「5人がかり」は本当に割に合うのか──エージェントのチームが1体より最大5.1倍高くつき、成績はほぼ動かなかった

コーディングエージェントを「リードが設計し、部下が手を動かすチーム」に組み替えれば、1体で回すより速く・良くなる——そんな期待に、評価専門のVals AIが数字で冷や水を浴びせました。GPT-6 SolとClaude Opus 5.5を、1体とチームの両方で同じ課題に当て、かかった費用・時間・成績を並べたところ、チームは1体の1.8〜5.1倍のコストを払いながら、成績がはっきり伸びたのは4回の比較のうち1回だけだったのです。

「仕様書からWebアプリを丸ごと作る」を50本ずつ走らせた

検証に使われたのは、同社の「Vibe Code Bench」。製品仕様を渡し、データベース・API・画面・デプロイまで含めたWebアプリを一式作らせ、Docker Composeで実際に立ち上げ、ブラウザ上のUIテストが何割通るかで採点するベンチマークです。「それらしいコードが書けたか」ではなく「動くアプリが仕上がったか」を測る点が肝になります。

比較したのは、エージェント1体で最後までやり切る構成と、リード1体＋最大5体の部下からなるチーム構成。これをGPT-6 SolとClaude Opus 5.5の2モデルで、推論の力の入れ具合（medium／max）を変えつつ、それぞれ50本のアプリで走らせています。

4回の比較で、はっきり勝ったのは1回だけ

結果はそっけないものでした。チームが1体を統計的に有意に上回ったのは、SolをmediumでチームにしたときのUIテスト合格率＋7.3ポイント（p=0.005）の1例のみ。残り3つの差は−0.3〜+3.4ポイントにとどまり、いずれも「誤差の範囲」でした（p値0.16〜0.81）。Opusに至っては、チーム化しても力を入れても、成績は意味のある差を見せませんでした。

一方で、支払いははっきり増えます。アプリ1本あたりの費用と所要時間は次のとおりです。

出典: Vals AI「Do Agent Teams Pay Off?」（2026年10月9日）の数値をもとに再構成

倍率にすると、最も軽いSol／maxでも1.8倍、最も重いOpus／maxでは5.1倍。Opusはチームにすると時間まで最大2.3倍に膨らみました。「頭数を増やせば速く安く上がる」という直感は、ここでは成り立っていません。

チームの中身は、モデルごとにまるで別物だった

興味深いのは、同じ「チーム」でもリードの仕切り方がモデルで分かれた点です。

Sol：先に割って、同時に走らせ、自分で確かめる

Solのリードは開始数分で仕事を機能の境目で分割し、4〜5体の部下を並列に走らせました。さらに出来上がりを自らブラウザで検証し（50本中46本）、別々に作られた部品のつなぎ目のバグを拾っています。max推論ではこの並列化が効き、所要時間が38分から28分へ縮みました。

Opus：先に「取り決め」を書き、順番に渡していく

Opusのリードは、各部品がどう噛み合うかの共通仕様（契約）を先に書き起こし（50本中40〜42本）、ビルド役→機能役→テスト役と順番に渡す進め方を好みました。デプロイ後の検証にも時間を厚くかけ（max推論でテストに67.8エージェント分、1体時の9.6分の約7倍）、結果としてチームは1体より長くかかりました。

「人を増やす」前に「頭を強くする」という選択肢

この検証から、実務で効く示唆が1つ見えてきます。成績を上げたいとき、チーム化よりも推論の力を上げるほうが素直に効く場合があるということです。Solでは、maxの1体がmediumのチームを成績で上回りました。ただしそれも無料ではなく、Sol／maxの1体（$4.82）はSol／mediumのチーム（$3.07）の約1.6倍の費用と約3倍の時間がかかっています。

関連して、報道ではAnthropic自身の並列テストでも、Opus 5.5は10体から100体へ増やしてもトークン消費だけが伸びて成績は頭打ちになった、と伝えられています。「とにかく並列度を上げる」が万能ではない、という方向で符合する観察です。

裏を返せば、チームが無駄だと決まったわけでもありません。Solのように並列分割が噛み合う課題・モデルでは、時間短縮という形で見返りが出ました。Vals AI自身も「チームが割に合うかは、モデル・タスク・予算しだい。チームで伸ばす道もあるが、推論を強める道と天秤にかけるべき」と結んでいます。

無人運用ほど、効く「財布の栓」

ビジネス面で見逃せないのは、コストの増え方が静かだという点です。エージェントを並列に増やす設定は数行で済む一方、請求はOpus／maxの例のように1本$23.77から$122へ跳ね上がりました。人が逐一承認しない無人運用で「チームを既定」にすれば、品質がほぼ変わらないまま費用だけが数倍で積み上がる恐れがあります。導入時は、まず1体＋推論レベルの調整を基準線に置き、チーム化は並列化の効く課題に絞って費用対効果を測ってから広げる——そんな順序が無難でしょう。

なお本結果は、Webアプリ構築という1種類のベンチマークを2モデル・各50本で測ったものです。別の課題領域やモデルでは違う絵が出る可能性があり、「チームは常に損」と一般化はできません。自分のワークフローで効くかは、小さく測って確かめるのが近道です。

参照: Vals AI: Do Agent Teams Pay Off? A Case Study on Vibe Code Bench ／ The Decoder: AI agent teams waste massive tokens for barely measurable quality gains ／ AlphaSignal: Vals AI Finds Multi-Agent Coding Teams Cost 5x More but Rarely Score Better ／ Vibe Code Bench Leaderboard and Methodology