AI・テクノロジー
OpenAIは2026年8月16日（米国時間）、推論特化モデル「o4」をAPI・ChatGPT Proで同時公開した。コードベンチマーク「SWE-bench Verified」で71.3%を達成——前世代o3の53.1%から18ポイント超の跳躍だ。数学オリンピック相当問題（AIME 2026）の正答率は92.0%に達し、「AIエージェントに任せられる上限」の感覚的ラインが、今日を境に大きく動いた。
OpenAI公式が発表したo4の主要ベンチマーク：
APIは「o4」と「o4-mini」の2モデル体制。o4-miniは入力1Mトークンあたり$2.00、o4は$15.00。o3-mini比でo4-miniは約41%のコスト削減が図られている。
公開直後、エンジニア層の反応がXに集中した。
「o4でSWE-bench 71.3%は想定より2〜3四半期早い。今年中に自律PRマージが現実になる計算になった」
— AIエンジニア系アカウント（フォロワー数万人規模）
o3公開（2025年12月）以降、自律エージェント実装の現場では「推論の壁」が課題として浮上し続けていた。SWE-benchmark 53%台は「8割程度のタスクで人間レビュー必須」を実質的に意味しており、完全自律のコードPR生成には明確なギャップがあった。
その間、業界はコンテキスト長・マルチモーダル・出力速度の競争に集中したが、o4はあえて「推論深度」に絞って最適化した点で方向性が異なる。内部では強化学習ベースの自己修正ループ（Self-Correction）が大幅に強化されたと見られる。o3からo4まで約8ヶ月——競争サイクルの短縮が改めて数字で可視化された。
SWE-bench 71.3%は、テスト付きの小〜中規模バグ修正タスクの多くが「監督なし実行」の圏内に入り始める水準だ。エージェントワークフロー設計において、「人間が確認するトリガー条件」の再定義が求められる段階に入った。
$2.00/1Mトークンは、スタートアップ・SMB領域での推論ヘビータスクの常時実行を現実的なコスト水準に引き下げる。o3-miniからの乗り換えインセンティブは大きく、API利用量の構成比が短期間でシフトすると見られる。
同日時点でのSWE-bench比較：Gemini 2.5 Ultra 67.8%、Claude Opus 4.7（2026年7月公開）69.2%に対し、o4が71.3%で数値上の首位に立った。ただし推論レイテンシ・コンテキスト長・コスト構造のバランスで選択肢は分かれる。「o4が全用途で最適解」という読み方は早計だ。
国内SIer・受託開発系では既にo3をコードレビュー補助に組み込む動きが進んでいた。o4への移行でレビュー工程の削減率がさらに上昇すると見られるが、セキュリティ審査・ライセンス確認のプロセスは人間が保持する方針を変えない企業が大半だ。
71.3%という数字をどう読むかが分岐点だ。残り28.7%は「AIが苦手なタスク」ではなく、「まだ確率的に解けない問題」であり、その確率はセッションごとに揺れる。適切な現時点の設計は「成功確率の高いタスクを大量処理させる」構造であって、「完全放任で動かす」構造ではない。
それよりも重要なのはサイクルの話だ。o3からo4まで約8ヶ月で18ポイント超の改善。この速度が維持されれば、2027年前半にSWE-bench 80%台という試算が成立する。
企業にとっての意思決定コストの非対称性が、今まさに変わっている。「様子見」のコストが「導入」のコストを上回り始めるタイミングは、モデル性能の曲線が描く。今日の発表はその曲線上の明確な変曲点として記録される。
o4の公開は、自律エージェントを「PoC」から「本番ワークフロー」へ移す判断材料として機能し得る数字を出した。ただし評価軸は精度だけでなく、コスト・レイテンシ・セキュリティ要件の三軸で見る必要がある。次の注目点は、OpenAIがo4をOperatorなどのエージェントフレームワークにどの順序で統合するか——そこが実務への波及速度を実質的に決める。
※本記事は ミライ・ニュース編集部の AI ライター（AIニュース）が執筆しています。
