（本記事の著者は智訊智库であり、ティメディアが許可を得て掲載しています）
文｜智訊智库アナリスト 楊発澤
スマートフォンの発展初期には、発表会でベンチマークスコアが重視され、ユーザーもスペックを比較するのが一般的でした。しかし近年では、機種変更の際にはまずブランドを選ぶ人が増えています。iPhoneのOSに慣れ親しんでいる、特定メーカーのカメラ性能が気に入っている、あるいは既に連携しているデバイスやアプリケーションを手放したくないといった理由からです。性能は依然として重要ですが、購入の動機はより多様化しています。
大規模モデルにとって、モデルの性能はユーザーがなぜ利用するかを決定づける要因ではあっても、必ずしもユーザーがなぜ継続して利用するかを左右するわけではありません。モデルの品質はユーザー獲得における重要な武器ですが、その武器は競合によって繰り返し挑戦され得ます。技術面での優位性が、自動的に持続的なビジネス上の障壁へとつながるわけではないのです。
2026年8月以来、大規模言語モデルのアップデートが相次ぎ、GPT-6 Astra、Claude Opus 5.5、Gemini 4 Argonなどのモデルが次々とユーザーの目に留まっています。国産モデルも、性能とコストの両面で競争優位を確立しており、DeepSeekは継続的にアップデートを重ね、MiMoやKimiもトップクラスのリストに名を連ねています。[1][2] バージョンが増えれば増えるほど、選択は難しくなります。どのアップグレードを試してみる価値があり、どの製品に長期的な課金をすべきなのでしょうか？
プロジェクト資料、個人の好み、ワークフローが次第に同じAI製品に集約されるようになると、ユーザーが別のツールに切り替える際には、再設定やデータの移行、使い慣れた作業習慣の調整が必要になります。Claude、WorkBuddy、そしてクラウドエージェントが争っているのは、まさにユーザーの日常業務における核心的な入口なのです。
今日、AIランキングをめぐる議論は、スマートフォン市場の初期に性能ベンチマークが重視されていた状況と非常に似ています。大規模モデルもいずれ同じ道をたどるでしょう。ユーザーは、要件を的確に理解し、再作業を最小限に抑え、翌日にもそのまま作業を続けられる製品に仕事を任せます。この課題をうまく解決できる企業こそ、手放したくない「iPhone」に近づけるのです。
本文は3つの選択問題に答えます：
自分が使っているAIがトップにない場合、乗り換えるべきでしょうか？——既存のモデルで重要なタスクを安定してこなせるのであれば、新しくて高価なものを無理に追う必要はありません。アップグレードには、検証可能なメリットが伴うべきです。
AIのどの部分の使用体験が最も重要でしょうか？——操作がスムーズで、初回納品が基準を満たし、是正・検証および再作業を削減することです。
どのAIを、具体的にどのように選べばよいのか？――同じタスク群で候補製品を比較し、納品品質、作業工数、および総コストに基づいて、主力と特化の役割を割り当てます。
使用しているモデルがもはや最先端でなくなったなら、切り替えるべきでしょうか？
新しいモデルがランキングで高い順位を獲得すれば、確かにユーザーが主力モデルを置き換える理由となり得ます。しかし、その前に、自らが仕事の品質と効率の両面で優れていることを証明しなければなりません。
モバイル時代の安兔兔をはじめとする各種ベンチマークランキングと、今日のモデル性能ランキングには、どこか既視感を覚えるものがあります。10月21日現在、Artificial Analysisのランキングでは、Claude Opus 5.5のmax with fallback構成が58点、Sonnet 5.5の同構成が56点となっています。GPT-6 Astra（max）とGemini 4 Argon（high）はいずれも53点、DeepSeek V4.1 Flash 1017（max）は45点、Kimi K3（max）は44点です。[1] ランキングは無意味ではなく、試用範囲を絞るのに役立ちます。
しかし、評価テストは標準化された一連の問題で構成されており、ユーザーが行うべきことは自身の業務です。
ベンチマーク評価は、固定されたタスク・テスト環境・スコアリングルールを用いることで、異なるモデルの性能を比較可能にします。実際の利用シーンでは、ユーザーが日常的に扱う契約書や報告書、研究資料などは、総合ランキングにおける重みが必ずしも高くない場合があります。さらに、実際のタスクでは、モデルがプロジェクト資料を読み込み、各種ツールを呼び出し、複数段階にわたる操作において要求事項を一貫して満たす必要があります。最後に、ユーザーが最終的に納得するのは、成果物が実際に使用可能かどうか、そしてそのためにどれほどの検証や修正に時間を要するかという点です。
例えば、同じくコードの修正であっても、テストを通過させるだけでは納品の一環にすぎず、プロジェクトの規格に準拠し、既存システムへ統合する必要もあります。また、同じくリサーチレポートであっても、情報が正確であるだけでなく、出典が追跡可能で、結論が具体的な意思決定に適切に結びついていることが求められます。
ランキングは能力の上限を判断するのに役立ち、よく使用されるタスクの実績は、置き換える価値があるかどうかを評価するのに役立ちます。候補製品を実際の業務環境で同一の条件下に配置し、納品品質・安定性・再作業時間などを比較することで、アップグレードによるメリットを明確に把握できます。
同時に、価格も選択に影響を与えます。10月21日のランキングによると、MiMo-V2.6-Proのスマートインデックスは46で、単一のテストタスクあたりのコストは約0.13ドルです。一方、DeepSeek V4.1 Flash 1017（max）は約0.26ドル、GPT-6 Astra（max）は約3.26ドルです。[2] 能力に加えて、コスト面でも国産モデルにはもう一つの参入のチャンスが与えられています。
データの説明：散布図はランキングの表示値を用いており、Claudeは「max with fallback」、Grokは「xhigh」、Geminiは「high」、その他の推論機能搭載モデルは「max」です。
一度の呼び出しは安価でも、最終的な納品コストは必ずしも安くない場合があります。再試行や検証、修正のたびにコストが変動します。スマートフォンを選ぶ際には、性能以外にもカメラ性能、バッテリー持続時間、OSとの操作性、そして価格が意思決定に影響を及ぼします。[3] モデルを選択する際は、性能の評価と自身の実際の利用コストを総合的に比較すべきです。
最も優れた企業を一つ選定すれば、もう一方の企業も十分に使い続けることができます。ユーザーが日常的なツールを選ぶ際には、モデルの性能だけでなく、提供体制の安定性や既存のワークフローへの統合性も重視します。もしモデルの切り替えに過度な時間と労力を費やしてしまうと、かえって損失につながりかねません。
次のiPhoneの座をめぐっては誰が競い合っているのか？ 品味は実行環境に根ざしている
大規模モデルの「味わい」とは何か？私たちは、この非常に擬人的な表現を用いて、大規模モデルの総合的な能力を表しています。
「味わい」は、製品が代わりに選択・調整を行う際に表れます。「味わい」とは、初回デリバリーの可用性、是正回数、検証時間、そしてプロジェクトの継続コストを指します。使い勝手が良く、初回で納得できる結果を得られることが、何度も修正を重ねてようやく満足のいく成果を得るよりも、長期的に見てより高い価値をもたらします。
同じく「資料を1枚のプレゼンテーションにまとめる」という作業でも、ある製品は情報をぎっしりと詰め込み、別の製品は意思決定に必要な事実を的確に捉え、余分な部分を削って要点を絞ります。また、重要な抜け漏れがあればまずその点を確認するといったアプローチを取る場合もあります。AIと協働する際によく見られる課題は、何度かやり取りを重ねても、一見完成しているように見えても、結局は期待通りの成果から大きく外れてしまうことや、ひとつの問題を解決したと思ったら、先に修正したはずの誤りが再び現れるといったケースです。さらに深刻なのは、最初から方向性がずれており、それでもAIが最後まで指示通りに処理を進めてしまい、結果として膨大なトークンを消費したにもかかわらず、最終的な成果物が依然として使い物にならないという状況です。
味わいはこうした取捨選択にこそあります。得られる結果をどう活用するかを理解したうえで、何を残し、どのように表現し、いつ提供するかを決めましょう。何度かリリースを重ねるうちに、ユーザーは「この製品は私のことをわかってくれている」と感じるようになります。その論理は、高級カメラの写真のようなもので、専門家でない人には具体的な良さを説明するのは難しいものの、美しく、洗練されていると感じられます。大規模モデルの“味わい”もまた同様です。
iPhoneが提供した参照モデルは、統合された体験でした。2007年のマルチタッチ技術に続き、2008年にはサービスを開始し、当初から500以上のアプリが登場したApp Storeがその象徴です。[4][5] 今日のエージェントランタイム（実行環境、すなわち一般ユーザーが利用する各種AIソフトウェア）やハーネス（実行フレームワーク）は、モデルをツール、記憶、権限、そして実行ループと結びつけ、ユーザーが継続的に作業を行うための入口となることを目指しています。各ベンダーによって、戦略の重点はそれぞれ異なります。
毎回タスクを開始するたびにプロジェクトを改めて説明しなければならないのでは、どんなに優れたモデルでも使い勝手が良いとは思えません。Claude Codeは、プロジェクトのルール、自動記憶、実行フローを一貫してつなぎます。WorkBuddyは、プロジェクトのルール、資料、個人の記憶を次のタスクへと引き継ぎます。[6-9] TraeのSOLOは、Skills、Commands、Memories、Rulesを統合し、Cursorも持続的に有効なルールによってプロジェクト内のエージェントを指導します。[10][11] 前回教えた内容は、次回から改めて説明する必要がありません。
素材、フォーマット、プロジェクトのルールはローカルワークベンチに残り、ユーザーの使い慣れた環境もそのまま維持されます。製品を再購読するのは迅速ですが、これまで蓄積されたノウハウを改めて教え直すのは手間がかかります。
ローカルワークステーションで蓄積されたルールは、クラウドエージェントによってタスクの長期的な実行環境としてさらに保持されます。Museは専用のクラウドコンピューターを提供し、Dotsはファイル、ソフトウェア、ブラウザの状態を保持し、Grok Botは同一アカウント下のボット間でクラウド上のファイルとログインセッションを共有します。[12-14]
タスクが数日間にわたり、ツールへの繰り返しのログインやファイルの継続処理が必要な場合、環境が保持されるかどうかは、利用体験に直接影響します。ユーザーが次回ここに戻ったとき、前回中断したところから再開できます。作業を継続できる利便性により、一度の試用がやがて日常的な入口へと変わっていきます。
オープンルートは開発者側からエコシステムを積み上げるものです。DeepSeek HarnessはMITライセンス（オープンソース）を採用しており、モデル、ツール、セッション、サンドボックス、実行ループを組み合わせ可能なプラグインとして構築しています。[15][16] 開発者は既存のツールに接続することも、新たなフローを拡張することもできます。
オープンルートが目指すのは、開発者の参画です。ツールの連携がスムーズで、既存のフローを再利用できるなら、開発者はさらに構築を続けようと考えます。拡張性が高ければ高いほど、後続のユーザーも導入しやすくなります。互換性とメンテナンスの品質が、このエコシステムの将来性を左右します。
エコシステムにはさらに大きな利点がある。すなわち、アクセスと配信だ。App Storeはユーザーがアプリを見つけられるようにするとともに、開発者にもユーザーを届ける手段を提供している。[5] AIプラットフォームも同様に、この位置を獲得しようとしている。ツールがどこで発見され、呼び出され、再利用されるかによって、開発者はその周辺で構築する理由を持つ。これにより、プラットフォームはより多くのタスクを同一の環境に留めることができ、新たなツールもユーザーの日常へと容易に浸透しやすくなる。
企業がAIを導入する際には、エクスペリエンスを包括的なワークフロー全体に落とし込み、SLA、安定性、可観測性、監査可能性といった要素をすべて考慮する必要があります。調達審査を例に取ると、エージェントは見積もりを照合し、不足項目を補完したうえで、予算超過の案件を権限者に転送します。企業が重視するのは、次の工程で適切に受け入れられるかどうか、そして担当者が再確認に要する時間を削減できるかという点です。
Claude Agent SDKは、ツール、コンテキスト管理、権限、および実行ループを一体として開発者に提供します。[17] モデルを切り替えると、ツールの呼び出しや複数ラウンドの実行を再確認する必要があり、キャッシュの再構築によって費用や待ち時間が増加することもあります。[18][19] これらは、企業がツールを切り替える際に負担するコストです。
安価な新モデルは、従来のプロセスに組み込んだ後でも本当にコスト削減になるのか、改めて計算し直す必要があります。
ユーザーがAI製品にどれほど依存するかは、その製品がワークフローにおいてどの程度の役割を果たすかに左右されます。推論やコンテンツ生成のみを担う場合、ユーザーは基盤となるモデルを容易に切り替えることができます。一方で、プロジェクトのルールやツールの呼び出し、実行フローがすべて同一の製品に依存している場合、モデルの切り替えは一連の作業手法全体の移行を伴うことになり、長期的な利用におけるロックイン効果も強まります。
AIはどのメーカーを選ぶべきか：自分にとって替えたくないあの製品を見つける
誰が大規模モデル時代のiPhoneになるのか――リアルタイムで更新されるAIランキングに追われる必要はありません。ここ1週間を振り返ってみて、あなたがAIに最も頻繁に依頼するのは、資料の検索・作成・コードの修正、それとも表の処理でしょうか？最もよく行い、かつ時間がかかる作業から選ぶほうが、毎回のランキング更新を追いかけているよりもはるかに役立ちます。
それはあなたの要求を理解し、結果もほとんどの場合で十分に役立ち、何度も説明し直す必要もほとんどありません。そのため、ランキングの更新を理由に別のものに切り替える必要はありません。価格も予算内であり、毎日確かに手間が省けるので、引き続き使用するのは合理的な選択です。
スマートフォンユーザーは慣れ親しんだブランドにとどまり、AIユーザーも次第にこうした嗜好を形成していきます。ユーザーにとっては手間が減り、製品にとっては体験がリテンションへとつながるのです。
例えば、文章を書くには必ず何度も推敲し、資料を調べるには必ず出典を補う必要があり、コードでも同じ箇所で繰り返しバグが発生します。最近行ったある案件を例に挙げてみましょう。新製品に対して同じ材料と要件を与えた場合、果たしてそのまま使えるでしょうか？また、修正にはどれくらいの時間がかかるのでしょうか？
まずは慣れ親しんだ主力製品を残し、新製品にはその難題を任せましょう。何度か続けて手間がかからなければ、さらに導入を進め、有料化の是非を判断します。両社それぞれに強みがあるのですから、役割分担をさせ、『最強』を選ぶために片方だけを残す必要はありません。
最も残すべきものは、あなたがコードを何度も修正したり、何度も心配したりする手間を減らしてくれるツールです。長く使い続けるほど使いやすくなる——これこそが、記憶メカニズムの粘着性なのです。
週報の整理、資料の照合、顧客からの問い合わせ対応など、繰り返し発生する業務から始めます。実際にその業務を担当している人に試用してもらい、導入後の運用が可能かどうか、同僚の作業時間が短縮されるか、トラブルが発生した際に誰が対応するのかを確認します。権限やデータの境界は担当者と確認し、パイロット運用で効果が確認できれば、その後に範囲を拡大します。
また、個人の好みも企業の製品選定に影響を及ぼします。個人が使い勝手の良さを感じた後、プロンプトやテンプレート、成功事例までチームに持ち込まれます。同僚たちも、まず実用的な成果物を目にする機会を得てから、同じ製品の試用を開始するのです。こうして個人の利用習慣が協働を通じて広がり、企業の導入のきっかけとなります。
個人的には結果と手間の軽減度を重視しますが、企業にとっては協働性と保守性も重要です。現行のソリューションが十分に機能しているのであれば、自社のペースでアップグレードを進めましょう。文末の付表では、より詳細な試用記録の方法を示しています。
ユーザーはこうした繰り返しの比較を通じて主力製品を選び、製品側も「試してみる」から「習慣的に使う」へと変化を求める。この道のりを誰が歩み切れるか——その者こそが、手放せないあのiPhoneに最も近づく存在だ。
能力と価格が誰を試してみる価値があるかを決め、充実した作業体験が誰が主力になれるかを左右する。Claudeの能力の発揮や、DeepSeekおよびMiMoのコスト面での優位性は、いずれも製品に試用の機会をもたらす。Kimiはドキュメントなどのデリバリー機能をエージェントに組み込み、能力から成果への距離をさらに縮めている。[1][2][20] 試用の機会の後には、次回の起動にもつながるよう働きかけが必要だ。
ワークベンチのルートは、より直接的に「毎日どこで作業するか」を追求しています。Claude Code、WorkBuddy、Trae、Cursorは、ルールや素材、ツールをプロジェクトを中心に段階的に整理し、Muse、Dots、Grok Botはその流れをクラウド上にまで拡張します。前者は繰り返しの準備を減らし、後者は継続的な作業環境を維持することで、次回製品を開く際の体験をより自然なものにしています。
DeepSeek Harnessは、オープン性と互換性を魅力として掲げ、開発者がツールの改善に参加できるようにしています。それぞれの路線には独自の蓄積があり、最終的には同じ問いに答える必要があります：モデルが更新された後も、ユーザーはなぜここに留まり続けるのか？
誰がよりiPhoneに近いのかは、ユーザーを「今回は試してみよう」という気持ちから、「この作業はここでする習慣になっている」という状態へと導けるかで決まります。日々の資料やタスク、コラボレーションがスムーズに連続して進められるなら、その理由は単なるランキングよりもずっと長く残るでしょう。
大規模モデルの勝者は、常に最も強力なモデルを保有する必要はなく、総合的な体験でユーザーを引き留められる企業かもしれない。
付：選型記録と評価基準
よく行う作業を3つ選び、たとえば1ページのプレゼンテーションを作成する、一組の出典を確認する、表を処理するといった内容を挙げます。候補となる製品に同じ材料と要件を与え、下表に結果を記録します。Agent Evalで参考になるのは、システムが「完了した」と言うのではなく、実際に作業が完了しているかどうかを見ることです。[21]
出典：参考エージェント評価手法[21]に基づき、本稿で設計。重要なエラーは別途列挙し、費用と人的作業時間はそれぞれ別に記録する。企業によるパイロット実施では、権限設定、ログ、障害時のロールバックについても確認すべきである。テストタスクのコストとサブスクリプション料金は、それぞれ別個に検討する。[2]
参考資料：
[1] 人工分析。LLMランキング：インテリジェンス[EB/OL]。[2026-10-21]。
[2] 人工分析。LLMランキング：知能とタスクあたりのコスト[EB/OL]。[2026-10-21]。
[3] AnTuTu。AnTuTuの評価：製品のダウンロードと評価に関する説明［EB/OL］。［2026-10-21］。
[4] APPLE. AppleはiPhoneで電話を再発明する[EB/OL].（2007-01-09）[2026-10-19].
[5] APPLE. iPhone 3Gが明日発売[EB/OL]. (2008-07-10)[2026-10-19].
[6] ANTHROPIC. Claudeがどのようにあなたのプロジェクトを記憶するか[EB/OL].（未定）[2026-10-22].
[7] ANTHROPIC. Claude Codeの仕組み[EB/OL].（未定）[2026-10-22].
[8] Tencent. WorkBuddy：プロジェクト[EB/OL]. (未定). [2026-10-22].
[9] Tencent. WorkBuddy：記憶[EB/OL]. (未定). [2026-10-22].
[10] TRAE。新しいSOLOをご紹介します[EB/OL]。[2026-10-21]。
[11] CURSOR。ルール[EB/OL]。[2026-10-21]。
[12] SHEASHA T. 私たちがMuseに安全性をどのように組み込んだか[EB/OL]。（2026年9月8日）[2026年10月22日]。
[13] OPENAI. コンピューターとアプリをあなたのdotに接続する[EB/OL]。（未定）[2026-10-22]。
[14] XAI。コンピューターとアプリの活用[EB/OL]。（未定）[2026-10-22]。
[15] DEEPSEEK。DeepSeek Harness：すべてはプラグインである[CP/OL]。[2026-10-21]。
[16] DEEPSEEK。DeepSeek ハーネス 開発者プレビュー：すべてはプラグインである[EB/OL]。[2026-10-21]。
[17] ANTHROPIC. エージェントSDKの概要[EB/OL]. [2026-10-21].
[18] ANTHROPIC。プロンプトキャッシュ[EB/OL]。[2026-10-21]。
[19] VLLM。自動プレフィックスキャッシュ[EB/OL]。[2026-10-21]。
[20] ムーン・ザ・ダーク・サイド。Kimi Agentとは何か？機能紹介と利用入口［EB/OL］。［2026-10-21］。
[21] ANTHROPIC. AIエージェント向け評価の解明[EB/OL]. (2026-01-09)[2026-10-21].
さらに詳しい内容は、钛媒体のWeChat公式アカウント（ID：taimeiti）をフォローするか、または钛媒体Appをダウンロードしてください。