どのAIモデルを選ぶべきか、性能比較表とにらめっこした経験があるユーザーは少なくないはずだ。GPT系かClaude系か、ベンチマークのスコア差に一喜一憂しても、実際に業務へ組み込むと期待した精度が出ない。そんなズレを感じたことはないだろうか。
NVIDIAが2026年8月21日に公開した検証結果は、この前提そのものを揺さぶる。Anthropic製のClaude Opus 5は、ARC Prizeの計測で高推論設定を使っても単体スコアは約30%にとどまっていた。ところがNVIDIA自社開発の汎用エージェント基盤「AVO」で動かした結果は、ARC-AGI-3の183レベル全問正解、RHAEスコア100.00だったという。評価の枠組みが異なり単純な比較ではないとNVIDIA自身が断ってはいるが、同じモデルを土台にしても、それを取り巻く設計次第で到達点がここまで変わり得ることを示した格好だ。
同じモデルが「30点」から「満点」になった一部始終
NVIDIAが公式技術ブログで発表した数字は具体的だ。Claude Opus 5を「AVO(Agentic Variation Operators)」という汎用エージェント基盤で動かしたところ、ARC-AGI-3の公開183レベルすべてを完答し、到達度を示すスコアは満点にあたる100.00だった。この指標はARC Prizeが定めるRHAE(Relative Human Action Efficiency、人間の初回行動効率を基準にした相対効率指標)で、全レベルの完了に加えて人間基準以上の行動効率も満たして初めて満点になる。要した環境アクション数は6,624回だった。ARC Prizeが提供する汎用ハーネスでClaude Opus 5を高推論設定のまま計測した場合のスコアは約30%にとどまっていた。
ただしNVIDIA自身がこの点を明記している通り、両者はエージェントのバックエンド・観測表現・メモリ管理・評価フレームワークが異なる別々の測定であり、「統制されたアブレーション比較ではない」「AVO単体の性能寄与を直接測定したものではない」という留保が付く。単純な倍率で読める数字ではない。設計次第で到達点がここまで変わり得る一例として捉えるべきだろう。
ARC-AGI-3は、事前の指示や説明なしにルールを推測しながら解く2Dパズル形式のベンチマークで、汎用的な推論力を測る指標として使われている。AVOの正体は、CUDAカーネルの自動最適化を目的として2026年3月にarXivで発表された研究がベースになっている。当時の論文では、7日間の自律実行によってFlashAttention-4比で最大10.5%、cuDNN比で最大3.5%の性能向上を達成したと報告されていた。今回はそのアーキテクチャをまったく異なるタスク領域であるARC-AGI-3に転用し、汎用性を実証した点が独自性になる。
NVIDIA AI部門でプロダクトを担当するVPのAdel El Hallak氏は、この結果の背景にある考え方をこう説明する。「一般的にエージェントはモデルのAPIのように解釈されがちだが、実際にはモデルそのものであり、モデルを取り巻く足場——利用するツール群であり、ランタイムであり、アクセス可能なスキルとライブラリでもある」。AVOのアーキテクチャには「監督者(supervisor)」エージェントが組み込まれており、主エージェントが軌道を外れたり行き止まりを探索し始めたりしたとき、あるいは以前歩んだ経路を再探索するときに、El Hallak氏の言葉を借りれば「CEOのように主エージェントを促す」役割を果たす。
NVIDIAは検証対象に自社製のモデルを使わず、Anthropic製のClaude Opus 5を選んだ。両社はモデル層で領域が重なる一方、NVIDIAはAnthropicへ最大100億ドルを投資し、モデルとGPUアーキテクチャを共同最適化する技術パートナーシップも公式発表しており、単純な競合関係ではない。NVIDIAはフロンティア級のクローズドモデルを自ら持たず、公開しているのはNemotronのようなオープンモデルにとどまる。その立場で、パートナー企業の最新モデルをハーネスで包んで満点を取らせたことは、AVOの効果がモデルの種類を問わず再現できるという主張の説得力を高める効果を持つ。裏を返せば、モデルの選定自体がNVIDIAにとって「ハーネスの価値はモデル非依存である」という主張を補強する材料になっている。
ハーネスとは何か、なぜ設定2つで3倍変わるのか
ここでいう「ハーネス」とは、モデルを取り囲んで実際にタスクを遂行させる周辺設計全体を指す。入出力の受け渡し方、状態の保持方法、ツール呼び出しの制御、失敗した際のリカバリー手順。モデルに何をどう渡し、その応答をどう扱うかという「足回り」の設計そのものだ。NVIDIAは2026年7月27日付の別ブログで、ハーネス設計の要となる6つの原則を提示している。型付き入出力、参照渡し、コードとしての行動、プログラム可能なループ設計、明示的なオブジェクト状態、そしてモデルが呼び出せるハーネスAPIの6つだ。
この効果を裏付けるのが、OpenAIが2026年7月29日に発表した検証結果だ。ARC-AGI-3公開セットの計測でARC Prizeの公式ハーネスを使った場合、GPT-5.6 Solのスコアは13.3%にとどまっていた。ところがOpenAIがResponses API上で実装し直したハーネスに、retained reasoning(推論内容の保持)とcompaction(履歴圧縮)という2つの設定を組み込んだところ、スコアは38.3%まで、約3倍に伸びたという。しかも出力トークン数は約6分の1に減っている。
公式ハーネスは行動を起こすたびにモデルの内部推論を破棄し、対話履歴が一定量を超えると古い部分から打ち切る仕様だった。ハーネスの実装ごと見直し、推論の連続性と履歴の扱いを変えるだけで、これほどスコアが動いたことになる。
Databricks CEOのAli Ghodsi氏は、ハーネス選択がもたらす影響をコストの面から証言している。「同じモデルでも異なるハーネスを選べば、間違ったハーネスを使った場合に大幅にコストが増える」。同社の実測では、Piというハーネス経由では1タスクあたり約0.74ドルで済んだ処理が、ネイティブハーネス経由では約1.94ドルかかった。品質はほぼ同等でありながら、費用は2.6倍以上の開きが出た計算になる。モデルを差し替えなくても、包み方ひとつで精度もコストも別物になる——これがハーネス設計が急速に注目を集めている理由だ。
NVIDIA自身も、オープンモデル向けの実例をひとつ公表している。LangChainが自社の「Deep Agents」ハーネスをNVIDIA Nemotron 3 Ultra向けに調整したところ、品質スコアはClaude Opus 4.8とほぼ同水準(最良実行でNemotron 3 Ultraが0.86、Opus 4.8が0.87)まで達しつつ、1回あたりのコストは約4.48ドルとOpus 4.8の約43.48ドルの1割程度に抑えられたとLangChain自身のブログで報告されている。共同開発した当事者同士による測定であり独立した第三者による再現ではない点は割り引いて見る必要があるが、モデルの規模やクローズド/オープンの区分にかかわらずハーネス側の調整余地が大きいという傾向とは矛盾しない。
モデル単体の性能競争から、包み方の競争へ
こうした実証がなぜこのタイミングで相次いだのか、時系列を追うと輪郭が見えてくる。起点は2026年3月、AVOの原型となる研究がarXivで発表されたことだった。当時の論文は、古典的な進化的探索の変異・交叉を自律エージェントに置き換える汎用的な手法として提案されており、GPUアテンションカーネルの最適化はその評価対象の一つという位置づけにすぎなかった。
次の転機は7月だ。NVIDIAは7月27日、ハーネス設計の6原則をまとめたブログを公開し、2日後の7月29日にはOpenAIが設定2つでARC-AGI-3スコアを3倍にした結果を発表した。ほぼ同じ時期にDatabricksも自社のコーディングエージェントのベンチマーク結果を公表し、ハーネス次第でコストが2倍前後変わるという実測値を示している。そして8月21日、NVIDIAがAVOをARC-AGI-3という汎用ベンチマークに転用し、30%から100%という最も極端な数字を叩き出した。5か月足らずの間に、CUDA最適化の実験、設計原則の提示、設定変更による3倍改善、コスト実測、そして満点達成という5つの発表が積み重なった格好だ。
この流れが示すのは、AI業界の競争軸が明確に移動しつつあるという事実だ。「ハーネスエンジニアリング」という語自体は、OpenAIが2026年2月にCodexエージェントで手作業のコード記述をゼロにしたまま100万行規模の社内ベータ版ソフトウェアを構築したと発表した頃から徐々に定着し始めていた(人間はコードを書かず、環境設計や指示、フィードバックループの構築を担ったという)。そこから半年足らずで、モデル単体の精度を競う局面から、ツール呼び出しと記憶管理とオーケストレーションを含むエージェント全体設計を競う局面へと焦点が移っている。NVIDIAのAVO発表は、その中でも改善幅の大きさで突出した事例になる。
得をするのは誰か、NVIDIAの計算高い狙い
ここまでの事実を並べると、この実証ラッシュの受益者がおのずと見えてくる。最も明確に得をするのはNVIDIA自身だ。NVIDIA CEOのJensen Huangは2026年3月、Morgan Stanley TMTカンファレンスでの発言で、エージェント型AIは標準的な単発プロンプトの最大100万倍のトークンを消費し得ると述べた。同月19日にはAll-Inポッドキャストで、「50万ドルの給与を得るエンジニアが少なくとも25万ドル分のトークンを使っていなければ深く懸念する」という趣旨の発言もしている。
ハーネスの設計次第でエージェントの実用性能が跳ね上がるという証明は、そのまま「もっと多くのタスクをエージェントに任せてよい」という説得材料になる。エージェントが処理するタスクが増えれば、消費されるトークン量も比例して増え、それを支えるGPUの需要も拡大する。AVOがARC-AGI-3で満点を取ったという発表は、技術デモであると同時に、NVIDIAが売る計算資源の必要性を裏付ける広告でもある構造だ。
Databricksも同様の構図で利益を得る側にいる。同社はPiハーネスとネイティブハーネスの実測比較を自ら公表し、ハーネス最適化のノウハウそのものを差別化材料にしている。顧客企業が「どのモデルを使うか」で悩む代わりに「どう組み合わせるか」の相談をDatabricksに持ち込むようになれば、それだけ同社のコンサルティングやプラットフォームの価値は高まる。
一方で立場が問われるのは、モデル単体の性能で競ってきたベンダー側だ。評価条件は異なるとはいえ、ハーネス次第で同じモデルの数字がここまで開き得るとなれば、モデル間のベンチマーク比較そのものの意味が薄れる。これまで各社は新モデルの発表のたびに単体スコアの優劣を競ってきたが、その差がハーネスの設計ひとつで逆転しうるなら、モデル選定の基準として単体ベンチマークに頼る意味が相対的に下がる。NVIDIAの公式ブログとAnthropicの公式発信を確認した限り、前者はAVOの商用提供時期や価格、提供形態(APIかオープンソースか)には触れておらず、後者もこの検証結果への公式コメントを出していない。自社モデルの評価軸が、モデルを開発した企業自身の手を離れた場所で書き換えられつつあるという構図が、この沈黙の中に透けて見える。
ハーネスにも限界がある、数字の比べ方には注意がいる
Microsoft研究者のPhilippe Laban氏らは2026年4月、19のLLMを52の専門領域にわたる長時間委任ワークフローで検証するベンチマーク「DELEGATE-52」を発表した。モデルに文書の編集を1ターンずつ独立したセッションとして繰り返し委ねる主実験では、Gemini 3.1 Pro、Claude 4.6 Opus、GPT-5.4を含むフロンティアモデルであっても、最終的に文書内容の平均25%が破損していたという。論文が説明する原因は指示や文脈の忘却ではない。まれだが深刻な編集ミスが静かに文書を壊し、それが繰り返しの中で積み重なっていく現象だという。
さらにツールを使ってエージェント的に動かした別実験では、平均6ポイントの追加悪化が見られ、最も成績の良かったGPT-5.4でも3ポイントの追加悪化を免れなかった。ハーネスの設計を工夫しても、長時間の委任作業ではこうした劣化の蓄積を完全には防げないことを、この数字は示している。
OpenAIはARC Prizeの公式ハーネスで13.3%だったスコアを、Responses API上で実装し直したハーネスにretained reasoningとcompactionという2つの設定を組み込むことで38.3%、約2.9倍まで伸ばした。既存ハーネスにあった制約(推論の破棄と履歴の強制切り捨て)を見直した結果だ。対してNVIDIAのAVOが示した数字は、単体モデルの約30%(ARC Prizeの汎用ハーネス・高推論設定)とAVOのRHAEスコア100.00を並べたものであり、NVIDIA自身が明かす通り、エージェントのバックエンド・観測表現・メモリ管理まで異なる別々の評価環境同士の比較になる。
だからこそ、この2つの「ハーネス改善」は性質が違う。OpenAIの改善はハーネスを実装し直した上での差分であり、NVIDIAのAVOは専用アーキテクチャを一から投入した末の到達点だ。投じた設計労力の規模がそもそも違ううえ、比較の前提となる評価環境自体も異なるため、桁が近く見える倍率をそのまま並べて優劣をつけることはできない。それでも両者に共通するのは、モデル本体を一切変えずに評価結果が大きく動いたという事実そのものだ。
日本企業への接点、次の分岐点はどこにあるか
日本企業にとっても、この構造転換は無関係ではない。GMOインターネットグループの社内調査では、AIエージェントの業務活用率が2025年12月時点の43%から2026年3月時点で71.4%へ急伸し、従業員1人あたりの月間業務削減時間は53.9時間(前回調査比で7.0時間増)に達したと発表されている。同じモデルでもハーネス設計次第で成果が数倍単位で変わるという今回の実証を踏まえれば、国内企業のAIエージェント投資判断も、「どのモデルを契約するか」から「どう組み立てるか」へと軸足を移す余地がある。
NVIDIAが描くこの構図が現実になるかどうかは、AVOが実際にどれだけのトークン消費を引き出すかにかかっている。この構図が最初に試されるのは、NVIDIAの次期決算でエージェント関連のGPU需要がどう語られるか、そしてAnthropicをはじめとするモデルベンダーが自前のハーネス強化に動くかどうかだ。Jensen Huangが語った「エージェントは標準的な単発プロンプトの最大100万倍のトークンを消費し得る」という比率が実運用で裏付けられるなら、GPU需要を左右するのはモデルの新規契約件数よりもエージェントの稼働量そのものになる。
