AIエージェント開発基盤のParallel、OpenAIの「GPT-6 Astra」採用でWebリサーチの時間とコストを半減

要点

• AIエージェント向けインフラを開発する米Parallelが、Webリサーチ業務にOpenAIの「GPT-6 Astra」を導入した。

• 従来モデルと比較して、リサーチタスクの完了にかかる時間とコードコストをそれぞれ約50%削減した。

• 的確な検索クエリの発行とモデル自身の知識活用により、調査完了までに必要なステップ数や呼び出し回数、消費トークン数が減少した。

• 処理の効率化に伴い、タスクを複数のサブエージェントへ分散して並行処理させることが実用的になった。

• 米OpenAIは2026年9月22日、同社の公式ブログにおいて、AIエージェント向けの開発者インフラを手がける北米のスタートアップ企業Parallel（Parallel Web Systems）における「GPT-6 Astra」の導入事例を公開した。Parallelの検証によると、労働市場データの調査および合成タスクにおいて、従来のモデルと同等のリサーチ品質を維持しながら、所要時間とコードコストを半減させることに成功したという。

Web知識労働を担うエージェント基盤と長時間リサーチの課題

Parallelは、Web上で自律的に情報収集や分析などの知識労働を行うAIエージェント向けに、開発者インフラを構築しているスタートアップ企業である。最先端モデル（フロンティアモデル）とWeb検索技術を組み合わせることで、音声エージェント向けのWebグラウンディング（外部の最新Web情報を参照して回答の正確性を担保する仕組み）から、金融機関や法律分野の顧客向けに行う高度なリサーチ業務まで、幅広い用途のツール群を提供している。

同社が扱うタスクの中でも、特に長時間を要するリサーチ業務では、質の高い回答を得るために拡張推論（じっくりと論理的な推論を重ねる機能）を備えた大型モデルの利用が不可欠となっていた。しかし、精度の高い成果物を得られる一方で、処理に要する時間と計算リソースの消費が増大することが継続的な課題となっていた。

労働市場データを対象とした検証で時間・コストを50%削減

こうした課題に対し、Parallelが最新のGPT-6 Astraを用いて実施したテストでは、時間とコストの両面で大きな改善が確認された。

テストでは、エージェントに対して「4つの州における6か月間・6種類の労働市場統計」を調査するタスクが与えられた。エージェントは複数のWebサイトを自律的に横断検索し、必要な情報を収集した上で、単一のリサーチレポートとして取りまとめる作業を実行した。

その結果、GPT-6 Astraを活用したエージェントは、従来のモデルと同等のリサーチ品質を保ちながら、タスク完了までの所要時間を半分に短縮した。さらに、コードにかかるコストについても約50%の削減を達成した。Parallel Web Systemsの技術スタッフ（Member of Technical Staff）であるDevin Gupta氏は、「Astraによって、リサーチの呼び出し回数とトークン数を抑えつつ、従来と同じ高品質なリサーチをはるかに迅速に得られることが実証された」と説明している。

検索クエリの最適化と世界知識の活用によるステップ数削減

今回の検証においてParallelは、GPT-6 Astraが従来モデルに比べてより焦点を絞った検索クエリを発行し、有用な結果を得るまでの総ステップ数を減らしている点も確認した。

Gupta氏によれば、Astraはモデル自身が保持している世界知識を適切に取り入れることで、目指すべき最終タスクにより集中した検索を行うようになったという。これにより、無駄な検索や回り道を減らし、少ない検索回数と消費トークン数で的確な情報へ到達することが可能になった。

複数サブエージェントへの分散と並行処理への展開

リサーチ処理そのものの効率が向上したことで、Parallelではリサーチタスクを複数の「サブエージェント」へと分割・委譲するアーキテクチャの適用がより実用的になった。

GPT-6 Astraを活用して特定の調査タスクを複数の子エージェントに割り振ることで、従来のように単一の検索シーケンスを順番に実行する時間を削り、複数の調査を同時に進行させることができる。これにより、複雑な質問から最終的なリサーチ回答に至るまでのプロセスが迅速化され、より大規模で高度なリサーチタスクにも対応可能な体制が整ったとしている。