Sakana Fuguとは｜複数AIを束ねる集合知でFable超え・Codex連携を解説【2026年最新】

「どのAIを選べばいいのか、正直もうわからない」

先日、ある製造業のDX担当者から相談を受けたとき、こんな言葉が出てきました。ChatGPTを使えばプラン変更のたびに料金が上がり、Claude Fable 5を導入したと思ったら米国の輸出規制命令で6月12日に全世界で突然使えなくなる。Gemini 3.1 Proに切り替えようとすれば社内の承認プロセスが再び始まる。モデルを「選んで終わり」の時代は、どうやら終わったようです。

そんな状況の中で、Sakana AIが2026年6月22日にリリースしたのが「Sakana Fugu」です。「集合知（Collective Intelligence）」という技術思想を1本のAPIに詰め込んだこのモデルは、「どれか1つを選ぶ」という発想そのものを変えようとしています。

この記事では、Fuguの仕組み・性能・料金・使いどころを、100社以上のAI研修・コンサル経験から見た実務視点で解説します。Codexを使う開発チームへの具体的な活用イメージと、「集合知＝万能」と飛びつく前に確認すべき5つの落とし穴もあわせてまとめました。

Sakana Fuguとは何か ― 「束ねる」AIの登場

Sakana Fuguは、東京を拠点とするSakana AI（2023年設立）が開発したマルチエージェント・オーケストレーションモデルです。一言でいえば、「GPT-5.5・Gemini 3.1 Pro・Claude Opus 4.8などのフロンティアモデルを動的に選択し、ひとつの回答に束ねる司令塔AI」です。

従来のオーケストレーションは、開発者がLangChainやDifyなどを使って手動でルーティングを設計していました。Fuguはこのルーティング自体を7Bパラメータの強化学習モデル「Conductor」が自動で判断します。ユーザーはひとつのOpenAI互換APIにリクエストを投げるだけで、内部でどのモデルが使われたかを意識する必要がありません。

Sakana AIのブランド名は「魚」を意味する日本語に由来し、魚の群れが群知性（スワーム・インテリジェンス）で動くように、複数のAIが協調して動く世界観を体現しています（参照：Sakana AI 公式 fugu-release）。

AI導入戦略全体の文脈については、AI導入戦略ガイド｜6フェーズ・ROI・助成金で失敗しない【2026】も参照してください。

技術の核心：TRINITY と Conductor

Fuguの技術基盤は、Sakana AIがICLR 2026に発表した2本の論文です。

• TRINITY（arXiv:2512.04695） ― 「進化型LLMコーディネーター」。複数モデルの出力を評価し、最適な合成を学習するフレームワーク
• Conductor（arXiv:2512.04388） ― 「強化学習による自然言語ベースのエージェント協調」。ユーザーの入力を読み、どのモデルにどのサブタスクを投げるかを自動決定

Conductorの本体はわずか7Bパラメータです。大型モデルを丸ごと新規に訓練するのではなく、既存のフロンティアモデルへの委任を学習させた小型モデルが司令塔になるというアーキテクチャは、AI業界にとって一つのアンサーを示しています。

ルーティングのロジックは非公開ですが、Sakana AIはモデルプールに含まれるのはGPT-5.5・Gemini 3.1 Pro・Claude Opus 4.8などの公開アクセス可能なモデルのみであることを明示しています。Claude Fable 5とMythos Previewは輸出規制により公開停止中のため、現時点ではプールに含まれていません（参照：MarkTechPost、2026年6月22日）。

ベンチマーク：Fable 5・Mythos Previewを超えた指標

Sakana AIが公開したFugu Ultraのベンチマーク結果（2026年6月22日時点）は以下の通りです（参照：Sakana AI 公式）。

注意点として、Fable 5とMythos Previewはいずれも現在公開停止中であり、Fuguのエージェントプールに含まれていません。そのため「Fuguが実際にFable 5と直接競合できるか」という検証は、将来的にFable 5へのアクセスが復活したタイミングで改めて評価が必要です。

また、ベンチマークは特定タスクでの最大値であり、日本語のビジネス文書作成・国内法規への対応などの実務では、PLaMo 3.0 Primeなどの国産AIが優位な領域もあります。詳細は国産AI PLaMo 3.0 Prime｜料金・使い分け完全ガイド【2026】を参照してください。

料金プランの全体像

Fuguにはサブスクリプション型と従量課金型（API）の2系統があります（参照：Sakana AI fugu プロダクトページ）。

Fugu Ultra（APIトークン課金）

• 入力：5ドル / 100万トークン
• 出力：30ドル / 100万トークン
• キャッシュ入力：0.50ドル / 100万トークン
• 272Kトークン超の場合は入力10ドル・出力45ドル・キャッシュ1ドルに切り替わります
• 最大コンテキスト：100万トークン（入力）

Claude Opus 4.8（入力15ドル/出力75ドル）と比較するとFugu Ultraのトークン単価は低く、「長文の複雑タスクをAPIで処理したい」場合はコスト優位が出るケースもあります。ただしFuguが内部で複数モデルを呼び出すため、実際のコストはプロンプトの複雑さによって変動します。

「輸出規制リスクなし」が意味すること

Sakana AIは公式ページで、Fuguの価値のひとつを次のように表現しています。

「Fable 5やMythos 5モデルに課された輸出規制に見られたように、規制の枠組みや輸出管理、各国の政策が変われば、アクセスの条件は一夜にして変わり得ます」（Sakana AI公式、2026年6月22日）

2026年6月12日、米国商務省の輸出管理命令によりAnthropicはClaude Fable 5とMythos Previewをグローバルで停止しました（詳細はClaude Fable 5が利用停止｜米輸出管理命令の理由と代替【2026年】を参照）。100社以上の研修・コンサル経験から構成した想定シナリオとして、こんなパターンは決して珍しくありません。

想定シナリオ（100社以上の研修・コンサル経験をもとに構成）：営業部門がClaude Fable 5で商談後フォローメール作成のフローを3ヶ月かけて整備した直後に、輸出規制でモデルへのアクセスが停止。代替モデルへの乗り換えコストと再訓練コストが発生する。

Fuguが「輸出規制リスクなしにフロンティアレベルの性能を提供する」と主張できるのは、Conductor（司令塔）自体が日本企業であるSakana AIが提供し、モデルプールを入れ替えられる設計になっているからです。プールから特定ベンダーのモデルを外すことも可能（公式明示）で、データ・プライバシー要件に応じた制御ができます。

ただし「Fuguを使えば輸出規制問題がすべて解決する」わけではありません。プール内モデルのAPIが停止された場合、Conductorが自動的に残存モデルで補完しますが、プール全体が特定の規制を受けた場合はFugu自体も影響を受ける可能性があります。あくまで「分散によるリスク低減」として捉えるべきです。

Codexとの連携：開発チームへの使いどころ

Sakana AIの公式ページには「Codexのようなツールに組み込んでコーディングやコードレビューに使える」と明記されています。TerminalBench 2.1のスコア82.1は、コーディングエージェントの実力を測るベンチマークであり、Fuguがコーディングタスクを得意とすることの根拠のひとつです。

100社以上の研修経験をもとにした想定シナリオとして、Codexを使う開発チームにとっての活用イメージは以下のような形が考えられます。

• コードレビュー：Conductorがコードの内容を読み、バグ指摘にはOpus 4.8、セキュリティ観点にはGPT-5.5と使い分けて総合評価を返す
• 多段階リファクタリング：LiveCodeBenchスコア93.2の実力を活かし、サブタスク分割してモデルに並列委任
• ドキュメント自動生成：コード・仕様・テストの3ファイルを入力として、Conductorが最適モデルに振り分けて一括生成

一方で現時点では「Codex MCP経由でFuguを呼び出す具体的な公式統合手順」は公開されていません。OpenAI互換APIとして使える点は確認できていますが、実際の統合方法はSakana AI 公式ドキュメントで最新情報を確認してください。

コピペ可能なプロンプト5選：Fuguで試す集合知ワークフロー

以下のプロンプトはFugu Standard・Pro・Max、またはFugu Ultra API（OpenAI互換）で使えます。Conductorが最適モデルに自動振り分けします。

プロンプト①：技術選定レポートの自動作成

あなたは技術選定の専門家です。以下の要件に対して、現在公開されているAIモデル（GPT-5.5・Gemini 3.1 Pro・Opus 4.8）の中から最適な選択肢を比較検討し、導入推奨レポートを800字以内で作成してください。

【要件】
- 用途：[業務内容を具体的に記入]
- 利用人数：[人数]
- セキュリティ要件：[社内データの扱い・海外送信の可否]
- 月次予算上限：[金額]

出力形式：
1. 推奨モデルと理由（3行以内）
2. 代替案と切り替え条件
3. 導入前に確認すべきリスク2点

プロンプト②：マルチステップ・コードレビュー依頼

以下のPython関数を3つの観点でレビューしてください。

[ここにコードを貼り付け]

観点1：バグ・論理エラーの指摘（具体的な行番号付きで）
観点2：セキュリティリスク（入力値検証・認証・ロギングの不備）
観点3：パフォーマンス改善（計算量・メモリ使用・並列化の可能性）

各観点について「問題点」「修正案」「優先度（高/中/低）」の3項目で回答してください。

プロンプト③：競合AI動向レポートの週次ブリーフィング

AI業界の直近1週間の重要ニュースを以下の形式でまとめてください。

【対象カテゴリ】
- 新モデルリリース・重要アップデート
- 規制・政策の変更（米国・EU・日本）
- 日本企業への影響が大きいトピック

【出力形式】
各トピックを：ニュース1行（50字以内）→ 背景（100字）→ 日本企業への示唆（100字）の構成で3〜5件。
情報の確信度が低い場合は「要確認」と明示してください。

プロンプト④：輸出規制・AI調達リスク評価シート

現在使用中のAIツール・モデルに対して、以下のリスク評価を実施してください。

【評価対象ツール】
- [ツール名1]：[主な用途]
- [ツール名2]：[主な用途]

評価項目：
1. 開発元の国籍と米国輸出管理EARへの適用可否
2. 過去1年間でのサービス停止・制限の有無
3. 代替ツールへの切り替え難易度（高/中/低）と推定コスト
4. データ主権リスク（学習利用・第三国への移転）

評価結果を表形式でまとめ、最もリスクの高い1つに対してアクションプランを提案してください。

プロンプト⑤：オーケストレーション設計の相談

以下の業務フローを自動化するためのAIオーケストレーション設計を提案してください。

【自動化したい業務】
[業務の具体的な内容を記入]

【制約条件】
- 社内機密情報を含むため、海外サーバーへの送信は承認が必要
- 使用できるモデル：[使用可能なモデルを列挙]
- 月次API予算：[金額]

設計案に含めること：
1. タスク分解図（どの処理をどのモデルに担当させるか）
2. データフロー（機密情報の経路と処理場所）
3. 失敗・エラー時のフォールバック手順
4. 月次コスト概算（トークン数 × 単価ベース）

「三国時代」から「束ねる時代」へ：戦略的な読み解き方

2026年6月時点で、ChatGPTのシェアが初めて50%を割り込み、生成AI市場は完全な三国時代（ChatGPT・Claude・Gemini）に突入しています（詳細はChatGPTシェアが初の50%割れ｜生成AI「三国時代」で日本企業はどう使い分けるか参照）。

この状況で「どれか1つを選べ」というアドバイスは、もはや的外れになりつつあります。Fuguの登場が示唆するのは、AIを選ぶ意思決定の層と、AIを使う業務処理の層を分離できる時代が来たということです。

想定シナリオ（研修・コンサル経験をもとに構成）：IT部門は「OpenAI互換APIを1つ契約するだけ」という調達の単純化に魅力を感じる一方で、実際に使われる下層モデルのデータ処理ポリシー・利用規約の把握が難しくなるというトレードオフも生じる。法務・情報セキュリティ部門との協議なしに意思決定するのは避けた方がよい。

【要注意】集合知AIにまつわる失敗パターン5選

失敗①：「束ねれば最強」と思い込んで精度検証を省く

❌ よくある間違い：Fuguを導入すればどの単体モデルより高精度になるはず、と検証をスキップする

⭕ 正しいアプローチ：自社の業務タスク（例：商談後メール・仕様書ドラフト）を20〜50件用意し、Fuguの出力を既存ツールと比較評価してから本番移行する

なぜ重要か：TerminalBenchやCharXivはエンジニアリング系ベンチマーク。日本語ビジネス文書の品質は別軸の評価が必要です。

失敗②：コストを「月額料金だけ」で判断する

❌ よくある間違い：Standard 20ドル/月は安い、と即決する

⭕ 正しいアプローチ：Fuguが内部で複数モデルを呼ぶためトークン消費量が単体モデルより増える可能性があります。高負荷タスクではFugu Ultra APIの従量課金の方が実際のコストを計算しやすい場合があります

失敗③：データの経路を確認しないまま機密情報を投げる

❌ よくある間違い：「1つのAPIだから管理しやすい」と思い、顧客情報・設計図・未公開財務データを入力する

⭕ 正しいアプローチ：Fuguのモデルプールは複数の外部ベンダーを含みます。データが実際にどこを経由してどのモデルで処理されるかは非公開（Sakana AI明示）。機密分類の高いデータには使わない、または法務・情報セキュリティと利用規約を確認してから使う

なぜ重要か：これは研修の場でも頻出の質問です。「APIが1つになっても、裏で複数ベンダーが動いている」という理解がないと、情報漏洩リスクの判断を誤ります。

失敗④：レイテンシを考慮せずリアルタイム用途に適用する

❌ よくある間違い：チャットボット・カスタマーサポートの即時応答にFugu Ultraを適用する

⭕ 正しいアプローチ：Conductorが複数モデルに委任して合成するプロセスを経るため、単体モデルより応答時間が長くなる傾向があります。非同期処理・バッチ処理・非リアルタイムの文書生成タスクから始める

失敗⑤：「輸出規制リスクゼロ」と過信する

❌ よくある間違い：Fuguは日本企業発だから輸出規制リスクは完全にない、と判断する

⭕ 正しいアプローチ：Fuguのプール内モデル（GPT-5.5、Gemini 3.1 Pro等）が規制を受けた場合、Conductorが代替モデルで補完しますが、プール全体の可用性に依存します。リスク低減であってゼロではありません。重要業務は代替手段のフォールバック計画を別途持つこと

日本市場での実務的な評価ポイント

研修現場での経験から、日本企業がFuguを評価する際に特に確認すべき点をまとめます。

• 日本語精度：Sakana AIは日本拠点のラボですが、Fuguの日本語出力品質はプール内モデル依存です。PLaMo 3.0 PrimeやGemini 3.1 Proと比較した日本語ビジネス文書の品質を自社で評価してください
• API約款の確認：Sakana AI自体の利用規約（データ保持・学習利用の有無）と、内部で使われる各ベンダーの約款の関係を法務部門が確認することを推奨します
• SOC 2・ISO 27001などのコンプライアンス：現時点では詳細が公表されていないため、エンタープライズ導入前にSakana AIへの直接確認が必要です
• ベータ期間中の安定性：約500名のベータテスターを経てのGA開始ですが、エンタープライズ規模のSLAについては商談が必要です

Fuguをどの業務から試すか：用途別スコープ定義

「とりあえず全部Fuguに変えよう」は最も危険な出発点です。研修の現場でよく使う整理として、業務を「判断の複雑さ」と「アウトプットの重要度」の2軸でマッピングし、Fuguを試す優先エリアを決める方法があります。

開発チームでCodexを使っている場合、最初の試験対象として最もリスクが低いのは「コードレビューの補助」です。人間がすでに書いたコードに対してFuguが意見を言うだけ、という形なら、Fuguの出力品質を安全に評価できます。

Conductor（7Bモデル）がすることとしないこと

Fuguの中心にいるConductorは、ICLR 2026のNielsen et al.論文（arXiv:2512.04388）が示す通り、強化学習によって「どのモデルにどのサブタスクを投げるか」を自然言語ベースで学習したモデルです。ただし、Conductorができることとできないことを正確に把握しておくことが、過信を防ぐ上で重要です。

Conductorがすること：

• 入力を分析し、タスクを複数のサブタスクに分解する
• 各サブタスクに最適なモデルを選択・呼び出す
• 複数モデルの出力を合成してひとつの回答にまとめる
• モデルの可用性に応じてフォールバックする

Conductorがしないこと：

• ルーティングの判断根拠を開示する（Sakana AI明示の非公開項目）
• 呼び出した各モデルのデータ処理ログを提供する
• リアルタイムで「今このモデルを使っています」と明示する

100社以上のコンサル経験から構成した想定シナリオとして、情報セキュリティ担当者がFuguの導入審査をする際に最もよく出る質問は「どのモデルに何の情報が送られるか事前にわかるか」です。現時点の答えは「わからない（Conductorが動的に決める）」です。これをもって「使えない」と判断するか、「機密情報だけ除外して使う」と判断するかは、自社のセキュリティポリシーによります。

生成AI三国時代にFuguが投げかける問い

2026年6月時点のAI市場において、Fuguの登場は純粋な技術ニュースにとどまりません。これはビジネスモデルの問いでもあります。

OpenAI・Anthropic・Googleの各社は、自社モデルを「最強にすること」によって企業顧客を獲得してきました。Fuguはこのゲームを変えようとしています。「自社モデルを最強にする競争」ではなく、「既存の最強モデルを最もうまく束ねる」というレイヤーで競争する、新しい競争軸の登場です。

Sakana AIは約500名のベータテスターとのフィードバックを経てGAを迎えました（Sakana AI公式明示）。東京を拠点とする日本のAIラボが、フロンティアモデルの利用規約を尊重しながらオーケストレーション層でバリューを出すというアプローチは、米中AI競争の外で戦う第三の路線として、今後の展開が注目されます。

日本企業にとっては、「国産AI」という文脈でのSakana AIへの評価（Fuguのモデルプールは海外モデルが中心）と、「日本企業発のオーケストレーション層」という文脈での評価を分けて考えることが重要です。

Fuguと従来のLangChain・Dify・n8nオーケストレーションとの違い

Fuguを評価する際に、「LangChainやDifyでも同じことができるのでは？」という疑問は当然浮かびます。整理すると、違いは「誰がルーティングを設計するか」という一点に集約されます。

従来のオーケストレーション（LangChain・Dify・n8n）：

• エンジニアが事前にフローを設計する（条件分岐・モデル呼び出し順序をコードまたはGUIで定義）
• 設計変更のたびにエンジニアの工数が発生する
• 設計が明示的なため、どのモデルにどのデータが送られるかが追跡可能
• ツールのホスティング・メンテナンスが自社負担

Fuguのオーケストレーション：

• Conductorが動的にルーティングを判断する（ユーザーは設計不要）
• プロンプトの内容が変わっても自動適応する
• ルーティング非公開のため、データ経路の監査が難しい
• SaaSとして提供されるため、インフラ管理が不要

100社以上の研修・コンサル経験をもとにした想定シナリオとして、技術者が少ない中小企業でオーケストレーション層を構築したい場合、LangChainやDifyの学習コストを払うよりFuguのSaaS課金で始める方が現実的なケースがあります。一方で、監査対応・コンプライアンス要件が厳しい大企業では、ルーティングを自前で制御できる従来型の方が安心感があります。

よくある質問（FAQ）

Q1：Fugu StandardとFugu Ultra、どちらを選べばよいですか？

日常的な業務利用の試用・評価ならStandard（月額20ドル）から始めてください。コーディングエージェントや長文ドキュメントの高品質な多段階処理が必要で、APIとして組み込みたい場合はFugu Ultra（入力5ドル/出力30ドル/Mトークン）の従量課金が透明です。まず1ヶ月Standardで試し、APIでの組み込みに移行したくなった段階でUltraを検討するのが現実的なルートです。

Q2：Fuguは日本語のビジネス文書に使えますか？

プール内のGemini 3.1 Pro・Claude Opus 4.8は日本語精度が高く、Fuguを経由しても日本語品質は維持される傾向があります。ただし日本語特有の敬語・業界専門用語・公文書体裁については、PLaMo 3.0 Primeなど国産モデルの方が安定する領域も存在します。自社の具体的なユースケースで並行評価することを推奨します。

Q3：今後、Fable 5やMythos Previewがプールに加わる可能性はありますか？

現在これらのモデルは輸出規制により公開停止中です（2026年6月22日時点）。公開が再開された場合にプールへの追加が行われるかは、Sakana AIの判断とAnthropicとの商業的な合意によります。最新情報はSakana AI公式サイトで確認してください。

Q4：Codex MCP経由でFuguを使う具体的な手順はありますか？

現時点ではSakana AI公式のCodex MCP統合手順は公開されていません。FuguはOpenAI互換APIを提供しているため、Codex内でOpenAI互換エンドポイントを指定する設定で接続できる可能性があります。具体的な手順は公式ドキュメントの更新をお待ちください。

Q5：Fuguを使った場合のデータはSakana AIが学習に使いますか？

Sakana AI公式ページには「Training：No（学習利用なし）」と記載されています（参照：Requesty APIリファレンス）。ただし内部で使われる各モデルベンダー（OpenAI・Google等）の利用規約も別途確認が必要です。エンタープライズ利用では契約前にSakana AIに直接確認することを推奨します。

Q6：Sakana AIは日本企業ですか？資本関係は？

Sakana AIは2023年に東京で設立された日本法人です。共同創業者のDavid Ha氏（元Google Brain）とRinaldo Fischer氏を含む国際的なチーム構成で、「日本から世界に挑む研究型AIラボ」として位置付けられています。出資元・資本構成の最新情報は公式サイトで確認してください。

Q7：SWE Bench Proのスコア73.7とは何を意味しますか？

SWE Bench Proは「実際のGitHubリポジトリに存在するバグを、AIがパッチを当てて修正できるか」を測るベンチマークです。スコア73.7は「テストケースの73.7%でAIが正しいパッチを生成した」ことを意味します。ソフトウェアエンジニアリングの実世界タスクにおける精度を測る指標として業界標準化されつつあります（参照：Sakana AI公式ベンチマーク表）。

まとめ：今日から始める3つのアクション

1. 今日：Fuguのスタンダードプラン（月額20ドル）にサインアップし、自社の典型的な業務タスク1本を試す。コーディングチームなら「既存コードのレビュー依頼」が試しやすい入り口です
2. 今週中：使用中のAIツール一覧を棚卸しし、「輸出規制リスク評価シート」プロンプト（上記④）で各ツールのリスク度を自己評価する。代替手段が不明なツールを1つ以上特定する
3. 今月中：FuguのAPIをCodexワークフローの1タスク（コードレビューなど）に試験統合し、既存ワークフローと品質・コスト・レイテンシを比較評価する。評価結果をもとに本格導入か継続評価かを判断する

あわせて読みたい：

• Claude Fable 5が利用停止｜米輸出管理命令の理由と代替【2026年】
• ChatGPTシェアが初の50%割れ｜生成AI「三国時代」で日本企業はどう使い分けるか
• 国産AI PLaMo 3.0 Prime｜料金・使い分け完全ガイド【2026】
• AI導入戦略ガイド｜6フェーズ・ROI・助成金で失敗しない【2026】（ピラーページ）

参考・出典

• Sakana Fugu: One Model to Command Them All ― Sakana AI公式（参照日：2026-06-22）
• Sakana Fugu ― Multi-agent System as A Model ― Sakana AI プロダクトページ（参照日：2026-06-22）
• Sakana AI Launches Sakana Fugu: An Orchestration Model That Routes Tasks Across a Swappable Pool of Frontier LLMs ― MarkTechPost（参照日：2026-06-22）
• Sakana AI fugu-ultra API Pricing & Cost ― Requesty（参照日：2026-06-22）

著者：佐藤傑（さとう・すぐる）
株式会社Uravation代表取締役。X（@SuguruKun_ai）フォロワー約10万人。
100社以上の企業向けAI研修・導入支援。著書『AIエージェント仕事術』（SBクリエイティブ）。
SoftBank IT連載7回執筆（NewsPicks最大1,125ピックス）。

ご質問・ご相談は お問い合わせフォーム からお気軽にどうぞ。