5秒で結論
AI自動化で本当に効くのは、1回の返答が速いことではない。完成までの手戻りが少ないことだ。
ある記事制作システムは、数日から約1週間ほどの集中改造で、単なる「AIに文章を書かせて保存する仕組み」から、監視、再実行、競合制御、途中保存、障害隔離、品質ゲート、証拠管理まで持つ小型の自律工場へ変わった。
その大改造で効いたのが、GPT-5.6 Solを深く考えさせるだけでなく、複数の作業を並列に進めるultraを、大きな設計変更の最初に使う考え方だった。
1回は重い。でも、あとで「ここ壊れてた」「並列実行で事故った」「証拠がない」「また全部やり直し」が減る。結果として総時間は短くなる。
工場用語で言えば、サイクルタイムは長くても、手直し率が低いので総リードタイムが短い。
先に注意：Level 6とLevel 7は世界共通のランクではない
この記事で使うLevel 6、Level 7は、ゲームのレベルでもISO規格でもない。自動化の成熟度を分かりやすく説明するための、このシステム用のラベルだ。
考え方の土台は、IBMが長年研究してきた「自律コンピューティング」に近い。IBMは、自分で設定する、自分で直す、自分で最適化する、自分で守る、という性質を自律システムの主要な要素として整理している。
この記事では、そのうち自分で正しい状態へ戻る段階をLevel 6、さらに安全な範囲でより良い運転方法を自分で探す段階をLevel 7と呼ぶ。
最初は「AIに記事を書かせる」だけだった。気づいたらブログにフェンスが生えた
普通の記事自動化はシンプルだ。
- 定刻に動く。
- AIに文章を作らせる。
- ファイルへ保存する。
- GitHubへ置く。
- 失敗したら人間が見る。
これでも十分便利だ。
しかし本数が増え、12言語になり、品質監査、内部リンク、更新、公開判定まで自動化すると、問題が変わる。
「文章を書けるか」ではなく、次の問題が本丸になる。
- 2つのworkerが同じ記事を同時に触ったらどうするか。
- 途中で落ちたらどこから再開するか。
- 失敗した仕事を永遠に再試行しないようにするにはどうするか。
- 古い検査結果を新しい検査結果として再利用していないか。
- AIが「人間が確認した」と勝手に言っていないか。
- 公開してはいけない状態を誰が止めるか。
- 外部サービスが死んでも工場全体を止めない方法は何か。
- 「100点」と表示されているが、その100点は本当に現在の状態を測ったものか。
ここまで来ると、もう「ブログ自動化」ではない。
コンテンツを原料にした小型の生産システムである。
Level 6：壊れても、正しい状態へ自分で戻る
この工場のLevel 6は、一言で言えば固定された正解へ自律的に戻る仕組みだ。
主要な要素は次の通り。
| 仕組み | 中学生向けに言うと |
|---|---|
| desired state | あるべき正解を機械が読める形で決める |
| reconciliation | 今と正解を比べ、違えば直す |
| lease / fencing | 同じ仕事を2人が勝手に同時実行しない |
| checkpoint | 途中まで終わった場所を正式に保存する |
| CAS | 古い状態で新しい状態を上書きしない |
| transactional outbox | 本体だけ成功、通知だけ失敗、のズレを回収する |
| retry / quarantine | 一時失敗は再試行し、毒データは隔離する |
| safe publication gate | 品質条件を満たすまで公開させない |
| failure injection | わざと壊して、本当に復旧できるか試す |
| observability | 何が動き、何が失敗したか測れるようにする |
ある運用スナップショットでは、Level 6の設計要件21項目がすべてPASSし、制御実装の採点は100だった。一方、外部計測、人間確認、全workerの長期実績などを含む保証スコアは約69%で、公開はまだHOLD、Level 7もOFFだった。
ここが重要だ。
実装100点と、本当に安心して放置できる100点は別物である。
テストが全部通っても、1週間、1か月、半年と実際に回した証拠は時間をかけないと作れない。
Solの深い推論とUltraは「同じ人が長考」と「複数人で並列」が違う
OpenAI公式では、GPT-5.6 Solには深く推論させるmaxがあり、さらにultraは複数のエージェントを並列の作業線で協調させる高能力設定として説明されている。
たとえるならこうだ。
Solを深く考えさせる場合
優秀な設計者を1人、会議室に閉じ込める。
「急がなくていい。コードも資料も全部読め。矛盾も見つけろ。最後まで考えろ」
これは非常に強い。
Ultraの場合
設計者、実装担当、バグを探す担当、壊す担当、テスト担当が同時に動き、最後に結果をまとめる。
要するに、頭の良さが単純に2倍になるというより、見落としの方向が分散する。
OpenAIの公開値では、Terminal-Bench 2.1でGPT-5.6 Solが88.8%、Sol Ultraが91.9%だった。差は3.1ポイントだが、失敗側で見ると11.2%から8.1%なので、単純計算では失敗率が約28%減る。もちろん、これは1つの評価であり、すべての仕事で28%失敗が減るという意味ではない。
しかし、「巨大なリポジトリを読み、設計し、実装し、壊し、再検証する」のような分割可能な仕事では、この差の方向性は分かりやすい。
なぜ重いUltraが、回り回って速いのか
完成までの時間は、だいたいこう考えられる。
総リードタイム = 初回実装 + 手戻り + 再テスト + 障害対応 + 認識違いの修正
多くの人は最初の「初回実装」だけを見る。
だから、30分で返したAIは速く、2時間かけたAIは遅く見える。
でも2時間版が、あとから発生する6時間の手戻りを消したなら、2時間版の方が速い。
これは製造業でも同じだ。
速く作って検査で大量に弾く工場より、最初から工程能力を上げて不良を出さない工場の方が最終的に速い。
今回の「Ultra一撃」が面白かったのは、後から見つかった問題の多くが、根本設計のやり直しではなかったことだ。
後工程で詰めていたのは、たとえば次のような話だった。
- 全workerが本当に実データを処理した証拠を一枚で見たい。
- 古い50/50を新しい監査の50/50として使うな。
- AIレビューを人間レビューと書くな。
- 外部計測がないなら「不明」と書け。
- workerが何もしなかった場合でも、正しいNOOPなら失敗扱いするな。
これは「柱が逆だったから家を建て直す」ではない。
完成した工場にQC部門が入り、配管のラベルと計器の校正まで殴っている状態だ。
「ウルトラワンパン」が効いた理由
一発で完璧だった、という話ではない。
正確には、最初の設計思想がかなり正しかったので、その後の修正が局所的で済んだという話だ。
最初から次の質問を設計へ入れられたことが大きい。
- 同時実行したら？
- 途中で死んだら？
- 二重処理したら？
- 古い状態を掴んだまま書き込んだら？
- 外部APIだけ死んだら？
- 失敗データが永遠にループしたら？
- チェック自体が壊れたら？
- 「全部成功」と嘘をつける抜け道があったら？
普通は、これらを本番障害で1個ずつ学ぶ。
今回は先に仮想労災を起こした。
サーバーを落とす前に、テストの中で落としておく。人間が泣く前に、CIを泣かせておく。
この発想はChaos Engineeringとも相性がいい。Chaos Engineeringでは、平常状態を測れる形で定義し、現実に起きる故障を意図的に入れ、平常状態が崩れるかを確かめる。
世の中的にはどのくらいすごいのか
ここは盛りすぎない方が面白い。
「世界最強のシステムです」は言い過ぎだ。
しかし「AIでブログを書いています」だけでもない。
位置づけとしてはこう考えると近い。
| 比較対象 | 距離感 |
|---|---|
| AIに記事を書かせて保存 | かなり先にいる |
| Zapier / n8n型の直列自動化 | 障害復旧と競合制御で一段以上先 |
| 個人SaaSの真面目なバックエンド | 同じ土俵の設計要素がかなりある |
| 小〜中規模企業の社内自動化基盤 | 十分比較対象になる |
| 専任SREがいる成熟商用サービス | 長期運転実績、外部監視、セキュリティ保証でまだ下 |
| GoogleやAmazon級の巨大基盤 | そもそも規模が別宇宙 |
個人開発として変なのは、記事を書く機能よりも、失敗したときの作法にここまでコードが生えていることだ。
lease、fencing、CAS、outbox、quarantine、failure injectionが記事工場に住み始めたら、ブログというより物流センターである。
Level 7：工場長が自分で改善案を試し始める
Level 6は「正解」が人間側で決まっている。
壊れたら、その正解へ戻す。
Level 7では、正解の範囲内でより良い運転方法を自分で探す。
イメージは次の通り。
- 品質、速度、コスト、待ち時間、失敗率を同時に測る。
- 安全条件は絶対に変えられないようにする。
- 新しいプロンプトや処理順を本番に影響しないshadowで試す。
- 良さそうなら5%、20%、100%のようにcanaryで広げる。
- 品質が落ちたら自動で元へ戻す。
- 信頼性が悪い時は、実験だけ止めて通常生産は続ける。
- 何を試し、何が良く、なぜ採用したかを実験台帳へ残す。
IBMの自律コンピューティングでいうself-optimization、Google SREのerror budget、AWSのcanaryとrollbackを組み合わせた考え方に近い。
ただし、今すぐ本番Level 7を入れる必要はない。
理由は単純で、Level 6の長期実績を集めている途中だからだ。
設備が安定しているか確認中なのに、AI工場長へ「今日からライン速度も勝手に変えていいよ」と言うと、原因切り分けが面倒になる。
今やるならLevel 7本体ではなく、全workerの実働を一枚にまとめる観測強化が先だ。
課金する月は「設備投資月間」にすると強い
Ultraを毎日の軽作業に使う必要は薄い。
小さな修正、定型監査、既に決まったworker処理なら、通常のSolや深い推論で十分な場面が多い。
Ultraが刺さるのは、失敗したときの手戻りが大きい仕事だ。
- システム全体の再設計
- 大規模リファクタ
- worker体系の再編
- 監視と復旧の設計
- セキュリティ境界の見直し
- Level 7のshadow基盤
- 大量テストと故障注入の追加
だから使い方としては、普段は工場を運転し、大改造テーマを貯め、上位モードを使える時期にまとめて設備投資するのが合理的だ。
AI課金を「毎日ちょっと賢くなる月額料金」と見るより、一気に基盤を作り替える工事費として見る。
この考え方だと、重いモデルの価値を「1回答あたりの値段」だけで比較しなくて済む。
この約1週間で一番大きかった学び
最大の学びは、AIの賢さを「正答率」だけで見ないことだ。
実務では、次の5つが効く。
- 初手の設計精度 — 後から全部壊さなくて済むか。
- 反証能力 — 自分の案を自分で壊せるか。
- 並列性 — 設計、実装、テスト、監査を分けて進められるか。
- 証拠性 — 「動いた気がする」ではなく、何が動いたか残せるか。
- 復旧性 — 失敗しても人間を呼ばずに戻れるか。
つまり、良いAI工場は「失敗しない工場」ではない。
失敗を前提にし、失敗しても止まらず、嘘の成功も出さず、どこからでも戻れる工場だ。
結論：速さとは、最後まで行く速さである
約1週間でここまで進んだ理由を、単純に「AIがめちゃくちゃ速かった」で終わらせると本質を外す。
効いたのは、初回設計へ計算資源を厚く使い、その後は安い通常運転へ戻すことだった。
Ultraは魔法の正解ボタンではない。手戻りを先払いで潰す装置に近い。
1回の処理が遅くても、完成までの総時間が短いなら、それは速い。
そして今の段階で必要なのは、さらに賢いLevel 7を急いで載せることではない。
Level 6をしばらく放っておき、本当に勝手に働き続けるかを見ることだ。
工場が暇そうにしていたら、その時にAI工場長へ改善権限を渡せばいい。
今はまだ、工場長に勝手なライン速度変更ボタンを渡すと面白すぎる。
参考資料
- OpenAI, GPT-5.6: https://openai.com/index/gpt-5-6/
- OpenAI, GPT-5.6 日本語版: https://openai.com/ja-JP/index/gpt-5-6/
- IBM Research, Autonomic computing: https://research.ibm.com/publications/autonomic-computing-architectural-approach-and-prototype
- IBM Research, Utility functions: https://research.ibm.com/publications/achieving-self-management-via-utility-functions
- Google SRE, Error Budget Policy: https://sre.google/workbook/error-budget-policy/
- Principles of Chaos Engineering: https://principlesofchaos.org/
- AWS, Amazon ECS canary deployments: https://docs.aws.amazon.com/AmazonECS/latest/developerguide/canary-deployment.html
