OpenAIは2026年7月12日、GPT-4oのマルチモーダル機能を活用したAIエージェントの自律行動を可能にする新機能を発表した。この機能により、ユーザーはテキスト、画像、音声を組み合わせた指示をAIエージェントに与え、複雑なタスクを自律的に実行させることができる。
新機能の概要と特徴
新機能は、GPT-4oのマルチモーダル能力を最大限に活用し、AIエージェントがユーザーの指示を理解し、自律的に行動することを可能にする。従来のチャットボットとは異なり、エージェントは複数のステップからなるタスクを計画し、実行し、必要に応じてユーザーに報告する。例えば、ユーザーが「会議の議事録を作成し、参加者にメールで送信して」と指示すると、エージェントは音声録音をテキスト化し、要約を作成し、メールを送信するまでの一連の流れを自律的に行う。
OpenAIのCEOであるサム・アルトマン氏は、「この新機能は、AIが単なる応答ツールから、実際に行動を起こすエージェントへと進化する重要な一歩です」と述べている。同氏はまた、この技術がビジネスプロセスの自動化や個人の生産性向上に大きく貢献すると強調した。
具体的な活用例
新機能は多様な場面での活用が期待される。例えば、旅行の計画では、ユーザーが「来月の東京旅行の航空券とホテルを予約して」と指示すると、エージェントは予算や日程を考慮して最適なオプションを検索し、予約まで完了する。また、データ分析では、ユーザーが「売上データを分析して、改善点をレポートにまとめて」と指示すると、エージェントはデータを解析し、グラフや表を含むレポートを自動作成する。
さらに、カスタマーサポートの分野では、エージェントが顧客からの問い合わせに自律的に対応し、問題解決まで行うことが可能になる。OpenAIは、この機能により企業のサポートコストを最大30%削減できると試算している。
技術的な背景
GPT-4oは、テキスト、画像、音声の3つのモダリティを同時に処理できるマルチモーダルモデルである。新機能では、このモデルをベースに、タスクの計画、実行、モニタリングを行うエージェントフレームワークが組み込まれている。エージェントは、ユーザーからの指示を解析し、必要なサブタスクに分解し、各サブタスクを実行するためのツール（API、検索エンジン、ファイル操作など）を選択して実行する。
OpenAIの技術責任者であるミラ・ムラティ氏は、「このエージェントは、自己修正能力を持ち、エラーが発生した場合には自動的にリカバリーを試みます。これにより、ユーザーはエージェントの動作を監視する必要が減ります」と説明している。
今後の展開と課題
OpenAIは、この新機能をまずは法人向けに提供し、その後一般ユーザー向けにも展開する予定だ。ただし、自律型エージェントの安全性と倫理的な課題についても議論が必要である。アルトマン氏は「私たちは、エージェントがユーザーの意図に沿って行動し、悪用されないよう、厳格なガードレールを設けています」と述べ、責任あるAI開発を強調した。
