GPT-5.6がKiroで1タスク82%減 効いたのはモデルだけではない

まず時系列で(いつ何が出たか)

1. 2026年7月14日、AWSのKiroがGPT-5.6のSol・Terra・Lunaを載せました。Kiroが公開1年を迎えた日でもあります。
2. その時点で公開されたのは、主にベンチマークの点数です。Anthropicのモデルの隣にOpenAIのモデルが並びました。
3. 2026年8月24日、OpenAIが同じ提携について、今度は値段の話を出しました。1つのタスクを終えるのにいくらかかったか、です。

この2つは別々の発表です。Kiro側は7月に点数を、OpenAI側は8月に費用を出しました。いつ測ったのかは、どちらにも書かれていません。

確認できた事実

発表はOpenAIの公式ブログで、日付は8月24日です。分類はProductとPartnershipsに入っています。

Kiroは、AWSが出しているエージェント型の開発環境です。IDEとコマンドライン版とブラウザ版があります。特徴は仕様駆動開発と呼ばれる進め方で、いきなりコードを書かせません。まず要件を文章にし、技術設計に落とし、実行できるタスクへ割ってから着手します。

今回いちばん大きいのは、この数字です。Terminal-Bench 2.1で、GPT-5.6 TerraはKiro上で、成功したタスクあたり約82%のコスト削減を達成した。OpenAIとAWSが共同でKiro環境とモデルを最適化した結果だとしています。

理由の説明も具体的でした。仕様駆動の進め方が、要件と設計とタスクの文脈を最初からモデルに与える。だから動く答えに早く着き、行き止まりに入る回数が減る。ここまでがOpenAI側の説明です。トークンを使いすぎない話は、Kiro側が別に書いています。長い作業でも道具の使い方を自分で整理し、往復を減らすとしています。

Kiroで使える機能として挙がっていたのは6つです。要件を実装計画へ落とすこと。複数手順の作業を一貫してやり切ること。仕様を先に置くこと。コードベースとチームの決まりを文脈として渡すこと。変更が入る前に、要所でモデルの作業を人が見直すこと。そしてプロパティベーステストで実装の正しさを確かめることです。

提供条件はKiro側の発表に書かれています。Sol・Terra・Lunaはいずれも272Kのコンテキスト。クレジット倍率はSolが2.4倍、Terraが1.2倍、Lunaが0.6倍です。対象はKiro Pro・Pro+・Pro Max・Powerで、地域はAWSの米国東部(バージニア北部)と欧州(フランクフルト)。experimental扱いで段階的に配られています。

もう1つ、運用で効く記載があります。KiroのGPT-5.6は思考過程が隠されており、内部の推論ステップは表示されません。見えるのは最終的な出力だけです。仕様どおりの挙動であり、品質には影響しないとされています。

数字は割れている

ここは公平に書いておきます。GPT-5.6が全部勝ったわけではありません。7月14日にKiroが出した比較表では、ベンチマークによって勝者が入れ替わっています。

表は4つのベンチマークで、Solが3つ取っています。Terminal-Bench 2.1はSolが88.8%でClaude Fable 5が83.1%。Coding Agent Index v1.1はSolが80でFable 5が77.2。DeepSWE v1.1もSolが72.7%でFable 5が69.7%です。

ところがSWE-Bench Proでは逆転します。Fable 5が80%、GPT-5.6 Solは64.6%。15ポイント以上の差がついています。実際の不具合修正に近いとされる試験で、これだけ開いている点は覚えておく価値があります。

82%という削減率も、測ったのはOpenAIとAWSです。第三者による再現ではありません。対象もTerminal-Bench 2.1という1つのベンチマークで、Terraという1つの階層の話です。

そしてもう1つ、いちばん弱いところ。何と比べて82%減なのかが書かれていません。別のモデルと比べたのか、仕様駆動を使わない場合と比べたのか、以前の版と比べたのか。ここが分からないと、数字の意味は決まりません。

読者への影響

Kiroを使っていないなら、今日すぐ変わることはありません。それでも数字は借りられます。

まずクレジット倍率です。Solが2.4倍でLunaが0.6倍。同じ1回でも4倍の開きがあります。全部を最上位でやると、月末に請求を見て驚くことになります。「難しいところだけSol、あとはLuna」と決めておくだけで効きます。AI利用のコスト管理で同じ考え方を整理しています。

次に提供条件です。experimental扱いで、地域はバージニア北部とフランクフルトの2つ。クロスリージョン推論に対応するとも書かれています。データの置き場所に決まりがある会社なら、ここは先に確認する項目です。

3つめが思考過程が見えない点です。エージェントが何をしたかの記録を残す運用にしているなら、残るのは結果だけになります。先日のデータ不保持の話とは向きが違いますが、後から辿れる範囲が製品によって違うという点は同じです。

今日できるアクションを1つ挙げるなら、これです。自分のチームが1つの作業をAIに終わらせるのに、いま何円かかっているかを測ること。点数の話は各社がしてくれますが、この数字は自分で測るしかありません。

どう読むか

ここで立ち止まりたいのは、比べる単位が変わったことです。

これまで、モデルの記事はだいたい点数の話でした。何点取ったか、何位か、誰を抜いたか。今回OpenAIが前に出したのは「1つ終わらせるのにいくらかかったか」です。分母が問題の数ではなく、成功したタスクになっています。

昨日の週次では、ブレーキの側に値段がついた週だと書きました。2週間、20%、30分。今回はその裏返しで、アクセルの側にも1タスクあたりの値段がついたことになります。同じ週に両方が数字になったのは、たぶん偶然ではありません。

そしてもっと引っかかったのが、82%を作った中身です。OpenAIは要因を3つ挙げています。環境とモデルを一緒に調整したこと。トークンあたりの働きが上がったこと。そしてKiroが先に仕様を書かせることです。

目を引くのは3つめでした。要件と設計を渡されたモデルは、途中で道を間違える回数が減る。間違えないから、やり直しをしない。モデルを取り替えなくても効く話が、削減の要因に並んでいます。

つまり買っているのはモデル単体ではなく、モデルと足場の組み合わせだということです。同じGPT-5.6でも、雑に投げれば高くつき、段取りを踏ませれば安くなる。比べる相手が書かれていないので幅は分かりませんが、足場が費用に効くという主張自体は、実務の感覚と合います。

最後に構図の話を1つ。KiroにはもともとAnthropicのモデルが載っていて、そこにOpenAIのモデルが並びました。開発者はどちらでも選べて、場所代を取るのはAWSです。この夏ずっと追ってきたのは「誰に配るか」を提供元が決める話でした。ここでは置き場所を持っている側が、並べる順番を決められる立場にいます。配布の主導権が、少しだけ横に動いています。

次に見ること

最優先は、82%の再現です。第三者が別のベンチマークで測っても同じ桁になるか。ここが揃えば「足場で費用が変わる」は業界の常識になり、揃わなければ環境依存の話で終わります。

第二に、experimentalが取れるかどうか。あわせて対象地域が増えるかも見ます。いまの2地域では、日本の企業がデータの置き場所を理由に見送る場面が出ます。

第三に、Anthropic側の反応です。Kiroの主力はもともとClaudeでした。SWE-Bench Proでは、7月14日時点の表でFable 5が80%と先頭でした。同じ「1タスクあたり」の単位で数字を出してくるかどうかが焦点です。

第四に、他のコーディングエージェントが同じ単位に乗るか。点数ではなく費用で比べる流れが広がれば、モデルの選び方そのものが変わります。

前後の流れ

OpenAIがUltrafastモードを予告 GPT-5.6 Solを最大14倍速で / OpenAIがGPT-5.6を値下げ Lunaは8割減 / 週次レビュー ブレーキに値段がついた週 / AI利用のコスト管理