GPT‑6 Luna は、毎日くり返す作業を数でこなすための担当モデルです。OpenAI が挙げた想定用途は、請求書の項目抽出、問い合わせの分類、構造化サマリーの生成という3つ。最高の知性ではなく、目的のはっきりした仕事を回し続ける側に寄せた選択肢。部屋の雑用を自分で自動化したい人の、現実的な足がかりになります。
請求書の数字を転記して、問い合わせを仕分けして、同じ形の要約をまた作る。GPT‑6 Luna の説明を読んで最初に浮かんだのは、そういう毎週の手仕事でした。
私は OpenAI の発表資料を読み、Luna がどの仕事に絞られたモデルなのか、そして何を直接操作できるのかを確かめました。
読み終えたときには、自分の繰り返しのどれを Luna に渡し、どれを手元に残すかを決められます。
1. GPT‑6 Luna は何を担当するのか
結論から。GPT‑6 Luna は、賢さの頂点を狙うモデルではありません。目的がはっきりした仕事を、数をこなす前提で回す担当です。OpenAI が想定用途として挙げたのは、請求書の項目抽出、問い合わせの分類、構造化サマリーの生成。どれも、毎日同じ形で発生する作業です。
01 目的が決まっている仕事に絞る
発表資料に並んだ三つの例は、どれも答えの形が最初から決まっている仕事です。考える余地は少ないかわりに、件数が多い。暮らしのなかで、気づかないまま時間を取られている領域でもあります。
言い換えると、Luna は難問を解く役ではなく、同じ形の仕事を淡々と回す役。目的が明確で、繰り返しがある作業に絞られています。賢さを誇るモデルとは、立っている場所が違う。
02 知性と価格を、天秤に載せる
発表資料は、モデル選びと推論レベルを知性と価格のトレードオフとして扱うように書いています。つまり先に決めるのは、その仕事にどれだけの賢さが要るのか。Luna は、その天秤で価格側に体重をかけたときの選択肢です。
推論レベルは API で指定できます。低は事実の抽出や小さな修正、中は計画や選択肢の比較、高は難しいデバッグや深い分析。高で足りないときだけ上の段階を試し、時間とコストに見合えば残す。会話の途中で変えてもキャッシュは壊れません。
| 項目 | 発表された内容 |
|---|---|
| 位置づけ | 目的が明確な反復作業と大量処理に絞ったモデル |
| 想定用途 | 請求書の項目抽出／問い合わせの分類／構造化サマリーの生成 |
| 選び方 | モデルと推論レベルを知性と価格のトレードオフで比較する |
| 推論レベル | Low／Medium／High、さらに Extra high／Max（対応する場合） |
| コンピュータ使用 | ウェブサイトやデスクトップアプリを直接操作できる |
2. 画面を触れるぶん、頼める幅が広がる
Luna はコンピュータ使用に対応します。ウェブサイトやデスクトップアプリを、画面ごと直接さわれるという意味です。API が用意されていない道具にも手が届く。自分の部屋の仕組みを自分でつなぎたい人には、ここが一番効く一行です。
01 API がない道具にも手が届く
これまで自動化を諦めてきた理由の多くは、相手側に API がないことでした。画面を読み、ボタンを押し、フォームを埋める。人間がやっていたその手順を、モデルに渡せる余地が出てきます。
発表資料の例は、バグを調べ、コードを直し、ブラウザで製品を開いて直ったかを確かめるという流れ。確認まで含めて任せられるかどうかで、頼みごとの重さは変わります。
02 いちばん簡単な方法から選ぶ
ただし、何でも画面操作で済ませる話ではありません。API や連携済みのツールで直接できるなら、そちらを使う。画面を読んだり、クリックしたり、入力したりする必要があるときにコンピュータ使用を選ぶ、という順番が示されています。
自作のアプリに組み込む場合は、ブラウザやデスクトップを操作するコードを走らせるツールをモデルに渡す形。ブラウザは Playwright、デスクトップアプリは PyAutoGUI が挙げられています。手元で試す道筋としては十分に具体的です。
3. 向く仕事と、向かない仕事
Luna が効くのは、来週も同じ形で来ると分かっている仕事です。レシートの項目を抜く、受信箱を分類する、記録を決まった形に整える。逆に、答えの形が毎回変わる仕事や、最大の知性が必要な難問は Luna の範囲ではありません。線はここで引けます。
01 毎週の定型があるなら相性がいい
家の記録、買い物の明細、センサーのログ。自分の生活から出てくるデータは、たいてい同じ形で、そして量が多い。そういう仕事を一手に引き受ける担当として置くなら、Luna の設計意図とまっすぐ重なります。
仕事の渡し方も発表資料が触れています。どの判断を自分で進めてよく、どこからは確認を取るのか。そして何をもって完了とするのか。先に決めておくほど、手戻りは減る。
02 最高の知性が要る場面は範囲外
目的が曖昧なまま投げると、Luna の良さは出ません。絞ったモデルは、絞った仕事でこそ強い。深い分析や難しい判断が中心の作業は、別の段階として考えたほうが素直です。
なお、生成そのものを速める上位の速度オプションを Luna で使えるかは公式発表では未公表です。応答の速さが要件なら、そこは自分の代表タスクで測ってから判断する領域になります。
4. 今日、どこから始めるか
まず一つだけ切り出してください。毎週かならず発生して、答えの形が決まっている作業。それを Luna に渡し、低い推論レベルから試す。これだけで、自分の一週間のどこが機械に渡せるのかが見えてきます。道具を増やすより先に、担当を決める。そこから始まります。
01 繰り返しを一つ、切り出す
完璧な自動化を最初から設計する必要はありません。請求書でも、問い合わせでも、要約でもいい。手が止まるたびに同じことをしている作業を一つ選んで、渡してみる。小さく始めるほど、合うかどうかの判定は早くなります。
渡すときに書き添えるのは、ほしい結果、誰のためか、守る条件、そして何が完了か。細かすぎる手順書よりも、この四つがはっきりしているほうが結果は安定すると発表資料は述べています。
02 本番に出す前に測る
繰り返しの仕事なら、同じ前提を毎回送ることになります。安定した指示と参考資料を先に置き、変わる条件を後ろに回す。キャッシュされた入力トークンはモデルによって最大95%安いと発表されており、効き方は構成次第です。長い会話はコンパクションで縮められます。
そして代表的なタスクを走らせ、成功率、待ち時間、成功1件あたりのコストを測る。監視の仕方とデータの扱いも確かめてから出す。ここまでやれば、Luna は飾りではなく、自分の生活のなかで働く担当になります。手を動かす価値のある一本です。
5. よくある質問
GPT‑6 Luna はどんな仕事に向く？
目的が明確な反復作業と大量処理です。請求書の項目抽出、問い合わせの分類、構造化サマリーの生成が想定用途として挙げられています。毎日や毎週、同じ形で出てくる作業なら相性が良い側に入ります。
料金はいくら？
具体的な金額は公式発表では未公表です。発表資料は、仕事に合うモデルを選ぶ際にそれぞれの料金を比較するよう案内しています。モデル選びと推論レベルは、知性と価格のトレードオフとして見る前提です。
推論レベルはどう選べばいい？
低は事実の抽出や小さな修正、中は計画や選択肢の比較、高は難しいデバッグや深い分析という目安が示されています。さらに上の段階は高で足りないときに試し、改善が時間とコストに見合うなら残す形です。
API のないアプリも操作できる？
コンピュータ使用に対応しており、ウェブサイトやデスクトップアプリを直接操作できます。自作アプリに組み込む場合は、ブラウザなら Playwright、デスクトップなら PyAutoGUI を動かすツールを渡す形が案内されています。
コストを抑える工夫はある？
繰り返しの仕事ではプロンプトキャッシュの再利用が軸になります。安定した指示や参考資料を先に、変わる条件を後ろに。キャッシュされた入力トークンはモデルによって最大95%安いと発表されています。長い会話はコンパクションで縮められます。
6. まとめ
Luna は、賢さの頂点を取りにいくモデルではありません。目的がはっきりした仕事を、数をこなす前提で回す担当です。しかもコンピュータ使用で画面にも手が届く。だから効くのは、来週も同じ形で来ると分かっている作業。自分の一週間を見渡して、どれを渡すかを決めるところからです。担当が決まると、暮らしの手触りが変わります。
- 切り出す：毎週くり返す作業を一つだけ選ぶ
- 段階を選ぶ：低い推論レベルから試し、足りなければ上げる
- 並べ方：安定した指示を先、変わる条件を後ろへ
- 測る：成功率・待ち時間・成功1件あたりのコスト
- 境界を書く：任せる判断と確認を取る判断を分けておく
7. 画像の出典
- ① OpenAI 公式発表・表示の安定のため当サイトのサーバーで配信