投稿者 投稿日: カテゴリー ChatGPT
GPT-5.6のSol・Terra・Lunaとは、用途別に価格と性能を変えた3階層のAIモデルのことです。
OpenAIが2026年6月下旬にプレビュー公開したGPT-5.6は、Sol・Terra・Lunaという3つの階層を持ちます。問題は「どれが一番賢いか」ではありません。EC運営では商品説明文の量産、レビュー返信、複雑な売上データ分析といった作業ごとに必要な賢さが違い、全部を最上位のSolで回すとAPI費用が跳ね上がります。本記事は楽天・Amazon・Shopifyの実務画面を起点に、どの作業をどの階層へ割り当てれば月額コストが最小化できるかを、円換算の試算とプロンプト10本で具体化します。
GPT-5.6の3階層がEC運営の費用構造を変えた理由
これまでのChatGPT活用は「賢いモデル1つを使い回す」発想でした。GPT-5.5世代までは、商品説明文を1本生成するのも、半年分の売上CSVを分析するのも、同じモデルで処理するのが普通でした。GPT-5.6が持ち込んだのは、同じ世代番号(5.6)のまま、Sol・Terra・Lunaという3つの能力階層を価格別に並べる構造です。世代番号が性能の世代を、名前(Sol/Terra/Luna)が能力ティアを示すという二段構えになりました(OpenAI Help Center)。
価格差は無視できない大きさです。API料金は100万トークンあたりで、Solが入力5米ドル・出力30米ドル、Terraが入力2.5米ドル・出力15米ドル、Lunaが入力1米ドル・出力6米ドルと公表されています(eesel AI)。出力側で見るとSolはLunaの5倍です。為替を2026年7月時点の目安として1米ドル=155円で換算すると、出力100万トークンはSolが約4,650円、Terraが約2,325円、Lunaが約930円になります。同じ作業をSolで回すかLunaで回すかで、月末の請求が5倍ぶれる計算です。
ここで重要なのは、EC運営の実作業のうち、本当にSolの賢さが要る場面は限られるという現場感覚です。直近の支援案件で観測したのは、楽天店舗のオペレーション業務の8割が「定型の文章生成」と「分類・要約」で占められており、これらはLunaやTerraで十分こなせるという実情でした。OpenAIの整理でも、Solは複雑なコーディングやセキュリティ研究のような最難関タスク、Terraはカスタマーサポートや社内ツール・文書分析といった高ボリュームの業務タスク、Lunaは要約・下書き・定型自動化のような高速かつ低コストの日常作業に向くと位置づけられています(DataCamp)。
EC運営に翻訳すると、商品説明文の量産はLuna、複雑な顧客対応や問い合わせの一次回答はTerra、季節要因まで踏まえた売上データ分析やRPP広告の費用対効果シミュレーションはSol、という割り当てが基本線になります。この三分法を業務カレンダーに落とし込むだけで、API費用は体感で半分以下に下がるケースが多く見られます。
階層を分けるべき理由は、賢さと速さがトレードオフだからでもあります。Solは最大推論努力で時間をかけて考えるぶん、回答が返るまでの待ち時間が長くなります。一方Lunaは高速・低遅延が売りで、レビュー返信のように件数が多く即応性が要る業務では、待ち時間の短さがそのまま店舗オペレーションの回転速度になります。コストだけでなく、この応答速度の差も階層選びの判断材料に入れておくと、現場の使い心地まで含めた最適化ができます。アパレル系の単一店舗で試したケースでは、レビュー返信を待ち時間の長い上位モデルから高速な階層に切り替えただけで、1日あたりの返信処理件数が体感で増えたという報告もありました。なお現時点(2026年7月時点)では、Sol・Terra・LunaはOpenAI APIとCodex経由で一部の信頼できるパートナー組織に限定提供されている段階で、一般提供は数週間以内に開始予定とされています。実装計画は組みつつ、本番投入のタイミングは一般提供開始を待つ前提で読み進めてください。
GPT-5.5世代の使い分けをすでに整理した店舗であれば、移行は比較的スムーズです。GPT-5.5のEC活用の考え方はGPT-5.5をEC運営で使いこなす方法で詳しく解説しているので、本記事と合わせて読むと階層設計の勘所がつかみやすくなります。
SolとLunaで5倍ぶれる｜EC業務ごとのコスト試算
費用の話を抽象論で終わらせると現場が動きません。具体的な商品ジャンルと作業量で円換算してみます。
食品ギフトを扱う中規模の楽天店舗を想定します。新商品の楽天RMS「PC用商品説明文」(半角10,240文字・全角換算5,120文字以内)を1本生成するのに、入力で約2,000トークン(商品スペックや訴求軸の指示)、出力で約3,000トークン(説明文本体)を使うとします。これを月に100本量産する場合、入力20万トークン・出力30万トークンです。Lunaなら入力0.2米ドル＋出力1.8米ドルで合計約2米ドル、2026年7月時点の目安で約310円です。同じ作業をSolで回すと入力1米ドル＋出力9米ドルで合計10米ドル、約1,550円になります。文章生成という定型作業に5倍払う必要はありません。
次にAmazonのケースです。Amazon Seller Centralの「商品の説明」(半角2,000文字以内)と「箇条書き」(最大5項目)をアパレル200SKUぶん一括でリライトする季節商戦前の作業を考えます。入力・出力合わせて1SKUあたり約4,000トークン、200SKUで80万トークン規模です。ここはブランドトーンの統一や型番・素材の正確な反映が要るため、Terraを採用するのが現実的です。Terraで入力・出力の比率を半々と粗く置くと、入力40万トークン×2.5米ドル＋出力40万トークン×15米ドルで約7米ドル、約1,085円。これをSolにすると約2,170円で倍、Lunaに落とすとトーンのばらつきが増えて手戻りが発生しやすく、結局Terraが工数と品質のバランス点になります。
データ分析はSolの出番です。Shopify Adminのストア分析からエクスポートした半年分の注文データと、楽天の「商品別売上」CSVを突き合わせ、季節性・リピート率・カニバリゼーションまで踏み込んで「来季の在庫を厚くすべきSKU」を提案させるタスクは、推論の深さが結果を左右します。Solだけが使える最大推論努力(max reasoning effort)とウルトラモードが効く領域で、ウルトラモードは1つのエージェントではなく複数のサブエージェントでタスクを処理する仕組みとされています(VentureBeat)。この分析を月に4回(週次)回し、1回あたり入力10万トークン・出力2万トークンとすると、Solで月間入力40万×5米ドル＋出力8万×30米ドルで約4.4米ドル、約680円。分析の精度が在庫判断を左右することを考えれば、ここはケチらずSolに払う価値があります。
コンテキストウィンドウの広さも階層選びに絡みます。第三者の複数報道では、Solのコンテキストウィンドウは約150万トークンとされ、GPT-5.5世代の100万トークンから約43%拡大したと伝えられています。ただしこれはプレビュー段階の数値で、OpenAIの正式仕様としては未確定のため、2026年7月時点の見込みとして扱うのが安全です(DataCamp)。半年分の全注文データをまるごと1回のプロンプトに載せて分析するような使い方は、広いコンテキストを持つSolでこそ成立します。逆に、商品説明文1本のような短い入出力でSolやTerraの広いコンテキストは宝の持ち腐れで、Lunaで十分です。
GPT-5.6のもう1つの実利はプロンプトキャッシュの予測しやすさです。明示的なキャッシュ区切り(cache breakpoint)と30分の最小キャッシュ寿命がサポートされ、キャッシュ書き込みは未キャッシュ入力レートの1.25倍で課金される一方、キャッシュ読み出しは90%割引が継続します(eesel AI)。EC運営では「自店のブランドガイドラインや禁止表現リスト」を毎回プロンプト冒頭に置くことが多く、この共通部分をキャッシュに乗せれば、商品説明文100本を回すような反復作業で入力コストを大きく削れます。共通指示を前段に固定し、商品ごとの差分だけを後ろに置く設計が、キャッシュ割引を最大化する書き方です。
Claudeとの併用を考える店舗も多いはずです。GPT-5.6とClaude Opus 4.8をどう棲み分けるかはClaude Opus 4.8のEC活用法に整理しているので、複数ベンダーを横断する設計の参考にしてください。
EC業務別｜Sol・Terra・Lunaの割り当てとプロンプト10本
ここからは実装です。EC運営の代表的な10業務について、どの階層を割り当てるべきかをコスト観点で明示しながら、そのままコピーして使えるプロンプトを10本掲載します。プロンプト内の変数は中括弧で統一しているので、自店の値に置き換えてください。
(用途タイトル：商品説明文の量産＝Luna)
最も件数が多く、最も単純な作業です。Lunaに割り当て、共通の禁止表現リストをプロンプト冒頭に固定してキャッシュ割引を効かせます。
プロンプト1：楽天PC用商品説明文の量産（割り当て＝Luna／定型大量生成のため最安階層）
あなたは楽天市場の商品ページ制作に精通したライターです。
以下の商品情報をもとに、楽天RMSのPC用商品説明文を全角5,120文字以内で1本生成してください。
共通ルール（毎回固定・キャッシュ対象）：
- 薬機法・景表法に抵触する表現（治療・効く・No.1・最高・絶対）を使わない
- ですます調で統一し、誇大表現を避ける
- 送料・配送・返品などの定型情報は末尾にまとめる
商品情報（毎回差し替え）：
- 商品ジャンル：{ジャンル}
- 商品名：{商品名}
- 主要訴求：{素材・産地・実績}
- 容量/サイズ：{値}
- 価格帯：{値}
出力：見出し付きの説明文本体のみ
(用途タイトル：Amazon箇条書きの一括リライト＝Terra)
ブランドトーンの統一が必要なため、Lunaより一段上のTerraを割り当てます。
プロンプト2：Amazon箇条書き5項目のリライト（割り当て＝Terra／トーン統一と品質のバランス点）
あなたはAmazon.co.jpのリスティング最適化担当です。
以下のSKU情報をもとに、Amazon Seller Centralの箇条書きを5項目、各項目200〜500バイトの範囲で作成してください。
条件：
1. 各項目の冒頭8〜12文字に検索されやすいキーワードを置く
2. 素材・サイズ・対応機種など事実情報を優先し、感情訴求は最小限
3. 最大級表現（No.1・最強・日本一）と医薬品的効能を含めない
SKU情報：
- 商品ジャンル：{ジャンル}
- 商品名：{商品名}
- ターゲットKW：{第1KW、第2KW}
- 仕様：{素材・サイズ・型番}
出力：箇条書き5項目（番号付き）
(用途タイトル：問い合わせメールの一次回答＝Terra)
判断と文章生成が混ざる業務です。誤回答が炎上に直結するためTerraを割り当てます。
プロンプト3：問い合わせメールの一次回答ドラフト（割り当て＝Terra／判断を伴う対応のため）
あなたは楽天店舗のカスタマーサポート担当です。
以下のお客様からの問い合わせに対する返信ドラフトを作成してください。
条件：
- 楽天市場のメールでは自社サイトや外部SNSのURLを案内しない（規約遵守）
- 確約できない納期・在庫は断定せず「確認のうえご連絡します」と書く
- 謝意・状況確認・次のアクションの3段構成
問い合わせ本文：
{顧客メール本文}
店舗側で確定している情報：
{在庫・配送・返品ポリシー}
出力：返信メール本文（件名案を1行添える）
(用途タイトル：レビュー返信の下書き＝Luna)
短文で件数が多く、定型化しやすいためLunaが最適です。
プロンプト4：レビュー返信の下書き量産（割り当て＝Luna／短文・大量のため最安階層）
あなたは丁寧なECショップの店長です。
以下のレビュー10件それぞれに、80〜120字の返信を作成してください。
条件：
- 同じ言い回しを10件で繰り返さない（画一返信はクレームの元）
- 低評価レビューには弁解せず、改善姿勢と次回購入の動機づけを1文添える
- 絵文字・過剰な感嘆符を使わない
レビュー一覧：
{レビュー本文を10件貼り付け}
出力：レビュー番号ごとの返信文
(用途タイトル：商品名のSGS最適化＝Terra)
検索順位に直結し、文字数制限内でKW順序を最適化する判断が要るためTerraです。
プロンプト5：楽天商品名のSGS最適化（割り当て＝Terra／検索順位に直結する判断業務）
あなたは楽天市場のSGS（楽天検索）に精通したコンサルタントです。
以下の商品について、商品名候補を5案、半角255文字（全角換算127文字）以内で生成してください。
条件：
1. 前半30字以内にターゲットKWを必ず1つ置く
2. 中盤に実績ベースの訴求語（受賞・送料無料など、事実のみ）
3. 末尾に型番・容量・色などの補足
4. 最大級表現（最強・日本一・No.1）を含めない
商品情報：
- ジャンル：{ジャンル}
- ターゲットKW：{第1KW、第2KW}
- 主要訴求：{実績}
出力：5案＋各案の想定流入意図を1行
(用途タイトル：売上CSVの季節性分析＝Sol)
推論の深さが在庫判断を左右する最難関タスクで、Solの最大推論努力が効きます。
プロンプト6：売上CSVの季節性・在庫提案分析（割り当て＝Sol／深い推論が成果を左右）
あなたはECの需要予測アナリストです。最大推論努力で分析してください。
以下の売上データから、来季に在庫を厚くすべきSKUと薄くすべきSKUを根拠つきで提案してください。
分析観点：
1. 月次の季節性（特定月に偏るSKUを特定）
2. リピート購入率（初回限定SKUと定番SKUを分ける）
3. カニバリゼーション（似た商品同士で売上を食い合っていないか）
4. 在庫回転と粗利のバランス
データ：
{楽天「商品別売上」CSVとShopify注文データを貼り付け}
出力：強化SKU・縮小SKUの一覧と各判断の根拠
(用途タイトル：RPP広告の費用対効果シミュレーション＝Sol)
複数変数の最適化で、誤判断が広告費の無駄遣いに直結するためSolです。
プロンプト7：楽天RPP広告のROAS改善シミュレーション（割り当て＝Sol／多変数最適化）
あなたは楽天RPP広告の運用責任者です。最大推論努力で検討してください。
以下のキーワード別実績から、入札を上げるべきKW・下げるべきKW・停止すべきKWを分類し、想定ROAS改善幅を試算してください。
前提：
- 目標ROASは{目標値}％
- 予算上限は月{金額}円
実績データ：
{KW・表示回数・クリック・CVR・CPC・売上を貼り付け}
出力：KWごとの推奨アクションと根拠、月間の想定ROAS改善見込み
(用途タイトル：商品レビューの要約・トレンド抽出＝Luna)
大量テキストの要約は単純作業で、Lunaで十分処理できます。
プロンプト8：レビュー100件の不満点トレンド抽出（割り当て＝Luna／大量要約は最安階層）
あなたはVOC（顧客の声）分析担当です。
以下のレビュー100件を読み、不満点を頻度順に5つに分類してください。
条件：
- 各分類に該当レビュー件数の概数を添える
- 商品改善に直結する具体的な指摘を優先する
- ポジティブな声は別枠で上位3つだけ要約する
レビュー：
{レビュー100件を貼り付け}
出力：不満点トップ5（件数つき）＋好評点トップ3
(用途タイトル：Shopifyブログ記事のSEO下書き＝Terra)
集客資産になる長文で、構成力が問われるためTerraを割り当てます。
プロンプト9：Shopify集客ブログのSEO下書き（割り当て＝Terra／構成力が必要な中量作業）
あなたは自社ECの集客ブログ編集者です。
以下のテーマで、Shopifyブログ向けに2,000〜3,000字のSEO記事の下書きを作成してください。
条件：
1. 検索意図に答える結論を冒頭に置く
2. H2を4〜5本、各H2に具体例を1つ
3. 商品ページへの自然な内部リンク導線を文末に1つ
4. メタディスクリプション案（120字以内）を末尾に添える
テーマ：{ターゲットKW}
自社商品：{商品ジャンルと特徴}
出力：本文＋メタディスクリプション案
(用途タイトル：3階層の自動振り分けルール設計＝Sol)
業務をどの階層に流すかの判断ロジック自体を設計させる、いわばメタ作業です。設計の質が全体コストを決めるためSolに任せます。
プロンプト10：自店のAI業務を3階層へ振り分けるルール設計（割り当て＝Sol／設計の質が全体コストを決める）
あなたはECのAI運用設計コンサルタントです。最大推論努力で設計してください。
以下の自店の業務一覧を、GPT-5.6のSol・Terra・Lunaの3階層に振り分け、月間API費用の概算を出してください。
振り分け基準：
- Sol＝深い推論・複雑な判断・広いコンテキストが要る業務
- Terra＝判断を伴う中量の文章生成・トーン統一が要る業務
- Luna＝定型の大量生成・要約・分類
業務一覧と月間件数：
{業務名・想定トークン量・月間件数を列挙}
価格（100万トークンあたり）：
Sol＝入力5/出力30米ドル、Terra＝入力2.5/出力15米ドル、Luna＝入力1/出力6米ドル
出力：業務ごとの推奨階層・月間費用概算・コスト削減の余地
以上が10本です。割り当ての全体像を文章で整理すると、定型大量生成(商品説明文・レビュー返信・要約)はLuna、判断を伴う中量業務(商品名最適化・問い合わせ対応・Amazon箇条書き・ブログ下書き)はTerra、深い推論が要る分析と設計(売上分析・RPPシミュレーション・振り分けルール設計)はSol、という三層構造になります。
実装の順番にも勘所があります。いきなり10業務すべてを自動化しようとすると、プロンプトの調整と品質確認に追われて挫折しがちです。5,000社支援の中で何度も再現したパターンとして、まず件数が最も多い1業務(多くの店舗では商品説明文かレビュー返信)をLunaで自動化し、2週間ほど運用して品質とコスト感をつかんでから次の業務に広げる、という段階導入が定着率の高い進め方でした。最初の1業務でAPIの請求額の実感と、生成物の品質レビューにかかる工数の肌感覚が得られるため、2業務目以降の階層選びが格段に正確になります。逆に、複数業務を同時に立ち上げると、どの業務でどれだけコストがかかっているかの切り分けが難しくなり、改善の打ち手が打ちづらくなります。
プロンプトの管理方法も決めておくと運用が安定します。10本のプロンプトをスプレッドシートや社内ドキュメントに一元管理し、「業務名・割り当て階層・想定月間件数・最終更新日」をセットで記録しておくと、誰が担当しても同じ品質で回せるようになります。特に共通指示部分(禁止表現リストやブランドトーン)は1か所で管理し、全プロンプトがそこを参照する形にしておくと、規約変更や方針変更があったときに1か所直すだけで全業務へ反映できます。属人化を防ぐこの仕組みづくりが、AI運用を一時的なブームで終わらせず、店舗の定常業務として根づかせる分かれ目になります。
階層選びでよくある失敗と回避策
現場で繰り返し見るのは、全業務をSolで統一してしまうパターンです。「一番賢いモデルなら間違いない」という発想は、品質面では正しくてもコスト面では破綻します。レビュー返信のような短文をSolで回すと、Lunaの5倍の出力料金を払うことになり、月間の件数が多い店舗ほど無駄が膨らみます。回避策は、まず全業務をLunaで試し、品質が足りない業務だけTerraへ、それでも足りない分析系だけSolへと、下から積み上げる順序です。
次に多いのが、逆に全部をLunaに寄せて品質事故を起こすパターンです。問い合わせの一次回答をLunaで自動化したところ、納期を断定してしまいクレームに発展した、という失敗は珍しくありません。判断を伴う業務、特に顧客と直接やり取りする文面はTerra以上を使い、生成物を人間が必ず一度チェックする運用にするのが安全です。階層を下げてよいのは「間違っても被害が小さい業務」に限ります。
3つ目は、キャッシュ設計を無視して入力コストを垂れ流すパターンです。自店のブランドガイドラインや禁止表現リストは数千トークンになることがあり、これを毎回プロンプトの後半に置いたり、毎回少しずつ書き換えたりすると、キャッシュが効かず満額課金されます。共通指示は完全に同じ文面で冒頭に固定し、商品ごとの差分だけを後段に置く。この一手間で、商品説明文を大量生成する月のAPI費用が体感で2割前後下がったケースがあります。
4つ目は、品質チェックの工程を省いて炎上リスクを抱え込むパターンです。階層を上げれば誤りが減るのは確かですが、Solであっても事実関係の取り違えはゼロにはなりません。特に薬機法や景表法に触れる表現は、モデルの賢さに関係なく人間の最終確認が必須です。楽天市場では「最高」「No.1」「絶対」といった最大級表現が出店規約で制限され、化粧品やサプリでは医薬品的な効能表現が薬機法に抵触します。生成物をそのまま商品ページに反映するのではなく、禁止ワードの目視チェックを必ず1工程挟む。この確認を怠ると、いくら階層設計でコストを下げても、1件の規約違反で店舗全体が止まるリスクを抱えることになります。
階層別の月額コストと工数の目安
費用の目安を整理します。あくまで2026年7月時点の見込みで、為替や実際のトークン消費量で変動します。
商品説明文を月100本量産する楽天店舗なら、Luna中心の運用で月間のAPI費用は数百円から千円台前半に収まる計算です。ここにAmazon箇条書きのリライトや問い合わせ対応のTerra業務、週次の売上分析のSol業務を足しても、中規模店舗の総API費用は月数千円規模に収まることが多く見られます。これは社員1人が手作業で同じ量をこなす工数(商品説明文1本あたり15〜30分として月100本で25〜50時間)と比べれば、桁違いに安い投資です。
工数面では、商品説明文の初稿作成がほぼゼロ秒になる一方、Terra・Sol業務には人間のレビュー工程が残ります。完全自動化ではなく「AIが初稿、人間が最終チェック」の分業を前提に、レビュー工数として生成1本あたり2〜5分を見込むのが現実的です。それでも手書きと比べた工数削減は半分以下、業務によっては3分の1未満に圧縮できる見込みです。
サブスク併用も検討に値します。個人やスポット利用ならChatGPT Plus(月20米ドル、2026年7月時点の目安で約3,100円)で対話的に試し、業務を自動化する段階でAPI(従量課金)へ移行する二段構えが、初期コストを抑えつつ階層設計を検証する現実的な進め方です。GPT-5.5世代とGPT-5.6世代でどのモデルをどう棲み分けるかはGPT-5.5とClaude Opus 4.8のEC使い分けも併読すると、ベンダー横断の判断軸まで含めて整理できます。
AIエージェント時代に3階層設計が効いてくる理由
GPT-5.6のウルトラモードが複数のサブエージェントでタスクを分担する仕組みである点は、EC運営の未来図に直結します。今後、商品登録から在庫管理、広告運用までを一連のエージェントが自律実行する流れが進むと、エージェントの中で「どのサブタスクをどの階層モデルに投げるか」というルーティングが、そのままランニングコストを左右します。最上位エージェントがSolで全体を統括し、配下の定型タスクをLunaに振る、という階層型の構成が標準になる見込みです。
この観点で見ると、今回紹介した「業務ごとの階層割り当て」は、単なる節約術ではなく、自社のEC業務をエージェント化する前段の設計図でもあります。どの業務が定型で、どの業務に深い判断が要るかを棚卸ししておけば、エージェント時代にそのままルーティングルールへ転用できます。海外メディアの解説はSol・Terra・Lunaの3階層スペック比較で止まっているものが多く、EC業務に紐づけた階層設計まで踏み込んだ情報は手薄です。ここを自店で先に整理しておくことが、競合店との運用効率の差になります。
楽天・Amazon・Shopifyのそれぞれで、まず1業務だけ階層を割り当てて試すところから始めるのが現実的です。商品説明文をLunaで量産する、この1点から着手すれば、コスト効果と品質を同時に体感できます。
よくある質問
GPT-5.6のSol・Terra・Lunaはもう使えますか
2026年7月時点では、OpenAI APIとCodex経由で一部の信頼できるパートナー組織に限定提供されているプレビュー段階です(VentureBeat)。一般提供は数週間以内に開始予定とされているため、本番投入は一般提供開始を待つのが安全です。
EC運営で最初に使うならどの階層がよいですか
商品説明文やレビュー返信の量産から始めるならLunaが最適です。定型の大量生成は最安階層で品質も十分なケースが多く、コスト効果を最短で体感できます。品質が足りない業務だけTerraやSolへ引き上げる、下から積み上げる順序が失敗しにくいです。
SolとLunaで実際どれくらい費用が違いますか
出力料金で見るとSolはLunaの5倍です。100万トークンあたりの出力がSol30米ドル、Luna6米ドルで、2026年7月時点の目安(1米ドル=155円)では約4,650円と約930円の差になります。レビュー返信のような短文をSolで回すのは費用面で割に合いません。
Claudeなど他のAIと併用すべきですか
業務によっては併用が有効です。深い文章推敲はClaude、コスト重視の大量生成はGPT-5.6 Luna、というように得意分野で使い分ける店舗もあります。判断軸はClaude Opus 4.8のEC活用法を参照してください。
コンテキストウィンドウはどれくらいですか
第三者報道ではSolが約150万トークンとされますが、プレビュー段階の数値でOpenAIの正式仕様は未確定です(2026年7月時点の見込み)(DataCamp)。半年分の全注文データをまるごと分析するような広いコンテキストが要る作業はSol、短い入出力で済む作業はLunaで十分です。
キャッシュ機能でコストはどれくらい下がりますか
GPT-5.6はキャッシュ読み出しに90%割引が継続します(eesel AI)。自店のブランドガイドラインなど共通指示をプロンプト冒頭に固定すれば、商品説明文を大量生成する反復作業で入力コストを大きく削れます。共通部分を完全に同じ文面にすることが割引適用の条件です。
楽天R-Mailの文面生成にも使えますか
使えますが、楽天市場の規約上、メール本文に自社サイトや外部SNSのURLを案内できない点に注意してください。プロンプトに「外部URLを含めない」と明示し、生成物を必ず確認する運用にします。定型の配信文ならLuna、セグメント別の訴求設計が要るならTerraが目安です。
著者：齋藤竹紘（株式会社オルセル 編集長／5,000社以上のEC支援実績／書籍3冊）
※うるチカラでは、生成AIの導入支援から運用最適化まで、貴社のEC事業に合わせたカスタマイズ提案を行っています。無料相談（30分）も実施中ですので、お気軽にお問い合わせください。
https://uruchikara.jp/contact/
【監修】齋藤竹紘（株式会社オルセル代表 / 19年・5,000社のEC支援実績）
株式会社オルセル代表取締役 / うるチカラ編集長。19年・5,000社以上のEC支援実績を持ち、楽天市場・Amazon・Yahoo!ショッピング・Shopify・Shopee越境ECの実装ノウハウを保有。AI×ECに関する書籍を3冊執筆。「現場で使えるAI実装」を一次情報として発信しています。
この記事を読んだ人は、こんな記事も読んでいます
