時間地平線（タイムホライズン。AIがこなせる仕事の長さ）とは？

英語の名前「time horizon」を、言葉どおりに日本語にしたのが「時間地平線」です。horizon は、ふつうは地平線や水平線のことで、立っている所から見渡せる地面や海の、いちばん遠い境目です。その先は見えません。言葉のもとは、ギリシャ語の「境を区切る（円）」です。

英語の horizon は、景色のほかにも使います。1つは、人の知識や経験、関心が届く範囲の限りで、「視野を広げる」は、英語では horizon を使って言います。もう1つは時間で、たとえば planning horizon は、その計画が、先のどこまでの時間を考えに入れているか、という長さです。どれも、「ここまでは届く」という境目の意味です。

時間地平線も、この意味で読むと分かります。AIの力が届く課題の長さの境目を、人の専門家がかかる時間で表しているのです。それより短い課題ほど、AIはやり遂げやすく、長い課題ほど、やり遂げにくくなります。ただし、本物の地平線のような、くっきりした線ではありません。成功の割合はなだらかに下がるので、ちょうど半分になる長さを境目に決めています（くわしくは下の「なぜ50%なの？」）。

AIがよくなるにつれて、この境目は、もっと長い課題の方へ動いてきました（2019〜2025年は約7か月ごとに2倍）。高い所に登ると、地平線が遠くなるのと似ています。なお、ブラックホールの「事象の地平線」（光も出てこられない境目）も、英語では同じ horizon を使う言葉（event horizon）ですが、時間地平線とは関係がありません。

まず、課題をたくさん用意します。2025年の論文では、プログラミング・機械学習・コンピューターの安全を守る仕事などの課題を、3つの課題の集まりから、合わせて170集めました。1分から30時間ほどまでの97の課題が入った「HCAST」、どれも8時間かかる、機械学習の研究の難しい7つの課題が入った「RE-Bench」、1〜30秒で済む66の短い課題が入った「SWAA」です。2026年1月からは、同じやり方のまま、課題を228に増やした版（Time Horizon 1.1）を使っています。

次に、人の専門家に課題を実際に解いてもらい、かかった時間を測ります。解いたのは、ソフトウェア・機械学習・コンピューターの安全の仕事を平均5年ほどしてきた人たちで、800回を超える試しで、合わせて2529時間になりました。成功した人たちの時間を平均した値が、その課題の長さです（人が解いていない一部の課題は、見積もった時間を使っています）。

そのあと、AIエージェントに同じ課題を解かせ、成功したかどうかを記録します。そして、課題の長さを横に、成功したかどうかを縦にとって、左から右へなだらかに下がる、S字をのばしたような形の曲線（ロジスティックの曲線）を当てはめます。横の目もりは、1つ進むと何倍かになる形（対数の目もり）です。この曲線が50%の高さを横切る所の長さが、そのAIの時間地平線です。曲線は、AIごとに1本ずつ引きます。

AIは、同じくらいの長さの課題でも、できるものと、できないものがあります。だから、「何時間の課題までなら、できる」と、はっきり線を引くことはできません。そこで、成功する見込みがちょうど半分になる長さを、そのAIの力を表す1つの数にしました。

50%は、その長さの課題なら、どれも2回に1回こなせる、という意味ではありません。METR は GPT-5 の例を挙げています。人の専門家なら1時間半から3時間かかる課題のうち、約3分の1はいつも成功し、約3分の1はいつも失敗し、残りの約3分の1は、成功したり失敗したりしました。

METR は、80%の確率でこなせる長さも出しています。こちらは、論文で調べたAIでは50%の長さの4〜6分の1ほどと、ずっと短くなります。何分の1になるかは、そのAIの曲線が、課題が長くなるにつれてどれだけ急に下がるかで決まるので、AIによって違います（2026年の Claude Opus 4.6 では約10分の1）。年ごとの伸び方は、80%でも50%とよく似ています。99%のような、もっと高い確かさの長さは、正しく測るのにずっと多くの課題が要るので、出していません。

2026年11月10日に METR のページで見た時点では、2019年の GPT-2 は約3秒、2023年の GPT-4 は約4分、2025年2月の Claude 3.7 Sonnet は約1時間、2025年8月の GPT-5 は約3時間20分でした。2026年2月の Claude Opus 4.6 は約12時間ですが、この値には、約5時間から約60時間という、とても広い幅が付いています。測った課題の数は限られていて、どの課題で測るかや、毎回のたまたまの当たり外れで値が動きうるので、ありうる範囲を出しているのです。同じ Claude Opus 4.6 でも、80%の確率でこなせるのは約1時間10分の課題で、50%の長さの約10分の1です（何分の1になるかは、AIによって違います）。

この時点でいちばん長いのは、2026年4月の Claude Mythos Preview の初期の版（METR のデータでの名前は「early」）で、約17時間でした。ただし METR は、16時間を超える値は、今の課題では正確には測れない（出た値をそのまま信じられない）、と書いています。課題を増やした2026年1月の時点でも、新しいAIに解けない課題は多くない、と書いていました。また、METR は2026年9月に、このページはもう新しくしていない、と書き加えました。

2025年の論文は、2019年から2025年までに出たAIで、時間地平線が、およそ7か月（207日）ごとに2倍になってきたことを示しました。1年（12か月）は7か月の約1.7倍なので、1年で2倍を約1.7回くり返すことになり、およそ3倍のペースです。半導体の部品の数が約2年ごとに2倍になる、というムーアの法則と比べても、ずっと速いペースです（くわしくは「ムーアの法則」のページ）。

伸びは、最近の方が速くなっています。ただ、どの期間を、どのデータで見るかで、数は少し変わります。2025年の論文のデータで、2024年に出たAIだけを見ると、約3か月ごとに2倍でした（ただし、ここから先を見込むのは確かではない、と論文は書いています）。一方、課題を増やして測り直した METR の新しいデータ（Time Horizon 1.1）で、2023年からのAIを見ると、約4か月ごとに2倍です。

論文は、伸びたわけを、AIが確実になったこと、まちがいに合わせてやり方を変えられるようになったこと、筋道立てて考える力と道具を使う力がよくなったことにある、と見ています。

論文の著者たちは、この流れが続き、実際のソフトウェアの仕事にも当てはまるなら、人なら1か月（働く時間で約167時間）かかるソフトウェアの仕事の多くを、5年のうちにAIが自動でこなせるようになる、と予測しています。中心の見込みは、2029年の半ばです。これは今までの流れをのばした見込みです。著者たちは、AIに使うコンピューターの計算の力をどんどん増やしていくことが難しくなれば、伸びは遅くなりうる（やり方の工夫で、一部は取り戻せる）と書き、反対に、AIに、自分で手順を決めて道具を使い、課題をやり遂げる練習をさせる学習や、いずれAIの研究そのものをAIが自動でするようになることで、速まる見込みの方が大きい、とも書いています（AIがAIをよくするしくみは「再帰的自己改善」のページ）。

はっきりとは、まだ分かっていません。METR の課題は、主にソフトウェア・機械学習・コンピューターの安全の仕事です。METR は、時間地平線が2時間でも、人が2時間でできる頭の仕事なら何でもできる、という意味ではない、と書いています。

METR は2025年7月に、ほかの分野の試験の結果からも、時間地平線を見積もりました（数学の大会の問題、科学の難しい質問、画面を見てパソコンを操作する課題、自動運転など）。数学・科学の質問・プログラミングでは、時間地平線は約50分から200分あまりで、2〜6か月ごとに2倍になっていました。画面を見てパソコンを操作する課題では、時間地平線が、数学・科学の質問・プログラミングの40〜100分の1と短いものの、同じくらいの速さで伸びていて、数学などの分野を約2年遅れで追う形でした。自動運転は、もっとゆっくりでした。

ただ、この報告は、どの試験の結果もばらつきが大きく、多くの試験は、人が解いた時間を測っていない、と注意しています。また、どの試験も、いくらか作り物で、実際の仕事より、AIにはやさしいだろう、とも書いています。

1つめは、課題の「散らかり具合」です。論文は、限られた材料でやる、新しい、まわりが動いて変わる、といった16の点で、課題がどれだけ実際の仕事のように散らかっているかに点を付けました。同じ長さの課題でも、散らかった課題ほど、AIの成功の割合は下がりました（ただ、年ごとの伸び方は、散らかった課題でも似ていました）。

2つめは、だれの時間で測るかです。課題を解いた人たちは、その仕事の事情をよく知らない人です。論文が METR の中のプログラムの直しで試すと、外から頼まれて解いた人は、そのプログラムを毎日扱う人の5〜18倍の時間がかかりました。METR は、時間地平線が表すのは、その仕事に入ったばかりの人ができることに近く、8時間の値が出ても、事情をよく知る人が毎日している8時間の仕事をこなせる、という意味ではない、と書いています。

3つめは、「成功」の決め方です。課題の成功は、ふつうプログラムが自動で判定します。METR は2025年8月に、Claude 3.7 Sonnet に、だれでも中身を見られる本物のプログラム（オープンソース）の18の直しを頼みました。作った人たちのテストに通ったのは38%でした。でも、人が中身を見た答えは、テストに通ったものも含めて、1つも、そのままではプログラムの本体に入れて使えず、テストの足りなさや説明の書き足しなどで、直すのに平均42分（テストに通ったものでも26分）かかる、という見積もりでした。テストに通ることと、仕事として使えることは、別のことなのです。