GPT-5.6 Lunaはアシスタント向け？ Sol・Terraとの使い分けと得意な作業
最近のAIの話は、だいたいエージェントの話です。自分で考えて、ツールを使って、最後までやってくれる。CodexやChatGPTを使っていると、それが当たり前になってきます。
ただ、GPT-5.6 Lunaをしばらく使って思ったのは、これでした。
エージェント全盛でも、普通にアシスタントとして使いたい場面ってかなりある。
そして、その用途ならLunaくらいがちょうどいいです。
この記事は、その使い方だけに絞ります。自律エージェントや大量データのバッチ処理は、求めるものが別物なので扱いません。
> 情報は2026年8月29日時点です。料金はAPIのトークン料金で、ChatGPTやCodexのプラン内利用枠とは別物です。
考えるのは自分、手を動かすのはAI
Lunaは、方針を丸ごと決めさせるモデルではありません。今ある考えを並べ替えたり、形にしたりする役に置くと持ち味が出ます。
使っていて一番効くのは、実は速さです。
1回なら数秒から数十秒の差です。でも一日に何十回も繰り返すと話が変わります。待ち時間そのものが思考のブレーキになるんですよね。
考える。投げる。返ってくる。直す。また投げる。
このループを止めずに回せるか。ベンチマークには出てきませんが、体感ではかなり大きいです。
ただ、速度はタスクや混雑状況で変わります。「Solの何倍」とは言えないので、自分の依頼で数件試すのが確実です。
Lunaの位置づけと料金
APIのモデルIDは gpt-5.6-luna。OpenAIの位置づけは「コスト重視・高ボリューム向け」ですが、アシスタントとして見れば気軽に何度でも投げられるということです。
| モデル | 位置づけ | API価格（100万トークン、入力／出力） | アシスタントとしての役割 |
|---|---|---|---|
| GPT-5.6 Sol | 複雑な専門業務向け | $4.00／$20.00 | 設計後の実装・最終レビュー |
| GPT-5.6 Terra | 知能とコストのバランス | $2.00／$12.00 | 範囲が決まった日常作業 |
| GPT-5.6 Luna | コスト重視・高ボリューム向け | $0.20／$1.20 | 考えてる最中の壁打ち・整理 |
コンテキストは105万トークン、最大出力は12.8万トークン。ただ、「長いものを入れられる」のと「長い仕事を任せられる」のは別の話です。
料金も同じで、単価が安い＝安く済むとは限りません。何度もやり直せば、増えるのはトークン代より自分の時間です。
Lunaに任せたい作業
依頼を一文で言えて、返ってきたものを読めば良し悪しが分かる。そういう作業から始めるのが無難です。「よい感じにして」より「議事録から決定事項を5件以内で」の方が、直す場所もはっきりします。
| 作業 | 依頼の例 | その場での見方 |
|---|---|---|
| 壁打ち・論点整理 | 「この案の懸念をコスト・実装・運用で挙げて」 | 抜けと重複がないか |
| 情報の抽出 | 「議事録から決定事項だけ5件以内で」 | 元にない話が混じってないか |
| 文章の整形 | 「この箇条書きを200字の共有文に」 | 字数、固有名詞、言い回し |
| 短い下書き | 「このメモだけで見出し案を3つ」 | メモにない事実を足してないか |
| 小さなコード補助 | 「この関数のテストケースを列挙して」 | 抜けている条件がないか |
共通しているのは、出てきたものをその場で自分が読んで判断できることです。読まずに通す前提の作業は、そもそもアシスタント用途ではありません。
重いファイルをいきなり触らせない
相性がいいのは、Markdownやテキストのまま往復できる作業です。逆にPowerPointやDocsをいきなり作らせると、せっかく速いのにファイル処理で重くなる。もったいないです。
まずテキストで往復して中身を固める。成果物の形にするのは最後。
考えすぎないのが、むしろいい
Lunaを設計の初期に置く理由は、速さだけではありません。必要以上に考えを広げてこないのも効いています。
高性能なモデルほど、短い指示から意図を汲んで補完してくれます。助かる場面は多いです。
ただ、自分の考えがまだ固まっていない段階だと、これが逆に働きます。AI側で解釈が膨らんで、完成度の高い案が返ってくる。その結果、どこまでが自分の考えで、どこからがAIの補完なのか分からなくなる。推論が重くなるほど前提が足されて、「なんでここまで進んだんだっけ」となることもあります。
AIの中では筋が通っているのかもしれません。でも、追えないならアシスタントとしては使いにくい。
その点Lunaは軽いです。こっちが出したものを整理して返してくる。必要以上に世界を広げない。だから、粗く出して削っていく作業と相性がいいです。
任せすぎない方がいい作業
裏を返せば、前提から詰めてほしい仕事には物足りません。要件を統合する、影響範囲が読めない変更、代償が大きい仕事。この辺りは丸投げしない方が安全です。
こうなったら、粘らずTerraかSolへ上げます。
- 何をもって完了か、自分でもまだ決められない
- 直すたびに、別の前提やファイルが増えていく
- 認可・課金・データ移行みたいに、1回の見落としが重い
- 返ってきたものを読んでも、良し悪しが判断できない
- 採用するかどうか、腰を据えて考える必要がある
1つでも当てはまるなら、Lunaで粘らず Terra / Sol へ
Lunaが不得意という話ではありません。タスクが大きくなるほど「速く出る最初の案」と「安心して出せる成果物」の距離が開く、という話です。
設計が終わったらSolへ
分かりやすいのは、この切り替えです。
考えを整理している間はLuna。設計が終わって手を動かす段階になったらSol。
がっつり実装する、複雑な設定を変える、複数ファイルをまたぐ。この辺りは速度より、文脈を保持できるか、指示を崩さず進められるかが効いてきます。隣で手伝ってもらう使い方から、まとまった仕事を渡す使い方へ変わる境目です。
選ぶ基準は、難易度より「曖昧さ」と「失敗コスト」。
考えてる最中
- 曖昧さ低い
- 失敗コスト小さい
- やり取り何度も往復
壁打ち・整理・下書き・短い抽出
範囲が決まった日常作業
- 曖昧さ中くらい
- 失敗コスト中くらい
- やり取りふつう
完了条件が見える実装・修正
設計後の重い作業
- 曖昧さ高い
- 失敗コスト大きい
- やり取りまとめて渡す
本格的な実装・横断的な変更・最終レビュー
性能の順位ではなく、そのとき自分が何をしているかで選ぶ
なお、モデル選択と reasoning.effort は分けて考えます。OpenAIは移行時に、いまの設定と1段階低い設定を代表タスクで比べるよう案内しています。ただ依頼自体が曖昧なら、設定で粘るより上位モデルへ移った方が早いです。
一番賢いモデルを使えばいい、わけでもない
モデルが進化すると、つい最上位を選びたくなります。それ自体は大事です。
ただ、隣で手伝ってもらう使い方だと、能力だけで速さは決まりません。レスポンス速度もコストも効くし、意外とどこまで勝手に考えてくれるかも効きます。
深く考えてほしいときもあれば、「考えるのは自分でやるから、横で整理だけしてほしい」ときもある。後者なら、一番賢いモデルが一番使いやすいとは限りません。
まずは1つ試してみる
いま上位モデルへ投げている作業から、自分がその場で良し悪しを判断できるものを1つ選びます。壁打ち、論点整理、短い下書き。どれでも十分です。
数日使って、こう感じるかを見ます。
- やり直しの回数は増えてないか
- 返ってきたものを、その場で直せているか
- 待ち時間が減って、考えが途切れにくくなったか
この3つが良い方向なら、Lunaは定位置を取れます。やり直しばかり増えるなら、依頼が曖昧か、そもそも上位モデルの仕事です。
ちなみに同じ処理を大量に自動で流したくなったら、それはもう自動化の設計です。見るべき指標も変わるので、ここの判断軸は持ち込まない方がうまくいきます。
まとめ：エージェント時代でも、アシスタントは要る
エージェントは便利です。渡せば自律的に考えて、成果物まで作ってくれる。この方向は今後も進むはずです。
ただ、全部を任せたいわけではない。
自分で考えたいとき。まだ方向性が決まっていないとき。勝手に前へ進んでほしくないとき。何度も会話しながら形にしたいとき。
そういう場面では、横に座って高速に手伝ってくれるAIの方が使いやすいです。
エージェントが「仕事を任せる相手」なら、アシスタントは「一緒に仕事をする相手」。
GPT-5.6 Lunaは、軽量モデルだから我慢して使うものではありません。安い。速い。考えすぎない。この3つが噛み合うのは、まさに一緒に仕事をする相手として使うときです。
まずは自分で良し悪しを判断できる作業を1つ、数日渡してみてください。そして設計が終わったら、迷わずSolへ。
