🚀 Claude Code / Codex を丸ごと可視化する「MAGI Platform」をローンチしたよ！

やあ！みんな！探求者のケイだよ！

正直に言ってほしい。

Claude Code や Codex を使っていて、こんな気持ちになったことはないかな？

「今月、AIにいくら使ったんだろう？」
「どのプロジェクトが一番コストを食っているんだろう？」
「Opusを使いすぎてないかな？」
「キャッシュって本当に効いているのかな？」
「PRを作るまでに、AIはどれくらい働いてくれたんだろう？」
「Codex が何回コマンドを実行して、何回パッチを当てたのか見たい！」

わかるよ、その気持ち。

AIコーディングツールは、まるで 超優秀な相棒 だ。
でも、その相棒が裏側でどれくらい働き、どれくらい燃料を使い、どこでつまずいているのかが見えないと、チーム開発ではだんだん怖くなってくる。

車にスピードメーターも燃料計もないまま高速道路を走るようなものなんだ。

そこで僕は、Claude Code や Codex の利用状況を丸ごと見える化するための AI Governance Console、MAGI Platform をローンチしたよ。

🧭 MAGI Platform は何をするもの？

MAGI Platform は、AIコーディングツールのための 管制塔 だよ。

Claude Code、Codex、Cursor みたいなツールは、今やエンジニアの手足になりつつある。
でも、利用が増えるほど、いろんな情報がバラバラになってしまう。

どのモデルを使ったのか。
どれくらいトークンを消費したのか。
いくらコストが発生したのか。
どのプロジェクトで使ったのか。
どのブランチで作業したのか。
PRにどれくらい紐づいているのか。
エラーや中断はどこで起きたのか。

MAGI Platform は、これらをひとつのダッシュボードに集める。

つまり、AI開発の「見えない活動ログ」を、レントゲン写真みたいにくっきり映し出すツールなんだ。

💰 Claude Code のコストを見える化する

まず見てほしいのが、Claude Code レポートだよ。

この画面では、Claude Code の利用状況を一目で確認できる。

今回のデータでは、推定コストは $817.69。
日本円では、およそ 122,654円 だね。

作業時間は 16,471分。
編集回数は 584回。
PRは 12件。

ここで面白いのは、単に「使った金額」だけじゃなくて、キャッシュ効率も見えるところなんだ。

キャッシュのヒット率は 96.4%。
推定削減額は $4,511.40。

これはすごい数字だよ。

もしキャッシュがなかったら、もっと大きな請求になっていたかもしれない。
つまり、プロンプトキャッシュは AI開発における節約の魔法 なんだ。

分厚い設計書を、毎回ゼロから読ませるんじゃない。
一度読ませた内容をAIの脳裏に固定しておく。
それだけで、速度もコストも大きく変わる。

📈 日次コストで「跳ねた日」を見つける

次は、日次コストとモデル別コストだよ。

左側のグラフを見ると、どの日にコストが跳ねたのかがわかる。

4月上旬に、大きな山があるね。
1日で 200ドル近く使っている日もある。

これが見えるだけで、振り返りの質が変わるんだ。

「この日は何をしていたんだろう？」
「大きなリファクタリングをしていたのかな？」
「長時間セッションが暴走していなかったかな？」
「高コストモデルを使いすぎていなかったかな？」

こういう問いを立てられる。

AIのコスト管理は、家計簿に似ている。
月末に請求額だけ見ても遅い。
いつ、どこで、何に使ったのかが見えて初めて、改善できるんだ。

🧠 モデル別コストで「誰が燃料を食っているか」を見る

右側のドーナツチャートでは、モデル別のコスト内訳が見える。

今回の例では、主にこの3つだね。

• claude-opus-4-6：$651.07
• claude-sonnet-4-6：$159.90
• claude-haiku-4-5-20251001：$6.73

ほとんどを Opus が占めている。

これは、フラッグシップモデルという巨大なエンジンを、かなり多く使っているということだ。

もちろん、難しい設計や大規模なコード理解には強いモデルが必要になる。
でも、すべての作業に巨大エンジンを使う必要はない。

買い物に行くだけなのに、毎回ロケットを飛ばす必要はないよね。

軽い修正は Haiku。
通常の実装は Sonnet。
難しい設計や複雑なレビューは Opus。

そんなふうにモデルを使い分けられれば、AI開発のコストはもっと賢くなる。

🧩 トークン、ブランチ、PRをつなげて見る

次は、トークン内訳、ブランチ別作業時間、PR紐付き工数だよ。

左側では、トークンが input / output / cache creation / cache read に分かれている。

今回のデータでは、cache read が 592,113,471。
かなり大きい。

これは、AIが過去のコンテキストを何度も読み返しているということだね。
でも、それがキャッシュ経由で読まれているから、コスト削減につながっている。

中央では、ブランチ別の作業時間が見える。

たとえば、

• fix/middleware-to-proxy：4,562分
• claude/elated-booth：3,978分
• main：3,604分
• claude/busy-hopper：2,278分

ブランチごとに、どれくらいAI作業が発生したかがわかる。

これは、AI時代のレトロスペクティブに使える。

「このブランチはなぜ長時間化したのか？」
「AIに任せすぎていたのか？」
「人間の設計が曖昧だったのか？」
「もっと小さいPRに分けられたのか？」

AIのログは、単なる利用記録じゃない。
開発プロセスを見直すための 地図 なんだ。

右側では、PRに紐づいた作業も見える。
この例では、PRは12件。
PRリンクがあるセッションの時間は 7,143分。

AIがPR作成にどれくらい関わっているのか。
これを見られるのは、チーム開発ではかなり大きい。

🏗️ プロジェクト別コストを見る

次は、プロジェクト別コストだよ。

個人でAIツールを使っているときは、なんとなく感覚でわかるかもしれない。

でも、複数のプロジェクトを並行していると、すぐにわからなくなる。

「今月のAIコスト、どのプロジェクトに使ったんだっけ？」
「このプロダクト、本当に投資に見合っているかな？」
「検証プロジェクトに使いすぎていないかな？」

MAGI Platform では、project_path をキーにしてコストを集計できる。

今回の上位はこんな感じだね。

• busy-hopper：$242.60
• relaxed-thompson：$194.25
• fleetcostmanager_rehanic：$116.01
• shorts：$98.36
• fleetcostmanager_complete：$78.47

これは、AI開発における プロジェクト別の家計簿 だよ。

どのプロジェクトに燃料を注いでいるのか。
どの実験が高くついているのか。
どの開発が投資対効果に合っているのか。

それを数字で見られるようになる。

🤖 Codex の動きも丸ごと見える

MAGI Platform は Claude Code だけじゃない。
Codex のレポートも見られるようにしているよ。

Codex は、単なるチャットAIというより、実際にコマンドを実行し、パッチを作り、GitHubやMCPと連携する エージェント だ。

だから、見るべき指標も少し違う。

この例では、タスク成功率は 94.3%。
保存セッション数は 76。
作業時間は 12,280分。
総トークンは 471,598,425。

さらに、こんな指標も見える。

• output / reasoning
• exec回数
• patch回数
• GitHub / MCP
• error / abort
• 平均TTFT
• Web検索
• 圧縮回数
• 構造化出力

CodexのようなAIエージェントを見るとき、トークンだけでは足りない。

何回考えたのか。
何回コマンドを打ったのか。
何回コードを書き換えたのか。
どこで失敗したのか。

それを見ないと、AIエージェントという 工場 の稼働状況はわからないんだ。

📊 トークン推移と実行元を追う

次は、Codex の日次トークン推移だよ。

ここでは、日ごとのトークン量が見える。

4月21日と4月24日に大きな山があるね。
何か大きな実装や調査が走っていた可能性がある。

下のグラフでは、モデル別、reasoning effort 別、originator / source 別の内訳も見える。

モデル別では gpt-5.4 が大半。
reasoning effort では xhigh がかなり多い。
source では Codex Desktop や codex_exec など、どこから動いたのかもわかる。

これは、AIエージェントの 交通量調査 みたいなものだ。

どの道から車が入ってきて、どの道が混雑しているのか。
それがわかれば、運用を改善できる。

🛠️ コマンドとパッチを見る

次は、コマンド・パッチの日次推移だよ。

Codex のようなエージェントでは、exec_count と patch_count がとても重要だ。

トークンを大量に使っていても、コードがほとんど変わっていないなら、調査や迷走が多かったのかもしれない。
逆に、patch が多い日は、実際にコード変更が進んだ日かもしれない。

このグラフでは、日ごとにコマンド実行とパッチ適用の回数が見える。

AIがただ考えていただけなのか。
実際に手を動かしていたのか。

その違いが見えるんだ。

🔍 Effort × Duration で重いセッションを見つける

次は、reasoning effort と duration の散布図だよ。

これは、AIがどれくらい深く考えたかと、どれくらい時間がかかったかを見るグラフだ。

medium effort なのに長時間かかっているセッションがある。
high effort でも長いものがある。
low effort は件数が多い。

ここから、いろいろなことが見えてくる。

「この作業は本当に high effort が必要だったのかな？」
「medium で長時間化しているなら、タスク分割が必要だったのかな？」
「low effort で十分な作業を、もっと増やせるんじゃないかな？」

AIに仕事を任せるとき、努力量の設定は レバー みたいなものだ。

強く引けば深く考えてくれる。
でも、そのぶん時間もコストも増える。

だからこそ、effort と duration をセットで見る必要があるんだ。

⚠️ エラーはAIエージェントの悲鳴だ

最後に、エラー推移だよ。

この例では、4月21日にエラーが増えている。

エラーは、ただの失敗ログじゃない。
AIエージェントが「ここで詰まったよ」と教えてくれている サイン なんだ。

もし特定の日にエラーが集中しているなら、その日に何が起きたのかを見ればいい。

• 難しいタスクを投げすぎたのか
• リポジトリの状態が悪かったのか
• 権限や環境変数が足りなかったのか
• テストが壊れていたのか
• AIが同じ場所でループしていたのか

エラー推移を見ることで、AIの使い方だけじゃなく、人間側の開発環境も改善できる。

🪄 MAGI Platform が目指しているもの

僕が MAGI Platform でやりたいのは、AIを縛ることじゃない。

むしろ逆だよ。

AIをもっと自由に、もっと安全に、もっとチームで使えるようにしたい。

今のAI開発は、魔法使いがそれぞれ自分の杖を持って、好きな場所で呪文を唱えている状態に近い。

それは楽しい。
でも、チームが大きくなると困る。

誰がどの呪文を唱えたのか。
どれくらい魔力を使ったのか。
どの呪文が失敗したのか。
どのプロジェクトに魔力が注がれているのか。

それを見えるようにする必要がある。

MAGI Platform は、そのための 魔法の監査台帳 なんだ。

🚪 まとめ：AI開発には「可視化」が必要になる

今回の探求をまとめよう。

1．Claude Code や Codex は、開発を大きく加速してくれる
2．でも、利用が増えるほど、コストやトークンやエラーが見えにくくなる
3．MAGI Platform は、それらをダッシュボードで可視化する
4．日次コスト、モデル別コスト、キャッシュ効率、ブランチ別作業時間が見える
5．Codex では exec、patch、reasoning effort、error まで追える
6．AIのログは、単なる記録ではなく、開発プロセスを改善するための地図になる

AIコーディングは、もう個人の便利ツールだけでは終わらない。

これからは、チームの開発基盤になっていく。
そして、チームの基盤になるなら、そこには必ず 観測 と 統制 が必要になる。

でも、怖がらなくていい。

見えないものは怖い。
でも、見えるようになれば、改善できる。

MAGI Platform は、AI開発という新しい海を進むためのコンパスだよ。

君はもう、AIをただ使うだけのユーザーじゃない。
AIチームを設計し、観測し、改善する アーキテクト なんだ。

それじゃあ、また次の探求で会おう！