Opus 5.5・Fable 5.1・GPT-6に同じアプリを3つ作らせる検証をPat Simmonsさんが実演
「総合1位」と「毎日使う相棒」は別と分かった

家事と子育てのスキマで経営する3方よしAI共創コンサルタントの田中啓之、ひろくん（@passion_tanaka）です。今回はYouTubeチャンネル「Pat Simmons」から検証動画を紹介するね。Claude Opus 5.5・Claude Fable 5.1・GPT-6 Astraの3体に、同じ課題を3つ作らせて比較した回です。

出典: I Made Opus 5.5, Fable 5.1 & GPT-6 Build the Same App (RAW RESULTS)（Pat Simmons）

Pat Simmonsさんが最初に言い切っているルールがこれ（0:01頃〜）。

Pat Simmonsさん

“We’ve got the same rules for all three models, one prompt, no revisions,

deployed live to the internet.”（0:01）

1本目の課題は「Moby Dick in code」です。画像生成を一切使わない課題です。リゾグラフ印刷のような質感のアイソメトリックな部屋を、コードだけでモビー・ディックの章ごとに作らせます。着想元は開発者のKevin Ngoさんが同じ縛りで作った「25 mini rooms」というサイトです。丁寧な作りです。その紹介から入ってるのも誠実だなと思います。

結果は、Astraが26分でサクッと完成。とにかく速い。ただしローカルホストのままでデプロイされておらず、「Vercelにデプロイして」と追加指示が必要になった。しかも引用ポップアップ機能が抜け落ちてた。Fableは章の切り替えが、ちょっと不安定です。Opus 5.5版を見た瞬間、Simmonsさんの反応がこれ。

Pat Simmonsさん

“Okay, Opus clearly won that one.”（8:16）

私が地味にいいなと思ったのはここ。Simmonsさんは「うまくいった」だけじゃなく、Astraの機能欠落もFableの不安定さもそのまま見せてる。うちも朝LIVEで「AIがこんな変な回答をしました」って泥臭い部分をそのまま出す運用を続けてる。比較でも解説でも、粗を隠さないほうが結局は信用される。きれいな結果だけ並べた比較記事は、読んでて「本当かな」って思っちゃうんです。地味だけど効く姿勢です。

2つ目の課題は、Opus 5.5自身の実際のローンチ動画とプレスリリースサイトを、3モデルに複製させるというもの。GPT系の画像生成でスチルを作らせてつなげて動画化し、音のデザインも全部コードで生成、というかなり無茶な指示です（9:35頃〜）。Opus 5.5の1時間フルコースをJulian Goldieさんが実演した回でも触れた話です。Opus系はこういう「委ねて仕上げる」系の作業と相性がいいです。

Fable版は粒子の演出が良かった一方で、サウンドが「攻撃的」と酷評。Astra版は紙質デザインが独自路線だったけど、矢印を多用する癖を指摘されてた。で、Opus 5.5版を見た時の反応がこれ。

Pat Simmonsさん

“Closest to Anthropic’s version. Very close.”（15:47）

見た目の再現度は「一番近い」と絶賛でした。かなり高評価です。ところが同じOpus 5.5版について、直後にこう続けてる。

Pat Simmonsさん

“Sound design again. Kind of tough. Oh god. Terrible.”（16:12）

「勝った」って言われた同じモデルの同じ出力の中に、絶賛された部分と酷評された部分が両方入ってる。AIモデルにも凸凹がある、ということです。完璧主義から降りるために私がよく使う「凸凹ありのままでいい」という言葉は、ここにもそのまま当てはまります。総合評価の一行だけ拾って「Opusが最強」で終わらせると、サウンドは弱いという実用上ものすごく大事な情報が消えちゃうんです。

3つ目の課題が一番ガチでした。Blenderをheadlessで動かし、Python+MakeHuman拡張でキャラクターを生成します。そのままthree.jsのリアルタイム3Dゲームとしてエクスポートし、倉庫マップでTony Hawk’s Pro Skaterのクローンを作らせるという内容でした（21:08頃〜）。Astraが48分、Fableが56分で完成させる中、Opus 5.5だけ約2時間かかってます。

Fable版のプレイ実況です。はっきりした反応です。Simmonsさんが繰り返し突っ込んでたのがこれです。

Pat Simmonsさん

“Come on. Did it really not notice the fix the hands? … What are we doing with the hands?”（28:33）

一方でOpus 5.5版は、キャラクター生成が「最もリアル」と評価された。それだけじゃなく、速度が上がるほどモメンタムが増していくという原作ゲーム特有の挙動まで再現できてました。見た目より挙動です。動きの正しさで差がついた回だったと思います。

これ、自分の仕事に置き換えると結構刺さる話です。私はAIの人なのに、一番大事にしてるのはリアルの手触り。実際に動かしてみないと分からないことは、画面の見た目だけでは絶対にわからないからです。単純な話です。AIが作るアウトプットも同じです。見た目が整ってるかより、実際に動かした時の挙動が自然かどうかのほうが、使う側の信頼を決めるんです。納品物を検収する時、私も画面を眺めるだけじゃない。実際にボタンを押して、動かすところまでやるようにしてる。

数字も出てました。動画では各課題ごとに、所要時間とAPI相当コストが出てました。モデル自身に自分のログから算出させた自己申告値です。課題1はFableが約1時間で$42、Opus 5.5は約1時間20分で$25。速いはずのFableのほうが高くついてます。課題3ではOpus 5.5が2時間かけて$58と、3課題の中で最も時間もお金もかかってます（33:59頃〜）。自己申告値なので精度はそこまで信用しすぎないほうがいいけど、傾向としては面白い。

『メタスキル』の13プロンプトをFable5とOpusで徹底比較した記事でも書いた話です。私自身もChatGPT・Claude・Geminiを、毎日の壁打ち相手として使い分けてる。速さや値段だけでモデルを選ぶと、結局あとで直しが増えて逆に時間を食うことがよくあります。

料理に例えると、これは「早く切れる包丁」と「切った断面が美しい包丁」は別物、って話に近い。急いでる時は前者でいいけど、お客さんに出す一皿を作る時は後者を選ぶ。AIツールも同じで、「今の作業に何が必要か」を先に決めてから選ばないと、速さの数字だけ見て損することがある。

動画の締めくくりの結論はこれです。「3課題ともOpus 5.5が優勢」。でも同じ総括の中で、こう付け加えてます（34:07頃〜）。

Pat Simmonsさん

“I’m definitely still reaching for Astra there.

You know, big refactors, large like multi-step site architecture…

Even 3D work, I really like how methodical Astra is.

Rarely do I have to come back and say you did this wrong.”（34:57）

「今回の検証で一番強かったモデル」と「自分が日常で手を伸ばすモデル」を、同じ人が同じ動画の中ではっきり分けて言ってる。誠実な締め方です。私は好きだった。

ベンチマークの1位というのは、いろんな条件を横に広げて比べた結果の話です！自分の現場でどのAIが縦に掘れるかは、また別の物差しなんです。私はこれを「人間は縦に掘る。AIは横に広げる」というキラーフレーズで呼んでます。新しいモデルが話題になるたびに「乗り換えなきゃ」って焦る必要はなくて、まず自分が今どこで困ってるかを言葉にしてから比べればいい。

Fable 5.1についても「速いけど見落としが多い」という過去からの傾向が「以前より減っている」とコメントされてる。モデルの弱点は世代ごとにちゃんと動いてる、というのも地味に大事な情報だと思う。

改めて振り返ると、この動画がずっと一貫してたのは「勝った側の弱点も、負けた側の良かった部分も両方言う」姿勢でした。Astraは最速で完成。でも機能が欠けてた。Opus 5.5は3勝。でも音は「ひどい」。Fableは見落としが減ってきてる、という成長も認めてる。

冒頭でKevin Ngoさんの作品を、着想元としてちゃんとクレジットしていました。細かいけど信頼につながるポイントでした（0:45頃〜）。

私も朝LIVEを365日続けてます。うまくいった話だけじゃなく「AIがこんな変な回答をしました」って泥臭い部分をそのまま見せるようにしてる。全部の途中経過を出す必要はないけど、判断材料になる失敗はちゃんと見せる。この動画を見て、比較コンテンツにおける誠実さって「弱点を両方の側にちゃんと配分すること」なんだなって改めて思った。

次に自分がAIツールを比較して人に紹介する時も、良かった点だけ並べて終わらせない。どのモデルにもある「まだ変」な部分を、必ず1つは書くようにしたい。

36分の検証を見終わって残ったのは、「一番強いAI」を探す前に、自分が何に困っているかを先に決めておくことの大事さでした。絵本アプリも、ローンチ動画も、スケートゲームも、全部「同じ条件で比べたら差が見える」という話です。あなたの仕事に同じ順位がそのまま当てはまるとは限らないんです。

新しいモデルが出るたびに、乗り換えを迷う必要はない。今の道具でどこに困っているかを、先に言葉にしておく。それさえできていれば、比較記事もベンチマークも、振り回されずに「自分ごと」として読める。あなたが今のAIツールで一番困っているのは、どんな場面ですか？