
【AI開発の最前線】「親は賢く、子は安く速く」。Claude CodeとCopilotが到達したサブエージェントの衝撃
Claude Opus 4.7 や GPT-5.5 のような超高性能AIの登場で、AIは「指示されたコードを書く」フェーズから「Issueから自律的に調査・実装・検証までを行う」フェーズに入りました。
しかし、ここで開発者たちは大きな壁にぶつかります。
「超高性能モデルにすべてを任せると、トークン課金(コスト)が爆発するし、動作も遅い」という問題です。
リポジトリの探索、ログの読み込み、ちょっとした修正……これをすべて一番賢くて高いモデルにやらせるのは、例えるなら「CTO(最高技術責任者)に、社内ドキュメントの誤字脱字チェックやgrep検索を1日中やらせている」のと同じです。
Github copilotの課金体系も残念ながらかわってしまいました。
そこで今、Claude CodeやGitHub Copilot、Codexなどの最先端AI開発環境でスタンダードになりつつあるのが「サブエージェント(カスタムエージェント)ごとのモデル使い分け」です。
これが、これからのAI開発のゲームチェンジャーになります。
「親は賢く、子は安く速く」が標準機能に
先日リリースされた Anthropic の「Claude Code」の公式ドキュメントを見て、私は唸りました。
サブエージェント(特定の作業を任せる子エージェント)を作成する際、明確に「どのモデルを使用するか選ぶ(Select model)」ことができるのです。
実は、Anthropicが公式で提供している組み込みのエージェントも、最初からモデルが分かれています。
メインのやり取り: 高性能モデル(OpusやSonnet)
コードの探索(Explore): 超高速・低コストモデル(Haiku)
Anthropic自身の設計思想が「コードの検索やログの解析には、Haiku(一番安くて速いモデル)で十分である」と物語っています。
これの何がすごいのか?
単にコストが下がるだけではありません。「コンテキスト(文脈)の分離」が起こるのです。
子エージェントが裏で何百ファイル検索してエラーログを読み漁っても、その長大なログはメインエージェントの会話(コンテキスト)を汚しません。結果の要約だけがメインエージェントに返ってきます。
これにより、「コスト激減」「処理の高速化」「AIの幻覚(ハルシネーション)防止」が同時に達成できるのです。
GitHub Copilotでは「工程ごとの切り替え」で実現する
では、ライバルである GitHub Copilot はどうでしょうか?
Copilot は Claude Code のように「親が子を自動で呼び出す」というより、人間が「カスタムエージェント」を選んで切り替える(ハンドオフする)アプローチをとっています。
Copilot では、リポジトリ内に .agent.md というファイルを置くことで、専門特化したカスタムエージェントを作ることができます。そして、このファイル内で「使用するモデル」を指定することが可能です。
実務に落とし込むなら、開発工程ごとにエージェントの役割とモデルを設計します。
プランナー(planner.agent.md)
一番賢いモデル(GPT-5.5など)を指定。「設計」と「修正方針」だけを作らせる。インプリメンター(implementer.agent.md)
中位モデル(Sonnetなど)を指定。プランナーが作った計画通りにコードを書かせる。テスター(test-writer.agent.md)
中〜軽量モデルを指定。テストコードだけを黙々と書かせる。レビュアー(reviewer.agent.md)
一番賢いモデルを指定。バグやセキュリティリスクがないか厳格にチェックさせる。
このように、作業のフェーズ(工程)に合わせて、人間が適切な専門エージェントを呼び出す運用です。
実務における「最強のAIチーム編成」
Claude Code を使うにせよ、GitHub Copilot を使うにせよ、これからのAI開発は「1つのモデルに全部やらせる」時代ではありません。
実務で最も強く、コストパフォーマンスが高いのは以下の布陣です。
1. 調査・探索・ログ解析(Haiku / などの軽量モデル)
広大なリポジトリの中から、目的のファイルを探し出す。テストの失敗ログの中から、エラーの根本原因の行だけを抜き出す。こうした「単純だが量が多い作業」は一番安いモデルの役割です。
2. 実装・テスト作成(Sonnet 4.6 などの主力モデル)
明確な設計や指示書さえあれば、一番コスパ良く、高速に、かつ高い精度でコードを書き上げる実働部隊です。日々の開発の8割は彼らが担います。
3. メイン設計・セキュリティ監査・PRレビュー(Opus 4.7 / GPT-5.5)
CTOやテックリードの役割です。複雑なアーキテクチャの判断、セキュリティの穴の発見、最終的なコードレビューなど「絶対に間違えてはいけない重い判断」の時だけ召喚します。
結論:AIは「万能の神」から「専門家チーム」へ
トークン課金時代において、AIツール(実行エンジン)が何であろうと、私たちがやるべき本質は変わりません。
それは、「Issueや作業の境界を明確にし、専門家チーム(サブエージェント)を編成して、適切なコンテキストだけを渡す」ことです。
これからのエンジニアの価値は、コードを速く書くことではなく、「このタスクにはどのレベルのAIを、どの権限(スコープ)でアサインすべきか」を設計する「オーケストレーション能力」にかかっています。
あなたはまだ、一番高いAIに雑用をお願いしていませんか?
ぜひ明日から、あなたの手元に「安くて速い調査専用アシスタント」と「賢い設計特化アシスタント」を分けて配置してみてください。開発の体験が劇的に変わるはずです。
📚 関連書籍(もっと深く学びたい方へ)
この記事で触れた「AIを1人の万能神ではなく、役割分担された専門家チームとして使う」という考え方に強く刺さる本を、実務目線で選びました。
① 『GitHub Copilot Step by Step』
GitHub Copilot Step by Step
GitHub Copilotを単なる補完ツールではなく、設計・実装・レビューまで含めた開発フローにどう組み込むかを学べる一冊。
「どの工程で、どのAIを使うべきか?」という今回の記事の思想にかなり近いです。
→ Copilot運用を本気で改善したい人向け
② 『Agentic Development: The Complete Guide to AI-Assisted Coding with Claude, Cursor, and Beyond』
Agentic Development
Claude Code・Cursor・Copilotなどを使った“AIエージェント駆動開発”を体系的に整理した本。
「Issue → 調査 → 実装 → テスト → PRレビュー」までの流れを、どう分業設計するかが学べます。
→ Claude Code / Codex 時代を本気で追いたい人向け
③ 『Team Topologies』
Team Topologies
一見AIとは関係ないですが、実は超重要。
「人間のチーム設計」がわからないと、「AIチーム設計」もできません。
Stream-aligned Team
Platform Team
Enabling Team
こうした役割分担の考え方は、そのまま
「Planner / Implementer / Reviewer」のAI設計に応用できます。
→ “AIの組織設計”まで考えたい人向け
④ 『Clean Architecture』
Clean Architecture
AIにコードを書かせる時代ほど、設計原則が重要になります。
雑な構造のコードベースでは、どんな高性能AIでも崩壊します。
「AIに任せやすいコードベース」を作るための土台。
→ AI駆動開発の“地盤”を作りたい人向け
⑤ 『The Phoenix Project』
The Phoenix Project
開発現場の“炎上”をどう防ぐか。
今回の記事の「CTOに雑用をさせるな」という話とも深くつながります。
ボトルネック管理
仕事の流れ
チーム最適化
を物語形式で学べる名著。
→ 技術だけでなく、現場改善まで見たい人向け
個人的には、
最初の1冊なら → Team Topologies
実践なら → Agentic Development
すぐ仕事に効くなら → GitHub Copilot Step by Step
この順番がおすすめです。
AI時代は
「どのモデルが賢いか」よりも
“誰に、何を、どこまで任せるか”
を設計できる人が強いです。
AI・データ・開発の関連書籍をもう少し探したい方は、Book Media Techでテーマ別に比較できます。
Book Media TechでAI・データ・開発の本を探す

#AI開発 #GitHubCopilot #ClaudeCode #Claude #ChatGPT #生成AI #エンジニア #プログラミング #システム開発 #テックブログ #チームビルディング