Command Aの料金・性能・使い方｜Cohere最上位モデルをCommand R+と比較 (2026年版)

30秒で結論

• 一番安く使いたい → Command R7B（入力$0.04/1Mトークン）が最安。開発・テスト向け
• 本番RAGシステム → Command R（$0.15/1Mトークン）が性能とコストのバランスで最適
• エージェント・長文・多言語 → Command A（入力$2.50/1Mトークン）。256Kコンテキストが活きる
• 無料で試す → 試用版APIキーで今日から開始できる（クレジットカード不要）

そして見落とされがちなのがオープンウェイツの扱い。Command Aはウェイツが公開済みだが、商用で自社サーバー運用するならCohere APIまたは別途エンタープライズ契約が前提になる（ライセンス要確認）。「公開＝無料で本番に使える」ではない点だけ先に押さえておきたい。

Cohere Command Aとは？なぜ今注目されているのか

Command Aは、Cohereが2025年3月13日にリリースしたエンタープライズ向けフラグシップLLMだ（Cohere公式、2026-06-28最終確認）。

それ以前のCommand Rシリーズ（R・R+・R7B）は、RAG（社内資料を読ませて答えさせる仕組み）とドキュメント検索に軸足を置いていた。Command Aはその枠を超える。エージェント・多言語・コーディングの3軸で機能を広げ、Cohereの「最上位モデル」として位置づけられている。

似た名前のCommand R+とは別物だ。R+は1世代前の高品質モデル、Aはその上に来る最新フラグシップ。名前が紛らわしいぶん、ここを取り違えると料金感も性能感もずれる。

Command Aの主要スペック

スペックを一覧にすると、注目点は最後の2行に集約される。

特筆すべきは256Kトークンのコンテキストウィンドウ。英語の小説1〜2冊分に相当する情報量を、一度にまとめて処理できる。長大なコードベース、契約書、技術仕様書をまるごと投入してから指示を出す、という使い方が現実的になる。

もう一つの個性がオープンウェイツだ。研究目的のモデルウェイツがHugging Faceで公開されている。ただし商用利用にはCohere APIまたは別途エンタープライズ契約が必要で、自社サーバーでの本番運用ライセンスは公開ウェイツに含まれない。ここは誤解が多いので、最新条件をCohereの公式ページで必ず確認してほしい（2026-06-28時点）。

Command Aの料金はいくら？全モデル比較表

Cohereは用途別に4つのCommandモデルを出している。まず全体像から押さえよう。

Command R+とCommand Aは料金が同額だ（Cohere公式 pricing、2026-06-28最終確認）。違いはコンテキストが128K→256Kに倍増した点と、エージェント・多言語の強化。同じ値段なら基本Aでいい、という結論になりやすい。ただし自社ワークロードでの検証は別途やってほしい。

1日100万トークンだと月いくら？日本円換算の目安

入力で1日100万トークンを処理する想定で、月額をざっくり出すとこうなる（為替は$1≒¥150で概算、実レートで変動）。

• Command R7B: 約$1.2/月（≈¥180）
• Command R: 約$4.5/月（≈¥675）
• Command A: 約$75/月（≈¥11,250）

入力単価で見れば、Command AはGPT-4o（$2.50/1M入力）と同水準。それで256Kコンテキストが使えるのだから、長文を大量に投げる用途ではコスパが効いてくる。逆に短い問い合わせを延々さばくだけなら、Aは明らかにオーバースペックだ。

Command Aの性能・ベンチマークはどの程度？

数字を盛りたくなるところだが、公開ベンチマークは出そろっていない。Cohereとサードパーティの公開情報から、言える範囲だけ整理する。

正直なところ、生成スピードは速い部類ではない。Artificial Analysisの計測では同クラスのオープンウェイツ中央値（約84.5トークン/秒）を下回る。リアルタイムの対話アシスタントとして使うなら、この遅さは体感に出る。

一方で、Command Aの土俵は速度競争ではない。長文をまとめて読ませる、エージェントとして複数ツールを叩く、規制業界でオンプレ運用する——こういう用途では速度より「何を任せられるか」が効く。MMLUやGPQAといった定番ベンチの確定スコアは公式に出そろっていないため、本記事ではあえて具体値を書かない。最新の計測値が必要ならCohere公式ブログを直接当たってほしい。

Cohereの無料トライアルとAPIキー取得方法

Command Aを無料で試すには、Cohereのトライアルプランを使う。順を追って進めれば数分で最初の呼び出しまで到達できる。

ステップ1: アカウントを作成する

cohere.com にアクセスし、Googleアカウントまたはメールアドレスでサインアップする。

ステップ2: APIキーを取得する

ダッシュボード右上の「API Keys」タブから新しいキーを生成する。発行直後のキーは画面に一度しか表示されないので、その場で控えておくこと。

ステップ3: トライアルの制限を把握する

無料トライアルのAPIキーには、次の制約がある。

• レートリミット: 10 API calls / 分
• 月間利用上限あり（商用利用は不可）
• 本番デプロイには有料プランへのアップグレードが必要

検証や学習には十分だが、ユーザーに公開するサービスには載せられない。試して感触を掴んだら有料へ、という前提で使うのが筋だ。

ステップ4: 環境変数に設定する

キーはコードに直書きせず、環境変数に逃がす。

# .envファイルまたはターミナルで設定
export COHERE_API_KEY="your-api-key-here"

ここまで終われば、あとは実装に入るだけだ。

PythonでCommand Aを使う実装例

基本的なテキスト生成

まずCohereの公式Pythonライブラリを入れる。

pip install cohere

最小構成のチャット生成はこれだけだ。モデルIDにcommand-a-03-2025を指定する点だけ忘れないこと。

import os
import cohere

co = cohere.ClientV2(api_key=os.environ["COHERE_API_KEY"])

response = co.chat(
    model="command-a-03-2025",
    messages=[
        {
            "role": "user",
            "content": "Pythonでデータ分析をするためのベストプラクティスを教えてください。"
        }
    ]
)

print(response.message.content[0].text)

256Kコンテキストを活用した長文処理

Command Aの真価は長文処理にある。たとえば大規模なコードベースをまるごとレビューさせる場合はこうなる。

import os
import cohere

co = cohere.ClientV2(api_key=os.environ["COHERE_API_KEY"])

# 長大なコードベースや仕様書をそのまま投入できる
with open("large_codebase.py", "r") as f:
    code_content = f.read()

response = co.chat(
    model="command-a-03-2025",
    messages=[
        {
            "role": "system",
            "content": "あなたはシニアソフトウェアエンジニアです。コードレビューを日本語で行います。"
        },
        {
            "role": "user",
            "content": f"以下のコードを詳細にレビューしてください：\n\n{code_content}"
        }
    ],
    max_tokens=4096
)

print(response.message.content[0].text)

ファイルを分割せず一気に渡せるのが256Kの効きどころ。短いモデルだと「ここまでの内容を覚えてる？」とつなぎ直す手間が要るが、その分割ロジックがまるごと不要になる。

ストリーミングレスポンス

応答を逐次表示したいならchat_streamを使う。

import os
import cohere

co = cohere.ClientV2(api_key=os.environ["COHERE_API_KEY"])

for event in co.chat_stream(
    model="command-a-03-2025",
    messages=[
        {
            "role": "user",
            "content": "機械学習の基礎を初心者向けに解説してください。"
        }
    ]
):
    if event.type == "content-delta":
        print(event.delta.message.content.text, end="", flush=True)

JavaScriptでの実装

Node.js側でも書き味はほぼ同じだ。

const Cohere = require('cohere-ai');

const co = new Cohere.CohereClientV2({
  token: process.env.COHERE_API_KEY,
});

async function generateWithCommandA(prompt) {
  const response = await co.chat({
    model: 'command-a-03-2025',
    messages: [
      {
        role: 'user',
        content: prompt,
      },
    ],
  });

  return response.message.content[0].text;
}

// 使用例
generateWithCommandA('TypeScriptの型安全な設計パターンを教えてください')
  .then(console.log)
  .catch(console.error);

エージェントワークフローへの組み込み

Command Aが際立つのがエージェント型のタスク実行だ。Tool use（AIに外部ツールを呼ばせる仕組み）とFunction callingを組み合わせ、外部APIと連携した自律エージェントを組める。

下のコードは「社内データベースを検索するツール」をAIに渡し、必要に応じて呼ばせる例だ。

import os
import cohere

co = cohere.ClientV2(api_key=os.environ["COHERE_API_KEY"])

# ツール定義
tools = [
    {
        "type": "function",
        "function": {
            "name": "search_database",
            "description": "社内データベースから情報を検索する",
            "parameters": {
                "type": "object",
                "properties": {
                    "query": {
                        "type": "string",
                        "description": "検索クエリ"
                    },
                    "limit": {
                        "type": "integer",
                        "description": "取得件数",
                        "default": 5
                    }
                },
                "required": ["query"]
            }
        }
    }
]

response = co.chat(
    model="command-a-03-2025",
    messages=[
        {
            "role": "user",
            "content": "2026年第1四半期の売上レポートを検索して要約してください"
        }
    ],
    tools=tools
)

# ツール呼び出しが含まれている場合の処理
if response.message.tool_calls:
    tool_call = response.message.tool_calls[0]
    print(f"ツール呼び出し: {tool_call.function.name}")
    print(f"引数: {tool_call.function.arguments}")

LangChainやLlamaIndexとの公式統合も用意されているので、既存のエージェント基盤に差し込む形でも導入しやすい。フレームワークを使うなら、モデル名を差し替えるだけで動くケースが多い。

Command Aと競合LLMはどう違う？詳細比較

企業導入では、他社の最上位モデルとのコスト・機能比較が欠かせない。主要モデルを並べた。

※各社の料金は改定が頻繁なため、Claude Opusなど変動の大きいモデルは確定値を載せず公式参照とした（2026-06-28時点）。Command A・Command R+・GPT-4oの単価はCohere/OpenAI公式で確認済み。

Command Aが競合に勝るポイント:

1. コンテキストウィンドウ: GPT-4oの2倍（256K vs 128K）。長文をまるごと渡せる
2. オープンウェイツ: 自社インフラへデプロイ可能。データをCohereに送らない構成が組める
3. エンタープライズ特化: API設計がRAG・エージェント向けに最適化され、実装が素直
4. 多言語の明示: 23言語対応を公式に明記。対応範囲が文書化されている

逆に弱いところも隠さず書く。

Command Aが競合に劣るポイント:

• 生成速度は約66.6トークン/秒で、同クラス中央値を下回る（Artificial Analysis、2026-06-28）
• 一般的な創作文章より、企業の業務処理に振った設計
• 日本語の細かいニュアンスではGPT-4oのほうが自然な場合がある

Command Aを選ぶべきユースケース

✅ Command Aが向いているケース

1. 長文ドキュメント処理 256Kコンテキストを活かし、年次報告書・契約書・大規模コードベースをまるごと処理できる。「この数百ページの契約書から重要条項を全部抜いて」といった要求に正面から応えられる。

2. 多言語サポートシステム 23言語対応なので、グローバル企業のカスタマーサポートや多言語コンテンツ生成に向く。日本語・英語・中国語・韓国語をまたぐワークフローも、1つのモデルで回せる。

3. AIエージェントの中枢 Tool use機能を備えるCommand Aは、複数APIを叩きながらマルチステップのタスクを自律実行するエージェントの「脳」として機能する。LangChainやLlamaIndexとの統合も公式サポート済みだ。

4. コーディング支援 Command Rシリーズと比べてコーディング性能が底上げされている。コード補助用途——PRレビュー、バグ修正、テストコード生成——に組み込める。

5. データプライバシーが重要な業界 金融・医療・法務など、データを外部に出せない業界では、オープンウェイツを使った自社インフラ運用が選択肢になる。これは多くのクローズドモデルにはできない芸当だ。

❌ Command Rや他モデルのほうが向いているケース

• コスト最優先の軽量タスク → Command R7B（$0.04/1M）が圧倒的に安い
• RAG特化・文書グラウンディング → Command Rは引用付き回答に最適化された設計
• 日本語の創作・マーケコピー → ChatGPTやClaudeのほうが自然
• 個人利用 → Cohere APIはエンタープライズ向けで、個人向けチャットUIはない

編集部の評価

AI PICKSでは500以上のAIツールを独自基準で評価している（評価方針について）。Command Aについては、公開情報をもとに次のように見ている。

• コストパフォーマンス: ★★★★☆ GPT-4oと同単価で256Kコンテキスト。長文を大量に投げる用途では破格に近い。短文中心ならオーバースペックで、Command Rのほうが理にかなう。
• 使いやすさ: ★★★☆☆ APIファーストでチャットUIがないため、非エンジニアには手が出しづらい。ただしSDKとドキュメントは整っていて、開発者にとっては素直。
• 日本語品質: ★★★☆☆ 23言語対応を謳うが、細かいニュアンスではGPT-4oやClaudeに一歩譲る。翻訳・要約・分類なら実用レベル。
• 生成速度: ★★★☆☆ 約66.6トークン/秒は正直イマイチ。対話アシスタント用途だと体感の遅さが出る（Artificial Analysis、2026-06-28）。
• エンタープライズ適性: ★★★★★ オープンウェイツ・エージェント機能・256Kコンテキスト・RAGツール群。企業向けインフラとしての評価は圧倒的に高い。

総合すると、エンタープライズ開発者・企業ITチームには自信を持っておすすめできる。コンシューマー向けではないが、本格的なAIシステムを社内に作るなら最有力候補のひとつだ。

編集部の比較整理

比較の観点

Command Aを評価するうえで、汎用最上位のChatGPT（OpenAI）とClaude（Anthropic）を比較対象に置いた。判断軸は3つ。

1. エンタープライズ用途での料金妥当性（API単価・コンテキスト長あたりのコスト）
2. 長文・エージェント処理の適性（コンテキストウィンドウとツール呼び出し）
3. 日本語を含む多言語対応の幅

公開情報からの比較整理

各社の公式ドキュメントを突き合わせると、ポジションがきれいに分かれる。

Command Aの差別化は、オープンウェイツ・256Kコンテキスト・23言語の明示、この3点に集約される。汎用性で勝負しているモデルではない。

編集部の総合判断

• オンプレ・自社環境で動かしたい企業 → Command A一択。ウェイツ公開モデルでデータ主権を確保しやすい。
• 対話UIや汎用アシスタント用途 → ChatGPT・Claudeが成熟しており、エコシステムも厚い。
• 多言語RAG・長文エージェント基盤 → Command Aの256Kコンテキストと多言語設計が活きる。

よくある質問

Q. Command AとCommand R+はどちらを選ぶべき？

基本はCommand Aだ。料金は同額で、コンテキストが2倍（128K→256K）、エージェントと多言語も強化されている。新規ならR+を選ぶ理由はほぼない。ただし既にR+でプロンプトを作り込んでいる稼働中システムなら、移行コストと天秤にかけて判断したい。

Q. オープンウェイツって、無料で本番に使えるという意味？

違う。ウェイツ（学習済みパラメータ）がHugging Faceで公開され、自社サーバーにダウンロードして動かせるのは事実だ。ただし商用で自社運用する場合のライセンスは公開ウェイツに含まれず、Cohere APIまたは別途エンタープライズ契約が必要になる。「公開＝商用フリー」ではないので、最新条件を公式で必ず確認すること。

Q. 無料プランでCommand Aは使える？

使える。試用版APIキー（トライアルプラン）でCommand Aにアクセスできる。ただしレートリミット（10回/分）と月間上限があり、商用利用は不可。本番運用には有料プランへのアップグレードが要る。

Q. LangChainやLlamaIndexと統合できる？

できる。CohereはLangChain・LlamaIndexの公式インテグレーションを提供しており、langchain-cohereパッケージで組み込める。ChatCohereクラスでCommand Aを指定すれば、既存のLangChainワークフローにそのまま乗る。

Q. 日本語対応はどの程度？

23言語対応に日本語も含まれる。ビジネス文書の翻訳・要約・分類なら実用レベルだ。ただしマーケコピーやブログなど、微妙なニュアンスが要る生成ではChatGPTやClaudeのほうが自然な結果になりやすい。用途で使い分けるのが現実的。

Q. Command R（無印）はまだ使う価値がある？

ある。RAGに特化した設計と、Command Aより圧倒的に安い料金（$0.15/1M vs $2.50/1M）は強い。大量のドキュメント検索・引用付き回答・QAシステムなら、Command Rがコスパ最優秀だ。「重要クエリだけCommand A、大量処理はCommand R」という併用が理にかなう。

Q. 生成速度は速い？リアルタイム用途に向く？

速くはない。Artificial Analysisの計測で約66.6トークン/秒、同クラス中央値（約84.5）を下回る（2026-06-28）。低レイテンシのチャットボットが主目的なら、この遅さは体感に出る。長文バッチ処理やエージェントなど、スループットより処理内容が効く用途向けと考えたほうがいい。

Q. どのモデルIDを指定すればいい？

command-a-03-2025 を指定する。OpenRouter経由なら cohere/command-a。本記事のコード例はすべてこのIDで動く。後継版が出た場合はIDが変わるため、公式ドキュメントで最新の識別子を確認してほしい。

関連記事

• Claude Sonnet 4.6完全ガイド｜料金・使い方・API実装・Opus 4.7との違いを解説
• ChatGPT Go完全ガイド｜料金・使い方・Plusとの違いを比較
• ChatGPT o3・o4-mini完全ガイド｜違い・料金・使い方を解説