## リード OpenAIは2026年9月13日、推論特化モデル「o4」のAPIおよびChatGPT向け提供を同時開始した。数学（AIME 2026: 94.7%）、科学難問（GPQA Diamond: 89.2%）、実環境バグ修正（SWE-bench Verified: 63.8%）の3指標でPhD相当とされるラインを初めて同時突破。「性能がいつか専門家を超える」という命題が、「どの業務から実装するか」という設計問題に変わった。 ## 何が起きているのか 日本時間2026年9月13日23時、OpenAIはo4を正式発表した。主要ベンチマークは以下の通り： - **AIME 2026**（数学オリンピック形式）: 94.7%（前世代o3比＋8.2ポイント） - **GPQA Diamond**（理系PhD難問集）: 89.2%（同＋6.1ポイント） - **Codeforces Elo**: 2,847（競技プログラミング上位0.1%相当） - **SWE-bench Verified**（実環境GitHubバグ修正）: 63.8%（同＋9.4ポイント） 価格はo3比で入力トークンコスト約20%削減。ただし当面の提供はAPI Tier 4以上に限定される。 リリース直後、研究者からの反応がX上で集中した： > 「o4に自分のラボの未解決問題を投げたら、見落としていたアプローチの提案が返ってきた。正しいかはまだわからないが、的外れではなかった」 ## 背景 o1（2024年9月）を起点とする推論モデル系譜は、o1 Pro→o3→o3-miniと進化してきた。各段階で「特定ベンチマークでの専門家超え」は報告されてきたが、今回は独立した3領域での同時到達という点で性格が異なる。 背景として、2026年前半のGemini 2 Ultra・Qwen 3.5の台頭がOpenAIの開発圧力を高めたとみられる。独立ベンチマーク機関の集計では、o4とClaude 4 Opusの差は誤差範囲内に収まっており、トップモデル間の性能差は実質的に縮小している。 ## 着目ポイント ### SWE-bench 63.8%が示す開発現場の変化 「実環境の未解決GitHubイシューを単独修正できる確率」として読めるこの数値は、2024年のo1が記録した約14%から2年間で約4.5倍に伸びた。コーディングエージェントと組み合わせた場合、シニアエンジニア相当のバグ修正自動化コストが現実的な範囲に入る。「AIがPRを書く」ではなく「AIが本番環境の問題を直す」フェーズへの移行を示す数値だ。 ### GPQA 89.2%と専門職設計の転換 PhDホルダーの平均正解率が70〜75%とされるGPQA Diamondで89.2%を記録した意味は大きい。医療診断支援・法律調査・金融リスク評価といった領域で、これまでの「下書き生成＋人間レビュー」から「結論提示＋例外ケース確認」へと業務設計の賭け方が変わる。 ### API価格20%削減の構造的効果 一見小幅な削減だが、推論モデルは思考連鎖（Chain of Thought）を繰り返すため、エージェントワークフローにおけるトークン消費量はチャット用途の数倍〜数十倍に達する。この領域でのコスト削減は、中小規模のスタートアップが月次予算内で本番運用できる閾値を下げる効果がある。 ## 編集部の視点 「PhD水準到達」という表現は過去にも登場したが、今回の構造的な違いは「複数の独立した難問領域での同時到達」にある。単一タスク最適化ではなく、汎用的な難問解決能力の底上げとして読むべき段階に入った。 注意点は二つある。一つは可用性の制約だ。Tier 4制限により、使いたい企業が即座に使えない状態が一時的に続く。競合がほぼ同等性能を出している局面では、「性能差」より「使えるかどうか」が実質的な競争軸になりうる。 もう一つは規制環境だ。EU AI法の高リスク条項が2026年8月に全面施行された今、医療・法律領域での「判断代行」利用は規制リスクと直結する。性能の上昇と規制の強化が同時進行している構図は、日本企業の実装設計にも影響する。 ## まとめ o4の登場は「AIが専門家に追いついた」という技術的節目ではなく、「専門知識を組み込んだ業務設計をどう変えるか」という経営・組織の問いに変換する局面だ。今日から変わるのは、専門職の「何をAIに任せるか」ではなく、「何をAIに任せないか」という判断軸かもしれない。 次の焦点は、AnthropicのClaude 4 Opus系アップデートの対応タイムラインと、GoogleがGemini 2系でo4水準にどこまで追随するかの2点だろう。 ※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。