Every の9人チームが1か月実測：GPT-5.6 Sol は実際どうなのか？

1か月それがないと、チームは石器時代に戻ったようだと言う

Every はアメリカの AI メディア兼ソフトウェア企業で、深掘り分析を出すと同時に自らも AI 製品を作っており、編集部は長らく最前線のモデルで一次体験レビューを行ってきた。この「vibe check」シリーズは彼らの看板だ。このレビューが正式に出る前、Sol はすでに約1か月、Every チームの日常に染み込んでいた——失うと痛みを感じるほど深く。

その1か月、Sol はほぼどこにでもいた。Dan Shipper の受信トレイをゼロに保つのを助け、会議や Slack に散らばって彼が見落としていたはずの決定を1つ1つ追跡した。Austin Tedesco のペースにも付いていった——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、さらに実験まで、彼が何度も説明し直す必要も、焦点を見失う必要もなかった。本稿の筆者 Katie Parrott のためには、素早くファイルを取り出しコンテキストを探し出し、彼女が毎日モデルと向き合うやり方を根本から書き換えた。

6月末、Sol は政府の審査を通す必要があってオフラインになり、チームはアクセス権を失った。Dan は言う——ほかのモデルに戻ると、たとえ手元に Fable があっても、石器時代に逆戻りしたようだ、と。Austin は GPT-5.5 に切り替えることを「いつもの倍の重さのバスケットボールをシュートする」ことに例えた。Every は以前の Sonnet 5 の実測で「期待値がどんどん上がっていく革命」という言い回しを取り上げたが、この Sol のない日々は、人がどれほど早く高い生活水準に慣れるか、そしてその水準が後退するときどれほど辛いかを、まさに裏付けた。

Dan にはもっと分かりやすい例えがある——Sol はポルシェ、Fable はワープエンジンだ。Fable はもちろん銀河全体を横断させてくれるが、たいていの場合あなたは宇宙になど行かず、街中を走りたいだけで、Sol はそれをスタイリッシュに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名のメンバーが、それぞれ Sol への本音の評価を一言ずつ述べ、感情レベルを示すものだ。一画面見れば、この依存が形だけのものでないと分かる。

9枚のカードのうち8枚が肯定寄りで、1枚（Arielle）は後半で計算ミスに当たったため「まあまあ」にとどまった。この全体的な傾向が、チームが Sol を日常主力にする理由も説明している。それが結局どこで強く、どこで詰まるのかは、以下でコーディング、執筆、ナレッジワークと1節ずつ分解していく。

コーディングは仕事をこなせる、ただ引き際を知らない

日常の開発では、Sol は GPT-5.5 からの確かなアップグレードだ——見知らぬ本番コードベースの中で1つの bug をどこまでも追い、大きなプロジェクトを最初から最後まで担い切り、ほかのモデルがとっくに手を止めた場所でもテストを続けられる。チームの複数のエンジニアがすでに日常主力にしている。その限界は、タスクがモデル自身に「何をやってはいけないか」を判断させるときに現れる。

Every には Senior Engineer という基準がある——現実の、しかし雑然とした共同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書き直すべきか判断させるもので、まさに「いつ手を止めるか、過剰に設計しないか」を重点的に測る。この基準で Sol は56点、Claude Fable 5 は90点を取った。

要件が明確なとき、最も輝く

逆に、目標さえ明確なら、Sol の実行力は十分に通用する。最も強い本番事例は Naveen Naidu から来ている。彼は自社製品 Monologue の日常開発で Sol を使った——GPT-5.5 を超高推論設定にしても、あるノート録音 bug の根本原因を何度も突き止められなかったのに対し、Sol は既存のコードベースをたどってこの失敗を追い、修正した。Kieran Klaassen はさらに、Sol と Fable に一言のプロンプトからチームの共同ドキュメントエディタ Proof を再構築させ、Sol はおよそ3分の1の時間で動く Proof 風アプリを仕上げた（ただしデザインは Dan は Fable 版のほうが好みだった）。Sol は 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——欲しいシステムが明確になれば、Sol は速く、リソースを見つけるのもうまく、実装力も高い。本当に「何を作るべきでないかの判断」が主要なエンジニアリング作業になるときは、Fable が依然として第一選択だが、方向が定まった後は、実行を Sol に任せるのが最も気楽なことが多い。

執筆ブラインドテストは最下位、それでも最も手放せない相棒

Every の執筆基準では、Sol は6モデル中の最下位だ——書いた文章は最も読みづらく、編集の取捨も、公開済みの参照版から最も遠い。だがまさにこのモデルが、チーム全員の日常の執筆では、Sonnet 5 や Opus 4.8 を圧倒的に上回って好まれる。答えは、全編を貫く1つのフレームに隠れている。

コーディング、執筆、ナレッジワーク、Agent の4つの評価軸は、すべてこの軸の上に位置づけられる——左寄り（独力で判断し、一度やり切ってから確認する）なら Fable が安定し、右寄り（人がそばで見ながら直す）なら Sol が使いやすい。そして大半の日常の執筆は、ちょうど右寄りの側に落ちる。

この実測そのものが例だ——Sol は過去数十本の《Vibe Check》の文体の流れを追え、ある細部を裏付ける、Slack に埋もれた古いやり取りを掘り出せ、6〜8時間の集中作業で一気に24稿を回し、その間ずっと筆者がゆっくり考えるのを待たせなかった。1稿1稿が一連の編集判断で、少しずつ完成形をあるべき姿へ近づけていく。執筆のような、本来何度も反復し行き来しながら協働する仕事にとって、これこそ強いモデルのあるべき姿だ——一発で記事の書き出しを書くこと、あるいは人のように的確に締めることは、依然として届かないとしても。

ブラインドテストで、なぜ最下位なのか

執筆基準はあえて絞り込まれており、誰の助けもない状況でモデルが自力でどう振る舞うかだけを見る。結果、Sol は最下位——公開済み版との類似度が最も低く、Flesch-Kincaid スコアが最も高く、可読性が最も低かった。ここでいう Flesch-Kincaid（FK）とは、文の長さと語彙の難しさに応じてテキストを採点する式で、スコアが高いほど読みにくいことを意味する。

Every 執筆基準：最近の6モデルの類似度、学年難易度、読みやすさの比較。GPT-5.6 Sol が最下位で、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、可読性が最も低い。図 / Katie Parrott、Every

文は短く、語はより大きい

Sol の書く文は比較的短く、1つの論証を引き締まった小さな段落に分ける。《After Automation》のために書いた最も強い書き出しでは、リズムが Opus 4.8 よりも公開済みの冒頭に近く、Opus のほうは少なく大きな段落で展開する。問題は文の内側にある——2つのモデルが同じくらいの長さの文を書いても、Sol はより長く、より抽象的な語を好むのだ。

Opus はより素朴な語を、より複雑な構文に詰め込む。Sol が差し出すのは、ざっと流し読みすると滑らかなのに、1行ずつ読むとかえって骨が折れる文章だ。明らかな AI っぽさについては、むしろ最下位の理由ではない——決まり文句的な転換、見せかけの対比、常套句、繰り返される修辞パターンといった項目では、Sol は中位に落ち着く。その文章はきれいになりうるが、機械っぽさをもう一度チェックせずそのまま出せるほど、いつもきれいとは限らない。

GPT-5.6 Sol の執筆サンプル：短めの文、引き締まった段落で、AI っぽさは少なめ。図 / Katie

Opus 4.8 の執筆サンプル：構文がより複雑で段落が長く、「not X, but Y」のような型にはまりやすい。図 / Katie

コンテキストを与えると、レベルが上がる

ブラインドテストはあえて「材料を与えない」が、実際の場面では人はモデルに大量の素材を渡す。Sol がそのコンテキストをどう吸収し使うかを見れば、より輝く一面が出てくる。筆者は同じ執筆タスク、同じ素材、同じ方向を、Sol と Opus 4.8 にそれぞれ渡し、コラム《Working Overtime》の初稿を1本ずつ書かせた。Sol は引き込む書き出しを返し、全体もこのコラムの既存のトーンや語り口により近かった。Opus が返した段落は密度が高く読みづらく、筆者がコンテキストファイルで定義した声とかみ合わなかった。

Sol（筆者の素材とスタイルのコンテキストを使用）：より速く、筆者がそのまま手を入れられる類の原稿により近い。図 / Katie

Opus 4.8（同じ素材とコンテキストを使用）：文が密で複雑、語彙も凝っていて、筆者のより口語的なトーンに合わない。図 / Katie

Austin がマーケティングのコピーに使うときも同じだ——導きがないと、Sol は「誰でも書けるようなライター」で、平凡かつ反復的だ。だが会社の背景、テンプレート、スタイルガイドを添えると、産み出す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 がごくわずかな修正で出せるほどになる。素材、実例、ルールを与えれば質は上がり、論点も基準もゼロから決めさせれば、ブラインドテストの弱点が戻ってくる。

生きた執筆の相棒として、最も強い

Sol の最も強い立ち位置は、リアルタイムの執筆パートナーだ。原稿の直しが速く、編集の方向にぴったり付いていくので、書き手は新しい書き出しを試し、1段落を組み替え、あるいは弱い稿を丸ごと捨てても、毎回タスクを組み直さずに済む。取材を主とし、何度も反復し、大量の方向性やフィードバックを携え、スタイル文書や実例まで揃えた筆者の日常の執筆フローにとって、Sol は明らかに Claude 系より優れている——Opus は応答が遅く、Sonnet 5 は導きにくい。一方 Sol は方向転換が速く、フィードバックに沿った修正も速く、新しい情報を後の対話に持ち込め、Sonnet 5 のように直近の一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 も執筆と編集を Sol に任せ始めた。「基本的に不快なことを言わない」からだ——訂正を受け入れ、出典や以前の決定を覚えており、すぐにもう一度試す。判断は依然として人間の編集者が与えるが、Sol はその判断を1本の原稿全体でより安く実現できるようにする。

同じタスク、3モデルで3通りのやり方

「Sol は自発的で、質問もする」と抽象的に言うより、1つの実例を見るほうが早い。Every の運営責任者 Arielle Shipper は、同じ初期タスクを GPT-5.5、Claude Fable 5、Sol に同時に渡し、3者がそれぞれどう進むかを見た。

Austin の日常も同じ一貫性を示す——マーケティングのアイデアから始め、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まで、終始 Codex を離れず、受け手や訴求点を説明し直す必要もない。ベテラン編集者の Jack Cheng は Sol で段落を統合し、業界用語を取り除くが、それをコピーが実際に現れる公開ページ上で行い、1行ずつ最終的な画面に置いて判断できる。これらのワークフローは、一発で完成するアプリよりも、現実の働く一日に近い——源を見つけ、要件を理解し、人が決めるべき判断について問い、答えを最終成果に持ち込む。

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1対1で対応させてあり、予算に応じたメーカー横断の比較がしやすい。

対照して見ると——Sol は入力価格が Opus 4.8 と同額で、出力は100万トークンあたり $5 高い。Terra は Sonnet 5 の挑発的なプロモ価格（$2 / $10、8月31日終了）より高いが、値上げ後の $3 / $15 に近い。Luna は入力が Haiku 4.5 と同じで、出力が $1 高い。

max と ultra とは何か

3段階のモデルに加え、Sol は2つの新しい推論設定ももたらす。すべての仕事を同じ設定で回すのではなく、タスクの難度に応じて段階的に計算力を買えるようにするものだ。

製品面では、ChatGPT と Codex が統合されたこの App を Every はまだあまり使っていないが、今のところの体感は当初の Codex と同じ——居続けたくなる場所だ。

いつ Sol を使い、いつ Fable に替えるか

前述の4つの軸の判断を、そのまま使える1枚のチェックリストにまとめる。原文は2組のシーンを挙げており、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寄っている——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 に渡す。Mike は Sol を日常主力にし、「ついに Opus を押しのけた」と言いつつ、Fable も「鋭いピーク知能」と、より強いコンテキスト運用のために残している。結果が明確で、なおかつ前へ進み続け、いつでも自分が手を入れられる 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」が主要なタスクのときは、早めにチェックポイントを設けるか、アーキテクチャを Fable に任せて実行を Sol に担わせる。