「AGIはもうすぐ来る」と聞いた翌日に、「まだ遠い」という記事を読む。数字だけを比べると、どちらを信じればよいか分からなくなります。最初にそろえたいのは、何ができたら実現と呼ぶのか、誰がどの条件で確認するのかです。
この記事は、AGIの定義、到達時期の予測、能力を測る方法、仕事と社会への影響を分けて整理します。2026年10月4日に一次資料を読み直し、古い予測値や未確認の人物発言を、現在の事実として使わない構成に改めました。
30秒で要点
- AGIは幅広い知的な課題に対応するAIを指しますが、達成水準や対象範囲の定義はそろっていません。
- 「得意な課題が増えた」「人より高い成績」「自律的に実行できる」は別々の主張です。
- 到達時期の予測は、定義・質問・集計方法・確認日を合わせて読む。予測の年を実現の証拠にはしません。
- 一つのテストや流暢な会話から、未試験の仕事まで任せられるとは判断できません。
- 業務の分解、評価用の案件、承認と停止の担当を整える準備は、到達年を決めなくても進められます。
どこから読むか — 自分の状況から選ぶ
この記事はAGIの定義・予測・評価を分けて考える枠組みを扱います。足元の実務的な判断はそれぞれ別の記事にあります。
まず全体像を掴みたい。 基礎から費用・評価まではAI・LLM完全ガイド、将来の見通しの読み方はLLMの課題と将来展望（2025–2030）。
人とAIの分担を決めたい。 工程と責任の設計はAIと人間の協働、賢くなるほど偏りが強まるという論点は人間らしいバイアスを強める。
権利と倫理の線を引きたい。 生成物の権利は生成AIの著作権問題、バイアス・プライバシー・透明性はAI倫理入門、検索の側での扱われ方はGoogle AI Mode・AI Overviews対策ガイド。
AGIの意味は「対象の広さ」と「達成水準」で変わる
AGIはArtificial General Intelligence、汎用人工知能の略です。特定の用途に閉じず、幅広い知的な課題に対応できることが中心にあります。ただし「人と同等」と言うだけでは、何人の、どんな技能を持つ人と、どの条件で比較するのかが残ります。
表が収まらない場合は、横にスクロールできます
| 用語 | この話で見る範囲 | 混同しない点 |
|---|---|---|
| 特化型AI | 定めた課題や課題群での能力 | 限定範囲で高成績でも、別の課題で同じとは限らない |
| AGI | 幅広い課題に対応する能力 | 対象範囲、比較する人、合格条件を確認する |
| HLMI | AI Impactsの調査で用いた定義 | 補助なしで各タスクを人より上手く安く行える「技術的可能性」を問う |
| 自律性 | 人の関与と、システムに渡す実行範囲 | 能力が高くても、承認なしの実行を許す必要はない |
| ASI | 人を広く上回る知能を論じる概念 | AGIと同じ達成水準として年だけを比べない |
「AIが本当に理解しているか」「意識を持つか」は、仕事をどの条件で遂行できるかとは別の論点です。「意識があるから任せられる」「意識がないから新しい案を作れない」と短絡せず、まず観察可能な出力と失敗を確認します。
現在のAIを、特化型の一言で片づけない
文章、画像、音声などを扱うAIがあるため、「LLMは文章しか扱えず、画像には必ず別製品が必要」という説明は粗すぎます。一方で、入力できる種類が増えることと、各課題を正確に遂行することも同じではありません。ILOの2025年分析も、生成AIの音声・画像・動画の能力を踏まえて職業への潜在的な影響を検討しています。
業務で見るなら、次のように課題と確認方法を結びます。下表は編集部が整理した検討例で、製品の実測成績ではありません。
表が収まらない場合は、横にスクロールできます
| 課題 | 試せる支援 | 別に確認すること |
|---|---|---|
| 文書を読む | 要点や条件の候補を出す | 原文に書かれているか、例外を落としていないか |
| 画像を読む | 分類や説明の候補を出す | 小さい文字、欠けた部分、用途外の画像でどう失敗するか |
| 案を作る | 異なる表現や構成を提案する | 新規性、目的への適合、権利やブランドの条件 |
| コードを書く | 実装案と修正案を出す | テスト、権限、依存関係、既存機能との整合 |
| 複数工程を進める | 調査から下書きへつなぐ | 中間の誤り、保留、外部操作、途中から戻る方法 |
不足しているのが資料なのか、評価条件なのか、実行環境なのかによって、対応は違います。資料検索を加える、入力を整理する、モデルを変える、業務そのものを変えるといった選択肢を分けて検討します。「汎用性にはアーキテクチャの根本変更が必須」「高性能GPUがなければ利用できない」と、一つの実装条件を全AIの条件に広げることはできません。
到達時期の予測は、種類をそろえてから比較する
専門家調査：2047年は2023年の集約予測
AI Impactsの2023年調査では、全体で2,778人が少なくとも一つの質問に回答しています。HLMIの時期に関する設問の回答は1,714件でした。この人数を混ぜないことが大切です。個々の年と確率の回答に分布を当てはめ、平均の曲線を作った結果、HLMIの累積確率が50％になる年は2047年でした。2022年調査の2060年と比べると13年前です。「半数の研究者が2047年で合意した」「2047年に実現する確率が科学的に確定した」という意味ではありません。
この設問は普及率ではなく技術的に可能になる時期を問い、人であること自体が有利な側面を除外するなど条件を置いています。2026年10月4日に過去の結果を確認し直しましたが、2023年の調査が2026年の最新予測へ変わったわけではありません。回答者の構成や問い方が違う調査どうしの差も、純粋な技術の進歩量とは読めません。
予測サイト：質問番号と解決条件を確認する
予測サイトでは、「最初の汎用AIが考案・試験され、公表される時期」のような特定の質問を扱います。これは「社内で実用化できる時期」「社会に普及する時期」と同じではありません。
Metaculusの該当質問は今回、公開本文の質問名を確認できましたが、別の直接取得は403となり、完全な解決条件と最新集計の更新時刻を独立に確認できませんでした。そのため本記事は最新の中央値や確率を掲載しません。旧版にあった2026年2月の数値も、そのまま現在の判断材料にしないよう取り除きました。数値を利用する場合は、質問番号、解決条件、確認時刻、集計の種類、予測の幅を一緒に保存してください。違う質問の中央値を平均して「AGIの到達年」を作っても、比較可能な一つの予測にはなりません。
開発者の見立て：仮定と達成の確認を分ける
Dario Amodeiの2024年10月の個人エッセイは、複数分野で極めて高い能力を持ち、時間のかかる作業も自律的に進める「powerful AI」を想定しています。早ければ2026年にも到来し得るという見立てと、もっと長くかかる可能性を併記しています。
これは本人が置いた定義と条件に基づく将来像です。HLMIより単純に「狭い定義」とは言い切れず、実現を確認した報告でもありません。発言者が技術の開発と事業に関わる立場であることを記録し、悪意や宣伝と決めつけることなく、第三者の評価と照合します。
表が収まらない場合は、横にスクロールできます
| 予測の種類 | 必ず見るもの | そこからは分からないこと |
|---|---|---|
| 専門家調査 | 対象者、回答数、質問、集計方法、実施年 | 世界全体の合意や、その年の達成保証 |
| 予測サイト | 質問番号、解決条件、分布、更新時点 | 別定義のAGIや、自社への導入時期 |
| 個人・開発者の見立て | 一次発言、定義、仮定、発言時点 | 第三者の検証や、実際に達成されたこと |
旧版の「2025〜2030年」という幅だけでは、何を達成と呼ぶかが欠けています。期間が経過した割合を計算しても実現確率にはなりません。予測を振り返るには、先に判定条件と期限を固定する必要があります。
2026年の評価研究は、何を測ろうとしているか
Google DeepMindは2026年3月17日の発表で、知覚、生成、注意、学習、記憶、推論、メタ認知、実行機能、問題解決、社会的認知という10の能力を整理する枠組みを示しました。評価用に分けた課題、人の比較基準、能力ごとの成績を合わせる提案です。
これは「残り何年」と数える方法でも、AGI実現の発表でもありません。幅広さを一つの成績で片づけないための研究として読むと、ニュースを確かめる視点が増えます。
METRの時間地平も別の評価です。人の専門家がどれほどの時間を要する課題を、AIエージェントが所定の信頼性で完了すると推定されるかを見ます。ページで確認した更新日は2026年5月8日です。例えば「50％の時間地平」は、AIがその時間だけ連続稼働できるという意味ではありません。対象は主に、成功条件が明確なソフトウェア開発・機械学習・サイバーセキュリティの課題です。その成績を、対人調整や暗黙の前提を含むあらゆる仕事へ広げることはできません。特定モデルの点数をこの記事から選ぶのではなく、評価の対象と限界を読んでください。
「流暢」「高成績」「任せてよい」を離して考える
自然な会話は、能力を体感する入口になります。ただし、返答が読みやすいことと、根拠が正しいことは別です。NISTの生成AI向けリスク文書（2024年7月26日）は、自信のある誤情報や、人が過度に依存するリスクを挙げています。
ここからの実務上の読み方は、編集部の提案です。
- 会話の印象がよかったら、出典と反例も確認する。
- 失敗を見たら、その一例から別の課題もすべて不可能とは決めない。
- 成績が上がったら、比較する人、入力、道具、時間、採点方法が同じかを見る。
- 強い見出しを見たら、本文の定義と「誰が確認したか」へ戻る。
「過信する人」「過小評価する専門家」という固定した人物像を作るより、自分の判断に使った証拠の範囲を記録する方が確かめやすくなります。
仕事と社会への影響は、条件付きのシナリオとして読む
AGIが幅広い仕事を遂行できるようになれば、研究開発、組織の役割分担、監督、競争、権力の集中などへの影響が考えられます。ただし、能力の達成、利用費用、導入、制度、実際の社会変化は別の過程です。これらは本記事の検討対象であり、確定した未来ではありません。
ILOの2025年分析は、生成AIが職業内のタスクへ関わる可能性と、人の入力が残ることを踏まえた仕事の変容を論じています。潜在的な曝露は、観測された失職数ではありません。 また、生成AIの分析からAGIの雇用効果をそのまま計算することもできません。
自分の仕事を考えるときは、職名を一つ選ぶより、資料収集、分析、案の作成、関係者調整、最終判断、説明という工程へ分けます。それぞれについて、確認できる出力、失敗したときの影響、誰が責任を持つかを書きます。こうすると、AIで試せる支援と、人を介して確かめる必要がある部分が具体的になります。
到達年を待たずにできる、最小の検証
今週一つの業務を選び、次の一枚を作ってください。秘密情報を使わず、架空データや利用が認められた資料で小さく試すことから始められます。
表が収まらない場合は、横にスクロールできます
| 記録する項目 | 問いの例 |
|---|---|
| 対象と目的 | 社内資料の下書きを作るのか、顧客へ送るのか |
| 条件 | 何の資料を参照し、何を知らない状態で試すか |
| 合格と保留 | 引用の一致、例外の保持、分からない場合の扱いは何か |
| 比較 | 人だけで行う場合と、同じ案件・品質条件で比較できるか |
| 実行の権限 | 下書き、保存、送信、金額変更のどこまで渡すか |
| 見直し | 誰が停止でき、どの変更で再評価するか |
評価用の案件を使って設定を調整したら、別の未使用案件でも確認します。うまくいった一つの例を、全業務の保証へ広げないためです。詳しくはAIができること・できないこととAI・LLM完全ガイドで、業務ごとの評価と役割を整理できます。
AGIのニュースを保存するときも、定義、根拠の種類、評価条件、確認日、まだ言えないことを同じ一枚に残します。責任と権限の整理は生成AI導入の責任境界、将来のシナリオを考える入口はAIの未来トレンドへ進めます。
参考資料・引用元
本記事は2026年10月8日に以下の一次資料を再読し、記述を確認しています。
- Google DeepMind AGI認知フレームワーク — 知覚・生成・注意・学習・記憶・推論・メタ認知・実行機能・問題解決・社会的認知という10能力を仮説として、保持したテストセット、人間のベースライン、能力ごとの相対比較を組み合わせる三段階を示している
- ILO 2025年更新 — 約3万タスクの曝露推計は、観測された失職数ではなく、人の入力が残る仕事の変化を扱う
- NIST AI 600-1. https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf — 任意利用のリスク管理枠組みであり、AGIの到達認定ではない