「結局、仕事ではどのAIを使えばよいのか」。2026年9月時点の答えは、一つに決めるのではなく、仕事の種類で使い分けるです。トップモデル同士の総合力は接近しましたが、端末操作、長時間の開発、専門資料づくり、価格にはまだはっきりした差があります。
この記事では、GPT‑6 Astra、Claude Fable 5.1、Gemini 3.8 Flashを中心に、公開ベンチマークと公式価格を比較しました。結論から先に見ると、次の組み合わせが実務的です。
長期タスクと端末作業。Claude Fable 5.1も僅差。
障害解析はAstra、脆弱性修正はCyberを候補に。
PC・ブラウザ操作と複数工程の自動化に強い。
知識労働と成果物作成。調査はAstra併用。
30秒で選ぶなら：難しく失敗コストが高い仕事はAstraかFable 5.1、件数が多く定型的な仕事はGemini 3.8 Flash。公開・送信・削除・本番反映は、どのAIでも人の承認を残します。
同じ評価表で比較できる代表的な指標を抜き出しました。Terminal‑Bench 4.0は端末を使う複雑な作業、DeepSWE v1.1は長期のソフトウェア開発、AutomationBenchは業務ワークフローの遂行能力を測ります。
端末作業の成功率（Terminal‑Bench 4.0）
ただし、この比較表はOpenAIの評価ページに掲載された数値です。独立評価のArtificial Analysis Intelligence Index v4.1.1では、Fable 5.1が65.7、Astraが61.2、Gemini 3.8 Flashが58.7でした。提供会社の発表だけで順位を断定せず、複数の物差しを見ることが重要です。
新規開発、複数ファイルの改修、テスト実行まで任せるなら、第一候補はGPT‑6 Astraです。Terminal‑Bench 4.0で57.9%、DeepSWE v1.1で74.1%と、端末操作と長期開発の両方で高い値でした。仕様理解から実装、実機・ブラウザ確認まで一つの流れで進めたい仕事に向きます。
Claude Fable 5.1はTerminal‑Bench 4.0で55.8%とAstraに僅差で、独立系の総合知能評価では上回りました。巨大なコードベースを読み、原因を掘り下げながら設計やレビューを行う仕事では有力です。
Gemini 3.8 Flashは端末評価では低い一方、DeepSWE v1.1は73.8%でAstraに迫ります。入力100万トークン0.75ドル、出力3.75ドルの導入価格は、AstraとFable 5.1の10ドル／50ドルより大幅に安く、定型実装、テスト案、コード説明を大量に処理する「実務ワーカー」として魅力があります。
おすすめ構成：難しい設計・統合はAstraまたはFable、レビューや定型生成はFlash。AIが書いたコードは必ずテストと人のレビューを通します。
障害解析、古いシステムの理解、データベース移行などはAstraが有力です。公開値ではデータベース移行タスク63.9%、SRE‑Bench 88.0%でした。もっとも、SRE‑Benchはバイナリ解析寄りで、一般的な監視運用のすべてを表す数字ではありません。
脆弱性検出と修正ではGemini 3.8 Flash Cyberも注目候補です。GoogleによるとCWE‑Benchの自動パッチ成功率は47.2%で、比較対象の先端モデル47.8%に近い水準でした。ただしCyber版は信頼された防御組織向けの限定提供です。通常の企業では標準版による調査補助と、SAST・DAST・依存関係スキャンを併用するのが現実的です。
保守で最も危険なのは、AIが「もっともらしい原因」を断定することです。ログ、メトリクス、変更履歴、再現テストの4点を証拠として提出させる運用にします。
業務ワークフローを測るAutomationBenchはAstra 41.4%、Fable 5.1 31.4%でした。ブラウザやPCを操作し、複数の手順をまたぐ仕事ではAstraが先行しています。ただし最高モデルでも半数を解けていません。請求、アカウント、削除、本番デプロイを完全自動化する根拠にはならない数字です。
日次レポートの下書き、ログ要約、チケット分類など、失敗時に戻せる大量処理は低価格のGemini 3.8 Flashが適します。異常の切り分けや複数システムをまたぐ復旧判断だけをAstraへエスカレーションすると、費用と品質を両立できます。
専門家の実務成果物を評価するGDPval‑AA v2では、Fable 5.1が1853、Claude Opus 5が1824、GPT‑5.6 Solが1711でした。提案書、論点整理、長い資料から一貫したストーリーを作る仕事ではFable 5.1が第一候補です。
一方、Web調査、表計算、コード実行を含む定量分析はAstraとの併用が向きます。OpenAIのGDPval初版では、旧世代のClaude Opus 4.1は見た目やレイアウト、GPT‑5は正確性で特に評価されました。最新モデルの直接比較ではありませんが、「文章のうまさ」と「事実の正しさ」を別工程で評価すべきことを示しています。
コンサル業務では、AIに結論を一発生成させるより、①仮説、②根拠収集、③反証、④資料化を分け、根拠URLと確認日を残す方が安全です。顧客固有の事情、社内政治、実行可能性の判断は人が担当します。
| モデル | API標準価格（入力／出力、100万トークン） | 得意な役割 | 注意点 |
|---|---|---|---|
| GPT‑6 Astra | $10／$50 | 難しい開発、端末・PC操作、調査、復旧支援 | 高価。サイバー能力が高く権限管理が重要 |
| Claude Fable 5.1 | $10／$50 | 長時間のコード理解、知識労働、資料作成 | 高価。タスクにより安全機構の制約あり |
| Gemini 3.8 Flash | $0.75／$3.75（導入価格） | 大量の定型処理、長期開発の補助、一次案 | 複雑な端末操作は比較上弱い |
価格だけで見るとFlashは入力で約13分の1、出力でも約13分の1です。ただし、高性能モデルが1回で終える仕事を安価なモデルが何度もやり直せば、総費用は逆転します。実際には「1件を合格品質にする費用」で比較します。
品質優先ならAstraとFable 5.1の二本立て、コスト優先ならFlashを一次処理に置く。これが2026年9月時点の堅実な構成です。モデル名を固定するより、毎月同じ自社テストを回し、品質・費用・速度で入れ替えられる設計にしておく方が長持ちします。
最終確認日：2026年9月12日