全員が4番打者では、強いチームにならない——「最強モデル」を追うのをやめよう

セキュリティ企業 Aikido が、鋭いブログを出した。

タイトルは「Move over, Mythos.」。要点はこうだ——どのモデルを使うかより、モデルを動かすハーネスの方が重要だ。

（出典：https://www.aikido.dev/blog/mythos-vs-harness ）

この指摘は、セキュリティの中だけの話ではない。業務への AI 適用、全般に効く。 この記事は、それを受けて書いている。

全員が4番打者では勝てない

たとえるなら、野球だ。

「最強モデルさえ使えばよい」という発想は、全員を4番打者で揃えようとする野球に近い。 確かに、強打者は強い。だが、全員がホームランを狙うチームは、強いチームにはならない。

強いチームには、役割がある。

出塁する1番。 つなぐ2番。 打ち込むクリーンナップ。 守備の名手。 抑えの投手。

役割の違う選手がかみ合って、初めて勝てる。

ハーネスも、これと同じだ。 ハーネスとは、オーケストレーション——指揮と役割分担のことだ。

得手不得手の違う複数の LLM を、役割ごとに配置して共同作業させる。 深い推論をやるモデル。広く速く洗い出すモデル。検証専門のモデル。 小さいものから大きいものまで、それぞれに得意な仕事を割り振る。

そして、選手どうし・ベンチ・球場をつなぐサインや情報共有——それにあたるのが MCP だ。 モデルどうしを、そしてモデルと実システム・データをつなぐ。

一人のスターより、役割分担したチームの方が強い。 AI も同じだ。

多くの人が、ここを取り違えている。

Mythos は強い。でも銀の弾丸じゃない

まず事実から。

Mythos はトップクラスのモデルだ。 ただし、他のフロンティアモデルを圧倒しているわけではない。

英国 AI Security Institute（AISI）は、GPT-5.5 が Claude Mythos Preview と同等級のサイバー能力を示したと評価した。

32手順の企業ネットワーク侵入シミュレーション「The Last Ones」では—— Mythos Preview が10回中3回成功（史上初の達成）。 GPT-5.5 が10回中2回成功（2例目）。 端から端まで解けたのは、この2モデルだけだ。

また一部報道では、最難関「Expert」タスクの平均で GPT-5.5 が 71.4%、Mythos Preview が 68.6% とされている。 いずれにせよ、差は「別次元」と呼ぶほど大きくない。

cURL の事例も象徴的だ。

Mythos が cURL に対して「5件の脆弱性」を報告した。 だがメンテナ側が精査すると、本物は1件だけ。残りは誤検知、またはセキュリティと直接関係しない通常バグだった。

単体のモデルを賢くしても、それだけで全部が解けるわけではない。

ハーネス＝オーケストレーション。MCP＝神経網

ハーネスとは、モデルを取り囲む orchestration 層だ。

どの agent をいつ走らせるか。 どんな context を渡すか。 結果をどう検証するか。 いつ強いモデルにエスカレーションするか。

このロジック全体を指す。 モデルは、その中の一部品にすぎない。

肝は、役割分担だ。 一人の天才に全部やらせない。得意なモデルに、得意な仕事を割り振る。

深い推論は強いモデル。 広い洗い出しは安いモデル。 検証は別のモデル。 到達性の確認はさらに別の手順。

1番から4番まで、役割の違う打者がかみ合うイメージだ。小さいものから大きいものまで、だ。

ハーネスは、LLM の非決定性も逆手に取る。 毎回少しずつ違う結果が出る。だから複数の agent を並列で走らせ、網羅率を上げる。

どの agent も 100% は見つけない。 その前提で組む。

典型的には、こういう段構成になる。

• Recon：リポジトリを読み、タスクキューを作る
• Hunt：多数の agent が並列で探す
• Validation：独立した agent が、結果を否定しにいく
• Tracing：攻撃者入力が本当に到達するか追う
• Dedup：同じ根本原因をまとめる

そして、これを成立させるのが MCP だ。

MCP は神経網だ。 ツール、DB、外部 API、社内システムをつなぐ。

配線がなければ、どんな脳も孤立する。 神経をきちんと張れば、複数のモデルはチームとして動ける。

精度は、単体モデルの賢さだけから出るのではない。 役割分担されたチームと、それをつなぐ神経から出てくる。

ハーネスはモデルより効く

ここが重要だ。

強いハーネスを作ると、モデルは交換可能な部品になる。

Aikido の記事では、同じモデルでもハーネスを変えるだけで結果が大きく変わること、また Niels Provos が自作ハーネスにオープンウェイトモデル GLM 5.1 を差し替えても同等の結果を出したことが紹介されている。

つまり、競争力の源泉は「どのモデルを使っているか」だけではない。

むしろ—— どう分解するか。 どう並列化するか。 どう検証するか。 どう再利用するか。 どうデータにつなぐか。

ここに差が出る。

モデル選びで消耗しているチームは、最適化する変数を間違えている可能性がある。

安いモデル × 数で勝てる

経済性も無視できない。

高いモデルを1回だけ回すより、安いモデルを複数回・複数視点で回した方が、結果が良いことがある。

安いモデルは誤検知が増える。 だが脆弱性探索では、まず「取りこぼさない」ことが重要になる。

広く拾う。 Validation で潰す。 Tracing で到達性を見る。 Dedup でまとめる。

この構造にすれば、ノイズは処理できる。 すべてをフロンティアモデルに投げるより、はるかに持続可能だ。

ここでも野球と同じだ。1番2番が出塁してつなぐから、クリーンナップが活きる。

本当の差別化は「データの溜め方」

ここまではセキュリティの話。 だが、この構図は業務 AI 全般にも効く。

脆弱性探索には、特殊な強みがある。 正解をその場で検証しやすい。

PoC が通るか。 攻撃者入力が到達するか。 クラッシュするか。 再現できるか。

だから Validation agent が成立する。

しかし、業務 AI は違う。

たとえば人材と案件のマッチング。 良いマッチかどうかは、その場では分からない。

提案した。 面談に進んだ。 参画した。 定着した。 継続した。 評価が高かった。

ここまで追って、初めて正解に近づく。

だから業務 AI の精度は、プロンプトだけでは上がらない。 モデルを少し賢くしても限界がある。

本体になるのは、結果ラベルの付いた履歴データを、構造化して溜める設計だ。

「どの項目に重み付けするか」は、よく議論される。 だが、それは表層のチューニングにすぎない。

本当に効くのは二つ。 パイプラインの段組み。 そして、データの品質。

将来、精度を上げたいなら、賢いモデル探しだけに投資してはいけない。 結果が後から紐づくデータ設計に投資すべきだ。

まとめ

Mythos は、AI に何ができるかを全員に突きつけた。 それは確かに面白い瞬間だった。

だが、単一モデルに縛られたベンダーは、その1つを完璧にし続けるしかない。

ベンダー非依存なら、タスクごとに道具を選べる。 軽いモデルで広く洗い出し、強いモデルで深掘りする。 別のモデルで検証し、MCP で実システムとつなぐ。 その履歴を自社データとして溜める。

要するに——

スター選手は交換できる。チームの組み方と、それを支える神経網とデータは、積み上げるしかない。

モデルを追うな。 チームを組め（ハーネス）。 神経を張れ（MCP）。 そして、データを溜めろ。