GeneBench-Proは、OpenAIが2026年6月30日に公開した計算生物学向けの研究レベル評価ベンチマークです。ポイントは、モデルが正解を暗記しているかではなく、曖昧なデータから分析方針を選び、途中で仮説を見直し、最終判断まで進められるかを測ることにあります。創薬・ゲノム解析・トランスレーショナルリサーチでAI活用を進めるチームほど、導入前の評価軸として押さえておきたい発表です。
GeneBench-Proで何が変わるのか
従来のベンチマークは、決められた手順をどれだけ正確に実行できるかを測るものが中心でした。一方でGeneBench-Proは、実データに近い“迷いやすさ”を残しつつ、因果構造を把握した合成データで採点できるよう設計されています。OpenAIによると129問を10領域・21サブ領域にまたがって用意し、統計遺伝学、臨床・薬理ゲノミクス、がんゲノミクス、プロテオミクスまで含めて評価します。
つまり、研究AIを導入する企業や研究所にとっては、「コードを書けるか」よりも「不完全なデータで筋の良い判断ができるか」を見極める基準が1つ増えた、という理解が近いです。
公式発表で確認できた重要な数値
OpenAIの発表では、GeneBench-Proは129問で構成され、そのうち82問は大学院生、ポスドク、教授、産業研究者などの外部専門家レビューを受けています。さらに10件の代表問題をHugging Faceで公開し、今後は50問のサブセットをArtificial Analysisに提供して第三者評価にも回す予定とされています。
性能面では、OpenAIはGPT-5.6 Solが最高推論設定で28.7%のpass rate、Pro modeで31.5%に達したと説明しています。一方で、人間の専門家は1問あたり20〜40時間かかると見積もられており、AIが完全代替できない段階でも、部分自動化の費用対効果を議論しやすくなります。
どんなチームに向いているか
特に相性が良いのは、創薬、バイオインフォマティクス、診断支援、臨床研究支援のように、分析フローの途中でQC、手法選択、仮説修正が頻繁に発生するチームです。単純なFAQ自動化とは違い、研究AIでは途中判断の質がそのまま失敗コストに跳ね返るため、導入前に“どこまで任せるか”を明確にできます。
逆に、一般的な文章生成や検索補助だけを見たい場合はオーバースペックです。GeneBench-Proは研究判断の重さを測る設計なので、社内の利用目的が軽い業務支援に留まるなら、より短い比較ベンチマークの方が適しています。
導入判断で確認したい3つの論点
1つ目は、評価対象が“モデル単体”なのか“エージェント運用全体”なのかです。GeneBench-Proはワークスペース、データ、標準バイオインフォマティクス環境まで含めて評価するため、単純なモデル比較より実運用に近い示唆が得られます。2つ目は、正答率だけでなく、途中の分析選択をレビューできる体制があるか。3つ目は、失敗時の人間承認ポイントをどこに置くかです。
研究AIの評価設計や導入ガバナンスを社内で整えたい場合は、 要件整理の相談はこちら 。PoCの評価項目づくり、導入前レビュー、承認フロー設計まで含めて整理できます。
FAQ
Q. GeneBench-Proは一般公開されていますか？ A. 2026年7月2日時点で、OpenAIは10件の代表問題をHugging Faceで公開し、50問のサブセットをArtificial Analysisに提供予定と案内しています。ベンチマーク全体が誰でも自由に使えると断定できる情報は、公式発表からは確認できませんでした。
Q. すぐに研究者を置き換えられますか？ A. いいえ。OpenAI自身も、現時点のAIエージェントは人間の専門家を置き換えるには信頼性が不足すると説明しています。現実的なのは、探索、下準備、候補比較、レビュー補助などの部分自動化から始める進め方です。
