Fable 5とGPT-5.6 Solのワークフローがバイブコーディングを17時間のエージェント実行へと変える

Fable 5とGPT-5.6 Solは現在、1日16時間のコーディングと異例の長時間にわたる自律実行を軸とした、報告ベースのAI開発ワークフローの中核を担っている。ある中国人開発者の説明によると、Fable 5が計画を作成し、GPT-5.6 Solがそれに異議を唱え、Codexが修正された仕様を実行する。あるCodexセッションは17時間続いたと報告されている。

この説明が提示するのは、自然言語による指示とAI生成コードを通じてソフトウェアを構築するバイブコーディングを、さらに洗練させた形だ。この開発者は、1つのモデルにプロジェクト全体を処理させてはいない。その代わりに、アーキテクチャ計画、敵対的レビュー、実装を異なるシステムに分担させている。

この分業こそが本当の注目点だ。フロンティアモデルのプロバイダーは、自社製品を完全な協働相手として売り出す傾向を強めているが、この開発者は各モデルを、予測可能な弱点を持つ専門家として扱っている。Fable 5とGPT-5.6 Solのワークフローは、より良い結果は1つのモデルへの忠誠ではなく、構造化された意見の対立から生まれると想定している。

数字については注意が必要だ。報告された1日16時間の作業と17時間のCodex実行は、独立して再現された研究ではなく、ある1人のワークフローに関する説明に基づくものだ。これらが示すのは持久力と個人的な実践であり、検証済みの生産性やソフトウェア品質ではない。

それでも、この説明は有用なタイミングで登場した。Anthropicは2026年6月にClaude Fable 5をリリースし、OpenAIは7月9日にGPT-5.6 Solの一般提供を開始した。OpenAIはさらにCodexにゴールモードを導入し、開発者が長時間のエージェントタスクに対して成果と成功基準を正式に定義できるようにした。

これらのリリースによって、競争上の問いは変化する。開発者はもはや、あらゆるカテゴリーでどのモデルが勝つかを問う必要はない。どのモデルに計画させ、どのモデルに批判させ、最初のプロンプト後もどの環境に作業を継続させるべきかを問える。

Fable 5とGPT-5.6 Solのワークフローは1つの仕事を3つに分割する

報告されたワークフローは、ソフトウェア開発を3段階のシステムとして扱い、各段階をそれぞれ異なるモデルに担当させている。

第1段階はFable 5が担う。この開発者は、Anthropicのモデルについて、大規模で複雑なプロジェクトの初期設計を作成する能力が極めて高いと説明している。その設計には、アーキテクチャ、実装フェーズ、依存関係の選択、リスク領域、受け入れ基準などを含められる。

これは、コーディングタスクの一覧を求めるだけではない。有用なプロジェクト計画は、システム全体にわたる関係性を維持しなければならない。製品要件をデータ構造、インターフェース、テスト、マイグレーション、運用上の制約に結び付ける必要がある。

AnthropicはFable 5を、作業が長期化し複雑になるほど優位性が増すモデルとして位置付けている。同社の当初のFable 5リリースでは、ソフトウェアエンジニアリング、科学研究、ビジョン、ナレッジワークが強調されている。これらは企業側の主張ではあるが、この開発者が割り当てた役割とは一致している。

第2段階はGPT-5.6 Solが担う。開発者はすぐに実装を始めるのではなく、SolにFable 5の提案を検査し、誤りを探すよう求める。報告によると、Solは脆弱な前提、欠けているケース、非効率な選択を特定し、改善版を返す。

このレビューステップにより、一連のプロンプトが初歩的な品質管理ループへと変わる。第2のモデルが計画全体を一から作り直す必要はない。その役割は、第1のモデルの推論を攻め、未解決の問題を表面化させることだ。

この違いは重要だ。流暢に書かれた計画は、運用上の妥当性が確保される前から完成しているように見えることが多い。説得力のある用語を使った提案でも、認証境界、障害復旧、テストカバレッジ、マイグレーション時の動作を見落としている可能性がある。別のモデルなら、新鮮なコンテキストと異なるエラー傾向を提供できる。

第3段階はCodex内で行われる。レビュー済みの計画が実行仕様となり、ゴールモードによってエージェントに目標と明示的な成功条件が与えられる。OpenAIはゴールモードを、長時間のタスクを通じてCodexに成果へ向けた作業を継続させる方法だと説明している。

報告された17時間のセッションは、この説明の中でも特に目を引く部分だ。これは、開発者がその環境を信頼し、絶えずプロンプトを与えなくても、ファイルの移動、コマンドの実行、結果の評価、作業の修正を継続させていたことを示唆している。

しかし、実行時間だけでは成功についてほとんど何も分からない。長時間のエージェントセッションは、価値ある粘り強さ、過剰な探索、失敗の繰り返し、あるいはそのすべての組み合わせを反映している可能性がある。元の説明では、公開リポジトリ、完全なイベントログ、独立したコードレビューは提供されていない。

したがって、このワークフローは報告された運用パターンとして理解すべきだ。これはベンチマークではなく、すべての開発者が同じ手順を再現すべきだと証明するものでもない。

その価値は、責任を分離している点にある。計画、批判、実行にそれぞれ明確な担当者が割り当てられるため、1つの長大な会話内で処理する場合よりも、失敗箇所を特定しやすくなる。

モデルへの忠誠よりもモデルの専門化が重要になった理由

このワークフローは、どのフロンティアモデルにも全フェーズを支配させるべきではないという前提に立ち、単一モデルによる開発に圧力をかけている。

AIコーディング製品は通常、ユーザーに1つのプロバイダーの環境内にとどまるよう促す。モデルがコンテキストを収集し、計画を提案し、ファイルを編集し、テストを実行し、結果を説明する。この構成は摩擦を減らす一方で、すべてのエラーを1つの推論チェーンに集中させる。

モデルが初期要件を誤解すると、後続のステップが同じ誤りを強化する可能性がある。生成されたテストは、ユーザーの実際の意図ではなく、モデルの解釈を検証してしまうことがある。そして、洗練された最終説明が元の誤りを覆い隠しかねない。

Fable 5とGPT-5.6 Solのワークフローは、実装が始まる前にそのループを遮断する。Fable 5がアーキテクチャを提案するが、最終決定権は持たない。Codexが提案を変更へと変換する前に、別のモデルファミリーに属するSolがそれをレビューする。

これはエンジニア同士の設計レビューに似ているが、この類推には限界がある。人間のレビュアーは、組織に関する知識、説明責任、過去の失敗経験を持ち込む。2つのモデルは重複する公開資料から学習しているため、依然として類似した盲点を共有する可能性がある。

このタイミングは、フロンティアモデルの急速な変化も反映している。OpenAIによると、GPT-5.6 Solではコーディング、ナレッジワーク、サイバーセキュリティ、科学、コンピューター操作、デザインが改善されている。GPT-5.6のローンチでは、複数のエージェントを並行する作業ストリーム間で調整するultra設定も導入された。

Anthropicは異なる能力を主張している。同社によると、Fable 5はタスクが長期化し複雑になるほど特に優れた性能を発揮する。また、同社はこのモデルをClaude Codeに統合しており、そこではリポジトリのコンテキストとツールへのアクセスが、生の対話能力と同じくらい重要になる。

この開発者の説明は、どの企業がより強力なコーディングモデルを持つかを決着させるものではない。観察された挙動に応じて異なる責任を割り当てることで、その競争を回避している。

この選択は、両プロバイダーに圧力をかける。Anthropicは、Claude CodeがFable 5の計画能力と同等の信頼性で実行できることを示さなければならない。OpenAIは、Solが大規模プロジェクトをレビューし実装するのと同じくらい効果的に構造化できることを示さなければならない。

また、開発者にワークフロー設計者になるよう迫る。モデルの選択は、もはや最後の技術的判断ではない。ユーザーは、システム間でいつコンテキストを移動させるか、計画をどのように表現するか、どのチェックで実行を阻止すべきかを決めなければならない。

モデル横断型の作業にはオーバーヘッドが生じる。要件をあるインターフェースから別のインターフェースへコピーする際に、ニュアンスが失われる可能性がある。ファイルのコンテキストが計画に引き継がれないこともある。異なるツールが同じ受け入れ基準を相反する形で解釈する可能性もある。

規律ある引き継ぎが役立つ。計画では、望ましい成果、影響を受けるコンポーネント、制約、検証コマンド、人間によるレビューが必要となる条件を明示すべきだ。また、確認済みの事実と未解決の選択肢を区別すべきである。

その文書が、モデル間の共有インターフェースとなる。これがなければ、ワークフローは信頼できる開発プロセスではなく、互いに切り離された3つの会話になる恐れがある。

ここで、ナレッジマネジメントがコーディングループに入ってくる。アーキテクチャ上の決定、モデルによる批評、テストの証拠、人間による修正には、永続的な保存場所が必要だ。検索可能なエンジニアリングナレッジベースなら、それらの決定を単一のエージェントセッションの外部に保存できる。

中心的な仕組みは、より大きなプロンプトではなく構造化された意見の対立

このワークフローの中心的な仕組みは、自律型エージェントに行動の許可を与える前に、モデル同士を意図的に対立させることだ。

AI開発における多くの失敗は、早すぎる実行から始まる。開発者が望ましい機能を説明し、エージェントが不完全な解釈を形成し、どちらの側も成功を定義しないままコード変更が始まる。

プロンプトを長くしても、この問題が自動的に解決するわけではない。詳細なプロンプトには、矛盾、無関係な背景情報、誰も検証していない前提が含まれる可能性がある。コンテキストが増えることで、正確性は高まらないまま自信だけが強まることもある。

報告されたプロセスでは、設計と実装の間にレビューゲートを挿入している。Fable 5が一貫性のある初期案を作成する。次にGPT-5.6 Solには、その案の欠陥を発見して改善するという、より限定された任務が与えられる。

優れた敵対的レビューでは、複数の層を検証すべきだ。アーキテクチャが製品要件を満たしているか、インターフェースが安定したままか、計画が障害状態を処理しているかを検証する必要がある。また、セキュリティ、データマイグレーション、オブザーバビリティの不備も特定すべきだ。

この分業は、モデルの多様性から恩恵を受ける。異なるモデルファミリーは、証拠の優先順位付けやタスクの分解方法が異なる場合がある。第2のモデルは、第1のモデルの会話履歴を共有していないため、曖昧な要件に気付く可能性がある。

しかし、2つのブランドを使っても、独立した判断が保証されるわけではない。両システムが使い慣れたフレームワークを好み、一般的なコーディングパターンを繰り返し、非公開のビジネスコンテキストを必要とする問題を見落とす可能性がある。モデル間の合意は一貫性の証拠ではあるが、正しさの証明ではない。

どの批評を計画に反映させるべきかを決める責任は、開発者に残る。Solが製品の実際の制約と矛盾する修正を提案した場合、洗練された改訂版が元の案より悪くなる可能性がある。

このプロセスの最も信頼できる形では、実行前に人間による承認ゲートを設ける。このゲートでは、生成されたすべての行をレビューする必要はない。設計上の不可逆的な決定、データへの影響、セキュリティ境界、受け入れテストを確認する必要がある。

計画が承認されると、ゴールモードによって実行の力学が変わる。OpenAIのCodexリリースノートでは、この機能を、ゴールと成功基準を定義し、その成果に向けてCodexに作業させる方法として説明している。

長時間稼働するエージェントには、最初の指示以上のものが必要なため、ゴールモードは重要だ。中間的なエラー、コンテキストの変化、繰り返されるツール呼び出しがあっても維持される、永続的な完了の定義が必要になる。

有用なゴールでは、テストに合格すること、生成された成果物がスキーマと一致すること、指定されたユーザージャーニーが機能することを要求できる。また、認証情報の不足、破壊的なマイグレーション、矛盾する要件に遭遇した場合、エージェントに停止を求めることもできる。

これは、より制御された形の vibe coding です。ユーザーは依然として主に自然言語を通じて意思を伝えますが、その言語は即興的な依頼ではなく、契約として機能するようになります。

17時間に及ぶ実行は、その契約の魅力と危険性の両方を示しています。基準が明確であれば、開発者が別の作業に集中している間も、エージェントは問題の解決を続けられます。基準が曖昧であれば、エージェントは誤った結果の最適化に何時間も費やす可能性があります。

長時間の自律作業にはチェックポイントも必要です。コードエージェントは、レビュー可能なマイルストーンを作成し、コマンド出力を保存し、変更された前提条件を要約し、テストの失敗を明示すべきです。そうしなければ、最終的な差分が大きくなりすぎて、人間による有意義な確認ができなくなります。

リポジトリの保護策も依然として不可欠です。開発者は作業をブランチ上に分離し、認証情報へのアクセスを制限し、本番システムを保護し、破壊的な操作には確認を必須とすべきです。自律実行の長さが、無制限の権限を意味することがあってはなりません。

したがって、このワークフローは、拡散された要約が示唆するような魔法のモデルの組み合わせよりも、段階的な権限付与に依存しています。実際の仕組みは、1つのシステムが提案し、別のシステムが異議を唱え、3つ目のシステムが定められた境界内で行動するというものです。

17時間の Codex 実行が証明するのは持久力であり、品質ではない

この事例は、長時間の自律実行が実用的であることを示していますが、出来上がったソフトウェアが正確または効率的だったことを証明するものではありません。

元の報告では、1日約16時間の vibe coding と、17時間続いた1件の Codex タスクという、印象的な2つの数字が示されています。どちらの数字も行動を表していますが、成果を統制された形で測定したものではありません。

生産性を主張するには、より明確な基準が必要です。読者には、プロジェクトの規模、開発者の経験、採用されたコード量、不具合率、レビューに必要だった時間を知る必要があります。これらの変数はいずれも公開されていません。

実行時間も誤解を招く可能性があります。エージェントが代替案を検討したり、テストの修正を繰り返したり、外部操作の完了を待ったりすることで、余分な時間を費やす場合があります。別のエージェントなら、スコープを狭めたり、難しい要件を黙って省略したりすることで、より早く完了するかもしれません。

こうした不確実性があるからといって、この事例が無価値になるわけではありません。自律実行の長さを成功指標として扱う前に、開発者が何を確認すべきかを示しています。

最初に測定すべきなのは、受け入れテストの結果です。実装エージェントとは独立して作成されたテストを、システムは満たしたのでしょうか。モデルが生成したテストだけでは、モデルが生成したコードと同じ誤解が組み込まれている可能性があります。

2つ目に測定すべきなのは、レビューの負担です。17時間の実行による変更を理解するために数日かけて再構築する必要があるなら、見かけ上の時間短縮効果は消えてしまいます。有用なエージェントは、結果を理解し、検証するために必要な人間の労力を減らすべきです。

3つ目に測定すべきなのは、リグレッションの発生状況です。大規模な自律編集は、依頼された機能の範囲を超えて、インターフェース、依存関係、パフォーマンス特性を変更する可能性があります。限定的なテストスイートに合格しても、下流への影響をすべて把握できるわけではありません。

セキュリティにも別の懸念があります。Fable 5 と GPT-5.6 Sol はいずれも、サイバーセキュリティ能力と安全対策への関心が高まる中で登場しました。Anthropic は政府の指示を受けて Fable 5 を一時停止し、その後、更新された分類器とともにアクセスを復旧しました。

Anthropic によれば、改訂された分類器は、報告された回避手法を99％以上のケースでブロックします。同社はまた、安全対策の強化によって、無害なコーディングやデバッグの依頼がより頻繁に誤検知される可能性も認めています。同社の再提供に関する声明では、そのトレードオフが直接説明されています。

OpenAI も同様に、GPT-5.6 は潜在的に有害なサイバー活動に対して、より厳格な制御を適用すると述べています。このような安全対策は、特にエージェントが認証、脆弱性調査、ネットワークツールに触れる場合、正当な作業を中断する可能性があります。

長時間実行されるワークフローは、そのような中断を隠さずに処理しなければなりません。選択したモデルがフォールバックしたり、タスクを拒否したり、動作を変更したりした場合、最終レポートにはその事象を記録すべきです。そうしなければ、開発者は完了した作業を誤って1つのモデルの成果だと判断する可能性があります。

モデルの識別情報と設定も重要です。推論設定、ツールの権限、コンテキスト制限、リポジトリの指示、再試行ポリシーは、結果を大きく変える可能性があります。「Sol が Fable を修正した」と言うだけでは、両方の出力を形作った周辺の実行環境が考慮されていません。

すでに公開されている比較からも、結果がタスク設計にどれほど左右されるかが分かります。ある独立系開発者は、インタラクティブなナレッジグラフを構築するため、両モデルに同じプロンプトを与えました。その直接比較プロジェクトは具体的な比較材料を提供していますが、1つのプロジェクトだけで普遍的な勝者を決めることはできません。

したがって、報告されたワークフローは、ランキングとして受け入れるのではなく、プロセスとして再現すべきです。チームは、同じプロジェクトを複数の計画とレビューの組み合わせで実行し、不具合の検出、実装の成功、人間によるレビュー時間を比較できます。

また、対照条件も含めるべきです。ある実行では1つのモデルがクロスモデルレビューなしで計画と実行を担い、別の実行では完全な3段階プロセスを使用します。この比較により、追加の引き継ぎが本当に成果を改善するかどうかを確認できます。

最大の未解決問題は、人間の注意力に関するものです。1日16時間のコーディングは、熱意、締め切りの圧力、または高速生成による中毒性のあるフィードバックループを反映している可能性があります。これは、すべての開発者にとって持続可能な生産性の基準ではありません。

AI エージェントは入力作業を減らす一方で、監督の必要性を高める可能性があります。開発者は依然としてシステムの動作を理解し、リスクを評価し、エージェントの自信が根拠を上回っているタイミングを判断する必要があります。

このワークフローの信頼性が最も高まるのは、そうした責任が可視化されている場合です。長い実行時間や大量の出力が、エンジニアリング上の判断の代わりとして扱われると、危険なものになります。

この AI 開発ワークフローが定着するかを示す3つの兆候

次の試金石は、別のエージェントがさらに長く実行されるかではなく、このワークフローが複数のプロジェクトで再現可能な成果を生み出すかどうかです。

1つ目の兆候は、独立した再現です。開発者は、元の計画、Sol の批評、Codex のアクティビティログ、最終レビューを保存した公開リポジトリに注目すべきです。再現可能な成果物があれば、構造化されたモデル間の引き継ぎが実際の作業を改善するという主張の説得力が増します。

再現では、印象ではなく成果を比較すべきです。有用な測定項目には、承認されたタスクの完了率、独立して作成されたテストの結果、レビュー中に発見された不具合、デプロイ後のリグレッション、そして人間による介入の総量が含まれます。

複数のプロジェクトで同じ手順からより良い結果が得られれば、Fable 5 と GPT-5.6 Sol のワークフローは持続的なパターンに見えるでしょう。結果に大きなばらつきがあれば、元の事例は興味深い個人的手法にとどまります。

2つ目の兆候は、クロスモデルレビューへのより深い対応です。現在、プロバイダー間で計画を移動する際には、多くの場合、手作業でのコピーやカスタムスクリプトが必要です。このプロセスでは、リポジトリのコンテキストが失われたり、どのモデルが各判断を変更したのか分からなくなったりする可能性があります。

開発環境は、この引き継ぎを明示的にできます。構造化された計画を保存し、独立した批評を求め、意見の相違を表示し、エージェントが編集を開始する前に承認を必須にすることが可能です。

このような機能は、モデルのルーティングを製品機能へと変えるでしょう。また、プロバイダーをまたいで一貫したアクセス制御と監査ポリシーを適用できるようになります。

ネイティブ対応が進めば、専門化が重要であるというワークフローの中心的な主張が強まります。普及しなければ、ほとんどの開発者はクロスモデルチェックよりも単純さを重視していることを示唆します。

3つ目の兆候は、長時間実行される goal mode セッションから得られる証拠です。OpenAI はこの機能を広く利用可能にしましたが、重要な問題は、長時間の動作における完了品質です。

チェックポイント、ロールバック、テスト結果の解釈、透明性のある停止条件の改善に注目してください。これらの機能は、人間が作業を信頼し、確認できるかどうかを決めるため、最大実行時間よりも重要です。

より明確な実行記録が提供されれば、夜間や就業時間全体にわたるエージェント実行の妥当性が高まります。無駄なループ、肥大化した差分、隠れた前提条件が継続的に報告されれば、その妥当性は弱まります。

開発者は、完璧な証拠が揃うまで実験を待つ必要はありません。範囲を限定した機能から始め、実行前にテストを定義し、機密性の高いシステムを保護すべきです。そのうえで、単一モデルによる実行と、レビューを含むクロスモデル実行を比較できます。

最も有用な教訓は、誰もが16時間コーディングしたり、Codex を17時間稼働させたりすべきだということではありません。計画、批評、権限を分離することで、自律実行がより安全になるということです。

Fable 5 と GPT-5.6 Sol のワークフローは、その分離を実現するための有望な設計図を提供しています。見出しを飾る数字は個人的な主張にとどまりますが、その根底にある設計は、統制された検証に値します。

範囲を限定したプロジェクトを1つ選び、すべての引き継ぎを記録し、生成された出力ではなく、承認された結果を測定してください。2つ目のモデルは、複雑さを増すだけの価値があるほど多くの計画上の誤りを発見するのでしょうか。それとも、このプロセスは vibe coding をより厳密に感じさせているだけなのでしょうか？