Claude Opus 5やGPT-5.6の登場とエージェント開発のセキュリティ対策

AIモデルの進化に伴い、開発コストの削減とエージェントの自律性が高まっています。Anthropicは高性能なClaude Opus 5を半額で提供開始し、OpenAIはGPT-5.6シリーズの大幅な値下げを発表しました。一方で、AIが生成したコードの脆弱性や、エージェントによる秘密情報の漏洩リスクへの対策が不可欠となっています。本記事では、最新モデルの移行ポイントと、安全な運用のための実装知見を整理します。

Claude Opus 5のリリースと移行時の注意点

Anthropicは、Fable 5級 of 性能を半額のコストで実現した「Claude Opus 5」を一般提供開始しました。価格はOpus 4.8据え置き（入力$5/出力$25 per 1M tokens）で、Fable 5比で半額のコスト効率を誇ります。effortダイヤルによりインテリジェンスとトークン効率のバランスを細かく調整可能で、CursorBench 3.2ではFable 5のピークスコアに肉薄しています。さらに、自動行動監査でアライメントスコア2.3を記録し、高い安全性を備えています。

API移行時には、thinking省略時の挙動変化に注意が必要です。Opus 5ではアダプティブ思考がデフォルトで有効になるため、思考なし前提でmax_tokensを低く設定していたワークロードは出力が途中で切れる可能性があります。また、thinking: disabledとeffort: xhighまたはmaxの組み合わせは400エラーになります。xhighやmaxを使用する場合は、max_tokensを64K以上に設定することが推奨されます。

その他の仕様として、temperatureやtop_pなどのサンプリングパラメータは非対応であり、指定すると400エラーになります。また、Opus 4.8で利用可能だったPriority Tierは非対応となったため、優先処理が必要な場合は注意が必要です。新トークナイザーの導入によりトークン数が変化する可能性があるため、移行前にトークン数の再計測とコスト試算の更新を行うことが推奨されます。

出典: 【2026年7月】Claude Opus 5がリリース！Fable 5級の性能を半額で・API変更点まとめ

GPT-5.6シリーズの値下げとFast modeの導入

OpenAIは、GPT-5.6 Lunaを80%値下げし、GPT-5.6 Terraを20%値下げして提供を開始しました。新たなAPI価格は、Terraが入力$2/出力$12 per 1M tokens、Lunaが入力$0.20/出力$1.20 per 1M tokensとなります。Lunaは前世代のフロンティア級モデルと同等の性能を極めて低いコストで提供し、マルチステップのワークフローを大規模に実行する用途に適しています。

APIにおいて、従来のPriority Processingに代わる「Fast mode」が新たに導入されました。GPT-5.6 Sol向けに提供されるFast modeは、標準処理の2倍の価格で最大2.5倍高速なパフォーマンスを実現します。既存のpriorityタグが付いたリクエストは自動的にFast modeへ移行されるため、互換性を保ちながら応答速度を向上させることが可能です。これにより、速度が重視される重要な業務の効率化が図れます。

これらの効率化とコスト削減は、GPT-5.6 Sol自身が自律的に開発プロセスを改善した成果によるものです。Solは人間が主導するプロセスの中で、プロダクションカーネルの最適化やトークン生成効率を向上させる実験を自律的に実行しました。この取り組みにより、モデル提供のインフラコストが20%削減され、トークン生成効率が15%以上向上し、ユーザーへの値下げとして還元されています。

出典: Advancing the price-performance frontier with GPT-5.6

AI生成コードにおける決済処理のセキュリティ脆弱性

AIエージェントに実装を任せたStripeのサブスク課金機能において、セキュリティ監査によりHighレベルの脆弱性が6件検出されました。具体的には、カード支払いが失敗しても有料機能が使えたままになる判定処理の不備や、環境変数の未設定時にWebhookの署名検証が無効化される問題が確認されました。これにより、偽の決済完了通知を送るだけで任意のアカウントを無償で有料プランに昇格できる状態でした。

この脆弱性が発生した原因は、AIが正常系（ハッピーパス）のコードのみを正しく実装し、異常系の設計を怠っていたことにあります。支払停止や通知遅延、退会処理といった「うまくいかなかった後」の振る舞いに穴が集中していました。開発時のテストはすべて正常系のみで構成されていたため、テスト結果が緑色であってもこれらの深刻な欠陥を検知できていませんでした。テストが通っていることへの過信が、欠陥を見落とす要因となります。

開発者が得るべき教訓は、動くコードが速く手に入ることと、異常時に安全に動作することは別であるという点です。金銭が絡む決済などの領域では、異常系の設計やテストを網羅する工程を省略することはできません。監査後に修正を重ねた結果、テスト件数は54件から86件に増加しており、AIの生成物を過信せず、厳密な検証プロセスを組み込むことが不可欠です。動くことの先にある、壊れたときの安全設計が運用の成否を分けます。

出典: AIに作らせたStripeのサブスク課金、監査したらHighが6件出た話

MCP Python SDK 2.0移行時の実装上の罠と対策

MCP Python SDK 2.0への移行において、デコレータの使用によりツールの引数スキーマが破損する不具合が発生します。SDK 2.0ではMCPServerと@server.tool()を使用する設計に変更され、ツール関数の型ヒントから入力スキーマが自動生成されるようになりました。これにより、従来のlist_toolsやcall_toolを自前で実装する必要がなくなっています。しかし、この自動生成の仕組みが新たな罠を生む原因となります。

共通の例外処理などを実装するためにツール関数をデコレータで包むと、関数の型ヒントが失われてしまいます。デコレータのラッパー関数のシグネチャが(*args, **kwargs)になるため、SDKはこれを忠実にスキーマ化します。その結果、ツールの引数がすべてargsとkwargsになり、呼び出し側から必要な引数が見えなくなる問題が、エラーや警告なしに発生します。サーバーの起動や接続は成功するため、実際に呼び出すまで気づけません。

この問題を防ぐには、デコレータにfunctools.wrapsを付与して元の関数のシグネチャを正しく引き継ぐ必要があります。また、ツールの引数スキーマが潰れていないかをinspectモジュールで自己診断するチェック処理を検証項目に入れることが有効です。さらに、数値の集計処理などはLLMに生データを渡して計算させるのではなく、サーバー側で確定させて結果を返す設計が安全です。

出典: MCP Python SDK 2.0 で自作サーバーが壊れた2つの原因（型ヒントが *args に潰れる話）

AIエージェントから秘密情報を守るための権限管理

AIエージェントにAPIキーなどの秘密情報を扱わせる際、1Password参照（op run）を用いるだけでは漏洩を防げません。op runはディスク上の実値を消す保存時の対策（at-rest対策）にはなりますが、シェルを実行できるエージェントに対しては無力です。エージェントが環境変数を覗いたり、op readコマンドを実行したりすることで、結局は秘密情報を直接取得できてしまいます。保存場所をきれいにしても、引ける経路が残っていれば意味がありません。

本質的な対策として、秘密情報をエージェントの文脈に載せないために、MCPなどのブローカを介してアクセスすることが有効です。例えば、Google Driveなどの操作をMCPサーバー経由で行うことで、エージェントは生値のトークンに触れることなく関数を呼び出せます。さらに、Claude Codeのpermissions.deny設定に「Read(/.secrets/)」や「Read(**/.env)」などを指定し、物理的にアクセスを遮断します。

設定時の注意点として、defaultModeをbypassPermissionsに設定している場合、ask（確認）設定はすべて素通しになります。そのため、本当に保護したい秘密情報は、bypass下でも有効なdeny設定に明記する必要があります。エージェントに秘密を渡す際は、保存場所の議論だけでなく、エージェントが生値を引ける経路を確実に塞ぐ設計が求められます。危険なコマンドを弾くフック側での対策も併せて検討することが推奨されます。

出典: AIエージェントに秘密を触らせない。op run だけでは足りなかった

この日の動きをどう見るか

AIモデルの性能向上と大幅な低価格化（Claude Opus 5やGPT-5.6の値下げ）により、複数のモデルやツールを動的に組み合わせた高度なAIエージェントの構築が実用的なコストで可能になっています。特に、タスクの難易度や緊急度に応じて、GPT-5.6 Solで計画を立て、Lunaで実装やテストを行うといった、ステップごとのモデルの使い分けが現実的な選択肢となっています。これにより、開発コストを抑えつつ、高度な自律的ワークフローを実現できます。

一方で、AIの生成コードに潜む異常系の設計漏れや、エージェントがシェルを実行することによる秘密情報の漏洩リスクなど、運用面での安全性の確保が新たな課題となっています。開発者は、モデルの進化を享受しつつ、適切な権限管理や厳密なテスト、スキーマ検証などの実装知見を組み合わせてシステムを保護する必要があります。ツールやモデルを単に導入するだけでなく、壊れたときに安全に倒れる設計を人間が担保することが、今後のAI開発において極めて重要です。