Anthropicのポス​​トモーテム（システム障害やインシデント発生後の原因分析と改善策の検討）を受けて、筆者はClaude Codeの利用方法を大きく見直しました。

Anthropicはレイテンシ（遅延）改善のためにデフォルトの推論（reasoning）の「努力度」を下げましたが、これが不適切なトレードオフであると批判され、元に戻されました。筆者はこの変更自体は良いとしつつも、以前から無視していた根本的な課題に目を向けました。

AIモデルは、潜在的にはエンジニアチームを抱えているようなものだと捉え、トークンコストを単なる費用ではなく、「コスト/出力/品質」の視点で評価するようになりました。これは、実際のチームの採用決定と同じ考え方です。

筆者は、Claude Codeの利用を以下の4つの領域で再考しています：

1.

 モデル

: クリティカルな決定やアーキテクチャの推論にはOpus、コーディングや単純作業にはSonnetを使い分ける。
2.

 設定

: `/effort`（努力度）のレベルを、作業内容に応じて調整する。急ぎの編集には低く、アーキテクチャの決定には高く設定し、コストを抑える。
3.

 プロンプティング

:
* 「不明な場合は質問すること」で、モデルが解決策を見つけやすくする。
* 「時間とコストは考慮せず、堅牢で持続可能、スケーラブルなソリューションを優先し、技術的負債を残さない」という指示で、暗黙的な最適化圧力を反転させる。
* 「今回のセッションで学んだことを反省し、claude.mdやスキルとしてエンコードし、次のイテレーションで同じ間違いを繰り返さないようにする」ことで、セッションごとにゼロから始めることを避ける。
4.

 エージェント

: 関心事を分離するためにエージェントを活用する。例えば、仕様レビューとコードレビューを別々のエージェントに担当させる。

AIの利用も、エンジニアリングやプロダクトチームが常にバランスを取ってきた「市場投入までのスピード」「コスト」「品質」のトレードオフと同じであり、どのレバーを操作するかの違いだと結論づけています。努力度（effort）に予算を意図的に投じることで、望むレベルの成果を得られるとしています。