APIコストを下げるeffort設定、知ってる？

Claude Opus 5.5のAPIを使っていて「コストが高い」と感じたとき、多くの人が最初に手を付けるのはプロンプトの改善だ。でもAnthropicの公式ガイドが示す順番は少し違う。まず見直すべきは、モデルにどれだけ「考えさせるか」をコントロールするeffort設定だという。

effort設定とは、モデルの思考量（内部的な推論ステップの深さ）を制御するパラメータ。高く設定するほど精度は上がるが、APIコストもその分かかる。逆に言えば、精度がそこまで要らないユースケースに高いeffortを使っていると、コストを無駄に払い続けることになる。

プロンプトをどう磨いても、effort設定がオーバースペックのままなら構造的なコスト削減にはならない。そういう意味で「プロンプトより先に」という主張には実用的な根拠がある。料金表では見えないAIツールの「実務コスト」を見極めるでも触れたように、ツールの表面的な料金体系だけでなく、設定レベルでの最適化が「実務コスト」を左右する時代になっている。

Anthropicの公式ドキュメントによると、effort設定は大きく3段階で使い分けることが想定されている。

high（高）：複雑な推論、コード生成、多段階の判断が必要なタスク向け。精度最優先。コストはその分高い。

medium（中）：要約、分類、FAQ応答など、ある程度の精度は欲しいが深い推論までは不要なケース。コストと精度のバランス帯。

low（低）：ルーティン処理、大量バッチ、ラフなドラフト生成など、スピードと単価が重要なケース。精度よりスループット優先。

注目したいのは、同じ「文章生成」タスクでも、ドラフト段階なのか最終確認段階なのかによって、適切なeffortが変わるという点だ。たとえば、SNS投稿のアイデア出しに毎回highを使う必要はない。一方、契約書のレビューやコードのデバッグをlowで回すのは精度リスクが高い。

ユースケースをリストアップして、それぞれに「highが本当に必要か？」と問い直すだけで、コスト構造が変わってくるケースは多い。

effort設定を変えるだけで済む話ではなく、運用前に確認しておくべき要素がいくつかある。

1. タスクごとにeffortを分けているか 一つのパイプラインに複数のタスクが混在している場合、全体を同じeffortで回しているケースが多い。タスク単位で設定を分けると、必要な精度を保ちながらコストを抑えやすくなる。

2. 出力品質の検証をeffortごとに行っているか mediumやlowに下げたときの出力品質を、実際のユースケースで確認せずに本番に入るのはリスクがある。Anthropicの公式ガイドでも、設定変更後の品質チェックを推奨している。

3. キャッシュ設定と組み合わせているか effort設定と並行して、プロンプトキャッシングも有効な手段だ。同じプロンプトを繰り返すバッチ処理では、キャッシュと低effortの組み合わせがコスト削減の定番構成になりつつある。

AIには「面倒なとこだけ」渡すのが正解でも整理したように、AIに渡すタスクの粒度と設定の組み合わせを意識することが、使い倒す側の基本姿勢になる。