小規模AIモデルの比較：定型業務のコストと品質

企業の定型業務の多くは、小規模なAIモデルで処理できます。メールの仕分け、製造オーダーの確認、ウェブサイト上のアクションの分類、ステータスの24時間監視などです。公表価格では、各プロバイダーの差はわずかです。モデル間で大きく異なるのは、推測で答える頻度、ツールを操作する際の信頼性、そして消費する思考トークンの量です。本記事のデータは、各プロバイダーの価格表、独立したベンチマーク、Hawk IVO Forceで当社が実施した実践テストに基づくもので、2026年10月20日時点の情報です。

本記事では、コストをドルではなくコスト指数で示します。公表価格は頻繁に変わり、また各プロバイダーの価格はHawk IVO Forceの価格ではありません。この指数は、あるモデルが他のモデルと比べてどの程度高いかを示すもので、価格が変わっても読み取りやすさが保たれます。

比較対象のモデル

OpenAI、Anthropic、Google、Amazonは、小規模モデルのサイズを公表していません。ここでいう小規模とは、モデルファミリーの中で現在最も安価な階層で、速度と処理量を重視して設計されたものを指します。

• OpenAIのGPT-6 Luna（2026年9月22日から提供）：GPT-6ファミリーの最小の階層で、同じファミリーにはSolとAstraがあります。OpenAIによると、前身のGPT-5.6 Lunaは従来のNanoクラスに相当します。OpenAIから直接、またはMicrosoft AzureやAmazon Bedrock経由で利用できます。
• AnthropicのClaude Haiku 5.5（2026年10月7日から提供）：Claude Haiku 4.5の後継モデルで、Claude Platform、Amazon Web Services、Google Cloud、Microsoft Azureで利用できます。
• GoogleのGemini 3.5 Flash-Lite（2026年7月21日から提供）：現行のGeminiで最小の階層です。比較のため、1つ上の階層のGemini 3.8 Flashも併せて取り上げます。
• Amazon Nova 2 LiteとAmazon Nova Micro（いずれもAmazon Bedrockのみで提供）：Nova 2 Liteは2025年12月から、テキスト専用モデルのNova Microは2024年12月から提供されています。
• 中国のモデル：DeepSeek V4.1 Flash、AlibabaのQwen3.8 Flash、Z.aiのGLM-5.3-Flash、MiniMax M3.1 Flashです。Moonshot AIのKimi K2.6は数倍の価格で、実践テストでは比較対象として使用しました。

コストの比較：コスト指数

コスト指数は標準タスクを各プロバイダーの公表価格で評価したもので、コストレベルはそれを大まかにまとめたものです。

モデル	コスト指数 ↓, 低いほど良い	コストレベル ↓, 低いほど良い	長いプロンプトでの割増
Amazon Nova Micro	24	1	既知の割増なし
GPT-6 Luna	76	2	272,000トークン超：入力×2、出力×1.5
Claude Haiku 5.5	76	2	100,000トークン超：入力×5、出力×5
Qwen3.8 Flash	94	2	既知の割増なし
GLM-5.3-Flash	97	2	既知の割増なし
MiniMax M3.1 Flash	103	2	既知の割増なし
DeepSeek V4.1 Flash	207	3	なし
Gemini 3.5 Flash-Lite	297	3	なし
Amazon Nova 2 Lite	297	3	既知の割増なし
Gemini 3.8 Flash	569	4	なし、2027年1月1日から基本料金が2倍
Claude Sonnet 5.5 (比較用)	1,517	5	なし
Claude Opus 5.5 (比較用)	3,034	5	なし

Amazon Nova Microのコストは中央値の4分の1、GPT-6 LunaとClaude Haiku 5.5は約4分の3、Gemini 3.8 Flashは6倍近くです。大規模モデルのClaude Sonnet 5.5とClaude Opus 5.5は15～30倍です。

Claude Haiku 5.5の料金の跳ね上がり

Claude Haiku 5.5では、個々のリクエストの長さによって料金区分が決まります。プロンプトが100,000トークン以上になると、リクエスト全体の料金が5倍になります。キャッシュされたプロンプト部分も長さに含まれます。そのため、オーダー全体を1つのプロンプトに読み込むと高い料金区分が適用され、100,000トークン未満の区切りに分割すれば低い料金区分で済みます。GPT-6 Lunaにも272,000トークンに同様のしきい値がありますが、割増は小さくなっています。Gemini FlashとFlash-Liteにはこうしたしきい値はなく、世代4.6以降の大きなClaudeモデルにもありません。

• Gemini FlashとFlash-Lite
• GPT-6 Luna
• Claude Haiku 5.5

入力の基本料金に対する料金倍率 ↓

プロンプトの長さ（トークン）

割増はいずれもリクエスト全体に適用されます。GPT-6 Lunaでは、出力の料金は1.5倍になります。出典：OpenAI, Anthropic, Google、2026年10月20日時点。

グラフのデータ

モデル	長いプロンプトでの割増
GPT-6 Luna	272,000トークン超：入力×2、出力×1.5
Claude Haiku 5.5	100,000トークン超：入力×5、出力×5
Gemini 3.5 Flash-Lite	なし
Gemini 3.8 Flash	なし、2027年1月1日から基本料金が2倍
Amazon Nova 2 Lite	既知の割増なし
Amazon Nova Micro	既知の割増なし
DeepSeek V4.1 Flash	なし
Qwen3.8 Flash	既知の割増なし
GLM-5.3-Flash	既知の割増なし
MiniMax M3.1 Flash	既知の割増なし

すべてのクラウドで同じ価格、データレジデンシーには割増

大手クラウド間では、価格の差はわずかです。GPT-6 Lunaは、グローバル処理であればMicrosoft AzureやAmazon Bedrockでも、OpenAIから直接利用する場合と同じ価格です。Microsoft Foundryは、ClaudeモデルをAnthropicの公表価格で課金します。Amazon BedrockとGoogle Cloudは独自の価格表を持っており、Anthropicは両者のリージョナルエンドポイントについて、グローバルエンドポイントに対し10%の割増を示しています。コストが上がるのは主に、特定のリージョンで処理する場合です。AzureのEUデータゾーンでのGPT-6 Lunaは約20%、Google CloudのEUマルチリージョンでのGeminiは約10%、フランクフルトのEUルート経由のNova 2 Liteは米国でのグローバル処理より約40%高くなります。

その他の節約要因とコスト要因

• バッチ：結果をすぐに必要としない場合、OpenAI、Anthropic、Google、Amazonではバッチ処理で料金が半額になります。DeepSeekはピーク時間帯以外の料金を半額にしていますが、平日のピーク時間帯はドイツの午前中の大部分にあたります。
• キャッシュ：指示、カテゴリー、例など繰り返し使うプロンプト部分はキャッシュできます。キャッシュから読み込んだ部分の料金は、OpenAI、Anthropic、Googleでは入力料金の約10分の1、Amazon Novaでは4分の1です。
• トークンの大きさは一様ではない：Claude Haiku 5.5は、同じテキストを前身のモデルより約30%多いトークン数で数えます。そのため、トークンあたりの価格が同じでも、メール1通あたりのコストがまったく同じになるわけではありません。
• モデルの切り替え：Googleは2026年10月8日、一般提供の開始から8週間足らずでGemini 3.7 Flashの提供終了を発表し、リクエストをGemini 3.8 Flashに転送しています。Gemini 3.8 Flashの価格は2027年1月1日に2倍になります。そのため、価格とモデルのバージョンは、あらゆる運用計画に組み込む必要があります。

思考トークン：見えないコスト要因

現行の小規模モデルのほぼすべてが、回答の前に思考できます。この思考トークンは回答には表示されませんが、出力として課金されます。出力の料金は、モデルによって入力の3～8倍です。モデルがどれだけ思考するかは、多くの場合、次のように設定できます。

• GPT-6 Luna：noneからmaxまで、標準はmedium
• Claude Haiku 5.5：lowからmaxまで、標準はmedium
• Gemini 3.5 Flash-Lite：minimalからhighまで、標準はminimal
• Amazon Nova 2 Lite：オフ、またはlowからhighまで、標準はオフ
• DeepSeek V4.1 Flash：思考あり・なしを選択可能、標準は思考あり
• GLM-5.3-Flash：思考をオフにすることは不可

その差はかなり大きくなります。Artificial Analysisのベンチマーク一式を実行するコストは、GPT-6 Lunaの最高レベルでは思考なしの6倍強、Claude Haiku 5.5の最高レベルでは低いレベルの10倍近くでした。当社の実践テストでは、同じタスクに対してKimi K2.6が3,100～7,300の出力トークンを生成したのに対し、Gemini 3.7 Flashは360～580でした。待ち時間も長くなります。GPT-6 Lunaは、思考なしでは約0.8秒で最初の回答トークンを返しますが、最高レベルでは約90秒かかります。

分類と抽出には、多くの場合、最も低いレベルで十分です。GoogleはGemini 3.5 Flash-Liteについて、分類、ルーティング、JSON抽出にはminimalを明確に推奨しています。一方、複数ステップでツールを使うサブエージェントにはmediumまたはhighを推奨しています。そうしないと、モデルがツールの連鎖を途中で打ち切ってしまうためです。適切な値を最も確実に見極められるのは、自社のデータを使ったテストです。

• GPT-6 Luna
• Claude Haiku 5.5
• その他の小規模モデル

Intelligence Index ↑

テスト一式の実行コスト指数（対数目盛） ↓

線は、同じモデルで測定された最も低い思考レベルと最も高い思考レベルを結んでいます。コスト指数には、実際に消費された思考トークンが含まれます。表示している点の中央値＝100です。Amazon Novaについては、テスト実行のコストのデータがありません。出典：Artificial Analysis、2026年10月20日時点。

グラフのデータ

モデル	思考レベル	テスト実行のコスト指数 ↓, 低いほど良い	Intelligence Index ↑, 高いほど良い
GPT-6 Luna	none	6.0	18.5
Claude Haiku 5.5	low	11	29.5
GPT-6 Luna	max	38	38.1
MiniMax M3.1 Flash	default	89	42.7
GLM-5.3-Flash	max	96	41.8
Claude Haiku 5.5	max	104	43.4
Qwen3.8 Flash	default	114	39.8
Gemini 3.5 Flash-Lite	default	115	22.2
DeepSeek V4.1 Flash	max	140	45.1
Gemini 3.8 Flash	high	510	40.9

ハルシネーション：知識を問う質問か、資料に基づく作業か

モデルがどの程度ハルシネーションを起こすかは、タスクによって異なります。2つの問いを分けて考える必要があります。モデルは、知らないことを推測で答えるのか。そして、与えられた情報から外れずに作業するのか、という問いです。

出典のない知識の質問

Artificial Analysisは、AA-Omniscienceによって、専門的な質問に対してモデルが答えを知らないと認める代わりに誤った回答をする頻度を測定しています。ハルシネーション率とは、正しく回答できなかったすべての質問のうち、誤った回答が占める割合です。低いほど良い結果です。

モデル	正答率（%） ↑, 高いほど良い	ハルシネーション率（%） ↓, 低いほど良い
GLM-5.3-Flash	28	28
Gemini 3.5 Flash-Lite	30	34
Claude Haiku 5.5	33～36	40～45
Qwen3.8 Flash	25	45
Gemini 3.8 Flash	55	55
Amazon Nova Micro	10	65
DeepSeek V4.1 Flash	43	67
GPT-6 Luna	32～44	77～85
Amazon Nova 2 Lite	14～19	86～91
MiniMax M3.1 Flash	56	93

ハルシネーション率（%） ↓

正しく回答できなかったすべての質問のうち、誤った回答が占める割合です（AA-Omniscience）。棒の淡い色の部分は、思考レベルによる幅を示します。出典：Artificial Analysis, AA-Omniscience、2026年10月20日時点。

GLM-5.3-Flash、Gemini 3.5 Flash-Lite、Claude Haiku 5.5は、答えを知らないことを比較的よく認めます。これに対し、GPT-6 Luna、Nova 2 Lite、MiniMax M3.1 Flashはたいてい推測で答えます。MiniMaxは最も多くの質問に正答していますが、それ以外の質問ではほぼ常に、作り上げた回答で誤っています。

与えられたデータに基づく作業

定型業務では、多くの場合、2つ目の問いのほうが重要です。メール、オーダー、チケットがモデルの手元にあるからです。ここでは状況が異なります。Google DeepMindのFACTSランキングのグラウンディングテストは、回答が与えられたドキュメントによって裏付けられているかを検証するものです。このテストでGPT-6 Lunaは100点中81点、Gemini 3.8 Flashは73点、Gemini 3.5 Flash-Liteは71点でした。Google自身が運営するこのランキングには、他のプロバイダーのモデルは含まれていません。Vectaraの要約テストでは、Amazon Nova 2 LiteとNova Microが元のテキストにない内容を加えたのは、要約の約5%にとどまりました。両モデルは、知識の質問では特に推測で答えることが多いにもかかわらずです。Kimi K2.6はこのテストで約11%でした。比較対象の他の現行モデルは、まだ測定されていません。

そのため、小規模モデルには記憶に頼らせず、与えた資料に基づいて作業させるべきです。データを一緒に渡し、「不明」またはnullと答えることを明示的に許可し、固定のスキーマで検証すれば、情報が捏造されるリスクを十分に抑えられます。当社の実践テストでは、欠けている情報を捏造したモデルはありませんでした。

ツール利用：複数ステップにわたるツールの呼び出し

エージェントにとって重要なのは、モデルが複数ステップにわたってツールを正しく呼び出せるかどうかです。現行の小規模モデルについての独立した測定は、まだ十分ではありません。Artificial Analysisは、AutomationBench-AAで、メール、表計算、CRM、チケットシステムなど複数のシミュレーションされたアプリケーションにまたがる現実的な業務プロセスをモデルが処理できるかを検証し、Terminal-Bench 4.0でコマンドラインでの作業を検証しています。測定は主に高いレベルまたは最高レベルの思考で行われており、値は解決したタスクの割合（%）です。

モデル	AutomationBench-AA（%） ↑, 高いほど良い	Terminal-Bench 4.0（%） ↑, 高いほど良い
MiniMax M3.1 Flash	73	26
DeepSeek V4.1 Flash	67	34
GLM-5.3-Flash	60	33
Gemini 3.8 Flash	60	20
Qwen3.8 Flash	56	25
GPT-6 Luna	53	13
Claude Haiku 5.5	35	33
Gemini 3.5 Flash-Lite	25	1
Amazon Nova 2 Lite	未測定	未測定

AutomationBench-AA、解決したタスクの割合（%） ↑

メール、表計算、CRM、チケットシステムなど複数のシミュレーションされたアプリケーションにまたがる現実的なプロセスで、主に高いレベルまたは最高レベルの思考で測定しています。Amazon Nova 2 Liteは測定されていません。出典：Artificial Analysis, AutomationBench-AA、2026年10月20日時点。

メーカーの公表値が全体像を補完します。Anthropicは、画面操作のテストOSWorld 2.1で、Claude Haiku 5.5が約72%、GPT-6 Lunaが約49%だったと発表しています。AmazonはNova 2 LiteについてBerkeley Function Calling Leaderboardで60%としていますが、ランキング自体では27%、複数ステップの呼び出しではわずか2%となっています。中国のFlashモデルはツールを使うタスクをうまくこなしますが、その分、多くの思考トークンを消費します。開発者向けの技術的な補足として、GPT-6 Lunaでは、思考を伴うツール呼び出しはResponses API経由でのみ機能し、Chat Completions経由では思考なしでのみ機能します。

JSONと分類

定型業務では、モデルは決まった形式で回答する必要があります。複数のプロバイダーが、回答の生成時点でJSONスキーマへの準拠を強制しています。

• GPT-6 Luna：OpenAIによると、厳格なJSONスキーマを指定すると、回答は常にスキーマに準拠します。ただし、回答の拒否や途中で切れた回答は例外です。
• Claude Haiku 5.5：Structured Outputsでも同様にスキーマへの準拠が強制されます。Amazon Bedrockではbedrock-runtimeエンドポイント経由です。
• Gemini 3.5 Flash-Liteと3.8 Flash：JSONスキーマに対応していますが、Googleは値を常に確認するよう推奨しています。非常に大きなスキーマは拒否される場合があります。
• Amazon Nova 2 LiteとNova Micro：BedrockのStructured Outputs機能は利用できません。代わりに、最大2階層のツールスキーマを使う方法があります。
• DeepSeek、Qwen、GLM：プロバイダーによると、JSON出力に対応しています。MiniMax M3.1 Flashについては情報がありません。

スキーマに準拠していても、値が正しいとは限りません。分類については、現行の小規模モデルを独立して比較したテストはありません。精度は自社のカテゴリーに大きく左右され、自社の例を使ってのみ測定できます。

Hawk IVO Forceでの実践テスト

当社は2026年10月20日、Hawk IVO Forceで4つのモデルを2つの典型的な定型業務でテストしました。各モデルは、ナレッジへのアクセスもツールもない個別のエージェントで、同じ短い指示を使って実行しました。各タスクは2回ずつ実行しました。

• メールのトリアージ：ある製造業企業のドイツ語のメール12通で、クレーム1通、フィッシングメール2通、不在通知1通、自動ステータス通知が含まれます。カテゴリー、優先度、返信の要否、そして本文に文字どおり記載されている場合に限り注文番号を求めました。品番、請求書番号、チケット番号をわなとして含めました。評価したのはカテゴリー、返信の要否、注文番号で、合計72の値です。
• 製造オーダー：ERPからエクスポートした4件のオーダーと、生産準備部門のメモ1件です。項目、リスク、根拠をJSONで求めました。納期、機械、時間単位の生産能力を含む4つの情報を、意図的に欠落させました。1件のオーダーは、資材が納期より後に届くため、期限内に完了できない内容でした。

モデル	メールのトリアージ	製造オーダー	1回あたりの出力トークン ↓
GPT-6 Luna	誤りなし	誤りなし	760～1,330
Gemini 3.7 Flash	誤りなし	誤りなし、1回だけ「Gehäuse」（ドイツ語で「筐体」）をウムラウトなしの「Gehaeuse」と表記	360～580
Kimi K2.6	誤りなし	1回スキーマ違反、リスクを評価せず	3,100～7,300
GPT-4.1 mini（旧世代）	72の値のうち7つが誤り	誤りなし	300～480

GPT-4.1 miniの判定どおりであれば、フィッシングメール2通の両方に返信し、請求書番号やチケット番号を注文番号として取り込むことになっていました。現行世代のモデルは、こうした誤りをもう犯しません。Kimi K2.6は1回の実行で、欠けている情報をnullにするという指示を、リスク評価にも適用してしまいました。テストでのメール1通あたりのコストは、公表価格で計算すると、Gemini FlashがGPT-6 Lunaの約5倍、Kimi K2.6は思考トークンが多いため約30倍でした。

このテストは2回の実行によるサンプル調査であり、ベンチマークではありません。Claude Haiku 5.5とAmazon Novaは、当社のテスト環境では利用できませんでした。Gemini 3.7 Flashはすでに提供終了が発表されており、GoogleはリクエストをGemini 3.8 Flashに転送しています。

定型業務の月間コスト

典型的な4つのユースケースと、その前提は次のとおりです。

• オフィス：1営業日あたり80通のメールを22営業日分で、ステータス通知も含みます。メール1通あたり、指示、カテゴリー、例、やり取りの履歴を含むメール本文に3,000トークンの入力、仕分けと短い返信案に500トークンの出力です。
• 生産：未完了の製造オーダー500件を、3交代の各シフトで評価し直し、30日分です。評価1回あたり、オーダー、工程計画、資材、生産能力に4,000トークンの入力、リスク、ボトルネック、推奨に600トークンの出力です。
• ウェブサイト：1日1,500件の訪問で、エージェントがアクションを観察して分類し、推奨を出します。訪問1件あたり6回の分類と1回の推奨で、合計16,000トークンの入力と1,000トークンの出力です。
• 常時タスク：エージェントが24時間、5分ごとにステータスを確認します。対象はチケットの受信、機械からの通知、配送状況などです。確認1回あたり5,000トークンの入力と300トークンの出力です。

コスト規模は、各ユースケースで月に発生するモデルコストがオフィスのケースの何倍になるかを、小規模モデルの中央値で示したものです。

ユースケース	月間の処理件数	処理1件あたりのトークン（入力 / 出力）	コスト規模（オフィス＝1） ↓, 低いほど良い
オフィス	1,760	3,000 / 500	×1
生産	45,000	4,000 / 600	×33
ウェブサイト	45,000	16,000 / 1,000	×104
常時タスク	8,640	5,000 / 300	×6

1日80通のメールであれば、Claude Opus 5.5のような大規模モデルを使っても、モデルのコストは実質的に問題になりません。ここで高くつくのは、見落としたクレームや返信してしまったフィッシングメールといった誤りです。そのため、価格よりも信頼性が重要になります。一方、生産、ウェブサイト、常時タスクでは、処理量がすぐに増えます。その場合、小規模モデルと大規模モデルの差は20～40倍、GPT-6 LunaとGemini 3.8 Flashの差は約7倍になります。思考トークンが増えれば、出力コストが上がります。キャッシュは入力コストを下げます。特に、リクエストごとにページのコンテキストが変わらないウェブサイトで効果があります。

オーダー全体を1つのプロンプトにまとめるのは、最も高くつく方法です。Claude Haiku 5.5では、300,000トークンのリクエストのコストは、同じ量をしきい値未満の区切りに分けた場合の5倍になります。同時に、コンテキストが非常に長くなると正答率が下がります。Googleによると、Gemini 3.5 Flash-Liteは長文コンテキストのテストMRCRで、128,000トークンでは72%、100万トークンでは21%でした。オーダーごと、またはグループごとに評価するほうが適切です。

サブエージェントとしての小規模モデル

小規模モデルは、特にサブエージェントとして適しています。大きなモデルがタスクを計画して分解し、範囲を明確に限定したサブタスクを小規模モデルに渡します。たとえば、ドキュメントの読み込み、データの抽出、項目の分類、検索結果の要約などです。各サブエージェントは小さく新しいコンテキストで作業し、簡潔な結果を返します。それを大きなモデルが確認し、統合します。AnthropicはClaude Haiku 5.5を、明確にこの役割向けに位置付けています。

これには複数の利点があります。

• コスト：Claude Haiku 5.5の入力トークンの料金は、Claude Opus 5.5の40分の1です。最も多くのトークンを消費する読み込みの作業が、これによって安価になります。
• 速度：多数のサブエージェントが並行して作業します。
• 見通し：計画を担うモデルは、何千ページもの生の資料ではなく、要約された結果だけを見ます。
• 料金のしきい値：小さなサブタスクは、Claude Haiku 5.5の100,000トークンのしきい値を下回ります。

これを機能させるには、各サブタスクに決まった出力形式が必要で、JSONスキーマが最適です。サブエージェントには、そのサブタスクに必要なデータとツールだけを与えます。複数ステップのツール作業には中程度の思考レベル、単純な分類には最も低いレベルが適しています。連携システムで何かを変更する前に、「承認フローを備えたエージェント導入」で説明しているとおり、計画を担うモデルまたは人が結果を確認します。

Hawk IVO Forceでは、モデルは個々のエージェントごとの設定です。そのため、計画と調整を担うエージェントは大規模モデルで動かし、トリアージ、抽出、監視を担うエージェントには小規模モデルを使う、といった構成が可能です。

中国のモデル：安価でオープン、ただしデータ保護に課題

中国のFlashモデルは安価で、ツールを使うタスクをうまくこなします。比較したすべてのモデルの中で、推測で答える頻度が最も低いのはGLM-5.3-Flashです。DeepSeek V4.1 FlashとGLM-5.3-FlashはMITライセンスのオープンウェイトとして公開されており、Qwen3.8には複数のオープンなバリエーションがあります。ドイツの企業にとって特に重要なのは、データがどこで処理されるかです。

• DeepSeekのプライバシーポリシーによると、DeepSeekは自社APIのデータを中国で処理・保存しています。DeepSeek V4.1 FlashはMicrosoft AzureのEUデータゾーンでも提供されており、そこでの料金はグローバルの料金より約20%高くなります。
• Alibabaはフランクフルトで2つの適用範囲を提供しています。処理をリージョン内にとどめるのはEUの範囲だけですが、Qwen3.8 Flashは現在、そこではグローバルの範囲にしか掲載されていません。
• Z.aiは自社の説明によると、データを通常シンガポールで処理しています。MiniMaxはデータを米国で保存しています。
• オープンウェイトは自社で運用できます。パラメータ数が数千億に及ぶDeepSeekとGLMでは、その負担が大きくなります。より現実的なのは、Apache-2.0ライセンスの小さなQwen3.8-27Bです。

米国の機関NISTは、DeepSeekとKimiの旧バージョンを調査し、中国共産党の立場に近い傾向と、操作に対するより高い脆弱性を確認しました。こうした特性はモデル自体に備わっており、自社で運用しても残ります。現行バージョンについては、このような検証は行われていません。決められたカテゴリーへの分類では、自由に記述するテキストに比べて影響は小さいと考えられます。GLM-5.3-Flashのモデルカードにはドイツ語の記載がないため、ドイツ語のテキストでのテストが特に重要です。

どのタスクにどのモデルを使うか

価格、測定値、実践テストから、次のように評価できます。

• 固定カテゴリーによるメールのトリアージと分類：低い思考レベルのGPT-6 LunaまたはClaude Haiku 5.5。どちらも同じく低コストです。GPT-6 Lunaは実践テストとグラウンディングテストで与えられた資料に忠実でした。Claude Haiku 5.5は、知識が欠けている場合に推測で答えることが少なくなっています。
• 製造オーダーの確認とドキュメントからの抽出：同じモデルを使います。非常に長いプロンプトではなく、オーダーごとまたはグループごとに評価し、JSONスキーマを使ってnullを許可します。
• リアルタイムで応答するウェブサイトのエージェント：思考なし、または最小限の思考のモデル。たとえば、最初のトークンを約0.8秒で返すGPT-6 Luna、思考なしで約1.1秒のNova 2 Liteです。Gemini 3.5 Flash-Liteは、Artificial Analysisの測定で最初のトークンまで約8秒かかりました。
• 常時タスクとツールを使うサブエージェント：複数ステップの業務プロセスにはGemini 3.8 Flash、GLM-5.3-Flash、DeepSeek V4.1 Flash、コマンドラインと画面操作にはClaude Haiku 5.5。いずれも中程度の思考レベルで使います。
• 非常に単純なテキストの大量処理：Amazon Nova Microはコスト指数24で、比較した中で最も安価なモデルですが、知識は限られており、処理できるのは最大128,000トークンです。固定のスキーマを使い、自社でテストしたうえでのみ適しています。
• 個人データ：AzureのEUデータゾーン、Google CloudのEUマルチリージョン、Amazon BedrockのEUルートなど、EU内での処理を選び、そのために10%から約40%の割増を見込んでおきます。

決定の前に自社のデータでテストする

この市場では、モデルのバージョンと価格が数週間おきに変わります。決定の前に、自社の例50～100件で短いテストを行う価値があります。精度、形式の順守、そして処理1件あたりの実際のトークン消費量が分かります。当社は、適切なタスクの切り分け、貴社のデータを使ったモデルの比較、Hawk IVO Forceでのエージェントの設定をお手伝いします。そのようなタスクをお考えでしたら、お気軽にご相談ください。

公表価格と計算方法

公表価格と計算方法（2026年10月20日時点）

各プロバイダーの標準料金プランにおけるグローバル処理の公表価格で、100万トークンあたりの米ドル建てです。Hawk IVO Forceの価格ではありません。価格は頻繁に変わるため、リンク先の各プロバイダーの価格ページが基準となります。

公表価格（100万トークンあたり、米ドル）

モデル	入力	出力	長いプロンプトでの割増
GPT-6 Luna	0.10	0.50	272,000トークン超：入力×2、出力×1.5
Claude Haiku 5.5	0.10	0.50	100,000トークン超：入力×5、出力×5
Gemini 3.5 Flash-Lite	0.30	2.50	なし
Gemini 3.8 Flash	0.75	3.75	なし、2027年1月1日から基本料金が2倍
Amazon Nova 2 Lite	0.30	2.50	既知の割増なし
Amazon Nova Micro	0.035	0.14	既知の割増なし
DeepSeek V4.1 Flash	0.30	1.20	なし
Qwen3.8 Flash	0.15	0.47	既知の割増なし
GLM-5.3-Flash	0.15	0.50	既知の割増なし
MiniMax M3.1 Flash	0.15	0.60	既知の割増なし
Claude Sonnet 5.5 (比較用)	2.00	10.00	なし
Claude Opus 5.5 (比較用)	4.00	20.00	なし

グローバル処理であれば、これらのモデルはMicrosoft Azure、Amazon Bedrock、Google Cloudでも、通常はプロバイダーから直接利用する場合と同じ価格です。EU内など特定のリージョンでの処理は、10%から約40%高くなります。

本記事の各ユースケースにおける月間のモデルコスト（米ドル、端数処理済み、キャッシュ、バッチ、データレジデンシーは考慮せず）

モデル	オフィス	生産	ウェブサイト	常時タスク
GPT-6 Luna	0.97	32	95	6
Claude Haiku 5.5	0.97	32	95	6
Gemini 3.5 Flash-Lite	4	120	330	19
Gemini 3.8 Flash	7	240	710	42
Amazon Nova 2 Lite	4	120	330	19
Amazon Nova Micro	0.31	10	32	2
DeepSeek V4.1 Flash	3	86	270	16
Qwen3.8 Flash	1	40	130	8
GLM-5.3-Flash	1	41	130	8
MiniMax M3.1 Flash	1	43	140	8
Claude Sonnet 5.5 (比較用)	19	630	1,890	110
Claude Opus 5.5 (比較用)	39	1,260	3,780	220

各プロバイダーの価格ページ

• developers.openai.com (新しいタブで開きます) (openai)
• platform.claude.com (新しいタブで開きます) (anthropic)
• ai.google.dev (新しいタブで開きます) (google)
• aws.amazon.com (新しいタブで開きます) (aws)
• api-docs.deepseek.com (新しいタブで開きます) (deepseek)
• www.alibabacloud.com (新しいタブで開きます) (alibaba)
• docs.z.ai (新しいタブで開きます) (zai)
• platform.minimax.io (新しいタブで開きます) (minimax)