AIコーディングではモデル性能だけでなく継続して使える量も重要だった

AIコーディングではモデル性能だけでなく継続して使える量も重要だった

  • 日本語
  • AIコーディング
  • Codex
  • GPT-5.6 Sol
  • GPT-6 Astra
  • Claude Code

#はじめに

ここ最近、AIコーディング環境をかなり見直している。

モデルはどんどん新しくなる。

より賢いモデルが出れば使いたくなる。

しかし、複数のモデルを実際の開発へ入れてみると、

一番性能が高いモデルを選べば終わり

ではないことがよく分かった。

自分の場合は、4つほどのプロジェクトを並行して進める。

そのため、性能だけでなく、

  • 週にどれくらい使えるか
  • 速度
  • ハーネス
  • 設定
  • 自分の指示との相性
  • 使い慣れているか

まで含めてAIコーディング環境を考えるようになった。

#Astra mediumは高性能だが自分には量が足りなかった

GPT-6 Astra mediumを使っていたとき、モデル性能自体にはかなり満足していた。

問題は利用量だった。

一つのプロジェクトだけなら状況は違ったかもしれない。

しかし4つほどのプロジェクトを並行すると、週次レートが自分のペースに合わなかった。

この経験から、

高性能でも使いたいときに使えなくなるなら主力にしにくい

と感じた。

これをChatGPT Pro 20xで経験したので「これ以上はAPI従量課金しかない」となったのが、良いきっかけになった。5xで足りなかったら20xにすれば良いだけって考えて終わりだったと思う。

#Sol highへ戻すと安定した

そこでGPT-5.6 Sol highへ戻した。

現在は再びSolを主力にしている。

複数プロジェクトを進めてもAstra mediumより余裕を感じる。

しかも、自分が普段任せているタスクは問題なくこなしてくれる。

外部でモデルの変化についてさまざまな声があっても、自分の実作業では今のところ大きな不満はない。

この「自分の仕事で安定している」という感覚はかなり重要だ。

#Claude Codeを使って環境の差を感じた

久しぶりにClaude CodeとFable 5.1も試した。

今回のタスクでは期待した結果にならず、最終的にSolでやり直した。

ただし、Claude CodeやFableの性能が低いという結論ではない。

Codex側は毎日使いながら環境を整えている。

Claude Code側はしばらく触っておらず、設定が古い可能性が高い。

この差を考えると、

モデルだけ比較しても意味がない

と改めて感じた。

#ハーネスも性能の一部になっている

昔は、

text 
どのLLMを使うか

だけ考えれば良かった。

現在のAIコーディングでは、

text 
モデル
  +
ハーネス
  +
リポジトリの指示
  +
ツール
  +
ユーザーの使い方

まで含めて一つの環境になっている。

同じモデルでも、どのハーネスから使うかで体験は変わる。

長く使い込んだ環境ほど、自分に合う形へ調整されていく。

#ローカルLLMは補助として使いたい

クラウド側の利用量が気になったことから、ローカルLLMを補助へ使えないか検討した。

すべてをローカルへ移す必要はない。

例えば、

text 
複雑な実装
  → Solなどのフロンティアモデル

軽い調査や定型作業
  → ローカルLLM

という使い分けができれば、クラウドの利用量を温存できる。

今後ハードウェアやモデルが進化すれば、この役割はさらに大きくなるかもしれない。

#Jevはさらに別の役割だった

Jevという新しいSystem One Modelも調べた。

Jevはコードを書くモデルではない。

高速な分類や判断をソフトウェアへ返す。

そのため、

text 
人間との会話
  → GPT / Claude

コード生成
  → Codex / Claude Code + フロンティアモデル

軽い補助
  → ローカルLLM

高速な判断・ルーティング
  → Jev

のように、AIの役割がさらに細かく分かれていく可能性がある。

#一つのモデルですべてをやる必要はない

最近までは、

最も強いモデルを主力にする

という発想が強かった。

今は少し変わっている。

それぞれ得意な役割へ分ければ良い。

重要なのはモデルのランキングではなく、

自分の開発を安定して前へ進められるか

だ。

自分の場合、現在はCodex + GPT-5.6 Sol highが中心にある。

そこへ必要に応じてローカルLLMや別環境を組み合わせる。

Claude Codeも設定を整備し直して、改めて使える状態にしたい。

Jevも実際に触ってみたい。

#現在のAIコーディング環境

2026年9月時点の考え方を整理すると、次のようになる。

text 
主力
└─ Codex + GPT-5.6 Sol high
   └─ 複数プロジェクトを安定して進める

高性能だが利用量を意識
└─ GPT-6 Astra medium
   └─ 必要な場面で使いたい

再整備したい
└─ Claude Code
   └─ 現在のモデル向けに設定を見直す

補助
└─ ローカルLLM
   └─ 軽い作業を分散

調査・導入候補
└─ Jev
   └─ 判断やルーティング

数か月後には、また構成が変わっていると思う。

AI開発環境はそれくらい変化が速い。

#最初から追う場合

今回の検討は、次の記事に分けて記録している。

  1. ローカルLLMをAIコーディングの補助に使えるか検討した
  2. GPT-6 Astra mediumでは4プロジェクト並行開発のレートが足りなかった
  3. GPT-5.6 Sol highへ戻してAIコーディングを続けている
  4. Claude CodeとCodexを使い比べて自分にはGPTが合っていると感じた
  5. Jevという新しいSystem One Modelを調べた
  6. AIコーディングではモデル性能だけでなく継続して使える量も重要だった

#まとめ

AIコーディング環境を見直した結果、モデル性能だけでは選べないと感じるようになった。

自分にとって重要なのは、

  • 必要な性能がある
  • 週を通して継続して使える
  • ハーネスが安定している
  • 自分の設定が育っている
  • 実際のプロジェクトを前へ進められる

ことだった。

最新モデルを追うことは今後も続ける。

ただ、毎回すぐ主力を入れ替えるのではなく、自分の開発スタイルとの相性を確認しながら使い分けていきたい。