Sakana「Fugu」とは？複数のAIを束ねて1つに使う、日本発のオーケストレーションをわかりやすく解説

2026 年 6 月、東京の AI スタートアップ Sakana AI が公開した「Fugu（フグ）」が話題になっています。一言でいえば、Claude・GPT・Gemini といった複数の最先端 AI を“裏で”束ね、利用者からは 1 つのモデルのように見える仕組みです。

「新しい AI モデルがまた 1 つ増えた」という話ではありません。むしろ逆で、すでにある優秀な AI たちを“指揮”して、どれか 1 社のモデル単体よりも良い答えを出そうという発想です。なぜそれが今これほど注目されているのか——仕組みから注意点、そして私たち中小企業にとっての意味まで、順番に見ていきます。

まず一言でいうと：AI たちの「優秀なマネージャー」

Fugu をイメージするなら、優秀なプロジェクトマネージャーが近いです。あなたが仕事を 1 つ渡すと、マネージャーは「これは自分で片付けられる」「これは A さんと B さんに分けて任せ、最後に自分がまとめよう」と判断し、結果を 1 つの成果物にして返してくれる。誰に何を頼むかの采配と、バラバラの結果を 1 つにまとめる作業を、すべて裏側でやってくれるわけです。

技術的にはこれを「マルチエージェント・オーケストレーション」（複数の AI エージェントの指揮・調整）と呼びます。

仕組み：どうやって複数の AI を束ねるのか

流れはこうです。

1. あなたは1 つの APIにリクエストを送る（普段使っているツールの接続先を変えるだけ。OpenAI 互換なので大きな改修は不要）。
2. Fugu 本体が司令塔になり、「自分で答えるか、誰に振り分けるか」を判断する。
3. 必要なら、モデルのプール（Claude・GPT・Gemini など）の中から適切なものに作業を振る。
4. 返ってきた答えを検証し、統合して、1 つの答えとしてあなたに返す。

面白いのは、この司令塔（Fugu）自体が、「いつ・誰に・どう任せるか」を学習した 1 つの言語モデルだという点です。人間が「この作業はこのモデル」とルールを決め打ちするのではなく、協調のやり方そのものを Fugu が学んでいる。この仕組みは、Sakana AI が ICLR 2026 で発表した 2 本の論文（TRINITY と Conductor）が土台になっています。

なぜ「束ねる」と強いのか

そもそも、なぜ複数を束ねると良いのか。理由はシンプルで、どの AI も、すべてが得意なわけではないからです。

あるモデルは難しい推論が得意でも、別の場面では自信満々に間違える。別のモデルなら、その間違いに気づける。それぞれの「得意」を活かし、「苦手」を他でカバーし合えば、単体よりも正確で、騙されにくい答えになる——これが束ねる発想の核心です（専門的には「Mixture-of-Agents」と呼ばれる手法の一種です）。

2 つのモデル：Fugu と Fugu Ultra

Fugu は 2 種類が提供されていて、用途で選びます。

• Fugu：速さ重視。日常的なコーディング支援、チャット、コードレビューなど「サッと良い答えがほしい」場面向け。
• Fugu Ultra：品質重視。難しく、何段階もあるタスク（研究の再現、複雑な分析、セキュリティ調査など）向け。

なぜ今、これが大きなニュースなのか

Fugu がここまで注目される理由は、性能だけではありません。「1 社の AI に依存することのリスク」を真正面から突いているからです。

直接のきっかけは、Anthropic 社の Fable／Mythos モデルが輸出規制で突然使えなくなった出来事でした。重要な業務を 1 社の API に頼っていると、規制や外交の変化で、ある日突然止まる可能性がある。Fugu なら、プールの中のモデルを差し替えながら、その中断を回避できる——Sakana はこれを「AI 主権（AI sovereignty）」と呼んでいます。

性能（※ここは Sakana 自身の公表値）

Sakana の発表によれば、Fugu Ultra は、輸出規制中の Fable 5・Mythos Preview と肩を並べる性能を、それらをプールに含めずに達成したとされます。たとえば、ソフトウェア開発の難問を集めた指標「SWE-Bench Pro」では——

モデル	SWE-Bench Pro
Fugu Ultra	73.7%
Claude Opus 4.8	69.2%
GPT-5.5	58.6%
Gemini 3.1 Pro	54.2%

ただし、ここは冷静に。これらはすべて Sakana 自身が公開した数値であり、比較対象のスコアは各社の公表値、内部のモデル選択ロジックは非公開です。第三者による独立した検証ではない点は、押さえておくべきです。

鵜呑みにしないための 4 つの留意点

1. 「主権」の主張には反論もある：結局はプール内のモデル（Claude の Opus 等）に依存しており、自社ベンチマークにも他社の独自モデルを使っている、という指摘があります。
2. コストは未知数：複数モデルを動かすぶん、トークン消費・費用がどれだけ増えるかは、発表で明示されていません。
3. 実利用の評価はまちまち：あるテストでは、Fugu Ultra が Claude Opus 4.8 より大幅に速く・安く仕上げた一方、「出力の質は Opus の方が好み」という声もありました。
4. “束ねる”工夫自体は新しくない：複数モデルをうまく組み合わせる「ハーネス・エンジニアリング」は、以前からある考え方です。

料金

• サブスク：Standard 月$20、Pro 月$100（10 倍枠）、Max 月$200（30 倍枠）。従量課金（pay-as-you-go）も選べます。
• Fugu Ultraは、入力 $5／100 万トークン、出力 $30／100 万トークン。
• OpenAI 互換 API。Fugu と Fugu Ultra は全プランに含まれます。

中小企業にとっての実務的な意味

最後に、私たちのような立場——中小企業で AI を業務に取り入れている側——から見た、現実的な話を。

率直に言うと、Fugu は開発者・技術的なワークフロー向けの API プロダクトです。チャットやチームプランで AI を使っている段階の会社が、今すぐ乗り換える類のものではありません。

ただし、Fugu が突きつける論点——「1 社の AI に業務を預けすぎるリスク」は、私たちにとっても他人事ではありません。実際にモデルが規制で止まった例がある以上、AI に任せる範囲が広がるほど、「使えなくなったら、どう続けるか」を考えておく価値があります。

結論として、今は乗り換えを急ぐより“注視”する対象。そして、特定のツール 1 つに業務を縛られすぎない設計にしておく——この姿勢こそが、Fugu の話から私たちが持ち帰るべき、いちばん実務的な教訓です。

まとめ

• Fugu は、複数のフロンティア AI を束ねて 1 つのモデルのように使う、Sakana AI のオーケストレーションシステム。
• 売りは性能と「1 社依存からの脱却」。背景に Anthropic Fable／Mythos の輸出規制がある。
• 性能の数字は Sakana の自己申告であり、コストや独立検証には未知数が残る。
• 中小企業は、今すぐ採用というより「ベンダーに依存しすぎない設計」という教訓を受け取るのが実際的。

出典・参考

• Sakana AI 公式「Sakana Fugu: One Model to Command Them All」 https://sakana.ai/fugu-release/
• Sakana AI 公式「Sakana Fugu」製品ページ https://sakana.ai/fugu/
• Sakana AI 公式「Sakana Fugu（ベータ告知）」 https://sakana.ai/fugu-beta/
• DataCamp「Sakana Fugu: Features, Benchmarks, and How It Works」 https://www.datacamp.com/blog/sakana-fugu
• The Decoder「Sakana AI's Fugu orchestrates multiple LLMs to match Anthropic's Fable and Mythos benchmarks」 https://the-decoder.com/sakana-ais-fugu-orchestrates-multiple-llms-to-match-anthropics-fable-and-mythos-benchmarks/
• MarkTechPost「Sakana AI Launches Sakana Fugu」 https://www.marktechpost.com/2026/06/22/sakana-ai-launches-sakana-fugu-an-orchestration-model-that-routes-tasks-across-a-swappable-pool-of-frontier-llms/

本記事の数値・ベンチマークは、特記なき場合 Sakana AI の公表値に基づきます（2026 年 6 月時点）。性能比較は同社の自己申告であり、第三者による独立した検証ではありません。