← Claude のニュースへ戻る
Claude

Anthropic が「AI開発のペース」を測る3指標を公開。社内で常時3万体のエージェント、R&D の26%は Claude が主導、安全性向け計算資源は6%

Anthropic が 2026-09-17、フロンティア AI ラボ内部の開発速度を外部から追跡するための3指標を公開し、自社の実測スナップショットを添えた。指標1は AI による AI R&D の自動化度で、Epoch AI の Automation Level（AL0〜AL5）に基づく Anthropic R&D Automation Index を試作した結果、Claude が主導（AL4）する業務は26%、AI が協働（AL3）以上は90%超、完全自律（AL5）に達した領域はゼロ。指標2はエージェント監視で、2026-08 時点で最も使われる社内プラットフォーム上に常時およそ3万体のエージェントが稼働し、オンライン監視が全アクションの100%を実行前に通過させ、10億件超の判断のうちブロックは0.002%（約47,000件に1件）、オフライン監視は週約10万トランスクリプトをフラグし最優先の週約50件が人間のレビューへ上がる。指標3は計算資源配分で、2026-07-13〜07-20 の1週間で AI R&D 向け計算資源のうち安全性向けは約6%、AI 主導の AI R&D に限ると約12%。複数組織からの独立した第三者評価者を社内に常駐させる計画も示された。

ニュース原文を読む ↗

要約

Anthropic は 2026-09-17、フロンティア AI ラボの内部で開発がどれだけ速く進んでいるかを、外部から追跡するための3つの測定指標を公開しました。自社の実測スナップショットが添えられている点が、この発表の核心です。

背景には、Anthropic CEO の Dario Amodei によるフロンティア開発のペース調整の呼びかけがあります。公式は「世界がフロンティアのペース調整を検討するなら、フロンティアラボが知っていることと公衆が知っていることの差を、できる限り小さくすべきだ」と述べています。

3指標は次のとおりです。

指標1: AI による AI R&D の自動化度

なぜ測るのか。 フロンティアラボは、次世代モデルを作るために AI 自体を使う度合いを増やしています。これは開発を速め、リリース前の安全性テストを厚くできる一方で、モデルが自分の開発を加速させることで、人間がシステムを理解・制御しにくくなる恐れがあります。再帰的自己改善（モデルが完全に自律的に後継を作る状態）にどれだけ近いかを把握するために測る、と説明されています。

何を測ったか。 社内の AI R&D 業務をすべて棚卸しし、各タスクの自動化度を評価して集計した Anthropic R&D Automation Index を試作しました。評価尺度は Epoch AI の **Automation Level（AL）**で、**AL0（AI 関与なし）から AL5（AI が完全自律、人間はループ外）**まで。AL3 は「AI が協働する」（人間の密な指示のもとで大きな塊をこなせる）、AL4 は「AI が主導する」（高レベルのプロンプトからタスクの大半を端から端まで完遂し、人間は監督）です。

結果はこうです。

  • Claude が完全自律（AL5）で動いている領域は、測定したどの部分集合にも存在しない
  • Claude が「主導」しているのは、Anthropic の AI R&D 業務の 26%
  • 「AI が協働」以上の割合は 90% 超

指標2: エージェントの監視

何を測ったか。 Anthropic のシステム上でエージェントが取る行動を監視し、介入できる仕組みを構築したうえで、3つのメトリクスを測っています。

  • coverage（カバレッジ）: エージェントの行動のうち、実行前または実行後に監視を通過する割合
  • review latency（レビュー遅延）: 行動から、自動監視・人間レビューまでの時間
  • escalation rate（エスカレーション率）: ブロック / リダイレクトされる、あるいは追加レビューへフラグされる割合

結果はこうです。 2026-08 時点で、最も使われている社内プラットフォーム上に、常時およそ 30,000 体のエージェントが研究・エンジニアリング業務に従事していました。

オンライン監視（実行前）は、全アクションの 100% を実行前に通過させ、通常は数秒以内で判定します。2026-08 の10億件超の判断のうち、ブロックされたのは 0.002%（約47,000件に1件）。ブロックされた行動は1週間以内に人間がレビューします。

オフライン監視（実行後）は、全アクションの 100% を取り込み、週あたり約10万トランスクリプトをフラグします。フラグは複数の分類器で偽陽性の除去と初期レビューを受け、大半はこの過程で解消されます。最優先のフラグ（週およそ50件）が人間のレビューへエスカレーションされます。フラグ率は1000件に1〜2件。

指標3: 計算資源の配分

なぜ測るのか。 AI 開発者は計算資源を、より強力なモデルの構築、顧客への提供、そして安全性向けの作業（モデルの「思考」の監査、ミスアライメント研究のためのモデル生物の訓練、安全にデプロイできるかの評価）に使います。配分を見れば、どこに資源を寄せているか、それがどう変化しているかが分かります。

結果はこうです。 2026-07-13 から 07-20 の1週間のスナップショットで、AI R&D へ向かった計算資源のうち、安全性向けは約 6%。AI 主導の AI R&D に向かった分に限ると、安全性向けは約 12% でした。

第三者評価者の常駐

Anthropic は、複数組織からの独立した第三者評価者を社内に常駐させ、内部プロセス・システム・データへ、社内のリスク評価チームと同等のアクセスを与える計画も示しました。第三者は安全性の実務を検証し、インシデントを報告し、今回のような主要メトリクスを監視します。

これらの数値はペース調整の合意が成立すれば変動すると、公式が自ら留保しています。

何が変わったか

  • フロンティアラボ内部の開発速度を測る3指標（AI主導のR&D自動化度 / エージェント監視 / 計算資源配分）が、他社が追随できる方法論つきで公開された
  • Claude が「主導」する AI R&D 業務は 26%、「協働」以上は 90% 超、完全自律はゼロ
  • 社内プラットフォーム上に常時およそ 30,000 体のエージェントが稼働（2026-08 時点）
  • オンライン監視のカバレッジは 100%（実行前、通常数秒以内）、ブロック率 0.002%（約47,000件に1件）
  • オフライン監視は週約10万トランスクリプトをフラグ、週約50件が人間のレビューへ、フラグ率は1000件に1〜2件
  • AI R&D 向け計算資源の約 6% が安全性向け、AI 主導の AI R&D に限ると約 12%（2026-07-13〜07-20 のスナップショット）
  • 独立した第三者評価者を社内へ常駐させ、社内リスク評価チーム同等のアクセスを与える計画
  • 手法の詳細は付録で公開され、他の開発者が同じ指標を今日から報告できる形で提示されている

業務インパクト（一般企業向け）

製品の変更はありません。それでもこの発表を読む価値があるのは、指標2がそのまま自社のエージェント統制の設計図になるからです。

coverage / review latency / escalation rate という3つの組み合わせは、汎用です。 Anthropic は「自社の研究・エンジニアリング業務でエージェントを動かしている開発者なら、誰でも同じ指標を公開できる」と明記しています。これは自社にも当てはまります。

自社でエージェントを業務に入れている組織は、この3問に答えられるかを確認してください。

  1. カバレッジ: エージェントの行動のうち、何%が監視を通っているか
  2. レビュー遅延: フラグが立ってから、実際に人が見るまで何時間・何日か
  3. エスカレーション率: どれだけがブロックされ、どれだけが追加レビューへ回っているか

多くの組織は、1問目で止まります。 「エージェントが何をしたか」のログすら残っていないことがあります。この3指標の価値は、数値そのものではなく「測れない状態が可視化されること」にあります。

もう1つ実務的なのは、監視を「実行前」と「実行後」に分けている設計です。 オンライン監視は全アクションを実行前に通し、通常数秒で判定します。オフライン監視は実行後に全件取り込み、週次で人間のレビューへ上げます。 速さと深さを両立させるには2層に分けるしかない、という設計上の結論が、実測値つきで示されています。

この2層構造は、AI を使う業務フローの設計にそのまま流用できます。 「全件を実行前に軽くチェックし、サンプルを事後に深く見る」——完璧な事前チェックを目指して詰まっている組織には、現実的な落とし所として提示できます。

数値の読み方には注意が要ります。 ブロック率 0.002% は「ほとんど問題が起きていない」とも「監視が緩い」とも読めます。分母（10億件超の判断）と分子（ブロック）だけでは、見逃しの量は分かりません。 公式が「第三者評価者を常駐させる」計画を同時に出しているのは、自己申告の数値には検証が要るという認識の表れと読むのが妥当です。

自社のベンダー選定でも同じ読み方をしてください。 数値が出ていることは前進ですが、数値だけでは安全性の証明になりません。 見るべきは「その数値がどう検証されているか」です。

計算資源の 6% / 12% という数字は、社内説明に使えます。 「AI ベンダーは安全性にどれくらい投資しているのか」という質問に、推測ではなく1週間のスナップショットという限定つきの実数で答えられます。限定つきである点も含めて伝えるのが誠実な使い方です。

副業・個人活用視点

「30,000 体のエージェントが常時動いている」という数字は、営業の場で強い材料になります。

AI 導入を検討しているクライアントに対して、モデルを作っている会社自身が、自社の研究開発をどこまでエージェントに任せているかを具体的な数字で示せます。「AI で効率化できます」という一般論より、**「AI を作っている会社では、R&D 業務の26%を AI が主導している」**のほうが説得力があります。

同時に、留保も正直に伝えるべきです。 完全自律はゼロ、協働以上が90%超、主導は26%。つまり大半は「人間が密に指示している状態」です。 この数字を「AI が仕事を奪う」方向に使うのは誤読で、**「人間が指示と監督をする形で、AI が大きな塊をこなす」**というのが現状です。この読み方を正確に伝えられるかが、コンサルとしての信頼を分けます。

エージェント統制の設計は、そのまま受注可能な仕事です。 coverage / review latency / escalation rate という3指標は、顧客企業のエージェント運用にそのまま当てはめられます。 「まず何がどれだけ監視されていないかを可視化する」という診断から入るのは、提案として具体的で、成果物も明確です。

教える立場では、「30,000 体」と「0.002%」の対比が使えます。 3万体が同時に動く環境で、10億件の判断のうちブロックは47,000件に1件。この規模感を先に見せておくと、「エージェントを1体動かすのとは違う問題が起きる」という話が実感を伴います。 エージェント活用の研修で、規模の効果を説明する導入として適しています。

同じ日に OpenAI も、ミスアライメント事例の開示フレームワークを公開しています。 Anthropic が「どれだけ速く進んでいるか」を、OpenAI が「何が起きたか」を出した形です。2社が同じ週に、別の角度から内部の可視化を始めたという整理は、業界動向の解説として組み立てやすい構図です。

関連リンク