Claude 3階層設計で分ける読者距離 — タグ抽出まで最上位で回して月末が破裂した副業AI運用

「Claude Codeに全部任せていたら、月末のダッシュボードで目玉が飛び出た」——AI副業を回し始めた人が、遅かれ早かれぶつかる場面だ。自分はフリーランスエンジニアで、副業でnoteとブログを回す小さな運用システムを自作している。上位モデル一択で走らせていた頃は、動きは確かに賢かった。ただ成果に対してコストが釣り合わない。ここを整理せずに走ると、稼ぐ前に垂れ流しで終わる。

答えは単純で、「全部を最高モデルにやらせない」設計に切り替えるだけだ。読者に直接触れる文章生成には上位モデルを残し、分類・抽出・タグ付けのような機械作業は安いモデルに任せる。この階層化を導入してから、動きの質を落とさずに毎月のダッシュボードが軽くなった。DeepSeekが出した新しい安価モデルのニュースを見て、この設計が副業でAIを回している人にも十分刺さる材料になったと感じたので、実装の考え方を残しておく。

毎回同じモデルに課金して、副業のコストが膨らんでいた
DeepSeekの新型が示した『安いモデルでも上位モデルに肉薄する』という事実
タスクごとにモデルを階層化して、コストと成果を両立させた設計
1. 『読者に直接触れる』作業だけ高性能モデルに残す
2. 分類・抽出のような機械的な作業は安いモデルに任せる
モデル選びを『性能の最大値』でなく『タスクの必要十分』で決める
まとめ
参考
【PR】フリーランスエンジニアにおすすめのツール
【PR】おすすめの書籍
1. あわせて読みたい

毎回同じモデルに課金して、副業のコストが膨らんでいた

副業のAI運用を始めて最初にやりがちなのが、「とりあえず一番賢いモデル」を全部の処理に使うやり方だ。自分もそこから入った。理由は単純で、細かく分けるのが面倒だからだ。処理ごとにモデルを分岐させると、コードにも設定にも意思決定にも余計な負担が乗る。だから「一番強いやつでいいでしょ」で全部流す。動く。動くけど、毎月のコストが右肩上がりに伸びる。

自分の運用では、記事の下書き生成、タイトル決め、品質チェック、タグ抽出、画像プロンプト生成、SNS用の短文生成、ネタの分類など、まったく性質の違う処理が数十種類走っている。どれもAIが担当している。ここを全部同じ高性能モデルで回すと、「タグを3個抽出するだけの処理」まで最上位モデルが動く。タグ抽出は、正直、賢さより速さと安さの方が価値がある処理だ。

考えてみれば、人間のチームでも似た構造がある。編集長がやるべき仕事と、アルバイトに頼んでいい仕事は違う。それを全部編集長にやらせたら、月末の給与明細が壊れる。AIも同じで、モデルの階層を人間の職能に見立てて分けるのが自然な発想だった。ただ、この分岐を自力で全部設計するには「どのモデルなら何ができるか」の相場観がいる。ここが揃わないと踏み切れない。

DeepSeekの新型が示した『安いモデルでも上位モデルに肉薄する』という事実

その相場観を更新してくれたのが、DeepSeek(開発元: DeepSeek)が2026年7月末に出したV4 Flashの「0731」アップデートだ。Artificial Analysis Intelligence Indexというベンチマークで50点を叩き出し、OpenAIの安価モデルGPT-5.6 Lunaにわずか1点差まで迫った。しかも1タスクあたりの費用はGPT-5.6 Lunaより約60%低いと元記事にある。前バージョンから10点跳ねた形で、消費トークン数は12%減っている。

数字だけ見ると「安いモデルの中の順位争いでしょ」と流されがちだが、実務的な意味は大きい。安価モデルの上位クラスが上位モデルの入門クラスに肉薄する構図になると、「機械的な処理は安価モデルに任せて問題ない」という判断がしやすくなる。DeepSeekはさらに、キャッシュ利用時の割引が98%と、繰り返し入力の割引としては異例に深い設計になっていて、同じ入力を繰り返す用途では効きが強い。副業で定型フロー(同じプロンプト骨格で毎日回す処理)を組んでいる人には、ここが効く話になる。

さらに、実務寄りのベンチマークGDPval(オフィス業務を模した複雑タスクの評価指標)でEloスコアが1189から1559まで上がったと元記事にある。エージェント系タスクでの伸びが特に大きい、というのが元記事の指摘だ。総パラメータ2,840億でアクティブが130億、コンテキストウィンドウ100万トークン、モデルウェイトはHugging FaceでMITライセンス公開されている。自前でホストしたい層にも触れる形になっている。

ここで注意しておきたいのは、自分がDeepSeekをプロダクションで採用したという話をしているわけではない、という点だ。自分の運用ではClaude系の3階層を使っている。ただ、「上位モデルに全部投げる時代は終わりつつある」という感触を、DeepSeekの更新は分かりやすく可視化してくれた。ベンチマーク差1点で約60%安いという構図は、それ自体が設計判断の材料になる。

タスクごとにモデルを階層化して、コストと成果を両立させた設計

自分の運用では、Claude系のモデルを3段階に分けている。上から順に、上位モデル・中位モデル・下位モデルだ。この3階層を「読者に届く距離」で振り分けている。読者の目に直接入る文章は上位モデル、その手前の品質判定やSNS向け短文は中位モデル、機械的な抽出・分類は下位モデル。分け方の軸を「モデルの性能で比べる」ではなく「タスクの必要十分」に置いたのが、自分の中では一番大きい転換だった。

『読者に直接触れる』作業だけ高性能モデルに残す

読者に読まれる本文、タイトル、有料パートの本文、リライトの4つは、上位モデルに残している。ここは1文の質が読了率と収益に直結する。安価モデルで書かせて「なんとなく読める文章」を量産すると、読者は途中で離脱する。離脱すればアフィリエイトも有料販売も生まれない。ここで削るコストは、成果側から見ると赤字を生むタイプの節約だ。

具体例を挙げると、有料記事の本文生成を試験的に安価モデルへ切り替えた時、自分が読み返して「文の入り方が浅い」と感じる場面が増えた。深掘りの手前で1段落が終わってしまう。上位モデルは同じプロンプトでも、もう1段深く踏み込む。この差は、読者に「読み進める価値がある」と思わせられるかどうかの分かれ目になる。上位モデルはここに温存する、という線引きが自分の中で固まった。

分類・抽出のような機械的な作業は安いモデルに任せる

一方で、記事の分類、タグ抽出、トレンド抽出、エピソード分類、画像生成用の英語プロンプト生成、ネタの一次スコアリングのような処理は、全部安価モデルに落としている。これらは「読者の目に直接入らない」処理だ。分類の精度が数%変わっても、読者は気づかない。ここに上位モデルを使う理由がない。

副業でAI運用を組んでいる人なら経験があると思うが、こういう機械的な処理は「1日に何百回」の単位で走る。1回あたりのコスト差が小さくても、月末には桁が変わって効いてくる。ここを安価モデルに寄せるだけで、上位モデル使用のコスト増分を丸ごと吸収できる場面も多い。DeepSeekのニュースが示したのは、この「機械的な処理は安価モデルで十分」という判断の後押しだ。安価モデルの実力が数字で見える形で伸びれば、階層化を怠っていた運用ほど、見直す価値が跳ね上がる。

モデル選びを『性能の最大値』でなく『タスクの必要十分』で決める

副業でAIを回して稼ぎに繋げたいなら、モデル選びの軸を「最強を選ぶ」から「タスクに必要十分な最安を選ぶ」にずらすのが早い。最強モデルは万能だが、万能を全処理に使うのは、家庭料理を全部三ツ星シェフに頼むようなものだ。カレー用の玉ねぎを切るのに三ツ星は要らない。

判断の順番はこうだ。まず処理ごとに「これは読者に届くか、内部処理か」を分ける。読者に届くものは上位モデル、届かないものは安価モデルへ。次に、上位モデルに残した処理の中でも「本当にここまでの賢さが必要か」を1件ずつ疑う。品質チェックのように「Aと比較してBを判定する」タイプの処理は、中位モデルで十分な場合が多い。中位を「計測器」として固定しておくと、上位モデルを差し込んだ効果が数字で見えるようになる、というおまけもある。

DeepSeekのような選択肢が増えることの本当の意味は、「Claude以外を使え」ではなく、「モデルは階層で選ぶのが当たり前になる」という空気の変化だと自分は捉えている。API主体で運用している副業層なら、Anthropic・OpenAI・DeepSeek・Google系を必要に応じて組み合わせて使うのは、もう普通の設計だ。1社に全部預ける必要はない。稼ぎを残すためには、この階層化の発想が入っているかどうかで、月末のダッシュボードの見え方がガラッと変わる。