Devin代替：すでに契約しているAIエージェントをオーケストレーションする

Devinの代替を探しているチームのほとんどは、自律性に不満があるわけではない。彼らはただ計算をしているのだ。

すでにClaude Codeのシートには課金している。チームの誰かはCodexを含むChatGPTプランに入っている。Cursorのサブスクリプションもあるかもしれない。そこに独自の消費モデルを持つ2つ目の従量課金エージェントが加わると、疑問は「このエージェントは優れているか」から「なぜエージェントの処理能力に二重に金を払っているのか」に変わる。この問いにはちゃんとした答えがあり、それは必ずしも「Devinをやめる」ではない。本ガイドでは、Devinが適切なツールとなるのはどんな場合か、代替手段には実際に何があるのか、そしてSharklyが新たなエージェントを追加するのではなく、すでに課金しているエージェントをオーケストレーションする形でどう当てはまるのかを解説する。

TL;DR

DevinはCognitionの自律型ソフトウェアエンジニアであり、シート数だけでなくエージェントの実際の稼働時間を計測するAgent Compute Unitを通じて課金される。このモデルは、端から端まで任せたい仕事に適している。一方、開発者がすでに有能なエージェントのサブスクリプションを持っており、足りないものが別のエージェントではなく連携である場合には、あまり当てはまらない。Sharklyは後者のケース向けの代替手段だ。チームがすでに持っているRuntimeを、あなたが接続したComputer上で実行し、実行トレースと人間によるレビューを保持する共有のTaskで管理する。その他の現実的な選択肢としては、macOS上でのローカル並列実行に対応するConductor、既存のツールからアクセスできるホスト型セッションを提供するTembo、エージェントがすでに登録されているなら委任に使えるLinearなどがある。

Devinが実際に得意とすること

いきなり既存ツールをこき下ろす代替手段の記事は役に立たない。そこで、まずDevinを使い続けるべき理由を挙げよう。

Devinはエンドツーエンドの引き継ぎのために作られている。成果を説明すれば、エージェントが計画を立て、コードを書き、実行し、デバッグし、反復する。各ステップを人間が操る必要はない。これは、隣に座って使うCLIツールとは異なる製品の形だ。作業が十分に明確で本当に委任可能なものであれば、その自律性こそが価値であり、本記事で紹介する代替手段が別の何かをオーケストレーションしてそれを再現できるわけではない。

Cognitionの課金は誠実でもある。料金はAgent Compute Unitに基づいており、複雑なタスクと1行の修正が同じコストだと見せかけるのではなく、エージェントの実際の自律的な作業量を計測する。Cognitionは現在の料金プランとACUの詳細を料金ページで公開しており、エンタープライズ向けの契約では大規模組織が必要とするデプロイとID管理の制御が追加される。

またDevinは、自社のエコシステムに閉じこもることを求めるのではなく、より広いエコシステムにも参加している。Linearのエージェント一覧に掲載されているため、チームがすでに使っているトラッカーからイシューをDevinに委任できる。

もしボトルネックが「着手できるエンジニアより、明確に定義された作業のほうが多い」ことなら、Devinはまさにそこを狙っている。使い続ければいい。

チームが代替手段を探す3つの理由

エージェントの処理能力に二重に支払っている。これが最もよくある理由だ。Claude CodeとCodexのサブスクリプションを持つチームには、すでに強力なエージェントがインストールされ、認証され、ローカルのコンテキスト込みで設定されている。そこに別途従量課金のエージェントを追加するということは、機能が重複するものに2つの予算を割くことであり、しかも2つ目の予算は変動費だ。

予測が難しい消費。エージェントの稼働時間による課金は公平だが、タスクが思わぬ方向に転ぶと予測不能でもある。不安定な統合テストに対してリトライを繰り返す実行は、クリーンなテストに対する同じ実行よりもコストがかかり、その差は後から判明する。説明責任を果たせる月次の数字が必要なチームにとって、これは居心地の悪いものだ。

足りなかったのはエージェントではなかった。多くのチームが、エージェントは問題なく、問題は連携のほうにあると気づく。3人の開発者がそれぞれ3つのターミナルでエージェントを動かし、それぞれが何をしているかの共有記録もなく、作業は重複し、レビューといえば突然届くプルリクエストだけ、という状態だ。より自律性の高いエージェントを買っても、これは解決しない。むしろ倍増させる。

この3つ目の理由こそ、正確に捉える価値がある。なぜなら、それは別カテゴリのツールを指しているからだ。

代替手段のカテゴリを正直に整理する

別の自律型エージェント。FactoryやZencoderなどの製品は、同じく引き継ぎ中心の作業を巡って競合している。自律性を求めていてDevinが合わないなら、ここを見るといい。同じカテゴリ内で乗り換えても、従量課金型エージェントの経済性はそのまま残る。

ローカル並列ランナー。Conductorは、Mac上の分離されたワークスペースでClaude Code、Codex、Cursorのエージェントを並列実行する。洗練されており、無料プランでも自分のサブスクリプションとAPIキーを持ち込める。制約はプラットフォームだ。Conductorのドキュメントには、WindowsとLinuxにはまだ対応していないと明記されている。

ホスト型オーケストレーション。Temboは、Slack、Linear、GitHub、Sentryからアクセスできるクラウドセッションでコーディングエージェントを実行し、ドル建ての許容量がゲートウェイ利用量とセッションVMのコンピューティングをカバーする。マシンの管理から解放される代わりに、コンピューティングに課金されるようになる。

トラッカーからの委任。エージェントがすでにLinearの一覧に載っているなら、イシューからの委任だけで必要なレイヤーは足りるかもしれない。人間が主要な担当者のままで、エージェントがコントリビューターとして追加される。

実行基盤を備えたワークシステム。これがSharklyの属するカテゴリであり、「エージェントにはすでに課金している、必要なのは連携だ」というケースに当てはまるものだ。

並列AIコーディングエージェントを管理するためのベストツールをまとめた記事では、こうしたツールをさらに多く横並びで比較している。

オーケストレーションという答えの仕組み

まず境界線から説明しよう。無駄な検証を避けられるからだ。SharklyはClaude CodeやCodex、その他の実行ツールの代替ではない。チームがすでに使っているツールの周囲に、共有タスク、Computer、コンテキスト、制御、レビューのレイヤーを追加するものだ。単一ベンダーにタスク全体をエンドツーエンドで任せたいなら、それはDevinの形であって、Sharklyの形ではない。

代わりにSharklyが行うのは、すでに課金しているエージェントをチームメンバーのように振る舞わせることだ。

Computerはエージェント作業の実行ホストを提供する。ローカルコンピューター、リモートサーバー、コンテナ、または対応するクラウドホストだ。小さなローカルサービスがそれをSharklyに接続し、利用可能なRuntimeを検出し、作業を受け取り、タスクディレクトリを準備し、選択されたRuntimeを起動して、進捗をストリーミングで返す。実行されるランタイムは、開発者がすでにインストールして認証済みのものなので、モデルの利用はそれらのツールで設定されたサブスクリプションまたはAPIキーを通じて継続される。

Agentは使い捨てのプロンプトではなく保存された作業構成だ。指示、Runtime、Skills、リポジトリ、環境、実行設定を含む。これにより、一人が苦労して作り上げたプロンプト設定が、チーム全体で割り当て可能なものになる。

Taskは作業の主要な単位だ。ゴール、担当者、実行を割り当てられたAgentまたはCrew、コメント、そしてエージェントの実行状態、トレース、結果を保持する。レビューは、説明のないプルリクエストとして届くのではなく、根拠のすぐ隣にある。

そして必要なRuntimeがセレクターにない場合は、Computerの詳細ページからカスタムACP Runtimeを追加できる。アイコン、名前、起動コマンドを設定し、「Test connection」を選択すればいい。

具体例

6人チームが、範囲の明確なバグ修正のバックログのためにDevinを検証し、その成果を気に入った。彼らを止めたのは2つ目の予算だった。6人のうち5人がすでにClaude Codeを持ち、2人がChatGPT経由でCodexを持っていたのだ。

彼らが率直に語ったところによると、実際の悩みはエージェントの品質ではなかった。3人が同時にエージェントを動かしているのに共有のビューがなく、そのうち2人が前週に同じ修正を重複して行い、レビューは誰も背景を知らないプルリクエストとして届いていたのだ。

彼らは2台のComputerを接続した。1台は開発者のラップトップ、もう1台はステージングネットワーク経路を持つ共有Linuxサーバーだ。そして3つのAgentを作成した。バグ修正用、テストカバレッジ用、ドキュメント用で、それぞれに焦点を絞った指示と適切なリポジトリアクセスを設定した。バグチケットは修正用Agentに割り当てられたTaskになり、各実行は分離されたワークツリーで行われるため、並列作業の衝突がなくなった。分離されたワークツリーで並列エージェントを実行する方法を解説したガイドで、この設定を詳しく扱っている。

支出は変わらなかった。実行にはすでに支払っていたサブスクリプションを使ったからだ。変わったのは、重複作業がなくなり、ブロッカーがスタンドアップ前に見えるようになり、レビュアーがdiffの隣でトレースを読めるようになったことだ。

本当に引き継ぎ可能な作業、つまり誰も着手したがらない月に数件のチケットについては、Devinのシートを1つ残した。これは妥協ではなく、合理的な結論だ。

Devinとオーケストレーションレイヤーの公平な比較

乗り換え時によくある間違い

自律性を得るためにオーケストレーションレイヤーを買う。監督なしでタスクを担うエージェントが欲しいなら、連携レイヤーは期待外れになる。両者は別の製品だ。

環境の検討を飛ばす。あなたのリポジトリでローカルランタイムがホスト型より優れた結果を出すことが多い理由は、地味なものだ。プライベートレジストリ、シード済みデータベース、ステージング経路にアクセスできるからだ。どのツールを選ぶにせよ、出力品質を比較する前に、環境をどこに置くかを決めよう。

シート数だけを数えて実行回数を無視する。従量課金のエージェントは厳しい週にコストが増える。サブスクリプション型のランタイムはコストは一定だが、代わりにレート制限に当たる。どちらも無料ではない。失敗の仕方が異なるので、チームがどちらの失敗に耐えられるかを知っておくべきだ。

パイロットを決定事項として扱う。うまく選んだ3件のチケットなら、ほぼどこでも成功する。契約する前に、厄介なチケット、つまり不安定な統合テストを含むものを実行してみよう。

まとめ

この比較の正直な結論を述べよう。エンドツーエンドで作業を引き継ぎたい、そして従量課金の自律性に支払う用意があるなら、Devinはまさにそのために作られており、見るべきは同カテゴリの代替手段だ。

チームにすでに有能なエージェントがあり、それらを囲む共有システムがないことが問題なら、別のエージェントを買うのは間違った買い物だ。足りないのは、エージェントの作業を割り当て可能にし、分離し、追跡可能にし、レビュー可能にするレイヤーだ。保存された構成としてのAgent、実際の環境を担うComputer、そして計画・トレース・人間の判断が同居するTaskである。

それがSharklyの役割だ。まずComputerを1台接続し、Agentを1つ作成し、小さなTaskを1つ割り当ててみてから、それ以上のことを決めればいい。

よくある質問

SharklyはDevinの直接の代替ですか？いいえ。Devinは自律型エージェントです。Sharklyはエージェントを囲むレイヤーであり、チームがすでに使っているエージェントを実行します。一部の作業をエンドツーエンドで引き継ぎたいチームは、両方を併用することがよくあります。

Sharklyはエージェントの実行ごとに課金されますか？モデルの利用は、それらのツールに設定されたサブスクリプションまたはAPIキーを通じて継続されます。モデルのクォータは、チームが接続するAIコーディングツール、プラン、APIアカウントによって異なります。

Devinの料金はいくらですか？CognitionはDevinを、エージェントの実際の自律的作業を計測するAgent Compute Unitと、プラン階層によって課金しています。最新の数値はdevin.ai/pricingで確認してください。何度か変更されています。

Sharklyはどのエージェントを実行できますか？接続されたComputer上でローカルサービスが検出したRuntime、および独自の起動コマンドで設定した任意のカスタムACP Runtimeです。

ラップトップの代わりにサーバーでエージェントを実行できますか？はい。Computerはローカルコンピューター、リモートサーバー、コンテナ、または対応するクラウドホストにできます。CLIとローカルサービスはmacOS、Linux、Windowsにインストールできます。

チームがWindowsを使っている場合は？SharklyのインストーラーはWindowsに対応していますが、現在のWindows版インストーラーはAMD64のみです。このカテゴリのツールにはmacOS専用のものもあるため、代替手段と比較する際には確認する価値があります。