Sonnet 5、検証不要な数字は価格だけ。入力$2・出力$10 — 判定は「乗り換え」ではなく「自分のログで測れ」

Anthropic が Claude Sonnet 5 を公開し、すでに利用可能な状態にある。価格は入力100万トークンあたり2ドル、出力100万トークンあたり10ドル。

性能についての説明は、推論・ツール利用・コーディング・ナレッジワークといったエージェント的な用途で Sonnet 4.6 より大きく向上した、という趣旨のもの。もう一点、サイバーセキュリティ関連タスクの能力は Opus クラスの各モデルより明確に低く、その領域のセーフガードを既定で有効にした状態で提供される、と明示されている。

今日手元にあるのはこれだけだ。ベンチマークの表も、日本語に関する記述も、この材料の中には含まれていない。

前回 Opus 4.8 について、性能向上の倍率は出ているのに分母が公開されていない点を書いた。今回はその倍率すら出ていない。「大きく向上した」は測定ではなく形容詞だ。分母のない数字より正直だ、と好意的に読むこともできるが、読者の判断材料としての価値は同じくゼロである。ここを混同しないでおきたい。

しかし今回は、検証しなくても使える数字がひとつある。価格だ。入力2ドル・出力10ドルは、自分の月間トークン量に掛ければそのまま月額になる。性能主張とちがって、これは他人の測定条件に依存しない。

だから私の判定は「試す」だ。乗り換えでも様子見でもない。理由は性能への期待ではなく、価格が判断可能な唯一の変数だから。そして、エージェント用途では単価そのものより「1タスクを完了するのにいくらかかったか」が効く。ツールを呼んで文脈を読み直すループは、消費トークンが事前に読めない。単価が下がっても試行回数が増えれば実費は上がるし、逆もある。単価表を眺めて結論を出すのは、この用途ではいちばん当てにならないやり方だ。

性能の主張については、私は今日の時点で肯定も否定もしない。材料がないものに態度を取るのは、判定ではなく賭けになる。

日本語について発表に記述がない。 これは「日本語が弱い」という意味ではなく、「わからない」という意味だ。そして日本の実務で効くのは、生成文の自然さより次の二つである。ひとつは、社内の日本語文書・PDF・メールを読ませたときにツール呼び出しが正しく組み立てられるか。エージェント用途で失敗が出るのはたいていここで、文章の流暢さとは別の能力だ。もうひとつはトークン効率で、日本語は同じ内容でも消費トークンが増えやすいため、2ドル・10ドルという単価は日本語ワークロードでは実効的に割高に働く。この二点は自分で測る以外にない。

セキュリティ隣接業務は先に踏んでおく。 サイバー領域の能力が Opus クラスより低く、セーフガードが既定で有効という組み合わせは、実務上ひとつの意味を持つ。ログ解析、脆弱性の切り分け、検証環境での再現といった業務をこのモデルに寄せる計画があるなら、PoC の最初にその経路を試すべきだ。後から拒否や品質低下に当たると、設計をやり直すことになる。国内の SIer やセキュリティ部門にとっては、価格より先に確認する項目だと考えている。

なお国内提供の形態、円建ての請求、データの取り扱いといった調達側の条件は、今日の材料には書かれていない。ここは各社の契約経路で確認するしかない。

1. 既存のエージェントタスクを10件ほど選び、プロンプトを変えずに Sonnet 4.6 と Sonnet 5 の両方に流す。比較するのは出力の印象ではなく、完了率と、1タスクあたりの実費の二つだけ。
2. その10件に、日本語の社内文書を読ませるタスクを必ず混ぜる。英語のサンプルだけで判断すると、日本語運用で出る失敗を見逃す。
3. セキュリティ隣接の用途があるなら、この段階で拒否の出方を確認する。
4. 完了率に差が出なければ、乗り換えない。切り替え作業とプロンプトの再調整はタダではない。差が出たときだけ動く。

全面移行を今日決める材料は、発表側からは出ていない。出ているのは、試す費用が計算できるという事実だけだ。それで十分に「試す」の理由にはなるが、「乗り換える」の理由にはならない。