GPT-5.6は何を変えたのか。Sol・Terra・Lunaで始める実務エージェント設計

1. 【サマリー】今回のAIアップデートで何が変わったか

対象サービス / モデル / 機能

OpenAIは2026年7月9日、GPT-5.6ファミリーを一般提供しました。構成は、最上位のGPT-5.6 Sol、日常業務向けのGPT-5.6 Terra、速度と価格を優先するGPT-5.6 Lunaの3種類です。ChatGPT、ChatGPT Work、Codex、OpenAI APIで段階的に提供され、APIではResponses APIから利用できます。

今回の更新を「新しい高性能モデルが出た」とだけ捉えると、実務上の変化を見落とします。重要なのは、1つの業務フローの中でモデルの役割を分けやすくなったことです。定型的な分類や抽出はLuna、判断を含む通常処理はTerra、失敗コストが高い最終レビューや複雑な実装はSolというように、能力と価格を処理単位で割り当てられます。

さらに、Responses APIにはProgrammatic Tool Callingが追加されました。モデルが軽量なプログラムを書いて実行し、複数のツール結果を絞り込みながら次の処理を決められる仕組みです。すべての検索結果やツール応答を毎回モデルへ戻す構成より、中間データと往復回数を減らせる可能性があります。複数のサブエージェントを並行実行して結果を統合するmulti-agentもベータとして提供されています。

変更点

今回の変更は大きく4点あります。

価格と能力の異なるSol、Terra、Lunaを同じ世代として選択できる
Solでは従来のxhighより長く検討するmaxが使え、さらに複数エージェントを使うultraが用意された
Responses APIでProgrammatic Tool Callingを利用できる
Responses APIでmulti-agentベータを利用できる

OpenAIの発表では、ultraは標準で4つのエージェントを並行させます。ただし、ultraは常に速く安い設定ではありません。並列処理によって経過時間を短縮できる一方、複数エージェントがトークンを使うため、単純な問い合わせや短い生成には過剰です。難しい調査、複数案の比較、大規模なコード変更など、並列化できる仕事へ限定する必要があります。

なぜ今重要か

個人開発者や小規模チームにとって、AI機能の原価は「1回の入力単価」だけでは決まりません。途中で失敗して再実行する回数、人が確認する時間、ツール結果を何度もモデルへ渡すコストまで含めて考える必要があります。安いモデルが何度も失敗すれば、最終的な原価は高くなります。逆に、すべてを最上位モデルへ送れば、簡単な処理にも高い料金を払い続けることになります。

GPT-5.6は、性能競争をモデル単体の比較から、業務全体の成功率と総コストの設計へ移す更新です。これからのSaaSでは「どのモデルを使っているか」より、「どの工程をどのモデルへ任せ、どこで人間が確認するか」が利益率と品質を左右します。

2. 【Fact】公式発表と確認できる事実

機能・性能・料金・提供範囲

GPT-5.6は2026年7月9日から一般提供され、OpenAIは世界向けの展開を24時間かけて段階的に進めると案内しました。API料金は100万トークン当たりで、Solが入力5ドル・出力30ドル、Terraが入力2.50ドル・出力15ドル、Lunaが入力1ドル・出力6ドルです。

入力と出力の比率は3モデルで共通ですが、出力料金は入力料金の6倍です。したがって、長い回答を無条件に生成させる設計は原価を押し上げます。分類結果をJSONで短く返す、下書きと最終稿を別工程にする、ユーザーへ見せない中間説明を保存しないといった設計が、モデル選択と同じくらい重要です。

プロンプトキャッシュも更新されました。GPT-5.6以降では明示的なキャッシュ境界と最低30分のキャッシュ有効期間がサポートされます。キャッシュ書き込みは通常入力料金の1.25倍、キャッシュ読み取りは通常入力から90%割引です。長い共通指示や商品カタログを短時間に繰り返し使う処理では、最初の書き込み費用を払っても、その後の読み取りで総額を下げられる可能性があります。

OpenAIが公表した評価では、GPT-5.6 SolはTerminal-Bench 2.1で88.8%、Sol Ultraは91.9%です。BrowseCompではSolが92.2%、OSWorld 2.0では62.6%とされています。一方、ベンチマークは自社の顧客データ、ツール構成、言語、失敗条件をそのまま再現するものではありません。採用判断には、自分の業務から作った評価セットが必要です。

ChatGPTではPlus、Pro、Business、Enterpriseの利用者がmedium以上の設定でSolへアクセスできます。ChatGPT WorkとCodexでは、Plus以上のプランでSol、Terra、Lunaを選択でき、maxも利用できます。ultraはChatGPT WorkではProとEnterprise、CodexではPlus以上が対象です。APIでは3モデルすべてが利用可能です。

開発者向けの変更

Programmatic Tool Callingでは、モデルがメモリ内で小さなプログラムを実行し、ツールの呼び出し、結果の加工、次の行動選択を調整します。大量の商品、ログ、検索結果を扱うとき、全件を自然言語の会話へ戻すのではなく、必要な項目だけを抽出して次工程へ渡せます。OpenAIはこの機能がZero Data Retention互換であると案内しています。

multi-agentベータでは、複数のサブエージェントを同時に動かし、結果を1つの応答へ統合できます。たとえば競合調査を「価格」「機能」「導入事例」に分けたり、コードレビューを「セキュリティ」「性能」「仕様整合性」に分けたりできます。分割するだけでは品質は保証されないため、各担当の完了条件、共通の入力、出典の形式、統合時の優先順位を先に定義する必要があります。

GPT-5.6 Solにはmaxとultraという高負荷設定があります。maxはxhighより長く推論と検証へ時間を使います。ultraは複数エージェントを協調させます。ユーザーが待つ同期APIにそのまま組み込むより、バックグラウンドジョブ、進捗表示、上限時間、キャンセル、再開を備えた処理へ向いています。

未確認または注意が必要な点

公式発表には性能と効率の改善が多数示されていますが、自社環境で同じ削減率や成功率が得られるとは限りません。引用されている企業評価の多くは、各社の内部評価セットによる結果です。日本語の長文、業界固有の帳票、国内サービスの画面操作では別途検証が必要です。

multi-agentはベータです。API仕様、利用条件、挙動が変わる可能性を前提にし、プロダクトの中核データを特定のベータ仕様へ強く結合させない方が安全です。エージェントの途中状態と最終成果物を分けて保存し、単一エージェントへ戻せる経路を残すべきです。

価格だけを見て既存モデルから即時移行するのも危険です。モデル変更によって文章の長さ、JSONの形、ツール選択、拒否動作が変わる可能性があります。プロンプトを差し替える前に、正常系だけでなく、曖昧な入力、権限不足、外部API停止、長い入力、空の検索結果を含む回帰テストを実施する必要があります。

3. 【Impact】誰の仕事・プロダクトが変わるか

個人開発者への影響

個人開発者が最初に得られる効果は、すべてをSolへ置き換えることではなく、現在のAI処理を棚卸しできることです。処理を「大量に発生する単純作業」「通常の判断」「失敗時の損失が大きい作業」に分けると、Luna、Terra、Solの候補が見えます。

問い合わせ対応なら、言語判定、カテゴリ分類、個人情報のマスキングをLunaで行い、回答案をTerraで作り、返金や契約解除など重要案件だけSolで確認する構成が考えられます。コード保守なら、変更ファイルの分類をLuna、通常の修正をTerra、認証や決済を含む変更の計画とレビューをSolへ任せられます。

この分割により、モデル障害や予算超過への耐性も上げられます。Solの利用上限へ達しても、低リスク処理はLunaやTerraで継続できます。モデル名をアプリケーションコードの各所へ直書きせず、タスク種別とリスクに応じて選ぶルーターを1か所に置く設計が有効です。

SaaS / 業務ツールへの影響

SaaSでは、従来は人が行っていた「収集、整理、判断、成果物作成」を1つの長いプロンプトへ詰め込む設計から、観測可能な工程へ分解する設計が現実的になります。各工程に入力、出力、モデル、費用、所要時間、成功条件を持たせれば、どこで失敗しているかを測れます。

たとえば営業支援ツールでは、企業情報の収集、不要データの除外、課題仮説の作成、提案書の生成、根拠リンクの確認を別工程にします。大量処理はLuna、仮説作成はTerra、重要顧客の提案書と根拠確認はSolという構成です。全顧客を同じ品質で処理するのではなく、契約金額や商談段階に応じてAI原価を変えられます。

Programmatic Tool Callingは、業務ツールの裏側で特に効果が期待できます。モデルが全データを読む前に、コードで期間、顧客、金額、状態を絞り込めれば、入力トークンを抑えながら判断材料を維持できます。ただし、モデルが実行する処理には権限境界が必要です。読み取りと書き込みを分け、削除、送信、決済などの操作には人間の承認を残すべきです。

既存プロダクトのリスク

最大のリスクは、性能向上を理由に権限を広げすぎることです。モデルが長時間動き、複数ツールを扱えるほど、誤った前提のまま進む距離も長くなります。外部送信、データ更新、課金処理は、推論能力ではなく権限設計で守る必要があります。

次に、multi-agentによるコストの見えにくさがあります。4つのエージェントを並行実行すると、ユーザーから見える応答は1件でも、内部では複数の入力と出力が発生します。タスク単位の上限金額、最大エージェント数、最大再試行回数、上限時間を設定しなければ、少数の重い利用者が利益率を崩す可能性があります。

もう1つは評価の陳腐化です。モデルを更新すると、以前は失敗していたテストが通る一方、出力形式や慎重さが変わることがあります。モデル名だけを記録するのではなく、プロンプト版、ツール版、入力データ版、判定結果をセットで残す必要があります。

4. 【Localize】日本で試せる活用アイデア

小さく作れるプロダクト案

最初の案は、日本語の問い合わせを業務リスク別に処理するサポート補助ツールです。Lunaがカテゴリ、緊急度、個人情報を抽出し、TerraがFAQと注文情報から回答案を作り、返金、法的主張、事故、解約だけSolへ送ります。完全自動返信から始めず、担当者が承認する下書き画面にすれば、小規模ECや予約事業者でも導入実験ができます。

2つ目は、自治体や業界団体の公開情報を追う更新監視ツールです。Lunaが新旧ページの差分を抽出し、Terraが事業への影響を分類し、重要な制度変更だけSolが根拠リンク付きの対応メモへまとめます。士業の判断を代替するのではなく、確認対象を減らす道具として提供します。

3つ目は、小規模SaaS向けの障害一次調査ツールです。ログの期間絞り込みと頻度集計をProgrammatic Tool Callingで行い、Terraが原因候補を作り、顧客影響やデータ損失の可能性がある場合だけSolへエスカレーションします。書き込み権限を持たせず、調査レポートと修正候補までに限定すれば導入リスクを抑えられます。

既存業務への導入案

既存業務へ入れるときは、モデル選定より先に1件当たりの許容原価を決めます。月額3,000円の商品で、1利用当たり数百円のAI処理を無制限に提供する設計は続きません。1顧客当たりの月間利用回数、入力と出力の平均トークン、再実行率、人の確認時間を測り、粗利から逆算して上限を設定します。

次に、品質を3段階で定義します。Lunaで十分な処理、Terraが必要な処理、Solへ上げる条件を文章で決めます。条件は「難しそう」ではなく、返金額が一定以上、参照文書が一定数以上、信頼度が基準未満、ツールが失敗した、顧客が再回答を求めた、というように機械判定できる形へ寄せます。

キャッシュは、全顧客で共通する長い指示、商品仕様、用語集に向いています。一方、個人情報や短時間しか使わない入力を無理にキャッシュする必要はありません。共通部分と顧客固有部分を分離すると、コスト管理とデータ管理の両方が明確になります。

最初の1週間で試すこと

1日目は、現在人が行っている業務から20件を選び、入力、期待する出力、許容できない失敗を記録します。2日目は同じ20件をLuna、Terra、Solで実行し、正確さ、形式遵守、処理時間、概算費用を比較します。

3日目は、最も安いモデルで通る処理と、上位モデルへ上げる条件を決めます。4日目は、読み取り専用のツールを1つ接続し、空の結果、タイムアウト、権限エラーを含むテストを追加します。5日目は実行ログへモデル、トークン、時間、再試行、判定を保存します。

6日目は5人以下の内部利用者へ限定し、人が全件を確認します。7日目に、成功率、1件当たり原価、人の修正時間を集計します。継続判断の基準は、最上位モデルの印象ではありません。人の作業時間を減らしながら、許容原価と失敗率を守れたかです。

GPT-5.6で試すべきなのは、1つのモデルに仕事を丸ごと渡すことではありません。仕事を測れる工程へ分け、能力、価格、権限を工程ごとに選ぶことです。Sol、Terra、Lunaの3階層は、その設計を始めるための実用的な材料になります。