xAIは新しい大規模言語モデル「Grok 4.5」を投入した。コーディングエージェント向けの利用コストを最大80%削減しながら、フロンティアモデル並みの応答速度を実現した一方、第三者ベンチマーク機関Artificial Analysisの検証では、幻覚(ハルシネーション)の発生率が旧モデルの25%から54%へと倍増したことが明らかになった。
Grok 4.5とは何か
xAIが提供する最新の大規模言語モデルで、特に「コーディングエージェント」——人間の指示に基づきコードの生成・修正・テスト実行までを自律的に行うAIエージェントの頭脳部分——としての利用を想定して調整されている。
xAIの主張によれば、Grok 4.5をコーディングエージェントのバックエンドとして使った場合、従来モデル比で最大80%のコスト削減が可能で、応答速度も業界最速クラスのモデル群(いわゆる「フロンティアモデル」)に迫る水準に達しているという。
コスト8割減と引き換えの代償
Artificial Analysisは独立系のAIベンチマーク機関で、各社のモデルを共通基準で横並び評価していることで知られる。同社の検証では、Grok 4.5はタスクの正答率(accuracy)についても旧モデルの35%から52%へと大幅に向上したと報告されている。
一方で見過ごせないのが幻覚の発生率だ。同じ検証で、旧モデルの25%から54%へとほぼ倍増したことが確認されている。単に「間違える」だけでなく「自信満々に間違える」傾向が強まっている点が指摘されており、正答率の向上と幻覚率の悪化が同時に進行するという、やや異例のトレードオフとなっている。
実務への影響
日本のエンジニアやIT管理者にとって、この一件が示す教訓は明確だ。コーディングエージェントの導入コストは今後も下がり続ける可能性が高い一方、「速くて安いが、たまに自信満々に嘘をつくモデル」をどう安全に運用するかが、AIエージェント活用の実務上の課題になる。
具体的な対策としては以下が考えられる。
- 自動テスト・CIとの組み合わせを必須にする: コーディングエージェントが生成したコードは、人間のレビューだけでなくユニットテスト・統合テストを機械的に通過させる仕組みを作る。幻覚率が上がったモデルほど、この「検証ゲート」の重要性が増す
- 重要度に応じてモデルを使い分ける: コストが安いモデルを定型的なリファクタリングやボイラープレート生成に、精度が求められる設計判断やセキュリティ関連のコードには別モデルや人間のレビューを充てるといった、タスクの重要度に応じた使い分けが有効
- ベンチマークの数字を鵜呑みにしない: 正答率や幻覚率は測定条件に強く依存する。自社のユースケースで実際に試し、幻覚がどのパターンで起きやすいかを自分の目で確認するプロセスを省略しない
筆者の見解
筆者はふだんコーディングエージェントの中心にClaude Codeを据えて実務を回している立場だが、xAIやOpenAI、Googleを含め各社がコーディングエージェント向けにモデルを最適化し、価格競争を繰り広げていること自体は歓迎すべき流れだと考えている。コストが下がれば下がるほど、AIエージェントを気軽に、大量に使う選択肢が広がるからだ。
ただし今回のGrok 4.5の件が示すように、コスト削減と精度・信頼性はトレードオフになりやすい。コーディングエージェントの本質は人間の確認作業を減らすことにあるはずで、幻覚率が倍増したモデルは、たとえ処理コストが8割減っても、人間による検証コストがその分増えてしまっては本末転倒になりかねない。トークン単価だけを見て「安くなった」と評価するのではなく、検証コストも含めたトータルの運用コストで判断すべきだろう。
もう一つ強調したいのは、新モデルが出るたびに一喜一憂して追いかけ回す必要はないということだ。次々と登場する新モデルの性能比較を追いかけるより、自分が使い慣れたエージェント環境の中で、テストやCIを組み込んだ検証ループをどれだけ堅牢に作り込めるかの方が、実務上のリターンははるかに大きい。Grok 4.5のニュースも「このモデルに乗り換えるべきか」ではなく、「自分の開発フローの検証ゲートは、幻覚率が多少上下しても壊れない設計になっているか」を点検するきっかけとして受け止めるのがちょうどいい。
出典: この記事は Grok 4.5 Cuts Coding-Agent Cost 80%: Near-Frontier Speed, Higher Hallucinations の内容をもとに、筆者の見解を加えて独自に執筆したものです。