Sakana AIは2026年9月11日、複数のAIモデルを連携させる基幹システム「Sakana Fugu」の最新版となる「Fugu Ultra v2」を公開した。本作は米Anthropicや米OpenAIの単一フロンティアモデルをエージェントプールに含めない構成でありながら、視覚的推論ベンチマークのChartographyにおいて48.3点を記録した。
複数AI協調基盤「Sakana Fugu」の展開と住友商事らとの連携
Sakana AIは、単一の超巨大基底モデルをゼロから事前学習するアプローチをとっていません。既存の複数の特化型モデルを動的に束ねるオーケストレーション技術を軸に、開発サイクルを高速化させています。同社は2026年4月に「Sakana Fugu」のベータテストを開始して以降、短期間で用途特化モデルを相次いで投入してきました。
2026年6月には米商務省による先端AIの輸出管理規制が一時的に発令され、米国製クラウドAPIへの依存リスクが表面化しました。この事態を受け、特定の巨大プロプライエタリモデルに依存せず、オープンモデル群を統合して推論を実行する同社のアーキテクチャは、サプライチェーンリスクを抑える実装手法として関心を集めました。
同社は2026年9月11日、最上位の推論能力を持つ「Fugu Ultra v2」と同時に、推論コストを抑えた「Fugu Max」も公開しました。前日の9月10日には、住友商事およびSCSKとの包括的な業務提携を発表しています。住友商事グループの国内外10万社、およびSCSKの約1万社に及ぶ顧客網に対し、企業の基幹業務へ「Sakana Fugu」を組み込むための実装支援を開始しています。
| 公開日 / 発表日 | 発表モデル・提携 | 主な特徴・ベンチマーク指標 |
|---|---|---|
| 2026年4月24日 | Sakana Fugu（β版） | 複数AIモデルを協調動作させるマルチエージェント基盤の検証を開始。 |
| 2026年6月22日 | Fugu Ultra（初版） | 一般提供を開始。プログラミングタスク向け外部API統合を実装。 |
| 2026年7月21日 | Fugu-Cyber | サイバーセキュリティ防御に特化したモデル。利用は審査制。 |
| 2026年8月13日 | Sakana Chat / Nemotron統合 | 米NVIDIAのオープンモデル連携とチャットインターフェースの一般公開。 |
| 2026年9月10日 | 住友商事・SCSKとの業務提携 | 国内外10万社超の顧客網へ向けた企業向けAI実装支援を発表。 |
| 2026年9月11日 | Fugu Ultra v2 / Fugu Max | 視覚推論48.3点、ソフトウェア工学74.3点を記録。低コスト版を併発。 |
企業のAI活用における環境は、地域ごとの進捗差が顕著です。2026年9月時点で生成AIを実業務へ組み込んでいる日本企業は54%にとどまり、米国の76%や中国の73%と比べて導入ペースに開きがあります。加えて、API集約サービスOpenRouterの統計では、利用トークン量に占める中国製AIのシェアが2025年9月の20%から2026年6月には55%へ拡大するなど、推論コストと性能を両立したオープンアーキテクチャの存在感が増しています。
参考記事: マルチモーダルAIとは？仕組み・シングルモーダルとの違いから最新ビジネス事例まで解説
オーケストレーションと進化的マージがもたらす推論効率
「Fugu Ultra v2」が外部の最先端クローズドモデルを用いずに世界水準の性能を達成できた背景には、同社が培ってきた進化的モデルマージとタスク適応型オーケストレーションの組み合わせがあります。
単一巨大モデル依存を打破するマルチエージェント構造
従来のLLM開発は、計算リソースを大量に投下してパラメータ数を兆単位へと引き上げるスケーリング則が中心でした。しかし、パラメータの増大は学習コストのみならず、運用時の推論インフラの維持コストを極端に押し上げます。
Sakana AIは、異なる強みを持つオープンモデル群をエージェントプールとして保持しています。ユーザーからのプロンプトが入力されると、ルーターがタスクをサブタスクに分解します。コード生成、視覚的データ認識、論理検証といった工程ごとに、最適な軽量モデルへ並列・逐次的に処理を割り振ります。
今回のFugu Ultra v2では、エージェントプールからClaude Fable 5シリーズやGPT-6-Astraといった米国の特定プロプライエタリモデルを完全に除外して構成されています。それでもベンチマークテスト「Chartography」において48.3点を記録し、米AnthropicのClaude Opus 5（27.3点）やClaude Fable 5（29.5点）を上回る視覚推論性能を示しました。また、ソフトウェアエンジニアリング評価「DeepSWE」においても74.3点を記録しています。
| ベンチマーク / 評価指標 | Fugu Ultra v2 | 比較対象モデル（従来水準） | 技術的達成内容 |
|---|---|---|---|
| Chartography（図解・データ推論） | 48.3点 | 29.5点（Claude Fable 5） | 複数AIによる視覚データクロスチェックで認識精度向上。 |
| DeepSWE（ソフトウェア工学評価） | 74.3点 | 業界トップクラス水準 | バグ検知と自動修正コード生成の反復検証ループを最適化。 |
| Fugu Max 推論コスト（百万トークン） | 入力2ドル / 出力6ドル | Claude Sonnet 5比で40〜60%安価 | ルーティング最適化により高効率オープンモデルを活用。 |
技術的成立要件：レイテンシ制約とコンテキスト整合性の担保
複数のモデルを連携させるオーケストレーションにおいて、最大の技術的障壁となるのが推論レイテンシの累積です。複数モデル間で中間生成物をやり取りすると、直列処理による通信オーバーヘッドとコンテキストの肥大化が発生します。
Sakana AIはこの課題に対し、タスク分解時の依存関係グラフを静的・動的に解析するスケジューラを導入しています。相互依存のない処理は並列実行し、後続モデルへ渡すコンテキストは差分トークンのみに圧縮・変換するプロトコルを採用しました。これにより、複合タスク全体のスループットを単一巨大モデルの直接推論と同等の実用速度に抑え込んでいます。
あわせて公開された「Fugu Max」では、オープンモデル群を束ねることで、入力100万トークンあたり2ドル、出力100万トークンあたり6ドルという価格設定を実現しました。これは競合する商用APIと比較して40〜60%安価な水準であり、本番稼働でのトークン消費量が多いエンタープライズ用途における経済的要件を満たしています。
参考記事: トランスフォーマーアーキテクチャとは？仕組みから最新動向・2030年シナリオまで徹底解説
先端AIエコシステムと市場プレイヤーへの波及経路
Fugu Ultra v2が示したアーキテクチャは、AIインフラの投資構造や企業のモデル選定基準に直接的な影響を及ぼします。
1. AIモデル開発企業（フロンティアラボ）
兆単位のパラメータを抱える単一モデルの開発に数億ドル規模の資本を投じるフロンティアラボは、投下資本利益率（ROI）の再評価を迫られます。オーケストレーション技術がオープンモデルの組み合わせによってフロンティア級の推論スコアを出せる場合、単一巨大モデルの独占的な価格プレミアムを維持することが困難になります。開発各社はモデル自体の規模拡大だけでなく、他システムへ組み込まれやすい小型かつ高密度な特化型モデルのポートフォリオ拡充を迫られます。
2. 開発ツール・MLOps・インフラベンダー
開発ツールの主戦場は、プロンプトエンジニアリングや単一モデルのファインチューニング基盤から、複数モデルを制御する動的ルーティングエンジンの領域へ移行します。タスクの複雑度に応じて最適なモデルをリアルタイムに選定し、推論コスト、レイテンシ、精度のトレードオフを自動管理するオーケストレーション層の標準化が進みます。また、GPUクラスタの運用においても、単一の超大規模インスタンスを長時間専有する形態から、異種モデルを効率よく分散配置する推論特化型インフラの需要が高まります。
参考記事: GPUクラスタの仕組みと構築戦略｜CTOが押さえるべき最前線と2030年の未来
3. エンタープライズ導入企業
製造、金融、インフラなどの大手企業にとって、海外メガテックの特定APIに対する単一依存は地政学的・法規制的なリスクを伴います。2026年6月に生じた輸出管理によるアクセス停止のように、外部要因によるシステム停止は事業継続性の観点から看過できません。オープンモデルをベースとしたマルチモデル連携アーキテクチャは、特定ベンダーに縛られないデータ主権の維持を可能にします。住友商事やSCSKとの提携に見られるように、基幹業務へのAI導入は自社管理が可能なルーティング構成へとシフトし始めます。
参考記事: AI推論インフラとは？CTOが知るべきアーキテクチャ設計とROI最大化戦略
TechShiftの視点：マルチモデル・ルーティングへの移行判断指標
Sakana AIの成果は、計算資源の物量に依存したスケーリング競争に対する有効な代替手段を提示しています。しかし、事業責任者やCTOが自社システムへマルチモデル構成を採用するにあたっては、概念への賛同ではなく運用数値に基づく客観的な見極めが必要です。
企業のシステム責任者が注視すべき判断指標は以下の2点です。
第一に、ルーティングオーバーヘッドを含む「エンドツーエンドのP95レイテンシ」です。オーケストレーション層がタスク分割と推論集約を行う設計上、単一モデルへのダイレクトコールと比較して初期遅延が発生しやすくなります。対話型システムやリアルタイム処理において、P95レイテンシが業務許容値（一般に1.5秒から2.0秒以内）に収まるかどうかが、実用化の境界線となります。
第二に、「1タスクあたりの推論コスト削減率と正答率の維持限界」です。Fugu Maxのように100万トークンあたり数ドルの廉価なルーティングモデルを導入した場合でも、リトライ処理やエージェント間の過度な会話が発生すればトークン消費量は膨らみます。単一の最上位モデルを呼ぶ場合と比較して、トータルの月間トークンコストが30%以上削減され、かつ業務固有のテストセットにおいて正答率の劣化が2%以内に収まることが、アーキテクチャ移行の投資対効果（ROI）を担保するGOサインの基準値となります。
参考記事: GPU（グラフィックスプロセッサ）とは？仕組み・最新動向・2030年シナリオを徹底解説
実装と運用のための次期アクションプラン
フロンティアAIモデルの調達環境が流動化するなかで、技術部門および事業部門が速やかに着手すべきアクションを整理します。
- 自社推論ワークロードのタスク分解と依存度分析
現状で最上位モデル（Claude 5系やGPT-5/6系など）に一括して投じている社内プロンプトを収集し、難度と種別ごとに分類します。定型的なコード補完、ドキュメント要約、データ抽出など、軽量モデルや特化型モデルへオフロード可能なタスクの割合を定量化します。
- マルチモデル・オーケストレーション基盤のPoC検証
「Sakana Fugu」のAPIやオープンソースのルーティング基盤を用い、単一モデルから複数モデル協調構成へ切り替えた際のスループットを計測します。ベンダー依存を排除した状態での出力品質を、自社の業界特化ドメインデータを用いてブラインドテストします。
- クラウド遮断・規約改定を想定したBCPルールの策定
特定の海外AIサービスへのアクセスが制限された場合を想定し、代替モデルへ即座にフェイルオーバーできるルーティングルールをシステムへ組み込みます。オープンモデルをプライベートクラウドやオンプレミス環境で運用する構成を視野に入れ、機密データを扱う処理の隔離基準を更新します。
出典: 日本経済新聞
出典: Impress AI Watch
出典: AI Weekly
出典: Sakana AI 公式発表（Fuguリリース）
出典: Sakana AI 公式発表（提携）
出典: AI/TLDR
