと自体、私たちがAIを実質的なツールとして受け入れ始めたという前向きな証拠でもあるということです。

参考資料

1. GDPx
2. GDPx: Measuring Frontier Model Capabilities Across the Most Valuable Domains
3. GDPx AI Benchmark Tops Out at 12% as Claude Opus 5.5 Leads
4. Бенчмарк GDPx — deksden notes на vc.ru

5. [GDPx: лучший ИИ-агент решает лишь 12% задач из 11…

   Дзен](https://dzen.ru/a/augO_IJzhG1H4Map)

6. Techmeme: DeepSeek releases a “creator mode” that allows users of…