>
>
公開日
Sakana AIは2026年7月21日、オーケストレーションモデル「Sakana Fugu」のサイバーセキュリティ特化版となる新エンドポイント「Fugu-Cyber」の提供を開始しました。CyberGym・CTI-REALMという2つの実務系ベンチマークでOpenAIの「GPT-5.5-Cyber」やAnthropicの「Claude Mythos Preview」に匹敵するスコアを記録した一方、Sakana AI自身が「高性能なAPIだけでは企業のセキュリティ課題は解決しない」と釘を刺している点が、情シスにとって見逃せないポイントです。本記事では、Fugu-Cyberの性能・料金・申請フローに加え、情シスが導入検討時に確認すべき実務上の論点を整理します。
Fugu-Cyberとは？Sakana Fuguのマルチエージェント技術をサイバー防御に特化
Fugu-Cyberは、複数のAIエージェントを動的に組み合わせて単一のAPIエンドポイントとして提供する「Sakana Fugu」の新メニューであり、現代企業のサイバー防御の複雑さに対応するために設計されたモデルです。既存のSakana Fuguと同様に、内部では役割の異なる複数のエージェントが連携して1つの処理を完結させますが、Fugu-Cyberはそのオーケストレーション対象を脆弱性分析や脅威インテリジェンス処理に最適化している点が特徴です。
Sakana Fuguの基本的なアーキテクチャ（Conductorによる動的なモデル編成、シングルベンダー依存の回避など）については、Sakana Fuguとは？料金・マルチエージェント技術・企業導入リスクを情シス視点で徹底解説で詳しく解説しています。Fugu-Cyberを検討する情シス担当者は、まず土台となるFuguのガバナンス論点（監査ログの不透明さ、EU/EEA域内での利用制限、Token Gobbler対策など）を押さえたうえで、本記事のセキュリティ特化領域の論点を追加で確認することを推奨します。
CyberGym・CTI-REALMのベンチマーク結果
Fugu-Cyberは、企業防御の中核となる2つのベンチマークで高いスコアを記録しています。CyberGymは複雑なコードベースを分析して実際の脆弱性を検証するエージェントの能力を測定し、CTI-REALMは生の脅威インテリジェンスレポートを実用的な検知ルールへ変換する能力を評価するものです。
ベンチマーク | Fugu-Cyber | GPT-5.5-Cyber | Mythos Preview |
|---|---|---|---|
CyberGym（脆弱性検証能力） | 86.9% | 85.6% | 83.1% |
CTI-REALM（脅威インテリジェンス変換能力） | 72.1% | 67.3% | 68.5% |
いずれの指標も僅差ながらFugu-Cyberが上回っており、Sakana AI自身は「サイバーセキュリティに特化したフロンティアモデルに匹敵する性能」と位置づけています。もっとも、ベンチマークスコアの数ポイント差だけで製品選定を行うのは早計です。後述するとおり、Sakana AI自身がこの点を強く注意喚起しています。
Fugu-Cyberの料金体系：トークンプランの単価
Fugu-Cyberは、定額サブスクリプションではなく従量課金の「トークンプラン」でのみ提供されており、コンテキストサイズによって単価が変動する設計です。既存のFugu Ultra APIと同様、大容量コンテキストを扱うほど単価が跳ね上がる料金構造になっているため、情シスとしては利用量のシミュレーションが欠かせません。
対象コンテキスト | 入力単価（100万トークン） | 出力単価（100万トークン） | キャッシュ入力単価（100万トークン） |
|---|---|---|---|
基本料金（272K以下） | 6ドル | 36ドル | 0.6ドル |
割増料金（272K超） | 12ドル | 54ドル | 1.2ドル |
出力単価は入力単価の6倍に設定されており、脆弱性レポートや検知ルールの生成のように出力量が多いタスクほどコストが膨らみやすい構造です。既存のFugu Ultra APIで課題となっていた「Token Gobbler」（1回の指示で内部の複数モデル呼び出しが連鎖しトークン消費が急増する現象）と同様の請求リスクを踏まえ、単純なログ要約などの軽量タスクは別のモデルに振り分けるルーティング設計を検討する価値があります。
申請制のアクセスとAcceptable Usage Policy
Fugu-Cyberは他のSakana Fuguメニューとは異なり、利用開始前に申請と審査を必要とする点が最大の特徴です。想定用途と確認済みの連絡先情報を記載した申請フォームを提出し、Sakana AIのチームによる審査を経て承認された場合のみアクセス権が付与されます。利用規約も更新されており、攻撃目的での悪用を明確に禁止する内容が盛り込まれています。
情シスとしては、この申請フローそのものが1つのチェックポイントになります。申請時に記載する「想定用途」の内容次第で承認の可否や利用範囲の制限が変わる可能性があるため、社内でどの部門がどの業務（脆弱性診断の内製化、SOC運用の高度化など）にFugu-Cyberを使うのかを事前に整理してから申請することを推奨します。
Sakana AI自身が語る「性能と実務の乖離」という重要な警告
Fugu-Cyberの発表で情シスが最も注目すべきなのは、ベンチマークスコアそのものよりも、Sakana AIが自ら発信した「フロンティアモデルへのアクセスだけでは企業のセキュリティ課題は解決しない」という警告です。
Sakana AIは、フロンティアモデルへのアクセスを与えるだけでセキュリティ課題が解決するという業界の楽観的な見方を牽制し、専門人材や独自コードベースへの深い統合なしには、優れたモデルであっても実際の脆弱性を発見・修正することは難しいと説明しています。この指摘は、大手金融機関を含む国内の大規模組織における実運用の難しさを取り上げた日経の報道とも重なる内容だとしています。
さらにSakana AIは、単体で動かすモデルは誤検知（false positive）を避けられず、本番環境の特性を理解した「ハーネス」なしには機能しないとし、AIが脆弱性の可能性を提示した場合でも、セキュリティ専門のサブエージェントと人間によるレビューを経て初めてパッチ提案に進むべきだと述べています。これは、AIエージェントに読み取り専用権限を原則としつつ、重要な変更には人間の承認を必須とするHuman-in-the-Loop設計の必要性を、ベンダー側から改めて裏付ける内容と言えます。
責任ある開示に基づくレッドチーミングの潮流
AIベンダーが「攻撃側の視点」を安全性向上に活用する動きは、Sakana AIに限った話ではありません。OpenAIも2026年7月、自社モデルの脆弱性を自動発見する専用モデル「GPT-Red」を公開し、その攻撃データをGPT-5.6の敵対的訓練に組み込むことでプロンプトインジェクション耐性を高めたと発表しています。詳細はGPT-Redとは？OpenAIの攻撃専用AIが示すプロンプトインジェクション対策と情シスの実務ポイントで解説していますが、ポイントは「モデル側の堅牢化が進んでも、失敗率はゼロにならない」という点です。Fugu-Cyberについても同様に、ベンダー側の防御レイヤーの強化と、情シス側が担うべき権限設計・接続先管理・監査ログの整備は、切り離して考える必要があります。
なお、Fugu-Cyberの比較対象であるGPT-5.5-Cyberの後継にあたる汎用モデルの機能・価格・導入判断はGPT-5.6（Sol/Terra/Luna）7/9一般公開｜情シス向け機能・価格・リスク・導入判断にまとめています。サイバー特化モデルと汎用モデルのどちらを自社のユースケースに割り当てるかを検討する際の参考にしてください。
情シスのための選定基準5つ
3製品は競合関係にありますが、実際の選定は「どれが一番賢いか」ではなく、自社のIT基盤と統制体制にどれが収まるかで決まります。以下の5つの軸で評価してください。
基準1：既存のコラボレーション基盤との適合
最初に見るべきは機能の多寡ではなく、自社の全社標準基盤（Google Workspace / Microsoft 365 / それ以外）との適合です。基盤が決まれば候補はおおむね絞れます。
Google Workspaceが全社標準 → Gemini SparkのWorkspace連携が最も自然。ただし法人管理機能の成熟を待つ判断もあり得る
Microsoft 365が全社標準 → 3製品ともコネクタで接続可能だが、Copilot系との住み分け整理が先。既存のCopilot契約と機能が重複しないか確認する
マルチクラウド／ローカルファイル業務が多い → 許可フォルダ単位でローカルを扱えるClaude Coworkが有力
成果物（資料・シート・Webアプリ）の自動作成を重視 → ChatGPT Workの設計思想に合致
基準2：提供単位——「個人プラン」か「法人プラン」か
2026年7月時点で最も重要な差分です。ChatGPT Workは無料デスクトップ版が開放済み、Gemini Sparkは個人向けUltraプラン中心、Claude Coworkは個人Pro/Maxでも利用可能——つまり3製品とも、法人契約なしで従業員が業務利用を始められます。
選定の観点では「法人プランでどこまで統制が効くか」を、統制の観点では「個人プラン経由の利用をどう検知するか」を、同時に評価する必要があります。
基準3：アクセス範囲×自律性のリスク評価
AIエージェントのリスクは「自律性（どこまで自分で判断して動くか）×アクセス（何に触れられるか）」の掛け算で考えるのがセオリーです。
ChatGPT Work：内蔵ブラウザ＋コネクタ＋数時間の自律実行 → アクセス・自律性とも高い
Gemini Spark：クラウドVMで常時稼働＋Workspace全域 → 稼働時間の長さが特徴的なリスク
Claude Cowork：許可フォルダ境界＋マルチステップ実行 → 境界は明確だがローカルデータに直接触れる
いずれも、付与する権限を業務に必要な最小限に絞る「最小権限設計」が出発点になります。
基準4：ID管理・監査ログ・権限制御
SSO/SCIM・ロール制御・監査ログ・コネクタ統制の4点が、法人展開の最低ラインです。法人展開の前提として、以下を各製品の法人プランで確認してください。
SAML SSO／SCIMによるID連携とアカウントライフサイクル管理
ロールベースの権限制御（誰がエージェント機能を使えるか）
エージェントの行動ログ・監査ログの取得範囲と保持期間
コネクタ・MCP・プラグインの組織単位での許可制御
特にMCP連携は3製品共通の拡張ポイントであり、野良MCPサーバー経由のデータ流出という新しいリスク面を持ちます。詳細はMCP企業導入の完全ガイドを参照してください。
基準5：コスト構造と消費の予測可能性
エージェントはチャットと比べて桁違いにトークン／クレジットを消費します。ChatGPT Enterpriseはシート＋クレジットのハイブリッド課金、Claude Coworkはプラン上限の消費速度、Gemini SparkはUltraプランの階級（5x/20x）と、いずれも「席数×単価」だけでは総コストが読めません。パイロット段階で1タスクあたりの消費量を実測し、部門展開時のコスト上限設計に反映させることをおすすめします。
情シスが導入前に確認すべき4つのチェックポイント
Fugu-Cyberのような専門特化型AIを実務に組み込む際は、性能面だけでなく運用面のリスクを事前に洗い出しておくことが重要です。
1. 検証・承認体制なしに脆弱性診断を自動化しない
AIが提示した脆弱性やパッチ候補を無条件に信頼せず、必ずセキュリティ専門家によるレビューと承認のステップを組み込む必要があります。誤検知（false positive）や誤った修正提案が本番環境に適用されるリスクを避けるため、既存のペネトレーションテストや脆弱性診断のプロセスと組み合わせた運用設計が求められます。既存の脆弱性とは？やペネトレーションテストとは？脆弱性診断との違いから費用、手法までわかりやすく解説も、社内プロセスを見直す際の基礎知識として参考になります。
2. 申請制であることのメリットとデメリットを理解する
申請・審査が必要な設計は、無秩序な利用拡大を防ぐ一方で、情シスが把握しないまま特定部門が個別に申請・利用してしまう「シャドーAI」化のリスクも残ります。SaaS・アカウント管理の仕組みを使って、誰がどのAI関連サービスを申請・契約しているかを可視化しておくことが有効です。シャドーAIとは？検知される仕組みと2026年最新の対策・事例ガイドで具体的な検知手法を解説しています。
3. 脅威インテリジェンスの入出力経路を統制する
CTI-REALMが測定するような「脅威インテリジェンスレポートから検知ルールを生成する」用途では、社外の脅威情報や自社のログデータをAPI経由でやり取りすることになります。機密性の高いログや内部の脅威情報が意図せず外部プロバイダーに送信されないよう、データ利用ポリシーとオプトアウト設定を確認してください。脅威インテリジェンスとは？仕組み・種類・活用法からツールの選び方までわかりやすく解説も参考にしてください。
4. SOC・CSIRT運用への組み込み方を設計する
Fugu-Cyberの出力をそのまま自動対応に使うのではなく、既存のSOC（Security Operation Center）やCSIRTの一次トリアージ支援として位置づけるなど、人間の判断を介在させる運用フローを設計することが望まれます。SOC（Security Operation Center）とは？構築時の注意点や運用管理のポイントも合わせてご確認ください。
情シスの土台となるAIガバナンス・SaaS管理の重要性
Fugu-Cyberに限らず、外部AIサービスを社内のセキュリティ業務に組み込む際は、個別ツールの評価だけでなく、全社的なAIガバナンス体制が前提になります。どの部門がどのAIエージェントやMCP連携を利用しているかを継続的に可視化し、権限管理・監査ログ・利用ガイドラインを整備しておくことで、Fugu-Cyberのような新しいモデルが登場した際にも迅速かつ安全に評価・導入判断を行えるようになります。
全社的なAIガバナンスの進め方はAIガバナンスとは？推進体制・国際フレームワーク・実装ステップ完全ガイド
生成AI利用における実務的なセキュリティ対策は情シスが実践する生成AIセキュリティ ベストプラクティス【2026年最新版】
外部ツール連携（MCP）のガバナンス設計はMCP企業導入のセキュリティ完全ガイド｜ガバナンスとリスク対策
各社AIエージェントの選定基準を横並びで比較したい場合はAIエージェントとは？情シス向け定義・仕組み・導入ステップ完全ガイド【2026年版】
SaaS・アカウント・デバイスを一元管理するAdminaのようなプラットフォームを併用すれば、Fugu-Cyberを含む新しいAIサービスの契約・利用状況を可視化し、野良利用や過剰な権限付与を防ぐガバナンス基盤を構築できます。Adminaのセキュリティ機能の詳細はAdmina セキュリティ機能、料金プランはAdmina料金ページからご確認いただけます。
よくある質問（FAQ）
Q. Fugu-Cyberは既存のSakana Fuguと何が違いますか？ A. アーキテクチャ自体は既存のFuguと同じマルチエージェント・オーケストレーションですが、Fugu-Cyberは脆弱性分析（CyberGym）や脅威インテリジェンスの検知ルール変換（CTI-REALM）といったサイバー防御タスクに特化して調整されている点が異なります。
Q. 企業はすぐにFugu-Cyberを利用できますか？ A. いいえ。Fugu-Cyberは申請制です。想定用途と確認済みの連絡先情報を記載した申請フォームを提出し、Sakana AIの審査を経て承認された場合のみ利用できます。
Q. Fugu-Cyberを導入すれば脆弱性診断を自動化できますか？ A. Sakana AI自身が説明しているとおり、単体のモデルでは誤検知を避けられず、専門人材によるハーネス構築と人間によるレビューを伴わない自動化は推奨されません。既存のペネトレーションテストやSOC運用と組み合わせた設計が前提になります。
Q. Fugu-CyberとGPT-Redは同じ位置づけのサービスですか？ A. いいえ。GPT-RedはOpenAIが自社モデルの訓練のために使う社内専用の攻撃AIであり、外部提供されません。一方Fugu-Cyberは、申請制ながら企業が実際に利用できる防御支援用のAPIエンドポイントです。両者は「攻撃側の知見を安全性向上に活かす」という思想の面で共通していますが、提供形態は異なります。
Q. 料金面で注意すべき点は何ですか？ A. 従量課金のトークンプランのみで、出力単価が入力単価の6倍に設定されています。既存のFugu Ultraと同様、内部の複数モデル呼び出しによってトークン消費が想定より膨らむ可能性があるため、利用量のシミュレーションとタスクの仕分けが重要です。
まとめ：Fugu-Cyber導入検討の次のステップ
Fugu-Cyberはベンチマーク上で競合のサイバー特化モデルに匹敵する性能を示していますが、Sakana AI自身が「APIへのアクセスだけでは解決しない」と明言している点こそが、情シスにとって最も重要な示唆です。導入を検討する際は、以下のステップで進めることを推奨します。
利用目的の整理：申請フォーム提出前に、社内でどの部門がどの業務にFugu-Cyberを使うのかを具体化する。
検証・承認フローの設計：脆弱性診断やパッチ提案を無条件に信頼せず、専門家によるレビューを必須とする運用ルールを定める。
データ経路の確認：脅威インテリジェンスやログデータの送信範囲、オプトアウト設定を確認する。
既存ガバナンス基盤との統合：SaaS管理ツールを用いて、Fugu-Cyberを含むAI関連サービスの契約・利用状況を継続的に可視化する。
新しいAIモデルの登場サイクルが加速するほど、個別ツールの性能評価よりも、全社的なガバナンス基盤の有無が導入スピードとリスク管理の両方を左右します。Admina by Money Forwardは、SaaS・アカウント・デバイスの一元管理を通じて、こうしたAIガバナンス基盤の構築を支援しています。
本記事の内容に誤り等がございましたら、こちらからご連絡ください。
監修
Admina Team
情シス業務に関するお役立ち情報をマネーフォワード Adminaが提供します。
SaaS・アカウント・デバイスの管理を自動化し、IT資産の可視化とセキュリティ統制を実現。
従業員の入退社対応や棚卸し作業の工数を削減し、情報システム部門の運用負荷を大幅に軽減します。
中小企業から大企業まで、情シス・管理部門・経営層のすべてに頼れるIT管理プラットフォームです。
