OPENAI SEARCH INSIGHT

2026.10.11 / OpenAI最新情報

LegalOn、GPT-6 Astra・Sol・LunaでCodex費用65%削減

この記事で分かること: LegalOnがCodexの開発速度を維持しながら推定日次コストを65%削減したモデル選定、予算統制、ROI評価の実務を知りたい。

OpenAIは2026年10月8日、LegalOn TechnologiesがCodexを開発工程へ組み込み、開発速度を維持したまま推定日次コストを約65%削減した事例を公開した。高性能モデルを一律に使う方式から、タスクの複雑さと開発段階に応じてGPT-6 Astra、GPT-6.1 Sol、GPT-6 Lunaを使い分ける方式へ移行したという。

コスト抑制の中心は、単純な利用制限ではない。LegalOnはモデル選定の指針、管理者設定による利用上限、事業の成長段階に連動した予算配分を組み合わせた。日本の開発組織にとっては、生成AIの導入効果を「利用量」だけで追わず、タスク単位の品質・速度・費用と、最終的な顧客価値へ結び付けて管理する方法として注目される。

OpenAI公式発表で確認できること

LegalOn Technologiesは、法務業務や重要な事業機能をAIで支援するProfessional AIをグローバルに提供している。同社は、専門知識とAIを組み合わせることで、人が複雑な判断や意思決定に集中できる状態を目指すと説明している。

同社では製品へのAI活用に加え、組織自体をAIネイティブ化する取り組みを進めている。Codexを開発プロセスへ統合し、日常的な利用を通じて組織内での採用を拡大した。一方、導入が進むほど、高性能モデルを無制限に使った場合の支出増大が課題になった。

OpenAIの公式発表によれば、LegalOnは当初、主力モデルであるGPT-5.5のFast modeを開発者に無制限で提供した。設計、実装、日常業務まで活用範囲を広げ、人とAIの役割分担を実験を通じて学んだとしている。

しかし、高性能モデルを制限なく継続利用すれば年間予算を超過する見通しだった。全面的な利用制限はAIによる生産性向上を損なうおそれがあるため、同社はコスト統制とチームの実行速度を両立する運用設計へ進んだ。

モデル選定を「最上位固定」から変えた

同社のAI-powered Development CoE（AID CoE）は、モデル選択のガイドラインを整備した。AID CoEがモデルをテストして利用状況を監視し、管理職が結果をチームへ共有することで、各エンジニアがタスクに適したモデルを選べるようにしたという。

新たな原則は、すべての仕事に最も能力の高いモデルを割り当てないことだ。軽量モデルから始め、タスクの複雑さが増す場合により高性能なモデルへ移る。これは単価だけでなく、要求の明確さ、判断の難度、設計段階か実装段階かを選択条件に含める考え方である。

• GPT-6 Luna：要件が明確なコード実装、比較的単純なタスクや分析、日常的な自動化を担う。コード実装では主にサブエージェントとして使う。
• GPT-6.1 Sol：標準的な設計、比較的単純なソフトウェア設計、定型的な数値分析、文書作成に使う。Lunaより短い完了時間が必要なタスクも対象とされる。
• GPT-6 Astra：複雑な分析、設計、文書作成、アーキテクチャ設計、エージェントのオーケストレーションを担う。

重要なのは、モデル名ごとの担当表を固定的な権限表として扱わない点にある。公式発表では、モデルのテストと監視を継続し、チームに知見を展開している。実務では、代表タスクで品質、手戻り、処理時間、コストを定期比較し、選定基準を改訂する運用が必要になる。

Fast mode制限と予算上限をどう組み合わせたか

LegalOnはモデル選定に加え、Fast modeをデフォルトで制限し、必要な場合に個別申請で使える運用を導入した。速度低下への懸念はあったが、タスクを並列実行するなどのチーム運用により、開発パフォーマンスを維持して円滑に移行したとしている。

また、部門、グループ、個人ごとにAI支出の予算上限を設けた。AID CoEは利用状況を監視し、事業上の必要に応じて上限を調整する。利用上限は一律の禁止ではなく、管理者設定と継続的な観測を伴うガバナンス手段として位置付けられている。

予算配分も事業フェーズ別である。成熟したLegalOn事業には最大約20%のコスト効率改善を求める一方、立ち上げ段階の新規事業にはAIの積極利用を促すため厚めの予算を配分した。成熟事業の効率化と新規事業への投資を同時に行った点が、単純なコストカットと異なる。

65%削減が示す運用上の成果

OpenAIの発表では、モデル選択、機能制限、事業別予算を組み合わせた結果、GPT-5.5と比較して推定日次コストを約65%削減した。削減対象は推定日次コストであり、開発速度と品質を犠牲にしないことを目標にしたと説明されている。

この数値を他社へそのまま当てはめることはできない。モデル利用量、既存の開発工程、Fast modeへの依存度、タスク構成、組織の予算制度が異なるためだ。ただし、「最上位モデルの全員・全工程利用」から脱却することで、コスト構造を変えられるという一次事例には実務的な意味がある。

日本の組織では、利用料の月次総額だけを部門横断で一律に削る判断が起こりやすい。しかし、要件が明確な実装と、設計判断や複数エージェントの統括では必要な能力が異なる。タスク分類を行わずに上限だけを下げると、待ち時間やレビュー負担、手戻りが増え、表面上のAI費用削減が全体最適を損なう可能性がある。

機能リリース単位でAI投資ROIを測る構想

LegalOnは、開発の高速化だけでAI投資の成功を判断しない方針も示した。開発からリリースまでのサイクルが短縮されつつある一方、その高速化が顧客価値へどうつながるかは明確でないという問題意識を持つ。

同社は、AI投資の評価軸を開発速度や利用量から顧客価値へ移すため、独自指標を開発している。個別タスクのAIコストは追跡できても、機能リリースという一つの成果物にかかった総コストは見えにくい。そこで、機能リリースを単位にAIコストと顧客価値を関連付ける設計を進めている。

このROI指標を算出するパイプラインは現在構築中であり、数値や導入完了時期は公式発表で示されていない。現時点では、AI活用の費用対効果を顧客価値の観点から可視化することを目標にした取り組みとして捉えるべきだ。

日本の開発組織が評価・変更すべき点

まず評価すべきは、モデルの優劣ではなく、各タスクに必要な能力を記述できているかである。設計、実装、テスト、障害分析、文書作成、レビュー支援を分け、それぞれについて要件の明確さ、失敗時の影響、レビューの必要性、許容時間を整理すると、モデル選定を議論しやすくなる。

次に変更すべきは、AI利用予算を固定費のように扱う方法だ。成熟プロダクトでは単位成果当たりのコスト改善を求め、新規プロダクトでは検証速度のための投資枠を持つといったように、事業目標と予算の目的を対応付ける必要がある。個人上限だけでは、優先度の高い開発へ資源を寄せにくい。

さらに、CoE、開発管理職、セキュリティ担当の役割分担を明確にしたい。LegalOnではAID CoEとセキュリティチームが、性能、コスト、リスクを複数の観点で最適化する枠組みを作っている。統制は実験を止めるためではなく、組織全体で再現可能な利用法へ変換するための仕組みとして設計することが重要になる。

Agent Memories編集部の考察

今回の事例の技術的な新規性は、複数モデルの役割分担そのものよりも、モデルルーティングを予算、組織構造、評価指標まで接続した点にある。軽量モデルを優先し、難度に応じて上位モデルへ上げる考え方は知られているが、現場で定着させるには、選択ミスを学習して更新する運用主体が欠かせない。

特にCodexのように開発フローへ深く入るAIでは、1回の生成コストだけを最適化しても不十分である。安価な選択がレビュー時間、障害対応、設計のやり直しを増やせば総費用は下がらない。逆に、高度な設計判断へ高性能モデルを集中投入し、反復的な実装を軽量モデルへ寄せることで、人的な判断資源を重要箇所へ配分できる。

編集部としては、導入企業は「誰がどのモデルを使ったか」だけでなく、「どの機能リリースに、どの工程で、どれだけのAI費用と人手を投じ、どんな顧客価値が出たか」を追えるデータ設計を優先すべきだと考える。これは公式発表の事実ではなく、同社が構築中のROI測定構想から導く実務上の示唆である。

よくある質問

LegalOnはCodexの利用を全面的に制限したのか

いいえ。OpenAIの公式発表では、利用を一律に止めるのではなく、モデル選定のガイドライン、Fast modeのデフォルト制限、部門・グループ・個人単位の予算上限を導入した。必要時にはFast modeを個別申請できる運用としている。

65%削減は何と比較した数値か

公式発表では、GPT-6およびGPT-6.1のモデル群を選択して利用することで、GPT-5.5と比較した推定日次コストを約65%削減したとしている。実際の請求額、他社環境での再現性、個別モデルごとの単価は本文では示されていない。

最も高性能なGPT-6 Astraだけを使えばよいのではないか

公式事例では、Astraは複雑な分析、設計、オーケストレーション向けに位置付けられる。一方、明確な要件に基づく実装や日常的な処理はLuna、標準的な設計・分析はSolへ振り分けた。性能の最大化ではなく、タスクに対する適合と資源配分の最適化が狙いである。

ROI評価の仕組みはすでに完成しているのか

完成は確認されていない。LegalOnは、機能リリース単位で顧客価値とAIコストを結び付ける独自指標を構想し、その算出パイプラインを構築中だと説明している。現段階で結果の数値や提供条件は公表されていない。

まとめ

LegalOnの事例は、AI開発支出を抑える手段が単純な利用禁止ではないことを示す。タスク別のモデル選択、必要時のみの高コスト機能利用、事業段階に応じた予算、継続監視を組み合わせることで、同社は開発速度を維持しながら推定日次コストを約65%削減した。

次の焦点は、AIによって速く作れたかではなく、その機能リリースが顧客価値を生んだかを測ることにある。日本の開発組織も、モデル利用量や月額費用だけの管理から、成果物、品質、事業価値まで接続するAIガバナンスへ移行できるかが問われる。

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。