Claudeの新しいAIはトークントラップである

Opus 4.7は、巧妙かつ重要なトークントラップを導入しています。その新しいtokenizerと独自のadaptive thinking推論モードは、トークン消費を根本的に変えます。Opus 4.6で処理されていた同じ入力テキストが、Opus 4.7では約1.0〜1.35倍のトークンにマッピングされ、一部の独立したテストでは、複雑な技術文書で最大1.47倍の増加が記録されています。入力トークン消費の大幅な増加にもかかわらず、Anthropicは100万入力トークンあたり5ドルの価格設定を維持しており、結果としてタスクあたりのコストが予期せず上昇します。

多くのユーザーは、モデルのeffort levelを下げ、highやmaxではなくmediumやlowの設定を選択することで、これらの上昇するコストを軽減しようと誤解しています。この戦術はしばしば逆効果となります。最初はトークンを節約しているように見えますが、努力レベルを下げると、通常、精度が低いか不完全な結果しか得られず、より多くの反復的な修正や追加のプロンプトが必要になります。このサイクルは皮肉にも総トークン使用量を膨らませ、最終的に支出を増加させます。

反復的なチャット形式のプロンプティングは、問題をさらに悪化させ、Opus 4.7を大幅なコスト増幅器に変えます。後続のターンをより効率的に処理する可能性のあるモデルとは異なり、Opus 4.7は「すべてのユーザープロンプトに対してより深く考える」のです。「pair programmer」のように、何十ものターンにわたって行ごとにガイドすると、各インタラクションでかなりの推論オーバーヘッドが発生します。このやり取りはトークン消費を劇的に増加させ、単一の、よく練られたプロンプトがより経済的で効率的なアプローチとなります。

多くのユーザーは、Claude Opus 4.7をpair programmerのように扱い、複数のターンにわたってコードやテキストを反復的に洗練させています。しかし、Anthropicのベストプラクティスは異なるアプローチを提唱しています。Opus 4.7を有能なengineerとして扱うことです。この転換は、モデル独自のトークンダイナミクスを管理するために不可欠です。

Opus 4.7のadaptive thinkingは、その内部処理を駆動します。つまり、すべてのユーザープロンプトに対してかなりの推論努力を捧げます。pair-programmingスタイルでよく見られる頻繁なやり取りは、この推論オーバーヘッドを劇的に増加させます。これは直接的にトークン消費量の増加と予期せぬ運用コストの上昇につながります。

断片的な指示ではなく、必要なすべてのコンテキストを単一の包括的なプロンプトに事前に含めてください。弱いプロンプトは単に「Python関数を書いてください」と述べるかもしれません。対照的に、強力なシングルターンプロンプトは以下を提供します。 - 詳細なコンテキスト：「堅牢なAPI認証のためのPython関数を開発してください。」 - 特定の制約：「`requests`ライブラリでOAuth2を利用し、安全なトークン処理を確実にしてください。」 - 受け入れ基準：「関数は認証済みセッションオブジェクトを返し、リフレッシュトークンロジックを含み、包括的なエラーログを実装する必要があります。」

この包括的なシングルターン方式は、Opusの内部推論サイクルを最小限に抑え、タスクをより効率的に実行できるようにします。ターン数を減らすことで、ユーザーはトークン支出を直接削減し、Opus 4.7とのインタラクションを長期的により費用対効果が高く、予測可能なものにします。

Anthropicの、Opus 4.7を有能なエンジニアのように扱い、包括的な初期プロンプトを必要とするというアドバイスは、即座に懐疑的な見方を引き起こします。このアプローチは、より良い結果をもたらす可能性がある一方で、本質的にトークン消費量を増加させます。Opus 4.7の更新されたtokenizerが、同じ入力テキストをすでに1.0倍から1.35倍のトークンに変換すること（技術文書では最大1.47倍になることもあります）を考えると、この推奨は、入力トークン100万個あたり5ドルを請求するAnthropicの収益に都合よく貢献します。

しかし、ユーザーは強力なコスト削減の代替策を発見しています。Opus 4.7を「medium」または「low」の努力レベルで使用すると、「max」で実行されているOpus 4.6を頻繁に上回ります。この発見は、最大の努力が常に必要であるという考えに異議を唱え、トークン化のオーバーヘッドが増加しても、開発者がはるかに少ないトークンと低いコストで優れた結果を達成できることを示しています。

Anthropicはまた、コストパフォーマンスのトレードオフを管理するための新しい制御レバーをユーザーに提供しています。「high」と「max」の間に位置するxhigh努力レベルの導入は、リソース割り当てのよりきめ細かな粒度を提供します。今後導入される「task budgets」と組み合わせることで、これらのツールはユーザーがトークン消費の制御を取り戻すことを可能にします。インタラクションの最適化に関するさらなるガイダンスについては、AnthropicのPrompting best practices - Claude API Docsを参照してください。

Opus 4.7の強化された機能は、特定のシナリオにおけるトークン消費量の増加を正当化します。真にエージェント的なワークフロー、複雑なコーディング課題、または要求の厳しい高解像度ビジョンタスクには、その適応的思考を展開してください。これらのアプリケーションは、新しいtokenizerによりプロンプトあたり1.35倍以上のトークンを消費することがよくありますが、その優れたパフォーマンスが具体的な価値を提供し、入力トークン100万個あたり5ドルという高価格を相殺します。

予算超過を避けるためには、戦略的なモデル選択が不可欠です。日常的なタスクでは、Opus 4.7のmediumまたはlowの努力レベルで十分な場合が多く、より低いトークンコストでOpus 4.6相当の性能を上回ります。「xhigh」努力レベルとOpus 4.7の全能力は、比類のない推論と精度を要求するタスクのために温存し、そのトークンへの影響を十分に理解してください。

Opus 4.7はAI能力における大きな飛躍を表しますが、ユーザーインタラクションの根本的な変化を要求します。その可能性を最大限に引き出すには、包括的な指示を初期プロンプトに先行して組み込むことで、Claudeをシニアエンジニアのように扱う戦略的なプロンプト作成が必要です。プロンプト設計におけるこの意識的な努力と勤勉なコスト管理が、Opus 4.7が強力な味方となるか、それとも高価なトークンの罠となるかを決定します。

Opus 4.7は、同じプロンプトに対して4.6よりも多くのトークンを使用するのはなぜですか？

Opus 4.7は、テキストを1.0～1.35倍多くのトークンにマッピングできる更新されたtokenizerを使用しています。また、その「adaptive thinking」は、各ターンに推論のオーバーヘッドを追加し、やり取りの会話におけるトークン数を増加させます。

Opus 4.7の「effort level」を下げることは、トークンを節約する良い方法ですか？

常にそうとは限りません。ターンあたりのトークンは減少しますが、出力が不十分な場合、より多くの修正サイクルが発生し、結果として総トークン数が増加する可能性があります。より良い戦略は、完全で詳細なプロンプトを事前に提供することです。

Opus 4.7における「capable engineer」プロンプト作成方法とは何ですか？

それはAIをシニア開発者のように扱うことを意味します。会話のターン数と推論のオーバーヘッドを最小限に抑えるために、制約、受け入れ基準、ファイルの位置など、タスク全体を最初のプロンプトで提供します。

Opus 4.7はOpus 4.6よりも常に使用コストが高いですか？

タスクによっては、そうなる可能性があります。トークンあたりの価格は同じですが、トークン使用量が増えるとコストが上昇する可能性があります。しかし、その改善された機能により、より少ない総ターンで複雑なタスクをより速く解決できる可能性があり、正しく使用すれば全体的なコストを削減できる可能性があります。