--- title: モデル description: 'Orchestor で利用可能な AI モデル (OpenAI, Anthropic, Google) の一覧と仕様。' public: true roles: - admin - board - product --- # モデル Orchestor は、適材適所で最適なモデルを自動選択、またはユーザーが指定して利用することができます。各モデルはコスト、速度、推論能力のバランスが異なり、タスクに応じて使い分けることが推奨されます。 Orchestor はデフォルトで「オートモード」が有効になっており、タスクの難易度に応じて最適なコストパフォーマンスのモデルを自動で選択します。 ## 利用可能なモデル Orchestor で現在利用可能なすべてのモデル一覧です。 ## モデルとは何か AI モデル（大規模言語モデル）は、会計業務を支援する「AI エンジン」です。それぞれ異なる特徴を持ち、タスクに応じて最適なモデルを選択することで、コストと品質のバランスを最適化できます。 ### モデルの種類 Orchestor では、以下のプロバイダーのモデルを利用できます。 GPT シリーズ。汎用的な推論能力が高く、会計判断から文書生成まで幅広く対応 Claude シリーズ。安全性と一貫性に優れ、複雑な税務判断に適している Gemini シリーズ。大規模なコンテキスト処理が得意で、長文の契約書や過去データの分析に有効 ### モデルの能力指標各モデルは以下の 3 つの能力で評価できます。 | 指標 | 説明 | 会計業務での重要性 | | :--- | :--- | :--- | | **推論能力** | 複雑な判断や論理的思考ができるか | 勘定科目の選択、税区分の判定、異常値の検知 | | **処理速度** | レスポンスがどれだけ速いか | リアルタイム処理、大量データの一括処理 | | **コスト** | 1 回の処理にかかる費用 | 月次処理のコスト最適化、スケール時の予算管理 | ## コンテキストウィンドウとはコンテキストウィンドウは、AI が一度に「記憶」できる情報量の上限です。会計業務では、過去の仕訳データ、勘定科目マスタ、税区分ルールなど、多くの情報を AI に参照させる必要があるため、この概念を理解することが重要です。 ### コンテキストウィンドウの例 | コンテキストサイズ | 目安 | 会計業務での例 | | :--- | :--- | :--- | | **128K トークン** | 約 10 万文字 | 過去 3 ヶ月分の仕訳データ、勘定科目マスタ | | **200K トークン** | 約 15 万文字 | 過去 6 ヶ月分の仕訳データ、複数顧問先のマスタ | | **1M トークン** | 約 75 万文字 | 過去 1 年分の全仕訳データ、契約書全文、税務資料 | ### なぜコンテキストが重要なのか会計業務では、AI が「過去の処理パターン」を参照することで、精度が大幅に向上します。 - **過去の仕訳データ**: 「この取引先はいつもこの勘定科目を使っている」というパターンを学習 - **勘定科目マスタ**: その会社で使われている科目のリストを参照し、勝手な科目を作らない - **税区分ルール**: 業種や取引先ごとの消費税区分を記憶し、一貫性を保つコンテキストウィンドウが大きいモデルほど、より多くの過去データを参照できるため、判断の精度が上がります。一方で、コンテキストが大きいほど処理コストも高くなるため、タスクに応じた選択が重要です。詳細は [コンテキストの重要性](/learn/context) を参照してください。 ## よくある質問通常はオートモードのままで問題ありません。以下の場合に手動指定を検討してください。 - **精度を最優先したい場合**: `gpt-5.1`、`gpt-5-pro`、`claude-opus-4-1-20250805` を指定 - **コストを最優先したい場合**: `gpt-4.1-mini`、`gpt-4.1-nano`、`claude-haiku-4-5-20251001` を指定 - **大量データを一括処理する場合**: `gemini-2.5-pro`、`gemini-3-pro-preview` など大規模コンテキストモデルを指定 Orchestor は RAG（Retrieval-Augmented Generation）技術を使用し、必要な情報だけを検索して AI に渡します。全データを一度に渡すのではなく、「今回の取引に関連しそうな過去の類似仕訳トップ 5」だけを瞬時に検索して参照するため、コンテキストウィンドウの制限を実質的に回避できます。詳細は [コンテキスト管理](/learn/context-management) を参照してください。モデルのコストは、入力トークン数と出力トークン数に基づいて計算されます。トークンは文字数に近い概念で、日本語の場合は 1 トークン ≈ 0.5 文字程度です。 - **入力トークン**: AI に渡す情報（証憑データ、過去の仕訳など） - **出力トークン**: AI が生成する情報（仕訳データ、分析結果など）高速モデル（`gpt-4.1-mini` など）は低コスト、高能力モデル（`gpt-5.1` など）は高コストです。オートモードを使用することで、タスクに応じて最適なコストパフォーマンスを実現できます。 Orchestor は以下の仕組みで精度を保証しています。 - **過去データの学習**: 過去の仕訳パターンを学習し、一貫性を保つ - **ルールベースの検証**: `.orchestorrules` で定義したルールに基づいて自動検証 - **監査ログ**: すべての判断プロセスを記録し、後から検証可能 - **人間による承認**: 重要な判断は必ず人間が承認するワークフロー詳細は [AI モデルの仕組み](/learn/models) を参照してください。 Orchestor は、主要プロバイダー（OpenAI、Anthropic、Google）が新モデルをリリースした際、迅速に統合します。新モデルの追加は、以下の基準で判断します。 - **推論能力の向上**: 既存モデルより精度が高いか - **コスト効率**: 同じ精度でより低コストか - **処理速度**: レスポンスが速いか - **会計業務への適合性**: 会計業務に特化した能力があるか新モデルの追加情報は、このページで随時更新します。