GPT-5.6の性能について調査してみた

OpenAIは2026年7月9日、最新モデルファミリー「GPT-5.6」の一般提供を開始しました。

GPT-5.6は、フラッグシップモデルの「Sol」、性能とコストのバランスを重視した「Terra」、高速・低コストな「Luna」の3モデルで構成されています。

今回のアップデートで注目したいのは、単に回答精度が向上したことだけではありません。複数のツールを使った調査や分析、コードの実装、資料の作成など、複数工程からなる仕事を最後まで進める能力と、トークン効率が強化されています。

本記事では、OpenAIの公式発表やAPIドキュメントをもとに、GPT-5.6の特徴、3モデルの違い、企業で期待される活用方法、導入時の注意点を解説します。

※本記事の情報は2026年7月16日時点のものです。

GPT-5.6とは

GPT-5.6は、コーディング、ナレッジワーク、科学、サイバーセキュリティ、コンピューター操作、デザインなど、複雑な業務を想定して開発されたモデルファミリーです。

OpenAIはGPT-5.6について、「各トークンからより多くの成果を引き出し、1ドル当たりのパフォーマンスを高めるモデル」と説明しています。GPT-5.5までの性能を単純に引き上げるだけでなく、同じ仕事をより少ないトークンやツール呼び出しで完了させることが、重要な改善点となっています。

これまでの生成AIは、質問への回答や文章の下書きなど、比較的短いタスクを中心に活用されてきました。一方、GPT-5.6が目指しているのは、必要な情報を集め、複数の工程を計画し、ツールを操作しながら、最終的な成果物まで仕上げる使い方です。

たとえば、次のような業務が想定されます。

• 複数の資料を調査し、引用元を整理したレポートを作成する
• リポジトリを調査し、コードを修正してテストまで実施する
• データを分析し、表やグラフを含む報告資料を作成する
• 業務システムを操作し、定型的な処理を進める
• 既存のデザインルールに合わせてWeb画面やスライドを作成する

GPT-5.6を構成する3つのモデル

GPT-5.6では、用途や予算に合わせてSol、Terra、Lunaの3モデルを選択できます。

OpenAI APIでgpt-5.6を指定した場合は、フラッグシップモデルのgpt-5.6-solに接続されます。用途に応じて、gpt-5.6-terraまたはgpt-5.6-lunaを明示的に選択することもできます。

3モデルに共通する基本仕様

Sol、Terra、Lunaはいずれも、最大105万トークンのコンテキストウィンドウと、最大12万8,000トークンの出力に対応しています。知識カットオフは2026年2月16日です。

長い契約書や多数のソースコード、大量の議事録などを一度に扱える可能性が広がります。

ただし、コンテキストウィンドウの大きさは、入力したすべての情報を常に同じ精度で理解できることを保証するものではありません。実務で利用する際は、長文資料を無条件に投入するのではなく、情報の優先順位や参照範囲を明確にしたうえで評価する必要があります。

GPT-5.6の主な新機能

より深く検討する「max」推論

GPT-5.6では、推論量を指定する設定に新しくmaxが追加されました。

maxは、複数の案を比較したり、結果を検証したり、途中で方針を見直したりする必要がある難しいタスクを想定した設定です。品質を優先するコードレビュー、技術設計、複雑な最適化、深い調査などでの利用が考えられます。

一方で、推論量を増やすほど、処理時間やトークン消費も増える可能性があります。OpenAIも、すべての処理に最大設定を使うのではなく、実際のタスクで品質、速度、コストを比較することを推奨しています。

複数エージェントを動かす「ultra」

GPT-5.6のultraは、複数のエージェントが並列に作業し、それぞれの結果を統合する仕組みです。

たとえば、市場調査を地域別に分担する、複数の技術案を同時に検証する、コードベースの異なる領域を並行して調査するといった使い方が考えられます。

OpenAI APIでも、1つのGPT-5.6インスタンスが複数のサブエージェントを調整するMulti-agent機能がベータ版として提供されています。独立して分割できる複雑なタスクでは、完了までの時間短縮や品質向上が期待されます。

Programmatic Tool Calling

Programmatic Tool Callingは、GPT-5.6がJavaScriptを生成し、ホストされた実行環境から複数のツールを呼び出す機能です。

従来のツール利用では、ツールを1回呼び出すたびに結果をモデルへ戻し、次の処理を判断させるケースが一般的でした。Programmatic Tool Callingでは、検索結果の絞り込み、データの結合、重複除去、集計、検証などをプログラムで処理できます。

大量の中間データをモデルとの間で何度も送受信する必要が減るため、トークン数やモデルのターン数を抑えられる可能性があります。

ただし、処理の途中でモデルによる新しい判断が必要な業務や、外部への書き込み、購入、削除といった承認が必要な操作には、通常のツール呼び出しを使う方が適している場合があります。

推論状態の引き継ぎ

GPT-5.6は、過去のターンで利用した推論情報を、後続のやり取りで再利用できるようになりました。

長期的なプロジェクトや複数回にわたる分析では、毎回同じ目標、前提、優先順位を組み立て直す負担を減らせます。APIではreasoning.contextを使い、過去の推論をどの範囲まで利用するか設定できます。

明示的なプロンプトキャッシュ

GPT-5.6では、繰り返し利用するプロンプトのどこまでをキャッシュするか、開発者が明示的に指定できます。

大量の社内規定や共通の商品情報、長いシステム指示などを複数回利用するアプリケーションでは、キャッシュによって入力コストを抑えられる可能性があります。

一方、キャッシュへの書き込みは通常の非キャッシュ入力単価の1.25倍で課金されます。キャッシュの読み取りには90％の割引が適用されるため、更新頻度と再利用回数を考慮した設計が必要です。

実務性能はどのように向上したのか

コーディングと長時間のエージェント業務

GPT-5.6の強みの一つが、ターミナル操作や複数工程のコーディングです。

OpenAIは、単にコードを生成するだけでなく、システムを調査し、問題を特定し、修正を加え、テストや検証まで進める能力を重視しています。

早期導入企業からも、コードレビューにおける精度の向上や、使用トークン数・レイテンシの削減、長時間のタスクで集中を維持する能力などが報告されています。ただし、これらは各社の内部評価であり、すべての開発環境で同じ改善率になるとは限りません。

調査やナレッジワーク

GPT-5.6 Solは、Webや社内資料を調査し、複数の情報を整理して、共有可能な成果物を作る能力も強化されています。

OpenAIが公表した評価では、Web調査能力を測るBrowseCompで92.2％、コンピューター操作を評価するOSWorld 2.0で62.6％を記録しています。OSWorldでは、比較対象となるモデルより出力トークンを85％抑えたと説明されています。

企業実務では、次のような用途が考えられます。

• 市場や競合の調査
• 契約書や社内規定の比較
• 会議資料や経営レポートの作成
• 財務データの分析
• 複数の社内ツールを横断した情報整理

資料・デザイン制作

GPT-5.6では、フロントエンド画面やスライド、文書、スプレッドシートなど、視覚的な成果物の品質も改善されています。

OpenAIによると、GPT-5.6はレイアウト、タイポグラフィ、余白、情報の階層、繰り返されるデザインパターンを読み取り、参照資料に合わせて新しい成果物へ適用する能力が向上しています。

企業での利用では、完全に自由なデザインを一から作らせるだけでなく、自社のテンプレートやブランドガイドラインを参照させることで、より一貫性のある成果を得られる可能性があります。

企業ではどのような活用が期待できるか

GPT-5.6は、特定の一つの用途に限定されたモデルではありません。特に効果が期待されるのは、複数の情報源やツールをまたぎ、最終的な成果物まで作成する業務です。

ソフトウェア開発

コードの生成だけでなく、既存システムの調査、障害原因の特定、修正、テスト、コードレビューまでを支援できます。

ただし、自動的な本番反映やデータベース変更などには、人間による承認工程を設ける必要があります。

調査・レポート作成

社内資料、公開情報、データベースなどを横断し、根拠付きのレポートを作成する用途です。

情報の出典、調査対象の期間、参照してよい資料の範囲、完成条件をプロンプトで明確にすると、実務で扱いやすい結果を得やすくなります。

営業・マーケティング支援

企業情報の整理、提案書の下書き、顧客別の資料作成、キャンペーン分析などへの活用が考えられます。

一方、顧客へのメール送信や外部公開は、AIが自動で実行する範囲と、人間の確認が必要な範囲を分けて設計する必要があります。

バックオフィス業務

契約書の比較、社内規定の検索、請求関連情報の抽出、定型レポートの作成など、大量の情報を扱う業務での活用が期待できます。

法務、会計、人事など、誤りの影響が大きい領域では、AIの出力を最終判断として扱わず、専門家による確認を前提とすることが重要です。

導入時に押さえておきたい注意点

ベンチマークだけでモデルを選ばない

公式ベンチマークはモデルの特徴を理解するうえで役立ちますが、自社の業務で同じ性能が出るとは限りません。

入力する資料、プロンプト、利用するツール、タスクの長さ、正解の評価方法によって、結果は変わります。導入前には、自社の代表的な業務を使った評価セットを用意し、品質、速度、コストを測定することが必要です。

権限と承認範囲を明確にする

GPT-5.6は、複数工程の仕事を自律的に進める能力が向上しています。

そのため、ファイルの閲覧やテストの実行など、AIが自動で進めてよい操作と、外部送信、削除、購入、本番環境の変更など、人間の承認が必要な操作を明確に区別する必要があります。

OpenAIの開発者向けガイドでも、外部への書き込み、破壊的操作、購入、作業範囲の大幅な拡張には確認を求めるよう推奨されています。

安全対策によって処理が止まる場合がある

OpenAIはGPT-5.6のSol、Terra、Lunaを、サイバーセキュリティおよび生物・化学分野で「High」能力として扱っています。一方、最上位の「Critical」には達していないと評価しています。

モデルには、学習済みの保護機能に加え、リアルタイムチェックや継続的な監視が導入されています。その影響で、サイバーセキュリティや生物学に関係する正当な業務でも、回答が拒否されたり、追加確認によって処理時間が延びたりする可能性があります。

機密情報の取り扱いを設計する

企業利用では、モデル性能だけでなく、入力データの範囲、保存設定、アクセス権、監査ログ、データレジデンシーなどを含めて運用を設計する必要があります。

特に、社内ツールや外部サービスと接続するエージェントでは、AIに必要以上の権限を与えず、最小権限の原則を適用することが重要です。

GPT-5.6を導入する際のモデル選定方法

最初からすべての業務をSolで処理するのではなく、業務の難易度に応じてモデルを使い分けることが、コストと品質を両立させるポイントです。

一例として、次のように整理できます。

• Sol：難しい判断、深い調査、複雑なコーディング、最終成果物の作成
• Terra：日常的な社内業務、問い合わせ対応、一般的な業務エージェント
• Luna：分類、抽出、整形、事前処理、大量の定型処理

さらに、通常はTerraまたはLunaで処理し、信頼度が低いケースや重要度の高いケースだけSolへ切り替える構成も考えられます。

重要なのは、モデル単体のスコアではなく、自社業務における成功率、担当者の手戻り、応答時間をまとめて評価することです。

まとめ

GPT-5.6は、単に質問への回答能力を高めたモデルではありません。

調査、計画、ツール操作、検証、成果物作成といった複数の工程をつなぎ、業務を最後まで進める能力が強化されています。また、Sol、Terra、Lunaという3モデルが用意されたことで、品質を優先する業務から大量の定型処理まで、用途に応じた選択がしやすくなりました。

企業にとって特に重要なのは、「最も高性能なモデルを使うこと」ではなく、「業務ごとに必要な能力を見極め、適切なモデルと推論設定を選ぶこと」です。

まずは限定された業務で検証を行い、次の項目を測定するとよいでしょう。

• 業務を最後まで完了できた割合
• 出力内容の正確性と根拠
• 担当者による修正や確認にかかった時間
• 処理時間とトークン数
• 1件の業務を完了するまでの総コスト
• 誤操作や情報漏えいを防ぐための承認工程

GPT-5.6は、生成AIを「文章を作るツール」から「業務を進め、成果物を完成させる実務基盤」へ発展させるモデルの一つといえます。企業での活用においては、性能、コスト、安全性を自社の業務データで検証しながら、段階的に導入範囲を広げることが重要です。

Tweet

Check