8月24日、OpenAIとAWSが連名で小さな発表を出した。OpenAIの現行フラッグシップGPT-5.6ファミリー——Sol、Terra、Lunaの3ティア——が、AWSのエージェント型開発環境Kiroに搭載された、という内容だ。ニュースの分類としては「配布の話」である。新しいモデルが出たわけでも、料金表が改定されたわけでもない。
だが発表文のなかに、一行だけ値段の話が紛れ込んでいた。原文のまま引くと——"Testing found that on Terminal-Bench 2.1, GPT‑5.6 Terra completed successful tasks in Kiro at roughly 82% cost reduction."（テストの結果、Terminal-Bench 2.1において、GPT-5.6 TerraはKiro内でおよそ82%のコスト削減でタスクを完了した）。比較のベースラインをOpenAIは明記していないが、文脈上、同じモデルを素の環境で走らせた場合との対比と読むのが自然だろう。
立ち止まって考えると、これは奇妙な数字だ。モデルは同じGPT-5.6 Terraである。100万トークンあたりの単価も変わっていない。それなのに、タスクを終えるまでの実効コストが約5分の1になったという。価格表のどこにも書いていない82%——これを削ったのは、モデルではない。モデルを包む器、ハーネスだ。
今日はこの一行を入口に、「ハーネスが価格を決める」という構造を基礎から考えてみたい。結論を先に言えば、モデルのper MTok（100万トークンあたり）価格表は、もはやエージェント運用の実効コストを表していない。同じモデルでも、何を読ませ、何を持たせ、どう働かせるかの設計次第で、請求額は数倍の幅で変わる。エージェント運用の損益分岐は、モデル選定ではなくハーネス設計で決まる——そのことを、モデルを売る側が自ら公式数字で認めたのが、8月24日という日付だったのだと思う。
一行の中の82% —— 数字はどこから来たか
まず事実関係を精確に押さえておく。82%の出所はOpenAIの公式発表文で、脚注も測定条件の開示もない、一行きりの数字だ。興味深いことに、受け入れ側であるKiroの発表とchangelogにこの数字は登場しない。Kiro側が公表しているのは、Sol/Terra/LunaがIDE・CLI・Webの全面で使えること、SolがTerminal-Bench 2.1で88.8%、Coding Agent Indexで80を出すこと、そして課金の重み（クレジット乗数）がSol 2.4x・Terra 1.2x・Luna 0.6x——つまりLunaはSolの4分の1のコストで回ること、までだ。
では、その82%はどうやって生まれたのか。OpenAIの説明はこうだ。Kiroは「spec駆動」の開発環境であり、エージェントがコードを書き始める前に、要求仕様・技術設計・タスク分解を構造化されたドキュメントとして固める。モデルは明確な要件と設計とタスク文脈の中から仕事を始めるため、正しい解により速く到達し、誤りが少ない。結果として、完了する仕事が増え、無駄な労力が減る——コスト削減の正体は、値引きではなく迷いの除去だ、という理屈である。
ベンダーの自己申告値に、どこまで体重を預けていいのか。幸い、この主張の骨格は、ラボの発表とは独立した公開データで検証できる。それが本稿の背骨になる。
ハーネスとは何か —— モデルの周りに作るすべて
その前に、言葉を丁寧に定義しておきたい。ハーネス（harness）とは、もともと馬具のことだ。馬の力は、それ自体では荷車を動かせない。力を荷につなぐ革帯——ハーネス——があって初めて、馬力は仕事になる。
AIエージェントの文脈でのハーネスも同じで、一言でいえばモデルの周りに作るすべてを指す。今年4月に「Agent Harness Engineering」という論考でこの分野を整理したAddy Osmani（Googleのエンジニアリングリーダー）の定義を借りれば、コーディングエージェントとは「モデル＋その周囲に構築するすべて」であり、後者——プロンプト、ツール、コンテキストの与え方のポリシー、フック、サンドボックス、フィードバックループ——が、生のモデルを「働くシステム」に変える。
分解すると、ハーネスはおおむね5つの層でできている。指示の層（システムプロンプト、スキルやAGENTS.mdのような蓄積された作法）。道具の層（ツール群、MCPサーバー、外部への接続）。文脈の層（何を・いつ・どれだけ読ませるかの管理。長い作業でのコンテキストの圧縮やリセット、サブエージェントへの分離を含む）。実行環境の層（サンドボックス、ファイルシステム、権限の境界）。そして観測の層（ログ、トークン消費の監視、評価）。この5層の設計が、同じモデルの働きぶりを別物にする。
図1：ハーネスの解剖図。モデルのper MTok単価は中心の箱の仕様にすぎない。実効単価は、指示・道具・文脈・実行環境・観測という5層の設計——器の側——が決める。
身近な例で言えば、同じClaudeやGPTでも、チャット画面に貼り付けて使うのと、Claude CodeやKiroのような環境で使うのとでは、できる仕事がまるで違う。あの差はモデルの差ではない。器の差だ。そして2026年に入って、この器づくりは「ハーネスエンジニアリング」という名前を持つ一つの工学分野として急速に輪郭を持ち始めた。Anthropicのエンジニアリングブログは3月に長時間実行エージェントのハーネス設計を論じ、計画・生成・評価を別のエージェントに分ける三層構成や、コンテキストが満杯に近づいたとき要約して持ち越す（コンパクション）よりも完全に捨てて仕切り直す（コンテキストリセット）ほうが成績がよいといった、器の設計知見を公開している。実務者の間では「並のモデル＋優れたハーネスは、優れたモデル＋粗末なハーネスに勝つ」という格言まで流通し始めた。
とはいえ、格言は格言だ。数字で確かめたい。
リーダーボードは、もう「モデルの表」ではない
ここで、82%の傍証として本稿がいちばん重んじたい公開データに移る。当のベンチマーク、Terminal-Bench 2.1の公式リーダーボードそのものだ。
Terminal-Benchはターミナル上の現実的なタスク——環境構築、デバッグ、データ処理など——をエージェントに解かせるベンチマークで、コーディングエージェント評価の事実上の標準の一つになっている。注目すべきはスコアの高低ではなく、表の構造だ。リーダーボードの各行は「モデル」ではない。「Agent（ハーネス）×モデル」の組み合わせである。つまりベンチマークの世界は、とっくにハーネスを独立変数として扱っている。
そして同じモデルを異なる行で見比べると、器の寄与が数字で読める。2026年8月25日時点の値を引く。AnthropicのClaude Fable 5は、Claude Codeというハーネスでは正答率83.8%・全タスク実行コスト$552.67、Terminus 2という汎用ハーネスでは80.4%・$438.64。モデルは同一なのに、器で精度が3.4ポイント、費用が$114動く。より劇的なのはOpenAIのGPT-5.5で、Codexハーネスでは83.1%・$2,059.19、Terminus 2では78.0%・$493.85——同じモデルで、コストに約4.2倍の開きがある。
図2：同一モデル×異なるハーネスの精度とコスト。破線で結ばれた2点は同じモデルである。点の位置を決めているのは、モデルではなく器のほうだ。
念のため言い添えると、この4.2倍を「Codexは高い器だ」と読むのは早計だ。Codexは同じモデルから5.1ポイント高い正答率を引き出しており、高いのは失敗ではなく設計の選択——精度を金で買う器か、費用を絞る器か——の結果である。重要なのはその選択の幅そのものだ。同じモデルという条件を固定してもなお、精度とコストの座標が器でこれだけ動く。Osmaniの論考には、モデルを一切変えずハーネスの変更だけでTerminal-Bench 2.0の順位をTop30圏からTop5に引き上げたチームの事例が出てくるが、リーダーボードの構造はその逸話を制度として裏書きしている。ラボの自己申告（82%）と中立実測（4.2倍）、独立した2系統の数字が同じ方向を指している——ここまでが、この記事の事実の土台である。
迷いの経済学 —— 器がトークンを削る三つの場所
では、器はどうやってコストを削るのか。仕組みは一つの式に還元できる。エージェントの実効コストとは、
実効コスト ＝ 試行の回数 ×（読むトークン＋書くトークン）× 単価
である。最後の「単価」だけがモデルの仕様であり、価格表に載っている。前の二項——何度やり直すか、一度に何を読み書きするか——は、ハーネスの設計変数だ。82%や4.2倍といった開きは、すべてこの二項から生まれる。削れる場所は、大きく三つある。
第一に、迷いを減らす。エージェントのトークン消費を観察したことがある人なら知っているとおり、費用の大半は「正解のコード」ではなく、そこへ辿り着くまでの試行錯誤——間違った方向への実装、失敗したテスト、読み直し、手戻り——に費やされる。Kiroのspec駆動が削ったのはここだ。要求仕様と技術設計とタスク分解を先に構造化して渡せば、モデルは霧の中を手探りで進む代わりに、地図を持って歩き始める。82%の説明としてOpenAIが述べたのは、まさにこの「無駄な試行の除去」だった。
第二に、読ませすぎを減らす。エージェントは仕事を始める前に、ツールの定義、ファイルの内容、過去のやり取りを読み込む。この「読む」が積もる。典型例がMCPサーバーで、接続した瞬間に何十個ものツール定義を全部コンテキストに流し込めば、使いもしないツールの説明文に毎ターン課金され続けることになる。示唆的なのは、Kiroの発表のわずか2日前、8月22日に公開されたMCP公式ロードマップが、まったく同じ問題意識を掲げていたことだ。サーバーは「小さな入口を提供し、会話の進行に応じてカタログを段階的に明かす」——いわゆるprogressive discovery（漸進的発見）である。商用のハーネス（Kiro）と業界標準（MCP）が、同じ週に同じ答えを出した。ハーネスの経済学が、個社のノウハウから業界の設計原則へ昇格しつつある符合として、私はこの並びを読んでいる。
第三に、溜めすぎを減らす。長い作業では、会話履歴そのものが肥大していく。満杯に近いコンテキストはコストを押し上げるだけでなく、モデルの一貫性も損なう。前述のAnthropicの知見——要約して持ち越すより、区切りで捨てて仕切り直すほうがよい。計画・生成・評価を別エージェントに分け、それぞれの文脈を短く保つ——は、いずれもこの「溜めすぎ」への対処である。
図3：迷いの経済学（概念図）。裸のモデルは「読む→試す→失敗→読み直す」のループを何周も回り、そのすべてに課金される。ハーネスは迷い（試行回数）と読み書きの単位を設計することで、同じ単価のまま累積トークンを削る。バーの高さは実測値ではなく構造の模式である。
価格決定層の移動 —— per MTok価格表は「原価表」になった
ここまでを認めると、見慣れた風景が違って見えてくる。モデル各社のper MTok価格表——入力いくら、出力いくら——は、これまでエージェント運用の「値段」そのものだった。だがハーネスで実効コストが数倍動く世界では、あの表は原価表にすぎない。電気製品にたとえるなら、価格表は「1kWhあたりの電気料金」であって、「この家の今月の電気代」ではない。電気代を決めるのは、料金単価と同じかそれ以上に、断熱材と機器の効率——つまり家の設計だ。
このブログでは1週間ほど前に、推論という財が電力に似ていく構造を書いた。時間帯で単価が変わり始めたという話だ。今回の82%は、その続きの章にあたる。推論が電力なら、ハーネスは省エネ設計である。単価（料金メニュー）がいくら動いても、消費量（燃費）を決めるのは建物と機械の側だ——電力の世界で省エネ投資が発電所の増設より安くつく場面が多いように、推論の世界でも「良い器」への投資は「賢いモデル」への乗り換えより安くつく場面が増えていく。82%という係数は、この省エネ効果に初めてついた公式数字だと私は位置づけている。
モデルの売り手側も、この移行を織り込んだ商品構成に動いている。GPT-5.6がSol/Terra/Lunaという3ティアで提供されること自体、「どのタスクにどれだけの知能を割り当てるか」という能力の出し分けが製品名に昇格した徴候だ（Kiroのクレジット換算でLunaはSolの4分の1で回る）。そして最上位同士の比較でも、値差は縮まるどころか逆転気味である。ベンチマーク集計サイトArtificial Analysisの知能指数では、GPT-5.6 Sol（max）が61、Claude Fable 5（max）が62。1ポイント差に対して、価格表の単価はSolが半分以下（$4/$20対$10/$50。Solは8月21日に$5/$30から期間限定で値下げされた）だ。「どちらが賢いか」の上位互換競争は、「単価あたりの知能」の競争へ、さらにその先の「器込みの実効単価」の競争へと、層を降りつつある。価格の決定権が、モデルの層からハーネスの層へ移る——82%はその移行の告知だった。
損益分岐はハーネス設計で決まる —— 実務への翻訳
この構造を、エージェント導入を検討する立場に翻訳するとどうなるか。
まず、モデル比較表を眺める時間の一部を、ハーネスの比較と設計に振り向けるべき局面に来ている。どのモデルが賢いかは依然重要だが、図2が示すとおり、運用の座標を大きく動かすのは器のほうだ。そして器には「買う・借りる・作る」の選択肢がある。Claude CodeやKiroのような既製ハーネスを使うことは、他社が積み上げたハーネスエンジニアリングの成果を利用料で借りることに等しい。自作は文脈設計の自由度と引き換えに、設計と保守の負債を自社で抱える選択だ。6月の連載『AIエージェント構築、その前に——コスト・権限・運用の天秤』ではモデル選定・権限設計・フォールバック・運用という四つの天秤を扱ったが、その隣に今、五つ目の天秤——ハーネスを買うか作るか——が置かれたことになる。
次に、費用の異変への見方が変わる。「同じモデルを使っているのに、先月より請求が高い」——この犯人は、たいていモデルではない。読ませるファイルが増えた、接続したMCPサーバーのツール定義が肥えた、履歴の持ち越しが長くなった、失敗率が上がって試行が増えた。すべて器の変化だ。逆に言えば、請求書はハーネスの健康診断書として読める。
そして監視の意味が変わる。私はトークン消費を可視化する監視ツール——token-monitorと呼んでいる——を構想しているのだが（前回も白状したとおり、まだアイデアの段階だ）、この一件はその存在意義を書き換えるものだった。単価が時刻の関数になった世界（8月の料金改定の話）で、監視は「いつ使ったか」を記録する装置になった。消費量が設計の関数になった世界では、監視はさらに「ハーネス改善の効果測定装置」になる。specを導入する前と後で、試行回数と読み込みトークンはどう動いたか。ツール定義を段階開示に変えて、毎ターンの固定費はいくら減ったか——それを測れない組織は、OpenAIの82%が自社では何%なのかを、永遠に知ることができない。省エネ設計に電力メーターが要るように、ハーネスエンジニアリングにはトークンメーターが要る。
両論 —— ハーネス万能論への留保
熱を上げすぎないために、反対側も書いておく。
第一に、数字の性質。82%はベンダー公表値であり、比較条件は開示されていない。本稿の主張はリーダーボード実測（4.2倍）で独立に成り立つよう組んであるが、82%という個別の係数を自社の見積もりに転記するべきではない。第二に、タスク種への依存。spec駆動が効くのは「仕様に落ちる仕事」だ。要件が言語化できる開発タスクでは迷いの除去が効くが、探索そのものが目的の調査や、何が正解か走りながら決まる創発的なタスクでは、先回りの構造化がかえって足枷になりうる。第三に、ハーネス税。仕様化にも、計画にも、評価にも、トークンは掛かる。数分で終わる小さなタスクでは、器のオーバーヘッドが削減分を食い潰すこともある。省エネ設備の投資回収と同じで、効くのは運転時間が長い場合だ。
第四に——これが長期では最も重いと思うが——ロックインの形が変わる。モデルの乗り換えは、APIの互換層が整った今、かつてなく容易になった。だがハーネスの乗り換えは重い。AGENTS.mdに蓄積した作法、失敗のたびに追加したフック、チームの運用が馴染んだ権限設計——器には組織の学習が沈殿する。価格決定層がモデルからハーネスに移るということは、囲い込みの主戦場も同じ場所に移るということだ。器を借りる判断をするとき、見るべきは今月の削減率だけではない。
むすび —— モデルカードではなく、設計図を読む
それでも、方向はもう見えていると思う。
ベンチマークの世界にはすでに「Best Reported Harness（報告された最良ハーネス）」という集計カテゴリが現れ、リーダーボードはモデルの表からモデル×器の行列に変わった。標準の世界では、MCPが「何を読ませないか」を仕様に書き込もうとしている。そして商用の世界では、モデルを売る当人が「うちのモデルは、器次第で5分の1のコストで走る」と公式に言った。モデルの知能が横並びに近づくほど、差がつく場所は器へ降りていく。ハーネスエンジニアリングは、プロンプトの工夫と呼ばれていた牧歌的な時代を抜けて、稼働率やFinOpsと同じ、経済の言葉で語られる工学になった。
エージェントに仕事を任せる設計者が次に読むべきものは、前回の記事の結びでは「料金表の中の時計」だった。今回はこう続けたい。モデルカードの新しいベンチマークではなく、ハーネスの設計図を読むこと。何を読ませ、何を持たせ、いつ文脈を捨てるのか——その図面にこそ、来月の請求額が書いてある。
モデルの知能に値札がつく時代は、終わりつつある。値札は、器につき始めた。
参照情報
OpenAI 公式: Advancing price-performance for developers with GPT-5.6 in Kiro — 82%の原典（2026-08-24）
Kiro 公式ブログ: GPT-5.6 is now available in Kiro／changelog: OpenAI GPT-5.6 Sol, Terra, and Luna now available — Sol 88.8%・CAI 80・クレジット乗数（Sol 2.4x / Terra 1.2x / Luna 0.6x）
Terminal-Bench 2.1 公式リーダーボード — Agent×Model行列と実行コスト（2026-08-25閲覧）
MCP 公式ブログ: ロードマップ — progressive discovery ほか（2026-08-22）
Anthropic engineering: Harness design for long-running agents — 三層構成・コンテキストリセット（2026-03-24）
Addy Osmani: Agent Harness Engineering — 定義・格言・Top30→Top5事例（2026-04-19）
awesome-harness-engineering（GitHub） — 分野としての定着の傍証
Artificial Analysis: GPT-5.6 Sol／Claude Fable 5 — 知能指数61/62・単価$4/$20と$10/$50（Solは2026-08-21に$5/$30から値下げ。2026-08-27再確認）
関連記事: 推論は電力になる — 時間帯で価格が変わるAI（2026-08-16）／連載『AIエージェント構築、その前に——コスト・権限・運用の天秤』（2026-06-11〜）
この記事をシェアする
