AIじゃないよ

ChatGPT Deep Research が GPT-5.2 に進化:ソース指定・リアルタイム追跡など新機能まとめ

当サイトはアフィリエイト広告を一部掲載しています。
Deep Researchのリサーチプラン画面。実行前に調査計画の確認・編集が可能で、Edit・Cancel・Startボタンが表示されている

2026年2月10日(米国時間)、OpenAIはChatGPTの「Deep Research」機能を大幅にアップデートした。

最大のポイントは、Deep Researchの基盤モデルが従来の「o3」から、最新の「GPT-5.2」に切り替わったことだ。

実は、「Deep Research」機能は、2025年2月に初登場してから現在まで、「o3」という古いモデルによって駆動されていた。競合のGeminiやClaudeも劇的に進化する中で、ChatGPTの「Deep Research」機能の質は、満足いくレベルとは言えなかった。

それが、ついに最新の「GPT-5.2」にアップデートされたので、ChatGPTのヘビーユーザーにとっては待望のアップデートと言える。

今回の変更はモデル自体の刷新に加え、検索ソースの指定、リアルタイム進行状況の追跡、フルスクリーンレポートなど、実用性を大きく底上げする新機能が一挙に追加された。

出力されるリサーチレポートのクオリティが飛躍的に向上し、日常のWeb検索から、ビジネスシーンでのデスクリサーチまで、実社会・実生活への影響も大きいだろう。

本記事では、今回のアップデートの全容を整理しつつ、筆者が実際にアップデート後のDeep Researchを試した結果も詳しく紹介していく。



ChatGPT「Deep Research」大型アップデートの概要

まず、変更点の全体像を把握しておこう。以下の表に主な変更をまとめた。

項目変更前変更後
基盤モデルo3 / o4-mini(ライト版)GPT-5.2
ソース指定不可(Web全体を自動クロール)特定のWebサイトやドメインを指定可能
アプリ連携限定的MCP/アプリ経由で外部サービスと接続可能
進行状況の追跡完了まで待つだけリアルタイムで検索クエリ・参照先・バックトラックの様子を確認可能
中断・方向修正不可(完了後に再実行が必要)実行中にフォローアップ質問や新ソースの追加で方向修正が可能
レポート表示チャット内に表示フルスクリーンビューアー(左に目次、右に参照ソース一覧)
ダウンロード限定的Markdown / PDF / Word 形式で出力可能
リサーチプランなし実行前にリサーチプランの作成・編集が可能

モデルのアップグレードだけでなく、UIと操作フローの両面で大幅に改善されていることが分かる。

以下、それぞれの新機能を詳しく見ていく。

新機能1:検索ソースを指定できるようになった

今回のアップデートで最も実用的な追加機能が、検索ソース(情報源)の指定だろう。

従来のDeep Researchは、Web全体を自動的にクロールして情報を集めてくる仕組みだった。これは手間がかからない反面、信頼性の低いソースを拾ってしまうリスクがあった。

新しいDeep Researchでは、「このドメインだけを対象にリサーチしてほしい」「この公式サイトの情報を優先してほしい」といった指定が可能になった。

ChatGPTに接続したアプリやMCP(Model Context Protocol)経由で、特定の外部サービスのデータに絞ったリサーチもできる。

Deep Researchのソース指定UI。入力欄下部の「Sites」メニューから検索対象サイトをURLで指定できる

例えば筆者の場合、本ブログの記事執筆にあたって「OpenAI公式ブログとChatGPTリリースノートだけを情報源にして、Deep Researchの変更点をまとめてほしい」とソースを限定してリサーチを実行してみた。

従来であれば、信頼性の不明なニュースサイトの情報も混在した結果が返ってきていたが、ソースを絞ることで公式情報だけに基づいた正確なレポートが得られた。

ほかにも、以下のような使い方が考えられるだろう。

  • 技術調査で、arXiv論文と公式ドキュメントだけに絞ってAPIの変更点を調べさせる
  • 競合分析で、特定企業のIR資料やプレスリリースだけを対象にリサーチさせる
  • 学術レポートの下調べで、査読済みジャーナルのドメインだけを検索範囲に指定する

「調べる範囲を自分でコントロールする」ことが可能になったことで、研究者や医師など特にソースの信頼性が問われる職業の人にとっては、大きく業務効率が改善されるはずだ。

新機能2:リアルタイムで進行状況を追跡・介入できる

Deep Researchはタスクの複雑さに応じて5〜30分ほどかかることがある。従来は、実行を開始したら完了するまでただ待つしかなかった。

今回のアップデートでは、リサーチの進行状況をリアルタイムで確認できるようになった上に、「途中で介入できる」ようになった。

リサーチを開始すると、以下の情報がライブで表示される。

  • AIがどんな検索クエリを実行しているか
  • どのリンクを参照しているか
  • 情報が不十分でバックトラック(再検索)しているか
Deep Researchのリアルタイム追跡画面。リサーチ進行中にフォローアップの質問や方向修正を送信できる

進捗バーの上のあたりをクリックすると、さらに詳しく現在のリサーチアクティビティの内訳を確認することができる。

これを見て、方向性がずれていることを察知したら、すぐに追加指示をチャットで送ることができる。

Deep Researchのアクティビティ詳細画面。右側パネルに検索クエリや参照先の内訳が表示され、253件の検索が実行されている

サイドバーの詳細を見ると、GPT-5.2がどのようなページをみて、どのような思考ステップを踏み、今何をしているかがテキストで分かる。

明らかにリサーチの方向がズレていると感じたら、フォローアップの質問を投げたり、新しいソースを追加したりして、軌道修正ができる。

従来は最終結果を見てクオリティがイマイチだった場合、最初から再実行するしかなかったので、この変更は時間の節約に直結する。

新機能3:フルスクリーンレポートビューアー

レポートの表示方法も大きく変わった。

新しいUIでは、フルスクリーンのレポートビューアーが用意されている。

画面の左側には目次が、右側には参照ソースの一覧が配置され、論文やレポートを読むような体験に近づいた。

レポートはChatGPT内でそのまま閲覧できるだけでなく、Markdown・PDF・Word形式でダウンロードすることも可能だ。ビジネスの報告書や学術レポートの下書きとして、そのまま活用しやすくなっている。

新機能4:リサーチプランの事前編集と、追加質問ステップの廃止

地味だが重宝しそうな追加機能として、リサーチプランの事前編集がある。

Deep Researchの実行前に、AIが提案するリサーチプランを確認し、編集することが可能になった。

「この観点も調べてほしい」「この部分は不要」といった事前の方向付けができるため、より精度の高いレポートが得られるはずだ。

Deep Researchのリサーチプラン編集画面。Editボタンで調査計画を修正してからStartで実行開始できる

筆者が個人的に最もありがたいと感じたのが、従来の「追加質問ステップ」がなくなった点だ。

以前のDeep Researchでは、リサーチを依頼するたびに「対象期間は?」「地域の範囲は?」「技術的な詳細度はどの程度?」といった確認質問が表示され、それに回答しないとリサーチが開始されなかった。意図を正確に汲み取るための仕組みだったのだろうが、正直なところ毎回煩わしかった。

新しいDeep Researchでは、質問を送ればすぐにリサーチプランが提示され、そのまま実行に移れる。方向性を修正したければ途中でプランを編集すればいいし、細かい指定が不要ならそのままGoを押すだけだ。

従来の「質問→回答→質問→回答→やっと開始」という往復が、「質問→プラン確認→実行」というワンステップに短縮された。

「o3」から大きく進化した「GPT-5.2」の利点

今回のDeep Research機能のアップデートの土台となっているモデル「GPT-5.2」について、簡単に概要を解説しておく。

GPT-5.2は2025年12月11日にOpenAIが発表した最新モデルで、Instant(高速応答)・Thinking(深い推論)・Pro(最高精度)の3つのモードを持つ。

Deep Researchは複雑な推論と長時間のWeb探索を伴うタスクであるため、このうちThinkingが活用されていると考えるのが自然だろう。

Deep Researchとの関連で特に重要な性能向上は以下の点だ。

  • ハルシネーション約30%削減: GPT-5.1と比較して、大量の文書を統合するタスクでの誤り率が約30%低減
  • コンテキストウィンドウ400,000トークン: 入力として40万トークン(書籍数冊分に相当)を一度に処理でき、出力も128,000トークンまで対応
  • ツール呼び出し精度98.7%: Tau2-bench Telecomベンチマークで最高水準を記録
  • 長文脈処理の大幅改善: 256kトークンの文脈長で4-needle MRCRテストにおいてほぼ100%の精度を達成

特にコンテキストウィンドウの拡大は、大量のWebページを読み込んで統合レポートを生成するDeep Researchの性質と相性が良い。

従来のo3では処理しきれなかった大規模な調査でも、より正確な結果が期待できる。

1周年となる「Deep Research」 の停滞と進歩

Deep Researchは2025年2月に初めてリリースされて以来、約1年で様々な機能が追加されてきた。

しかし、モデルとしては「o3」が使われてきたので、ヘビーユーザーは物足りないと感じていた人もいたはずだ。

過去1年間の主なDeep Researchの機能変遷を辿ってみると、以下のようになっている。今回は1年ぶりの最大のアップデートといっても良いだろう。

時期出来事
2025年2月Deep Research 初リリース。o3ベース。Proユーザー限定
2025年2月25日Plusユーザーにも開放
2025年4月24日利用枠を大幅拡大。o4-miniベースのライト版を追加。Freeユーザーにも月5回で開放
2025年7月17日ChatGPT agentのビジュアルブラウザと統合
2026年2月10日GPT-5.2へ移行。今回のアップデート

o3で始まり、o4-miniでライト版が追加され、ビジュアルブラウザとの統合を経て、今回のGPT-5.2への全面移行に至った。

OpenAIは公式ブログでDeep Researchを「next agent」(次世代エージェント)と表現しており、ChatGPTのエージェント機能の中核として位置づけていることが伺える。

利用枠と対象プラン

Deep Researchの利用枠は、プランによって異なる。現時点で公開されている情報は以下の通りだ。

プラン月額Deep Research 利用回数
Pro$200250回/月(ライト版含む)
Plus / Team / Enterprise$20〜25回/月(うちライト版15回)
Free$05回/月(ライト版のみ)

今回のGPT-5.2対応は、PlusおよびProユーザーから順次ロールアウトが開始されている。

OpenAIの公式X投稿によれば、FreeやGoプランのユーザーへの提供は「近日中」とのことだが、本稿執筆時点で具体的な日程は明らかになっていない。

補足
GPT-5.2移行後に利用枠自体が変更されたかどうかは、OpenAIの公式発表では明確に言及されていない。上記の利用枠は、2025年4月のアップデート時に設定されたものがベースとなっている。

注意点:ハルシネーションは減ったが「完璧」ではない

GPT-5.2への移行でハルシネーション(事実に基づかない情報の生成)は約30%削減されたとされるが、完全になくなったわけではない。

特にDeep Researchのような長文レポートの生成では、「エラー複合」(error compounding)のリスクが指摘されている。

リサーチの初期段階で一つの事実を誤って解釈すると、その誤りを前提に後続の分析が進み、最終的な結論が大きくズレてしまう可能性がある。レポートが長くなればなるほど、このリスクは高まる。

Deep Researchが生成するレポートは、あくまで「高精度な下書き」として捉え、重要な意思決定に用いる際には人間による事実確認を怠らないのが賢明だろう。

新たに追加されたソース指定機能やリアルタイム追跡機能を活用して、リサーチの質を自分でコントロールする姿勢が求められる。

「AIに丸投げ」から「自分で舵を取るリサーチ」へ

1年以上前に登場した「o3」モデルから、最新の「GPT-5.2」モデルへの切り替えによって、明らかにDeep Researchの生成するレポートの質が向上している。

また、今回のアップデートは、単なるモデルの差し替えにとどまらない。

ソース指定による信頼性の向上、リアルタイム進捗表示によるハンドリングのしやすさ、フルスクリーンレポートによる可読性の改善と、Deep Researchの使い勝手を全方位的に底上げする内容だ。

筆者としては、特に「ソース指定」と「途中介入」の2つが大きいと感じている。

これまでは「AIが勝手に調べてくる結果をそのまま受け取る」しかなかったDeep Researchが、「自分の意図で調査範囲をコントロールし、途中経過を見ながら軌道修正する」ツールに進化した。

リサーチの主導権がユーザー側に戻ってきた、と言ってもいいだろう。

ChatGPTのPlusまたはProプランを利用しているなら、ぜひ一度試してみてほしい。

特に、業務で定期的にリサーチレポートを作成する人や、信頼性の高い情報源に基づく調査が求められる場面では、大きな時間短縮になるはずだ。

筆者プロフィール画像

この記事を書いた人 kumori

AIツール/アプリ/ガジェットを実際に検証し、具体のユースケースまで噛み砕いて解説しています。

  • 米国の大学院で統計学(修士)
  • Python・Rによるデータ分析
  • マーケティング/広告運用(TV〜Web、数十億規模PJのリード経験)



Make a comment

*
*
* (公開されません)