複数の AI エージェントに同じ最高性能モデルと最大 effort を一律指定しない。計算資源は、各役割が持つ判断のレバレッジと失敗時の手戻りコストで配分する。

要件解釈、境界分割、結果統合、最終判断を担うリーダーには高性能モデルと高めの reasoning を置く。計画と変更範囲が明確な実装担当には、速度と費用のバランスがよいモデルを中程度の reasoning で置く。レビューは呼び出し回数が少なく欠陥検出の価値が高いため、実装系統と異なる強いモデルを高めの reasoning で one-shot 実行する。単純な探索、ログ要約、機械的確認だけを安価なモデルへ落とす。

明示的なリーダーと担当境界を持つチームの上に、別の自動マルチエージェント・オーケストレーターを常用で重ねない。分割の二重化、入れ子の委譲、責任境界の曖昧化、トークン増加を招くためである。深い自動委譲は、既存の編成外で独立作業へきれいに分割でき、品質または所要時間の改善を測れる場合だけ選択的に使う。

モデル更新時は名前だけ置換せず、代表タスクで現行 effort と一段低い effort を比較する。タスク成功率、レビューラウンド、差し戻し、総トークン、待ち時間、費用を記録し、最高設定ではなく手戻り込みの総コストが最小になる配分を採用する。