Intelligence Indeedは2026年7月、自社のコンピューター操作AIを発表ではZ-Agent、一部報道ではInAgentとして紹介し、OSWorldで**90.2％**のタスク成功率を達成したと発表した。同社によれば、90％を超えた最初の報告例であり、エージェント・フレームワークのサブリーダーボードでも首位だったという。1822

ただし、この数字を「単一のAIモデルがデスクトップ作業を完全に解けるようになった」と読むのは早計だ。コンピューター操作エージェントの成績はモデル単体ではなく、計画を安全な操作に変換し、結果を確認し、失敗から復帰させる周辺ソフトウェア――ハーネスを含むシステム全体で決まる。

InAgentが報告した成績

報道で伝えられた内訳は次の通りである。

• 総合成功率：90.2％
• アプリ横断タスク：84.7％
• GIMPタスク：92.3％
• システムレベルのタスク：100％ 22

これらは現時点で会社側が報告した結果であり、独立監査済みの結論ではない。提供された情報には、基盤モデル、操作ツール、プロンプト、評価設定、ハーネスの各要素が成績にどの程度寄与したかを切り分ける公開技術報告はない。ベンチマークの点数が測るのは、モデルの知能だけではなく、モデルと実行システムの組み合わせである。

また、首位という位置付けは恒久的なものではない。2026年9月の第三者リーダーボードのスナップショットでは、OSWorld-VerifiedでQwen3.8 Maxが86.1％と掲載されている。順位や評価構成は時間とともに変わり得る。3

OSWorldは何を試しているのか

OSWorldは、スクリーンショットへの回答や模擬Webページの操作ではなく、実際のコンピューター環境を扱うエージェントを評価するために設計された。元のベンチマークは369件の実務に近いタスクで構成され、Chromium、LibreOffice、GIMP、Thunderbird、VLC、Visual Studio Code、OS操作、複数アプリにまたがる作業を含む。開始時の環境状態を整えたうえで、最終的な状態を実行ベースの検査で判定する。214

Google Driveで手作業の設定が必要になる8タスクを除外した、361タスク構成も広く用いられている。14

つまりエージェントには、画面を移動する能力だけでなく、複数ステップの進行管理、ファイルやアプリの状態変更、期待された最終状態の実現が求められる。OSWorldの初期公表値では、人間の成功率が72.36％超だったのに対し、最高モデルは12.24％だった。14 90.2％という主張が注目される背景はここにある。

もっとも、この人間比較を一般的な職場能力の尺度とみなすことはできない。タスクの選定、初期環境、許容操作回数、利用可能なツール、ハーネスによって結果は左右される。

プロンプトから「ハーネス設計」へ

プロンプト設計は「何をするか」をモデルに指示する。コンテキスト設計は「どの情報を渡すか」を決める。これに対してハーネス設計は、エージェントが何を観測し、どう操作し、状態をどう保持し、成功をどう検証し、失敗時にどう復旧するかを定める実行時システムの設計である。

エージェントシステムに関する調査は、ハーネスを、知覚・行動・エラー検出・復旧を形づくる実行基盤と位置付ける。観測設計、操作空間、実行サンドボックス、コンテキスト管理、検証ループなどが含まれる。28

コンピューター操作AIで重要になる要素は、主に次の6つだ。

1. 作業を検証可能な小目標へ分解する：例えば「受注情報を更新する」を、対象レコードの検索、項目確認、更新、証跡添付、保存確認に分ける。
2. 適切な操作経路を選ぶ：許可され利用可能なら、マウス操作よりAPI、コマンド、構造化ツールを優先し、GUIは機械可読な経路がない工程を補う。
3. 永続的な状態を持つ：完了済みの工程、現在のアプリ状態、選択中の対象、ファイル、再試行の安全性を記録する。
4. 記録の正本で結果を検証する：モデル自身の「完了した」という発話ではなく、API応答、データベース値、保存ファイル、アプリ状態で確認する。
5. 安全に復旧する：古い画面、クリック失敗、ポップアップ、タイムアウト、部分送信、認証中断に対する方針を用意する。
6. 権限と可観測性を管理する：ログ、操作履歴、承認ゲート、制約された認証情報によって、重要な処理を追跡・監査可能にする。

この層が性能に大きく効くことを示す研究もある。別ベンチマークであるTerminal-Bench 2では、エージェント型ハーネス設計を10回反復した結果、pass@1が69.7％から77.0％へ上がり、引用された人間設計のハーネスの71.9％を上回ったと報告された。これはInAgentのOSWorld成績を裏付けるものではないが、モデルを入れ替えなくても実行設計だけで大幅な改善が起こり得ることを示す。29

APIとGUIの併用が企業にとって重要な理由

InAgentで報告された戦略的な特徴は、利用できる場面ではプログラム可能なインターフェースを使い、適切なAPIがないアプリケーションでは人間のようなGUI操作を残す、というハイブリッド方式にある。22

企業の現場では、APIが整った新しいクラウドサービスと、古いデスクトップソフト、取引先ポータル、社内の閉鎖系システムが一つの業務フローに混在しがちだ。後者では、人間が画面で行う操作が事実上唯一の手段であることも少なくない。

理想的には、エージェントは工程ごとに最も確実な経路を選べる。

• 構造化された検索・更新にはAPIやコマンドを使う。
• レガシーまたは閉鎖的な画面にはGUI操作で対応する。
• 可能な限り、決定論的に確認できる正本システムで結果を検証する。

OSWorld-MCPの研究でも、ツール呼び出しの追加が一部の条件でコンピューター操作タスクの成功率を改善した。報告された実験では、MCPツールの追加により、OpenAI o3は15ステップ時に8.3％から17.6％へ、Claude 4 Sonnetは50ステップ時に38.9％から45.0％へ上昇した。24

ただしGUI自動化には、画面変更、遅延、ポップアップ、曖昧なクリック対象、アクセス制御、多要素認証、取り消せない操作というリスクが残る。ハイブリッド実行はリスクを抑え得るが、なくすわけではない。

90.2％は導入判断で何を意味するか

90.2％の完了率は、裏返せば9.8％のベンチマークタスクが成功しなかったことを意味する。同程度のタスクを仮に1万件処理すれば、単純計算で約980件の例外が出る。しかも、この数字には「成功したように見えるが、業務上は誤った結果になった」ケースは含まれていない。

この点数が無意味ということではない。強い統制の下で、範囲が限定され、繰り返し可能な業務にコンピューター操作AIを活用できる段階へ近づいている可能性を示す。ただし、支払い、法定申告、安全に関わる業務、顧客へ直接影響する変更を無監督で任せてよい、という意味ではない。

本番導入では、見出しになる成功率以外も評価すべきだ。

• 自社業務での完了率と正確性
• 失敗の種類と復旧可能性
• コスト、遅延、操作回数
• 権限境界と承認ポイント
• 完了した操作が意図したシステム状態を実際に変えた証拠
• 例外キューの規模と処理手順

さらに難しいOSWorld 2.0は慎重さの必要性を際立たせる。108件の長期タスクからなり、主要な500ステップの二値完了指標で最高成績は20.6％だった。作業が長く現実に近くなると、エージェントが広範なプロ水準のコンピューター利用にはなお遠いことを示す結果だ。17

本当の節目は「実行を設計する力」

InAgentの90.2％という報告は、エージェントシステムの設計・実装における節目として捉えるのが妥当だ。より良いプロンプトや豊富なコンテキストは今後も重要だが、信頼できる自動化を支えるのは、タスク分解、ツール選択、状態保持、検証可能な完了条件、限定された権限、復旧経路といったモデル周辺の仕組みである。

企業が問うべきなのは、どのモデルがベンチマーク首位かだけではない。特定の業務を、測定可能な正確性、制御された副作用、進めなくなった際の安全な人への引き継ぎを伴って実行できるか――その問いに答えることこそが、ハーネス設計の役割になる。

Intelligence Indeedは2026年7月、自社のコンピューター操作AIを発表ではZ-Agent、一部報道ではInAgentとして紹介し、OSWorldで**90.2％**のタスク成功率を達成したと発表した。同社によれば、90％を超えた最初の報告例であり、エージェント・フレームワークのサブリーダーボードでも首位だったという。1822

ただし、この数字を「単一のAIモデルがデスクトップ作業を完全に解けるようになった」と読むのは早計だ。コンピューター操作エージェントの成績はモデル単体ではなく、計画を安全な操作に変換し、結果を確認し、失敗から復帰させる周辺ソフトウェア――ハーネスを含むシステム全体で決まる。

InAgentが報告した成績

報道で伝えられた内訳は次の通りである。

• 総合成功率：90.2％
• アプリ横断タスク：84.7％
• GIMPタスク：92.3％
• システムレベルのタスク：100％ 22

これらは現時点で会社側が報告した結果であり、独立監査済みの結論ではない。提供された情報には、基盤モデル、操作ツール、プロンプト、評価設定、ハーネスの各要素が成績にどの程度寄与したかを切り分ける公開技術報告はない。ベンチマークの点数が測るのは、モデルの知能だけではなく、モデルと実行システムの組み合わせである。

また、首位という位置付けは恒久的なものではない。2026年9月の第三者リーダーボードのスナップショットでは、OSWorld-VerifiedでQwen3.8 Maxが86.1％と掲載されている。順位や評価構成は時間とともに変わり得る。3

OSWorldは何を試しているのか

OSWorldは、スクリーンショットへの回答や模擬Webページの操作ではなく、実際のコンピューター環境を扱うエージェントを評価するために設計された。元のベンチマークは369件の実務に近いタスクで構成され、Chromium、LibreOffice、GIMP、Thunderbird、VLC、Visual Studio Code、OS操作、複数アプリにまたがる作業を含む。開始時の環境状態を整えたうえで、最終的な状態を実行ベースの検査で判定する。214

Google Driveで手作業の設定が必要になる8タスクを除外した、361タスク構成も広く用いられている。14

つまりエージェントには、画面を移動する能力だけでなく、複数ステップの進行管理、ファイルやアプリの状態変更、期待された最終状態の実現が求められる。OSWorldの初期公表値では、人間の成功率が72.36％超だったのに対し、最高モデルは12.24％だった。14 90.2％という主張が注目される背景はここにある。

もっとも、この人間比較を一般的な職場能力の尺度とみなすことはできない。タスクの選定、初期環境、許容操作回数、利用可能なツール、ハーネスによって結果は左右される。

プロンプトから「ハーネス設計」へ

プロンプト設計は「何をするか」をモデルに指示する。コンテキスト設計は「どの情報を渡すか」を決める。これに対してハーネス設計は、エージェントが何を観測し、どう操作し、状態をどう保持し、成功をどう検証し、失敗時にどう復旧するかを定める実行時システムの設計である。

エージェントシステムに関する調査は、ハーネスを、知覚・行動・エラー検出・復旧を形づくる実行基盤と位置付ける。観測設計、操作空間、実行サンドボックス、コンテキスト管理、検証ループなどが含まれる。28

コンピューター操作AIで重要になる要素は、主に次の6つだ。

1. 作業を検証可能な小目標へ分解する：例えば「受注情報を更新する」を、対象レコードの検索、項目確認、更新、証跡添付、保存確認に分ける。
2. 適切な操作経路を選ぶ：許可され利用可能なら、マウス操作よりAPI、コマンド、構造化ツールを優先し、GUIは機械可読な経路がない工程を補う。
3. 永続的な状態を持つ：完了済みの工程、現在のアプリ状態、選択中の対象、ファイル、再試行の安全性を記録する。
4. 記録の正本で結果を検証する：モデル自身の「完了した」という発話ではなく、API応答、データベース値、保存ファイル、アプリ状態で確認する。
5. 安全に復旧する：古い画面、クリック失敗、ポップアップ、タイムアウト、部分送信、認証中断に対する方針を用意する。
6. 権限と可観測性を管理する：ログ、操作履歴、承認ゲート、制約された認証情報によって、重要な処理を追跡・監査可能にする。

この層が性能に大きく効くことを示す研究もある。別ベンチマークであるTerminal-Bench 2では、エージェント型ハーネス設計を10回反復した結果、pass@1が69.7％から77.0％へ上がり、引用された人間設計のハーネスの71.9％を上回ったと報告された。これはInAgentのOSWorld成績を裏付けるものではないが、モデルを入れ替えなくても実行設計だけで大幅な改善が起こり得ることを示す。29

APIとGUIの併用が企業にとって重要な理由

InAgentで報告された戦略的な特徴は、利用できる場面ではプログラム可能なインターフェースを使い、適切なAPIがないアプリケーションでは人間のようなGUI操作を残す、というハイブリッド方式にある。22

企業の現場では、APIが整った新しいクラウドサービスと、古いデスクトップソフト、取引先ポータル、社内の閉鎖系システムが一つの業務フローに混在しがちだ。後者では、人間が画面で行う操作が事実上唯一の手段であることも少なくない。

理想的には、エージェントは工程ごとに最も確実な経路を選べる。

• 構造化された検索・更新にはAPIやコマンドを使う。
• レガシーまたは閉鎖的な画面にはGUI操作で対応する。
• 可能な限り、決定論的に確認できる正本システムで結果を検証する。

OSWorld-MCPの研究でも、ツール呼び出しの追加が一部の条件でコンピューター操作タスクの成功率を改善した。報告された実験では、MCPツールの追加により、OpenAI o3は15ステップ時に8.3％から17.6％へ、Claude 4 Sonnetは50ステップ時に38.9％から45.0％へ上昇した。24

ただしGUI自動化には、画面変更、遅延、ポップアップ、曖昧なクリック対象、アクセス制御、多要素認証、取り消せない操作というリスクが残る。ハイブリッド実行はリスクを抑え得るが、なくすわけではない。

90.2％は導入判断で何を意味するか

90.2％の完了率は、裏返せば9.8％のベンチマークタスクが成功しなかったことを意味する。同程度のタスクを仮に1万件処理すれば、単純計算で約980件の例外が出る。しかも、この数字には「成功したように見えるが、業務上は誤った結果になった」ケースは含まれていない。

この点数が無意味ということではない。強い統制の下で、範囲が限定され、繰り返し可能な業務にコンピューター操作AIを活用できる段階へ近づいている可能性を示す。ただし、支払い、法定申告、安全に関わる業務、顧客へ直接影響する変更を無監督で任せてよい、という意味ではない。

本番導入では、見出しになる成功率以外も評価すべきだ。

• 自社業務での完了率と正確性
• 失敗の種類と復旧可能性
• コスト、遅延、操作回数
• 権限境界と承認ポイント
• 完了した操作が意図したシステム状態を実際に変えた証拠
• 例外キューの規模と処理手順

さらに難しいOSWorld 2.0は慎重さの必要性を際立たせる。108件の長期タスクからなり、主要な500ステップの二値完了指標で最高成績は20.6％だった。作業が長く現実に近くなると、エージェントが広範なプロ水準のコンピューター利用にはなお遠いことを示す結果だ。17

本当の節目は「実行を設計する力」

InAgentの90.2％という報告は、エージェントシステムの設計・実装における節目として捉えるのが妥当だ。より良いプロンプトや豊富なコンテキストは今後も重要だが、信頼できる自動化を支えるのは、タスク分解、ツール選択、状態保持、検証可能な完了条件、限定された権限、復旧経路といったモデル周辺の仕組みである。

企業が問うべきなのは、どのモデルがベンチマーク首位かだけではない。特定の業務を、測定可能な正確性、制御された副作用、進めなくなった際の安全な人への引き継ぎを伴って実行できるか――その問いに答えることこそが、ハーネス設計の役割になる。