OpenAIモデル完全ガイド2026｜GPT・推論モデル・Codex・gpt-ossの使い分け

---

OpenAIのモデル選びは、もはや「一番賢いGPTを選ぶ」作業ではありません。2026年の企業導入では、GPT・推論モデル・Codex・Workspace agents・gpt-ossを業務ごとに配置し、品質・コスト・権限を設計する段階へ移っています。

2026年の実務では、ChatGPTで使うモデル、APIで使うGPT-5.6系、開発を任せるCodex、自社環境で動かすgpt-ossは、提供形態・課金体系・権限設計が異なるため、同じ比較表に並べるだけでは適切に選定できません。

本記事では、OpenAIモデル群を「会話・推論・開発・業務エージェント・自社運用」の5つの役割から整理し、企業がどう使い分けるべきかを解説する。

何が変わったのか

OpenAIモデルは、単一のチャットモデルではなく、会話、API推論、開発支援、業務エージェント、自社運用という複数の実行レイヤーへ分化しています。

以前のOpenAIモデル比較は、GPT-4o、GPT-4o mini、o3、o4-mini、GPT-5といったモデル名を横に並べ、「どれが一番強いか」を見る形式で十分でした。しかし2026年のOpenAIモデル群は、単純な性能比較表だけでは判断できません。ChatGPT、API、Codex、Workspace agents、gpt-ossでは、用途・課金・権限・運用責任がそれぞれ異なるためです。

API側では、2026年7月10日時点のOpenAI公式Modelsページを確認したうえで、複雑な推論・コーディングにはGPT-5.6 Sol、知能とコストのバランスにはGPT-5.6 Terra、コスト重視の大量処理にはGPT-5.6 Lunaを候補にする、という三階層の用途別整理ができます。

一方、ChatGPT側ではGPT-5.5系が現行体験の中心となり、旧モデルは順次退役しています。OpenAIヘルプセンターでは、ChatGPT上の一部モデルが退役し、既存会話が後継モデルへ引き継がれるケースがあると説明されています。具体的なモデル名や退役日を示す場合は、該当リリースノートへの直接リンクと確認日を併記したうえで、社内マニュアルやプロンプト資産の見直しが必要になる運用イベントとして管理すべきです。つまり、OpenAIモデル選定は「古いモデルを一覧表に残して比較する作業」から、現行モデルの提供形態・課金体系・権限設計に合わせて、業務フローと運用責任を再配置する設計作業へ変わりました。旧モデル名を前提にした社内マニュアルや運用ルールは、気づかないうちに機能不全に陥るリスクがあります。

さらに重要なのがCodexです。OpenAIはCodexを、コード生成ツールではなく、pull request、リファクタリング、レビュー、クラウド環境での並列作業、常時稼働する自動化まで担うAIコーディングエージェントとして展開しています。OpenAIモデルの使い分けは、もはや「チャットで何を聞くか」だけではありません。どの仕事をChatGPTに相談し、どの仕事をCodexへ委任し、どの処理をAPIやgpt-ossで運用するかの設計です。

OpenAIモデル群を5つの役割で見る

OpenAIモデルは、会話、推論、開発、業務エージェント、自社運用で分けると判断しやすくなります。

OpenAIのモデル選定で最初に避けるべきなのは、「モデル名」から入ることです。モデル名は頻繁に変わり、提供プランやAPI上の扱いも更新されます。実務では、先に役割を決めるべきです。

表1：OpenAIモデル群の役割整理（2026年7月時点）

役割	主な対象	使いどころ	注意点
日常会話・文書作成	ChatGPTのGPT-5.5系	調査、要約、文章作成、壁打ち、日常的な業務支援	ChatGPT上のモデルは退役・置換が速いため、旧モデル名を前提に運用しない
APIの高難度処理	GPT-5.6 Sol	複雑な推論、コーディング、分析、ツール利用を伴う専門処理	高性能な分、コスト管理と評価基準が必須
APIの標準業務処理	GPT-5.6 Terra	知能とコストのバランスを取りたい社内アプリ、業務支援、レビュー	全件をSolへ流す前にTerraで足りる処理を切り分ける
大量処理・低コスト処理	GPT-5.6 Luna	分類、抽出、定型要約、ログ処理、低リスクな大量ワークロード	低コストモデルに難問を任せすぎると再処理コストが増える
開発・保守・レビュー	Codex	PR作成、リファクタリング、コードレビュー、CI/CD、課題トリアージ	開発標準、権限、レビュー手順、テスト環境の設計が成果を左右する
チーム横断の定型ワークフロー	Workspace agents	レポート作成、コード作成、メッセージ対応、継続的な業務処理	承認フロー、監査ログ、権限境界、実行責任の設計が必須
自社運用・カスタマイズ	gpt-oss	ローカル推論、オンプレ、独自ファインチューニング、閉域検証	API料金は不要でも、GPU、運用人員、安全対策、TCOが発生する
※2026年7月10日時点のOpenAI公式情報とArpable編集部調査をもとに作成。各モデルの提供可否、価格、利用条件は変更される可能性があるため、導入前に公式Modelsページと料金表を確認してください。

ChatGPTのGPT-5.5系――日常業務の入口

ChatGPTは、個人やチームが最初に触れるOpenAIの入口です。OpenAIのリリースノートでは、GPT-5.5 Instantについて、読みやすさ、日常会話での自然さ、実用的な支援タスクでのペース配分、長すぎる回答や箇条書き偏重の改善が説明されています。

ここで重要なのは、ChatGPT上のモデルは「固定資産」ではないということです。旧モデルは順次退役し、既存の会話も後継モデルへ引き継がれます。したがって、社内マニュアルに「この業務では旧モデルXを使う」と固定すると、すぐに陳腐化します。ChatGPTは、モデル名で固定するより、用途・品質基準・レビュー手順で運用するのが安全です。

GPT-5.6 Sol / Terra / Luna――API設計の中核

APIでOpenAIモデルを使う場合、2026年7月10日時点の基本線はGPT-5.6系です。OpenAI公式のモデル一覧では、GPT-5.6 Solを複雑な専門業務向け、GPT-5.6 Terraを知能とコストのバランス型、GPT-5.6 Lunaをコスト重視の大量処理向けとして整理しています。

この分化は、企業にとって非常に重要です。全件を最高性能モデルへ流す設計は、初期PoCでは簡単ですが、本番運用では月間トークン量・同時実行数・再試行回数の増加に応じて、請求書ベースの月次コストに直結します。特に問い合わせ分類やログ要約のような大量処理では、公開料金上の入力・出力トークン単価差が月間処理件数に掛け算で効くため、月次予算の乖離やROI悪化に直結します。用途別にSol・Terra・Lunaをルーティングする設計は、単なる性能最適化ではなく、予算の予測可能性を守る財務管理上の必須条件です。逆に、最初から安価なモデルだけで組むと、重要な判断や複雑な処理で品質が崩れます。OpenAI APIの使い分けは、Sol・Terra・Lunaを「階層」として設計することです。

Codex――開発チームの作業を委任する層

Codexは、単なるコード補完ではありません。OpenAIはCodex in ChatGPTを、pull request、リファクタリング、コードレビュー、複数エージェントの並列作業、クラウド環境での長時間タスクを担うAIコーディングエージェントとして位置づけています。

Codex appは、複数のエージェントを並列に動かし、スキルやAutomationsを使ってチームの標準に沿った作業を委任できる設計です。Codex cloudでは、GitHub、Linear、Slackなどからタスクを開始し、クラウド環境で作業を進め、結果をレビューしてからマージできます。

ここでの実務ポイントは明快です。Codexに任せるべきなのは、単発の「数行のコードを書いて」ではありません。Issueの解釈、コードベースの影響範囲の特定、実装、テスト作成までをCodexに委任し、人間は方針確認、レビュー基準への適合確認、マージ可否の判断に集中できる状態のPRとして提出させる一連の開発ワークフローです。導入時は、複数エージェントによる並列作業やAutomationsを、チームのコーディング規約、レビュー基準、テスト条件と結びつけて設計する必要があります。AI駆動開発の観点では、以下の記事とも合わせて読むと導入判断がしやすくなります。

AI駆動開発・バイブコーディング実践ガイド｜主要ツール・テンプレート・品質ゲート

Workspace agents――チーム業務を継続処理する層

OpenAIは、ChatGPT上でworkspace agentsを導入しています。公式発表では、workspace agentsはCodex-powered agentsとして、チームが共有できる長時間ワークフローを扱い、レポート作成、コード作成、メッセージ対応などをクラウド上で継続実行できると説明されています。

これは従来のGPTsの延長に見えますが、実務上は単なる会話ボットではなく、承認フロー、監査ログ、権限管理を伴う業務実行基盤として捉えるべきです。エージェントが文脈を集め、ツールを使い、必要に応じて承認を求め、SlackやChatGPT上で作業を進める。OpenAIモデル群の使い分けは、ChatGPTとAPIだけでなく、チームで共有する業務エージェントをどう統制するかまで含むようになっています。

gpt-oss――OpenAI系オープンウェイトという選択肢

gpt-ossは、OpenAIが公開したオープンウェイトの推論モデル群です。OpenAI公式は、gpt-oss-120bとgpt-oss-20bをApache 2.0ライセンスの下で利用可能なオープンウェイトモデルとして説明しています。gpt-oss-120bは大規模な推論基盤向け、gpt-oss-20bはより軽量なローカル・エッジ環境向けと位置づけられます。OpenAI公式は、gpt-oss-120bを80GBメモリ内で実行でき、gpt-oss-20bは16GBのメモリで実行できると説明していますが、導入時には、必要VRAM・量子化の可否・推論速度・同時接続数・保守体制・セキュリティ評価を確認したうえでハードウェア設計を行う必要があります。API費用が不要かどうかではなく、初期ハードウェア投資、電力、運用人員、監視、保守、監査コストを含めたTCOと、API利用を継続した場合の月額費用・スケール時費用を比較して判断すべきです。

gpt-ossの意義は、OpenAIが「APIで使う会社」だけではなく、「自社で動かす選択肢」も提供している点です。ただし、これは無料の魔法ではありません。API料金は不要でも、GPU、電力、監視、セキュリティ、運用人員、ライセンス確認、安全対策が必要です。

ローカルLLMの商用利用やライセンスの注意点は、以下の記事で詳しく整理しています。

ローカルLLMは仕事で使っていい？商用利用の落とし穴10選【2026年最新版】

実務ではどう使い分けるか

OpenAIモデル選定では、業務の難度、量、機密性、開発プロセスへの近さで配置を決めます。

OpenAIモデルの使い分けは、モデル名を覚えることではなく、業務リスクと運用責任を分解することです。先に、対象業務が「人間の相談」「API処理」「開発委任」「チーム横断の業務エージェント」「自社運用」のどれに属するかを決めます。この順番を間違えると、必要以上に高いモデルへ処理を流し続けるか、逆に重要業務を低コストモデルへ任せて品質事故を起こします。

表2：業務別OpenAIモデル使い分けの例

業務	推奨配置	理由	確認すべきこと
経営資料・提案書のたたき台	ChatGPT GPT-5.5系 / GPT-5.6 Terra	文章品質とコストのバランスを取りやすい	社外秘情報を入れる場合のデータ管理
複雑な分析・仕様レビュー	GPT-5.6 Sol	推論力と長い文脈処理を重視するため	評価基準、出典確認、レビュー責任者
問い合わせ分類・ログ要約	GPT-5.6 Luna / 低コスト構成	大量処理では単価が効くため	誤分類率、再処理率、月間上限額
コード修正・リファクタリング	Codex	リポジトリ、テスト、PRまで含めて委任しやすい	権限、ブランチ戦略、レビュー、CI
チーム横断の定型ワークフロー	Workspace agents	クラウド上で継続処理し、チームで共有できる	承認フロー、監査ログ、権限境界
機密性の高い検証・閉域処理	gpt-oss / 自社ホスト	外部APIへ出せないデータを扱いやすい	TCO、ライセンス、安全性、運用人員
※業務ごとの推奨配置は一例です。実導入では、自社データでの評価セット、処理コスト、P95/P99レイテンシ、セキュリティ要件を確認してください。

最初に見るべきは「難度」ではなく「失敗コスト」

多くの企業は、業務を「簡単か難しいか」で分けようとします。しかし、実務ではそれだけでは足りません。重要なのは、失敗したときの損失です。

同じ要約でも、社内メモの要約と、契約書の要約では失敗コストがまったく違います。同じコード生成でも、テスト用スクリプトと、本番決済ロジックでは求められるレビュー水準が違います。失敗コストが高い業務ほど、上位モデルを優先し、人手によるレビュー、実運用に近い評価セット、承認フローを厚くするべきです。たとえば同じ要約でも、社内メモの要約は手戻りで済む一方、契約書の要約は法務リスクや取引条件の誤認につながります。だからこそ、「精度95%」といった単一指標だけで判断せず、残りのエラーが引き起こす誤回答1件あたりの損失額、リカバリに必要な人間のレビュー工数、再処理率まで含めた総合的な業務維持コストとして判断する必要があります。

避けるべき失敗パターン

OpenAIモデル導入で失敗する企業は、モデル名を決めても評価・権限・コスト設計を後回しにします。

ここまでOpenAIモデル群の正しい配置を見てきました。ここからは視点を変え、多くの企業が実際に踏み抜きやすい地雷を整理します。

失敗1：全件を最高性能モデルへ流す

PoCでは、まず最高性能モデルに全部投げるのが楽です。しかし、本番で利用量が増えると、コストが一気に効いてきます。分類、抽出、定型要約、簡単な問い合わせ対応まで上位モデルへ流す設計は、初期の安心感と引き換えに、運用コストを膨らませます。

実務では、Sol・Terra・Lunaのような階層を作り、月間トークン量・同時実行数・P95/P99レイテンシ・1件あたりの処理単価・月間上限額を試算します。P95/P99レイテンシは、リクエストの95%・99%が完了するまでの時間を示す指標であり、顧客離脱や業務システムのタイムアウトに直結します。これらの指標は少なくとも四半期単位で見直し、利用量の増加やモデル価格の変更を反映させる必要があります。OpenAIモデルを使うほど、ルーティング設計がコスト管理そのものになるのです。

失敗2：Codexを「コードを書かせる道具」とだけ見る

Codexの価値は、コード生成そのものより、開発ワークフローに入ることです。Issueを読み、コードベースを理解し、変更し、テストし、レビューへ回す。この一連の流れを設計しないまま「コードを書いて」と頼むだけでは、効果は限定的です。

Codex導入では、権限、リポジトリ接続、ブランチ戦略、テスト、レビュー、マージ条件を先に決めます。AIがどこまで触ってよいかを決めないまま導入すると、便利さよりもレビュー負荷が先に増えます。

失敗3：gpt-ossを無料モデルとして扱う

gpt-ossは、OpenAI系のオープンウェイトモデルとして重要な選択肢です。しかし、API費用が不要という一点だけで採用すると、GPU調達、ストレージ、電力、保守、安全性評価、商用利用条件、監査のコストを見落とします。これらを合算したTCOがクラウドAPI利用コストを上回る場合もあり、「安くしようとして高くなる」逆転現象が起き得ます。

自社運用するなら、API料金ではなくTCOで比較します。社内の機密データを扱える自由度と引き換えに、運用責任も自社へ移る。この前提を経営層と開発側で共有しておく必要があります。

失敗4：モデル更新を運用イベントとして扱わない

ChatGPTのモデルは退役・置換が速く、APIモデルも価格や提供条件が変わります。同じモデル名に見えても、挙動、価格、周辺ツール、提供プランが変わる可能性があります。

モデル更新は、単なるニュースではありません。評価セットでの再評価・回帰テスト・コスト再試算・現場周知を伴う運用イベントです。特に本番APIへ依存する業務では、モデル更新による出力傾向の変化が品質劣化につながるため、更新検知、評価、展開可否判断、現場周知までの手順をLLMOpsやIT変更管理プロセスに組み込むべきです。モデルを使うほど、モデル更新を管理する仕組みが必要になるのです。

導入ロードマップ

OpenAIモデル導入は、小さく試し、評価セットを作り、ルーティングと権限管理へ進めるのが安全です。

表3：OpenAIモデル導入ロードマップ

段階	やること	成果物	注意点
Step 1	失敗時の損失額、処理量、機密性、期待ROIを比較し、費用対効果を検証しやすい代表業務を3〜5個選ぶ	業務別ユースケース一覧	いきなり全社展開しない
Step 2	自社評価セットを作る	問い合わせ、契約書、設計書、コード規約などの評価データ	公開ベンチマークだけで判断しない
Step 3	ChatGPT / API / Codex / Workspace agents / gpt-ossを役割分担	モデル配置表	モデル名ではなく業務責任で分ける
Step 4	コスト・レイテンシ・品質を測る	PoC評価レポート	P95/P99レイテンシと月間上限額を見る
Step 5	権限・監査・承認フローを設計	運用ルール、レビュー基準、監査ログ設計	特にCodexとworkspace agentsは権限境界が重要
※PoCではモデル性能だけでなく、業務短縮時間、再作業率、承認負荷、現場の待機時間も測定してください。

まとめ：OpenAIモデル選定は、モデル名ではなく業務設計で決まる

OpenAIモデルの価値は、GPT・Codex・Workspace agents・gpt-ossを業務にどう配置するかで決まります。

OpenAIモデルを選ぶとは、単に「どのGPTが一番強いか」を決めることではありません。ChatGPTで人間の思考を支援するのか、APIで業務処理を回すのか、Codexに開発作業を委任するのか、gpt-ossを自社環境で動かすのか。まず決めるべきは、モデル名ではなく責任範囲です。

GPT-5.6 Sol / Terra / Lunaは、難度、失敗コスト、処理量、予算上限に応じてAPIのモデル階層として使い分けるべきです。ChatGPTのGPT-5.5系は、日常業務の入口として扱うべきです。Workspace agentsは、チーム横断の定型ワークを継続実行するエージェントとして統制すべきです。Codexは、開発チームの作業を進めるエージェントとして設計すべきです。gpt-ossは、自由度と引き換えに運用責任を引き受ける選択肢として評価すべきです。

OpenAIモデル選定は、単発の買い物ではありません。モデル更新、価格変更、業務量の増加に合わせて配置を見直し続ける、継続的な業務設計です。次のモデルが登場したときに慌てて比較表を作り直すのか、それとも既存の業務責任マップに沿って、どの業務にどのモデル役割を割り当てるかを見直すだけで済ませるのか。その差を生むのは、今日の時点で業務責任とモデル役割を結びつけているかどうかです。

専門用語まとめ

OpenAIモデル選定で押さえておきたい用語を、実務導入の文脈で整理します。

GPT

OpenAIの汎用モデル群を指します。2026年時点では、ChatGPT上のモデル体験とAPI上のモデル選択を分けて理解する必要があります。

推論モデル

複雑な問題を段階的に考える能力を重視したモデルです。高難度タスクに向く一方、コストとレイテンシが増えやすい点に注意が必要です。

Codex

OpenAIのAIコーディングエージェント群です。コード生成だけでなく、レビュー、リファクタリング、クラウド環境での並列作業、ワークフロー自動化に使われます。

gpt-oss

OpenAIのオープンウェイト推論モデルです。自社環境で動かせる自由度がある一方、GPU、運用、セキュリティ、TCOの設計が必要です。

TCO

Total Cost of Ownershipの略です。API料金だけでなく、GPU、電力、人件費、監視、保守、セキュリティまで含めた総保有コストを指します。

参考文献 / 出典

OpenAI公式発表、公式ドキュメント、ヘルプセンターを中心に参照しています。

モデル名、価格、提供条件、退役日は変更される可能性があるため、導入前に各出典の最新更新日と確認日を必ず確認してください。

次に読むならこの4本

OpenAIモデルの使い分けを、LLM全体設計・AI駆動開発・ローカルLLM運用へ広げて理解できます。

補足Q&A

OpenAIモデル選定でよく出る疑問を、実務目線で整理します。

Q1.
OpenAIモデルは、結局どれを選べばよいですか？

A1.
最初に選ぶべきはモデル名ではなく、業務の責任範囲です。

日常の相談や文章作成はChatGPT、APIの高難度処理はGPT-5.6 Sol、標準処理はTerra、大量処理はLuna、開発作業はCodex、チーム共有の定型ワークフローはWorkspace agents、閉域運用はgpt-ossというように、業務別に配置します。

Q2.
CodexはGitHub CopilotやCursorの代わりになりますか？

A2.
単純な代替というより、開発作業を委任するエージェントとして位置づけるべきです。

CopilotやCursorがIDE内の共同作業者として強い一方、CodexはChatGPT、エディタ、CLI、クラウド環境をまたぐ作業委任に強みがあります。リポジトリ、テスト、PR、レビューまで含めて評価します。

Q3.
gpt-ossは無料で使えるOpenAIモデルですか？

A3.
モデルの利用にAPI料金はかかりませんが、業務利用では無料とは考えない方が安全です。

gpt-ossはオープンウェイトモデルとして利用できますが、GPU、電力、監視、セキュリティ、運用人員、ライセンス確認、安全性評価が必要です。API料金ではなくTCOで比較します。

Q4.
古いGPT-4oや旧GPT-5系モデルは記事に残すべきですか？

A4.
歴史的な説明としては触れてもよいですが、導入判断の主役にしない方がよいです。

ChatGPT上の旧モデルは退役・置換が進んでいます。企業向けの記事では、旧モデル比較よりも、現行の提供面、退役ポリシー、業務別ルーティング設計を重視すべきです。

更新履歴

OpenAIモデルの提供状況、Codex、gpt-oss、ChatGPTモデル更新に合わせて継続更新します。