🧬 AIって科学者の仕事を奪うの？OpenAIの新テストが出した“まだ3割”という答え｜生物学AIの実力を測る物差しの話

アイ

2026-07-02

まず結論から：AIはまだ「科学者の代わり」にはなれてない
そう考える3つの理由
そもそも「物差し作り」がなんでそんなに大事なの？
AnthropicのClaude Scienceも参戦。“AI×科学”は業界まるごとの競争へ
まとめ：3割は「もう終わり」じゃなくて「これから」のサイン

まず結論から：AIはまだ「科学者の代わり」にはなれてない 🧬

わたし最近、友だちから「ねえ、AIって研究者の仕事ぜんぶ奪っちゃうの？」ってわりとガチなトーンで聞かれたの。ニュースだと「AIが新薬候補を発見」みたいな景気のいい見出しばっかり流れてくるから、そう感じちゃうのも無理ないよね。でもわたしはその質問に、ちょっとだけ慎重に答えたくなったんだ。

というのも、2026年6月30日にOpenAIが発表した新しいテストの結果を見て、正直「その未来はまだ先っぽいな」って思ったから。むしろ今回の数字は、盛り上がりすぎた期待にやさしくブレーキをかけてくれる内容だったの。だからこそ、ちゃんと紹介する価値があるなって思ったんだ。こういう“地に足のついたニュース”ほど、あとから効いてくると思うんだよね。

そのテストの名前が「GeneBench-Pro（ジーンベンチ・プロ）」。計算生物学、つまりコンピューターを使って生き物の仕組みを解き明かす分野で、AIエージェントの実力をはかる研究用のベンチマーク（性能を測る物差し）なんだって。ざっくり言うと「AIって、生物学のガチな問題どこまで解けるの？」を測る試験だね。

中身は、ゲノムや定量生物学、それに橋渡し医療（研究の成果を実際の治療につなげる分野）にまたがる全129問。ただの暗記クイズじゃなくて、本物の研究現場に近い課題を解かせるのがポイントらしいの。だから難しさのレベルが、そのへんのAIテストとはちょっと違うんだよね。問題数は多くないけど、その一問一問が超ヘビー級って考えてもらうと近いかも。

で、肝心の成績。報道によると、いま最強クラスのモデルであるGPT-5.6 Solでさえ、いちばん賢い推論モードで正答率28.7%、さらに上のProモードでも31.5%どまりだったの。100点満点でいうと、だいたい29点とか31点ってことだね。学校のテストだったら、ちょっと机に突っ伏しちゃうやつ。

つまり「AIが科学者を置き換える」どころか、生物学のガチの問題を出されたら3問に2問は外してる状態なんだよね。この“まだ3割”っていう数字が、いまのAIと科学のリアルな距離感を正直に教えてくれてる気がするの。派手なニュースの裏側で、地味だけど大事な現実がここにあるって感じ。

だからわたしの結論はシンプル。AIは科学の超つよい「相棒」にはなりつつあるけど、「代わり」になるにはまだ全然遠い、っていうのが今のところの答え。じゃあなんでそう言い切れるのか、そして同時に「でも未来はめちゃ楽しみ」って思うのか、理由を3つに分けて話していくね。

そう考える3つの理由

ここからが本題だよ。なんでわたしが「置き換えはまだ先」って考えるのか、その根っこにある3つの理由を、数字の裏側をほぐしながら見ていくね 🔍

どれも「AIすごい」でも「AIしょぼい」でもない、その真ん中にある本当の話。ニュースの見出しだけじゃ見えないところだから、ゆっくりついてきてもらえたらうれしいな。むずかしい専門用語はできるだけ日常のたとえに置きかえて話すから、生物学とか全然くわしくなくても大丈夫だよ。

理由1：最強モデルでも正答率3割ちょっと。でも伸びしろがえぐい

まず素直に受け止めたいのが、この3割前後っていう数字の重さ。学校のテストで30点だったら「もう1回勉強しよ…」ってなるレベルだし、生物学みたいな厳密さが命の分野だと、なおさら心もとない点数だよね。だから「もうAIに全部おまかせ」なんて段階じゃ全然ないの。

生物学の研究って、1つの判断ミスが実験まるごと台無しにしたり、下手したら患者さんの治療方針に関わったりする世界。そこで7割外すAIに「はい、あとよろしく」ってお任せするのは、まだちょっと怖いっていうのが正直なところ。人の命や大事なお金が動く現場だからこそ、精度への要求もえげつなく高いんだよね。だから他の分野なら合格点でも、ここでは全然足りないってことが起きるの。

でもね、ここでもう1つ大事な数字があるの。この「GeneBench-Pro」のもとになった「GeneBench」を作った当時、当時最新だったGPT-5の正答率は5%未満だったんだって。100問中5問も取れてなかったって考えると、当時はほぼお手上げ状態だったってことだよね。

それがいまや3割前後まで来てる。もし単純に比べていいなら、5%から30%だから、ざっくり6倍。1年ちょっとでこの伸び方って、冷静に見てもかなりえぐいなって思っちゃうの。人間の受験生がこのスピードで伸びたら、塾のポスターに載っちゃうレベルだよ。もちろん条件がぴったり同じ比較ではないから“6倍”は目安だけど、方向としては明らかに右肩上がりなんだよね。

しかも今回の「Pro」は、前のバージョンよりわざと難しく、より現実に近い課題に作り替えられてるとされてるの。つまり“試験の難易度が上がったのに点数も上がった”わけで、伸びしろの手応えはむしろ強まってる感じ。ここ、地味だけどすごく大事なポイントなんだ。

だからこの3割は「AIってダメじゃん」って読むより、「まだ3割、されど3割」くらいの温度で見るのがちょうどいいのかなって。数字の低さに落胆するより、そこまで来たスピードと、まだ残ってる伸びしろの両方をセットで見たいんだよね。悲観しすぎるのも、楽観しすぎるのも、たぶん両方はずしてると思うの。

理由2：わざとノイズ入りの問題が、現実の研究のリアルを突きつける

次に注目したいのが、問題の作り方がめちゃくちゃ意地悪(いい意味で)なところ 😳 ここを知ると、なんで点数が伸びにくいのかがストンと腑に落ちるよ。

「GeneBench-Pro」の各問題は、現実に近い“わざとノイズを含んだ”データセットと、下流の意思決定につながる推定対象(target estimand)がセットになってるんだって。ここ、専門用語が並ぶけど、要は「汚れたデータ」と「その先の判断」がワンセットになってるってこと。地味だけどすごく本質的なポイントなの。

というのも、教科書の練習問題ってたいてい「きれいなデータ」で出てくるよね。でも本物の研究データって、測定ミスとかバラつきとか、要らない情報がいっぱい混ざってる“汚れた”状態がふつうなの。実験室のデータは、そもそも最初からノイズまみれって思っておいたほうがいいくらい。

そういうノイズだらけのデータから「どこが本物のシグナルで、どこがただの雑音か」を見抜くのが、研究者のいちばん腕の見せどころ。ここをAIがちゃんとできるかを試すために、あえて汚したデータで出題してるわけ。この設計、意地悪だけどめちゃくちゃ誠実だなって思うんだ。きれいなデータでいい点を取れても、現場で使えなきゃ意味ないもんね。

しかも「答えが合ってるか」だけじゃなくて、その答えが実際の意思決定にちゃんと使える形になってるか、まで問われる設計になってる。つまり“それっぽい数字を出して終わり”じゃダメで、現場で意味を持つアウトプットかどうかまで見られてるんだよね。ここまで来ると、もはや試験というより実務のシミュレーションに近い。

わたしこれ聞いて、すごく良心的なテストだなって思ったの。きれいな問題でハイスコアを出して「AIすごい！」って宣伝するより、現実のドロドロを再現して本当の実力をあぶり出そうとしてるから。数字を盛りにいってない感じに、逆に信頼が持てるんだよね。

だからこそ点が伸びにくいし、その3割にはちゃんと意味があるって思えるの。逆にいうと、もし将来AIがこの汚れたデータでも高得点を取れるようになったら、それは本当に現場で戦えるようになった証拠。だからわたしは、この点数の低さを“いいテストの証”として前向きに受け止めてるんだ。

理由3：AIに一番足りないのは“research taste”＝研究者の判断力

そして、わたしが今回いちばん「なるほど〜」ってなったのがこれ。“research taste（リサーチ・テイスト）”っていう考え方 🧠 たぶんこれが、今回のニュースのいちばんおいしいところ。

OpenAIはこのテストで、単に答えを出す力だけじゃなくて、研究者っぽい判断力そのものを試そうとしてるとされてるの。それを彼らは「research taste」って呼んでるんだって。直訳すると“研究の味覚”、つまり良い問いや良い方針を嗅ぎ分けるセンスみたいなもの。この言い方、なんかおしゃれで好き。

具体的には、こんな判断が問われるらしいよ。まず「このデータで、そもそもどんな問いになら答えられるのか」。目の前のデータを見て、答えられる質問と答えられない質問を仕分ける力だね。ここを間違えると、そもそも解けない問いに突っ走っちゃうことになる。

それから「途中の診断結果を見て、方針を変えるべきかどうか」。研究って一本道じゃなくて、やってみて微妙だったら軌道修正するのが当たり前なんだよね。その“引き返す・進む”の判断ができるかどうか、っていう、けっこう人間くさい力が試されてるの。

さらに「出てきた結果が、意思決定に使える状態になっているか」。数字は出たけど本当に信頼できるのか、それともまだ検証が足りないのか、その見極めまで含まれてるの。答えを出すことと、その答えを信じていいか判断することは、まったくの別物なんだよね。むしろ「まだ分からない」って正直に言えることも、研究では立派な判断のひとつなんだ。

この3つって、知識をどれだけ暗記してるかとは正直あんまり関係ないの。むしろ経験を積んだ研究者が、長い時間かけて失敗もしながら身につける“カン”に近い。そしていまのAIが一番苦手にしてるのが、たぶんまさにこの領域なんだと思う。

だから点が3割止まりなのも納得なんだよね。丸暗記クイズなら満点近く取れるモデルでも、「で、次どうする？」っていう判断の質を問われると急にボロが出る。逆に言えば、この判断力が伸びてきたときが、AIと科学の関係がガラッと変わる瞬間なのかもって、わたしはちょっとワクワクしてるんだ。知識だけならもう十分すごいから、あとはセンスがどこまで育つか、っていうフェーズに入ってる感じ。

そもそも「物差し作り」がなんでそんなに大事なの？ 📏

ここでちょっと立ち止まって考えたいのが、「なんでOpenAIはわざわざこんなテストを作ったの？」っていう話。新しいモデルじゃなくて“テスト”を発表するって、地味に聞こえるかもだけど、実はめちゃくちゃ重要なことなんだ。

だってさ、AIが「賢くなった」って言うためには、そもそも“賢さ”をどう測るかが決まってないと話にならないよね。体重計がないのにダイエットの成果を語れないのと一緒で、まずは信頼できる物差しがいるの。そこがブレてると、その先の議論ぜんぶがフワッとしちゃう。

しかも科学の世界は、いいかげんな物差しが一番きらわれる場所。だからこそ、現実の研究に近くて、ちゃんと難しくて、ズルできないテストを用意することに大きな意味があるんだよね。今回みたいに“わざとノイズ入り”にまでこだわるのは、その本気度の表れだと思う。

もし物差しがゆるゆるだと、「うちのAI、生物学の問題95%正解しました！」みたいな景気のいい発表が乱立して、結局どれが本当に使えるのか分からなくなっちゃう。ハードルを高く保つことは、業界全体が浮かれすぎずに地に足つけて進むための、大事な歯止めにもなるの。

それに、いい物差しがあると「どこが弱点か」がはっきり見えるのも大きい。今回でいえば“research taste”が足りないってことが数字で炙り出されたから、次はそこを鍛えよう、って開発の方向がクリアになるんだよね。目標が見えると、進化のスピードも上がりやすい。テストは点数をつけるためだけじゃなくて、次に何を頑張ればいいかを示す地図にもなってくれるの。

だからわたしは、モデルそのものよりこういうベンチマークのニュースこそ、AIの現在地を冷静に知るヒントだと思ってる。派手さはないけど、ここを押さえておくと「AIすごい詐欺」にも「AIしょぼい説」にも振り回されずにすむんだよね。

読んでるあなたにも、これから新しいAIのニュースを見るとき「その物差し、ちゃんと難しい？」っていう視点を1個持っておいてほしいなって思うんだ。それだけで、情報の受け取り方がぐっと大人になる気がするよ。数字の大きさより、その数字がどんな条件で出たのかを見るのがコツなんだよね。

AnthropicのClaude Scienceも参戦。“AI×科学”は業界まるごとの競争へ 🚀

そしてもう1つ、今回の話を面白くしてるのが、これがOpenAI単独の動きじゃないってこと。ちょうど同じ2026年6月30日ごろ、Anthropicも Claude Scienceっていう科学者向けの新しいツールを発表したの。同じタイミングっていうのが、なんだか象徴的だよね。

報道によると、Claude Scienceは研究者がふだん使うツールやパッケージをまとめて統合した“研究のワークベンチ（作業台）”みたいな位置づけらしいよ。ゲノミクスやプロテオミクス、構造生物学なんかに対応したスキルやコネクターがたくさん用意されてるんだって。ソフト開発を助けるツールの、生物学版みたいなイメージかな。

しかも、出てきた結果には「どうやってその答えにたどり着いたか」の履歴が残る設計になってるとされてる。これって理由2で話した“再現できるか・信頼できるか”の話と地続きで、科学に使うなら絶対ほしい機能なんだよね。あとから検証できないと、科学の世界では信用してもらえないから。

つまり、OpenAIが「AIの実力を厳しく測る物差し」を出す一方で、Anthropicは「研究者が実際に使える道具」を出してきた。アプローチは違うけど、どっちも“AI×科学”というド真ん中を狙ってるのがよく分かるよね。方向性の違いも含めて、見ていて面白い構図なの。物差しと道具って、どっちが欠けても前に進めないから、両方そろってきたのは大きいと思う。

こういう大手同士のガチ競争って、正直めっちゃ健全だなって思うの。片方が「まだ3割だよ」って現実を突きつけて、もう片方が「じゃあ現場で使える形にしよう」って動く。この緊張感があるからこそ、変な誇大広告に流されず、本当に役立つ方向に進みやすくなるんだよね。

もちろん、道具がそろってもAIの判断力がすぐ人間並みになるわけじゃない。でも、物差しと道具の両輪が回りはじめたってことは、AIが科学の相棒になる流れがガチで加速してるサインだと、わたしは受け止めてるよ。ここからの1年で、景色がけっこう変わりそう。

わたしたち一般ユーザーからすると遠い世界の話に見えるかもだけど、ここで培われた“ノイズに強い判断力”は、いずれ普段使いのAIにも降りてくるはず。仕事の資料づくりや調べものでも、汚れた情報から本質を見抜く力って絶対うれしいもんね。だから他人事にしないで、ゆるく追いかけておく価値は十分にあると思うんだ。

まとめ：3割は「もう終わり」じゃなくて「これから」のサイン 🌱

長くなったけど、今回いちばん伝えたかったのはこれ。「AIは科学者を置き換えるの？」への現時点の答えは、「まだ3割、だからまだ先。でも伸び方はガチ」ってことなの。冷静に、でもちょっとワクワクしながら見ていきたいニュースだったな。

最強モデルでも正答率3割前後、しかもわざとノイズを入れた意地悪な問題で、判断力(research taste)まで問われる。この厳しさが、いまのAIのリアルな実力を正直に映してくれてるんだよね。数字が低いのは、テストがちゃんと本物だからなんだ。だから3割っていう数字を見て「なんだ大したことないじゃん」で終わらせちゃうのは、ちょっともったいないなって思うの。

でも忘れちゃいけないのが、もとのGeneBench当時は5%未満だったのが3割前後まで来たっていう伸び。悲観しすぎず、でも「もう科学者いらない」なんて楽観もしすぎず、真ん中で眺めるのがちょうどいい距離感だと思う。極端な意見ほどバズるけど、真実はだいたい真ん中にあるからね。数字を自分の目で確かめる癖をつけておくと、こういうニュースにも冷静でいられるよ。

そしてOpenAIの物差しと、AnthropicのClaude Scienceみたいな道具が同時に出てきたことで、“AI×科学”は業界まるごとの競争フェーズに入った感じ。ここからどう数字が動くかは、素直にウォッチしていきたいな。来年の今ごろ、この3割がどこまで伸びてるのか、わたしはちょっと楽しみにしてるんだ。

ちなみに「で、結局わたしはChatGPTとかGeminiとかClaude、どれ使えばいいの？」ってなった人は、用途別の選び方をまとめた ChatGPT・Gemini・Claudeの使い分け記事も読んでみてね。科学のガチ用途じゃなくても、この“判断力”の違いって日常のちょっとした作業でもけっこう効いてくるからさ。

というわけで、次にAIのすごいニュースを見かけたら、ぜひ「その物差し、ちゃんと難しい？」って一歩引いて考えてみて。それだけで情報に振り回されにくくなるし、AIとの付き合い方もぐっと上手になると思うよ。今日もここまで読んでくれてありがとう、またね〜 🧬

ソース: