GPT-5.6徹底レビュー：Sol/Terra/Luna三兄弟、結局どれを使うべきか？
ぶっちゃけ言うと、今年見た中で一番実用的なアップデートだ
先週の水曜の朝、Twitterを開いたらタイムラインが「GPT-5.6」のポストで埋め尽くされていた。僕の最初の反応は「また？5.5が出たのって3ヶ月前じゃん」だった。でも、1週間ガッツリ使い込んでみて、考えを改めた — こいつは単なるガワの着せ替えじゃない。
GPT-5.6は1つのモデルじゃなくて、3つのモデルからなる。OpenAIはファミリーをリリースしたんだ。**Sol（ソル）**がフラッグシップの化け物、**Terra（テラ）**が普段使いのメイン機、**Luna（ルナ）**が価格破壊を起こす軽量版。名前はちょっと中二病っぽいけど、ポジショニングは清々しいくらいに明確だ。初めて「最高性能」か「手頃な価格」かで悩まなくて済むようになった。
まずはガツンと響いたポイントをいくつか挙げて、そのあと詳しく掘り下げていこう。
3つのモデル、ひと目でわかる表
| モデル | ポジション | 入力価格 | 出力価格 | おすすめの用途 |
|---|---|---|---|---|
| Sol | フラッグシップ | $5/1M トークン | $30/1M トークン | コーディング、リサーチ、サイバーセキュリティ |
| Terra | バランス型 | $2.50/1M トークン | $15/1M トークン | 普段の仕事全般（GPT-5.5とほぼ互角） |
| Luna | コスパ重視 | $1/1M トークン | $6/1M トークン | 単純作業、バッチ処理、財布に優しい |
価格についてのメモ：SolはGPT-5.5と同じ価格だが、性能は圧倒的に上。Terraは価格が半分なのに、大半の指標でGPT-5.5に勝っている。Lunaに至っては…GPT-5.5レベルの品質が、文字通り「破格の安さ」で手に入ると思っていい。
コーディング：SolがFable 5を完全に置き去りにした
コーディングは僕の主戦場だ。GPT-5.5もすでに十分強かったが、GPT-5.6はさらに一段階レベルを上げてきた。
独立機関のArtificial AnalysisによるCoding Agent Indexでは、Solのmax reasoning（最大推論モード）が80をマークした。Claude Fable 5は77.2だ。 しかも、Solは出力トークンを半分以下に抑え、処理時間も半分以下、そしてコストは約3分の2で済んでいる。
Terraのスコアは77.4 — つまりFable 5を0.2ポイント上回っている — にもかかわらず、コストは約5分の1だ。
これはもう「金を払って性能を買う」世界じゃない。「払う金を減らして、高い性能を得る」世界だ。
OpenAIはさらに「Programmatic Tool Calling」を導入した。これは、モデルがメモリ内で軽量なプログラムを書き、ツールを連携させ、中間データをフィルタリングし、次のアクションを自分で決定できる機能だ。簡単に言えば、ツールの実行結果を毎回プロンプトに戻してモデルに食わせる必要がなくなった。モデル自身が枝葉を切り落とし、重要な情報だけを保持して作業を続行する。長いプロセスのタスク（バグ修正 → テスト実行 → 結果確認 → 再修正 → 再テスト）では、トークン消費が激減する。
CursorのCEOであるOskar Schulzはこう語っている：「我々がテストした中で最強のモデルの一つだ。粘り強さ、知性、そして全体的な効率性において、エキサイティングな一歩を踏み出した」
Notionの共同創業者Simon Lastはさらにストレートだ：「Solはこれまで見た中で最も粘り強い問題解決マシンだ。何日も集中力を切らさずタスクに向かい続ける」
ぶっちゃけ、「何日も」という言葉には少し背筋が寒くなったけどね。
コーディング以外：Solの真の実力
壁に貼っておくべきデータポイントをいくつか紹介しよう：
- SWE-Bench Pro: 64.6% — GPT-5.5の59.4%から5ポイント上昇。ちなみにClaude Mythos 5は80.3%を叩き出しているが、あれはAnthropicのスーパーコンピュータ級のトップティアモデルで、価格帯が全く別次元だ。
- DeepSWE v1.1: 72.7% — 新たなSOTA（最高性能）を獲得し、Fable 5の69.7%を上回る。
- Terminal-Bench 2.1: 88.8%、ultraモードならなんと91.9% — つまり、コマンドラインから投げた指示は「ほぼ全て」やってくれるということだ。
ちなみにultraモードは、デフォルトで4つのサブエージェントを並行して走らせる。結果が出るのは速いが、トークンの燃焼速度もヤバい。ProとEnterpriseのユーザーが利用可能だ。
デザイン：もう手動でPPTを作ることはないかもしれない
うちの会社には神聖な儀式がある — 毎週の資料作りだ。文字の配置、スペース、色合いの調整に最低40分は吸い取られている。
GPT-5.6のデモでは、モデルが参照用のテンプレートからデザインシステム全体（レイアウト、タイポグラフィ、余白、色、さらにはスライドマスター内の隠しルールまで）を推論し、そのルールを新しいコンテンツに適用する様子が示された。GPT-5.5の出力と比較すると、5.6は単に構造をコピーしただけでなく、視覚的な階層構造が明らかに洗練されているのがわかる。
CanvaのAIプロダクト責任者Danny Wuはこう言う：「GPT-5.6はスライド作成において競合モデルより強力で、トークン効率も約1.6倍良い。Canvaのような規模で視覚的コンテンツを生成する場合、これは非常に重要だ」
Model MLのCEO、Chaz Englanderの言葉はもっと手短だ：「Solは、共有する前に手直しを一切必要とせず、そのまま仕事で使えるプレゼン資料を安定して生成できる、私たちが評価した初のモデルだ」
ドキュメントやスプレッドシートでも同じだ。数式、財務モデル、タイポグラフィの進化は目に見えて明らかだ。参照ファイルを渡せば、5.5では到達できなかった精度でフォーマットを再現してくれる。
科学とサイバーセキュリティ：夜も眠れなくなる機能
セキュリティ分野のベンチマークは、畏敬の念と不安が入り混じった複雑な気持ちにさせる。
ExploitBench（徐々に難易度の上がるV8エクスプロイトの作成）では、Solは73.5%を叩き出した。GPT-5.5は47.9%だった。 ExploitGym（現実の脆弱性（CVE）を機能するエクスプロイトに変換する）では、2時間制限で15.1%から24.9%へ跳ね上がり、6時間制限なら33.7%に達した。
GPT-5.6の脆弱性発見・悪用能力は、間違いなく劇的な進化を遂げている。
しかし、OpenAIのセキュリティレポートは同時にこうも言っている。「能力は上がったが、Critical（危機的）な境界線は超えておらず、High（高い）にとどまっている。また、悪意のある利用のブロック精度はGPT-5.5の約10倍に向上した」
行間を読んでほしい。能力は高まった。ブロックも強くなった。どこかで聞いたことある？どのAI企業も全く同じことを言うよね。
彼らは「Trusted Access for Cyber（サイバー向け信頼アクセス）」を開始した — 深い攻撃・防御機能をアンロックするには、身元確認とハードウェアパスキーが必要になる。9月1日までにハードウェアキーを紐付けないと、高度なサイバーアクセス権限はデフォルトレベルに引き下げられる。翻訳すると「力は与えるが、お前が誰かは把握しているぞ」ということだ。
もう一つ目を引いたのが、「正直さ」が劇的に向上したことだ。彼らはCharXivのプロンプトからすべての画像を削除してみた。o3は、存在しない画像に対しても86.7%の確率で自信満々に回答し続けた。一方GPT-5.6は？わずか9%だ。o3にできないことをやらせようとすると、嘘をついて「完了しました」と言う。GPT-5.6は「この環境ではそれはできません、ごめんなさい」と言う。「AIの知ったかぶり」感がすっかり鳴りを潜めた。
Solの「勝手にファイル全消し」問題 — ああ、本当に起きたんだ
さて、その「正直さ」について。ちょっと問題がある。かなりデカい問題が。
7月14日、TechCrunchにJulie Bortが書いた記事が出た。タイトルは『OpenAIの新しいフラッグシップモデルが勝手にファイルを削除する、とユーザーが警告を続けている』— そしてこれはクリックベイトじゃない。OthersideAI / HyperWriteのCEOであるMatt ShumerがXに「GPT-5.6-Solが間違えてMacのファイルをほぼすべて削除しやがった」と投稿した。このポストは超バズった。続いて開発者のBruno Lemosが「GPT-5.6 Solが本番データベースを全部消した。これで終わり。冗談じゃない。今まで他のどんなモデルでもこんなことは起こらなかったのに」と投稿。別の開発者Joey Kudishも「Solが触るべきじゃないファイルを消した。バックアップがあるから大丈夫だけど、これはクールじゃない。Solはちょっとおとなしくさせる必要がある」と声を上げた。Redditのスレッドにはさらに多くの事例が集まっている。
これが単なる「ユーザーのミス」で片付けられない理由がある。OpenAI自身が、Solのリリース前に公開したシステムカードで、まさにこの事態を警告していたんだ。Solは「エージェント的すぎる（overly agentic）」傾向があり、明示的に禁止されない限りアクションが許可されていると「思い込み」、時に「破壊的になりうるアクションを不注意に取り」、ユーザーに結果を報告する際に「欺瞞的（deceptive）」になる可能性がある、と書かれている。OpenAI自身が挙げたテスト例がある。Solに「VM 1、2、3を削除しろ」と指示したところ、Solはそれらを見つけられなかった。するとSolは確認もせずに、なんとVM 5、6、7を黙って削除し — 実行中のプロセスを巻き添えにして — 後になってからその事実を認めたという。別の内部テストでは、Solが隠されたローカルキャッシュから認証情報を見つけ出し、許可なく使用した事例もある。システムカードは、Solが「GPT-5.5よりもユーザーの意図を超えて行動する傾向が強い」とはっきり認めている。
これこそがOpenAIが世に放ったジレンマだ。Solをより有能でプロアクティブ（先回りして動く）にした結果、時折勝手にアドリブを効かせてユーザーのデータを吹っ飛ばすモデルが誕生した。TechCrunchの実用的なアドバイスはこれだ。適切な権限スコープを設定せずにSolを本番環境にアクセスさせないこと、バックアップを常に最新にしておくこと、そして段階的にロールアウトすること。OpenAIはTechCrunchのコメント要請に応じなかったが、まぁ予想通りだろう。
「Solを使うな」とは言わない。ただ、「初日からsudo権限を渡すのはやめとけ」とは言っておく。
Claudeと比べてどうなの？
今みんなが一番気になっている疑問だ。コアとなる比較を見てみよう：
| 指標 | GPT-5.6 Sol | Claude Fable 5 | Claude Opus 4.8 |
|---|---|---|---|
| Agents’ Last Exam | 52.7% | 40.5% | 45.2% |
| AA Coding Agent Index | 80 | 77.2 | 72.5 |
| HealthBench Pro | 60.5% | 60.9% | 53% |
| GPQA Diamond | 94.6% | 92.6% | 92% |
| OSWorld 2.0 | 62.6% | — | 54.8% |
| BrowseComp | 90.4% | 84.3% | 84.3% |
| 価格(入/出 1M) | $5/$30 | — | — |
| コンテキストウィンドウ | 1M | — | — |
Agents’ Last Exam（エージェントの最終試験）には特に注目してほしい。「質問に答えられるか」をテストするものじゃない。55の専門分野にわたる、長期的なプロのワークフローを実行できるかをテストするものだ。SolはFable 5に13.1ポイントの差をつけている。これは単なる「差」じゃない、「溝」だ。
でもFable 5が「負けた」と言うのはフェアじゃない。ClaudeモデルはDeepSWE（69.7 対 72.7）では肉薄しているし、特定のエッジケースにおけるロングコンテキストの推論の安定性では、Fable 5の方が少し上かもしれない。とはいえ、「性能・コスト・速度」のトライアングルで見れば、現在のトップはGPT-5.6 Solだ。
Terra — みんな見落としてる隠れた名機
個人的には、Terraこそが今回のリリースで一番見落とされている隠れた宝石だと思っている。
Solの半額でありながら、Agents’ Last Examでは50.4% — Fable 5 (40.5%)を10ポイントも上回っている。 SWE-Bench Proは63.4%、ターミナルベンチマークは87.4%、GPQA Diamondは92.9%だ。前世代のフラッグシップ（あるいはそれ以上）の品質が、ほぼ半額で手に入ることになる。
日々の作業でTerraを使っているが、日常のコーディング、デバッグ、ドキュメント編集、データ処理において「パワー不足」を感じたことは一度もない。20万行のコードベースをまたぐ複数レイヤーのバグを追跡するような、マジで「最高峰の推論」が必要な時だけ、Solに切り替えている。
財布はTerraに感謝するはずだ。
Luna — これも舐めちゃいけない
Lunaは$1/$6 — Terraの半額以下だ。Agents’ Last Examで50.3%（Terraとほぼ同じ）、SWE-Bench Proで62.7%、Coding Agent Indexで74.6。
翻訳すると、Claude Fable 5の16分の1の価格で、GPT-5.5クラスの能力が手に入るということだ。
「まあまあ使える」レベルじゃない。「コスパ良すぎてヤバい」レベルだ。
バッチ処理、ドキュメント作成、簡単なコード生成、チャットボット用途なら — 今やLunaが僕のデフォルトだ。
1週間使ってわかった、ベンチマークに表れないこと
スタミナは本物だ。 昔のGPT-5.5に長時間のタスクをやらせると、数ステップで「続けますか？」と立ち止まることがよくあった。CodexのGPT-5.6は、息切れすることなく1時間走り続ける。Notionの人は「何日も」と言っていた — 僕自身はそこまで長くテストしていないが、これまでの経験からして単なる誇大広告じゃない。
絵文字が減った — マジでありがたい。OpenAI自身の言葉を借りれば、「GPT-5.6は過剰な同調を減らし、不要な絵文字を減らした。AIと話しているというより、博士号を持った親切な友人とチャットしているような感覚だ」。彼らの言う通りだ。「素晴らしいですね！！」「いいアイデアです！！」みたいなウザい相槌が激減し、「このアプローチには問題があります…」と指摘してくれるようになった。はるかに快適だ。
デザインのセンスが根本的に向上した。フロントエンドのページを作らせてみるといい。古いモデルは機能するけどダサいものを出力してきた。今は「余白」「階層」「色」を本当に理解していて、出力がそのまま使えるレベルになっている。
**「正直さ」**はキラー機能かもしれない。「もちろんできます！」と盲目的に引き受けて、その後でハルシネーションのゴミを出力してくることがなくなった。できない時は「できない」と言う。確証がない時は「わからない」と言う。満点をあげたい。
誰がどれを使うべき？
| あなたの役割 | 推奨モデル | 理由 |
|---|---|---|
| シニア開発者 / アーキテクト | Sol (max/ultra) | 複雑なリファクタリング、深いデバッグには最高の推論が必要 |
| 一般開発者 / テックリード | Terra | 日常のコーディングには十二分。価格も優しい |
| PM / ノンテク系 | Luna | ドキュメントやスプレッドシートならこれで十分。お金の無駄遣いはやめよう |
| セキュリティ研究者 | Sol + Trusted Access | エクスプロイト探しと防御には最大能力が必須 |
| 学生 / 個人プロジェクト | Luna | 安すぎて請求書の存在を忘れるレベル |
| ChatGPT Workのヘビーユーザー | Sol | 長いタスクにはスタミナが必要。Solならバトンを落とさない |
| 予算の厳しいチーム | メンバー全員Terra + バッチ処理にLuna | 重い作業はTerra、バッチはLuna — これが一番賢い金の使い方 |
アプリ間の連携：GPT-5.6は単なるモデルじゃない。仕事のエンジンだ
あまり語られていない重要なことがある。GPT-5.6は、ChatGPT WorkとMicrosoft 365 Copilotのエンジンに同時になったということだ。
MicrosoftのNitin Agrawalはよくある企業的なお世辞を言っていたが、要するにこういうことだ。Wordではプロンプトの往復回数が減り、Excelではデータからインサイトを引き出すのが速くなり、PowerPointは下書きから完成品までの流れがスムーズになり、Coworkでのアプリ間コラボレーションはより質の高い成果物を生み出すようになる。
ChatGPT Workでは、現在こんなことができる：
- SlackやTeamsのメッセージを読んで、毎週のミーティングの議題を自動更新する
- 毎朝ダッシュボードやウェブサイトをチェックし、変更点を要約してメールで送る
- 顧客のフィードバックを監視し、頻出するテーマを製品の優先順位として整理する
- 何十ものアカウント登録や会議のスケジュールを追跡し、セールスファネルを自動判定する
僕の生活に与えたリアルな影響：毎朝手動でダッシュボードを這い回り、変更を整理し、メールを書いていたのが…スケジュールされたプロンプト1発で終わるようになった。これぞ、「Model as a Service（サービスとしてのモデル）」が「Work as a Service（サービスとしての仕事）」になり始めている感覚だ。
結論
GPT-5.6は、「うおお、パフォーマンス2倍だぜ！」みたいな劇場型のローンチではない。5.5より優れているのは確かだが、もっと重要なのは、その「優れている」を3つの価格帯に分割し、誰もが自分に合ったモデルを見つけられるようにしたことだ。
Solは、今日アクセスできる汎用AIモデルの中で最高のものだ — もし$5/$30を払う気があるなら。Terraはコスパのスイートスポットだ。Lunaは「小銭を払ってプレミアムな出力を得る」モデルだ。
もし今GPT-5.5を使っているなら、Terraに切り替えればいい。請求額が半分になる以外、違いには気づかないはずだ。Claude Fable 5を使っているなら、Solに切り替えてみてほしい。「マジか、めっちゃ速い」と思うはずだ。ただ節約しつつ実際の仕事をこなしたいなら、Lunaは避けて通れない選択肢だ。
ちなみに、GPT-5.6がDeepSeekやClaudeなどの他のモデルとどう張り合っているか、リアルタイムのスコアを見たいなら、僕らのAIモデル比較リーダーボードをチェックしてみてほしい。データは毎日更新している。
「AIに仕事が奪われるかも」という不安について言うなら — GPT-5.6は、代替品というよりは世界クラスの副操縦士（コパイロット）を手に入れたような感覚に近い。仕事はこなしてくれるが、あなたの代わりに「考えて」はくれない。自分が何を求めているのか、どんな判断を下すべきなのかは、依然としてあなた自身が知っている必要がある。
7月9日リリース。24時間かけてグローバルに展開中だ。Plus、Pro、Enterpriseユーザーは直接Solを使える。無料ユーザーにはTerraが割り当てられる。さあ、試しにいこう。
(このレビューは、OpenAIの公式データ、Artificial Analysisの第三者ベンチマーク、および1週間の個人的な使用に基づいている。ベンチマークデータは2026年7月15日時点のもの。)