ベンチマーク / AutomationBench
AutomationBench
エージェント・業務・高いほど良い
このベンチマークとは
Zapier 作。複数の連携アプリをまたぐ実際の業務ワークフローをエージェントが遂行できるかを測る。
業務自動化の実用度。ガードレール違反や安全装置の介入が失敗扱いになる設定だと、実運用より低く出る。
＊＝開発元の自社発表。 出典（表）ごとに分けています。同じ表の値どうしは同じ条件で比べられます。
Anthropic の表
Anthropic: Introducing Claude Opus 5.5 ↗Opus 5.5 は max effort（Terminal-Bench は xhigh）。本番セーフガード有効のため一部で不利。
- 1
Claude Opus 5.540%＊Anthropic・Zapier の早期アクセス評価・セーフガード介入は失敗扱い - 2Claude Fable 5.131.4%＊Anthropic・Zapier 公開リーダーボード
- 3
GPT-5.6 Sol 過去の版28.8%Zapier 公開リーダーボード（Anthropic の表に掲載）・OpenAI 報告の18.1%と別測定 - 4Claude Opus 5 過去の版26.9%＊Anthropic・Zapier 公開リーダーボード
OpenAI の表
OpenAI: GPT-6 Astra 発表（比較表・脚注） ↗比較表の他社モデル数値は OpenAI が掲載したもの。各社最大 effort の値。
- 1GPT-6 Astra41.4%＊OpenAI・最大effort
- 2Claude Fable 5.131.4%OpenAI（比較表に掲載）・最大effort
- 3Claude Opus 5 過去の版26.9%OpenAI（比較表に掲載）・最大effort
- 4GPT-5.6 Sol 過去の版18.1%＊OpenAI・最大effort
- 5Claude Fable 5 過去の版17.4%OpenAI（比較表に掲載）・最大effort
Google DeepMind の表
Google DeepMind: Gemini 4 Argon モデルカード ↗2026年10月時点。比較表の他社数値は Google が掲載したもの。
- 1
Gemini 4 Argon51.3%＊Google - 2Claude Opus 5.542.5%Google（比較表に掲載）・Google の掲載値