1ヶ月なくなっただけで、チームは「石器時代に逆戻り」と言った

Everyはアメリカのメディア兼ソフトウェア企業で、深い分析記事を発信する一方、自社でもAIプロダクトを作っている。編集部は常に最先端モデルを一次情報として実際に使ってみるレビューを行っており、この「vibe check」シリーズは彼らの看板コンテンツだ。この記事が正式公開される前、Solは既に約1ヶ月間、Everyチームの日常業務に深く入り込んでいた——なくなったときに痛みを感じるほどに。

その1ヶ月間、Solはほぼどこにでも存在していた。Dan Shipperの受信トレイをゼロに保ち、会議やSlackに散らばっていて彼が本来なら見逃していたはずの決定事項を一つ一つ追跡してくれた。Austin Tedescoのペースにもついていけた:マーケティングのアイデアから、メール、ランディングページ、そして実験まで、彼が繰り返し説明したり集中力を失ったりする必要なく一貫して進行した。本稿の著者Katie Parrottにとっては、ファイルの取得やコンテキストの検索が驚くほど速くなり、彼女が毎日モデルとやり取りする方法を根本的に変えてしまった。

6月末、Solは政府の審査を受けるため一時的にオフラインとなり、チームはアクセス権を失った。Danは、他のモデルに戻ることは、たとえ手元にFableがあっても、まるで石器時代に逆戻りするようだったと語る。Austinは、GPT-5.5に切り替えることを「普段より重さが倍のバスケットボールを投げるようなもの」と表現した。Everyは以前のSonnet 5実測記事の中で「期待値が絶えず引き上げられる革命」という言い方をしていたが、このSol不在の期間はまさに、人間がより高い生活水準にどれほど早く慣れ、その水準が後退するときにどれほど辛いかを裏付けるものになった。

Danにはもっと具体的なたとえがある。Solはポルシェで、Fableはワープエンジンだ。Fableはもちろん銀河系全体を横断できるが、たいていの場合、人は宇宙になんて行きたいわけではなく、ただ街中を走りたいだけで、Solはその「格好よく走らせてくれる車」なのだ。

9人、9つの本音

Everyの「Reach Test」は、役割の異なる9人のメンバーがそれぞれ一言でSolへの本音を語り、感情レベルを付けるというものだ。一目見れば、この依存度が形だけのものではないとわかる。

9枚のカードのうち8枚がポジティブに傾いており、1枚(Arielle)だけは終盤に計算ミスに遭遇したため「まあまあ」にとどまった。この全体的な傾向が、チームがなぜこれを日常の主力として使い続けているのかを説明している。では具体的にどこが強くて、どこで詰まるのか。以下でコーディング、ライティング、知識労働の順に掘り下げていく。

実務はこなせるが、引き際を知らない

日々の開発において、SolはGPT-5.5に対して確実なアップグレードだ。見知らぬ本番コードベースの中でバグを最後まで追いかけられるし、大きなプロジェクトを最初から最後まで丸ごとやり抜くこともでき、他のモデルならとっくに手を止めているところでもテストを続けられる。チームの何人かのエンジニアは既にこれを日常の主力にしている。その限界が現れるのは、タスクがモデル自身に「何をやらないべきか」を判断させる必要がある場面だ。

Everyには「Senior Engineer」という独自のベンチマークがある。実在するが混沌としたコラボレーション用コードベースをモデルに渡し、ベテランエンジニアのようにシステムをどう作り直すべきか判断させるもので、まさに「いつ手を止めて過剰設計を避けるべきか」を試すことに主眼を置いている。このベンチマークでSolは56点、Claude Fable 5は90点を取った。

要件が明確なら、真価を発揮する

逆に、目標さえ明確であれば、Solの実行力は十分な戦力になる。最も強力な実運用の一例は、Naveen Naiduが自社プロダクトMonologueの日々の開発でSolを使ったケースだ。GPT-5.5は推論レベルを最大まで上げても、ノート録音のバグの根本原因を何度も突き止められなかったが、Solは既存のコードベースを辿ってその失敗を追跡し、修正した。Kieran Klaassenも、チームのコラボレーション用ドキュメントエディタProofを一言のプロンプトからSolとFableそれぞれに再構築させてみたところ、Solは所要時間のおよそ3分の1でProof相当のアプリを動く状態で仕上げた(ただしデザイン面ではDanはFable版の方を気に入っている)。SolはまたGPT-5.5が仕上げきれなかったデジタルオーディオワークステーションも完成させた。

これらの結果はチームの体感と一致する。欲しいシステムさえはっきりしていれば、Solは速く、リソースの探し方もうまく、実装力も高い。「何を作らないべきか」の判断がタスクの中心になる場面では今もFableが第一選択だが、方向性さえ定まれば、実行はSolに任せるのが最も気楽だ。

ブラインドテストで最下位、それでも最も手放せない相棒

Everyのライティングベンチマークでは、Solは6モデル中最下位。書いた文章は最も読みにくく、編集上の取捨選択も公開済みの参照版から最もかけ離れていた。それなのに、この同じモデルを、チーム全体が日常のライティングでSonnet 5やOpus 4.8よりも圧倒的に好んで使っている。答えは全編を貫く一つの枠組みにある。

コーディング、ライティング、知識労働、Agentの4つの評価軸は、すべてこの軸上に位置づけられる。左寄り(独立して判断し、一度で仕上げてから確認する)ならFableが安定し、右寄り(人がそばにいて見ながら直す)ならSolが使いやすい。そして日常のライティングの大半は、まさにこの右寄りに当てはまる。

この実測記事自体がその実例だ。Solは過去数十本の《Vibe Check》の文体の変遷を追跡でき、ある細部を裏付ける、Slackに埋もれていた過去のやり取りを掘り起こすこともできる。6〜8時間の集中作業の中で一気に24稿仕上げ、著者がじっくり考える間ずっと待たされることもなかった。稿ごとに一連の編集判断が加わり、少しずつ完成形へと近づいていく。反復と行き来を前提とするライティングという仕事にとって、これこそ強いモデルのあるべき姿だ。ただし記事の冒頭を一発で書き上げたり、人間のように的確に締めくくったりすることは、依然としてSolには届かない領域である。

ブラインドテストで最下位になった理由

ライティングベンチマークはあえて条件を絞ってあり、誰の助けもない状態でモデル自身がどう書くかだけを見る。その結果Solは最下位だった:公開済みバージョンとの類似度が最も低く、Flesch-Kincaidスコアが最も高く(=読みにくい)、読みやすさが最も低かった。Flesch-Kincaid(FK)とは、文の長さと語彙の難易度から文章を採点する指標で、スコアが高いほど読みにくいことを意味する。

Everyのライティングベンチマーク:直近6モデルの類似度、学年レベルの難易度、読みやすさの比較。GPT-5.6 Solは最下位で、公開済み原稿との類似度が最も低く、FKスコアが最も高く読みやすさが最も低い。図 / Katie Parrott、Every

文は短いのに、単語は大きい

Solの書く文は比較的短く、一つの論証を引き締まった小さな段落に分けがちだ。《After Automation》向けに書いた最も良い出来の冒頭では、リズムがOpus 4.8よりも公開済みの冒頭に近く、一方Opusはより少なく、より大きな段落で展開する。問題は文の内部にある。文の長さが同程度でも、Solはより長く、より抽象的な語彙を好む。

Opusはよりシンプルな語彙を、より複雑な構文に詰め込む。Solが出すのはページをざっと流し読みするには快適だが、一行ずつ読むとかえって疲れる文章だ。目立ったAIの痕跡に関しては、むしろSolが最下位になった原因ではない。決まり文句的な転換、偽の対比、ありきたりな表現、繰り返しのレトリックといったチェック項目では、Solは中位につけている。その文章はクリーンにはなり得るが、機械っぽさをもう一度チェックせずにそのまま出せるほど常にクリーンというわけではない。

GPT-5.6 Solのライティングサンプル:短めの文、引き締まった段落、AIの痕跡は比較的少ない。図 / Katie

Opus 4.8のライティングサンプル:構文がより複雑で段落も長く、「not X, but Y」のような定型表現に陥りやすい。図 / Katie

コンテキストを与えると、水準が上がる

ブラインドテストはあえて「材料を渡さない」設計だが、実際の現場では人はモデルに大量の素材を与える。Solがそうしたコンテキストをどう吸収し使いこなすかを見ると、より輝く一面が現れる。著者は同じライティングタスク、同じ素材、同じ方向性を、SolとOpus 4.8それぞれに渡し、コラム《Working Overtime》の初稿をそれぞれ書かせた。Solは人を引き込む冒頭を返し、全体もこのコラム既存のトーンや語り口に近かった。Opusが返した段落は密で読みにくく、著者がコンテキストファイルで定義していた声とかみ合っていなかった。

Sol(著者の素材とスタイルコンテキストを使用):より速く、著者がそのまま手を入れて使いたくなるタイプの原稿に近い。図 / Katie

Opus 4.8(同じ素材とコンテキストを使用):文章が密で複雑、語彙も凝っていて、著者のより口語的なトーンとはかみ合わない。図 / Katie

Austinがマーケティング文案を作るときも同様だった。誘導なしだと、Solは「誰にでも書けるライター」で、ありきたりで冗長になる。ただ会社の背景、テンプレート、スタイルガイドを与えると、生成されるランディングページのコピー、SNS投稿、マーケティングメールは、Austinがほとんど手直しせずそのまま出せるレベルになる。素材、サンプル、ルールを与えれば質は上がっていくが、論点や基準をゼロから決めさせると、ブラインドテストで見えた弱点が戻ってくる。

リアルタイムのライティング相棒として、最強

Solが最も力を発揮する立ち位置は、リアルタイムのライティングパートナーとしてだ。原稿を直すのが速く、編集の方向性にぴったり寄り添う。書き手は新しい冒頭を試したり、段落を組み替えたり、あるいは弱い草稿を丸ごと捨てたりしても、その都度タスクを組み直す必要がない。取材ベースで反復が多く、方向性やフィードバックが大量にあり、スタイルガイドやサンプルまで揃った著者の日常のライティングフローに対して、Solは明らかにClaude系を上回る。Opusは反応が遅く、Sonnet 5は誘導が難しいが、Solは方向転換が速く、フィードバックに基づく修正も速く、さらに新しい情報を後の会話に持ち込むことができ、Sonnet 5のように直近の一つの指示に固執して大きな目標を見失うこともない。技術コンサルティング責任者のMike Taylorも、ライティングと編集をSolに任せ始めている。理由は「基本的に人が不快に感じるようなことを言わない」からだ。修正を受け入れ、出典や以前の決定を覚えていて、それからすぐにもう一度試す。判断は今も人間の編集者が下すが、Solはその判断を原稿全体にわたってより安く実装できるようにしてくれる。

同じタスクでも、3モデルで3通りのやり方

「Solは主体的で、質問もしてくる」と抽象的に言うより、実際のケースを見た方がわかりやすい。Everyのオペレーション責任者Arielle Shipperは、同じ最初のタスクをGPT-5.5、Claude Fable 5、Solの3つに同時に渡し、それぞれの進め方を比較した。

Austinの日常業務にも同じ一貫性が表れている。彼はマーケティングのアイデアから出発し、メールを起草し、コピーをランディングページに変え、さらに実験を組み立てる、その全過程をCodexから離れることなく、対象読者やセールスポイントを改めて説明し直すこともなくこなせる。ベテラン編集者Jack Chengは、段落を統合し業界用語を削るのにSolを使いながら、そのコピーが実際に表示される公開ページ上でそのまま作業しており、行ごとに最終的な画面に置いた状態で判断できる。これらのワークフローは、一発で完成するアプリよりもむしろ本物の仕事の一日に近い:発端を見つけ、要件を理解し、人が判断すべき点について質問し、その答えを最終成果物に反映させる。

3段階の価格、2段階のパワー

価格面では、OpenAIのこの3段階は、ほぼAnthropicの3モデルに一対一で対応しており、予算に応じたベンダー横断の比較がしやすい。

並べて見ると:Sol は入力価格がOpus 4.8と同水準で、出力は100万トークンあたり$5高い。Terraは Sonnet 5のキャンペーン価格($2 / $10、8月31日まで)より高いが、値上げ後の$3 / $15には近い。Luna は入力がHaiku 4.5と同額で、出力は$1高い。

maxとultraとは何か

3段階のモデルに加えて、Solは新しい推論設定を2つ持ち込んだ。タスクの難易度に応じて段階的に計算資源を使う仕組みで、すべての作業を同じ設定でこなすわけではなくなる。

プロダクト面では、ChatGPTとCodexが統合されたこのApp、Everyもまだあまり使い込んではいないが、現状の使用感は当時のCodexと同様、「居続けたくなる場所」だという。

Solを使うべきとき、Fableに切り替えるべきとき

これまでの4つの軸の判断を、そのまま使えるチェックリストにまとめた。原文では2つのシナリオ群が挙げられており、ちょうど「委任 vs 協働」という軸の両端に対応する。

Everyチームの使い方も、この軸に沿ったものになっている。Danは難しいエンジニアリング作業をFableにメインagentとして任せ、定義済みの実行をSolに任せる。Mikeは Solを日常の主力にし、「ついにOpusを押しのけた」と言いつつ、Fableは「鋭いピークの知性」とより強いコンテキスト運用のために残している。結果がはっきりしていて、なおかつずっと前に進み続けつつ随時介入できるagentが欲しいなら Sol を使う。「システムそのものを定義する」ことが主なタスクであるときは、早い段階でチェックポイントをしっかり設けるか、アーキテクチャをFableに任せてSolに実行させるかのどちらかにするといい。

Everyはアメリカのメディア企業で、自社でもAIプロダクトを作っており、編集部は常に最新モデルを一次情報として実際に試している。今回は9人が1ヶ月連続でSolを使い続け、その途中で政府審査によりオフラインになった際、Danは他のモデルに戻ることを「石器時代に逆戻りするようだ」と言った。この依存度の深さがわかる。同じ作業でも、Solを使う前後の違いは一目瞭然だ。

コードは書けて、仕事ぶりも主体的なのに、なぜかライティングのブラインドテストでは最下位。その理由は1枚の図に隠れている。

EveryはAIを使った仕事を2種類に分けている。「委任」はタスクを割り振り、人は離れ、戻ってきて確認する。「協働」は人がそばに付き、モデルが素早く選択肢を出し、人がリアルタイムで判断する。ランキングと日常は、ちょうどそれぞれ別の使い方を測っており、これがあの矛盾した答えの正体だ。

「速い」と言われてもピンとこないが、時間に換算すればわかる。エンジニアのKieranは、SolとClaude Fable 5にそれぞれ同じ一言のプロンプトを与え、チーム内部のコラボレーション用ドキュメントエディタProofを再構築させた。

これらの数字のうち、56:90、約12,900行、ライティング最下位はいずれもEveryチーム独自のテストとブラインドテストによるもので、第三者による再現はされていない。「現時点で最強」「サイバーセキュリティ能力最強」はOpenAI自身の見解だ。