6月28日、The Decoderが「AI won't become a real coworker until it stops answering and starts finishing tasks」と題した記事を公開した。Tencent Youtu Labらの研究者によるサーベイペーパーをもとに、AIが「本当の同僚」として機能するために必要なアーキテクチャ上の条件を整理した内容で、評価軸が「良い回答」から「タスクの完了」へと根本的に移行しつつあるという主張が核心にある。
問いは「良い答えを出すか」から「仕事を完遂するか」へ
このサーベイペーパーが提起する核心は単純だ。AIの評価軸は「良い回答」から「タスクの完了」に移っている。チャットボットが「質問に答える」存在だとすれば、次世代のAIエージェントは「仕事を終わらせる」存在でなければならない、という主張だ。
研究者たちはLLMの進化を5段階で整理している。チャットボット → 思考型LLM → エージェント → OpenClaw時代 → デジタル同僚、という道筋だ。なお「OpenClaw」はこのサーベイペーパーが独自に定義したアーキテクチャ概念の呼称であり、特定の製品名ではない（後述）。
「思考するLLM」の登場と限界
チャットボット時代のモデルは、パラメータに格納した言語パターンをトークン単位で逐次出力するだけだった。途中のステップを検証したり、解を探索したりする仕組みは持っていなかった。
OpenAIのo1やDeepSeek-R1に代表される「thinking LLM」は、推論時に追加の計算を投入し、長い思考の連鎖（chain of thought）を生成しながら中間ステップを検証・修正する。強化学習で「正しい解法のみ」を報酬対象にする設計だ。研究者たちはこれを、心理学者ダニエル・カーネマンの枠組みを借りて「System 1（直感的・高速）からSystem 2（熟慮的・低速）への移行」と表現している。
ただし、「よく考えて答える」ことと「仕事を完遂する」ことは別物だ。
本命は「ワークスペース＋スキル」の組み合わせ
論文の核心的な主張はここにある。永続的なワークスペースと再利用可能なスキルの組み合わせが、現実的なタスク遂行を可能にする、という点だ。
第1世代のエージェントはAPIを呼び出したりコードを書いたりできたが、脆弱だった。研究者たちは4つの構造的ボトルネックを指摘している。
- 環境を断片的にしか認識できない
- ツール呼び出しのたびに状態がリセットされる
- 予期しない挙動で壊れる
- タスクをほとんど完了できない
これを解決するのがOpenClaw時代のアーキテクチャだ。「OpenClaw」はこのサーベイペーパーが名付けた段階であり、ファイル・セッション・ログ・ブラウザ・権限・スキルがワークフロー全体を通じて永続する環境を持つ構造を指す。論文ではOpenHandsやSWE-agentが、制御された開発環境にエージェントを組み込んだ実装例として挙げられている。
「スキル」はプロンプトでも従来のツールでもない。モデルの推論とワークスペースの実行の間に位置し、業務ノウハウをモジュール化・テスト可能・ポータブルな形で保持するレイヤーだ。AnthropicのAgent Skillsはすでにこのパターンを、SKILL.mdファイルに指示・スクリプト・リソースをまとめたフォルダ構造として実装している。AIプラットフォーム間でスキルを持ち運び可能にするオープン標準として位置づけられており、本サーベイペーパーの主張と方向性を同じくする取り組みだ。
評価基準も変わる：「正解率」から「タスク完了」へ
訓練と評価の方法も根本から変わる。チャットボットは「質問と回答のペア」で学習し、「回答の精度」で評価されてきた。ワークスペース型のシステムは、状態・行動・観察のトラジェクトリ（軌跡）で学習し、「目標の環境を検証可能な完了状態に持ち込めたか」で評価される。
SWE-bench、OSWorld、WebArenaといったベンチマークは、再現可能な初期状態、実行可能なツール、トラジェクトリログ、終了状態の確認を要求する。GPT-4はWebArenaタスクを当初わずか14%しか完了できなかったという数字が、静的なQ&Aとリアルなウェブ環境のギャップを端的に示している。
セキュリティは「機能の問題」ではなく「運用の問題」
永続的なワークスペースはアタックサーフェスを拡大する。エージェントは認証情報、ローカルファイル、IDトークン、通信チャネルを保持するため、従来のステートレスなチャットシステムとは質的に異なるリスクを抱える。
研究者たちはこれに対応する実験的な仕組みとして、OpenClaw PRISM（権限スコープの動的管理と出所追跡を担うレイヤー）とClawGuard（実行時の異常検知と監査ログ整備を担うコンポーネント）を紹介している。いずれもサーベイペーパー内で提案・参照されている概念であり、広く普及した標準ではないが、エージェント時代のセキュリティ設計が求める要素を具体化した例として位置づけられている。
さらに研究者たちは、エージェントが機密リポジトリや内部文書、タスクの中間結果を観察し、それが後にメモリ・スキル・訓練データになりうる点で、データ主権の問題も重要だと指摘している。セキュリティ上の脅威は外部からの攻撃にとどまらず、エージェント自身の学習ループが組織内データを意図せず拡散・流用するリスクを含む。権限制御、サンドボックス化、監査ログの整備は機能的な付加価値ではなく、信頼できるデプロイの前提条件だという立場だ。
スキル活用の実態：ベンチと現実の乖離
ワークスペース＋スキルの組み合わせは理論上は強力だが、実装面での課題も報告されている。サーベイペーパーが引用するVercelの評価では、コーディングエージェントが提供されたスキルシステムを56%のケースで呼び出しさえしなかったことが判明した。一方、AGENTS.mdファイルに圧縮したドキュメントインデックスを埋め込む方式は成功率**100%を記録。スキルシステムの最高到達点は79%**にとどまった。
常時存在するパッシブなコンテキストが、能動的なスキル検索を上回ったという結果は、能動的なスキル呼び出しに頼るよりも、ワークスペース側に情報を埋め込んでおく設計の重要性を示唆している。
また、MetaとStanford、イリノイ大学アーバナ・シャンペーン校の別のサーベイも関連する視点を提示している。自律システムの性能はベースモデルよりも、その周囲のソフトウェア層（ツール、サンドボックス実行環境、検証機構を束ねた「ハーネス」）に依存する、という主張だ。
研究者たちは「ワークスペース＋スキル」が完全な解ではないことも認めている。スキルは特定のワークフローに過学習し、ワークスペースは古いファイルや壊れたアーティファクトで埋まる。信頼できるデプロイには、スキルのライフサイクル管理、ワークスペースの整理、権限制御、サンドボックス化、ロールバック、トラジェクトリベースの評価が必要だと結論づけている。
詳細はAI won't become a real coworker until it stops answering and starts finishing tasksを参照していただきたい。
