月曜日の朝、コーヒーを片手にオフィスに着くと、開発者コミュニティで大きな話題になっていました。OpenAI が最新の GPT-6.1 Terra をリリースし、標準 API の入力・出力単価が GPT-6.1 Sol のちょうど半額、さらにレート制限も大幅に緩和されたからです。
「単価が半額なら、日常のコーディングエージェントやブラウザ自動化、定期バッチ処理を全部 Terra に移行すればコストが半分になるのでは？」と考えるのは自然です。もし「エントリーモデルだと精度が不安」なら、推論強度（Reasoning Effort）のスライダーを最大（max）まで引き上げ、たっぷり考えさせれば十分だと考える人も多いでしょう。
しかし、実際の業務で1日動かしてみると、請求書とコードの変更履歴は極めて直感に反する結果を突きつけます。
ある同僚がバックエンド認証機能のリファクタリングで、CLI とコーディングエージェントを全面的に Terra に切り替え、安全のために思考強度を max に設定しました。ところが夕方になって API 利用料金を確認すると、普段 Sol を使っていた日よりも 20% 以上高額 になっていたのです。さらに4往復目のプロンプトでは、エージェントが冒頭で指示した認証の制約条件を見落とし、修正に余計な時間を取られることになりました。
最安モデルの思考を全開にしてもコストは下がらず、むしろ長期タスクでは余計な出費と手戻りを招く というのが現実です。
なぜこのような逆転が起きるのか？ 3つのモデルを業務目線で比較すると、モデル間の実力差は単価表通りには並んでいないことが分かります。多くの場合、上位モデルの推論強度を1段下げる方が、下位モデルを限界まで回すよりも安く、安定して動作します。
1. 1タスクあたりの実質総コストで考える
文字数（トークン）の単価表だけを見れば、Terra は圧倒的に安価に見えます。OpenAI の標準価格（272K トークン以下）は以下の通りです：
- GPT-6.1 Terra：入力 $1.00 / M、出力 $5.00 / M、キャッシュ $0.05 / M
- GPT-6.1 Sol：入力 $2.00 / M、出力 $10.00 / M、キャッシュ $0.10 / M
- GPT-6 Astra：入力 $10.00 / M、出力 $50.00 / M、キャッシュ $1.00 / M
確かに Terra の単価は Sol の半分、Astra の10分の1です。しかし、実際の業務でタスクを完了するまでに消費される思考トークン数や修正の往復回数は、モデルの基礎能力によって大きく異なります。
評価機関 Artificial Analysis（AA v4.3.2）が、全モデルを最高推論設定（max）にして測定した1タスクあたりの加権平均実質コストは以下の通りです：
- Terra max：総合 48.11 点、1タスク平均 $0.40
- Sol max：総合 51.83 点、1タスク平均 $0.72
- Astra max：総合 52.67 点、1タスク平均 $3.26
ここで注目すべきは「推論強度（Reasoning Effort）」によるコストと精度の推移です：
| モデルと推論設定 | AA 総合指数 | 1タスク平均コスト |
|---|---|---|
| Terra medium | 41.32 | $0.0953 |
| Terra high | 43.87 | $0.1343 |
| Terra max | 48.11 | $0.4035 |
| Sol high | 50.24 | $0.3191 |
| Sol xhigh | 51.04 | $0.3929 |
| Sol max | 51.83 | $0.7242 |
加太字の部分をご覧ください。Sol を high 設定にした場合、総合スコアは 50.24 点（Terra max より 2.13 点高い）でありながら、平均コストは $0.3191 と Terra max（$0.4035）より約 21% 安い のです。
現場で覚えるべきルールは明確です：複雑なタスクでは、下位モデルの推論を最大にするより、上位モデルの推論を1段下げる方が安く、正確に仕上がります。
基礎モデルの潜在能力が異なるため、軽量モデルは複雑な構造を理解しようとして内部で長大な思考ステップを展開し、無駄なトークンを大量に生成します。一方、上位モデルは直感と知識圧縮力に優れているため、中程度の思考量でも一発で正解に到達できるからです。
2. 2つの実験：ブラウザ操作 vs 長期コード保守
LiveBench 2.0（max推論）のベンチマーク比較から、日常タスクにおける得意不得意が浮き彫りになります：
| LiveBench 2.0 項目 | Terra (max) | Sol (max) | Astra (max) |
|---|---|---|---|
| ブラウザ操作 | 93.1 | 93.3 | 91.3 |
| コード修正 | 90.8 | 96.0 | 93.7 |
| 調査・分析レポート | 73.9 | 83.5 | 85.2 |
| 長期保守タスク | 48.6 | 68.7 | 77.5 |
ブラウザ操作は Terra が圧倒的コスパ
明確な手順に従って管理画面を操作・データ抽出するブラウザタスクでは、Terra は Sol とわずか 0.2 点差（93.1 vs 93.3）でほぼ同等です。デフォルトの medium 設定なら 1 回あたり 10 セント未満で済むため、スクレイピングや定期監視には Terra が最適です。
長期コード保守では Terra が急落
一方、要件が追加・変更される長期タスクでは、Terra は 48.6 点 へと急落し、Sol（68.7 点）と 20.1 点差 の断崖が生じます。
前段階の制約を保持しながらコードを改修する作業では、軽量モデルは文脈を見失いやすく、max 設定でいくら考えさせても迷走してしまいます。コード修正（96.0 点）を含め、開発の主軸は Sol に任せるのが安全です。
3. ワークスペースにおける3役の使い分け
-
現場ランナー（GPT-6.1 Terra · 推奨: medium）：
- ブラウザ自動化、単純なデータ整形、定型API連携。デフォルトの medium を維持し、無駄に max にしないこと。
-
主力エンジニア（GPT-6.1 Sol · 推奨: high または xhigh）：
- 日常のコード実装、バグ修正、仕様書作成。推論強度を high に落とすことで、Terra max より安く高品質を維持。
-
最高技術顧問（GPT-6 Astra · 限定起用）：
- 大規模アーキテクチャ刷新、複数リポジトリ横断の難関タスク。長期タスク 77.5 点の突破力が必要なここ一番で投入。
4. モデルの外側の「作業メモ」も重要
ARC-AGI-3 の検証では、同一の GPT-6 Astra max であっても、素の標準実行環境（Standard）では 62.7% だった正答率が、推論状態の保持とコンテキスト圧縮を備えたアダプター環境（Provider Adapter）では 98.6% まで向上しています。
高価なモデルに頼る前に、セッションを定期的に要約し、不要なノイズを排除してコンテキストの鮮度を保つことが、コストと精度の双方にとって最大のレバレッジになります。