GPT-6 Lunaで退屈な80%をこなす：低コストランタイムに何を任せるか

先週あなたのクルーが生み出したものを見てほしい。そのごく一部が、スタンドアップで話題にした機能だ。大半は周辺作業だった──バグのトリアージ、ラベル付け、チェンジログ、11本のプルリクエストへの一次コメント、誰も担当したがらないモジュールのテストの骨組み、依存関係の更新、レスポンスの形が変わって古くなったドキュメントページ。量は多く、栄光はない。そして今週までは、同じランタイムで動いていたため、面白い仕事と同じトークン単価がかかっていた。

OpenAIは9月22日にGPT-6 Lunaをリリースした。100万入力トークンあたり$0.10、100万出力トークンあたり$0.50、API IDはgpt-6-luna、コンテキストウィンドウは1M。つまらない80パーセントは、まさにこの層に属する。有益な問いは、Lunaが優れているかどうかではない。どの仕事をこの層に下ろすべきか、どの仕事を下ろしてはならないか、そして安価なランタイムでも完了できるTaskをどう書くか、だ。

TL;DR

作業を安価な層へ振り分ける基準は、難易度ではなく検証可能性だ。やり直さずに結果を検証でき、誤った答えがレビュアーに午後を奪うのではなく1分で済むなら、それはLunaの担当だ。判断が要るもの、ボードの自動化が依存するもの、誰もチェックしないものは、高価なランタイムに残す。機械が評価できる受け入れ基準を書き、短い仕事には控えめなエフォートを設定し、すべての結果を人間が受け入れるTaskへ戻す。

Lunaの価格と、何と比較されているか

OpenAIが公表しているLunaの比較は、リーダーボードの順位ではなくタスクあたりのコストだ。この作業にはそれが正しい見方だ。

これらの数字には2つの留保が付く。OpenAIはSolとLunaを、GPT-5.6のプロモーション価格より50%安いと説明している。プロモーションはOpenAI自身の言葉であり、これは重要だ。基準となっているのは定価ではなく割引価格なのだ。私たち自身のローンチ記事で記録したGPT-5.6 Lunaの定価、100万入力あたり$1、100万出力あたり$6と比べれば、$0.10と$0.50への下落は入力でおよそ90%、出力でおよそ92%に近い。実際の削減幅は見出しより大きく、その見出しはセール価格を基準に測られている。

そしてこの表にあるAnthropicとの比較はすべてClaude Opus 5に対するものだ。AnthropicはOpenAIの発表と同じ日にOpus 5をOpus 5.5に置き換えた。価格は100万入力あたり$4、100万出力あたり$20で、Opus 5の$5と$25に対するものだ。これらのマージンは前世代と比較して測られたものとして読むべきだ。実際そうだから。現在の両社のフラッグシップのどちらが優れているかは私たちは主張しないし、どちらのベンダーも直接対決の結果は公表していない。

どちらのベンダーでもない第三者であるArtificial Analysisは、Lunaのインテリジェンス指数を37、Opus 5.5を58と評価している。Lunaはフロンティアモデルではなく、そう売られてもいない。ユーティリティのように価格付けされた有能なワーカー、それが要点だ。

何を移すかを決める性質

チームはエージェントの作業を難易度で仕分ける。それは間違った軸だ。難易度は問題の性質であり、あなたのエクスポージャーはレビューループの性質だ。代わりに検証可能性で仕分けよう。

次の両方が成り立つとき、作業は安価な層に属する。結果をやり直さずに、テストや差分、lintルール、あるいは10秒の目視で検証できる。そして誤った結果がレビュアーに午後ではなく1分を要するだけだ。影響範囲が1つのラベル、1件のコメント、1つのファイルに収まっているからだ。

この組み合わせこそが、テストの骨組みが適格でセキュリティレビューがそうでない理由だ。どちらも同じリポジトリに対するテキスト生成であるにもかかわらず。生成されたテストは動くか動かないかのどちらかで、それはその場で分かる。レビューコメントの中の見落とされた認可の穴は、きれいなコメントとまったく同じに見える。

何を任せるか

共通する形はこうだ。それぞれが、エージェントが添付した根拠に基づき、他の誰かが数秒で評価する成果物を返す。どれも何かの最終決定ではない。リストを次にあなたのクルーが拾うものへ広げるときに適用すべき基準が、これだ。

何を任せてはいけないか

安価な層はこうした過ちを招くため、3つの境界線を明示する価値がある。

一次レビューはレビューではない。差分に対して観察を投稿するエージェントは、読み物を生成する。それは承認ではない。チームがきれいな一次通過を、変更が安全であるシグナルと見なした瞬間、安価な層は受け入れ判断へと昇格してしまっている。レビューエージェントが検証できることとできないことを正確に定め、コメント自体に一次レビューであるとラベルを付けよう。

ボードの自動化が依存するラベルは、メモではなく判断だ。Taskをあるステータスへ移すと実行がトリガーされる、あるいは優先度がクルーが次に拾うものを左右するなら、ラベル付けエージェントは方向性を定めていることになる。そうしたフィールドでは自動化を切るか、方向性を任せられる層にラベル付けを留めるかのどちらかだ。

誰もチェックしない作業は安くならず、見えなくなるだけだ。安価な誤答が安価なのは、誰かがそれに気づくときだけだ。読む人がいない仕事があるなら、対処すべきはその仕事を削除することであって、より安いランタイムではない。

判断の2つのペアだ。作業が大量で、範囲が限られ、信頼以外の何かで検証されるならLunaを使う。Taskが何時間もコンテキストを保持する必要がある、複数のモジュールをまたぐ、あるいは途中で止めるコストがトークン代より高いならSolかOpus 5.5を使う。1つのリポジトリで1つのエージェントを動かしているなら、層を分けるのはやめよう。最も難しい作業に合うランタイムを選べばいい。

安価なランタイムでも完了できるTaskの書き方

Sharklyのエージェントは、単発のプロンプトではなく保存された作業構成だ。その指示、Runtime、Skills、リポジトリ、環境、実行設定が作業の扱い方を形作る。だから正しい単位は、つまらない仕事の種類ごとに1つのエージェントであり、7つすべてをこなす1つの賢いエージェントではない。チームは、コード変更、レビュー、テスト、ドキュメント、運用トリアージ用に別々のエージェントを、Taskごとに指示を書き直すことなく保つことができる。

安価なランタイムには、狭い範囲と機械的な終了条件が必要だ。

SH-312  Triage: 9 unassigned bug reports from this week
Assignee: Triage Agent (Codex Runtime, gpt-6-luna)

For each report, return on the Task:
  - one-sentence restatement of the observed behavior
  - the suspected component, with the file or module that led you there
  - whether you could reproduce it locally, and the exact command you ran
  - a priority suggestion with one reason

Do not change files. Do not close or merge anything.
Finish with any question that must be answered before implementation.

このTaskでは3つの要素が機能している。範囲は9項目を1回通すだけなので、失敗しても捨てるのは安い。すべての主張が根拠を伴うので、チェックは再調査ではなく読むことになる。そして最後の2行が境界を定めている。このエージェントは報告するだけで、行動はしない。

意図的に決めておく価値のある設定が1つある。Lunaの公表された成果は、高いエフォートと最大エフォートにある。そしてエフォートは、品質ダイヤルを一番上に固定しておくものではなく、コストとレイテンシの判断だ。再び第三者であるArtificial Analysisは、最大推論バリアントをLunaで毎秒153.9出力トークン、最初のトークンまで約124秒と測定した。[VERIFY] 現時点の数値がどうであれ、形は変わらない。最大エフォートでは、安価なモデルは立ち上がりが速いものではない。2分間考えるラベル付け作業は、ボード上では固まって見える。短い仕事は控えめなエフォートで実行し、高い設定はそれに値するTaskのために取っておこう。

この層がチームのオンボーディングの場となるので、アクセスについて2点補足する。LunaはCodexとChatGPT WorkでPlus、Pro、Business、Enterprise、Eduプラン向けに動作し、FreeとGoのアカウントはデスクトップアプリで利用できる。Chatではまだ利用できない。Sharklyでは、モデルはRuntimeまたはComputerツールの設定で指定し、エージェント上では決して指定しない。またSharklyはモデル名をあなたに表示することはない。

値下げでは解決しない部分

Lunaの価格で9件のトリアージ要約を作れば、コストはほぼゼロだ。それでも人間が読まねばならない9件を生み出す。周辺作業を丸ごと安価な層へ移したクルーは、人間を待つ判断を減らしてはいない。生成を安くしただけで、それは受け入れを安くすることとは違う。だからこそ、トークン単価がどうなろうとレビューキューが上限であり続ける。

変えられるのは、そのキューの読みやすさだ。目標、実行、根拠、ブロッカー、人間のレビューを、要望からリリースまでTask上に保つ。そうすれば、一次コメントは見て明らかに一次であり、トリアージ要約はそれを生んだコマンドを伴い、実際にあなたを待っている項目は、単に騒がしいだけのものから切り分けられる。エージェントは調査し、実行し、テストし、報告する。人間は方向性を定め、権限を与え、結果を受け入れる。

複数のエージェントを動かしていて、安価なエージェントがこれから増えようとしているなら、SharklyはそれらのTaskを割り当て、各実行が何を生み出したかを見て、何を出荷するか決める1つの場所を提供する。1台のComputerを接続し、最も退屈な仕事用のエージェントを作り、実際のTaskを1つ割り当ててみよう。