Hakaru Lab ｜ 公開: 2026-09-26 ｜ 検証記事
対象読者：新しく公開された生成AIモデル（文章生成・要約・分析などをこなす人工知能の一種）を自分の作業に取り入れるか検討している個人開発者・小規模運用者、および同種の判断をする予定で情報収集をしている方。
3行要点
・当ラボはGPT-5.6 Sol（旧モデル）とGPT-6 Astra（新モデル）へ同じ依頼を同時に投げて実測し、所要時間は新モデルが約1/3.9で短く、5つの検討項目の結論はすべて一致した。
・2026年9月5日に実施した比較1件では「試しに使い始める」判断はできても「主力として確定する」判断はできないと当ラボは考え、両者を分けて扱った。新しい生成AIモデルの導入を検討している個人開発者・小規模運用者が、1回の比較実測をどこまで判断材料にしてよいか考える材料になる。
・対象は同じ依頼を2モデルへ同時に投げた比較1件と、その直後に見つかった採点手順の不備にとどまる。結論は2026年9月10日時点の内容にもとづく。
検証の前提
・検証日：2026-09-10
・利害関係：当ラボは比較した両モデルの有料利用者です。本記事に広告リンクはありません。それ以外の資本関係・報酬関係・提供を受けた便宜はありません。
OpenAIは公式のリリース記録上、2026年9月3日付で新しい生成AIモデル「GPT-6 Astra」を公開しました（記載のタイムゾーンは未確認のため日本時間では9月3〜4日の可能性があります）。段階的な提供のため、当ラボの環境に実際に届いたのは9月5日でした。当ラボは普段の調査・検討作業を複数のAIモデルの分業で回しており、新しいモデルが出るたびに取り入れるかを検討します。
新モデルを既定として使い始める判断（後述する「導入」）自体は、当ラボの運営側の方針として先に決まっていました（上記の分業運用では新モデルが公開されるたびに担当の割り当てを見直すことにしており、その一環として決まったものです）。②で述べる並走実測の数値が揃ったのはその後です。実測は「導入するかどうか」を決めるためではなく、「どの用途にどう使うか」と、のちの「主力として確定できるか」を見るための材料として、旧モデル（GPT-5.6 Sol）と新モデルに同じ依頼を同時に投げ、消費量・所要時間・出てきた結論を並べて見比べたものです。
2026年9月5日、当ラボはある検討作業（複数の論点を含む比較的重い依頼で、比較用のベンチマーク課題ではなく実務の検討依頼をそのまま両方へ流したもの）を、旧モデルと新モデルの両方に同じ依頼文で同時に投げました。両モデルはほぼ同時（6秒差）に起動し、いずれも正常終了しています。旧モデル側の結果が後に届いたのは実行に796秒かかったためです。ただし実行中には、内部で補助処理を起動しようとして失敗した記録が1件あり、この分の消費が下表の数値に含まれている可能性があります（内訳は未確認）。消費量は、AIが文章を処理する際の最小単位「トークン」（token。原義は「しるし・代用貨幣」の意）の数で数えます。結果は次のとおりでした。
| モデル | 推論の強さの設定 | 消費量（トークン数） | 所要時間 |
|---|---|---|---|
| 旧モデル（GPT-5.6 Sol） | 設定ファイルの既定値（最上位相当） | 399,825 | 796秒 |
| 新モデル（GPT-6 Astra） | 最上位よりも数段低い設定（明示指定） | 110,099 | 203秒 |
（測定環境：当ラボの実行環境で各1回ずつ実行し、消費量・所要時間は実行ログの記録値をそのまま用いています。旧モデル側の設定は比較のために選んだものではなく、当時の設定ファイルの既定値がそのまま使われたものです。さらに当ラボは現在、この設定を「内部で処理を自動分担するため消費量を正しく読めない」として試験用途限りの扱いにしており、旧モデル側の消費量は比較可能な測定値として扱えない可能性があります。両モデルの推論の強さの設定も同一ではなく、この差の全部が新旧モデルそのものの差とは言えません。）
所要時間は新モデルが約1/3.9で短く、この依頼には5つの検討項目が含まれていましたが、両モデルが出した結論は5項目すべてで一致しました。消費量については新モデルが旧モデルの約1/3.6という数値が出ていますが、当ラボの同日の他の記録では、旧モデルの同種作業の消費量は中央値で見ると今回の値よりはるかに小さく、今回の1件は同日で最も重い実行でした。同じモデル・同じ種類の依頼どうしでも消費量は数倍の幅で変動することが当ラボの記録からわかっており、この比は「この1件でこうだった」以上の意味を持ちません。
なお、GPT-6 Astraの利用料金は、OpenAIの公式情報によれば、入力トークンが約27万2千以下の短い入力の帯で入力100万トークンあたり10ドル・出力100万トークンあたり50ドル（超える場合は入力20ドル・出力75ドル）です。前世代のGPT-5.6 Solの単価（入力100万トークンあたり4ドル・出力20ドル）と比べると、短い入力の帯の単価は約2.5倍にあたります（旧モデルの料金に同様の帯の区分があるかは未確認）。単価だけ見れば新モデルの方が高いのですが、②のとおり所要時間は新モデルの方が短く済んでいます。ただし当ラボは入力・出力の内訳を記録しておらず、依頼1件あたりの実際の原価は計算できていません。またこの実測のあと、消費量の合計ではなく別の単位で処理の重さを記録する方式に切り替えており、今回の2走行はその記録が始まる前のもので現行の単位では測られていません。単価と原価は別の指標だという点は、数字を見るときに区別が必要です。
②の実測結果を得たあとも、当ラボは「新モデルの方が優れている」と結論づけることはしませんでした。理由は次の3点です。
1回の依頼は1サンプルにすぎない。 5項目の結論が一致したのは心強い材料ですが、依頼の種類・難易度・分野が変われば結果は変わり得ます。1回の実測は手がかりにはなっても、あらゆる用途で優れていることの証明にはなりません。しかも②のとおり両モデルの推論設定は揃っておらず、旧モデル側の消費量自体も測定値として扱えるか怪しい状態で、厳密な同一条件比較でもありません。
「速い・安い」と「正しい」は別の軸である。 5つの結論は一致しましたが、旧モデル側の回答には利用枠の仕様に関する事実誤りが1件あり、新モデル側の回答が正しいものでした。一方で新モデル側にも、検討範囲を超えて一般的な例外を認めるよう求めた箇所が1件あり、指摘を受けて当該の検討に限る扱いへ修正しています。誤りの種類が違うだけで、どちらの側にも修正点はありました。結論の一致は内訳の正確さの一致を意味しません。
判断の重さが違う。 「試しに使ってみる」判断と「今後この用途では標準的にこのモデルを使う」判断とでは、誤った場合の影響の大きさが違います。前者は合わなければすぐ戻せますが、後者は他の作業設計や判断基準に組み込まれていくため、根拠を厚くしてから決める必要があります。
以上を踏まえ、当ラボは「導入」と「昇格」という2つの判断を分けて扱っています。
「導入」は2026年9月5日から始まっていますが、これは①のとおり運営側の方針として先に決まっていたものです。「昇格」は本記事執筆時点（2026年9月10日）でまだ確定していません。
```mermaid
flowchart LR
A[新モデル公開] --> B[同一依頼を新旧モデルへ並走実測]
B --> C[結果を記録: 消費量・所要時間・結論の一致度]
C --> D[導入: 用途を限って既定で使い始める]
D --> F[用途ごとに4週間・8組以上の比較記録を継続]
F --> G{昇格の最小条件を満たすか}
G -->|満たす| H[昇格: 標準として確定]
G -->|満たさない| I[導入のまま据え置き、または取り下げ]
```
（模式図：導入と昇格の判断を分けて扱う流れ。導入は実測結果とは独立に決まっており、実測が効くのは主にこの先の記録蓄積と昇格判定の部分です）
「昇格」の判断には、どちらのモデルの回答かを伏せたうえで新旧どちらの開発元でもない別会社のAIモデルに採点させる、いわゆる盲検（ブラインドテスト。もともとは臨床試験などで評価側の先入観を防ぐために使われてきた方法）を使う設計にしています。当ラボは②の実測結果が出たその日のうちに、この盲検の第1回目を試そうとしました。
ところが実際にやってみると、採点役に割り当てるつもりだったAIモデルは、すでに②の検討作業の一部として新モデル側の回答を読んでいました。先に回答を目にしたあとで「伏せた状態で採点してほしい」と頼んでも、採点役はすでに片方の答えを知っています。順序と匿名性という盲検成立の2条件がどちらも崩れていました。
当ラボは、採点を実施する前の時点でこの第1組を無効と判定しました。結果を出してから捨てたのではなく、採点させる計画そのものが成立しないと判断したものです。正式な比較は2026年9月7日以降から始める計画で、検証日時点で有効な比較の組が何組そろっているかは確認できていません。この経験から、盲検を行う際は比較対象の回答をまだ見ていないモデルを、依頼を投げる前に確保しておく必要があるという教訓を得ました。運用ルールへの反映はこれからです。
③④を踏まえ、当ラボは「昇格」を判断するための最小条件を次のように定めています。これらの条件は当ラボの独自考案ではなく、比較した2つのモデル自身が提案した案を、別のモデルの反証を経て採用したものです。評価される側が評価基準の起案に関わっている点は、この基準自体の限界として記録しておきます。
この条件は現時点では仮決めで、2026年10月5日を見直し期日として週ごとの実績で改訂する前提です。正式な比較は2026年9月7日以降の計画のため、4週間・8組以上という条件を満たした用途はまだ存在し得ません。
採用（当ラボの決定）： 当ラボは、新しく公開された生成AIモデル（GPT-6 Astra）を、2026年9月5日から調査・検討作業や実行前の下調べ・不具合の原因調査・比較検討の材料出しの用途に限って既定モデルとして使い始めています。ただしこの「既定」は無条件ではありません。利用できる枠の残量を実行のたびに確認し、乏しいときは自動的に旧モデルへ切り替える、あるいは実行そのものを止める設定にしており、実際、検証日にも一部の作業は旧モデルで実行されました。文章の下書き作成・内容の仕分け・書き込み操作は当面別のモデルの担当です。特定の用途で標準モデルとして確定させる「昇格」の判断は、⑤の最小条件（用途別・4週間・有効な比較8組以上・推論設定をそろえる・4週で3勝・重大な誤り0・完遂率が旧モデル以上・費用または確認時間の改善・別会社のモデルによる採点・同点を勝ちに数えない）を満たすまで保留しています。基準日は検証日（2026年9月10日）時点の内容で、以降の実績を踏まえて見直される前提です。
推奨（読者への助言）： 新しい生成AIモデルの導入を検討している個人開発者・小規模運用者には、「試しに使い始める判断」と「標準として確定させる判断」を同じ根拠・同じタイミングで下さないことを勧めます。1回の比較実測は「悪くなさそうだ」という材料にはなっても、それだけで優劣を確定させる根拠にはなりません。推論の強さの設定を揃えずに比較した場合や、消費量の比較に使った1件がたまたま重い実行だった場合は、その差が結果にどれだけ効いているか見極めにくい点にも注意が必要です。比較対象と開発元が異なるモデルに採点させる方式を使う場合は、採点役がすでに比較対象の回答を見てしまっていないかを依頼を投げる前に確認することをおすすめします——当ラボ自身、この確認を怠って盲検の第1組を無効にした経験があるためです。なお「別の開発元」とは比較した2モデルとの関係を指し、採点役が当ラボの体制から独立した第三者であるとは限りません。
方法： 本記事は、当ラボが2026年9月5日に実施した同一依頼の並走実測の記録、およびその直後に発生した採点手順の不備についての検討記録にもとづきます。数値（消費量・所要時間）は実行ログに残っている値をそのまま記載しています。実行環境はコマンドライン実行環境（CLI。画面のボタン操作ではなく文字入力でソフトを操作する実行環境）で、各条件とも試行数は1回です。モデルの公開日・料金はOpenAIの公式情報にもとづき、2026年9月10日0時台（JST）に照合しています。
未確認事項：
訂正履歴：
出典：
当ラボ（hakarulab.com）の調査・執筆・検証は複数のAIによる分業で行っています。本記事は、当ラボが新しいAIモデルを検討に取り入れる際に実際に行った実測と、その過程で見つけた手順の不備を、記録にもとづいて説明したものです。方針の決定と最終確認は運営側の人間が担っています。