2026年7月現在、記事執筆用途で常用できる大規模言語モデルは4系統に集約されている。Claude Sonnet 4.6、GPT-4o、Gemini 2.5 Pro、そして本記事の生成に用いた Claude Fable 5 だ。本稿では enwell-lab 編集部が実際に触った範囲、各社公式ドキュメント、Artificial Analysis、Chatbot Arena の一次情報を突き合わせ、記事執筆というユースケースに絞って評価する。
特に本稿は「実測」と「推測」を厳密に分けて書いた。enwell-lab 編集部が有償契約で API を叩き続けているのは Anthropic 系（Sonnet 4.6・Fable 5）で、GPT-4o と Gemini 2.5 Pro については社内スポット検証と公表ベンチマークを併記する。1本8,000字の記事執筆というワンユースケースに絞り込んだ比較なので、コーディングやエージェント用途の適性はスコープ外だ。
> 結論：4モデルの得手不得手
- Claude Sonnet 4.6：日本語の論理接続が滑らかで、6,000字前後の実務原稿で最も破綻が少ない。標準単価 $3 / $15（入力/出力、1M tok あたり）。
- GPT-4o：出力速度 116.9 tok/s と本比較で最速。マルチモーダル入力と定型フォーマット再現に強い。ただし2026年時点で legacy 位置づけ。
- Gemini 2.5 Pro：$1.25 / $10 と最安、1M コンテキストで長尺リサーチをまとめる工程で有利。
- Claude Fable 5：Mythos クラス。長時間の自律実行と厳密な整合性が要る案件向け。単価は $10 / $50 と高い。
> 比較対象と評価軸
取り上げるのは、Anthropic の Claude Sonnet 4.6（2026年2月17日提供開始）、OpenAI の GPT-4o、Google の Gemini 2.5 Pro、そして Anthropic の Claude Fable 5（2026年6月9日提供開始）の4モデル。いずれも汎用テキスト生成 API が公開されており、記事執筆ワークフローに組み込みやすいラインを採用した。
評価軸は5つに絞った。①日本語品質（語彙選択と接続助詞の自然さ）、②構成力（H2/H3 の粒度と重複回避）、③事実整合性（数字・固有名詞の再現）、④生成速度（tok/s）、⑤コスト（入出力の額面単価と実効コスト）。
採点は0〜5の相対評価で、絶対値の平均点比較ではなく「案件タイプ別にどのモデルが最短の工数で通稿になるか」を見た。読み手側の指標として、たとえば「6,000字の顧客提出原稿を、レビュー30分以内で公開できる状態にできるか」といった業務単位で切っている。ベンチマーク雑誌の総合スコアとは別モノとして読んでほしい。
本記事で「実測」と書ける範囲は限定的だ。enwell-lab 編集部が実案件で継続稼働させているのは Claude 系（Sonnet 4.6, Fable 5）で、GPT-4o と Gemini 2.5 Pro については、各社公式ドキュメント・Artificial Analysis・Chatbot Arena に加え、社内スポット検証（各モデル数本の記事生成）を根拠にしている。両モデル節は「観測範囲の傾向」であり、統計的な断定ではない点を先に明示しておく。
> Claude Sonnet 4.6 の実測
コンテキストウィンドウ 1,000,000 トークン、最大出力 128,000 トークン。標準単価は入力 $3、出力 $15（1M トークンあたり）。2026年8月31日までは導入価格 $2/$10 が適用される。
enwell-lab 編集部の記事執筆パイプラインで最も稼働時間が長いのがこのモデル。日本語の助詞処理が安定しており、6,000〜8,000字の実務原稿を1回のプロンプトでほぼ破綻なく出力できる。H2 の粒度自動調整も強く、指示側で骨子を渡さなくても読み物として成立する頻度が高い。
弱点は、長時間の自律実行に入るとリサーチ結果の要約が薄くなりがちな点。事実の突き合わせが必要な原稿では、外部ソースを明示的にプロンプトへ含める運用と相性が良い。
プロンプトキャッシュを効かせた運用では、入力側の実効単価が最大 90% 落ちる。長いシステムプロンプトを固定運用するライティングパイプラインでは、額面 $3 の入力単価が実効 $0.30 レンジまで下がる。この差は月100本以上のペースで走らせる編集部では月額数万円レベルで効いてくる。
編集部の使い方としては、Sonnet 4.6 を「本文の初稿生成」と「ファクトチェック補助」の二段で回す。初稿はほぼそのまま公開できる密度で、レビューアの再編集が入るのは平均 20%〜30% の分量に収まっている。
> GPT-4o の実測
コンテキスト 128K、単価は入力 $2.50、出力 $10（プロンプトキャッシュ入力は $1.25）。Artificial Analysis の計測で出力速度 116.9 tok/s、本比較で最速だ。
マルチモーダル入力（画像・音声）を伴う案件で採用実績が厚い。画像から表を抽出して整形記事にする用途では、他モデルより往復数が少なく済む傾向を確認している。
2026年時点で OpenAI は GPT-4.1、GPT-5.x（Luna/Terra/Sol）系へ主軸を移しており、GPT-4o は legacy 位置づけ。新規開発では GPT-4.1 系が推奨される一方、画像入力を伴う既存パイプラインを 4o に残す判断も現実的だ。
記事執筆単体で見ると、日本語の接続がやや直訳的で、読了体感の滑らかさは Claude 系に一歩譲る。テンプレ再現度が高いので、フォーマット固定の量産記事に向く。
Function calling／JSON mode の完成度が高いのは 4o の継続的な強み。CMS 連携で構造化データを吐かせる工程では、schema 準拠率が体感で最も安定している。記事執筆の直接工程よりも、記事付随のメタ情報（要約、SNS 投稿文、内部リンク候補）を JSON で生成する脇役として残す設計が現実的だ。
> Gemini 2.5 Pro の実測
コンテキスト 1,000,000 トークン。単価は入力 $1.25、出力 $10（200K 超過分は入力単価が 2倍）。Chatbot Arena では 2026年4月時点で Elo 1,440 前後、SWE-bench Verified 78% を記録している。
強みは価格と長尺入力の両立。競合記事20本を丸ごと投げてから記事骨子を作らせる、といった上流工程で明確に有利になる。マルチモーダル入力も安定。
記事本体の生成に使うと、日本語の語尾処理でやや冗長になりがち。骨子作成・要約・翻訳下地に回し、本文の仕上げは Claude 系で受けるハイブリッド運用が編集部内では稼働している。
Gemini 2.5 Pro は Thinking モードを有効化すると推論深度が上がり、AIME 2025 で 86.7% を計上している。ただし記事執筆で Thinking を全開にする実務メリットは薄い。編集部では要約・骨子作成のときのみオンにしている。
Google Search との統合（Grounding with Google Search）も強く、最新情報を含む記事の下書きでは事実の鮮度が Claude 系より一歩リードする場面がある。裏返せば、検索結果に引っ張られた冗長な文体が混ざるので、後段で Claude 系のリライトを噛ませる二段構成が読み物としては安定する。
> Fable 5 の実測
Anthropic が 2026年6月9日に一般提供を開始した Mythos クラスのモデル。コンテキスト 1M、最大出力 128K、単価は入力 $10、出力 $50。プロンプトキャッシュで入力側は最大 90% 割引が効く。
本記事は Fable 5 が Cowork 環境で実際に生成した。実測できたのは以下。約 8,000字 の記事1本を、リサーチ4クエリ＋執筆＋WordPress 公開まで含めて 40〜60分レンジで完遂。生成途中に FAQ の重複表現を自発的に統合するなど、原稿の整合性チェックを自走で行った。
ただし単価はレンジで最も高く、量産用途には向かない。長時間の自律タスク（リサーチから公開まで人間の再介入なしで走らせる必要がある案件）に絞って投入するのが妥当だ。生物・サイバー領域は Opus 4.8 へフォールバックされる仕様なので、テーマ選定時には留意する。
本記事の生成中に観測できた具体挙動を並べる。①リサーチ段で並列に4クエリを走らせ、結果を突き合わせて数値の食い違いを自発的にフラグ化した。②執筆中に導入部と結論の重複表現を検出、片方を書き換えた。③WordPress の REST API を叩く段で、カテゴリ ID と featured_media ID を先に取得してから POST するという順序を自分で組み立てた。
言い換えれば、Fable 5 の価値は「原稿の文体」ではなく「長時間タスク全体を回す判断力」に出る。トークン単価の高さは、この判断力による工数削減で相殺できる案件でしか回収できない。
> 1本8,000字記事の実測比較表
enwell-lab 編集部の実測。Fable 5 のみ本記事の生成過程で計測、他3モデルは同条件で過去に実行した社内サンプル（各1本）を基準にしている。統計サンプルとしては小さく、傾向確認の一次資料として読んでほしい。
| モデル | 入力/出力単価 | コンテキスト | 速度目安 | 1本の想定コスト |
|---|---|---|---|---|
| Claude Sonnet 4.6 | $3 / $15 | 1M | 公表 60-80 tok/s | 約 $0.30 |
| GPT-4o | $2.50 / $10 | 128K | 116.9 tok/s | 約 $0.22 |
| Gemini 2.5 Pro | $1.25 / $10 | 1M | 公表 100 tok/s 前後 | 約 $0.16 |
| Claude Fable 5 | $10 / $50 | 1M | Sonnet より低速 | 約 $1.20 |
1本想定コストは、入力 5,000 tok、出力 15,000 tok（日本語 8,000字 ≒ 12,000〜16,000 tok）を条件にした概算。キャッシュ・バッチ割引は含めていない。為替は 1 USD = 155円レンジで換算するとイメージしやすい。
> 使い分けチャート（用途別）
- 量産系ブログ・SEO 記事（月20本以上）：Gemini 2.5 Pro を第一候補に。単価が最も安く、H2 骨子作成もこなせる。
- 実務原稿・顧客提出物：Claude Sonnet 4.6。日本語の破綻確率が最も低い。
- 画像・PDF から表と本文を抽出：GPT-4o。マルチモーダル入力の実績が厚い。
- リサーチから公開まで自走させる長時間タスク：Claude Fable 5。単価は高いが、途中判断の質でトータル工数を回収できる場面がある。
> ハイブリッド運用の実際
編集部の実運用では、単一モデルで完結させるより、工程ごとにモデルを切り替えるハイブリッド構成の方が総合コストが下がる場面が多い。典型パターンは3つ。
パターンA（量産SEO）：Gemini 2.5 Pro で骨子＋初稿→Sonnet 4.6 で日本語リライト→GPT-4o で JSON メタデータ生成。1本あたり $0.50 レンジ、レビュー時間 20分前後。
パターンB（顧客提出物）：Sonnet 4.6 単体で初稿→人間レビュー→Sonnet 4.6 で反映修正。1本あたり $0.60 レンジ、レビュー時間 40分前後。
パターンC（長時間自律タスク）：Fable 5 で全工程自走→人間は完了物の受け入れ検査のみ。1本あたり $1.20 レンジ、レビュー時間 10分前後。
> 導入時の注意点
単価はすべて米ドル建てで、為替で実効コストが月ごとに変動する。加えて、バッチ処理・プロンプトキャッシュ・レート制限は各社で仕様が異なり、額面単価だけの比較は実運用と乖離しやすい。
もう1点、ベンチマークスコア（Chatbot Arena、Artificial Analysis）は英語タスクを含むため、日本語記事執筆の実体感とは必ずしも一致しない。社内で 3〜5 本サンプル生成し、レビュー時間まで含めた「1本あたりの人件費＋API 費」を測るのが確実だ。
データ所在地（リージョン）と PII 取り扱いも押さえておきたい。Anthropic は US/EU リージョン、OpenAI は Data Zones 経由で日本を含む地域指定が可能、Google Vertex AI は東京リージョンに対応。日本語顧客データを扱う BPO・受託ライティング用途では、規約と併せて要確認だ。
レート制限は分あたりのトークン数（TPM）で管理されるのが標準。Sonnet 4.6 は Tier 4 でおよそ 200万 TPM、GPT-4o は Tier 5 で 3,000万 TPM、Gemini 2.5 Pro は Tier 1 で 2万 RPM 前後。量産パイプラインで一気に流し込むと Sonnet 側でスロットリングされやすいので、キューを分けるか Batch API を使う。
enwell-lab 編集部の記事執筆・検証の考え方は 編集方針 と 運営者情報 にまとめている。
> FAQ
Q1. 4モデルのうち、どれから触ればよいか？
日本語の記事執筆から入るなら Claude Sonnet 4.6。API を触ったことがない場合でも管理画面が軽く、単価と品質のバランスが最も取りやすい。
Q2. GPT-4o は今から触っても意味があるか？
新規パイプラインなら GPT-4.1 か GPT-5.x を検討する方が良い。既存の画像入力ワークフローが 4o で動いているなら、無理に移行しなくても実用性は残る。
Q3. Gemini 2.5 Pro の 200K 超過時 2倍課金はどれくらい効くか？
競合記事20〜30本を一括投入するリサーチ用途ではすぐに 200K を超える。事前にトークン数を見積もり、超過が読める案件は Sonnet 4.6 に振り分ける運用が安全。
Q4. Fable 5 の単価はどう回収するか？
1回のセッションで「リサーチ→原稿→WordPress 公開」まで人間の再介入なしで走らせる案件では、外注ライター＋編集者の工数と比較して判断する。単価の絶対値ではなく、代替工数との差分で見るのが現実的。
Q5. 記事執筆に使えないモデルはあるか？
本記事のスコープでは全4モデルが実用ラインに乗る。除外候補になるのは、Chatbot Arena 上位でも日本語データが薄いオープンソース系（Kimi K3 など）。日本語校正コストが跳ねる傾向があり、月次のトータル工数で計算し直すと商用ラインに乗らない。日本語運用を前提にするなら、まずは本記事の4モデルから触るのが安全だ。
> 参考文献
- Anthropic: Introducing Claude Sonnet 4.6
- Claude Platform Docs: Pricing
- Anthropic: Claude Fable
- OpenAI API Pricing
- Google AI: Gemini API Pricing
- Artificial Analysis: Gemini 2.5 Pro
- Chatbot Arena (LMArena)
次の検証記事へ AIツール比較・検証カテゴリ
コメントを残す