Claude Opus 5で何が変わった？向く仕事・向かない仕事を業務別に整理

2026年7月に公開されたClaude Opus 5は、複雑な調査、既存システムの改修、データ分析など、複数の手順をまたぐ仕事を支援する上位AIモデルです。仕様の変化だけでなく、任せるべき業務と人が確認すべき地点を、実務目線で整理します。

Claude Opus 5は「複雑な仕事を最後まで進める」ためのモデル

Anthropicは2026年7月24日、Claude Opus 5を公開しました。公式ドキュメントでは、複雑なエージェント型コーディングと企業業務に向くモデルとして位置付けられています。ここでいうエージェント型とは、質問に一度答えるだけでなく、必要な資料やファイルを確認し、ツールを使い、途中の結果を見直しながら複数の作業を進める使い方です。短い文章を素早く作るだけでなく、前提が多い調査、複数ファイルにまたがる修正、原因が見えにくい不具合の切り分けなど、途中で判断や確認が必要になる仕事で力を発揮しやすいモデルです。

何が変わったのか

Opus 4.8と同じAPI料金で、上位の推論・長時間作業を強化

API料金は、前世代のClaude Opus 4.8と同じです。標準価格は入力100万トークンあたり5ドル、出力100万トークンあたり25ドルです。単純な定型作業に上位モデルを常用する理由にはなりません。一方で、やり直しや手戻りが多い業務では、複雑な条件を扱えるモデルを使う価値があります。単価ではなく、確認回数や修正回数まで含めて判断することが重要です。

100万トークンのコンテキストを標準で利用できる

Claude Opus 5は、最大100万トークンのコンテキストウィンドウを備えています。コンテキストとは、AIが1回の作業の中で参照できる会話、資料、コードなどの情報量です。仕様書、既存の実装、問い合わせ履歴、調査メモを分けずに渡し、矛盾点や確認事項を洗い出すような仕事に向きます。ただし、重要な前提や判断基準は、資料の中に埋めず、依頼文でも明示した方が安定します。

Thinkingが標準で有効になり、思考量を調整できる

Claude Opus 5では、モデルが必要に応じて考える処理を行うThinkingが標準で有効です。API利用では、Effortをlow、medium、high、xhigh、maxから選び、品質と速度、トークン消費のバランスを調整できます。日常的な調査やコードレビューでは標準のhighから試し、品質が保てる仕事は低い設定に下げる、難しい設計検討や原因調査だけ上げる、という使い分けが現実的です。

Fable 5・Opus 5・Sonnet 5の使い分け

Claude 5系は、すべての業務を最上位モデルへ寄せるより、仕事の難しさと実行時間で分ける方が現実的です。Anthropicの公式ドキュメントでは、Fable 5は長時間動作するエージェント向けの最上位モデル、Opus 5は複雑なエージェント型コーディングと企業業務向け、Sonnet 5は速度と性能のバランスを重視するモデルと位置付けられています。

Fable 5が向く仕事

複数のサブタスクを長時間にわたって進める、大規模な自律エージェントです。設計、実装、検証、修正をまたぐ仕事で、最優先が処理時間や単価ではなく、利用可能な中で最も高い能力である場合に検討します。日常的な問い合わせ対応や単発の資料作成に常用するより、失敗時の影響が大きく、分解しにくい業務へ限定する方が妥当です。

Opus 5が向く仕事

複雑な既存コードの改修、根本原因を追う不具合調査、複数資料を横断する分析、ツールを使った業務自動化の試作です。Fable 5ほどの最上位能力が常に必要ではない一方、軽量モデルでは手戻りが増えやすい仕事に適しています。

Sonnet 5が向く仕事

日常的なコード作成、仕様のたたき台、文章の下書き、要約、分類、短い調査など、応答速度とコストを重視する反復作業です。まずSonnet 5で試し、要件の曖昧さ、対象範囲、検証回数が増えたときにOpus 5へ切り替える運用が分かりやすいでしょう。日々の一次整理はSonnet 5、複雑な案件の調査・実装・検証はOpus 5、長時間の自律エージェントが必要な限定案件はFable 5、という構成です。実際の品質、処理時間、費用は小規模な検証で確認してから対象を広げることをおすすめします。

特に向く5つの用途

1. 既存システムの複雑な改修

複数ファイルにまたがる機能追加、リファクタリング、依存関係の確認などです。影響範囲を調べ、修正後にテストする流れが必要な仕事ほど適性があります。変更の適用前には、人が差分とテスト結果を確認する工程を残すべきです。

2. 原因がすぐに分からない不具合調査

エラー内容、ログ、関連コード、直近の変更履歴を横断し、仮説を立てて検証する仕事です。再現条件、期待する動作、変更してよい範囲を明確にして依頼すると、不要な修正を減らせます。

3. 複数資料を横断する調査と要件整理

議事録、顧客からの要望、既存仕様、競合情報などを読み、論点を整理する仕事です。決まっていること、未決定なこと、追加で確認すべきことを分ける用途に向いています。出典や確認日が重要な調査では、一次情報へのリンクを残して人が確認する流れを組み込みます。

4. 表計算・文書・データを含む分析と資料作成

数値の傾向を読み、説明の骨子を作り、資料として整える仕事です。計算式、対象期間、除外条件を出力させて検算できるようにします。重要な経営判断や契約判断では、AIは下調べと論点整理の担当に留め、最終判断は担当者が行う設計が必要です。

5. 複数ツールをまたぐ業務自動化の試作

ファイルを読み、必要な情報を抽出し、別のシステムへ登録する、といった複数工程の自動化です。対象を限定した試作から始める用途に向いています。登録・送信・削除など戻しにくい操作には、承認画面や確認待ちの工程を設けましょう。

向かない、または使い分けたい用途

定型メールの下書き、短い告知文、分類だけを行う処理、即時性が最優先の大量処理は、より軽量なモデルや既存のルールベース処理の方が適する場合があります。結果を人が確認できない完全自律の業務にも注意が必要です。AIが途中で検証する能力が高まっても、業務ルール、権限、顧客への影響を理解して最終責任を負うわけではありません。

導入前に決めるべき3つのこと

AIに渡す範囲を決める個人情報、顧客情報、社外秘の資料を扱うなら、利用するサービスの契約内容、データの取り扱い、アクセス権限を事前に確認します。人が確認する地点を決める調査結果の採用、見積の確定、外部への送信、システムへの反映など、影響が大きい地点には人の承認を置きます。小さな業務で効果を測る対象業務を1つに絞り、作業時間、修正回数、見落とし、確認にかかる時間を導入前後で比べます。自社の仕事で手戻りが減るかを確かめる方が、導入判断には有効です。

まとめ：モデル選びより、任せる仕事の切り分けが重要

Claude Opus 5は、複雑な調査、既存システムの改修、原因調査、複数ツールを使う業務自動化などに向く上位モデルです。特に、途中の確認と修正が欠かせない仕事で導入価値を検討しやすいでしょう。まずは、手戻りが多い業務や、情報を横断して判断する業務を1つ選び、人の確認を残した小規模な試作から始めることをおすすめします。同様の業務を自動化したい場合や、自社の運用に合わせた構成を検討したい場合は、ココナラのメッセージからご相談ください。