OPENAI SEARCH INSIGHT

2026.08.14 / OpenAI最新情報

OpenAI、GPT-5.6でエージェントの価格性能を刷新

この記事で分かること: OpenAIのGPT‑5.6とResponses APIの新機能が、AIエージェントのモデル選定、推論コスト、設計方法をどう変えるのかを知りたい。

OpenAIは2026年8月13日、Applied AIカテゴリで「The builder’s guide to GPT‑5.6」を公開し、GPT‑5.6モデル群を用いたAIエージェントの高速化と費用効率化の方法を示した。

公式発表の中心メッセージは、最上位モデルを全工程に使う従来の構成から、作業内容に応じてモデル、推論努力、API機能を組み合わせる構成へ移行することで、エージェントの性能と経済性を同時に改善できるというものだ。

日本の開発チームがまず評価すべきなのは、既存エージェントの基盤ハーネスを大きく作り直さず、推論努力の設定を下げた場合の精度・遅延・トークン量、ならびに抽出やデータ処理を小型モデルとコード側へ移した場合の総コストである。

OpenAIは、推論継続、会話圧縮、マルチエージェント編成、プログラムによるツール呼び出しをResponses APIで利用することで、長期タスクの処理効率をさらに高められるとしている。

OpenAIが示したGPT‑5.6の位置付け

OpenAIによると、GPT‑5.6は価格性能の新たな基準を打ち出すモデル群であり、フロンティア級のエージェント性能を大幅に手頃にしながら、可能な能力の境界も前進させることを狙う。GPT‑5以降、各世代はより少ないトークンで、より長い作業期間を要するタスクに対応する方向で改善されてきた。

GPT‑5.6もこの流れを継承し、基盤となるハーネスへの変更を最小限に抑えつつ、エージェント性能の向上とコスト低減を目指すという。

公式ガイドが強調するのは、モデルそのものの能力だけではない。適切なモデル選定、推論努力の調整、APIレベルの制御を組み合わせることが、実運用のエージェントでは重要になる。特に長い文脈、複数回のツール実行、複数ステップの判断を含むワークフローでは、トークンをどこで使い、どの情報をモデルのコンテキストへ残すかが、性能と費用の両方に影響する。

低い推論努力でも精度を高める設計

OpenAIは、総合的なコスト効率の改善に加え、低い推論努力における精度も向上したとしている。固定したハーネスでのAgents’ Last Examでは、GPT‑5.6 Solの「low」推論が、GPT‑5.5の「high」推論を上回ったという。

スタートアップによる本番テストでも、以前の既定値から推論努力を下げることで、多様なワークフローで大きなコスト改善が報告されたとしている。

この比較は、すべてのタスクで低い推論努力が最適であることを意味するものではない。公式発表から読み取れる実務上のポイントは、従来の推論設定を前提にモデル更新の効果を測るのではなく、モデル世代の変更時に推論努力も再探索する必要があるという点だ。

精度、出力トークン、応答時間、ツール呼び出し回数、失敗時の再試行を同一評価条件で測定し、ワークフロー別に設定を決めることが求められる。

Sol、Luna、Terraを工程別に使い分ける

これまで長期的なタスクでは、最も高い推論設定のフラッグシップモデルが有力な選択肢だった。長いコンテキストやツール呼び出しの処理では、コスト最適化モデルより大幅に高い能力を持つケースが多かったためだ。

OpenAIは、GPT‑5.6ファミリーではこの状況が変化し、より多くのテスト時コンピュートを使う場合、LunaとTerraがGPT‑5.4やGPT‑5.5に近い性能を、より低いコストで示せる場合があるとしている。

公式ガイドはBrowseCompを例に挙げる。これは、見つけにくい事実を検索する能力を測るベンチマークである。3か月前にはGPT‑5.5のExtra Highが84.36%で総コスト33.27ドルだったのに対し、ローンチ時のGPT‑5.6 LunaのExtra Highは84.04%、総コスト1.33ドルで、ほぼ同等の性能だったという。

OpenAIはその後、価格をさらに引き下げたとも説明する。ただし、この数値は同社が示した特定ベンチマークと比較条件の結果であり、個別システムの費用や性能を保証するものではない。

小型の5.6ファミリーモデルは、大量処理、低遅延が求められる対話、エージェントワークフロー内で繰り返す工程に適するとされる。たとえばOpenAIは、手書きメモを解析してからエージェント分析へ進めるリーガルテックの例で、全工程にフロンティアモデルを使う代わりに、抽出をTerraまたはLunaへ振り分けることで、コストを大きく削減できるとしている。

Responses APIで変わるエージェントの構成

OpenAIはGPT‑5.6の性能向上に加え、Responses APIに新たなプリミティブを提供した。エージェントを効率的に動かすための設計として、実行済みの作業を再利用すること、適切な場合に並列分解すること、決定論的な作業をコードへ移すことの3点を挙げている。

• 推論の保持とネイティブ圧縮：モデルターンをまたいで推論を保持し、長時間の会話を圧縮する。これにより、長期タスクで過去の作業との整合性を保ち、前提の再構築を抑えることを狙う。
• ネイティブなマルチエージェント編成：並列の作業ストリームに複数エージェントを割り当て、複雑なタスクの完了を速める。主エージェントが子エージェントを統括し、最終結果を統合する構造である。
• Programmatic Tool Calling：フィルタリング、集計、ツール出力の調整をモデルのコンテキスト外で実行する。モデルのトークンを判断が必要な処理へ集中させ、コスト、遅延、コンテキストの劣化を抑えることを目的とする。

ARC-AGI-3では、標準ハーネスでGPT‑5.6 Solが13.3%だったのに対し、推論保持と圧縮を有効にした後は38.3%となり、出力トークンはおよそ6分の1だったとOpenAIは説明する。モデル自体を変更せず、ハーネス側の設計を変えた結果として、性能はほぼ3倍になったという。

ツール実行とキャッシュを再設計する

Programmatic Tool Callingは、判断を要する仕事と、データの移動・絞り込み・結合が中心の仕事を分けるための機能である。OpenAIの例では、エージェントが100件の申請書類を取得し、日付で絞り込み、関連取引を特定する場合、全ての中間結果をモデルのコンテキストに載せて推論する必要はない。

GPT‑5.6がJavaScriptを書き、ツールを並列実行し、その出力をコンテキスト外で処理することで、モデルは判断に集中できるとしている。

また、モデルファミリー全体でプロンプトキャッシュのTTLは最低30分へ延長され、コンテキストウィンドウ内のキャッシュブレークポイントを決定論的に設定できるようになった。OpenAIは、これによりスタートアップがキャッシュヒット率を大きく改善できたとしている。

適切なprompt_cache_keyを継続利用し、同じプレフィックスを処理した推論エンジンにリクエストが到達しやすくすることは、遅延低減にもつながるという。

Agent Memories編集部の考察

ここからは公式発表を踏まえた編集部の考察である。GPT‑5.6の評価では、単純な「最も高性能なモデルへの置換」よりも、エージェントを工程単位に分解して評価することが重要になる。日本企業の文書処理、調査支援、コンタクトセンター支援、社内検索では、抽出・分類・正規化・重複除去のように決定論的処理へ寄せやすい工程が多い。

これらをモデルの長大な文脈に抱え込ませず、コード、ツール、小型モデルへ振り分けられるかを確認したい。

一方、マルチエージェント化は常に有利とは限らない。子エージェントの起動、結果の統合、追加トークンの消費が発生するため、並列化による時間短縮や精度向上が得られるタスクに限定して検証すべきだろう。実務では、単一エージェントを基準系とし、並列分解の有無、子エージェント数、起動条件を比較する実験設計が有効である。

保持する推論や圧縮後の会話についても、監査・再現性・機微情報の取り扱いに関する自社要件と併せて評価する必要がある。

よくある質問

GPT‑5.6では既存のエージェント基盤を作り直す必要があるか

OpenAIは、GPT‑5.6が基盤ハーネスへの変更を最小限に抑えながら、より強いエージェント性能と低コストを目指すとしている。ただし、推論努力の見直し、モデルの工程別振り分け、Responses APIの新機能活用まで行う場合は、評価設計やオーケストレーションの変更が必要になる可能性がある。

LunaやTerraはどのような処理に向くか

公式発表では、高ボリュームのワークロード、遅延に敏感な対話、エージェント内の反復ステップが適した用途として挙げられている。手書きメモなどの抽出処理を、後続のエージェント分析から分ける例も示された。実際の適性は、対象データ、必要精度、ツール利用、処理量を含む自社条件で測る必要がある。

Programmatic Tool Callingは何を変えるのか

データの取得、絞り込み、集計、結合といった処理をJavaScriptとツール実行へ移し、中間結果をモデルのコンテキスト外で扱えるようにする。これにより、モデルは判断が必要な部分へ集中し、トークン消費、遅延、長い文脈の劣化を抑えることがOpenAIの説明する狙いである。

マルチエージェントはChatGPTの機能とも関係するか

OpenAIによれば、Responses APIでマルチエージェントを有効化して利用でき、ChatGPTのultra能力設定もこの方式を用いるとしている。公式発表は、主エージェントが子エージェントへ仕事を委任し、子エージェントの出力を最終統合する構成を説明している。

まとめ

OpenAIのGPT‑5.6ガイドは、AIエージェントの競争力をモデル単体の性能だけで判断しない設計へと焦点を移している。低い推論努力の再評価、Sol・Luna・Terraの工程別選択、推論保持と圧縮、並列実行、コードへの処理移管、キャッシュ設計を一体で検証することが重要になる。

開発者とAI専門職は、まず既存ワークフローを「判断」「データ処理」「並列化可能な作業」「繰り返し使うプロンプト」に分解しよう。その上で、同一の評価セットとハーネスを使い、精度だけでなく出力トークン、総コスト、応答時間、再試行率を測ることで、GPT‑5.6の価格性能が自社のエージェントにどう現れるかを判断できる。

本カテゴリはMiraigent / Agent Memoriesによる非公式編集記事です。OpenAIとの提携・承認・後援を示すものではありません。