日本語
AIコーディング戦争は、全員がトロフィーを持ち、なぜ表彰台がこんなに多いのか誰も説明できない段階に来た。2026年3月のClaude Opus 4.6、GPT-5.4、Gemini 3.1 Proには、どれも目覚ましい結果がある。困るのは、それでも「どの契約を残すべきか」に一つの明快な答えが出ないことだ。
モデルが同一だとか、すべての差が測定された誤差範囲内だという証拠ではない。コーディング支援を選ぶには、スクリーンショットで最大の数字を探す以上のことが必要という意味だ。競争は機能している。残念ながら宿題までは廃止してくれなかった。
数字は嘘をつかなくても、ラベルが重要
SWE-bench Verifiedはソフトウェアの課題解決を試す。Terminal-Benchは端末で行う作業を試す。ARC-AGI-2は抽象的な推論パズルを使う。互換性のある試験ではなく、エージェントの道具、指示、割り当てる処理の労力も点数に影響する。
3月25日までに公開されていた結果の例を挙げよう。
- SWE-bench Verified：Googleの2月のモデルカードでは、Gemini 3.1 Proが80.6%、Opus 4.6が80.8%。この試験で数字が近いことは有用な観察だが、何をしても同点という宣言ではない。
- SWE-bench Pro、公開セット：OpenAIはGPT-5.4で57.7%、GoogleはGemini 3.1 Proで54.2%と報告している。それぞれの提供元が公開した結果であり、この記事のために条件をそろえて新たに比較したものではない。
- Terminal-Bench 2.0：OpenAIはGPT-5.3-Codexで77.3%、GPT-5.4で75.1%と報告する。Googleの表では、Terminus-2エージェント構成と、他社が報告した最良の構成の結果を別に示している。その行を一つの均一な競争に混ぜると、重要な条件を落としてしまう。
出典はGemini 3.1 Proのモデルカードと、OpenAIの3月5日のGPT-5.4発表だ。各列の勝者を買えという指示ではなく、脚注付きの有用な証拠として考えたい。
さらに複雑な点がある。2月にOpenAIはSWE-bench Verifiedの監査を公開し、テスト品質と学習データ汚染の懸念を指摘した。SWE-bench Proを推奨しつつ、Proも完全ではないと認めている。試験を吟味する理由にはなるが、一つの神聖な順位表を別のものへ置き換える理由ではない。
ではARC-AGI-2はどうか。興味深い推論結果なのは確かだ。認証のバグを支援ツールがどれだけうまく直せるかの直接測定か。そうではない。トロフィー棚には別々の段が必要だ。
万能の勝者がいない理由
モデルの周囲のエージェントが変わると、リポジトリの検索、ファイル編集、テスト、失敗からの立て直しが変わり得る。推論設定、時間制限、利用可能なコンテキストも大切だ。モデル名だけでは、作業システム全体を表せない。
3月の候補には、難しいコード作業向けのOpus 4.6、コーディングやエージェントの作業向けのGPT-5.4とGPT-5.3-Codex、もう一つの有力候補Gemini 3.1 Proがある。これは評価すべき候補一覧であり、一社が設計、一社が端末、もう一社が推論を永久に独占する分業表ではない。
大きなコンテキストウィンドウは役立つが、プロンプトに多くのファイルを入れられても、リポジトリ内のすべての相互作用を理解する保証にはならない。実務上の問いは、関係するコードを見つけ、正しくレビュー可能な変更を作るかだ。100万トークンのウィンドウは容量であって、卒業証書ではない。
価格競争のほうが役立つ議論になる
2月の公開時、AnthropicはOpus 4.6を入力100万トークン5ドル、出力100万トークン25ドルとした。GoogleのAPI料金にある、Gemini 3.1 Proの20万トークンまでのプロンプトの入力2ドル、出力12ドルの区分と比べてみよう。
この比較では、Opusの入力料金は2.5倍、出力料金は約2.08倍だ。10倍ではない。入力と出力も同じものではなく、長いプロンプトに短い答えを返す場合と、短いプロンプトから大量のコードを生成する場合では請求額が違う。
これはAPIのトークン料金であって、月額チャット契約の価格ではない。キャッシュ、長いコンテキストの料金区分、バッチ割引、道具の使用、生成する推論の量で金額は変わる。実用上重要なのは、採用できた結果一つ当たりの費用に近い。必要な検査を通り、残す価値のある変更を得るまで、いくらかかったか。
安いモデルでも何度も失敗すれば高くつく。高級モデルに一覧のアルファベット順の並べ替えを任せれば、驚くほど高価なソート関数になり得る。どちらにもブランド戦争の説明は必要ない。
公開ウェイトは選択肢を変えても、電気代を消さない
Qwen3-Coder-Nextは、総パラメーター800億、アクティブ30億の公開ウェイト型コーディングモデルだ。アクティブ数は計算を説明する助けになるが、モデル全体の保存容量が30億パラメーター分のダウンロードで済むという意味ではない。
MiniMaxのM2.5発表は、SWE-bench Verifiedで80.2%と報告し、通常版と高速なLightningの提供を説明している。これも開発元の公表結果であり、上の非公開モデルの点数と同じベンチマーク上の注意が必要だ。
自分でウェイトを動かせることは、管理や実験に価値がある。どんな家庭用PCでも無料で動かせることとは違う。機器、メモリ、電気、ソフトの設定、保守は残る。GPUは「でもウェイトは無料だった」を支払いとして受け付けない。
ルーティングの考え方：作業で選ぶ
複数モデルの構成は、異なる仕事を異なるモデルに送り、最初の試みが失敗したら別のモデルを試す。IDCのルーティング分析は、2028年までにAI活用で先行する主要企業の70%が、ルーティングを管理する高度な複数ツール構成を使うと予測する。特定集団の将来予測であり、全企業の70%がすでにそうしている証拠ではない。
理屈は簡単だ。額を掛けるのに大ハンマーは使わない。単純な草稿を安いモデルへ送り、難しい変更には強い構成を残すのは、妥当な実験になるだろう。ただし、「安価」「中級」「高級」は作業に対する選択であり、特定ブランドに永久に割り当てる職名ではない。
小さな振り分けデモを書くのは簡単かもしれない。信頼できる仕組みには、有用な評価、妥当な代替策、安い選択肢がひそかに質を落としたときに気付く方法も必要だ。品質を失わず自動で60〜85%節約できるわけではなく、すべての個人開発者がルーターを作る必要もない。
AI研究企業にとっての意味
能力が全面的に同点でなくても、価格と周囲の製品は重要だ。統合の深さ。開発者向けの道具。サポート。午前3時の急増をAPIがどれだけ処理できるか。チームのレビューやテストの方法に、支援ツールがどれだけ合うか。ベンチマークの棒に収まらないものだ。
三社とも、発表で強調できる結果を見つけられる。それで宣伝の主張がすべて同じ広さになったり、モデルがすべて同じ程度に適したりするわけではない。細かな注記を読むことが、驚くほど実用的な開発技能になる。
自分の仕事で試すこと
2026年3月にコーディング支援を選ぶなら、忠誠心ではなく、代表的な仕事をいくつか用意するところから始めよう。
- 原因が分かっていて、それを検出するテストのあるバグ。
- 関連する複数のファイルに触れる機能。
- 実際の端末ツールとプロジェクトの慣習を使う課題。
- 安価な選択肢で十分かもしれない日常作業。
正しさ、レビューの手間、時間、総費用を比べる。モデルとエージェント設定も記録し、何を試したか分かるようにする。専用ツールについては、Cursor独自のコーディングモデル（英語）の記事も参考になる。
AIコーディング戦争の有用な成果は、永久の勝者ではない。どのモデルが最良かという議論をやめ、この特定の仕事に最も合うのはどれかと問う許可だ。自分のリポジトリは、ネットと違う意見を持っていて構わない。
2026-03-25公開の英語版の記事を日本語に翻訳しました。翻訳日：2026年10月30日。翻訳にはAIを使用し、記事内の時点は原文に合わせています。
