あなたのAIエージェントがお金を無駄にしています

Claude Opus 4.6やGPT 5.4のような現代のAIモデルは、計算知能の頂点を表しています。2026年2月にリリースされたAnthropicのOpus 4.6は、100万トークンのコンテキストウィンドウを誇り、複雑なエージェントタスクに優れ、洗練された推論を示します。これらは単なる漸進的なアップグレードではなく、高度な問題解決と長期的作業のために設計された堅牢で非常に有能なシステムです。しかし、多くのユーザーを悩ませる困惑するパラドックスがあります。トップティアのモデルが、しばしば不満の残る平凡な結果を頻繁に提供し、多大な計算リソースを浪費することがよくあります。

問題が基盤モデル自体にあることは稀です。AI専門家であるRas Micが強調するように、現在のモデルは「非常に優れており」、複雑なパターンを識別し、複雑な指示を実行することができます。したがって、決定的な差別化要因は、ユーザーがモデルの周りに構築するハーネスとコンテキストになります。この周囲のアーキテクチャが、モデルが質の高い出力を生み出すか、単なる「粗悪品」を生み出すかを決定し、強力なAIを高価で性能の低いツールに変えてしまいます。

この断絶は広範なユーザーの不満を煽り、多大な財政的無駄につながっています。開発者も一般ユーザーも最先端のAIに投資しますが、結果として汎用的で不正確、あるいは著しく非効率な出力を生成するエージェントに遭遇します。一般的な原因としては、冗長な`agent.md`や`cloud.md`ファイルが挙げられます。これらはターンごとにコンテキストにロードされ、数千のトークンを消費し、コンテキストウィンドウが満たされるにつれてパフォーマンスを低下させます。インテリジェントな自動化の約束は、過剰なプロンプト、コストの増加、そして収益の減少というサイクルに道を譲ります。

この非効率性を乗り越えるには、戦略の根本的な転換が必要です。Ras Micが主張するように、95%のユーザーが完全にスキップでき、1ターンあたり944+トークンを消費するブルートフォースな指示やトークン肥大化した`agent.md`ファイルの代わりに、エレガントで効率的なワークフローに焦点を移す必要があります。これには、複雑なコンテキストウィンドウの仕組みを理解し、1ターンあたり約53トークンで済むカスタムスキルのような高度なテクニックを活用して、ターゲットを絞ったトークン効率の良いインタラクションを実現し、トークン浪費のサイクルを止め、真の生産性を解き放つことが含まれます。

AIエージェントの有効性は、そのコンテキストウィンドウにかかっています。これは本質的に、特定のタスクにおけるモデルの短期記憶です。この重要な要素は、AIがアクションを実行するためにアクセスし、処理できる情報の範囲を定義します。

このウィンドウは空ではありません。それは情報の動的なスタックです。モデルのアクティブメモリにロードされるいくつかの要素で構成されています。 - AIのコアな振る舞いを導く基盤となるシステムプロンプト。 - 特定の指示を提供することを意図した`agent.md`や`cloud.md`などのエージェントファイル。 - 特殊なワークフローのために設計されたカスタムスキル。 - 統合されたツールと関連するコードベース。 - 以前のすべてのターンを含む、進行中のユーザーとの会話。

AIエージェントのメカニクス専門家であるRas Micは、`agent.md`ファイルが95%のユーザーにとってしばしば冗長であることを主張しています。これらのファイルは、ターンごとにロードされ、ウィンドウが不必要に満たされるにつれてパフォーマンスを低下させるため、かなりのトークンを消費します。

単一の文字からコードベース全体に至るまで、あらゆる情報がトークンに変換されます。トークンはAIが処理するデータの基本単位です。Claude Opus 4.6やGPT 5.4のようなモデルは、250,000トークンもの印象的なコンテキストウィンドウを誇ります。しかし、この容量には厳格な制限があります。

エージェントがトークン制限に達すると、古い情報を要約して新しいデータのためのスペースを確保する「圧縮」に頼ります。このプロセスは必然的にパフォーマンスと出力品質の急激な低下につながります。これは、人間が過度に要約された記憶から詳細を思い出そうと苦労するのと似ています。

エージェントのパフォーマンスを習得し、トークン消費を最適化するには、このコンテキストウィンドウの構造を深く理解する必要があります。このメモリに何を入れるかを戦略的に管理すること、特にカスタムスキル（同等の`agent.md`ファイルが1ターンあたり944トークン以上かかるのに対し、約53トークンで済む）を介したプログレッシブディスクロージャーを活用することが、一貫した高品質なAI出力を得る上で極めて重要になります。

従来の常識では、詳細な指示がエージェントのパフォーマンスに不可欠であると信じ、広範な`agent.md`または`claude.md`ファイルを作成することが求められていました。しかし、この一般的な慣行はしばしば逆効果であり、不必要にリソースを消費し、効率を妨げます。AIエージェント最適化の専門家であるRas Micは、この考え方に異議を唱え、ユーザーの95%はこれらの大規模なコンテキストファイルを完全に放棄できる、そして放棄すべきであると主張しています。

Claude Opus 4.6やGPT 5.4のような現代のLLM（大規模言語モデル）は非常に高性能です。これらはコードベースや進行中の会話から直接コンテキストを推論します。モデルがすでにReactファイルをコンテキストウィンドウ内に持っている場合、エージェントにプロジェクトがReactを使用していると伝えるのは冗長になります。モデルは、明示的で繰り返しの指示なしに開発環境を理解する固有の知能を持っています。これにより、コンテキスト構築に対する「超、超ミニマル」なアプローチが可能になり、エージェントのセットアップが劇的に簡素化されます。Anthropicの高度なモデルとその機能（Claude Opusを含む）に関するより深い洞察については、彼らの公式発表を参照してください：Introducing Claude 3: Opus, Sonnet, Haiku。

肥大化した`agent.md`の主な落とし穴は、その読み込みメカニズムにあります。エージェントはこれらのファイル全体を毎ターン、コンテキストウィンドウに読み込み、不必要に何千ものトークンを消費します。対照的に、カスタムスキルは1ターンあたり約53トークンのコストで済みますが、同等の`agent.md`ファイルは同じインタラクションで944トークン以上を消費する可能性があります。これにより、コンテキストウィンドウが急速に満たされるため、大幅なトークンの無駄とパフォーマンスの低下につながります。

では、これらのファイルはいつ適切なのでしょうか？残りの5%のユースケースは、エージェントがコードや会話だけでは推論できない、非常に具体的で独自の企業手法やユニークなワークフローに関わります。これらのシナリオでは、複雑な内部コンプライアンスプロトコルや特殊なデータ処理手順の遵守など、絶えず譲れない指示が必要です。このような場合、コンパクトで正確に定義された`.md`ファイルは依然として重要な目的を果たすことができます。それ以外の場合は、モデルの知能を信頼し、余分なものを排除してください。

肥大化した`agent.md`ファイルを放棄することで、優れた代替手段が明らかになります。それはスキルです。これらの専門的でモジュール化された指示セットは、AIエージェントの動作を劇的に最適化し、トークン管理を負債から戦略的優位性へと変革します。スキルはエージェント設計における根本的なパラダイムシフトを表し、コンテキストウィンドウを圧迫する静的で常時オンの指示から脱却します。これにより、エージェントは常にオーバーヘッドを伴うことなく、広範な機能にアクセスできるようになります。

Skills の効率性の核となるのは、プログレッシブ・ディスクロージャーの原則です。会話の各ターンで完全な取扱説明書を埋め込む代わりに、スキルの簡潔な名前と簡潔で高レベルな説明のみがエージェントのアクティブなコンテキストウィンドウに存在します。例えば、あるスキルは「財務報告書を分析する」または「ソーシャルメディア用のマーケティングコピーを生成する」と説明され、エージェントがその目的を理解するのに十分な情報のみを提供します。この小さなトークンフットプリントにより、ワーキングメモリは無駄なく集中した状態を保ちます。

ワークフローは次のように展開されます。Claude Opus または GPT-5.4 を搭載した AI エージェントは、まず利用可能なスキル名と説明のリストをスキャンします。その高度な推論能力を活用して、特定のスキルが現在のタスクに適切であるかどうかを判断します。マーケティングエージェントの場合、ユーザーがソーシャルメディア投稿を要求すると、「マーケティングコピーを生成する」スキルがすぐに重要になります。明確な必要性を特定して初めて、エージェントはその特定のスキルの完全で詳細な指示を動的にコンテキストにロードし、必要なアクションを実行します。

コストとパフォーマンスの両方において重要な要素である、トークン消費量の著しい対比を考えてみましょう。名前と説明を含む典型的な、よく作成されたスキルは、各ターンでコンテキストウィンドウ内でわずか53トークンを占めます。この最小限の投資により、膨大な潜在的アクションのライブラリを「待機中」にすることができます。しかし、一般的な指示、複数のシナリオに対する条件付きロジック、およびツール定義が詰め込まれた同等の`agent.md`ファイルは、1ターンあたり944トークン以上を消費します。この驚くべき違いは、長時間の会話や複雑な多段階タスクの過程で数千ものトークンが節約されることを意味します。

このトークン効率的なアプローチは、運用コストを削減するだけでなく、エージェントのパフォーマンスと信頼性を大幅に向上させます。コンテキストウィンドウが不要な情報で prematurely に満たされるのを防ぐことで、エージェントはより高い忠実度で推論を維持し、古い、潜在的に重要な情報が要約されたり破棄されたりする「コンテキスト圧縮」の可能性を低減します。Skills を用いたプログレッシブ・ディスクロージャーは、エージェントが真に必要とするときにのみ専門知識にアクセスし、法外なトークン税なしで正確な結果を提供することで、最大限の精度で動作することを保証します。

多くのユーザーは、高度なAI機能を活用しようと熱心になり、複雑なワークフローを本能的に特定し、すぐにゼロから包括的なスキルファイルを記述しようとします。この従来の、厳格なスクリプトを事前にプログラミングするようなアプローチは、非効率な試行錯誤のループにつながり、貴重なトークンを消費し、一貫性のない結果を生み出すことがよくあります。なぜなら、理論的な指示は現実世界の実行のニュアンスを必然的に見落とすからです。このような事前の作成は完璧な予見を前提としており、エージェントが予期せぬエッジケースに遭遇すると、その欠陥はすぐに明らかになります。

エージェント型AIの専門家である Ras Mic は、根本的に異なる戦略、すなわち Co-Pilot Method を提唱しています。この反復的で実践的な方法論は、スキル開発を単独のコーディングタスクから、AI自体との協調的な学習体験へと変革します。指示を命令する代わりに、エージェントをプロセスを通して導き、エージェントが学習し、その成功した道のりを自ら文書化することを可能にします。

Micのメソドロジーは、堅牢で実践的なスキルを構築するための5段階の青写真を提供します。 - まず、スポンサーメールのスクリーニングや分析レポートの生成など、エージェントが習得する必要がある特定のワークフローを特定します。 - 次に、エージェントを非常に有能だが未熟な見習いと見なし、**エージェント*と*一緒に、ワークフロー全体を手動で段階的に実行します。 - 重要なのは、リアルタイムでエラーを積極的に修正し、プロンプトを洗練させ、エージェントを成功したマイクロアクションに導くことです。 - ワークフロー全体を完全に、完璧に実行できた後にのみ、極めて重要な最終ステップが実行されます。 - エージェントに、その成功したインタラクションのコンテキストに基づいてスキルを作成**するよう指示し、その実績のあるプロセスを効果的に自己文書化させます。

新しい人間の従業員をトレーニングすることを考えてみてください。分厚い理論的なマニュアルを渡すだけで、すぐに完璧な実行を期待することはありません。代わりに、彼らの隣に座り、タスクを通して指導し、即座にフィードバックを提供し、実践を通して学ばせます。彼らが熟練度を示して初めて、将来の参照のために洗練された実績のあるプロセスを文書化するでしょう。この人間中心のアプローチこそが、Co-Pilot MethodがAI agentsに適用するものであり、知識を形式化する前に有機的な学習を促進します。

この反復的な「実践による学習」アプローチは、agentのスキルが抽象的で理論的な構成物ではなく、実績のある実世界での実行に基づいて構築された堅牢な指示であることを保証します。このようなスキルは、エッジケースに対して本質的に回復力があり、成功したアクションと決定の正確なシーケンスを捉えるため、劇的にtoken-efficientです。agent*のために*ではなく、agent*と一緒に*スキルを構築することで、単なる指示を超え、真の文脈に応じた能力へと移行し、投機的な`agent.md`ファイルに内在するtoken wasteに直接対処します。

AI agent開発の第一人者であるRas Micは、スポンサーメールをスクリーニングするagentを構築する際に、おなじみの問題に遭遇しました。漠然としたpromptで最初に行った試みでは、受信したすべてのスポンサーを承認するagentができてしまいました。根本的な問題は、agentのコンテキスト内に明確な拒否基準が欠如していたことであり、無差別な承認につながりました。

不適切なパートナーとは何か、または潜在的な利益相反をどのように評価するかについての明示的な指示がなければ、agentは肯定的なバイアスに陥りました。この一般的な落とし穴は、Claude Opus 4.6やGPT 5.4のような強力なモデルでさえ、効果的に機能し、「slop」出力（不正確な出力）を避けるために、正確なguardrailsとnegative constraintsが必要であることを強調しています。

Micはその後、Co-Pilot Methodを適用し、複雑で静的なskill fileを事前に作成するという従来のアプローチを放棄しました。代わりに、彼はスポンサーのスクリーニングプロセスを段階的にagentと対話的に指導しました。この協調的で反復的なアプローチにより、agentは彼の実世界のワークフローから直接学び、微妙な意思決定を捉えることができました。

彼はまず、agentに架空のスポンサーを徹底的に調査させ、さまざまな外部ソースから関連データを引き出すよう指示しました。次に、agentと協力して、望ましいパートナーと望ましくないパートナーの両方について、具体的なデータポイント、red flags、およびブランドアライメントの考慮事項を明確にしながら、詳細な基準を定義しました。最後に、その推奨事項について明確で標準化されたoutput formatを確立し、一貫性を確保しました。agentタスクの構造化、特に高度な機能については、Tool use for Claudeを参照してください。

この共同プロセスは、受信するスポンサーメールを自律的に審査できる、非常に信頼性の高いskillとして結実しました。Micは、誤分類やエッジケースをすべて機会と捉え、再帰的なフィードバックを通じてこのskillをさらに洗練させました。彼は失敗をエージェントにフィードバックし、skillファイルを更新して間違いから学ぶよう促しました。

この洗練ループを数回繰り返した後、エージェントは現在、驚くべき精度で動作し、以前は手作業で何時間もかかっていたタスクを自律的に処理しています。最終的なskillは、時間と手間がかかり、エラーが発生しやすい手動プロセスを、自動化されたインサイト生成器へと効果的に変革し、エージェントを対話的に訓練して堅牢なskillを構築する際に可能となる、深い効率性の向上を示しています。

AIエージェントのパフォーマンスとトークン効率を最適化するために、最も綿密に作成されたskillでさえ、必然的にエッジケースに遭遇します。新しいデータ形式、予期せぬユーザー入力、または予見できないワークフローの複雑さにより、エージェントはつまずき、エラーや最適ではない出力を生み出す可能性があります。これらは単なるバグではなく、現実世界における重要な学習機会を表しています。

ここで登場するのが、エージェントの失敗を堅牢で自己改善する機能へと変える強力な手法、Recursive Refinement Loopです。このプロセスは、あらゆる誤りを外部から修正すべき欠陥としてではなく、エージェントが自身の能力を高めるために活用する貴重なフィードバックとして扱います。これにより、継続的な改善サイクルが確立され、回復力のあるAIシステムの構築方法が根本的に変わります。

この反復的な洗練は、エージェントが自身の進化の主導権を握る、正確な3段階のシーケンスに従います。 - まず、特定の誤りまたは望ましい結果からの逸脱を特定します。失敗の正確な瞬間と理由を特定し、具体的なコンテキストを提供します。 - 次に、エージェントに自身の失敗を分析するよう促します。*なぜ*失敗したのかを説明させ、そして最も重要なこととして、その特定の誤りの再発を防ぐための論理的な修正または追加の指示を提案するよう指示します。 - 第三に、エージェントに、新しく提案されたロジックで自身のskill fileを直接更新するよう命じます。この直接的な変更により、学習された教訓が運用ガイドラインにハードコードされ、エージェントは深く自己修正し、適応できるようになります。

Ras Micは、自身のYouTube analytics report generatorでこの原則を鮮やかに実証しました。当初、エージェントは多様なデータ入力とレポート形式に内在する変動性に苦戦し、一貫性のない、または不完全な結果を頻繁に生成していました。Recursive Refinement Loopの5回の厳密な反復を通じて、彼はそれぞれの固有の失敗を体系的にエージェントの学習プロセスにフィードバックしました。

毎回、エージェントは自身の欠点を綿密に診断し、正確な解決策を策定し、skill file内の内部指示を更新しました。この規律ある反復的なアプローチにより、以前は失敗しやすかったシステムが、完璧なdata aggregatorへと変貌しました。現在、エージェントは約10分で8つの異なるデータソースにわたる複雑なレポートを実行し、人間の介入なしに、常に正確で包括的なインサイトを提供しています。

開発者は、複雑なアーキテクチャの魅力に誘惑され、初日から精巧なマルチエージェントシステムをデプロイしようと急ぐことがよくあります。この一般的な誤りは、知覚される洗練度を具体的な出力よりも優先し、多くの場合、実際の価値が生成される前にトークンの肥大化や非効率なワークフローにつながります。しかし、Ras Micは、効率性を優先する基礎的な戦略を強調する、より実用的なアプローチを提唱しています。

即座のアーキテクチャの複雑さではなく、Ras Micは単一の強力な汎用エージェントから始めることを提唱しています。このコアエージェントは、専門化された時期尚早な対応物の不必要なオーバーヘッドなしに、包括的なメール選別から詳細なスプレッドシート分析、綿密な調査まで、幅広いタスクを処理します。目的は、いかなる拡張を検討する前に、堅牢で非常に有能なコアを確立することに変わりありません。

この主要エージェントのために、堅牢で信頼性の高いスキルの包括的なライブラリを綿密に構築することに注力してください。各スキルは、以前に詳述した反復的な「recursive refinement loops」を通じて洗練され、完璧に磨き上げられた、正確でtoken効率の良いツールとなります。この戦略により、generalist agentはコアワークフローを習得し、tokenの無駄を最小限に抑え、精度を最大化する高品質で予測可能な結果を一貫して提供できます。

スケーリングは、generalist agentの基盤となるワークフローが完成し、そのスキルライブラリが成熟した後でのみ行われます。marketing、business development、personal tasksなどの明確な領域に対応する専門のサブエージェントは、特定の複雑なニーズが生じたときに戦略的に導入します。この慎重で生産性重視の拡張は、時期尚早な複雑さの落とし穴を回避し、すべての新しいコンポーネントが、単に格好良いが性能の低いシステムに貢献するのではなく、実証済みの効率的な目的に役立つことを保証します。アーキテクチャの華やかさよりも真の有用性を優先してください。

Agentic AIは遠い約束ではありません。Claude Opus 4.6やGPT-5.4のようなモデルによって、それは即座の現実となっています。これらの高度なシステムは、前例のない自律性と推論を示し、単純なprompt-responseを超えて、複雑なタスクを真にオーケストレーションします。しかし、その力は、運用フレームワークの品質に左右されます。

綿密にキュレーションされたスキルライブラリは、これらの自律モデルを活用するための不可欠な基盤となります。すべての潜在的な指示を単一のモノリシックなcontext fileに詰め込もうとするのではなく、このモジュール式アプローチはagentに正確なオンデマンドツールキットを提供します。これにより、AIは専門的な機能に動的にアクセスでき、効率を大幅に向上させ、肥大化した`agent.md`ファイルに関連するtokenの無駄を削減します。

Claude Code leakのような事件からの洞察は、この必要性をさらに強調し、プロフェッショナルグレードのagent orchestrationの根底にある深い複雑さを明らかにしています。これらの漏洩したsystem promptsは、主要なAI開発者でさえ、agentを効果的に導くために高度に構造化されたモジュール式コンポーネントに依存していることを示しました。これらの開発についてより深く理解するには、Claude 3 Opus and the frontier of AI agentsをご覧ください。

したがって、progressive disclosureとrecursive refinementに根ざした堅牢なスキル構築方法論の開発は、単なる一時的なハックではありません。これは、今後数年間でAIと真剣に取り組むすべての人にとって基本的な規律です。このアプローチを習得することで、agentは不適切に管理されたcontextの重みに耐えきれずに崩壊するのではなく、真の生産性のためにスケールアップできるようになります。

あなたのAI agentの真の可能性は、巨大な`agent.md`ファイルや初日から複雑なmulti-agent setupsによって解き放たれるわけではありません。むしろ、context管理とスキル開発への規律あるアプローチにあります。この方法論を習得することで、AIはtokenを無駄にする目新しさから、生産性の原動力へと変貌します。

agentのワークフローを革新するために、以下の具体的なステップを踏んでください。

• 1コンテキストを最適化する: トークンを肥大化させる`agent.md`ファイルは廃止しましょう。Claude Opus 4.6やGPT-5.4のようなモデルの固有の知能を活用し、コードベースや会話からコンテキストを推論することを信頼してください。
• 2プログレッシブ・ディスクロージャーを採用する: エージェントの機能を拡張する主要な方法として、スキルを活用してください。スキルの名前と説明のみがアクティブなコンテキストに存在し、完全な指示は必要なときにのみ読み込まれるため、トークン消費量を大幅に削減できます。
• 3コパイロットスタイルでスキルを構築する: スキルファイルをゼロから書こうとしないでください。代わりに、反復的なタスクを特定し、エージェントと一緒に段階的に実行します。成功したら、そのワークフローを新しいスキルとしてカプセル化するようエージェントに指示してください。
• 4再帰的に洗練する: エージェントのすべての失敗を機能の機会として捉えてください。エラーをエージェントにフィードバックし、問題を診断させ、将来の回復力のためにスキルファイルを更新させます。この再帰的な洗練ループは、エージェントの能力を継続的に強化します。
• 5生産性のためにスケールする: すぐに広範なマルチエージェントシステムを構築しようとする衝動に抵抗してください。まず1つのエージェントから始め、そのコアタスク向けに非常に効果的なスキルの堅牢なライブラリを構築することに集中します。一貫した信頼性の高いパフォーマンスを達成した後にのみ拡張してください。

今週、あなたの仕事または私生活における反復的なワークフローを1つ特定してください。それは、定型的なメールの作成、会議メモの要約、データの整理などです。コパイロットメソッドを適用し、エージェントとのライブ会話でそのタスクを段階的に実行し、各ステップを文書化します。完了したら、エージェントにスキルを作成させましょう。

この実践的な演習は、あなたの最初のカスタムスキルを生み出すだけでなく、効率的なエージェントAIの基礎原則を深く根付かせます。この無駄のない反復的なアプローチを習得することで、単なるインタラクションを超え、Claude Opus 4.6やGPT-5.4のようなモデルによって推進されるエージェントの未来が真に約束する、計り知れない生産性向上を解き放つことができます。

今日、人々がAIエージェントを使用する方法の主な問題は何ですか？

ほとんどのユーザーは、長大なagent.mdファイルのような不要な情報でAIのコンテキストウィンドウを過負荷にしています。これはトークンを浪費し、パフォーマンスを低下させ、結果を悪化させます。

AIの「スキル」とは何ですか？なぜそれらはより効率的なのですか？

スキルはエージェントのための自己完結型の指示です。それらは「プログレッシブ・ディスクロージャー」を使用しており、必要な時まで名前と説明のみがコンテキストウィンドウに存在するため、他の方法と比較して1ターンあたり数千ものトークンを節約できます。

新しいAIスキルを作成する最良の方法は何ですか？

スキルをゼロから書くのではなく、まずAIエージェントと一緒にタスクを段階的に実行すべきです。成功した結果が得られたら、その実証済みの会話に基づいてエージェントにスキルを作成させましょう。

agent.mdまたはclaude.mdファイルを使用する必要がありますか？

専門家Ras Micによると、95%のユーザーはこれらのファイルを必要としません。これらは、エージェントとのすべてのインタラクションで参照されなければならない独自の情報にのみ使用されるべきです。