はじめに
Claude APIには Haiku、Sonnet、Opus という3つのモデルファミリーがあり、それぞれ速度・品質・コストのバランスが異なります。
本記事では、各モデルの特徴を比較し、ユースケース別の最適な使い分けとコストを最小化する実践テクニックを、Pythonコード例付きで解説します。
筆者はRaspberry Pi 5上で自律AIエージェントを24時間稼働させており、月間APIコストを抑えながら品質を維持するノウハウを実運用から得ています。
Claude APIモデル比較（2026年4月時点）
各モデルの位置づけ
| モデル | 特徴 | 入力単価(/1M tokens) | 出力単価(/1M tokens) | 最大コンテキスト |
|---|---|---|---|---|
| Haiku 4.5 | 高速・低コスト | $0.80 | $4.00 | 200K |
| Sonnet 4.6 | バランス型 | $3.00 | $15.00 | 200K |
| Opus 4.6 | 最高品質 | $15.00 | $75.00 | 200K |
コスト比率
Haikuを1とした場合：
- Haiku : Sonnet : Opus = 1 : 3.75 : 18.75（入力トークン基準）
つまり、OpusはHaikuの約19倍のコストがかかります。「とりあえずOpus」は危険です。
ユースケース別・最適モデル選定ガイド
Haiku が最適なケース
✅ ログ解析・テキスト分類
✅ JSON構造化・データ抽出
✅ 簡単な質問応答・FAQ bot
✅ バリデーション・フォーマット変換
✅ 大量バッチ処理（1000件以上）
Haikuは応答速度が最速で、定型的なタスクでは十分な品質を発揮します。
Sonnet が最適なケース
✅ コードレビュー・バグ修正
✅ 技術文書の要約・翻訳
✅ チャットボットの応答生成
✅ 中程度の推論を要するタスク
✅ 日常的なコード生成
Sonnetはコストパフォーマンスが最も良いモデルです。多くのプロダクション用途ではSonnetが第一選択肢になります。
Opus が最適なケース
✅ 複雑なアーキテクチャ設計
✅ 数学的推論・論理パズル
✅ 長文の創作・高品質なライティング
✅ マルチステップの計画立案
✅ 最終品質が絶対条件のタスク
Opusは**「ここぞ」という場面のみ**に使うべきです。
Python実装：モデル自動選択パターン
基本セットアップ
import anthropic
import time
client = anthropic.Anthropic() # ANTHROPIC_API_KEY環境変数から自動取得
# モデルIDの定義
MODELS = {
"haiku": "claude-haiku-4-5-20251001",
"sonnet": "claude-sonnet-4-6",
"opus": "claude-opus-4-6",
}
タスク種別による自動選択
def select_model(task_type: str, token_estimate: int) -> str:
"""タスク種別とトークン数からモデルを自動選択"""
# 大量バッチは常にHaiku
if token_estimate > 50000:
return MODELS["haiku"]
# タスク種別マッピング
haiku_tasks = {"classify", "extract", "format", "validate", "summarize_short"}
sonnet_tasks = {"code_review", "translate", "chat", "code_gen", "summarize_long"}
opus_tasks = {"architecture", "math", "creative_writing", "planning"}
if task_type in haiku_tasks:
return MODELS["haiku"]
elif task_type in opus_tasks:
return MODELS["opus"]
else:
return MODELS["sonnet"] # デフォルトはSonnet
フォールバック付き呼び出し
def call_with_fallback(prompt: str, task_type: str = "general",
max_tokens: int = 1024) -> dict:
"""Haiku→Sonnet→Opusの段階的フォールバック"""
model = select_model(task_type, len(prompt) // 4)
try:
response = client.messages.create(
model=model,
max_tokens=max_tokens,
messages=[{"role": "user", "content": prompt}]
)
return {
"model": model,
"content": response.content[0].text,
"input_tokens": response.usage.input_tokens,
"output_tokens": response.usage.output_tokens,
}
except anthropic.RateLimitError:
# レート制限時は上位モデルにフォールバック
fallback_order = ["haiku", "sonnet", "opus"]
current_idx = next(
i for i, k in enumerate(fallback_order)
if MODELS[k] == model
)
if current_idx < 2:
time.sleep(1)
return call_with_fallback(prompt, task_type, max_tokens)
raise
コスト最適化テクニック5選
1. プロンプトキャッシュの活用
# システムプロンプトをキャッシュして再利用
response = client.messages.create(
model=MODELS["sonnet"],
max_tokens=1024,
system=[{
"type": "text",
"text": "あなたはPythonコードレビューの専門家です。...(長いシステムプロンプト)",
"cache_control": {"type": "ephemeral"}
}],
messages=[{"role": "user", "content": code_to_review}]
)
# キャッシュヒット時、入力コストが90%削減
効果: 同じシステムプロンプトを繰り返し使う場合、入力トークンコストが最大90%削減されます。
2. バッチAPI（非同期処理）
大量リクエストにはMessage Batches APIを使います。
# バッチリクエストの作成
batch = client.messages.batches.create(
requests=[
{
"custom_id": f"task-{i}",
"params": {
"model": MODELS["haiku"],
"max_tokens": 256,
"messages": [{"role": "user", "content": text}]
}
}
for i, text in enumerate(texts_to_process)
]
)
# バッチAPIは通常料金の50%割引
効果: 50%のコスト削減。即時性が不要なバッチ処理に最適。
3. max_tokensの適切な設定
# ❌ 悪い例：常に最大値
response = client.messages.create(
model=MODELS["sonnet"],
max_tokens=4096, # 不要に大きい
messages=[{"role": "user", "content": "この文を英訳して: こんにちは"}]
)
# ✅ 良い例：タスクに応じた適切な値
response = client.messages.create(
model=MODELS["sonnet"],
max_tokens=128, # 翻訳なら十分
messages=[{"role": "user", "content": "この文を英訳して: こんにちは"}]
)
4. 2段階処理パターン（Haiku判定→Sonnet実行）
def two_stage_process(task: str) -> str:
"""Haikuで難易度判定→必要な場合のみSonnetを使用"""
# Stage 1: Haikuで難易度判定
judge = client.messages.create(
model=MODELS["haiku"],
max_tokens=10,
messages=[{
"role": "user",
"content": f"次のタスクの難易度をSIMPLE/COMPLEXで答えて:
{task}"
}]
)
difficulty = judge.content[0].text.strip()
# Stage 2: 難易度に応じてモデル選択
model = MODELS["haiku"] if "SIMPLE" in difficulty else MODELS["sonnet"]
result = client.messages.create(
model=model,
max_tokens=1024,
messages=[{"role": "user", "content": task}]
)
return result.content[0].text
効果: 簡単なタスクが多い場合、全体コストを40-60%削減可能。
5. トークン使用量の監視
import json
from datetime import datetime
def log_usage(response, task_type: str):
"""API使用量をログに記録してコスト可視化"""
cost_per_m = {
"claude-haiku-4-5-20251001": {"input": 0.80, "output": 4.00},
"claude-sonnet-4-6": {"input": 3.00, "output": 15.00},
"claude-opus-4-6": {"input": 15.00, "output": 75.00},
}
model = response.model
rates = cost_per_m.get(model, {"input": 3.0, "output": 15.0})
cost = (
response.usage.input_tokens * rates["input"] / 1_000_000
+ response.usage.output_tokens * rates["output"] / 1_000_000
)
log_entry = {
"timestamp": datetime.utcnow().isoformat(),
"model": model,
"task": task_type,
"input_tokens": response.usage.input_tokens,
"output_tokens": response.usage.output_tokens,
"cost_usd": round(cost, 6),
}
with open("api_usage.jsonl", "a") as f:
f.write(json.dumps(log_entry) + "
")
return cost
Raspberry Piでの実運用コスト実績
筆者のRaspberry Pi 5（NVMe SSD搭載）で自律AIエージェントを24時間運用した際の実績です。
構成
- ハードウェア: Raspberry Pi 5 (8GB RAM) + NVMe SSD（Pironman5 Pro MAXケース）
- 用途: OSS PR自動生成・レビュー・記事投稿の自律エージェント
-
モデル使い分け:
- タスク振り分け・ログ解析 → Haiku
- コード生成・レビュー → Sonnet
- アーキテクチャ設計・複雑な判断 → Opus（1日数回のみ）
コスト配分の目安
| 用途 | モデル | 1日あたりの呼び出し | 推定コスト/日 |
|---|---|---|---|
| タスク分類 | Haiku | ~200回 | ~$0.05 |
| コード生成 | Sonnet | ~50回 | ~$0.30 |
| 設計判断 | Opus | ~5回 | ~$0.20 |
| 合計 | ~$0.55/日 |
月額約$17で自律AIエージェントが24時間稼働します。
まとめ
| ポイント | 内容 |
|---|---|
| デフォルトはSonnet | コスパ最強。迷ったらSonnet |
| バッチ処理はHaiku | 大量処理は最安モデルで |
| Opusは切り札 | 複雑な推論のみに限定 |
| キャッシュ活用 | 同一プロンプト繰り返しなら90%削減 |
| 使用量を可視化 | ログを取って無駄を発見 |
「全部Opusでいいじゃん」は月額が20倍になります。 モデルの使い分けこそがAPI活用の肝です。
📝 より詳しい自律AIエージェントの構築方法は、Noteの有料記事で設定ファイル・コード例・ハマりどころ10選を含めて解説しています。
→ Raspberry Pi 5+NVMe SSDで自律AIエージェントを24時間稼働させる完全実践ガイド