GPT-5は、テキストだけでなく画像や音声を含むマルチモーダル入力に対応する強力なモデルであり、さまざまなタスクに活用できる。特に、画像や音声を直接入力することで、OCRや音声認識の前処理を省き、より深くデータの意味を理解できる。たとえば、音声のトーンや話速も分析可能で、文脈理解に役立つ。また、ツール呼び出し機能により、外部関数（例：天気情報取得）をモデルが実行できるようになり、AIエージェントとしての活用が可能になる。ツール定義には関数名、説明、パラメータの詳細を明確に記述することが重要だ。 パラメータ設定では、主に「推論努力（Reasoning Effort）」と「冗長性（Verbosity）」に注目すべきだ。推論努力は「最小」「低」「中」「高」の4段階で、簡単な質問には「最小」、複雑な問題には「中」以上を設定する。コストと応答時間のバランスを考慮し、最低限の品質で動作する設定を選ぶのが効果的。冗長性は出力の詳細さを調整するもので、「低」は簡潔な回答、「高」は詳細な説明を求める場合に適している。通常は「中」が標準的な選択肢となる。 構造化出力（JSON形式）は、ドキュメントから日付や人物名などのメタデータを正確に抽出する際に非常に有効。出力が常に有効なJSON形式になるため、プログラムでの処理が容易になる。また、ファイルアップロード機能により、OCRをせずともPDFや画像ファイルを直接送信し、内容を質問できる。処理は高速で、前処理の手間が省ける。 一方、GPT-5の課題として、推論中の思考過程（thinking tokens）がユーザーに公開されない点がある。高推論努力では途中経過をストリーミングできず、ユーザー体験が悪化する。この点では、AnthropicやGoogleのGeminiなど他社モデルが思考過程を公開している点で優位性がある。また、創造性は前世代よりやや低下しているとの指摘もあるが、API利用ではあまり影響がない。 結論として、GPT-5は適切な設定で使うことで非常に強力なツールとなるが、推論過程の非公開という制約がある。複数のモデルを併用する戦略（例：GPT-5をメインにGemini Proをバックアップ）が、信頼性の高いアプリケーション開発に有効である。