フロンティアモデルを全タスクに投げると月次コストが予算を超える。安価モデルに切り替えると精度が落ちてビジネス要件を満たせない。このトレードオフを「2モデルの役割分担」で解消するのが、Anthropicが2026年4月9日に公開したAdvisor戦略だ。
Advisorパターンとは何か——エグゼキュータとアドバイザが分かれる設計か
Advisor戦略はHaikuがエージェントループ全体を担い、判断に詰まった時のみOpusを呼ぶ2モデル協調設計です。
従来のアーキテクチャは「モデルを1つ選んで使い続ける」か「タスク種別で事前に振り分ける」二択だった。Advisor戦略はこれと根本的に異なる。エグゼキュータ（Haiku/Sonnet）がエージェントループ全体——ツール呼び出し・コード実行・出力生成——を担い、判断に行き詰まった瞬間だけアドバイザ（Opus/Fable 5）をツールとして問い合わせる。アドバイザはガイダンスを返すだけで、ツールを実行したりユーザー向け出力を生成したりはしない。
従来の動的モデルルーティングが「タスク着手前にモデルを決める」設計であるのに対し、Advisorパターンは「実行中に必要な時だけ上位知性を借りる」点が本質的に異なる。実行コストの大半をHaiku/Sonnet水準に保ちながら、複雑な判断箇所だけOpus/Fable 5の推論を活用できる。
Advisorパターンの実装手順——APIをどう設定するか
ベータヘッダー
advisor-tool-2026-03-01とツール定義1行を追加するだけで実装できます。エグゼキュータが行き詰まった時点でアドバイザが自動的に介入します。
Python SDKでの最小実装を示す。
```python
import anthropic
client = anthropic.Anthropic()
response = client.beta.messages.create(
model="claude-haiku-4-5-20251001", # エグゼキュータ
max_tokens=8096,
tools=[
{
"type": "advisor_20260301",
"name": "advisor",
"model": "claude-opus-4-6", # アドバイザ
"max_uses": 3, # 1タスクあたりの最大呼び出し回数
},
# … 業務ツール定義
],
messages=[{"role": "user", "content": "...タスク指示..."}],
betas=["advisor-tool-2026-03-01"],
)
```
max_uses パラメータはコスト制御の核心だ。アドバイザ出力を1回あたり2,000トークン上限にキャップし max_uses: 3 に設定すれば、最大6,000トークン分のアドバイザコストで上限が引ける。プロンプトキャッシュと組み合わせると、長いエージェントループでのアドバイザコストをさらに圧縮できる。
アドバイザモデルにFable 5（claude-fable-5）を指定した場合、Sonnet 5 + Fable 5アドバイザはFable 5単独の精度の約92%をFable 5単独コストの約63%で実現したという報告がある。最高精度が必要なコーディング・調査タスクに適したペアリングだ。
なお、本パターンは拡張エージェントタスク（コーディング・調査）に最適化されており、単一ターン質問応答や低レイテンシが求められるリアルタイム応答には向かない。アドバイザ呼び出しが発生した際の追加レイテンシを許容できる設計が前提となる。
AdvisorパターンとSonnet・Opus単独で精度コストはどう変わるか
BrowseCompでHaiku+OpusアドバイザはHaiku単独の2倍超（41.2%）を記録し、Sonnet単独比85%コスト削減を実現します。
ベンチマーク結果を整理する。
| 構成 | BrowseComp | コスト（Sonnet単独基準） |
|---|---|---|
| Sonnet 単独 | 基準 | 基準（100%） |
| Sonnet + Opus Advisor | +2.7pp | -11.9% |
| Haiku 単独 | 19.7% | 大幅安 |
| Haiku + Opus Advisor | 41.2%（+21.5pp） | Sonnet比 -85% |
「Haiku + Opus Advisor」はSonnet単独比でコストを85%削減しつつ、Haiku単独の2倍超の精度を出す。構造化抽出・定型自動化・大量処理系タスクではこのペアリングが最もコストパフォーマンスに優れる。
SWE-bench Multilingual（コーディングタスク）では「Sonnet + Opus Advisor」がSonnet単独比2.7ポイント向上（72.1% → 74.8%）、コストも11.9%削減した。精度上限を追求しながらコストも下げたい複雑度の高い長時間タスクに適したペアリングだ。
LLM推論コストの削減でバッチAPI・プロンプトキャッシュを組み合わせると、Advisor戦略との相乗効果でさらに最適化を進めることができる。
規模別の留意点（SMB / エンタープライズ）
SMB: 月次エージェント実行コストが膨らんでいる場合、Haiku + Opus Advisor（max_uses: 2）から試す。既存エージェントのツール定義にAdvisorツールを追加するだけで導入でき、フレームワーク変更は不要だ。詳細はAIエージェント運用管理サービスを参照。
エンタープライズ: 複数チームが異なるタスク複雑度でエージェントを実行する環境では、タスク種別ごとにエグゼキュータ/アドバイザペアを切り替えるルーティング層をLLMゲートウェイに実装する。部門ごとのコスト配賦はAI FinOps設計で計装し、大規模マルチチーム統制はRDEサービスで支援している。
参考
- The advisor strategy: Give Sonnet an intelligence boost with Opus | Claude by Anthropic
- Fable 5 as Advisor: Anthropic's Two-Model Pattern for Smarter, Cheaper Agents — Jon Krohn
まとめ
Advisor戦略は「安いモデルか高いモデルか」の二択を「安いモデルが走り、詰まったら高いモデルに問い合わせる」設計で解消する。advisor_20260301 ツールをMessages APIに追加するだけで実装でき、Haiku + Opus Advisor のペアリングでコストをSonnet単独比85%削減しながらHaiku単独の2倍超の精度を達成できる。
KuuのAIエージェント運用管理では、Advisor戦略の設計・コスト検証から本番モニタリングまでをサポートしています。Kuu株式会社のAIエージェント運用管理サービスからお問い合わせください。