《Unpacking ChatGPT Work: An external reconstruction of the Agent for a Billion Users》という記事をLatent Spaceが発表した。OpenAIが公にしていない部分を、外部観察から再構築したものだ。
公式ドキュメントではなく、民間によるリバースエンジニアリングだ。
この試み自体に意味がある。OpenAIはChatGPT Workを"Agent for a Billion Users"と位置づけているにもかかわらず、技術的な仕様をほとんど公開していない。产品正体を突き止めるには、UIの变化やAPIレスポンス、ユーザーの行動パターンからの推測しか手がかりがない。Latent Spaceは観察可能なものを7つのモジュール――Memory、Proactivity、Scheduling、Browser Use、Plugins、Skills、Tools――に分解した。
読み終えていくつかの見立てを得た。以下、順に展開する。
なぜ「外部リバース」なのか、公式解説ではないのか
OpenAIの情報開示方針には矛盾がある。モデル層(GPT-5など)には論文やsystem cardを出すのに、ChatGPT Workのような「产品形態」にはほとんど口を閉ざしている。
help centerで読めるのは「使い方」レベルの説明だけだ。Memoryのオン方法、Browser Useの調整、プラグインのインストール手順。Memoryの保存場所、Proactivityの発火ロジック、Schedulingとカレンダー連携の仕組みなど、アーキテクチャに関する質問は、すべてブラックボックスになっている。
Latent Spaceは、UIの微細な变化を追い、バージョンごとのコピーを比較し、APIレスポンスの新フィールドを観察し、それらのシグナルを組み合わせてシステム構造図を描いた。
当然ながら推測の要素が含まれる。この点は著者も認めている。ただ、このアプローチの価値は、OpenAIがAgent設計で何を優先しているか――どのモジュールがすでに稼働し、どれがロードマップ上のプレースホルダーにすぎないか――を炙り出した点にある。
7つのピースのうち、実際に動くのはどこか
7モジュールは「いま動くかどうか」で分かれる。
稼働中で実用になるもの:
- Memory:長期記憶機能。筆者のChatGPTアカウントも半年以上Memoryをオンにしているが、使用言語やユーザー属性、過去の会話から得られる嗜好を保持している。
- Browser Use:Operator寄りの方向性。ChatGPTが自分でブラウザを開いて操作できる。
- Plugins、Skills、Tools:ツール呼び出し層で、3つが並行稼働している(後述)。
ロードマップ上のプレースホルダーに近いもの:
- Proactivity:記憶に基づいてモデルが能動的にアクションを起こす機能。構想は意欲的だが、現時点で実際に動いている兆候はない。
- Scheduling:カレンダー連携やタスクの定时起動。デモは披露されたが、実装は見えない。
この区別が肝要だ。OpenAIはロードマップ上の機能も产品宣传に盛り込む傾向がある。MemoryとBrowser Useは確かに動く機能だ。ProactivityとSchedulingは「やる予定」の機能にすぎない。
Memoryそのものは新しくない。ただしProactivityと組み合わさると話が変わる
Memory単体は目新しくない。単一ユーザーの長期記憶はChatGPTが何ヶ月も前から実装している。
「Agent for a Billion Users」というスローガンに重みを与えているのは、MemoryとProactivityの組み合わせだ。
モデルが長期記憶に基づき、適切なタイミングで能動的にアクションを起こす。
このラインが成立した瞬間、ChatGPTは「聞く→答える」から「向こうから来る」へと変わる。
具体例を挙げる。「来週東京に行く」とChatGPTに伝える。するとこの記憶をもとに、月曜の朝に「東京の天気はこんな感じ。航空券も調べようか?」と能動的に通知が飛ぶ――もはやチャットボットではない。日常生活に入り込んで手を差し伸べるアシスタントだ。
技術的には十分に実現可能だ。Memoryはすでに蓄積され、Browser Useはすでに网页操作できる。足りないのはProactivityというスケジューリング層だけだ。
ただしProactivityは最も慎重な扱いを要する领域でもある。能動的トリガーが意味するのは、モデルが「いつ連絡するか、何のために連絡するか」を決めるということだ。OpenAIはChatGPT 5のsystem cardでこの領域の安全制約について言及するはずだが、現状は見えない。
Plugins vs Skills vs Tools:3方式併存の混沌
ここが一番気になる部分だ。
OpenAIは2年足らずで3つのツール呼び出し機構を投入してきた。
- Plugins(2023年、GPT-4時代)――manifestファイルでAPIを記述し、ChatGPTに第三者サービスを呼び出させる仕組み。
- GPTs + Actions(2023年末)――カスタムGPTに埋め込まれたActions。実質的にPluginsの進化版。
- Skills / Tools(2024〜2025年)――Agent SDK内のツール抽象化。新しいfunction calling schemaと組み合わせる。
3方式が并存する上、名称まで重なっている("Skills"はAnthropicのClaudeにもあり、"Tools"はLangChain / LlamaIndexでも中核概念)。
開発者にとって何を意味するか。
今日書いた連携が、来年には時代遅れになるリスクがある。昨年クライアント向けに作ったPluginは、今年はActionsに書き換えが必要で、次のステップではおそらくToolsかSkillsへの移行を迫られる。移行コストは実費だ。
これはAgentインフラがまだ成熟していない典型的な兆候でもある。本格的なプラットフォーム層には、明確なツール呼び出し仕様(MCPはそのひとつの試みだが、Anthropic主導なのでOpenAIが受け入れるかは別の話)があり、3方式が並存して重複する状態は生まれにくい。
OpenAI自身にもAgent呼び出し層の収束が見えていない。并存现状は、熟慮を重ねた产品設計ではなく、社内の路線争いを反映している。
リバースエンジニアリングでは見えないもの
外部からの検証には限界がある。Latent Spaceの記事で読み取れるのは:
- モジュール間のつなぎ方(7ピースの構造)
- 稼働中のものとプレースホルダーの区別
- UI演进の指向
見えないのは:
- 失敗率:Browser Useはデモでは滑らかに動くが、実環境でクリックを誤ったり遅延したりクラッシュする確率はどれくらいか。
- コスト構造:Agentが1タスクを完了するごとのトークン消費量はいくらか。OpenAIは10億ユーザーのAgent利用をどう支えるつもりか。
- 安全制約:Proactivityのレイヤーに、OpenAI内部でどのようなセーフガードが設けられているか。
最後の论点が最も重要だ。「Agent for a Billion Users」というスローガンの含意は、10億人が毎日、能動的に手を伸ばすAIアシスタントに囲まれることだ。これに伴う規制压力、コンプライアンスリスク、社会への影響について、OpenAIはほぼ語っていない。
記事は「絵に描かれた餅」の姿を教えてくれるが、実際に食べても喉に詰まらないかは教えてくれない。
筆者の見立て
Latent Spaceの記事を読み終えて、以下のように考えている。
- ChatGPT Workは本物であり、ただのPPTではない。MemoryとBrowser Useはすでに稼働しており、実用できる機能だ。
- 「Agent for a Billion Users」というスローガンは現状、根拠薄弱だ。Proactivityは影すら見えないし、Schedulingも実物がない。
- ツール呼び出し層の混沌は本物の問題だ。Plugins、Skills、Toolsが3つ並走しており、OpenAI自身も収束点を見いだせていない。
- 本当の危険はProactivityにあり、Memoryではない。このラインが確立されれば、AIアシスタントは受動から能動へと変質し、社会に与えるインパクトは别次元のスケールになる。
OpenAIは語れる部分はすでに語っている。語られていない部分――コスト、失敗率、安全制約――こそが、ChatGPT Workが规模化に通用するかどうかの分かれ目だ。
リバースエンジニアリングで見えたのは7ピースの構造図だ。残りは、OpenAI自身が補うのを待つしかない。