コーディングエージェント比較 2026：マネージド vs セルフホスト

大半のチームにはマネージドのVercel eveをおすすめします。リポジトリ操作を伴う100件のモデル化されたタスクを月間で処理する場合、試算モデルでは約$182にとどまります。一方、8基のH200構成によるセルフホストのGLM-5.3クラスターを100時間運用すると$3,448になります。セルフホストを選択すべきなのは、コードやデータが境界外へ出せない場合、かつ支払い対象のクラスター1時間あたり21.28タスク相当以上を継続的に処理できる場合に限られます。

コーディングエージェント 比較：どちらを選ぶべきか？

需要が不透明な場合、エージェントに承認ワークフローや永続セッションを迅速に組み込みたい場合、あるいは企業としてGPUキャパシティを自社運用するより従量課金を選択したい場合は、マネージドのVercel eveを選んでください。創業者やプロダクトチーム、社内のプラットフォーム部門が、どのコーディングワークフローを自動化すべきかを検証する段階において、リスクの低い選択肢となります。

コード、プロンプト、モデルトレースを自社が管理するインフラ内に留める厳格なポリシーが存在する場合は、セルフホストのGLM-5.3を選択してください。ただしこの選択肢には、推論担当チーム、エージェントランタイム、サンドボックス境界、オブザーバビリティ、そして高額なアクセラレーターを高稼働に保つための十分な並行ワークロードが必要です。モデルの重みを自社で保持するだけでは、これらの要素は揃いません。

この判断は2つのゲートで決まります。1点目は、ワークロードがマネージド推論の境界を越えられるかどうかです。「いいえ」の場合、コストに関係なくセルフホストが必須となる可能性があります。「はい」の場合、測定された需要が、支払ったクラスター1時間あたり21.28件以上のモデル化タスク相当を満たせるかを問い直してください。そのラインを下回る場合、ストレージやエンジニアリング費用を計算に入れる前から、レンタルGPUによるセルフホストは割高になります。

これは完全に対称なプロダクト対決ではありません。GLM-5.3はモデルであり、eveはエージェントフレームワークおよびマネージド運用基盤です。セルフホストのGLM-5.3コーディングエージェントでも、モデルを取り巻くハーネスが必要です。マネージドのeveエージェントでも、ハーネスの背後にモデルが必要です。そのため、どの運用境界を自社で保有するかという実質的な比較になります。

ワークフローを最速で実稼働させるならVercel eveが基本

Vercel eveは、単なるモデル呼び出しを実運用可能なエージェントへと変えるパーツをパッケージ化しています。チェックポイント化されたステップ、隔離実行、承認ゲート、サブエージェント、評価、トレーシング、そして各種チャネルへの配信機能が含まれます。

その最大の強みは、単一の機能ではなく運用の柔軟性にあります。人間の入力を待つ間にセッションを一時停止（park）し、メッセージ到着後に再開し、待機中にアクティブなコンピュート課金を発生させずに構造化履歴を保持できます。承認待ちのプルリクエストボットや、不足しているコンテキストの追加入力を待つ課題管理エージェントにとって、極めて適切なデフォルト設計です。

障壁となるのはデプロイの境界です。Vercel公式のローンチ資料によると、ローカル開発ではDocker、microsandbox、just-bash、またはカスタムサンドボックスバックエンドを利用できる一方、マネージドデプロイではVercel Sandboxへと切り替わります。ローンチ時点では、他プラットフォームへのデプロイは順次対応中と説明されていました。フレームワーク自体はオープンですが、完全なマネージド体験を得るには依然としてVercelの選択が前提となります。

ガバナンスを備えたワークフロー立ち上げ速度の勝者：Vercel eve。 マネージド境界自体が社内ポリシーに違反する場合や、プラットフォームチームがすでに同等の堅牢なエージェントランタイムを保有している場合は除外してください。

モデル境界を自社で掌握するならGLM-5.3

GLM-5.3は、August 28, 2026に重みが公開されたことで、調達における位置づけが一変しました。公式のFP8リポジトリは755.7 GBを占め、BF16モデルカードには753 billionパラメーターと記載されています。

公式リポジトリには、SGLang、vLLM、TokenSpeed、Transformers、KTransformers、Unsloth、そしてAscendハードウェア向けのデプロイパスへのリンクが揃っています。これにより、インフラチームはサービングエンジン、ネットワーク境界、容量計画、ロギング、パッチ適用スケジュールを自由に選択できます。

課題は、最初のエージェントタスクを実行する前のメモリ常駐要件です。NVIDIAの仕様ではH200 1基あたり141 GBのHBM3eを搭載しているため、GPU 4基では564 GBとなり、KVキャッシュやランタイムバッファを確保する前のリポジトリ容量にすら届きません。H200が8基あれば1,128 GBとなるため、コストモデルの起点を8基としているのはこれが理由です。コンテキスト長、並行性、レプリカ数を増やす場合は、さらにヘッドルームが必要になります。

モデルおよびインフラ制御性の勝者：セルフホストのGLM-5.3。 単にトークンの請求書を回避することだけが目的なら選ぶべきではありません。GPUフリートを抱えることで、トークンの請求書がキャパシティリスクとオンコール対応の義務に置き換わるだけです。

コストの分岐点：$182対$3,448

価格はAugust 30, 2026に各ベンダーの公開ページで確認した値に基づいています。安価なトークン単価と無関係な月額サーバー費用を誤って比較しないよう、双方で同一のワークロードを適用して試算しています。

モデル化の基準単位は、100万のキャッシュなし入力トークン、50,000の出力トークン、1 CPUおよび2 GBメモリを使用するアクティブサンドボックス1時間を伴う、リポジトリ操作主体のエージェントタスク1件です。これは計画上の前提条件であり、実際の顧客平均値ではありません。対象リポジトリがはるかに小さい場合もあれば、長期運用の移行タスクのようにより大規模になる場合もあります。

マネージドeveのコスト

Vercel AI Gatewayのモデルカタログにおける現在のZ.AIルート（zai/glm-5.3）の料金は、入力トークン100万件あたり$1.40、出力トークン100万件あたり$4.40、キャッシュ読み取りトークン100万件あたり$0.26です。1,000トークンあたりに正規化すると、入力が$0.0014、出力が$0.0044、キャッシュ読み取りが$0.00026となります。

モデル化されたタスク1件あたりのホスト型モデル費用は以下の通りです：

1 x $1.40 + 0.05 x $4.40 = $1.62

100タスクの場合、モデル費用は$162になります。Vercelの現行料金では、Proプランは開発者1シートと$20の利用クレジットを含んで月額$20です。現在のSandbox枠には5時間のアクティブCPU時間と420 GB時間分のプロビジョニング済みメモリが含まれています。想定の100時間は95時間の課金対象CPU時間を生み出し、1時間あたり$0.128で計算すると$12.16となりますが、200 GB時間のメモリは無料枠内に収まります。このCPU超過分は付属の$20プラットフォームクレジットで相殺されます。

したがって、開発者1名あたりの見積もりは約$182となります（GLM-5.3トークン費用$162＋Proの最低月額$20）。ここにはデータ転送量、その他のVercelリソース、税金、決済手数料、人手によるレビュー時間は含まれていません。AI Gatewayはプロバイダーのトークン価格に対してマークアップやプラットフォーム手数料を上乗せしないとしています。

開発者5名の場合、同じ100タスクのワークロードを共有すると約$262になります（モデル利用料$162＋シート費用$100）。この条件での月額は開発者1名あたり$52.40です。プラットフォーム費用は人数に応じて増加し、モデル費用は処理量に応じて増加します。

セルフホストGLM-5.3のコスト

RunPodの現在の表示価格では、クラスター運用のH200 SXMがGPU1時間あたり$4.31です。そのため、8基のGPUクラスターは1時間あたり$34.48となります。モデル化された各タスクがクラスター全体を丸1時間占有すると仮定すると、ストレージ、ネットワーキング、モニタリング、推論エンジニアリング、セキュリティ作業、インシデント対応を除いた純粋なGPU費用だけで、100タスク時間あたり$3,448になります。

開発者5名の場合、この100時間のGPUレンタル費用は開発者1名あたり$689.60です。同じクラスターを月間730時間常時稼働させた場合、$25,170.40となり、5シートで均等割りすると開発者1名あたり$5,034.08に達します。RunPodのストレージは月額1 GBあたり$0.05からとなっているため、755.7 GBのモデルリポジトリ1コピーだけで、レプリカ、スナップショット、作業データを考慮する前から約$37.78がかかります。

オープンウェイトのライセンスはモデル購入費用を不要にしますが、推論を無料にしてくれるわけではありません。

開発者1名での比較は、マネージドの$182に対してGPUレンタルだけで$3,448となり、その差額は$3,266、倍率は18.95倍に及びます。この結果は、セルフホストが決して有利にならないことを意味するものではありません。稼働率（利用率）でどれだけの差を埋めなければならないかを示しています。

クラスターの1時間単価$34.48を、ホスト型モデルのタスク単価$1.62で割ると、21.28タスクとなります。セルフホストクラスターが単にホスト型トークン費用に勝つだけでも、持続的にこれを超えるタスク数を毎時処理し続けなければなりません。ストレージや人件費を考慮すれば、損益分岐点はさらに上がります。タスクをバッチ処理できない場合や、その処理ペースで並行実行できない場合、GPUは極めて高価な待機場所に化してしまいます。

選択したサービングスタックを目的のハードウェア上で稼働させ、想定コンテキスト長、推論思考（Reasoning）、並行性のもとで実測しない限り、1,000トークンあたりの妥当なセルフホスト単価を算出することは不可能です。ベンダーのAPI料金は課金対象のトークン単位ですが、GPU時間はキャパシティそのものです。実測したスループットなしに一方を他方に換算することは、見せかけの精度を生むだけにすぎません。

需要が不透明または中規模な場合のコストの勝者：Vercel eve。 セルフホストが財務的に検討の俎上に載るのは、測定された並行性が利用率の分岐ラインを明確に上回り、制御要件が運用負荷を正当化できる場合のみです。

ワークフローと信頼性

単なる推論だけでなく、エージェント運用の枠組みを提供している点で、ワークフローの観点ではVercel eveが優位に立ちます。コーディングエージェントには、コマンドを実行する場所、再起動を生き延びる手段、各ツール呼び出しの記録、危険な操作に対する人間の承認ゲート、そしてユーザーへの返答経路が必要です。eveはこれらの構成要素をあらかじめ提供しています。

チェックポイント機能は、エージェントがプルリクエストを作成し、承認を要求して翌朝まで待機するようなシナリオで真価を発揮します。従来のプロセスでは、常時起動させておくか、状態を再構築するか、あるいはエラーで落ちるかのいずれかでした。eveは各ステップを記録し、ワークフローを一時退避させ、レスポンスが届いた時点で再開します。接続されたチャネルに承認リクエストを通知でき、親セッションを破棄することなくサブエージェントに限定タスクを割り当てられます。

セルフホストのGLM-5.3エンドポイント単体では、これらは一切提供されません。プラットフォーム側で、エージェントハーネス、リポジトリの認証情報、コマンド実行ポリシー、サンドボックスのライフサイクル、永続状態管理、キュー、リトライ、評価データ、トレース保持、アラートを自前で用意する必要があります。これらのランタイム選択肢を比較検討している場合は、組み込み型コーディングエージェントハーネスの解説記事にて詳しく取り上げています。

ここで、二項対立を越えた有用なハイブリッド構成が浮上します。eveをエージェントフレームワークとして利用しつつ、モデル呼び出し先を自社運用のGLM-5.3エンドポイントに向ける構成です。eveのローカルアダプターを使えばサンドボックスを自社環境内に留めることができ、モデル設定も差し替えを前提に設計されています。このハイブリッド型は、ワークフローの仕組みを維持しながら、推論だけを自社管理境界内へと移行させます。ただし本番投入前には、認証、ネットワーク、永続性、障害時の挙動について綿密なテストが必要です。

eveに残る依存関係は、デプロイ先とマネージドインフラです。GLMに残る依存関係は、自社のマシン上にデータがあっても、モデルのAPI挙動やライセンス条件に縛られる点です。どちらの手段も依存関係を完全になくすわけではなく、依存する場所を移行させているだけです。

ワークフローの完成度と再起動耐性の勝者：Vercel eve。 セルフホストGLM-5.3が勝るのは、自社で運用ノウハウを確立済みのエージェント基盤の背後に配置できる場合に限られます。

モデル品質とデプロイの制御性

GLM-5.3のベンチマーク結果はパイロット検証を正当化するのに十分な性能を示していますが、検証をマネージドとセルフホストのどちらで行うべきかを決定づけるものではありません。同一のモデルをeveおよびVercel AI Gateway経由で呼び出すことができるため、モデル自体の品質は自社保有のインフラに限定されるものではないからです。

Z.aiの発表によると、GLM-5.3はGLM-5.2と比較して、Terminal-Bench 3.0で4.6から28.3へ、DeepSWE v1.1で46.2から66.9へ、Agents' Last Examで23.8から28.5へとスコアを伸ばしています。高エフォート設定のZ.ai Code Benchでは、Claude Opus 4.8が120,000出力トークンで29.5%だったのに対し、GLM-5.3は約50,000出力トークンで31.4%を記録したとベンダーは報告しています。これらはZ.aiによる測定結果であり、本記事のために独自検証した数値ではありません。またZ.aiは、自社のベンチマークパイプラインには依然として有意なHuman-in-the-loopの介入が必要であるとも述べています。

第三者による評価はより慎重です。Artificial AnalysisによるGLM-5.3の測定では、August 30時点で比較対象となった187モデル中9位となる「Intelligence Index 60」を記録しました。Z AIのAPI経由での出力トークン生成速度は秒間66.5トークンと測定され、同クラスの中央値である71.9を下回りました。また、インデックス全体での出力トークン数は中央値の72 millionに対して170 millionを記録しています。この複合指標はコーディング以外の領域も含んでいますが、エージェントの予算において出力トークン数はコストとレイテンシに直結するため、この冗長性の傾向は重要です。

ホスト型APIの秒間66.5トークンという結果を、H200 8基構成の予測値としてそのまま使わないでください。セルフホスト環境のスループットは、サービングエンジン、量子化手法、バッチサイズ、プロンプト長、出力長、思考設定、並行数によって大きく変動します。APIの速度から作成したスプレッドシートではなく、意図したスタック上での実機パイロット検証が必須となるのはこのためです。

また、GLM-5.3では移行時の仕様変更が1点あります。思考エフォート（Reasoning effort）としてlow、high、maxをサポートし、デフォルトがmaxとなったほか、思考を無効化する設定（disabled）を受け付けなくなりました。以前のようにthinking.type: "disabled"を送信し続けているアプリケーションは、思考を有効化して許容エフォートを指定するまでエラーになります。コード上の修正はわずかですが、すべてのリクエストが一斉に停止する可能性があるため、ロールアウト時の影響は重大です。

サービングおよびモデルレベルの制御性の勝者：セルフホストのGLM-5.3。 サービング容量を自社で抱えずに同一モデルを利用する場合の勝者：Vercel eve。 ベンチマーク自体が勝敗を決めるのではなく、どの運用境界を選択するかが決め手となります。

セキュリティ、プライバシー、およびロックイン

セルフホストのGLM-5.3が勝るのは、「リポジトリの内容や推論トレースを自社管理ネットワーク外に一切出してはならない」という要件が厳格に定められているケースです。モデルの重みを自社で保持することで、セキュリティチームはモデルエンドポイント、ログ、ストレージ、認証情報、エグレスルールを自社の境界内に完全に閉じ込めることができます。

ただし、その制御性が自動的に安全を保証するわけではありません。セルフホストの運用者は、コンテナイメージの真正性、依存関係のパッチ適用、コマンドの封じ込め、シークレット管理、テナント分離、監査ログの保持、不正利用の監視、そしてシェルアクセス権を持つエージェントがもたらすあらゆるリスクを自社で背負います。プライベートエンドポイントの背後にあるモデルであっても、エージェントの実装が安全でなければ危険が生じます。

Vercel eveは、小規模なチームに対してより明瞭な隔離プリミティブを提供します。マネージド環境には隔離されたSandbox実行環境と承認ゲートが含まれており、危険な操作を行う前に人間が介入するまでセッションを安全に一時停止できます。多くの企業にとって、実績ある境界環境を購入する方が、未成熟な基盤を自作するよりも安全です。ただし、完全なエグレス禁止ルールを持つ企業にとっては、いくら管理体制が優れていてもマネージド境界そのものが不採用の理由になります。

アーキテクチャレビューにおいて考慮すべき契約上の詳細が2点あります：

• Vercelのeveローンチ時の記事では、マネージドデプロイの初期対象はVercelであり、他プラットフォーム対応は順次進めるとされていました。ローカルアダプターやカスタムアダプターによって柔軟性は高まっていますが、システムがクリティカルになる前に本番環境からの脱出プラン（Exit strategy）を実証しておく必要があります。
• GLM-5.3のライセンスは、モデルの使用、改変、配布、デプロイに関する広範な権利を認めています。一方で、連続する12か月間で関連会社全体の年間売上高が$10 billionを超えるModel-as-a-Service事業者は、商用利用前にZ.AIのセキュリティレビューを受ける必要があります。大半の導入企業には影響しませんが、ローンチ後に初めて気づくべき条項ではありません。

したがって、ロックインは「あるか・ないか」ではなく「質の差」です。マネージドのeveは運用パス全体をVercelのサービスに結合させます。セルフホストのGLM-5.3は、巨大なモデル、そのリクエスト挙動、サービングの互換性、そしてGPU調達計画にプラットフォームを結合させます。問うべきは、どちらの依存関係に対して検証済みの脱出策を用意できるかです。

厳格なデータ持ち出し禁止要件における勝者：セルフホストのGLM-5.3。 プラットフォーム全体を自社運用することなくサンドボックスと承認制御を手に入れる勝者：Vercel eve。 好みではなく、組織のポリシーがこの勝敗を決定します。

乗り換えに伴う移行コスト

マネージドのeveからセルフホストのGLM-5.3への移行は、eveをフレームワークとして残し推論先だけを切り替える場合を除き、単なるURLの書き換えでは済みません。全面的な移行を行う場合、永続セッション、サンドボックス生成、承認状態、チャネル連携、トレース、評価環境、予算管理、認証情報、インシデント対応体制のすべてを自社側へ移すことになります。

ポータビリティを担保すべき成果物の整理から着手してください：

1. プロンプト、ツールスキーマ、対象リポジトリのスコープ、期待される出力定義をバージョン管理下に置くこと。
2. 評価ケースをエクスポートし、ランタイム独自のダッシュボード外部に合格基準を保持しておくこと。
3. ファイルシステム、ネットワーク、実行コマンド、タイムアウト、シークレットへのアクセス権に関するサンドボックス契約を定義すること。
4. セッション識別子や承認イベントを、UI固有の状態ではなくアプリケーション側の記録として保持すること。
5. 本番トラフィックを切り替える前に、同一のタスクを新しいモデルエンドポイントに対してリプレイ検証すること。

GLM-5.3の思考仕様の変更は、このリプレイ検証時に必ず確認すべきです。思考を無効化していたリクエストは、モデルIDを切り替える前に対処しなければなりません。出力トークン数の変化も、予算、タイムアウト設計、エージェントが保持すべきステート量に直接影響します。

逆に、セルフホスト環境からマネージドのeveへ移行する場合は、インフラ作業が減る代わりに境界のセキュリティ審査が必要になります。コード、プロンプト、トレース、サンドボックス、認証情報がどこに保存されるかをセキュリティ部門が承認しなければなりません。財務部門は、AI Gatewayクレジットとチーム予算の管理責任者を決定する必要があります。また、自社運用の状態データや監査ログのうち、eveにインポートされないものをアプリケーション側でどう保全するかを検討しなければなりません。

需要のスパイクが大きい場合、プラットフォームチームに推論障害のオンコール体制がない場合、あるいはトークン単価の削減だけが動機である場合は、セルフホストへ移行してはいけません。契約上、外部推論や外部サンドボックス実行が禁止されている場合は、マネージドのeveへ移行してはいけません。そしてどちらの方向であっても、再現可能な評価データセットなしに移行を決断しないでください。幅広く検討するためのコーディングエージェントまとめ記事は選択肢の把握に役立ちますが、自社のワークロード固有の移行テストに代わるものはありません。

来週月曜日に取るべきアクション

月曜日からいきなりGPUを契約してはいけません。まずはマネージドのeveとホスト型のGLM-5.3ルートを使い、範囲を限定した1つのコーディングワークフローを7日間計測してください。

失敗したテストの修正、依存パッケージのバージョン更新、あるいは読み取り専用ポリシーでのプルリクエストレビューなど、実際の業務に近いタスクを選定します。初回実行前に、対象リポジトリのスコープ、許可するコマンド、承認ポイント、タイムアウト値、期待する出力を定義してください。その上で、入力トークン数、キャッシュ読み取りトークン数、出力トークン数、アクティブなSandbox CPU時間、プロビジョニングされたメモリ、実経過時間、承認待ち時間、リトライ回数、失敗率、並行タスク数を記録します。

週の終わりに、平均値だけでなく観測された分布全体を見て予算判断を下します：

• コードをマネージド境界の外に出せない場合は、範囲を限定したセルフホストのパイロットを承認し、GPU費用と並んでセキュリティおよび運用工数を予算計上します。
• コードを外部に出すことができ、維持された処理密度がクラスター1時間あたり21.28タスク相当を下回り続ける場合は、マネージド運用を継続します。
• 境界要件からセルフホストが必須であり、実測された処理密度が21.28タスクを明確に超えている場合は、代表的なワークロード向けにH200 8基のパイロット環境をレンタルします。常時稼働の長期契約から始めてはいけません。
• タスクによって結果のばらつきが大きい場合は、定型的でバッチ処理可能な作業のみをセルフホスト基盤にルーティングし、突発的な作業はマネージド環境に残すハイブリッド構成をとります。

承認申請の稟議書には、マネージドのモデル・プラットフォーム費用、セルフホストのインフラ費用、そしてその境界を運用・保守するための人員人件費という3つの予算項目を必ず記載してください。3番目の項目が空欄のままであれば、その比較検討はまだ完了していません。

複数のエージェントを束ねる広範なプラットフォームを構築しているチーム向けには、AIエージェントプラットフォーム比較記事でオーケストレーション層を詳しく解説しています。ここでの来週の判断はシンプルです。マネージドの運用基盤を購入するか、それともモデルを自社保有することがキャパシティと運用コストに見合うかを実証するか、そのどちらかです。

よくある質問（FAQ）

セルフホストのコーディングエージェントはマネージドより優れていますか？

コードや推論データを自社管理ネットワーク外に出せない場合、あるいはGPUキャパシティと運用コストを十分に償却できるほど実測稼働率が高い場合には、セルフホストが適しています。需要の変動が大きい場合や、短期間で立ち上げたい場合、エージェントランタイム全体の運用責任を負いたくない大半のチームにとっては、マネージドがより手堅い選択肢です。

Vercel eveでGLM-5.3を実行できますか？

はい、実行可能です。eveはagent.ts内で利用モデルを指定でき、Vercel AI Gatewayは現在GLM-5.3をzai/glm-5.3として提供しています。また、結合テストとデプロイ検証を経ることで、eveをエージェントフレームワークとして維持しながら、自社で運用するエンドポイントへモデル呼び出しを向けるハイブリッド構成も可能です。

マネージドとセルフホストのコーディングエージェントの価格差はどのくらいですか？

提示した100タスクのワークロード試算では、ホスト型GLM-5.3を用いたマネージドeveが開発者1名あたり約$182であるのに対し、セルフホストのH200 8基構成はストレージや運用費を除く純粋なレンタル100時間だけで$3,448になります。その差は$3,266であり、本モデルにおいて約18.95倍の開きがあります。

Codexはコーディングエージェントですか？

はい、OpenAI Codexはコーディングエージェントです。ただし本記事の試算対象には含まれていないため、その機能や商用条件をGLM-5.3対eveの試算と混同せず、個別に評価する必要があります。

AIビジネスワークフロー監査チェックリスト

どのコーディングワークフローがエージェント導入に適しており、どれに人間の承認ゲートを残すべきかを整理できる無料チェックリストをご活用ください。