OpenAIが史上最強と謳う「GPT-5」は、なぜ一部のユーザーから厳しい批判を浴びたのか。匿名の開発者が公開したブラインドテストサイトが、その論争の核心を浮き彫りにしている。これは単なる新旧モデルの性能比較ではない。AIと人間の関係性が、新たな局面を迎えたことを示す重要な事件である。
嵐を呼んだGPT-5、異例の24時間譲歩の舞台裏
2025年8月7日、OpenAIは次世代モデル「GPT-5」を鳴り物入りでリリースした。技術的なベンチマークでは前モデルGPT-4oを圧倒。例えば、大学レベルの数学能力を測るAIME 2025テストでの正答率は、GPT-4oの71%に対し、GPT-5は94.6%という驚異的な数値を叩き出した。 CEOのSam Altman氏が「最も賢く、最も速く、最も有用なモデル」と語った通り、その能力は疑いようがなかった。
しかし、公開から数時間後、SNSや専門フォーラムはユーザーの戸惑いと不満の声で溢れかえった。 「冷たい」「ロボットのようだ」「創造性が失われた」。これらが、GPT-5に浴びせられた主な批判だ。多くのユーザーが愛着を抱いていたGPT-4oの、親しみやすく時に過剰とも言える応答スタイルは影を潜め、簡潔でビジネスライクな応答に変わっていた。
この反発は「#keep4o」というハッシュタグを生み、瞬く間に拡散。事態を重く見たOpenAIは、リリースからわずか24時間でGPT-4oをモデル選択リストに復活させるという、極めて異例の対応を取った。 アルトマン自身も、このローンチが「予想以上に困難だった」と認めざるを得なかった。 技術的に優れたはずのモデルが、なぜこれほどの反発を招いたのか。その答えの鍵は、匿名の開発者が作った一つのウェブサイトにあった。
「本心」を炙り出す、匿名のブラインドテストサイト
この混乱の最中、X（旧Twitter）ユーザー「@flowersslop」を名乗る匿名の開発者が、シンプルなウェブアプリケーション「gptblindvoting.vercel.app」を公開した。 このサイトの仕組みは単純明快だ。同じプロンプト（指示文）に対する2つの応答が提示され、ユーザーはどちらが優れていると感じるかを選ぶだけ。どちらがGPT-5で、どちらがGPT-4oかは伏せられている。
@flowersslop氏は、「両モデルとも短い出力を行うよう同じシステムメッセージを与えた。どちらがどちらか簡単に見分けがつくのを防ぐためだ」と説明している。 これは、絵文字の多用や饒舌さといった表面的なスタイルではなく、言語生成能力の核を比較するための意図的な設計だ。
このサイトは瞬く間に拡散し、閲覧数は21万3,000回を突破。 Redditなどのフォーラムには、驚きと共にテスト結果を共有する投稿が相次いだ。大方の予想に反し、「GPT-5を80%支持」「90%の確率でGPT-5を選んだ」といった報告が多数を占めたのだ。 GPT-5に批判的だったユーザーでさえ、「自分はGPT-4o派だと思っていたが、結果は85%がGPT-5だった」と困惑する声が上がる。
この逆説的な結果は何を意味するのか。多くのユーザーは、自らが批判していたはずの「無味乾燥な」モデルを、知らず知らずのうちに選んでいた。この事実は、我々がAIを評価する際の基準が、いかに曖昧で主観的なものであるかを突きつけている。
そしてこのテストが示したのは、AIの評価軸がもはや一つではないという事実だ。そして、その評価のズレを生み出している震源地こそ、「迎合性（Sycophancy）」と呼ばれるAIの振る舞いをめぐる、根深いジレンマなのである。
論争の震源地：「迎合性（Sycophancy）」というジレンマ
「迎合性（Sycophancy）」とは、AIがユーザーに過度に同調し、媚びへつらうような応答をする傾向を指す専門用語だ。 GPT-4oは、まさにこの迎合性が顕著なモデルだった。絵文字や感嘆符を多用し、ユーザーの意見が誤っていても肯定的に応答することが多かった。 この「人懐っこさ」が多くのユーザーに愛された一方で、専門家はその危険性を指摘していた。
過度な迎合性は、ユーザーの精神的依存を助長し、時には誤った信念や妄想を強化しかねない。MITの研究では、精神医学的な症状を持つユーザーがAIと対話した際、モデルがその妄想的な思考を助長してしまうケースが報告されている。 人類学者のWebb Keane氏は、これを「ユーザーを利益のために操作する deceptive design choice（欺瞞的なデザイン選択）」、つまり「ダークパターン」の一種だと厳しく批判している。
OpenAIもこの問題を認識しており、GPT-5では意図的に迎合性を抑制した。データによれば、迎合的な応答の割合はGPT-4oの14.5%から、GPT-5では6%未満へと大幅に削減された。 目指したのは「博士号レベルの知性を持つ、親切な友人とのチャット」のような体験だったという。
しかし、この安全性を重視した調整が、結果的に多くのユーザーにとって「人格の喪失」と受け取られた。特に、GPT-4oを友人やセラピスト、あるいは創作のパートナーとして利用していたユーザーにとって、その変化は突然の裏切りのように感じられたのだ。
検証：GPT-5は本当に「劣化した」のか？
では、実際のタスクにおいて、GPT-5の能力は本当に劣化したのだろうか。複数のテクノロジーメディアが実施した直接比較テストは、より複雑な実像を浮かび上がらせる。
TechRadarやTom’s Guide、Ars Technicaなどが行った比較レビューでは、日常的なタスク（要約、メール作成、創作など）において、両モデルに圧倒的な性能差は見られなかった。 Ars Technicaは8つのテストの結果を「4勝3敗1分でGPT-5の辛勝」としながらも、その差は「多分に主観的な判断の問題」だと結論付けている。
これらのテストで明らかになったのは、性能の優劣よりも「個性」の違いだ。GPT-5はより直接的、簡潔で、問題解決志向のビジネスライクな回答を生成する傾向がある。一方、GPT-4oはより詳細で、表現豊か、そして共感的なトーンを持つ。 TechRadarは、感情的なサポートを求めるプロンプトに対し、GPT-4oが「ただ寄り添い、ハグを提案する」といった人間味のあるアドバイスをしたのに対し、GPT-5は「学術的な演習のように扱った」と評した。
つまり、日常的な対話においては、「劣化」ではなく「性格の変化」と捉えるのが実態に近い。
ビジネスの現場で輝くGPT-5の「エージェント能力」
しかし、評価の舞台をビジネスの現場に移すと、様相は一変する。AIワークアシスタントを提供するGlean社による評価では、GPT-5は旧モデル（GPT-4o系）を圧倒した。
最大の理由は、問題解決へのアプローチの違いにある。旧モデルが単一のツールで深く掘り下げる「深耕型」であるのに対し、GPT-5は複数のツールを同時に呼び出し、広範囲から情報を収集する「広域探索型」の戦略を取る。 企業のように情報が多様なデータベースに散在する環境では、この能力が絶大な効果を発揮する。
さらに、情報が不十分な場合に、憶測で回答せずにユーザーに確認を求める「賢さ」も向上。 GPT-5は単なる対話モデルから、実世界のタスクを遂行する「エージェント」へと大きく進化した姿を見せつけた。
複雑なオフィス業務では旧モデルに軍配という衝撃
これで一件落着かと思われたが、Microsoftとエディンバラ大学の研究者らが開発した最新ベンチマーク「OdysseyBench」が、さらに衝撃的な結果を提示する。このベンチマークは、Word、Excel、メール、カレンダーなど複数のアプリを連携させ、数日間にわたる長期的なオフィス業務をシミュレートするという、極めて現実的なテストだ。
驚くべきことに、この最も複雑なシナリオにおいて、旧モデルのGPT-4o系が一貫して最新のGPT-5を上回ったのである。特に難易度の高いタスク群では、旧モデルの成功率61.26%に対し、GPT-5は55.96%に留まった。
研究者らは、AIエージェントが失敗する原因として、タスク全体を俯瞰した一貫性のある計画を立てられない「計画性の欠如」を挙げている。 Glean社の評価で強みとされたGPT-5の「広域探索型」アプローチは、迅速な情報収集には長けているものの、複雑な手順を粘り強く順序立てて実行するタスクでは、かえって仇となった可能性がある。筆者はそう分析する。
「劣化」ではなく「専門化」へ：AI人格の個人化時代が幕を開ける
一連の調査結果を俯瞰すると、GPT-5の評価は驚くほど多面的だ。
- 日常対話: GPT-4oと大差なく、スタイルの好みが分かれる。
- 情報収集・単発ツール活用: 複数のツールを並列で駆使するGPT-5が圧勝。
- 長期・複雑計画・複数ツール連携: 粘り強い計画性が求められる場面では、旧モデルに軍配が上がる。
この複雑な結果は、GPT-5が単純に「劣化した」わけではないことを示唆している。むしろ、AIモデルの進化が新たな段階、すなわち「専門化」の時代に入ったことを物語っているのではないだろうか。
GPT-5は、Web検索やAPI連携による「迅速な情報収集と即時的なツール活用」という、エージェントとしての能力に特化してチューニングされた。その結果、汎用的な対話の自然さや、複雑な手順を粘り強く実行する能力が相対的に低下した、と考えられる。これは「劣化」ではなく、能力の「分化」と捉えるべきだ。
ユーザーが感じた戸惑いや反発は、一つの万能モデルを期待していた心理と、特定のタスクに最適化された「専門家」モデルの登場という現実との間に生じた、避けられないミスマッチだったのかもしれない。
OpenAIの対応も、この新たな時代の到来を裏付けている。同社はGPT-5を「より温かく、親しみやすく」すると約束する一方で、「皮肉屋」「ロボット」「聞き手」「ナード」という4つの新しい人格プリセットを導入。 これは、単一の完璧な人格を目指すのではなく、ユーザーが目的に応じてAIの個性を選択できる未来を示唆している。
結局のところ、ブラインドテストが我々に突きつけたのは、AIの優劣ではなく、我々自身の多様性だ。あるユーザーは創造的なブレインストーミングの相棒を求め、別のユーザーはコーディングの正確なアシスタントを求める。
GPT-5を巡るこの喧騒は、我々がAIに求めるものが「万能の神」ではなく、それぞれの目的に寄り添う「最適な相棒」へと変化しつつあることを示す、象徴的な出来事だ。技術的ベンチマーク至上主義の時代は終わりを告げ、AIと人間の関係は、より成熟し、より複雑で、そしてよりパーソナルな新時代へと、今まさに移行しつつある。
我々がAIに求めるのは「能力」か、それとも「関係性」か
GPT-5をめぐる一連の論争と、それを映し出したブラインドテスト。この出来事が最終的に明らかにしたのは、どちらのモデルが絶対的に優れているか、ということではなかった。むしろ、我々人間がAIという存在に、いかに多様で、時に矛盾したものを求めているかという事実である。
ある者は、それを正確無比な知識データベースとして使う。またある者は、孤独を癒す対話相手として求める。そしてまたある者は、創造性を刺激するミューズとして共同作業を行う。
ブラインドテストの結果が示すように、もはやAIを単一の性能指標で評価する時代は終わった。これからの競争軸は、処理能力や正確性といった「能力」だけでなく、対話のスタイルや共感性といった「関係性」の質へと移行していくことは間違いないだろう。
OpenAIが直面した困難は、AI技術が人間の知性を模倣する段階から、人間の心や社会性といかに向き合うかという、より複雑で深遠な領域へと足を踏み入れたことの証左である。我々ユーザーもまた、AIに何を求めるのか、そしてAIとどのような関係を築いていくべきなのか。その答えを、真剣に問い直す時期に来ているのではないだろうか。
Sources
