GPT-5.2: 反発の逆説

失敗には通常、反発が伴うものであり、技術的な高得点とは異なります。GPT-5.2はまさにその象徴としてやってきました。これはOpenAIに勝利のラップを提供するはずの数字の積み重ねであり、PR上の頭痛の種ではありません。書面上では、これは同社が今までに出荷した中で最も能力のある汎用モデルです。

プロフェッショナルベンチマーク全体において、GPT-5.2は前モデルをただ上回るだけでなく、圧倒しています。44の職業における実際の知識作業をシミュレートするGDPValでは、GPT-5.2の思考が約71%のタスクで人間の業界専門家に匹敵するか、それを上回ります。これはGPT-5.1の思考が約39%だったのに対しての向上です。同じタスクを人間よりも11倍以上速く、かつ1%未満のコストで完了します。

ソフトウェア工学において、GPT-5.2は、意図的に攻略が難しいように設計された新しいベンチマーク「SWE-Bench Pro」で55.6%のスコアを記録しました。これは4つのプログラミング言語にわたるものです。「SWE-Bench Verified」では約82%に跳ね上がり、中途半端なパッチを減らし、真のエンドツーエンドのバグ修正を増加させています。また、長いコンテキスト推論は、最大256,000トークンのOpenAIのMRCR-V2テストでほぼ完璧な精度を達成しています。

ビジョンとツールも静かに進化しています。GPT-5.2は、GPT-5.1に比べてChartShift ReasoningやScreenSpot Proの画像ベンチマークにおけるエラー率を約半減させ、ダッシュボードやUIレイアウトをはるかに少ない幻覚で読み取ります。ツールの呼び出しは、TAW-2 Benchにおける複数ステップのカスタマーサポートシナリオで97.7%の精度に達し、エージェントが実際に必要とする信頼性を提供します。

なぜインターネットは暴動にあるコメントセクションのように感じるのでしょうか？RedditやX、そして開発者の間での雰囲気はネガティブに傾いています：ユーザーはベンチマークについて冗談を言い、自分が触れているモデルがチャートに合っているかどうかを疑問視し、研究室の知能と実生活の経験との間に広がるギャップを描写します。この騒動には単一のテーマがあります：「実感するまで信じない。」

重要なのは、この批判がブログ投稿を見逃した人々からのものではないということです。これらは、ARC-AGIスコアやSWE-Benchのデルタを暗記しているパワーユーザーや開発者です。彼らは数字を理解しているにもかかわらず、なおも信頼感を感じていません。

そのギャップこそが本当の物語です。最も賢いAIが驚きよりも怒りを引き起こすとき、それは転機を示しています。今後のAI戦争は、生の能力よりも、ユーザーが画面に表示されるものをどれだけ信頼するかにかかっているかもしれません。

ベンチマークは最初に、反発は後で。紙の上では、GPT‑5.2 はOpenAIがこれまでに出荷した中で最も能力のある汎用モデルであり、その数値は厳しいものです。OpenAIが公開したほぼすべての真剣なテストにおいて、GPT‑5.1をわずかに上回るだけでなく、それを圧倒的に超えています。

GDPValから始めましょう。これは44の職業に基づいた実際のプロフェッショナルな作業を中心に構築されたベンチマークです：スプレッドシート、プレゼンテーション、タイムライン、ダイアグラム、ビジネスアーティファクト。GPT‑5.2 Thinkingは、これらのタスクの約71%で人間の業界専門家と同等かそれ以上の成果を上げており、GPT‑5.1 Thinkingの約39%から向上しています。同じ作業量において、GPT‑5.2は人間の11倍以上速く、1%未満のコストで完了します。

そのギャップは生産性に直接つながります。GPT-5.2を使用するアナリスト1人が、スライド作成、報告書の作成、計画立案の数時間を、ほとんどの時間で専門家レベル以上のパフォーマンスを発揮するシステムに引き渡すことができます。企業にとって、その数学はシンプルです：専門家クラスの成果、ほぼ瞬時のターンアラウンド、わずかな限界コスト。

コーディングは、ステップチェンジが無視できなくなる場所です。SWE‑Bench Proでは、4つのプログラミング言語を網羅し、プロンプトゲームへの抵抗を考慮して設計された notoriously hard benchmarkで、GPT‑5.2 Thinkingは55.6%を達成し、新たな最前線を記録しました。一方、古いSWE‑Bench Verifiedでは、約76%から82%に上昇しました。これは、エンドツーエンドのバグ修正が増え、中途半端なパッチが減少したことを意味し、リファクタリングには依然として人間の手が必要です。

抽象的推論も飛躍します。ARC‑AGI 2 Verifiedでは、記憶されたテンプレートではなく、本当に新しいパターン形成を孤立させようとしていますが、GPT‑5.1 Thinkingは17.6%のスコアでした。GPT‑5.2 Thinkingは52.9%に急上昇し、Proバリアントはさらに高いスコアを記録しています。これは、これらのシステムが「ゼロから解決する」問題をどれほどうまく扱えるかにおける実際の傾きの変化です。

長いコンテキストの推論は、静かに別の有用性のレベルを解き放ちます。OpenAIのMRCR-v2スタイルの評価において、GPT-5.2は、関連情報が256,000トークンの文書の中に隠れていても、ほぼ完璧な精度を達成しています。実際には、大規模な契約書、多数のファイルを含むコードベース、あるいは広範な研究報告書を投げかけても、途中で一貫性が崩れることなく処理することができるということです。

ビジョンとツールがアップグレードを完成させます。CharXiv ReasoningやScreenspot Proのようなベンチマークでは、GPT‑5.2はGPT‑5.1に対してエラー率を約半分に減少させており、ダッシュボードや図、UIをはるかに少ない幻覚ラベルで読み取ります。そのツール呼び出しスタックは、複雑なマルチステップサポートフローで97.7%の精度を達成しており、自律エージェントがAPIを組み合わせてデータを取得し、最終的な回答を人間の監視をほとんど必要とせずに返すことができるレベルです。

これらすべては、見かけ上のバージョンアップやマーケティングの演習ではなく、真のインテリジェンスの飛躍を表すモデルに結びつきます。

反発はほぼ即座に起こった。RedditやXをスクロールすると、そのパターンが浮かび上がる：長いベンチマークのスクリーンショットの後に、「良いグラフだね、実感できるまでは信じないよ」というコメントが続く。雰囲気は好奇心ではなく苛立っていて、多くのユーザーがあらかじめ再び惑わされないと決めてしまったかのようだ。

Redditでは、GPT-5.2の発表に関するトップ投票の投稿は、 collective eye-roll（集団的なため息） のようです。ユーザーはOpenAIのチャートやIntroducing GPT-5.2 ブログを「マーケティングPDF」として軽視し、「ベンチマークなんてどうでもいい、実際に製品を使って感じるまで信じない」と繰り返しています。ベンチマークは、たとえ+30％や+40ポイントの改善があっても、直感には勝てません。

Xはさらに厳しく感じられる。OpenAIの数値を引用したツイートは、5.1以降誰かの日々のコーディング、研究、執筆が実際に改善されたのかを尋ねるスレッドへとつながっている。パワーユーザーは「改善された悪化」を伴う更新、セーフティクランプ、そしてより丁寧ではあるが、助けにはならないと感じるますます滑らかなコーポレートトーンについて数ヶ月の経験を語る。

多くの有料ユーザーは奇妙な種類の信頼を表現します。彼らはChatGPT PlusやTeamsに再加入しますが、それはあくまで実験としてです。「もう一ヶ月様子を見るつもりだけど、また弱体化するだろうと予想している」とか、「仕事用に5.2を使っているが、来週も同じように動くとは全く信じていない」といった投稿が見られます。これは、忠誠心ではなく、あきらめに基づいた定期収入です。

開発者たちも似たように冷静な反応を示しています。彼らはARC-AGIの17.6%から52.9%へのジャンプと、SWE-Bench Proでの55.6%を認めた後、すぐに「私のエージェントがJiraチケットの幻覚を見なくなるまで起こさないでくれ」と付け加えます。多くの人にとって、紙の上の知能は、回帰、レート制限、API内の不透明なモデルスイッチに対して二次的です。

GPT-5.2の「HR承認済み」や「PRインターン」の人格に関するジョークは、気分の変化を強調しています。ユーザーは、アシスタントがエッジの効いたブレインストーミングを求めても、まるでLinkedInの投稿のように聞こえると主張しており、その原因を安全フィルターや製品調整の移り変わる対象に求めています。この批判は、特定の機能不全ではなく、捉えにくい利用体験の変化に焦点を当てています。

このAI Revolution Deutschlandのビデオは、声の大きさを示すのではなく、明確に反響を信号としています。ここでのバックラッシュは、過去の失望、攻撃的なベンチマークマーケティング、ラボと製品の間に感じられるギャップ、新しい期待（整合性、透明性、そして実感できる改善）が図の他のどの曲線よりも重要であるという混合から生じています。

最先端は約束のように感じられた。今や、GPT-5.2の最も声高な批評家たちにとって、それはマーケティングのジャンルのように感じられる：別のブログ記事、別のグラフの壁、上昇するラインと実体験が一致しないときの反発の別のスパイク。

20のベンチマークグリッドでカバーされた数年分のローンチデッキは、いわばベンチマーク疲れを引き起こしています。ユーザーはGDPVal、ARC-AGI、GPQAダイヤモンド、AMIME 2025、SWE-Bench Proを、まるでスマートフォンカメラのDxOMarkスコアをスクロールするかのように流してしまいます。技術的には印象的ですが、感情的には無関心です。

人々はGPT-4、4.1、5.0、5.1、そして今5.2を覚えています。それぞれは「最先端」のものであり、パーセンテージの増加は指数的に見えます。しかし、ChatGPTを開いたりAPIを利用したりする際、ほとんどの人が求めているのは、幻覚を減らし、一貫したトーンを持ち、ランダムな拒否を少なくすることです。GPT-5.1とGPT-5.2の間にあるとされる差は、ブログ記事のグラフによるジャンプよりも小さく感じることがよくあります。

そのギャップは、「最大の推論努力」というフレーズに対する特定の不信感を生み出しています。文書に埋もれているそれらのコントロールは、パワーユーザーに対して、OpenAIがベンチマークしたモデルと実際に触れられるモデルが同じものでないことを示しています。公共インターフェースは、研究室バージョンの制限された予算のおそばにいるような従兄弟のように見えます。

ユーザーは「GPT-5.2の思考がARC-AGI2認証で52.9%に達しました」と読み、その後デフォルトモードが複数ステップのスプレッドシートタスクをうまく処理できないのを見ます。彼らは隠れたメニューを推測します：OpenAIのどこかに、彼らがフルスペックの推論と遅延最適化、コスト制限された出力をどれくらいの頻度で受け取るかを決定するスライダーが存在するのだと。それは製品の調整というよりも、静かな配分に感じられます。

グッドハートの法則がこれらすべての上に立ちこめています：指標が目標になると、それは良い指標としての役割を果たさなくなります。SWE-Bench Pro や GPQA ダイアモンドのようなベンチマークは、当初は診断ツールとして始まりましたが、現在ではスコアボードやマーケティングコピーとして機能しています。

Redditのコミュニティや開発者の中では、モデルはテストを通過するために訓練されていると考えられがちで、広く賢くなることは期待されていません。彼らはGDPValスタイルのワークフローに調整された行動を目にしながらも、日常のタスク—乱雑なPDF、未完成の仕様書、曖昧なメール—が依然として脆弱でテスト最適化された推論を引き起こしています。

したがって、すべての「最先端」主張は、今や事前に割引されています。ユーザーは「スコアはどのくらい高いの？」と尋ねるのではなく、「そのスコアのうち実際の作業にどれだけが残り、OpenAIは「最大推論努力」のペイウォールの背後にどれだけ残したのか？」と尋ねます。

焼け焦げた指は、GPT-5.2への反発の多くを説明しています。パワーユーザーは、GPT-5がコーディング、研究、エージェントのための驚異的な性能で登場したことを思い出しますが、数週間後にはそれが遅く、慎重で、奇妙におどおどとしたものに変わったと感じました。GPT-5.1も同様のパターンを繰り返しました：大きなベンチマークの向上の後、モデルが裏で制限されているという creeping sense（潜在的な感覚）が広がりました。

初期採用者は、今ではおなじみの流れを説明します。最初の週は狂ったように感じます：拒否が少なく、理由付けが鋭く、積極的なツール使用と迅速なマルチファイルのリファクタリングがあります。第六週になると、同じプロンプトがより多くの制約にぶつかり、曖昧な答えを生成したり、以前はうまくいっていたタスクに「より多くのコンテキスト」が突然必要になったりします。

今や人々はそれを表現する言葉を持っています。「ナーフされた」、「発売後の切除」、「シャドーパッチ」。彼らは以下のスクリーンショットを交換しています： - 無言のアップデート前後の同一のプロンプト - 以前は問題なかったワークフローに対する新たな安全拒否 - 一般的なアドバイスに収束するツール呼び出しのチェーン

各事例は説明可能かもしれませんが、そのパターンは統計的な種類の信頼の喪失をもたらします。

OpenAIは、ヘビーユーザーが感じるような行動の変化を詳細に示すことはめったにありません。パッチノートでは「調整改善」や「バグ修正」といった言及がありますが、日々のユーザーはコーディングスタイルの変更や異なる引用習慣、新しいコンテンツフィルターを見ることになります。この漠然としたメッセージと具体的な行動の変化の不一致は、実際の製品が常に変化するターゲットであるという感覚を強めています。

GPT-5.2は驚くべき数値を記録しました—ARC-AGI-2 Verifiedで52.9%、SWE-Bench Proで55.6%、ほぼ完璧な長文コンテキストのリコール—その反応は基本的に「すごい、でもどれくらいで縮小するの？」というものです。ユーザーは、このローンチビルドが一時的なものであり、プレスサイクルが終わるとコストや安全性のチームが再び主導権を握ることで正常化する過剰クロックデモだと考えています。

この防御的な考え方は、どの新しいモデルの価値提案も逆転させます。ベンチマークやブログ記事は、保証ではなくマーケティングになります。重要なのは、静かな更新が三ヶ月後にシステムがどれだけ安定していると感じるかだけです。約束された改善はすべて疑念のフィルターを通過し、期待されるIntelligenzの向上は時間の経過とともに仮定された「ナーフ税」によって割り引かれます。

その割引は行動を変えます。チームはGPT-5.2を中心にワークフローを再構築することをためらっています。今日の自立的な機能やコーディングの信頼性が四半期の途中で低下することを恐れているからです。その結果、逆説が生まれます。各リリースは紙の上ではより強力になりますが、長期的なツールとしての認識される信頼性は静かに減少しています。

GPT-5.2に関する反発は、よりシンプルな真実を隠しています：OpenAIはこのモデルをあなたの上司のために作りました。最大の利点は企業領域にあり、GDPValのスコアによると、GPT-5.2の思考は44のホワイトカラー職業のタスクの約71%において人間の業界専門家と匹敵するか、それを上回る成果を上げており、その速度は11倍以上、コストは1%未満です。これはCFOにとっての魅力であり、ファンフィクション作家には関係ありません。

OpenAI自身の例は、まるで中間管理職の願望リストのように思えます。GPT-5.2は、エンドツーエンドのスプレッドシート、スライドデッキ、スケジュール、図表、そして「ビジネスアーティファクト」をはるかに少ない手間で生成します。ソフトウェアにおいては、SWE-Bench Proで55.6％を記録し、中途半端なパッチを減らし、持続的なコードリファクタリングエージェントとしての有用性を高めています。

製品の形が整うにつれて、明確なペルソナが浮かび上がってきます。それは ジュニアアナリストの代替 です。このモデルは、200ページの市場レポートを取り込み、3つのCSVを照合し、役員向けのプレゼンテーションを生成し、それを出荷するための自動化コードを組み込むように頼むと輝きます。256,000トークンにわたる長文コンテキスト推論と、97.7%のマルチステップサポートシナリオにおけるほぼ完璧なツール呼び出し精度は、「深夜の confidant」ではなく「内部ワークフローエンジン」と叫んでいます。

ユーザーはその変化を体感しています。RedditやXでは、雰囲気はGPT-5.2がカジュアルなチャットでどのように振る舞うかに集中しています。より控えめで、より拒否的、より企業の安全ガイドラインに沿った姿勢です。人々は、モデルが彼らの目に触れないPDFで別のベンチマークを静かに打破しているにもかかわらず、会話が冷たく、より取引的に感じると報告しています。

特にクリエイティブなコミュニティでは、ある種のソフトな弱体化が描かれています。以前のモデルは物語のアイデアや独自のアートプロンプト、非構造的なブレインストーミングを大胆に展開していましたが、GPT-5.2はしばしば安全で定型的な「生産性」のある回答に戻ります。奇抜な方向に押し込むことはできますが、デフォルトの傾向は実験的なフィクションではなく、洗練されたプレゼンテーションに向かっています。

そのトレードオフはOpenAIにとって合理的かもしれません。企業契約は、趣味で使うユーザーではなく、四半期ごとの報告書を作成し、チケットをトリアージし、営業の運営を円滑に進めるエージェントの艦隊に対して支払います。Nach Alarmstufe Rot: OpenAI bringt GPT fünf Punkt zwei mit mehr Präzision, weniger Halluzinationenのような報道は、GPT-5.2をこのように位置づけています：より安全で、より正確で、より幻覚が少なく、したがって企業のスタックで採用しやすいということです。

GPTをクリエイティブなコラボレーターとして愛してきたユーザーは、自分が collateral damage になったように感じています。彼らは、かつては無限に好奇心を抱いたパートナーのように感じられたシステムが、マネージャーやリスク管理者を印象づけるために最適化された、ハイパー有能なオフィスワーカーへと変わっていくのを見ています。GPT-5.2はOpenAIが出荷した中で最もスマートなモデルかもしれませんが、多くの人にとって、それはもはや自分のために作られたものとは感じられません。

安全性は、ユーザーがGPT-5.2で何度もぶつかってしまう見えない壁です。ユーザーは52.9%のARC-AGIモンスターを期待して飛び込むものの、スクリプトを完結させないモデルや半分のスクリーンショット分析をぼやけさせるモデル、あるいは人事ポリシーを草案中に職場の境界に関する三段落の安全性講義で中断されることが多いのです。

そのミスマッチは、生のインテリジェンスをぎこちないものに変えてしまいます。GPT-5.2がログファイルにたまたま不適切な言葉が含まれているために長いリファクタリングを中断したり、企業アカウントにログインしているライセンスを持つ医師に医療論文の要約を拒否したりすると、認知的不協和が酷くなります。93％の精度でGPQAダイヤモンドをクリアできるシステムが、突然PDFを信頼できないかのように振る舞うのです。

摩擦は、小さな繰り返しのカットとして現れます。パワーユーザーは以下のことを報告しています： - 「潜在的に悪用可能」としてブロックされる無害なコード例 - 「デリケートなテーマ」という理由で中止される歴史的な分析 - 毎回拒否や問い合わせによって台無しにされるコンテンツワークフロー

各中断は流れを断ち切ります。256,000トークンのコンテキストを処理できるモデルは超人的に聞こえますが、契約レビュー中にNDAsについて道徳的な話を三度もするようなら、単に仕事をこなすジュニアアナリストよりも賢く感じられません。

遅れたアダルトモードは、その傷に塩を塗ることになった。OpenAIは、合意の上で行う正当な作業—コンプライアンス監査、脅威モデリング、リアルなフィクション、セキュリティ研究—のためにハンドホールディングを緩和する設定を示唆したが、不透明なタイムラインで後倒しにした。すでに以前の「弱体化」に対して不信感を抱く群衆にとって、これはゴールライン目前で消えかけたさらなる約束のように見えた。

感情的に見ると、これらのガードレールはGPT-5.2のベンチマークから感じられる利得を大部分消し去ります。ユーザーはSWE-Bench Proで55.6%を体験するのではなく、実際の問題を解決しようとする中で、モデルが自分を子供のように扱うのを感じます。一度セキュリティレイヤーが味方ではなく敵として機能し始めると、その認識は変わります：よりインテリジェンスは、より自由が少ないように感じられます。

コードレッドがGPT-5.2の上にぼんやりと見え隠れしている。OpenAIの新しいフラッグシップは、慎重に整えられた製品のマイルストーンとして登場したのではなく、Google Gemini 3の影響を受けて突然現れた。数ヶ月にわたり、GeminiとAnthropicのClaudeが、かつてGPTが持っていたベンチマークの冠を静かに奪っていた。

OpenAIにとって、その変化は非常に公然の戦略リセットを引き起こしました。報道によると、リーダーシップは派手なアシスタント機能や広告露出を一時停止し、才能と計算リソースを1つの目標に向けて再配分する「コードレッド」の瞬間があったとされています。それは、GDPVal、SWE‑Bench Pro、GPQA、ARC‑AGIなどでトップの座を取り戻すことができるモデルを出荷することです。

タイミングは独自の物語を語る。GPT-5.2はGPT-5.1からわずか数週間後に登場したが、突然、ARC-AGI 2 Verifiedで52.9%、SWE-Bench Proで55.6%、GPQA Diamondで93%以上を記録した—これらの数字は自然な製品の流れのように感じられるよりも、Gemini 3の発表イベントやブログ投稿へのカウンターパンチのように思える。

その文脈は、GPT-5.2をビジョンを持った存在ではなく、反応的なものに感じさせます。次世代アシスタントが何であるべきかについての一貫した物語の代わりに、ユーザーはリーダーボードの競争を見ることになります。これは、GoogleやDeepMindが自社のマルチモーダルシステムをアピールする中で、ベンチマークや企業の提案依頼において優位に立つよう調整されたモデルです。

パワーユーザーは、そのインセンティブをすぐに察知します。競合のヘッドラインにほぼ同時にリリースが行われると、それは市場ポジションの防衛として受け取られ、実際の複雑な現実の使用にわたる数ヶ月の間に人々がAIをどのように働きかけるかを再考しようとしているのではないかという印象を与えます。

RedditやXのコミュニティの話題は、その疑念を反映しています。人々は急激な傾斜の変化—ARC-AGIが17.6%から50%以上に跳ね上がり、256,000トークンでの長文コンテキスト精度が「ほぼ完璧」に達したこと—を指摘し、これは安定した進化なのか、それとも次の比較チャートで勝つための急いだ押し上げなのかと問いかけています。

急ぎの仕事に対する認識は、既存のVertrauenの問題と相互作用しています。ユーザーはすでに以前の「弱体化された」アップデートに失望しており、そこにコードレッドの叙述を重ねることで、GPT-5.2が名声の問題へのパッチのように見え、行動、コントロール、透明性の慎重な再設計には見えなくなります。

OpenAIの競争の緊迫感と日常の期待の間のギャップが、反発を生んでいます。人々は単にGPT-5.2がどれほど賢いかを疑問視するだけでなく、それが実際に誰の不安に応えているのかを疑問に思っています。

GPT-5.2に対する反発は、単純なシフトを露呈しています：生の知能はもはや議論を担わなくなりました。ユーザーは、最前線のモデルがGPQA、ARC-AGI、SWE‑Benchを圧倒することを内面化しています。GPQA Diamondで93％またはSWE‑Bench Proで55.6％のスコアは、感情的にはほとんど意味を持ちません。今重要なのは、モデルが気まぐれなブラックボックスではなく、信頼できる同僚のように振る舞うかどうかです。

ベンチマークはかつて未来を示す指標だったが、今ではマーケティング資料のように感じられる。Reddit、X、そして開発者コミュニティのパワーユーザーたちは、数字がどうであれ、日常生活で「同じ」ように感じられる限り、関心がないと明言している。ChatGPT 5.2が登場、ユーザーは初印象でかなり失望のような記事は、まさにチャートと現実の間のこの食い違いを反映している。

新しい評価基準は、リーダーボードのスコアよりも製品のメトリクスに近くなっています。ユーザーはGPT-5.2を次の基準で評価します： - 感触: 鋭く、迅速で、文脈を理解しているように聞こえるか、それとも滑らかで一般的に感じられるか？ - 予測性: 同じプロンプトに対して、昨日と異なる回答があるか？ - ユーザーコントロール: スタイルを本当にコントロールできるのか、それとも安全性の調整が支配しているのか？

時間の安定性は、今やピークパフォーマンスと同じくらい重要視されています。GPT-5とGPT-5.1での数ヶ月間の「弱体化」の印象により、信頼が損なわれています。新しいバージョンは、数週間以内にひそかに弱体化しないことを証明する必要があります。ユーザーが、安全フィルターや隠れたポリシー変更、またはユーザーインターフェースの摩擦が自分たちと実際の作業の間に立ちはだかると感じると、雰囲気が急速に変わります。

摩擦は厳しい制約となりました。追加のクリック、説明のつかない拒否、道徳的なミニ講義、そして一貫性のないツールコールが、今や数学のベンチマークにおけるさらなるポイントよりも重要視されています。GPT-5.2に対する叫びは、競争がもはや最大の能力によってではなく、ユーザビリティと信頼性によって進行していることを示しており、これらの指標を無視する企業は、たとえ最もインテリジェントなモデルを持っていても敗北する可能性があることを意味しています。

GPT-5.2に関する反発は、AIの岐路を浮き彫りにしています。一方の枝はGDPValチャートやSWE-Benchスコアを追求し、もう一方は人々が実際にこれらのシステムと毎日話したいと思っているかどうかを追求しています。どちらも「知性」を主張していますが、信頼の種類を根本的に異なる方法で最適化しています。

一方には企業機械が座っています。GPT-5.2は、44の職業にわたるGDPValタスクの約71%で人間の業界専門家に勝るか、または匹敵し、11倍以上の速さでそれらを完了し、かつ1%未満のコストで実現します。CFOやCIOにとって、それはデモではなく、ワークフローを一掃することを正当化するためのPowerPointスライドです。

このアプローチでは、モデルをインフラとして扱います：目に見えず、相互に交換可能で、厳密にベンチマークされています。あなたはGPT-5.2を以下に接続します： - チケットトリアージ - 契約レビュー - カスタマーサポートフロー - コードリファクタリングパイプライン ここでは、パーソナリティよりも稼働時間、レイテンシー、コンプライアンスを重視します。安全性とは、請求書の幻覚を見ないこと、データを漏えいさせないこと、法律相談を即興で行わないことを意味します。

もう一つの道は人間に優しい知能に焦点を当てています。人々は、自分の好みを記憶し、エッジケースに柔軟に対応し、常に拒否されていると感じないシステムを求めています。彼らは、より少ない定型的な拒否と、もっと「あなたがやろうとしていることは分かっています；ここに安全な方法があります」と言ってくれるような存在を望んでいます。

その第二の道は、異なるベンチマークを要求する：タスクごとの感情的摩擦。ユーザーは、質問を言い換えなければならない頻度、安全策と戦わなければならない頻度、基本的な事実をクロスチェックしなければならない頻度によってモデルを静かに評価している。RedditやXでの雰囲気が悪化すると、正式なスコアが上昇していても、この摩擦指標が間違った方向に進んでいることを示している。

GPT‑5.2は、企業向けの生産性、ツールの呼び出し、そして256,000トークンのドキュメントを崩れることなく処理する長文コンテキスト推論にしっかりと重心を置いています。反発は、その最適化が日常のユーザーが「役立つ」または「味方である」と感じるものからどれほど離れているかを示しています。これらの世界の間のギャップは、今や亀裂というよりも峡谷のように感じられます。

GPT-6やGeminiの後継機、さらにはAnthropicが次に出すものに関する疑問は非常にシンプルです：どんなシステムも冷酷な機械でありながら信頼できる仲間となることができるのでしょうか？業界が生のIntelligenzを実生活の快適さと信頼に整合させる方法を見つけない限り、能力のグラフは急上昇し続け、信頼のラインは頑固に平行のままであることが予想されます。

GPT-5.2の主な改善点は何ですか？

GPT-5.2は、プログラミング（SWE-Bench）、ビジネスワークフロー（GDPVal）、長文コンテキスト推論、ツール使用などの専門的なタスクで大きな向上を見せています。客観的に見て、GPT-5.1よりも性能が優れています。

ユーザーはなぜGPT-5.2の強力なベンチマークにもかかわらず懐疑的なのでしょうか？

懐疑心は三つの主要な問題から生じています。第一に、統計がユーザー体験と一致しない「ベンチマーク疲れ」。第二に、過去のモデルでの「弱体化」と見なされる履歴。第三に、モデルが創造的または個人的なインタラクションを犠牲にして企業使用に最適化されていると感じられていることです。

ベンチマーク疲れとは、AIの文脈において、研究者や開発者が特定のベンチマークや評価基準に過度に依存し、それによって新しいアイデアや手法の探求が阻害される現象のことを指します。このような状況では、参加者が同じ評価指標に焦点を当てすぎるため、創造性や革新性が欠如し、結果として進歩が停滞する可能性があります。

印象的なグラフや最先端のベンチマークスコアに対するユーザーの感情が高まっており、これらはしばしば日常使用において明らかにより良いまたは信頼できる体験に結びつかないため、不信感を抱かれています。

GoogleのGemini 3との競争は、GPT-5.2のリリースにどのように影響を与えましたか？

このリリースは、ジェミニ3が優れたパフォーマンスを示した後にトップの座を取り戻すための反応的な動きと広く見なされています。この「コードレッド」の状況は、アップデートがビジョナリーな前進というよりは、競争上の必要性に感じられる要因となっています。