OpenAIは2026年7月9日、GPT-5.6ファミリーの一般提供を開始しました。
今回の特徴は、単に「GPT-5.5より高性能になった」という点だけではありません。GPT-5.6では、上位モデルのSol、性能とコストのバランスを取ったTerra、大量処理向けのLunaという3つのモデルが用意されています。
SEや開発者にとって重要なのは、「一番性能が高いモデルはどれか」だけを見るのではなく、処理内容によってモデルを使い分けることです。複雑な設計や調査にはSol、日常的な開発支援にはTerra、大量の分類・要約・定型処理にはLuna、といった構成を取れるようになりました。
2026年7月28日時点の公式情報を基に、GPT-5.6の特徴と、SE実務で考えたい使い分けを整理します。
GPT-5.6は3つのモデルで構成される
GPT-5.6には、Sol・Terra・Lunaの3モデルがあります。APIで公開されている主な仕様を整理すると次の通りです。
| モデル | 主な位置付け | 入力料金 / 100万トークン | 出力料金 / 100万トークン | コンテキスト |
|---|---|---|---|---|
| GPT-5.6 Sol | 複雑な専門業務・高度な推論 | $5 | $30 | 1,050,000 |
| GPT-5.6 Terra | 性能とコストのバランス | $2.50 | $15 | 1,050,000 |
| GPT-5.6 Luna | 大量処理・コスト重視 | $1 | $6 | 1,050,000 |
3モデルとも最大出力は128,000トークンで、公式APIドキュメント上の知識カットオフは2026年2月16日です。SolのモデルIDはgpt-5.6-solで、gpt-5.6というエイリアスもSolへルーティングされます。
数字だけを見ると、Solが最上位、Lunaが最下位という単純な序列に見えるかもしれません。しかし実務では、必ずしもSolを使うのが正解とは限りません。
APIの出力料金を見ると、SolはLunaの5倍です。1回だけ使うなら大きな差に見えなくても、社内ツールやサービスから1日数千回、数万回呼び出すようになるとコスト差が積み上がります。
GPT-5.6では「必要な能力に合わせてモデルを選ぶ」という考え方が、これまで以上に重要になっています。
Solは複雑な設計・調査・コーディング向け
GPT-5.6 Solは、GPT-5.6ファミリーのフラッグシップモデルです。OpenAIは複雑な専門業務向けモデルとして位置付けており、コーディング、知識業務、サイバーセキュリティ、科学分野などで性能向上を掲げています。
公式発表では、Artificial Analysis Coding Agent IndexでSolが80を記録し、GPT-5.5の76.4を上回っています。Terminal-Bench 2.1でもSolは88.8%、GPT-5.5は85.6%でした。
ただし、ベンチマークの数字をそのまま「実際の開発でも何％性能が上がる」と解釈するのは避けた方がよいでしょう。
実務で重要なのは、複数ファイルにまたがる修正、既存コードの調査、仕様と実装の突き合わせ、長時間続く開発タスクなど、途中で判断を何度も必要とする作業への対応力です。
たとえば既存システムの障害調査なら、「ログを読む → 関連コードを探す → 原因候補を整理する → 修正案を作る → テスト方法を考える」という複数ステップが発生します。こうした処理では、単純なコード生成よりも、途中の情報を保持しながら判断を続けられる能力が重要になります。
Solを使うなら、設計レビュー、複雑なバグ調査、大規模なリファクタリング、複数資料を横断した技術調査など、失敗したときの手戻りが大きい作業から試すのが現実的です。
TerraはSEの日常業務で使いやすい位置にいる
TerraはSolより料金が半分で、入力100万トークンあたり$2.50、出力は$15です。OpenAIは、GPT-5.5と競争力のある性能を低コストで提供するモデルとして説明しています。
SEの日常業務では、常に最高難度の推論が必要になるわけではありません。SQLの作成、コードレビューの補助、仕様書の整理、テストケース案の作成、ログの要約、既存コードの説明など、多くの仕事は「十分に高い能力」と「レスポンス速度・料金」のバランスが重要です。
そのためAPIを業務ツールへ組み込む場合、最初からすべてSolへ送るのではなく、まずTerraで処理し、本当に難しい案件だけSolへ切り替える設計も考えられます。
たとえば社内の開発支援ツールなら、通常のコード説明やSQL作成はTerra、難しい障害解析や大規模な設計レビューはSol、と分ける方法です。
AIモデルを業務へ導入するときは「一番賢いモデルを採用する」という発想より、「この作業にはどこまでの性能が必要か」を決める方が、運用コストを管理しやすくなります。
Lunaは大量処理をするときに効いてくる
LunaはGPT-5.6ファミリーの中で最も低価格なモデルです。API料金は入力100万トークンあたり$1、出力$6。OpenAIはコストを重視する大量処理向けモデルとして位置付けています。コンテキスト長はSolやTerraと同じ1,050,000トークンです。
Lunaが向いているのは、一件ごとの判断難度はそれほど高くないものの、処理件数が多い仕事です。問い合わせ内容の分類、大量ログの一次整理、文章のタグ付け、定型フォーマットへの変換、検索前のデータ整理などが想定できます。
たとえば1万件の問い合わせを「障害」「契約」「操作方法」「その他」に分類したい場合、すべてSolへ送る必要があるとは限りません。一次分類はLunaで実行し、判断できないものだけTerraやSolへ送る構成にすれば、品質を確保しつつ料金を抑えられる可能性があります。
これはAIシステムを作る際に重要な考え方です。「AIモデルを1種類決める」のではなく、処理の難易度によってルーティングする設計ができます。
GPT-5.6ではツール利用も重要になっている
GPT-5.6で注目したいもう一つの機能が、Responses APIのProgrammatic Tool Callingです。
OpenAIによると、GPT-5.6は軽量なプログラムを生成・実行し、複数のツールを調整したり、中間結果を処理したりしながら次の行動を決められます。大量のツール実行結果をすべてモデルとの往復に使うのではなく、必要な情報を処理しながらタスクを進められる設計です。
さらにResponses APIでは、複数のサブエージェントを並列実行して結果をまとめるMulti-agent機能もベータとして案内されています。
SE視点では、この方向性はモデル単体の性能向上と同じくらい重要です。AIエージェントでは、GitHubを調べる、ファイルを読む、Webを検索する、コードを実行する、結果を確認する、といった複数の処理を組み合わせます。
このとき問題になるのが、ツール呼び出し回数とトークン消費です。AIが何度もツールを呼び出し、その結果をすべてモデルへ戻していると、処理時間もAPI料金も増えていきます。Programmatic Tool Callingは、こうしたエージェント型処理の効率化を狙った機能として見ると分かりやすいでしょう。
105万トークンのコンテキストは「全部入れてよい」という意味ではない
GPT-5.6の3モデルは、APIで1,050,000トークンのコンテキストウィンドウを持っています。
非常に大きな量の情報を扱えますが、「大きいからプロジェクト全体を毎回全部送ればよい」と考えるのは危険です。
GPT-5.6のAPIドキュメントでは、272,000入力トークンを超えるプロンプトについて、そのリクエスト全体の入力料金が2倍、出力料金が1.5倍になると案内されています。
大きなコンテキストウィンドウは便利ですが、長い入力ほど常に効率的とは限りません。実務では、関連ファイルを検索して必要な部分だけ渡す、過去の会話を要約する、RAGで関連文書を絞る、といった工夫が引き続き必要です。
「何でも入るようになった」ことと「何でも入れた方がよい」ことは別問題です。特にAPI料金を管理する必要があるサービスでは、モデル選択だけでなく、入力する情報量も設計項目として考える必要があります。
プロンプトキャッシュも料金設計に影響する
GPT-5.6ではプロンプトキャッシュにも変更があります。
OpenAIの発表では、明示的なキャッシュ境界を設定できる仕組みと、最低30分のキャッシュ保持が案内されています。一方、GPT-5.6以降ではキャッシュへの書き込みは通常入力料金の1.25倍となり、キャッシュ読み込みには90%の割引が適用されます。
つまり、同じ長いシステムプロンプトや資料を何度も使う処理ではキャッシュが有効ですが、一度しか利用しないデータまで無条件にキャッシュすればよいわけではありません。
社内ナレッジを参照するAIや、長い共通プロンプトを使うエージェントでは、キャッシュヒット率まで含めて料金を確認したいところです。生成AIのコスト管理では、単純な「1トークンあたりの料金」だけでは実態が分からなくなっています。
ChatGPTやCodexでも利用できる
GPT-5.6はAPIだけでなく、ChatGPTやCodexにも展開されています。
OpenAIの2026年7月9日の発表では、ChatGPTのPlus、Pro、Business、EnterpriseユーザーがGPT-5.6 Solへアクセスでき、ProとEnterpriseでは複雑な処理向けのSol Proも選択できます。
またChatGPT WorkとCodexでは、Free・GoユーザーにTerraが提供され、Plus以上の対象プランではSol・Terra・Lunaを選べる構成が案内されています。提供状況は段階的な展開や管理者設定によって異なる可能性があるため、実際に利用するときは自分のモデル選択画面を確認した方が確実です。
「GPT-5.6が発表されたから、すべてのユーザーがSolを使える」という意味ではない点には注意が必要です。
SE実務ではどう使い分けるか
GPT-5.6を仕事へ取り入れるなら、最初からモデルを一つに固定しない方がよいでしょう。
複雑な設計、障害解析、複数資料を横断する調査、長時間のコーディングエージェントにはSolが候補になります。日常的なコードレビュー、仕様整理、SQL作成、テストケース作成などはTerraから試す価値があります。大量の分類、要約、データ整形などではLunaを使い、判断が難しいケースだけ上位モデルへ送る構成も考えられます。
ポイントは、モデル単体の評価ではなく「業務フロー全体でどれだけコストと手戻りを減らせるか」を見ることです。
たとえばSolのAPI料金が高くても、難しい障害調査を一度で正確に進められれば、何度も安いモデルを呼ぶより総コストが下がる可能性があります。逆に単純な分類処理へSolを使い続けると、性能を活かさないままAPI料金だけ増える可能性があります。
導入前に確認したい注意点
GPT-5.6へ移行するときは、既存プロンプトをそのまま本番環境へ切り替えるのではなく、自社の実データに近い評価セットを作って比較するのが安全です。
OpenAIはGPT-5.5やGPT-5.4から移行する場合、現在のreasoning設定を基準にしつつ、それより一段低い設定も代表的なタスクでテストすることを案内しています。GPT-5.6は少ないトークンで品質を維持・改善できる場合がありますが、最適な設定はワークロード次第です。
公開ベンチマークで高得点でも、自社のソースコード、独自の業務用語、日本語仕様書、社内ルールで同じ結果になるとは限りません。既存モデルから切り替える際は、回答品質だけでなく、出力トークン数、処理時間、ツール呼び出し回数、失敗率、再試行回数まで測定した方が実態を把握できます。
またGPT-5.6はサイバーセキュリティ能力も大きく向上したモデルとして扱われており、OpenAIは安全対策やアクセス制御を強化しています。一部の高度なセキュリティ用途では通常利用とは異なる制限やTrusted Accessの仕組みがあります。
セキュリティ検証で利用する場合も、自社または許可された環境だけを対象にするなど、技術的な能力とは別に運用ルールを明確にしておく必要があります。
GPT-5.6は「最高性能モデルを選ぶ」から「適切なモデルを振り分ける」段階へ
GPT-5.6の発表で注目されやすいのは、Solの性能やベンチマークです。しかし実務者にとって大きな変化は、Sol・Terra・Lunaという価格帯の異なるモデルを、同じGPT-5.6ファミリーの中で選択できる点です。
難しい仕事にはSol、通常業務にはTerra、大量処理にはLuna。さらに必要に応じて、低価格モデルで処理できなかった案件だけ上位モデルへ送る。こうした構成を取れば、生成AIを単なるチャットツールではなく、業務システムの一部として設計しやすくなります。
これからGPT-5.6を試すなら、いきなり既存システムのモデルをすべて置き換える必要はありません。まずは自分の業務から10〜20件程度の代表的なタスクを選び、TerraとSolで品質、処理時間、トークン消費量を比較するところから始めるのが現実的です。
そこでTerraで十分な処理、Solが必要な処理、Lunaまで下げられる処理を分けていけば、自分の業務に合ったモデル選択が見えてきます。
GPT-5.6で重要なのは、「どのモデルが一番強いか」ではありません。「どの仕事に、どこまでのAI能力が必要なのか」を判断できることです。
コメント