Fable 5はどのタスクに使うべきか ― 実務で使い込まれた13プロンプトとモデル使い分け基準

自分の組織のAIワークフローに、モデル選定のルールは存在するか——なければ、高性能モデルへの無差別な集中（コスト増大）か、低性能モデルへの過剰な妥協（品質ロス）が混在している可能性が高い。この問いを突きつけてくるのが、「Fableが一時停止している間、チームメンバーそれぞれが『Fableが戻ったらやる仕事リスト』を手元に溜めていた」という一事だ（要点2）。単なる不便の話ではない。これはEveryというメディア企業において、モデルの能力差がすでにタスク単位で内面化されていることを意味する。誰かが指示して分類したのではなく、実務の中で各人が自然に「この仕事はFableでなければ」と判断できるようになっていた。

自分の組織に置き換えて考えると、同じことが起きているかどうかは確認に値する。AI全社導入済みと言っても、実態として「全員が同じモデルを同じように使っている」組織は多い。モデルの性能差をコスト換算して比較した社員がどれだけいるか。「このタスクはGPT-4oで十分」「このタスクはOpus一択」と即断できる基準が現場に浸透しているか。Everyが公開した13プロンプトには「どのタスクにFableを使うべきか、別モデルで足りるか」の判断基準がセットで含まれている。プロンプトライブラリと使い分け基準を一緒に配布するという設計は、社内のAI活用促進施策として参考になる。

冒頭の問いに戻ると、モデル選定のルール整備に手を入れることは、追加コストなしにAI活用の質を底上げできる数少ない施策の一つだ。Everyの事例は、その基準が現場に内面化された状態のひとつの到達点を示している。