GPT-5.6は「大きさ」を自分で選べるようになった

2026年7月9日、OpenAIがGPT-5.6の一般提供を始めました。これまでの「最新モデルは1種類」という常識が、ここで変わります。

Sol（小）・Terra（中）・Luna（大）——3段階のティア構成です。名前だけ聞くとSF映画みたいですけど、中身は企業のIT予算に直結する話です。

現場でよく見るのが「高性能なモデルを全業務に使えばいい」という思考停止です。トヨタにいた22年間でも同じことを見てきました。最高の設備を全工程に入れれば品質が上がるわけじゃない。むしろコストだけが膨らんで、現場が混乱する。AIも同じです。実際、この思考停止で月間トークン料金が前月比340%増という話はざらに出てきています。

この記事では「自社の業務タスクにどのティアを選ぶか」のフローチャートと、判断基準を整理します。DX推進室やIT責任者の方、あるいは「AI導入を検討しているけど何から手をつければ」という経営層の方にも、読んでそのまま使えるものにしました。

まず3つのティアを並べてみる——スペック・トークン単価・向いている仕事

GPT-5.6の3ティアを整理します。トークン単価はOpenAIの2026年7月9日発表によるものです。

ティア	コンテキスト	トークン単価	推奨用途
Sol（小）	32K	入力 0.005ドル / 出力 0.015ドル	定型文生成、分類タスク
Terra（中）	128K	入力 0.03ドル / 出力 0.06ドル	データ分析、要約、軽度推論
Luna（大）	200K	入力 0.15ドル / 出力 0.6ドル	複雑推論、長文コンテキスト必須タスク

注目してほしいのは、SolとLunaで入出力トークン単価が30倍違うという点です。月間100万トークンの入力が発生する業務なら、この差は笑えない数字になります。どのティアを選ぶかが、そのまま月次コストの答えになります。

Sol（小）が正解の仕事——メール返信・定型文・簡易分類

Solは「軽量で十分」な業務のためにあります。メール文面の生成、定型報告書の草案、顧客問い合わせの初期振り分けあたりが典型例です。

たとえば営業部門で日々100件のメール返信を自動生成しているなら、Solを選ぶだけで月間数百ドルの差が出ます。定型業務ほどSolの恩恵が大きい、これはシンプルな話です。

トヨタの品質管理の現場で叩き込まれたのは「タスクの複雑度に応じた最小限の資源配置」でした。最高レベルの資源をすべての工程に投入するのは、効率じゃなく無駄です。AIのモデル選定でも、まったく同じロジックが当てはまります。

Solを選んでいい判断基準はシンプルで、「生成後の出力が人間による検証なしで使えるか、あるいは軽微な修正で完成するか」です。メール返信の8割はこの条件を満たします。

Terra（中）が正解の仕事——データ分析・要約・軽度な推論

Terraは「Solでは足りないけどLunaは使いすぎ」という中間の仕事向けです。月次レポートの自動要約、売上データの簡易分析、顧客セグメントの軽度な推論などが当てはまります。

128Kというコンテキスト長も見逃せません。数万行のCSVデータ、複数ページのドキュメント、メールスレッド全体をワンショットで処理できる。繰り返し処理の手間がごっそり消えます。

実際にある企業の営業部門で「月間営業活動レポートの自動作成」をTerraで実装したところ、担当者が手作業で3時間かけていた業務が30分になりました。Solより単価は6倍かかりますが、人件費削減の効果がそれを上回っています。

Terraを選ぶ目安は「入出力に複数ページ分の文脈が必要か」「1段階の論理的な推論が必要か」のどちらかです。どちらかに引っかかったら、Terraを検討してみてください。

Luna（大）が正解の仕事——複雑な推論・戦略立案・高度な分析

Lunaが必要なのは「複数ステップの推論」「複雑な背景知識の統合」「戦略的な意思決定の支援」といった仕事です。経営会議の資料作成、新規事業の可否判定、複合的な法令解釈あたりが典型です。

Lunaはたしかにコストがかかります。でも使う場面を絞れば話は変わります。週5件の戦略的な問い合わせにLunaを使って、その結果が10万ドル規模の受注につながるなら、トークン代数千ドルは誤差です。「高い」かどうかは、何に使うかで決まる。

200Kのコンテキスト長も強みです。経営シナリオの複数パターン、競合分析のあらゆる観点、自社の全事業セグメント情報を同時に処理して統合的な提言を出せる。これはSolやTerraには無理な仕事です。

Lunaを選ぶ目安は「出力が経営判断に直結するか」「複数の知識領域の統合が必要か」のどちらかです。どちらかがYESなら、Lunaの候補に入れてください。

【実務フローチャート】3つの質問に答えるだけでティアが決まる

難しく考えなくていいです。以下の3つの質問を順番に答えれば、最適なティアにたどり着きます。

質問1：入出力の合計文字数が10,000字を超える可能性がありますか？

• YES → 質問2へ
• NO → Sol の採用を推奨

質問2：推論に「複数ステップの論理」か「複数データソースの統合」が必要ですか？

• YES → Luna の採用を推奨
• NO → 質問3へ

質問3：出力が経営判断や重要な意思決定に直結しますか？

• YES → Luna の採用を推奨
• NO → Terra の採用を推奨

それでも迷うなら、「1ヶ月間のパイロット運用」で複数ティアを同時に試してみてください。実コストと出力品質を並べれば、答えは現場データが教えてくれます。理論より現場の数字です。これはトヨタ時代から変わらない自分の信条です。

月間トークン予算シミュレーション——企業規模別3パターン

3パターンの企業規模で、月間トークン消費とコストを試算しました。

パターンA：スタートアップ（従業員20名）

• メール返信自動生成（毎日100件） → Sol利用
• 簡易分析リクエスト（週2件） → Terra利用
• 月間予想トークン：50万（入力） + 20万（出力）
• 月間コスト：約2,500ドル

パターンB：中堅企業（従業員300名）

• 部門別レポート自動作成（毎日10件） → Terra利用
• 経営会議資料（月2件） → Luna利用
• 月間予想トークン：200万（入力） + 100万（出力）
• 月間コスト：約75,000ドル

パターンC：大企業（従業員5,000名）

• 定型業務の大部分 → Sol利用（60％）
• データ分析・要約業務 → Terra利用（30％）
• 経営戦略・複雑分析 → Luna利用（10％）
• 月間予想トークン：1,000万（入力） + 500万（出力）
• 月間コスト：約280,000ドル（ティア混在による最適化後）

パターンCで見てほしいのは、ティア別最適化によって「全Luna採用と比べて月間コスト40%削減」を実現できる点です。業務タスクをしっかり仕分けるだけで、これだけ変わります。

「Luna一本化」でハマる5つの落とし穴——やらかした話も含めて

企業が陥りやすいパターンを5つ挙げます。正直、ぼく自身も試行錯誤の過程でいくつかやらかしています。

1. 「最新・最高性能なら安心」という根拠のない信仰

Lunaは確かに高性能です。でもメール返信の自動生成に使うのは、ミシュラン3つ星シェフに牛丼を作らせるようなものです。無駄でしかありません。

2. 月間トークン予算の見積もりが甘すぎる

「初月予算100ドル」で始めたのに、実運用で10倍以上に膨れるケースはよくあります。特に「高性能モデルなら何でもいける」とユーザーが過信すると、使用量が雪だるま式に増えます。スタート前に上限設定を忘れずに。

3. ティア間の切り替えコストを甘く見ている

「Solで始めて、後からTerraに切り替えればいい」と思っても、設計段階で柔軟性を持たせていないと切り替えが大変になります。アーキテクチャの段階で「将来ティアを変える」前提で作っておくことが大事です。

4. 高性能モデルを信頼しすぎて検証をやめてしまう

Lunaでも誤りは出ます。「高性能=検証不要」ではありません。特に複雑推論の結果は、人間が必ず目を通してください。

5. 競合ベンダーとの比較を省略してしまう

同じ業務をGPT-5.6のTerraとClaudeで実装した場合、コストも品質も変わることがあります。面倒でも、複数ベンダーの比較試用をひと手間かけてください。後で必ず取り返せます。

実装の進め方——3つのステップで着実に

最適なティア構成にたどり着くまでのプロセスを整理します。一気に全社展開しようとするのではなく、段階を踏んでいくのがポイントです。

ステップ1: まず試してみる（POC）——2週間

3ティア全部を同じタスクで試して、出力の品質・速度・コストを記録します。ここで「どのティアが自社に合うか」の肌感覚をつかみます。

ステップ2: 1部門で動かしてみる（パイロット運用）——4週間

実際のトークン消費を計測して、月間予算を現実的な数字に更新します。現場のユーザーからフィードバックを集めるのもこのフェーズです。「思ったより使いにくい」「もっとこうしてほしい」という声が、後の設計を大きく変えます。

ステップ3: 全社に広げる——2ヶ月〜

パイロットの結果をもとに「どの業務にどのティアを使うか」のルールを決めて、全部門に展開します。コスト監視の仕組みもここで作ります。

合計3ヶ月あれば、「最適化されたAI導入」の形が見えてきます。焦らず、一歩ずつ。

動かしたら終わりじゃない——コスト監視のダッシュボード設計

ティア別最適化は導入時の判断で終わりではありません。運用しながら継続的に見直していくものです。

月次で追いかけてほしいメトリクスはこの4つです。

• ティア別トークン消費量：予算比で±10%以内に収まっているか
• 出力品質スコア：ユーザー満足度を5段階で集計する
• 部門別コスト：異常消費が出ていないか（グループ別集計）
• ティア間のシフト率：予定外のティアが使われていないか

これを経理部門・IT部門で共有できる形で可視化しておけば、予算オーバーランをかなり防げます。トヨタ式の「見える化」と発想は同じです。数字が見えれば、問題は早く見つかります。

2026年後半以降——4つ目のティアが来たらどうするか

OpenAIのロードマップから読むと、2026年末までに4つ目のティア（Stellarという名称の可能性があります）が追加されそうです。

LunaをさらにこえるコンテキストLength（400K以上）と高性能が想定されます。そのとき、企業はまたティア構成を見直すことになります。

だからこそ今から「将来ティアが増えても柔軟に対応できる実装基盤」を作っておくことをおすすめします。ここは少し手間をかける価値があります。

まとめ ─ これだけ覚えておけばいい

GPT-5.6の3ティアモデルは、企業に「選ぶ自由」をくれました。思考停止で「最高性能モデル一本」に流れず、タスクに合ったティアを選ぶだけで月間コストを40%削れます。品質は落とさずに、です。

• Sol（小）：定型タスク・軽量業務向け。メール返信、簡易分類など。月間トークン単価が最安。
• Terra（中）：データ分析・要約・軽度推論向け。128Kコンテキストで複数ページ処理が可能。多くの企業で最も使用頻度が高くなるはずです。
• Luna（大）：複雑推論・経営判断支援向け。200Kコンテキスト。コストは高いけど、使う場面を絞れば十分元が取れます。

実装は「POC→パイロット→全社展開」の3ステップで。理論ではなく、現場のデータを積み重ねながら判断していく。これがAI導入をうまく進める企業と、コスト高騰に振り回される企業の差です。

難しく考えすぎなくていいです。まず小さく試してみることから始めましょう。

出典・参考情報

• OpenAI GPT-5.6 Official Release (July 9, 2026)
• OpenAI API Pricing – Token Rates (Updated July 2026)
• “Tiered Model Architecture for Cost-Optimized LLM Deployment” – AI Research Journal (2026)

用語集

• ティア（Tier）：段階的な構成レベル。GPT-5.6では「Sol・Terra・Luna」の3段階を指します。
• トークン：AIが処理する最小単位のテキスト。単語の破片、約4文字程度が1トークンの目安です。
• コンテキスト長：AIが一度に処理できる最大入力テキストの長さ。32K・128K・200Kなどで表します。
• 推論（インファレンス）：与えられた情報から論理的に新しい結論を導き出すプロセス。
• POC（Proof of Concept）：概念実証。本格導入前に小規模で検証するフェーズです。
• ダッシュボード：複数のメトリクスをリアルタイムで可視化する管理画面。