DeepSeekは、最小限の監視で複数ステップのコーディングタスクをこなす「スーパーエージェント」をプレビューするとともに、同社のHarnessチームがリサーチ用プロトタイプ「dsh-superagent」をオープンソースとして公開した。このプロトタイプはGitHub（オプションでFeihuも対応）経由で開発リクエストを受け付け、元のスレッドにプルリクエストを返す仕組みだ。
今回の戦略的なシグナルは「もう一つの高性能モデル」ではなく、現在のボトルネックがどこにあるかという見立てに基づいた賭けである。OpenAIとAnthropicは純粋な推論能力を押し上げてきたが、本番環境における難題はコーディネーションだ。複数エージェントを運用するチームは、作業の振り分け、進捗の監視、そして出力の統合に時間を費やしている。リクエストを受け取り、独立したセッションで処理し、レビュー可能なPRとして返却するシステムは、現在のエージェントが実際のエンジニアリングワークフロー内でスケールできない原因となっているオーバーヘッドを直撃する。
DeepSeekの配布戦略は、アーキテクチャと同様に重要な意味を持つ。プロトタイプをGitHubに直接統合し、オープンソースとして公開することで、クローズドなAPIや1シートごとの課金モデルの裏側ではなく、開発者が日常的に使うツールの中で出会える場を作った。これは、同社の以前のモデルを急速に普及させたのと同じ低コスト・オープン戦略だ。独自仕様・従量課金のアクセスモデルに経済基盤を置くOpenAIとAnthropicにとって、PRを出力できる信頼性の高いオープンエージェントの登場は、価格競争と「フロンティア級のコーディングツールは米国ベンダーから借りるもの」という前提の両方に圧力をかける。
日本にとって、この影響は特定の領域に集中して及ぶ。SIerのビジネスモデルは依然として人月単価を基本とし、RPA導入はクリック操作の自動化にとどまっている。チケットを読んで動くコードを返すエージェントは、そうした構造を支える中間スキルの実装労働をまさに圧縮する。短期的な機会は、こうしたエージェントをデリバリーに組み込み、成果ベースの価格設定に移行することだ。一方、短期的なリスクは、クライアントがオープンツールで代替できるシートになぜ費用を払うのかと問い始めることである。
しかし、導入にあたってはガバナンスの壁が立ちはだかる。日本の企業・公共セクターの調達担当者は、データ残存規制、調達セキュリティ審査、そしてコードやIPが管理境界の外に出ることへの高まる警戒感を踏まえ、リポジトリへのアクセス権を持ちFeihuを通じて作業をルーティングする中国発エージェントを厳しく精査するだろう。SIerや社内プラットフォームチームにとっての現実的な道筋は、オープンプロトタイプのエージェントオーケストレーション設計を研究したうえで、自社が監査できるインフラとモデル上で同等のパターンを実装し、サプライチェーンおよびコンプライアンス上の問題を引き継がずに生産性向上の恩恵を得ることだ。
