OpenAIのGPT-5.6マルチエージェントV2と16倍高速化されたChatGPT体験

はじめに

OpenAIは現在、2つの面から同時に変革を進めている。

まず、ChatGPTのフロントエンドは大幅な最適化が行われ、何百回ものツール呼び出しを経て開くのが困難になり、ナビゲーションが難しくなっていた長い会話に特化して改善された。ソース記事によると、741ターンの会話と231MBのデータを含むテストセッションで、開く時間が27.62秒から1.66秒に短縮された。

次に、Codexはより自動化されたマルチエージェントワークフローへと移行し、GPT-5.6マルチエージェントV2を採用している。ユーザーが各サブタスクに対して手動で最適なモデルを選択する必要はもうなく、メインエージェントが異なる作業部分を異なるモデルに委任し、推論強度を独立して設定できる。

OpenAI公式のGPT-5.6ドキュメントは、より広範なアーキテクチャを確認している：GPT-5.6はSol、Terra、Lunaを含み、そのCodex/API体験は並列サブエージェントと複雑なワークフローの統合処理をサポートしている。

その結果は、シンプルだが影響力の大きい理念である：

このシステムは、ユーザーが通常自分で管理する必要があった待ち時間とモデル選択の作業を排除しようとしている。

ChatGPTの大規模会話を開く速度が大幅に向上

エージェント時代において、長い会話はまったく異なる問題となっている。

通常のチャットボットの会話は数十ターン程度かもしれない。一方、エージェントのセッションは簡単に大きくなる。モデルがコードを読み取り、ツールを呼び出し、結果を確認し、テストを実行し、修正を行い、このプロセスを何百回も繰り返す可能性があるからだ。

ソース記事によると、OpenAIは741ターンの会話、231MBのサイズのセッションをテストし、新しいフロントエンドのパフォーマンスを測定した。

結果は顕著である：

ソース記事によると、主なパフォーマンスの変化は以下の通り：

• アプリの読み込み速度が94%向上
• ヒープメモリの増加が87.8%削減
• 全体のメモリ使用量が41.2%削減
• ネットワークリクエストが98.2%削減
• 読み込まれる会話エントリが99.6%削減

この重要な変化はアーキテクチャレベルでのものであり、表面的な修正ではない。

ChatGPTは、ユーザーが開くたびに履歴会話全体を読み込んでレンダリングする必要がなくなった。

その代わりに、履歴の大部分は保存されたままで、現在必要な部分だけがインターフェースに読み込まれる。

なぜエージェント時代においてこれがより重要か

従来のチャットボットにとって、超長い会話は主にストレージの問題である。

エージェントにとっては、それはワークフローの問題になる。

1回のコーディングセッションには、以下のようなものが含まれる可能性がある：

1. 大規模なコードベースの読み取り。
2. コマンドの実行。
3. 出力結果の確認。
4. ファイルの編集。
5. テストの実行。
6. 失敗の修正。
7. このループの繰り返し。

1つのタスクで簡単に数百のインタラクション記録が生成される可能性がある。

つまり、会話インターフェース自体がエージェントインフラストラクチャの一部にもなっている。

ソース記事は新しいレンダリング戦略を次のように説明している：セッション全体を再構築するのではなく、ユーザーが見る必要がある履歴の部分だけを読み込む。

これが、1年前には取るに足らないように見えたフロントエンドの最適化が、今日では大きな影響を与える理由である。

現在の違いはここにある。

結果：長時間のセッションがはるかに軽快に感じられる

最も明らかな利点はシンプルだ。

数週間または数ヶ月続いた会話を開くとき、ブラウザ内でアプリケーションがデータベース全体を再構築しているように感じさせるべきではない。

ソース記事は、これらの変更が、何百回ものツール呼び出しを頻繁に実行するヘビーなCodexユーザーにとって特に顕著であると述べている。

ユーザーは巨大なセッションが操作可能になるのを待つ代わりに、素早く会話に戻って作業を続けることができる。

これはインフラレベルの改善であり、うまく機能しているとき、ユーザーはほとんど気づかないかもしれない。

そして、それがまさに重要な点である。

最高のフロントエンド最適化は、しばしば製品体験に溶け込み、ユーザーが意識しないようなものである。

GPT-5.6マルチエージェントV2が自動モデル選択へ

ほぼ同時期に、OpenAIはマルチエージェントワークフローも拡張した。

ソース記事によると、GPT-5.6マルチエージェントV2が完全に利用可能になり、メインエージェントがサブタスクを異なるサポート対象モデルに委任できるようになった。

各サブエージェントは独自の推論強度を持つことができる。

OpenAI公式のGPT-5.6ドキュメントは、このシリーズが3つの能力層を含むことを独立して確認している：

• GPT-5.6 Sol — 最も難しいタスク向けのフラッグシップモデル。
• GPT-5.6 Terra — 日常的な作業に適したバランスの取れたモデル。
• GPT-5.6 Luna — 最速かつ最もコスト効率の高いモデル。

OpenAIはまた、マルチエージェントをResponses APIのテスト機能として記録しており、1つのGPT-5.6インスタンスが複数のサブエージェントを並列調整し、それらの結果を統合できる。

これが新しいワークフローの背後にある核心理念である。

ユーザーは、大規模なタスクの各部分に対してどのモデルが最適かを必ずしも知る必要はない。

エージェントが自ら決定できる。

モデルラインナップはさまざまなタスク向けに設計されている

ソース記事は、モデルラインナップを大まかに次のように示している：

OpenAI公式の公開ドキュメントは、最初の3つのGPT-5.6層を確認し、それらの異なる能力とコスト特性を強調している。

例えば、OpenAIは現在Lunaを、コスト重視の高スループットワークロード向けに最適化されたモデルとして説明しており、現在のモデルページで公開されているAPI価格は、入力トークン100万あたり1ドル、出力トークン100万あたり6ドルである。

これにより、自然なタスクの分担が生まれる。

難しいアーキテクチャの決定は、より強力なモデルに任せることができる。

日常的なコード変換は、より安価なモデルに任せることができる。

小規模な分類や検索ステップでは、最速のオプションを使用できる。

手動モデル選択から自動ルーティングへ

ソース記事はこれを手動モデル選択からの移行として説明している。

現在、ユーザーはしばしば次のように考えている：

「この部分は難しいから、最強のモデルを使うべきだ。」

そして、タスクの次の部分でも同じ決定を繰り返す。

一方、マルチエージェントシステムはモデルを内部の計算リソースとして扱うことができる。

メインエージェントは作業をより小さな単位に分割し、各単位を処理する

モデルを決定し、結果を統合する。

簡略化されたワークフローは次のとおり：

ユーザータスク
   ↓
メインエージェント
   ├── 複雑な計画 → GPT-5.6 Sol
   ├── 日常的なコーディング → GPT-5.6 Terra
   ├── 高速サブタスク → GPT-5.6 Luna
   └── 専門タスク   → 専門モデル
   ↓
結果の統合
   ↓
最終応答

OpenAI公式ドキュメントは、この並列サブエージェントパターンを明確に説明している：1つのGPT-5.6インスタンスが並列に動作する複数のエージェントを調整し、出力を単一の結果に統合できる。

なぜこれが推論コストを削減できるのか

ソース記事は、単純な経済的観察を提示している。

複雑なタスクでは、すべてのステップで最強のモデルを使う必要はない。

おそらく、計画、アーキテクチャ、または難しいデバッグ段階だけが最も強力なモデルを必要とする。

他のステップは、より安価なモデルで処理できる。

ソース記事の例では、ワークフローの中で最強のモデルが必要なのは約20%だけで、残りは低コストのモデルに委任される可能性がある。

この正確な20%という数字は、OpenAIの保証ではなく、経験則の説明として捉えるべきである。

その背後にある核となる考え方は依然として重要である。

エージェントが難易度に基づいて自動的に作業をルーティングできれば、複雑なタスクの平均完了コストは下がる可能性があり、ユーザーが手動でルーティングを細かく管理する必要はない。

開発者はもはや各モデルを考慮する必要がない

これによってもたらされるユーザー体験の変化は、経済的側面と同じくらい重要である。

手動でのモデル選択は認知的負荷である。

開発者は問わなければならない：

• どのモデルを使うべきか？
• このタスクは高価なモデルを使う価値があるか？
• プロセスの途中でモデルを切り替えるべきか？
• より安価なモデルは品質をあまり犠牲にしすぎていないか？
• 節約できる時間は追加コストに見合うか？

優れたマルチエージェントシステムでは、これらの質問のほとんどはシステム自体に移される。

ユーザーは目標を提供する。

エージェントが作業の割り当てを決定する。

これはモデル選択からリソースオーケストレーションへの意義深い転換です。

両者を組み合わせることは、単一機能の単純な合計よりも大きい

元記事の最も有力な論点は、この2つの変化が相互に強化し合うということです。

フロントエンドは、膨大なエージェント履歴をより効率的に処理できるよう最適化されています。

一方、バックエンドのエージェントシステムは、モデル間での作業分割においてより有能になっています。

これにより、OpenAIは2つの方法で摩擦を減らすことができます：

待機画面の秒数を減らすこと。

どのモデルを使うかという選択の意思決定を減らすこと。

1つ目はパフォーマンスの改善です。

2つ目はワークフローの改善です。

両者を組み合わせることで、ChatGPTとCodexは単純なチャットインターフェースという位置づけからさらに遠ざかっています。

ChatGPTはワークフロープラットフォームへと進化している

OpenAI公式のGPT-5.6発表では、このシリーズがツールを調整し、中間結果を処理し、マルチエージェントワークフローをサポートできると説明されています。また、Codexに

他のモデルへの作業委任、タスクの並行実行、各結果の統合を導入しました。

ユーザーはますます、目標を定義し成果を確認する立場になっています。

内部オーケストレーションは舞台裏で行われます。

「モデルを選ばない」という理念こそが真の製品変革

ベンチマークの数値に注目しがちです。

しかし、より重要な製品上の決定は、モデルの複雑さをユーザーから隠そうとしていることかもしれません。

モデルの数が増えるにつれて、すべての選択肢を直接公開することは、システムを使いにくくする可能性があります。

OpenAIに5〜10の専門モデルがあったとしても、ユーザーが1つのプロジェクトを完了するためにそのすべてを知る必要はないはずです。

成熟したエージェントプラットフォームは、これを理解しているはずです：

タスクこそがインターフェースであり、モデルではない。

ユーザーは何をする必要があるかを伝えます。

システムは、どれだけの推論が必要か、どのモデルがどの部分を担当すべきか、結果をどのように組み合わせるかを決定します。

これは開発者にとって何を意味するか

AI製品を構築する開発者にとって、この教訓はOpenAI自体よりも普遍的なものです。

現代のエージェントアーキテクチャは、ますます3つの層を必要としています：

1. タスク分解——大規模な作業を意味のあるサブタスクに分割します。
2. モデルルーティング——各サブタスクに最も安価で有能なモデルを選択します。
3. 結果統合——部分的な出力を一貫した結果にまとめます。

これに基づき、フロントエンドは従来のチャット製品デザインが想定していたよりも大きな会話履歴を処理する必要があります。

エージェント製品を構築しているなら、会話レンダリングはもはや単なるUIの磨き込みではありません。

それはインフラストラクチャです。

よくある質問

GPT-5.6マルチエージェントとは何ですか？

GPT-5.6マルチエージェントは、1つのGPT-5.6インスタンスが複数のサブエージェントを並行して調整し、その作業を統合できるエージェントオーケストレーション機能です。OpenAIは現在、この機能をResponses APIのテスト機能として文書化しています。

CodexのMulti-agent V2とは何ですか？

元記事では、Multi-agent V2を、メインエージェントが異なるサブタスクをサポート対象モデルに委任し、各サブエージェントの推論強度を制御できるCodexワークフローとして説明しています。具体的な提供時期やモデルの可用性は変更される可能性があるため、最新の設定については現在のOpenAI Codexドキュメントを確認してください。

GPT-5.6 Sol、Terra、Lunaとは何ですか？

これらはGPT-5.6シリーズにおける3つの能力層です。OpenAIはSolをフラッグシップモデル、Terraをバランスの取れたオプション、Lunaを最速かつ最もコスト効率の高いモデルと説明しています。

GPT-5.6 Lunaは何に使われますか？

OpenAIはGPT-5.6 Lunaを、コストに敏感で高スループットのワークロード向けに位置づけています。現在のAPIページには、入力トークン100万あたり1ドル、出力トークン100万あたり6ドルと記載されています。

ChatGPTの長い会話のパフォーマンスが改善されたのはなぜですか？

エージェントセッションは、通常のチャットよりもはるかに大きくなる可能性があります。なぜなら、数百回のツール呼び出し、実行結果、中間ステップを含む可能性があるからです。元記事によると、OpenAIは大規模な履歴の読み込みとレンダリング方法を変更し、アプリケーションが毎回会話全体を処理する必要がないようにしました。

ChatGPTは今、すべてのタスクに最適なモデルを自動的に選択しますか？

より広い傾向としては自動モデルルーティングと委任へと進んでいますが、利用可能性は製品とモデルの展開状況に依存します。

機能の説明。OpenAIのGPT-5.6ドキュメントは、マルチエージェントオーケストレーションと異なるGPT-5.6能力層を確認しています。これは、標準のChatGPT会話のたびに完全な自動ルーティング制御が公開されることを意味するわけではありません。

マルチエージェント実行はAIコストを削減できますか？

はい。難しいサブタスクにはより強力なモデルを使い、通常の作業はより安価なモデルに任せる場合、ワークフロー全体の平均コストは、すべてのステップで最強モデルを使う場合よりも低くなる可能性があります。実際の節約額はルーティング戦略とワークロードに依存します。

関連ツール

• OpenAI Codex：マルチステップソフトウェア開発とエージェントワークフローのためのOpenAIのコーディングエージェント。
• OpenAI API：GPT-5.6とマルチエージェントアプリ開発のための公式APIプラットフォーム。
• GPT-5.6モデル：Sol、Terra、Lunaおよび関連機能の公式モデルドキュメント。
• Responses API：ツール呼び出し、プログラム呼び出し、マルチエージェントワークフローをサポートするOpenAIのAPIインターフェース。
• ChatGPT：OpenAIのコンシューマーおよびエンタープライズ向けAIワークスペース。

関連リンク

• GPT-5.6公式発表：マルチエージェントとスーパー能力を含む、GPT-5.6に関するOpenAIの主要リリースページ。
• GPT-5.6モデルガイド：開発者向けの公式モデル能力とマルチエージェント使用ドキュメント。
• GPT-5.6 Luna：低コストGPT-5.6層の現在のAPI価格と技術詳細。
• ChatGPTでのGPT-5.6：現在のChatGPTでの利用可能性とプラン情報。
• OpenAI Codex：Codexとエージェントプログラミングに関する公式製品情報。
• OpenAI APIドキュメント：OpenAIモデルを使用して構築するための主要ドキュメントセンター。

まとめ

OpenAIの最新の変更は、AIエージェントがより強力になるにつれてますます重要になってきている2つの摩擦に対応しています。1つ目は待機です。数百回のやり取りとツール呼び出しを含む大規模な会話も、素早く開くべきです。2つ目は意思決定のオーバーヘッドです。ユーザーは各サブタスクに対して手動でモデルを選択すべきではありません。

GPT-5.6のマルチエージェントアーキテクチャは、より強力なモデルが計画と委任を行い、より安価なモデルが通常の作業を処理するモデルルーティングシステムを指し示しています。一方、フロントエンドの最適化により、それらの長いエージェントセッションが使いやすくなっています。

方向性は明確です。ChatGPTとCodexは、ユーザーがモデルと対話する場所から、作業がどのように実行されるべきかが決定されるシステムへと進化しています。