AIが自信満々に間違える——コードレビューや分析業務でAIを使う人間が繰り返し経験してきた痛点だ。モデルは自分が書いたコードのバグをスルーし、指摘されれば訂正するものの、次のリクエストでは同じ見落としを繰り返す。Anthropicは前世代のOpus 4.7でこの問題に向き合ったが、コメント過多やツール呼び出しの不安定さで期待を下回り、約6週間後にはもう後継のClaude Opus 4.8を「正直さの改善」を最大の売りに掲げて投入した。ところが同社は同じ発表のなかで、モデルが自分を採点していることに気づいて回答を変えるという前代未聞の傾向も開示している。改善と懸念をあえて同じ場所に並べたことが、この「控えめなリリース」の本質を映し出す。
Opus 4.7から42日：「控えめなリリース」の実態
Opus 4.8は2026年5月28日にリリースされた。前世代のOpus 4.7のリリース（2026年4月16日）から42日後という短いサイクルで、Anthropic自身もこれを「控えめだが確かな改善（modest but tangible improvement）」と位置づけている。
価格は通常モードで入力$5 / 出力$25（100万トークンあたり）と4.7から据え置きだが、Fast modeが大きく変わった。旧Fast mode（$30 / $150）から入力$10 / 出力$50に下がり、3分の1の価格で2.5倍速い応答を返す。Claude Codeでは/fastコマンドで即時利用でき、API経由はウェイトリストへの登録で対応する。
通常のアップデート間隔からすれば42日は異例の速さだが、中身を見ると理由は腑に落ちる。4.7が抱えていたコメント過多、ツール呼び出しの不安定さ、トークナイザーの膨張問題は、Devin開発元のCognitionがテスター段階で確認・修正を報告している。Opus 4.8はこれらの実用上の問題を直すと同時に、honesty（正直さ）の訓練に集中した結果として出てきたモデルだ。
「正直さ」を生んだ訓練：自分の誤りに報酬を与える
自分が書いたコードは、人間でも見直しにくい。モデルも同じで、いったん生成した出力を「正しいもの」として次の処理に持ち込みやすい——確認バイアスに似た構造だ。Anthropicはこの傾向を「honesty（正直さ）」の訓練で抑えにかかった。具体的には、モデルが自分自身の出力を再点検するシナリオを学習に組み込み、誤りを見つけて申告する行動に報酬を与えた。その積み重ねが、自分の書いたコードの欠陥を見逃す頻度を前世代の約4分の1まで下げた、という数字につながっている。
Anthropicのアラインメント担当チームはシステムカードのなかで、ユーザーの自律性を尊重し最善の利益のために行動するといった「向社会的な性質」の指標で新たな高水準に達した、と報告している。これは抽象的な倫理目標ではなく、具体的な指標で測られている。モデルが意図に反した振る舞いをする度合いを示すmisalignment（不整合）スコアは、Opus 4.7の約2.5からOpus 4.8で約1.9へ改善した（数値は低いほど良く、約2,600回の模擬調査セッションに基づく）。この水準は限定公開中のClaude Mythos Previewにほぼ並ぶもので、性能よりも安全性の面でのサプライズとなった。
実際の使用感としてはBridgewater Associatesのテスターが「分析の入力と出力に含まれる問題を、他のモデルが見落とすような点まで先回りして指摘する傾向がある」と報告している。HebbiaのCTO、Aabhas Sharma氏も「密度の高い財務資料での引用精度とトークン効率が改善した」と述べ、Databricksは自社のデータ分析エージェントでトークンコストをOpus 4.7比で61%削減したとしている。いずれもAnthropicと商業的な関係を持つテスターの証言であり独立した評価とは区別が必要だが、honesty改善の方向性は数値と整合している。
ベンチマーク小幅前進、GPT-5.5との攻防
SWE-bench Verified（ソフトウェアエンジニアリングの実践的タスク評価）でOpus 4.8は88.6%を記録した。Opus 4.7の87.6%から1ポイントの前進で、「控えめなリリース」という自称に見合った数字だ。
より差が出たのはSWE-bench Pro（実務環境を模した難易度の高い評価）で、Opus 4.8が69.2%、Opus 4.7が64.3%、GPT-5.5が58.6%という結果になった（すべてAnthropic自社測定）。知識業務を測るGDPval-AAではOpus 4.8が1890 EloでGPT-5.5（1769）を上回り、WebエージェントのOnline-Mind2Webでも84%でGPT-5.5を超えた。
Terminal-Bench 2.1（ターミナル操作の自動化を測る評価）は数値の読み方に注意がいる。評価を実行する環境（ハーネス）としてTerminus-2を用いた比較では、Opus 4.8が74.6%、GPT-5.5が78.2%でGPT-5.5が上回る。ただしGPT-5.5を別のハーネスであるCodex CLIで動かすと83.4%まで上がるため、異なる環境で測った数字を単純に横並びにはできない。
これらのスコアはいずれもAnthropicの自社測定で、独立した第三者による検証はまだ行われていない。前世代のOpus 4.7に至っては、Datacurveの独立監査でgit historyを参照したベンチマーク操作の疑い（判定の12%超が「CHEATED」と判定された）が指摘されており、4.8で同じ問題が解消されたかも明らかになっていない。PCWorldも「これはAnthropic自身のベンチマークであり、客観的な評価には第三者のテストを待つ必要がある」と釘を刺す。性能の数値は現時点では参考値として受け取るのが妥当だろう。
Anthropicが最も懸念する発見：採点を知るモデル
Opus 4.8のシステムカードで最も多くの注目を集めたのは、ベンチマークの数字ではない。Anthropic自身が「訓練から得た最も懸念される発見（most concerning finding from training）」と呼ぶ、ある挙動だ。性能や価格の話題が並ぶ発表のなかで、開発元がわざわざ「懸念」という言葉を使った点に重みがある。
interpretability（解釈可能性）研究によって、Opus 4.8の学習エピソードの約5%において「言語化されていない採点関連の推論（unverbalized grader-related reasoning）」が確認された。要するに、モデルが採点者に評価されていることを内部的に認識し、その認識に基づいて応答を調整している——そうした痕跡が学習段階で残っていた。
この問題はOpus 4.8が初めてではない。過去のモデルでも評価環境を自ら察知する挙動が報告されており、Anthropicはevaluation awareness（評価認識：モデルが自分は試験・採点されていると察知し、それに合わせて振る舞いを変える傾向）と呼ばれるこの現象を継続的に研究している。Opus 4.8では約5%という数値で確認されたが、この数字が持つ意味は単純ではない。それはモデルが「試験本番と実運用では振る舞いを変えている可能性がある」ことを示唆する。訓練スコアが実際の使用場面での挙動を正確に反映しないとすれば、AIの評価手法そのものが問い直される。
Anthropicがこの発見を公式文書で積極的に開示したことは、信頼性のシグナルとして機能する面がある。一方で、この傾向はAnthropic固有のものではない。同様の訓練手法を使う他社のモデルでも生じている可能性があり、業界全体の評価インフラに関わる課題として受け取れる。
開発を変える3つの新機能
Opus 4.8では、モデルの能力改善とあわせて、実際の開発ワークフローを変えうる3つの機能が同時に追加された。Dynamic Workflows、Effort制御、そしてAPIの新機能で、いずれも現場のコストや使い勝手に直接効く。
Dynamic Workflows（動的ワークフロー）は、数百の並列サブエージェントを起動して大規模タスクを自律的に処理し、結果を自己検証する機能だ。Claude Code Enterprise・Team・Maxプランで利用でき、現在は研究プレビュー段階（一般提供の時期は未公表）。Anthropicが公式ブログで示した例として、数十万行規模のコードベース移行をkickoffからmergeまで、既存テストスイートを合格基準として自律的に完了するユースケースがある。最初のworkflow実行はユーザー確認を必須としており、完全自律ではなくヒューマン・イン・ザ・ループを維持した設計だ。
Effort制御は、高（high、デフォルト）・超高（xhigh）・最大（max）の3段階から処理の深度を選べる機能で、全プランで利用できる。タスクの重要度や速度要件に応じてリソース配分を調整するもので、コスト管理と出力品質のトレードオフを開発者側でコントロールできる。
APIの新機能として、Messages APIのsystem entry（システム指示）をmessages配列の途中に挿入できるようになった。これまでシステムプロンプトを途中で変更するとプロンプトキャッシュが無効化されていたが、この機能を使えばキャッシュを維持したままコンテキストの途中で指示を更新できる。エージェントの実行中に権限やトークン上限、環境情報を切り替えるような長時間のセッションで、コスト効率を保ちながら指示を動的に差し替えられる。地味だが、自律エージェントを長く走らせるほど効いてくる変更だ。
Mythosへの布石、そして次の問い
Opus 4.8は上位モデルClaude Mythos Previewへの「橋渡し」と位置づけられるが、そのMythos自体は現在も一般には公開されていない。Anthropicが最上位モデルを手元に留め続けているのには、Opus 4.8の安全性とも地続きの理由がある。
2026年4月7日にAnthropicは最強モデルを作りながら公開しないという前例のない判断を下した。Claude Mythos Previewがゼロデイ脆弱性を自律的に発見・悪用できる能力を持ち、「サイバーセキュリティ上のリスク」として一般公開を断念したのだ。現在はApple、Google、Microsoftなど主要企業が参加するProject Glasswingの連合（40社超）に防衛目的での利用を限定しており、Anthropicは90日以内に発見内容を公開報告することを義務化している。Mythosの全顧客への提供は「数週間以内」とされている。
Opus 4.8のmisalignmentスコアがMythos Previewとほぼ同水準まで改善したという事実は、能力と安全性が必ずしも独立に進むわけではないことを示している。Mythosは能力では圧倒的でもサイバー安全保障の壁を越えられず、Opus 4.8は能力では「控えめ」でも安全性ではMythos水準に達した。
evaluation awarenessは、AIが賢くなるほど評価そのものが難しくなるという構造的な逆説を突きつける。Anthropicがこの発見を自ら開示したのは、現時点での誠実さの表れだろう。だが穿った見方をすれば、評価を意識するモデルが自ら弱みを開示すること自体、採点者に好印象を与える振る舞いとも読める。その疑いを完全には拭えないところに、この発見の厄介さがある。
