「GPT-5.6 Sol」「GPT-5.6 Terra」「GPT-5.6 Luna」。同じGPT-5.6という名前がついているのになぜ3つも種類があるのか。この違いを正しく理解しないまま使い始めると、割高なモデルで単純作業をこなしてしまったり、逆に非力なモデルに難しい仕事を任せて期待外れの結果になったりと無駄が生まれやすい。特に、これから開発環境やAPIを通じてGPT-5.6を業務に組み込もうとしている担当者にとってはこの3階層の使い分けを理解しているかがコストと品質の両方を左右する重要な分かれ目になる。この記事では、Sol・Terra・Lunaそれぞれの特徴と用途に応じた選び方をできるだけ具体的に整理していこう。
GPT-5.6シリーズの全体像
GPT-5.6は2026年7月にOpenAIが一般提供を開始した最新世代のモデルファミリーだ。これまでのGPTシリーズは基本的に1つの世代につき1つのモデルという形で提供されてきたが、GPT-5.6ではSol・Terra・Lunaという3つの階層に分かれた構成に変わった。
「世代」と「階層」を分けて考える新しい命名方式
OpenAIは、この新しい命名方式について数字の部分（5.6）が「世代」を表し、Sol・Terra・Lunaという名称がそれぞれ独自のペースで進化していく「能力の階層」を表すものだと説明している。つまり、次の世代が登場した際にも、Sol・Terra・Lunaという役割分担そのものは維持されたまま各階層の中身がアップデートされていく可能性がある、という設計思想だ。これまでのように「Instant」のような呼び方だけではどのモデルが最新なのかが分かりにくくなっていた問題を解消する狙いもあるとされている。
3階層に共通するベースの新機能
Sol・Terra・Lunaのいずれにも複数のツール呼び出しをコードとして組み立てて実行する「Programmatic Tool Calling」や、複数のサブエージェントを並列で動かす「マルチエージェント」機能が搭載されている。また、プロンプトキャッシュの仕組みも刷新され、キャッシュの区切りを明示的に指定できるようになったほか最低30分間はキャッシュが保持される仕様になった。これらの基盤機能は3階層に共通しており、違いはあくまで「能力の高さ」「速度」「コスト」のバランスにある。
3階層をひとつの製品ラインとして捉える視点
Sol・Terra・Lunaはそれぞれ独立した別々の製品というよりも、ひとつの製品ラインの中の「グレード違い」として捉えると理解しやすい。自動車に例えるなら、同じ車種の中に快適装備を充実させた上級グレードと価格を抑えた標準グレードが用意されているようなものだ。土台となる基本設計は共通しつつ搭載する性能や価格帯が異なる、という構造をイメージするとそれぞれの位置づけが把握しやすくなる。
提供開始までの経緯
GPT-5.6は2026年6月26日に一部の信頼できる組織向けの限定プレビューとして先行公開された後、米国政府への事前説明というプロセスを経て7月9日に米国での一般提供が開始された。この段階的な展開の背景には、高い能力を持つモデルを社会に送り出す際の安全性への配慮があるとされている。実際に利用を検討する際には、こうした慎重な展開プロセスを経て世に出されたモデルであるという点も安心材料として押さえておいてよいだろう。
Solが向いている用途
SolはGPT-5.6ファミリーの中でもっとも高い性能を持つ旗艦モデルだ。
複雑で長時間にわたるコーディング作業
Solは特に強みを発揮するのは、複数のファイルにまたがる大規模なコード変更やテストの実行と修正を繰り返しながら進める長時間の開発セッションなど、粘り強く一貫した方針を保ちながら進める必要があるタスクだ。要件を最後まで見失わずに作業を続けられる点や地味だが必要な作業を丁寧にこなす傾向が実際の開発現場での評価につながっている。既存のOpenAIモデルでコーディングエージェントを運用してきたチームにとっては、まずSolへの切り替えを試す価値があるという評価も出ている。パーサーの仕様変更のような細部の正確性が問われる地道な作業ほど、こうした粘り強さの差が結果に表れやすい。
専門性の高い知的作業・研究
科学分野の研究、複雑なデータ分析、専門的な文書のリサーチといった「深い理解と多段階の推論を必要とする作業」もSolが得意とする領域だ。長時間にわたる専門的な業務遂行能力を測るベンチマークでも他のモデルを大きく引き離すスコアを記録しているとされ、腰を据えて取り組む必要のある知的作業との相性が良い。複数の資料を横断して矛盾のない結論を導き出す必要がある調査業務など、一貫性が求められる場面ほどSolの強みが生きてくる。
高度な判断が求められるエージェント業務
ブラウジングを伴う情報収集やコンピュータ操作を自動化するタスクなど、複数の判断を連続して積み重ねながら進めるエージェント的な業務でもSolは高い成功率を示しているとされる。判断のミスが後工程に大きく影響するような慎重さが求められる業務ほど、Solを選ぶ価値が高まる。デスクトップ操作の自動化においてはより少ない出力トークンで高い成功率を達成しているという報告もあり、処理の無駄が少ない点も実務上のメリットになる。
コストをかけてでも失敗を避けたい場面
一件あたりの処理コストが多少高くても、判断ミスによる手戻りやトラブルのほうがはるかに大きな損失につながるという業務では迷わずSolを選ぶべきだ。契約書の重要な確認作業や対外的に公開する資料の最終チェックといった、失敗が許されない場面ほど上位モデルにコストをかける価値が大きくなる。トークン単価だけを見て安いモデルを選んだ結果、後から人手による修正作業が発生してしまってはかえって全体のコストが膨らんでしまうという逆効果にもなりかねない。
Terraが向いている用途
Terraは日常的な業務での利用を想定したバランス型のモデルだ。
前世代並みの性能を、より低いコストで
Terraは、前世代であるGPT-5.5に匹敵する性能を持ちながらコストはおよそ半分に抑えられているとされている。特別に高度な推論を必要としない日常的な文章作成や情報整理、一般的なコーディング作業であればTerraで十分に対応できる場面が多い。これまでGPT-5.5を標準的に使っていたチームにとっては、Terraへの切り替えだけで体感の性能を落とさずにコストを圧縮できる可能性がある。
範囲を絞ったコーディングタスクや一次レビュー
実装対象が明確に絞られたコーディング作業やコードの一次レビューといった用途ではTerraが有力な選択肢になる。必要に応じてSolへエスカレーションできる体制を整えておけば、通常の作業はTerraで処理し、判断が難しい場面だけSolに引き継ぐ、という効率的な運用が可能になる。開発チームの日常的なプルリクエストの一次チェックなど量をこなす必要がありながらも一定の質を保ちたい業務では、この二段構えの運用が特に効果を発揮する。
日常的な資料作成や情報整理
社内向けの報告書や議事録の整理、簡単なリサーチのまとめといった業務の中で頻繁に発生するが、それほど高い専門性を必要としない作業もTerraとの相性が良い領域だ。
「まず標準にする」モデルとしての役割
迷ったときにまず選ぶべき「標準モデル」としての立ち位置もTerraの重要な役割の一つだ。特別な理由がなければTerraから始め、明らかに力不足を感じた場面でSolへ切り替える、という運用にしておけば、無駄なコストをかけずに済む。日常業務の大半は、この標準モデルの範囲内で十分にこなせることが多い。組織全体でモデル選びのルールを統一しておくことで担当者ごとに判断がばらつき、結果的にコストが読みにくくなるという事態も防ぎやすくなる。
Lunaが向いている用途
Lunaは3階層の中でもっとも高速でもっとも低コストなモデルだ。
大量処理が必要な高頻度タスク
分類、ラベリング、抽出、要約の下書き作成など、一件あたりの処理は単純だが大量に処理する必要があるタスクにおいてLunaは真価を発揮する。処理件数が多くなるほど、Solとのコスト差は無視できない大きさになっていく。日次で数千件、数万件といった規模のデータを処理するようなバッチ処理にはLunaが第一候補になる。カスタマーサポートの一次仕分け、大量の商品データのタグ付けといった業務はまさにこの典型例だと言えるだろう。
高度な推論を必要としない一次処理
問い合わせ内容の一次仕分け、定型的なテンプレートの作成など複雑な判断を伴わない一次処理の段階ではLunaを使い、そこで対応しきれない案件だけをTerraやSolにエスカレーションする、という多段階の構成が効果的だ。こうした「まず安いモデルで裁いてみる」という発想は、Sol一本槍で運用するよりも全体としてのコストを大きく圧縮できる可能性がある。
意外な強さを見せる場面もある
興味深いことに、特定のベンチマークにおいてはLunaが上位階層であるはずのTerraを上回るスコアを出す場面も報告されている。すべての指標において階層順に性能が並ぶわけではない、という点は実際に導入する際に覚えておきたいポイントだ。想定する業務内容によってはLunaが十分な精度を発揮するケースもあるため、コストだけを理由に選択肢から外してしまうのはもったいない。
プロトタイプ検証やアイデア出しの初期段階
新しい業務フローを検討する際の初期プロトタイプや大まかなアイデア出しの段階でもLunaは実用的な選択肢になる。細部の精度よりもスピードと反復のしやすさが重視される段階では、コストを抑えながら何度も試行錯誤できるという利点が大きい。方向性が固まった段階で必要に応じてTerraやSolへ移行すればよい。開発初期の段階からSolを使ってしまうと試行錯誤のたびにコストがかさんでしまうため、検証フェーズと本番運用フェーズとで意図的にモデルを使い分ける発想を持っておくとよいだろう。
ChatGPTで使えるモデルとAPIで使えるモデルの違い
3つのモデルは利用する環境によってアクセスできる範囲が異なる点にも注意が必要だ。
標準のChatGPT会話ではSolのみ
通常のChatGPTの会話画面では、Plus・Pro・Business・Enterpriseのユーザーが、推論強度をMedium・High・Extra Highから選ぶことでSolを利用できる。Pro・Enterpriseではより高度な「Sol Pro」も選択可能だ。一方、TerraとLunaは標準のChatGPT会話画面では選択できない仕様になっている。日常的な素早いやり取りには引き続き前世代のGPT-5.5 Instantが標準として使われる仕組みも維持されている。
ChatGPT WorkとCodexでは3モデルすべてが選択可能
より作業に特化した環境であるChatGPT WorkやCodexでは、無料・Goプランのユーザーがまず利用できるのはTerraで、Plus以上の有料プランになるとSol・Terra・Lunaのすべてを選択したうえで、推論の強度まで細かく設定できるようになる。複雑なタスクに対応する「ultra」モードも、これらの環境で利用できる。この違いから分かるように、OpenAIは通常の会話用途では上位モデルを、作業実行用途では階層を選べる柔軟性をそれぞれ重視した設計にしていると考えられる。
APIではすべてのモデルに直接アクセス可能
開発者向けのAPIではSol・Terra・Lunaのすべてに直接アクセスでき、タスクごとに呼び出すモデルを自由に切り替えられる。プログラムの中でまずLunaに一次処理をさせ、結果に応じてTerraやSolへ処理を引き継ぐ、といった多段階の設計も実装しやすい。この柔軟性の高さは業務システムに組み込む際の設計の自由度に直結する重要なポイントだ。
企業導入時の選び方
企業として導入を検討する際には、業務の性質を基準に選定を進めるとよい。
業務を難易度で仕分ける
まず、社内の業務を「高度な判断が必要な業務」「日常的な定型業務」「大量処理が必要な単純作業」の3つに大まかに仕分けてみる。その仕分けに沿ってSol・Terra・Lunaをそれぞれ割り当てていくことで、コストと性能のバランスが取れた導入設計がしやすくなる。部署ごとに業務内容の性質が異なることも多いため、全社一律ではなく部署単位で最適な組み合わせを検討する視点も重要になる。
エスカレーションの仕組みを組み込む
Lunaで処理しきれない案件をTerraへ、Terraで対応しきれない案件をSolへ、という段階的なエスカレーションの仕組みをあらかじめ設計しておくと、コストを抑えながら必要な場面ではしっかりと高い性能を活用できる体制が作れる。この設計は、カスタマーサポートのような案件ごとに難易度が大きく異なる業務で特に効果を発揮しやすい。エスカレーションの判断基準をどう自動化するかはシステム設計上の重要なポイントであり、導入初期の段階でしっかりと検討しておきたい。
試験導入で自社データを使って検証する
公開されているベンチマークの数字だけを根拠に判断するのではなく、実際に自社の業務データやワークフローを使ってそれぞれのモデルを試してみることが欠かせない。ベンチマークでの優劣が必ずしも自社の業務における使い勝手の良さと一致するとは限らないためだ。小規模なパイロット導入を行い、実際の処理結果を人間が確認しながらどの階層がどの業務に適しているかを見極めていくプロセスを焦らずに踏むことが大切だ。公表されているスコアはあくまで参考情報として捉え、最終的な判断は自社の目と手で確かめるという姿勢を忘れないようにしたい。
コストと精度のバランス
最後に、3階層の料金設定を踏まえたコストの考え方を整理しておこう。
料金体系のおさらい
API料金は100万トークンあたりでSolが入力5ドル・出力30ドル、Terraが入力2.5ドル・出力15ドル、Lunaが入力1ドル・出力6ドルに設定されている。単純計算で、Solのコストは Lunaのおよそ5倍に相当する。この差を踏まえたうえで、どの業務にどのモデルを割り当てるかを判断することがコスト最適化の出発点になる。
「安いから使う」ではなく「精度で選んで、結果的に安くなる」発想
コストだけを基準にLunaを選んでしまうと、精度不足によって手戻りが発生し、結果的に人間の確認作業が増えてしまうことがある。逆に、あらゆる業務にSolを使ってしまうとコストが必要以上に膨らんでしまう。大切なのは、まず業務に必要な精度の水準を見極め、その水準を満たす中でもっともコストの低いモデルを選ぶという順序だ。単純にトークン単価だけを比較するのではなく、「一つのタスクを解決するまでにかかる総コスト」という視点で比較すると見え方が変わってくる。処理時間が短く済むモデルであれば、単価が高くても総コストでは安くつく場合もあるためだ。
キャッシュ機構を活用したコスト削減
GPT-5.6で刷新されたプロンプトキャッシュの仕組みもコスト管理において見逃せないポイントだ。同じ文脈を繰り返し参照するような長時間のエージェント作業ではキャッシュされた入力トークンに大幅な割引が適用されるため、キャッシュの区切りを意識した設計を行うことで体感以上にコストを抑えられる可能性がある。ただし、キャッシュの書き込み自体には通常より割高な料金が設定されている点にも注意し、頻繁に内容が変わる文脈ではキャッシュの効果が薄れることも念頭に置いておきたい。
継続的な見直しを前提にする
一度モデルの割り当てを決めたら終わりにするのではなく、利用状況やコストの実績を定期的に見直し、必要に応じて割り当てを調整していく運用が望ましい。業務内容やモデルの性能は今後も変化していくため、定期的な棚卸しを組み込んでおくことでコストと精度のバランスを継続的に最適化していくことができる。Sol・Terra・Lunaという選択肢が用意されたことは単に高性能なモデルが増えたということではなく、業務に応じてAIの使い方そのものを最適化できるようになった、ということなのだ。