単一モデルの罠
大手のAI提供元はみな、自社の旗艦モデルがどんな問いにも正しい答えだと信じさせたがります。その信念は彼らには商業的に都合がよく、あなたには技術的に誤りです。
長い文脈の法務推論で輝くモデルは、十語の説明文を作るのに適したモデルではありません。最先端の視覚を備えたモデルは、構造化されたJSONを整え直す一括処理には過剰で、おそらく高すぎます。処理量に合わせて価格が調えられたモデルは、二秒で答えが要るときには考えうる最悪の選択かもしれません。
一つのモデルの上に築くとき、あなたは最良の道具を選んでいるのではありません。作られた制約の内側で最良の道具を選んでいるのです。時とともにその制約は積み上がります。単純な作業に払いすぎ、複雑な作業では届かず、そしてその提供元に障害や値上げが起きれば、製品全体が止まります。
名前ではなく能力
役に立つ抽象は「どのモデルか」ではなく「この要求にどんな能力が要るか」です。この問いには正確な答えがあります。
画面の写しを添えたチャットのメッセージには視覚が要ります。外部のAPIを呼ぶワークフローの段にはツールが要ります。自分の出力を検証すべきコード補助にはコード実行が要ります。速さの要らない夜間のまとめの経路は一括の価格を使えますが、人が待っている製品内の補助は使えません。
先に能力の要件を並べれば、モデル選びは絞り込みと並べ替えの作業になります。要求される組——たとえば文章、視覚、構造化出力——が与えられれば、三つすべてを支えるモデルを見つけ、今の要求の文脈に合わせて品質と価格で並べます。その並びは、その人が何をしているか、資金の具合がどうかによって、要求ごとに変わりえます。
ToRunの振り分けの経路が行うのは、まさにこれです。モード（チャット、コード、画像、調査など）が能力の組へ写ります。組がモデル目録を絞ります。価格と品質の順位付けが勝者を選びます。その結果、大量の構造化抽出にはDeepSeekを、細やかな推論にはClaudeやGPT-4級のモデルを、長い文脈の文書作業にはGoogle Geminiを、生成には専用の画像モデルを——すべて同じ製品面から、振り分けの論理を自分で書かずに使えます。
代替の連鎖は「あれば良い」ものではない
提供元の障害は珍しい端の事例ではありません。業界全体で毎月何度も起きます。製品が一つの提供元に依存していて、そのAPIが劣化すれば、製品も一緒に劣化します。
代替の連鎖は運用上の最低限です。主のモデルがある要求に一時的な誤りを返したとき、プラットフォームは次に適したモデルでもう一度試します。これは振り分け層がどのモデルが適しているかをすでに知っていることを前提とします——それこそ能力による振り分けが与えるものです。
代替の連鎖にはもう一つ、あまり目立たない利点があります。請求のふるまいを見通しよく保つことです。第一候補のモデルが一時的に利用の上限を超えていても、次の適したモデルへ逸れれば、誤りを見せずに費用を範囲内に保てます。
実務上の結論
AIプラットフォームを見比べるときは、二つ問いましょう。要求ごとにどうモデルを選ぶのか。そのモデルが使えない、あるいは高すぎるとき何が起きるのか。
どちらかの答えが「いつもモデルXを取る」なら、それは構造の匂いです。今日使えるモデルは、半年後に存在する最良のモデルではありません。新しい提供元が現れます。価格は動きます。能力の境目は変わります。モデル選びを設定の決定ではなく振り分けの作業として扱う構造は、より良く歳を重ね、時とともに費用が下がり、圧力の下でより穏やかに劣化します。
一つのモデルは出発点です。振り分けの層こそが本当の土台です。