GPT-6 Sol/Lunaが示すAIエージェント費用設計｜高性能モデルをどう日常業務へ広げるか

目次

---

1. 高性能AIを「特別な作業」から「毎日の作業」へ広げる条件

AIエージェントの導入で、最初に壁になるのは精度だけではありません。むしろ本番利用では、「一回の実行にいくらかかるのか」「長い会話や大きなコードベースを扱うほど費用が膨らまないか」「高性能モデルを全員に使わせても予算管理できるか」という現実的な問いが先に来ます。

OpenAIは2026年9月22日、GPT-6 SolとGPT-6 Lunaを発表しました。OpenAIの公式発表によると、GPT-6 Astraを最上位モデルとして残しながら、SolとLunaは日常業務や大規模なエージェント利用へ広げやすい価格帯と速度を狙ったモデルです。API価格は、GPT-5.6 Sol/Lunaのプロモーション価格と比べて50%下げられています。

この発表の意味は、単なる新モデルの追加にとどまりません。企業にとっては、AIエージェントを「一部の高度な開発者や専門チームが使うもの」から、「営業、管理、開発、カスタマーサポートが日々の作業で使う基盤」へ広げるための費用設計が、いよいよ重要になったことを示しています。

2. GPT-6 Sol/Lunaで何が変わったのか

OpenAIの発表でまず確認すべきは価格です。GPT-6 SolのAPI価格は、入力100万トークンあたり2ドル、出力100万トークンあたり10ドルです。GPT-6 Lunaは、入力100万トークンあたり0.10ドル、出力100万トークンあたり0.50ドルとされています。どちらも、GPT-5.6世代のSol/Lunaのプロモーション価格から50%の引き下げです。

二つ目は、用途の位置づけです。OpenAIは、Astraを「最高性能が必要な場面」に向けたモデルとして位置づけ、SolとLunaをより多くの業務へ展開しやすいモデルとして説明しています。つまり、すべてを最上位モデルで処理するのではなく、複雑な判断や高リスクな作業はAstra、日常的な開発支援や業務タスクはSol、反復的な低コスト処理はLunaというように、用途別のモデルポートフォリオを組みやすくなります。

三つ目は提供範囲です。OpenAIの公式発表によると、GPT-6 SolとGPT-6 LunaはChatGPT WorkとCodexで、Plus、Pro、Business、Enterprise、Eduユーザー向けに提供が始まっています。FreeとGoユーザーはデスクトップアプリでGPT-6 Lunaを利用できます。APIでは、gpt-6-sol と gpt-6-luna として利用可能です。

OpenAIは性能面でも、業務ワークフロー、事実性、コーディング、コンピュータ操作、協調スタイルの改善を説明しています。たとえばAutomationBenchでは、GPT-6 Solが競合の高性能モデルと比べて低いタスク費用で上回る結果を示したとされています。DeepSWEやOSWorld 2.0のような評価でも、長い作業をこなすエージェント用途で費用対効果を重視した改善が打ち出されています。

ただし、企業が読むべきポイントは「どの評価で何点か」だけではありません。重要なのは、長時間動くエージェント、複数ツールを使う業務、コードベース全体を読む開発支援のように、従来はコストが膨らみやすかった領域で、使える回数と試行錯誤の余地が増えることです。

3. AIエージェントの費用はトークン単価だけでは決まらない

AIモデルの価格表を見ると、入力単価と出力単価に目が行きます。しかし、AIエージェントの費用はそれだけでは決まりません。実務では、同じ指示を何度も送る、社内ルールやツール定義を毎回含める、ファイルや会話履歴を長く保持する、難しい作業で推論 effort を上げる、といった要素が重なります。

たとえば、営業提案書を作るエージェントを考えてみます。毎回変わるのは顧客名、商談状況、提案したい製品だけかもしれません。一方で、会社の提案ルール、禁止表現、価格表、承認フロー、CRMのツール定義は多くのリクエストで共通します。この共通部分を毎回新規処理する設計だと、利用が増えるほど費用も待ち時間も膨らみます。

開発支援でも同じです。Codexのようなエージェントが大きなコードベースを読み、テスト方針、コーディング規約、既存設計、利用可能なツールを踏まえて作業する場合、共通コンテキストは大きくなります。タスクが長くなるほど、単純なチャット利用よりも入力トークンの比重が増えます。ここで費用設計を誤ると、便利なエージェントほど使われなくなります。

企業が最初に決めるべきなのは、タスクを次のように分けることです。

この分類がないまま全員に高性能モデルを開放すると、費用が読みにくくなります。逆に、低コストモデルだけに寄せすぎると、難しいタスクで品質が不足し、結局人間の修正時間が増えます。モデル単価ではなく、業務一件あたりの総費用、失敗時の手戻り、レビュー負荷まで含めて見る必要があります。

4. キャッシュは長時間エージェントの運用設計になる

今回の発表で見落とせないのが、プロンプトキャッシュです。OpenAIはGPT-6ファミリーで、共通するプロンプト接頭辞の再利用によりキャッシュヒット率を高め、キャッシュされた入力トークンの読み取りに最大90%の割引を適用すると説明しています。さらに、対象となる共有プレフィックスは30分の再利用ウィンドウ内で割引対象になるとしています。

これは、単なる割引機能ではありません。長時間動くAIエージェントでは、キャッシュを前提にプロンプト、ツール定義、会話履歴、社内ルールをどう並べるかが、運用コストを左右します。共通部分が安定していれば、エージェントは同じ業務文脈を再利用しながら、毎回変わる入力だけを追加できます。反対に、ツール定義やシステム指示を毎回不用意に変えると、キャッシュが効かず、同じ内容を何度も処理することになります。

OpenAIは、Prompt Caching Dashboard、診断ツール、明示的なキャッシュブレークポイント、reasoning effortやツール設定の変更時にもキャッシュを保ちやすくする機能を案内しています。GitHub Copilotでは、OpenAIモデルへの数十億リクエスト規模で、新規処理が必要なプロンプトトークンの比率を50%以上減らしたという事例も紹介されています。

企業で実装するなら、キャッシュはアプリケーション設計の一部として扱うべきです。プロンプトの先頭に置く共通指示、業務ごとのツール定義、固定のセキュリティルール、ユーザーごとに変わる情報を整理し、どこまでを再利用対象にするかを決めます。費用削減だけでなく、応答速度、監査しやすさ、品質の安定にも効きます。

5. 企業が導入前に決めるべきモデル使い分け

GPT-6 Sol/Lunaのような費用効率を重視したモデルが出ると、導入判断は「使うか使わないか」から「どの業務に、どのモデルを、どの権限で使わせるか」へ移ります。ここで必要なのは、部門ごとの自由利用ではなく、業務分類に沿った運用ルールです。

まず、モデル選定の基準を明文化します。契約、個人情報、医療、金融、法務のように誤りの影響が大きい領域では、高性能モデルと人間レビューを組み合わせます。社内検索、議事録要約、FAQ案の作成のように人間確認が前提の領域では、低コストモデルを広く使い、作成時間を短縮します。開発支援では、コード変更の難度、テスト範囲、権限に応じてモデルとeffortを切り替えます。

次に、利用ログと成果指標をそろえます。単にトークン量を追うだけでは、AI投資の良し悪しは判断できません。提案書作成時間、問い合わせ一次回答率、開発チケットのリードタイム、レビュー差し戻し率、ナレッジ検索の自己解決率のように、業務KPIと結びつける必要があります。低コストモデルで処理量が増えても、手戻りが増えるなら見直しが必要です。

最後に、キャッシュと権限を一緒に設計します。プロンプトキャッシュを効かせるために共通文脈を大きくするほど、そこに含まれる情報の管理が重要になります。社外秘のルール、顧客ごとの契約条件、個人情報を不用意に共通コンテキストへ混ぜると、運用が複雑になります。再利用してよい情報、ユーザー単位で分離すべき情報、保存してはいけない情報を分けることが、費用削減とガバナンスの両立につながります。

実務では、最初から全社展開するよりも、費用と成果が測りやすい業務から始めるのが現実的です。たとえば、開発チームのIssue対応、営業提案の下書き、カスタマーサポートのFAQ生成、社内規程の検索補助などです。これらは利用頻度が高く、Before/Afterを測りやすく、モデル使い分けとキャッシュ設計の効果も見えやすい領域です。

6. まとめ

OpenAIが2026年9月22日に発表したGPT-6 SolとGPT-6 Lunaは、高性能AIをより多くの業務へ広げるための費用効率を前面に出したモデルです。API価格の50%引き下げ、ChatGPT WorkとCodexでの提供、キャッシュ割引、診断ツールの整備は、AIエージェントを本番運用する企業にとって大きな意味があります。

ただし、モデルが安くなれば自動的にAI活用が進むわけではありません。企業側には、タスク分類、モデル階層、キャッシュ設計、権限管理、成果指標が必要です。高性能モデルを重要作業に、費用効率の高いモデルを日常業務に、低コストモデルを反復処理に使い分けることで、AIエージェントは一部の実験から日常的な業務基盤へ近づきます。

OpenBridgeでは、生成AI活用、AIエージェント、RAG、業務システム連携の知見を活かし、企業ごとのモデル選定、費用設計、プロンプトキャッシュを含む運用設計を支援しています。AIを導入するだけでなく、現場で継続的に使われ、成果とコストを説明できる仕組みを整えることが、これからのAIモデル運用の中心になります。