AIベンチマーク刷新でPDF読解が指標入り｜不動産のAI選定3基準

AI性能指標がv4.2へ刷新され、PDF読解ベンチマークが追加されました。不動産事業者がAIツールを選ぶ際の3基準と、社内ベンチマークの作り方を解説します。

AIベンチマーク刷新でPDF読解が指標入り｜不動産のAI選定3基準

AI性能指標「Artificial Analysis Intelligence Index」が2026年9月にv4.2へ刷新されました。

注目すべきは、新指標にPDF文書の読解力を測るベンチマークが加わった点です。重要事項説明書、登記事項証明書、レインズの出力帳票、賃貸借契約書と、不動産業務の一次情報はほぼPDFで流通します。AIモデルの優劣を測るものさし自体が、ようやく不動産の実務に近い場所へ寄ってきたということです。本記事は、宅建業免許（東京都知事(1)第113520号）を保有し、AI導入コンサル100社超の実績を持つ株式会社オルセル（不動産のチカラ運営）が解説します。

刷新されたAI性能指標の順位表

何が起きたか：AIベンチマークがv4.2で作り替えられた

The Decoderによると、AI性能を横断比較するArtificial Analysis Intelligence Indexが、2026年9月にバージョン4.2へ更新されました。きっかけは、OpenAIの最新モデルGPT-6 Astraのスコアが前世代のGPT-5.6 Solと同点にとどまり、業界から疑問視されたことです。Epoch AIの評価では267モデル中1位、50を超えるベンチマークの総合で169点という結果が出ており、指標間の食い違いが表面化していました。

刷新後の中身は3つです。第一に、実務的なナレッジワークを測る「AA-Briefcase」と、PDF文書の解析力を測るGDP.pdf（Surge AI提供）の2種類が新たに追加されました。第二に、モデル側がすでに解ききってしまったGPQA-Diamondが除外されました。第三に、非公開のテストデータの比重が全体の40パーセントまで引き上げられ、ベンチマーク対策そのものをしにくくしています。加えて複数ベンチマークの採点誤りが修正されました。

この結果、GPT-6 Astraは前世代に対して4ポイント上回る位置に移動しました。総合首位はClaude Fable 5.1が維持し、Astraが2位、Metaが3位という並びです。またAstraは1タスクあたりのトークン消費が他のフロンティアモデルより少なく、費用対性能ではAnthropic、OpenAI、Meta、Zhipu AIの4社が並んで先頭に立つと報告されています。

不動産事業者にとっての論点：ものさしが変わったという事実そのもの

不動産事業者が受け取るべきメッセージは、順位の入れ替わりではなく、順位の付け方が数か月単位で変わるという事実のほうです。同じモデルが、指標の設計変更だけで前世代と同点から4ポイント上位へ動きました。モデルの実力が一夜で変わったわけではありません。変わったのは測り方です。

この構造は、AIツールの営業資料で見かける「業界最高スコア」「主要ベンチマークで1位」といった表現を、そのまま導入判断の根拠にできないことを意味します。どの版の、どのベンチマーク群で、いつ測った数字なのかが分からなければ、比較の意味を持ちません。不動産テック各社が提示するスコアについても、出典と測定時点の確認は最低限の作業になります。

一方で、今回の刷新には実務側にとって前向きな面もあります。PDF読解が正式な評価軸に入ったことで、契約書や登記情報といった帳票を扱うAIの性能が、公開の場で比較されるようになりました。重要事項説明書の下書き、レインズ出力の集計、賃貸借契約書の条項チェックといった業務は、まさにこの能力に依存します。これまでは各社の体感に頼っていた領域に、共通の物差しが用意され始めたと捉えられます。

なお、AIによる読み取り結果はあくまで下書きや参考情報であり、重要事項説明の内容確定や物件価格の最終判断は宅地建物取引士が責任を持って行う必要があります。この線引きは指標がどれだけ整備されても変わりません。

初動アクション：AI選定の3基準

第一に、ベンダーの提示スコアを鵜呑みにせず、出典と測定時点を必ず確認することです。指標のバージョンが変われば順位も動くという前提を、社内の稟議書式に組み込んでおくと判断がぶれません。

第二に、自社の帳票で試す社内ベンチマークを持つことです。過去の重要事項説明書、レインズ出力、賃貸借契約書を10件程度そろえ、候補モデルに同じ設問を投げて正答率と誤答の傾向を記録します。個人情報を含む書面は氏名や住所を伏せてから投入し、学習に使われない設定かどうかを事前に確認してください。公開ベンチマークより、自社の書式で測った結果のほうが導入判断には有効です。

第三に、費用対性能で見る癖をつけることです。今回の更新でも、単純な性能順位と費用対性能の順位は一致していません。1タスクあたりのトークン消費が少ないモデルは、月間の処理件数が多い賃貸管理や追客の自動化で効いてきます。性能表の上位だけを見て高価なモデルを固定するより、業務ごとにモデルを使い分ける設計のほうが総額を抑えられます。

Artificial Analysisは、8か月かけて開発してきたバージョン5を段階的に投入すると説明しています。順位表はこの先も動き続けると考えておくのが妥当です。関連して、GPT-6 Astra展開で利用枠が半減した件の運用論点と、AI導入時に確認すべき3点も併せてご確認ください。

まとめ

AIの性能指標は、2026年9月のv4.2刷新でPDF読解と実務的ナレッジワークを取り込みました。順位は指標の設計次第で動くため、外部スコアは参考値にとどめ、自社の帳票で測る社内ベンチマークと費用対性能の2軸で選ぶのが現実的です。不動産業務でAIを使う場合も、最終判断は宅地建物取引士が行う前提を崩さないことが前提になります。

参考文献

※不動産のチカラでは、生成AIの導入支援から運用最適化まで、貴社の不動産事業に合わせたカスタマイズ提案を行っています。無料相談（30分）も実施中ですので、お気軽にお問い合わせください。
https://fudosannochikara.jp/contact/

引用元: The Decoder

【監修】齋藤竹紘（株式会社オルセル代表 / EC支援19年5,000社超・AIコンサル100社超 / 宅建業免許 東京都知事(1)第113520号）