Meta「Muse Spark 1.3」、学習利用への同意でAPI料金を最大75分の1に 企業の設定管理が課題
2026年9月7日 12:41
Metaは9月2日、エージェント型タスクやコーディング向けのAIモデル「Muse Spark 1.3」を公開し、Meta Model APIとコーディングエージェント「Muse Code」で提供を始めた。APIには標準階層と、プロンプトおよび生成結果を将来のMetaモデルの学習に使用することを認める代わりに料金を引き下げた「Contributor」階層が用意されている。
両階層は異なるモデルIDで指定する。学習利用に関する重要な条件がアプリケーションの設定で切り替わるため、企業には料金だけでなく、送信するデータの性質や設定変更の管理方法を含めた判断が求められる。
■同一仕様で異なるデータ利用条件
標準階層のモデルIDは「muse-spark-1.3」、Contributor階層は「muse-spark-1.3-contributor」である。Metaの説明では、標準階層のプロンプトと生成結果はモデル学習に使用されず、Contributor階層では、将来のMetaモデルの学習への利用を認めることが割引の条件となる。
公開されている仕様では、両階層は104万8576トークンのコンテキストウィンドウを備え、対応する入力形式やツール呼び出しなどの主要機能も共通している。つまりContributor階層の低価格は、機能を減らした結果ではなく、データ利用条件の違いによるものだ。
この条件は、利用するモデルIDをアプリケーションやエージェントの設定ファイルに記述することで選択される。そのため、企業として標準階層だけを認めていても、設定変更を適切に統制していなければ、意図しないモデルIDが使われる可能性がある。
■入力は12.5分の1、出力は約21分の1
標準階層の料金は、100万入力トークン当たり1.25ドル（約195円、1ドル＝156円換算）、100万出力トークン当たり4.25ドル（約663円）である。Contributor階層では入力が0.10ドル（約16円）、出力が0.20ドル（約31円）となり、それぞれ標準階層の12.5分の1、約21分の1になる。
キャッシュ済み入力の料金差はさらに大きい。標準階層の100万トークン当たり0.15ドル（約23円）に対し、Contributor階層は0.002ドル（約0.3円）で、75分の1となる。過去に処理した共通のコンテキストを繰り返し利用するエージェント型処理では、この差が料金に大きく影響する可能性がある。
入力5万トークン、出力2000トークンを使用する1回の処理を単純計算すると、標準階層は約0.071ドル（約11円）、Contributor階層は約0.0054ドル（約0.8円）となる。これを月200回実行した場合は、それぞれ約14.2ドル（約2215円）と約1.08ドル（約168円）である。実際の請求額はキャッシュの利用状況や入出力トークン数によって変わる。
月間5億入力トークンと1億出力トークンを利用する場合、キャッシュ料金などを含めない単純計算では、標準階層が1050ドル（約16万3800円）、Contributor階層が70ドル（約1万920円）となる。大量の処理を行う開発組織にとって、価格差は無視できない規模となる。
■エージェントではツールが取得した情報にも注意
Contributor階層についてMetaが明示しているのは、プロンプトと生成結果を将来のモデル学習に使用する許可が割引の条件になるという点である。一方、9月3日時点で確認できる公開情報だけでは、Contributor階層のデータ保存期間、人間による確認の有無、送信後の削除や同意撤回の扱いなど、企業の審査に必要となる条件の全容は分からない。
エージェント型のコーディングツールでは、利用者が直接入力した文章だけが外部へ送られるとは限らない。リポジトリ内のファイル、エラーログ、スタックトレース、データベースの構造、外部APIから取得した応答などが、ツール呼び出しを通じて処理対象に加わることがある。
したがって、Contributor階層を利用できるかどうかは、最初に入力するプロンプトだけで判断するのでは不十分だ。エージェントが作業中に参照できるファイルや外部システム、その情報がリクエストのどの部分に含まれるかまで確認する必要がある。
■従来のDLPだけでは設定変更を捉えにくい
企業のAIセキュリティ対策では、個人情報、顧客情報、ソースコードなど、外部サービスへ送信される内容をデータ損失防止（DLP）製品などで検査する方法が使われる。しかし、標準階層からContributor階層へ切り替えても、送信するデータの内容や送信先のドメインが変わるとは限らない。
変化するのは、同じAPIに送られたデータに適用される利用条件である。このため、送信内容だけを監視する仕組みでは、モデルIDの変更によって学習利用の条件が切り替わったことを判定できない可能性がある。
もっとも、モデルIDはアプリケーションの設定値であるため、構成管理、コードレビュー、許可リスト、APIゲートウェイのポリシー、実行時ログの監視などを組み合わせれば統制の対象にできる。問題は、一般的な情報漏洩対策を導入しているだけで、モデルIDの違いまで自動的に管理されるとは限らない点にある。
Contributor階層のモデルIDを許可リストから外し、標準階層のIDだけを利用可能にする方法は、個々の開発者による選択に依存しない対策となる。例外的にContributor階層を認める場合は、対象プロジェクト、送信可能なデータ、利用期間、責任者をあらかじめ定めることが考えられる。
■OpenAIとAnthropicも法人データを既定では学習に利用せず
OpenAIは、API Platformを含む法人向けサービスのデータを既定ではモデル学習に使用しないとしている。利用者がフィードバック共有などを通じて明示的に参加した場合は、その共有データがモデル改善や学習に使われることがある。
Anthropicも、APIや法人向けサービスの入力と出力を既定では学習に使用しないと説明している。一方、利用者が使用を明示的に認めた場合や、フィードバック、バグ報告を送信した場合には、会話やコーディングセッションが学習に使われる可能性がある。
MetaのContributor階層で特徴的なのは、データ提供への同意と料金体系を異なるモデルIDに対応させ、ワークロード単位で選べるようにした点である。柔軟に使い分けられる半面、契約やアカウント設定だけでなく、ソフトウェアの構成管理もデータガバナンスの一部になる。
■Metaが求めるエージェントの利用データ
エージェント型AIの開発では、利用者が複数のツールを呼び出し、途中の結果を確認しながら問題を解決する一連の記録が重要なデータとなる。一般的な会話や画像のデータだけでは、実際の開発者がリポジトリを調査し、コードを修正して検証する過程を十分には再現できない。
Metaは2026年4月、米国の従業員が業務用コンピューターで行うキーボード入力、マウス操作、画面上の作業などを収集し、AIエージェントの学習に利用する「Model Capability Initiative」を進めていた。この取り組みは社内から批判を受け、収集データに関するセキュリティ上の問題を調査するため、6月に停止された。
Contributor階層は、開発者や企業が条件を理解したうえで参加し、料金の割引を受ける仕組みである。Metaにとっては、実際の利用からエージェント型処理のデータを得る手段となり、利用者側には、学習利用を認められるワークロードの推論費用を抑える選択肢となる。
オープンソースのエージェント実行環境「Pi」の開発者Mario Zechnerは、実際の開発者によるコーディングエージェントの利用記録が、能力向上に重要な役割を果たすとの見方を示している。ただし、特定の製品の性能向上が保存された利用データだけによって生じたとまでは確認できず、発言者による分析として捉える必要がある。
■業務利用ではデータの性質を先に判断
Contributor階層を利用するかどうかは、料金差より先に、処理するデータをMetaのモデル学習に提供できるかで判断する必要がある。公開情報、適切に作成された合成データ、学習利用を認めるライセンスの素材などを使った評価や実験は、利用候補になり得る。
公開済みのオープンソースコードであっても、リポジトリに認証情報、非公開の課題、顧客情報、内部システムの設定などが混入していないとは限らない。プロジェクトが公開されているという理由だけで、エージェントが参照するすべての情報を学習へ提供できるとは判断できない。
顧客との秘密保持契約の対象となるコード、非公開の自社ソースコード、営業秘密、個人データ、規制対象情報、第三者との契約で利用目的が制限されたデータを扱う場合は、Contributor階層を選ぶ前に契約、法令、社内規程との整合性を確認する必要がある。営業秘密についても、外部の学習用途への提供が秘密管理上どのように評価されるかは、提供条件や管理措置を含めた個別判断となる。
標準階層ではプロンプトと生成結果をモデル学習に使わないとされているが、それだけであらゆる機密情報を無条件に送信できるわけではない。保存期間、アクセス管理、利用地域、再委託先、削除条件など、自社に必要な項目をMetaの契約条件やデータ処理条件で確認することが前提となる。
■設定管理を企業ガバナンスに組み込む
企業がMuse Spark 1.3を導入する場合、まずモデルの性能評価とデータ利用条件の審査を分ける必要がある。標準階層のモデルが業務に適しているかという技術評価と、特定のデータをContributor階層で処理できるかという法務・ガバナンス上の判断は別の問題である。
本番システムや顧客環境に接続するエージェントでは、利用可能なモデルIDを組織側で制限することが有効だ。Contributor階層を既定で使用不可とし、公開データだけを扱う検証環境など、条件を満たした用途に限って例外を設ければ、設定変更による意図しない学習利用のリスクを抑えられる。
モデルIDをコードや設定ファイルに直接記述する場合は、変更履歴の記録、レビュー担当者の指定、自動検査なども検討対象となる。開発者への注意喚起だけでなく、技術的な統制によって許可された階層だけを利用できるようにすることが重要だ。
■AIの利用データに明示的な価格
Contributor階層は、AIモデルの利用データに対して、API料金の割引という明示的な対価を提示した仕組みである。入力、出力、キャッシュ済み入力で割引率は異なるものの、利用者はデータの学習利用を認めるかどうかによって、同じモデルの料金を選択できる。
この料金体系は、企業がAPIへ送る情報を分類する契機にもなり得る。すべての処理を一律に機密扱いするのでも、料金を優先して一律に提供するのでもなく、公開可能なデータと保護すべきデータをワークロード単位で区別する必要が生じるためだ。
一方、その区別がモデルIDという設定値に反映される以上、料金選択は開発者個人のコスト判断だけで完結しない。Contributor階層が企業利用に広がるかどうかは、データの対象範囲や保存・削除条件の明確化に加え、企業がモデルIDを契約条件と結び付けて管理できるかにも左右される。
Metaが打ち出したデータ提供型の料金体系は、エージェント開発に必要な利用記録を集める新たな方法を示した。大幅な割引の価値を生かすには、どのデータを提供できるかを先に定め、その判断を設定管理と技術的なアクセス制御へ確実に反映させることが欠かせない。
元記事: Meta Muse Spark Contributor Tier Hides Training Consent Where Security Tools Cannot Find It