Artificial Analysis Capability Indexes v2.0（ケイパビリティ・インデックス・ブイニーテン）は、第三者評価機関のArtificial Analysisが2026年10月に更新を発表した職種別のAI能力指数です。米国の職業情報データベースO*NETの職種タスクを、それを代表するベンチマークに対応づけて重み付けし、財務・会計、戦略・オペレーション、法務、医療、エンジニアリング、経済の6分野でモデルを比較できるようにしたものです。
室谷代表取締役今回はArtificial Analysisが職種別のCapability Indexesをv2.0に更新したニュースなんですよね。総合指標のIntelligence Index v5.0と足並みをそろえて、非ハルシネーションとエージェント的ツール利用を重く見る方向に振った、というのがポイントです。
テキトー教師DotAI 認定講師単にベンチマークを差し替えた話じゃないんですよ。職種ごとの「実務で効く能力」の測り方が変わると、モデル選びの判断基準そのものが変わるので、現場にはじわっと効いてきます。
Artificial Analysis Capability Indexes v2.0とは？何が発表されたのか
Artificial Analysis Capability Indexes v2.0 発表の要点
発表主体
AIモデルを独自評価・比較する第三者機関 Artificial Analysis が発表（Xでの告知は発表主体ではない）
職種別Capability Indexes
総合指標のIntelligence Indexとは別に、職種別の指数を公開
対象6分野
財務・会計、戦略・オペレーション、法務、医療、エンジニアリング、経済
評価の仕組み
O*NETの各職種タスクをベンチマークに対応づけ、職務中の頻出度で重み付け
v2.0の方向性
「非ハルシネーション」と「エージェント的ツール利用」の比重を上げた
整合性
同時に更新されたIntelligence Index v5.0の評価群と整合させた
室谷代表取締役まず前提として、Artificial AnalysisはAIモデルの性能を独自に評価・比較する第三者機関です。総合指標のIntelligence Indexとは別に、職種別のCapability Indexesを公開していて、今回それがv2.0になった、と。
テキトー教師DotAI 認定講師仕組みを整理すると、O*NETの各職種のタスクをベンチマークに対応づけて、その能力が職務中にどれだけ頻出するかで重み付けする。だから「何でも解けるモデル」ではなく「その職種でよく使う能力が高いモデル」が見える設計なんですよね。
室谷代表取締役対象は6分野ですね。財務・会計、戦略・オペレーション、法務、医療、エンジニアリング、経済。
今回はこの6指数をv2.0へ更新し、同時に更新されたIntelligence Index v5.0の評価群と整合させた、という発表です。
今回はこの6指数をv2.0へ更新し、同時に更新されたIntelligence Index v5.0の評価群と整合させた、という発表です。
テキトー教師DotAI 認定講師発表の主語はあくまでArtificial Analysisです。Xで告知されたからといって「Xが発表」ではないので、そこは記事として正確に押さえておきたいところです。
室谷代表取締役そうですね。で、v2.0の一番大きな方向性は「非ハルシネーション」と「エージェント的ツール利用」の比重を上げたこと。
業務利用だと、知識問題が解けることより、嘘をつかないこと・実際にツールを操作して仕事を完遂できることのほうがボトルネックになりやすいですから、そこに寄せたのは実務目線では納得感があります。
業務利用だと、知識問題が解けることより、嘘をつかないこと・実際にツールを操作して仕事を完遂できることのほうがボトルネックになりやすいですから、そこに寄せたのは実務目線では納得感があります。
v2.0で変わった3つのポイント——非ハルシネーション・エージェント的ツール利用・新ベンチマーク
v2.0で変わった3つのポイント
非ハルシネーションの重視
法務・財務などで重点化。知識ベンチマークAA-Omniscienceをv1.1へ更新（飽和・公開済み問題を除外し新問題を追加、曖昧・誤りのある問題を修正）。ベンチマーク汚染への対処として非公開データ中心の構成へ移行
エージェント的ツール利用の重視
戦略・オペレーションと医療で重点化。複数のSaaSアプリをAPI経由で操作し業務を完遂できるかを測るAutomationBench-AAを採用
ベンチマークの更新・差し替え
推論はHLEを1,000問版のHLE-Diamondへ格上げ。エンジニアリングは科学的能力を新設（CritPt v2 Hard Subset、Terminal-Bench-Science 0.1）しAgentic CodingにFrontierCode 2.0を追加。経済は長文脈推論をAA-LCRからGDP.pdfへ差し替え。全分野共通でGDPval-AAをエージェント的知識作業から除外
テキトー教師DotAI 認定講師変更点を構造化すると、大きく3つです。1つ目が非ハルシネーションの重視、2つ目がエージェント的ツール利用の重視、3つ目がベンチマークの更新・差し替えですね。
室谷代表取締役1つ目をもう少し具体的に。知識ベンチマークのAA-Omniscienceがv1.1に更新されています。
これは飽和した問題や公開済みの問題を除いて、新しい問題を追加し、曖昧・誤りのある問題を修正した版です。
これは飽和した問題や公開済みの問題を除いて、新しい問題を追加し、曖昧・誤りのある問題を修正した版です。
テキトー教師DotAI 認定講師ベンチマーク汚染、つまり学習データに問題が混入してしまう問題への対処ですね。公開済みで解かれてしまった問題を残すと、実力以上にスコアが出てしまう。
だから非公開データ中心の構成へ移行している、というのがv2.0の質の上げ方なんですよ。
だから非公開データ中心の構成へ移行している、というのがv2.0の質の上げ方なんですよ。
室谷代表取締役2つ目がエージェント的ツール利用。戦略・オペレーションと医療で重点化されていて、複数のSaaSアプリをAPI経由で操作して業務を完遂できるかを測るAutomationBench-AAが採用されています。
テキトー教師DotAI 認定講師3つ目がベンチマークの更新です。推論ベンチマークのHLEが、より精緻化された1,000問版のHLE-Diamondへ格上げ。
エンジニアリングでは科学的能力が新設されて、CritPt v2のHard SubsetとTerminal-Bench-Science 0.1が入り、コーディングにはFrontierCode 2.0が追加されています。
エンジニアリングでは科学的能力が新設されて、CritPt v2のHard SubsetとTerminal-Bench-Science 0.1が入り、コーディングにはFrontierCode 2.0が追加されています。
室谷代表取締役経済では長文脈推論がAA-LCRからGDP.pdfへ差し替え。そして全分野共通で、GDPval-AAがエージェント的知識作業から除外されています。
ここは6分野すべてに共通する変更なので、覚えておくと整理しやすいですね。
ここは6分野すべてに共通する変更なので、覚えておくと整理しやすいですね。
テキトー教師DotAI 認定講師整理するとこうです。
- 非ハルシネーション：法務・財務などで重点化、AA-Omniscienceをv1.1へ更新
- エージェント的ツール利用：戦略・オペレーション、医療で重点化、AutomationBench-AAを採用
- 推論：HLEを1,000問版のHLE-Diamondへ格上げ
- エンジニアリング：科学的能力を新設（CritPt v2 Hard Subset、Terminal-Bench-Science 0.1）、Agentic CodingにFrontierCode 2.0を追加
- 経済：長文脈推論をAA-LCRからGDP.pdfへ差し替え
- 全分野：GDPval-AAをエージェント的知識作業から除外
室谷代表取締役前版のv1.1が2026年9月で、分野別チューニングを強めてAutomationBench-AAやAA-Briefcase、GDP.pdfを導入した段階でした。v2.0はそれを土台に評価の質を上げた更新、という位置づけなんですよね。
6分野別の変更点を整理——財務・法務・医療・エンジニアリング・経済
6分野別の変更点
| 分野 | 非ハルシネーション | エージェント的ツール利用 | エージェント的知識作業 | 長文脈推論 | 科学的能力 | HLE-Diamond | AA-Omniscience v1.1 | GDPval-AA | AA-LCR | その他 |
|---|---|---|---|---|---|---|---|---|---|---|
| 財務・会計 | 重み増 | GDPval-AAを外す | AA-LCRを外す | 更新 | 更新 | 除外 | 除外 | |||
| 法務 | 重み増 | GDPval-AAを外す | AA-LCRを外す | 更新 | 更新 | 除外 | 除外 | |||
| 戦略・オペレーション | 新規追加 | 重み増 | 更新 | |||||||
| 医療 | 重み増 | 更新 | 更新 | 除外 | ||||||
| エンジニアリング | CritPt v2 Hard Subset / Terminal-Bench-Science 0.1 新設、Agentic CodingにFrontierCode 2.0追加 | 更新 | 更新 | 除外 | ||||||
| 経済 | 重み増 | 重み増(AA-LCR→GDP.pdfに差し替え) | 更新 | 更新 | 除外 | 差し替え |
テキトー教師DotAI 認定講師ここは分野ごとに温度差があるので、1つずつ見ていきましょう。まず財務・会計は、非ハルシネーションの重みを増やし、HLEをHLE-Diamondへ、AA-Omniscienceをv1.1へ更新。
エージェント的知識作業からGDPval-AAを外し、長文脈からAA-LCRを外しています。
エージェント的知識作業からGDPval-AAを外し、長文脈からAA-LCRを外しています。
室谷代表取締役法務も同じ骨格ですね。非ハルシネーションの重みを増やし、HLE-DiamondとAA-Omniscience v1.1へ更新、GDPval-AAとAA-LCRを外す。
法務は誤情報のコストが大きい領域なので、非ハルシネーションを重くするのは筋が通っています。
法務は誤情報のコストが大きい領域なので、非ハルシネーションを重くするのは筋が通っています。
テキトー教師DotAI 認定講師戦略・オペレーションは少し違って、エージェント的ツール利用の重みを増やし、非ハルシネーションを新たに追加、AA-Omniscienceをv1.1へ更新しています。日々のオペレーション業務ではツール操作の重要度が高い、という反映ですね。
室谷代表取締役医療はエージェント的ツール利用の重みを増やし、HLE-DiamondとAA-Omniscience v1.1へ更新、GDPval-AAを除外。医療も現場のワークフロー操作が絡むので、ツール利用が効いてくる領域です。
テキトー教師DotAI 認定講師エンジニアリングが一番変化が大きいですね。科学的能力としてCritPt v2のHard SubsetとTerminal-Bench-Science 0.1を新設し、Agentic CodingにFrontierCode 2.0を追加。
HLE-DiamondとAA-Omniscience v1.1へ更新して、GDPval-AAを除外しています。
HLE-DiamondとAA-Omniscience v1.1へ更新して、GDPval-AAを除外しています。
室谷代表取締役経済はエージェント的知識作業と長文脈推論の重みを増やし、長文脈推論をAA-LCRからGDP.pdfへ差し替え。HLE-DiamondとAA-Omniscience v1.1へ更新して、GDPval-AAを除外、という構成です。
テキトー教師DotAI 認定講師こうして並べると、全分野でHLE-DiamondとAA-Omniscience v1.1への更新、GDPval-AAの除外が共通で入っているのが分かります。分野ごとの差は、非ハルシネーションとツール利用のどちらを重く見るか、そして科学的能力や長文脈の扱いですね。
Claude Opus 5.5が全6指数で首位、GPT-6 AstraとKimi K3.1 Proの立ち位置
室谷代表取締役結果がまた分かりやすいんですよ。Claude Opus 5.5（max）が6指数すべてで首位。
GPT-6 Astra（max）が財務・会計、法務、エンジニアリングで続く、という構図です。
GPT-6 Astra（max）が財務・会計、法務、エンジニアリングで続く、という構図です。
テキトー教師DotAI 認定講師オープンウェイト系ではKimi K3.1 Pro（weights not yet released）が各指数5〜8位で首位。戦略・オペレーションではMiniMax-M3.1-Flashが10位で首位、医療ではDeepSeek V4.1 Flash 1017（max）が12位で首位、という内訳です。
室谷代表取締役ここで注意したいのが、Kimi K3.1 Proはweights not yet released、つまり重みがまだ公開されていないということ。オープンウェイト系の首位と言っても、すぐ手元で動かせるわけではない、と。
テキトー教師DotAI 認定講師そこは受講生さんもよく混同するポイントなんですよ。「オープン系が首位」という見出しだけ見ると、すぐ使えると思うじゃないですか。
でも重みが未公開なら、現時点で自前運用できるモデルではない、と。
でも重みが未公開なら、現時点で自前運用できるモデルではない、と。
室谷代表取締役あと、Artificial Analysisは総合指標のほうでも、オープン系と最先端の差が広がっているとしています。職種別の指数でも、分野ごとに首位のオープン系モデルが違うので、一概に「オープン系はここ」とまとめられないのが面白いところですね。
テキトー教師DotAI 認定講師分野ごとに首位が違うというのは、まさにCapability Indexesの設計意図が効いている証拠です。総合スコア1本で見ていたら、この違いは見えませんから。
Capability IndexesとIntelligence Indexの違いと関係性
室谷代表取締役ここは整理しておきたいですね。Intelligence Indexは総合指標で、知識作業・コーディング・科学・一般知識の4カテゴリを25%ずつ均等に重み付けした合成スコアです。
テキトー教師DotAI 認定講師一方のCapability Indexesは職種別。O*NETの職種タスクに対応づけて、その職種で頻出する能力を重く見る。
だから同じモデルでも、分野によって順位が変わるわけです。
だから同じモデルでも、分野によって順位が変わるわけです。
室谷代表取締役関係性としては、v2.0がIntelligence Index v5.0の評価群と整合させられている点が重要です。個別のベンチマークは共通で、重み付けの設計が違う、という理解でいいんですよね。
テキトー教師DotAI 認定講師そうですね。Intelligence Index v5.0は9つの評価を組み合わせていて、そのうちAA-Briefcase v1.1、AutomationBench-AA、GDP.pdf、FrontierCode 2.0、Terminal-Bench 4.0、AA-Omniscience v1.1、HLE-Diamond、CritPt v2 Hard Subset、Terminal-Bench-Science 0.1が入っています。
Capability Indexes v2.0は、この評価群を職種別に重み付けし直したもの、と捉えるとつながります。
Capability Indexes v2.0は、この評価群を職種別に重み付けし直したもの、と捉えるとつながります。
室谷代表取締役Intelligence Index v5.0のほうは、初めて指標の過半が非公開データセットに基づく構成になった、という大きな変更がありました。このあたりはArtificial Analysis Intelligence Index v5とは？9評価・非公開6割の新指標を解説で詳しく解説しているので、あわせて読むと理解が深まります。
テキトー教師DotAI 認定講師総合で見るか、職種で見るか。両方そろっているから、Artificial Analysisの評価は「今の最先端はどこか」と「自分の業務ではどれがいいか」を別々に考えられるわけです。
業界別スコアはAIモデル選びにどう使う？実務での活かし方
室谷代表取締役実務目線だと、この職種別指数はモデル選びの一次スクリーニングに使いやすいんですよね。たとえば法務なら法務指数、財務なら財務指数を見て候補を絞ってから、自社のタスクで試す、という順番です。
テキトー教師DotAI 認定講師講座でも受講生さんに伝えているのは、ベンチマークは出発点であってゴールじゃないということ。職種別指数が高いモデルでも、自社のデータやワークフローで同じように強いとは限りませんから。
室谷代表取締役特に今回は非ハルシネーションとエージェント的ツール利用が重くなっているので、そこが業務のボトルネックになっているチームには参考になるはずです。逆に、単純な知識検索が中心の業務なら、この指数の重み付けが自分の業務と合っているかを一度確認したほうがいい。
テキトー教師DotAI 認定講師あと、エージェント的ツール利用はAutomationBench-AAのように複数のSaaSアプリをAPI経由で操作する能力を測ります。だから「うちはGoogle SheetsとGmailとDriveをつないで業務を回している」みたいなチームには、かなり近い指標なんですよ。
室谷代表取締役MYUUUでも、モデルを選ぶときに総合スコアだけで決めることはあまりなくて、実際のタスクで試してから決めています。職種別指数はその試す前の絞り込みに使う、というのが現実的な使い方なんですよね。
テキトー教師DotAI 認定講師モデルごとの使い分けという意味では、Cursorのモデル選択完全ガイド【2026年最新】で解説しているような開発現場の選び方とも考え方は共通しています。総合値ではなく、タスクとの相性で選ぶということですね。
室谷代表取締役それと、Claude Opus 5.5のようなモデルを業務で使う場合、料金や提供条件は別途確認が必要です。今回の発表はあくまで能力指数の更新なので、提供状況については各社の公式情報を見る必要があります。
この点は現時点では明らかにされていません。
この点は現時点では明らかにされていません。
テキトー教師DotAI 認定講師既存モデルとの違いを知りたい場合はClaude Opus 4.6は今も使える？料金・性能と後継モデルとの違いのような記事も参考になりますが、料金や提供範囲は必ず公式で確認する。ここは受講生さんにも口酸っぱく言っています。
室谷代表取締役あとは、オープンウェイト系を検討しているなら、重みが公開されているかどうかは必ず確認したいですね。Kimi K3.1 Proはweights not yet releasedなので、現時点で自前運用の選択肢には入りません。
テキトー教師DotAI 認定講師よくある質問
室谷代表取締役ここからは、よく聞かれる点を整理していきますね。まず、Capability Indexes v2.0とは何か、という点。
これはArtificial Analysisが公開している職種別の能力指数の更新版で、O*NETの職種タスクをベンチマークに対応づけて重み付けした6分野の指標です。
これはArtificial Analysisが公開している職種別の能力指数の更新版で、O*NETの職種タスクをベンチマークに対応づけて重み付けした6分野の指標です。
テキトー教師DotAI 認定講師v2.0で追加・変更されたベンチマークは何か、という質問も多いです。HLEがHLE-Diamondへ、AA-Omniscienceがv1.1へ更新され、エンジニアリングではCritPt v2 Hard SubsetとTerminal-Bench-Science 0.1、FrontierCode 2.0が入り、経済では長文脈推論がAA-LCRからGDP.pdfへ差し替えられています。
室谷代表取締役Capability IndexesとIntelligence Indexの違いは？ という点も整理しておきましょう。Intelligence Indexは知識作業・コーディング・科学・一般知識を25%ずつ均等に重み付けした総合指標で、Capability Indexesは職種ごとに重み付けを変えた分野別指標です。
v2.0はIntelligence Index v5.0の評価群と整合させられています。
v2.0はIntelligence Index v5.0の評価群と整合させられています。
テキトー教師DotAI 認定講師業界別・専門分野別の評価はどうなっているか。6分野それぞれで、非ハルシネーションとエージェント的ツール利用のどちらを重く見るかが違います。
法務・財務は非ハルシネーション、戦略・オペレーションと医療はエージェント的ツール利用が重点化されています。
法務・財務は非ハルシネーション、戦略・オペレーションと医療はエージェント的ツール利用が重点化されています。
室谷代表取締役モデル比較にv2.0のスコアをどう使うか。まず職種別指数で候補を絞り、そのうえで自社のタスクで試す、という順番が現実的です。
指数は出発点で、最終判断は実タスクでの検証になります。
指数は出発点で、最終判断は実タスクでの検証になります。
テキトー教師DotAI 認定講師首位はどのモデルか。Claude Opus 5.5（max）が6指数すべてで首位です。
GPT-6 Astra（max）が財務・会計、法務、エンジニアリングで続いています。
GPT-6 Astra（max）が財務・会計、法務、エンジニアリングで続いています。
室谷代表取締役オープンウェイト系の首位は？ という点は、Kimi K3.1 Pro（weights not yet released）が各指数5〜8位で首位です。ただし重みはまだ公開されていないので、自前運用できるモデルではない点に注意が必要です。
テキトー教師DotAI 認定講師v1.0からの主なアップデート点は、非ハルシネーションとエージェント的ツール利用の重視、HLE-DiamondとAA-Omniscience v1.1への更新、GDPval-AAの全分野除外、エンジニアリングの科学的能力新設、経済の長文脈推論のGDP.pdfへの差し替え、といったところです。
室谷代表取締役料金や日本での提供状況については、今回の発表では触れられていません。現時点では明らかにされていないので、各モデルの公式情報を確認してください。
テキトー教師DotAI 認定講師評価の詳細な方法論はArtificial Analysisの公式ページで公開されています。スコアの意味を正確に理解したい人は、そちらを一次情報として確認するのがおすすめです。
室谷代表取締役というわけで、職種別に見る時代になってきたな、というのが率直な感想です。総合1位のモデルが、自分の業務でも1位とは限らない。
その当たり前を、指標がようやく追いかけてきた感じがしますね。
その当たり前を、指標がようやく追いかけてきた感じがしますね。
テキトー教師DotAI 認定講師そうですね。モデル選びは「総合スコアで決める」から「業務に合わせて選ぶ」へ。
v2.0はその流れを後押しする更新だと思います。
v2.0はその流れを後押しする更新だと思います。
