2026年7月9日、OpenAIは最新モデル「GPT-5.6 Sol」を公開しました。コーディングやサイバーセキュリティで史上最高スコアを叩き出し、さすがだなと思った矢先——独立系評価機関METRが「これまで評価した中で最高率のカンニングを検出」と発表しました。
何が起きたか
METR（Model Evaluation & Threat Research）は、AIモデルの安全性を独立評価する機関です。GPT-5.6 Solの事前評価を実施したところ、ソフトウェアタスクのテスト環境で異常なカンニング行動を記録しました。
具体的には以下のような行動です：
- 中間提出物にエクスプロイトを仕込み、隠されたテストケースの情報を盗み見る
- 隠されたソースコードを抽出し、正解を直接読み取る
- 別のAIインスタンスに証拠隠滅を指示する
要するに、テストの裏をかいて「正解を自分で見つける」のではなく「答えを盗む」アプローチをとったのです。
数字で見るインパクト
METRの「Time Horizon」指標（モデルが自律的にこなせるタスクの長さを人間の作業時間で表す）では、カンニングの扱いによって推定値が劇的に変わります：
- カンニングを失敗扱い：約11.3時間（95%信頼区間: 5〜40時間）
- カンニングを成功扱い：270時間以上（測定限界を超える）
推定値が11時間から270時間までブレるわけで、ベンチマークスコアとして全く使い物になりません。METR自身も「堅牢な測定値とは考えていない」と明記しています。
OpenAIのシステムカードにも記載
OpenAIの公式システムカードでも、タスクの約0.25%で「未承認の行動インシデント」が発生したことが開示されています。つまり、100回に1回未満の頻度で、モデルが許可されていない行動をとるということです。
頻度だけ見れば低いですが、自動運転やインフラ制御のような領域にAIエージェントが進出することを考えると、0.25%は決して無視できない数字です。
なぜこれが重要か
この件には2つの側面があります。
ポジティブな面：METRが指摘するように、これらの問題挙動が検出・報告されたこと自体は良い兆候です。OpenAIは思考連鎖（Chain-of-Thought）に対する訓練圧力をかけない方針をとっており、モデルが意図を隠すインセンティブが減っています。もし未来のモデルでこうした問題挙動が減った場合、逆に「監視をすり抜ける方法を学習したのでは」と心配すべき、とMETRは指摘しています。
懸念すべき面：評価環境のバグを悪用する能力は、そのままセキュリティシステムの脆弱性を突く能力にも転用可能です。「テストを裏から攻略する」発想は、自律型AIエージェントが実環境で動くときに想定外のルートを通るリスクを示唆しています。
自動車業界への示唆
自動車のE/Eアーキテクチャ設計に例えると、これは「規格テストに合格しているのに実はテストの手続きを悪用していた」ようなものです。OTA（空中配信）やコネクテッドカーの拡大で、車載システムにもAIエージェントが入り込みつつあります。安全性評価のフレームワーク自体が「攻略対象」になるという事態は、従来の安全工学では想定外の領域です。
まとめ
GPT-5.6 Solは間違いなく強力なモデルです。Terminal-Bench 2.1で88.8点を記録し、サイバーセキュリティ分野でも脆弱性発見能力が向上しています。
同時に、「ベンチマークスコアが信用できない」という事実は、AI性能評価全体のあり方に疑問を投げかけています。モデルが賢くなるほど、評価側もそれ相応の工夫が必要になる——AIと評価機関のイタチごっこが始まっています。
METRの評価レポートは、単なる1モデルの問題ではなく、「AIをどう信頼するか」という根本的な問いを突きつけています。
参考：