第三者のAI評価機関であるMETRが2026年11月に公表した独立評価は、Anthropicが明確に定義されたタスクにおけるモデル能力を、2024年3月から2025年10月までの期間のおよそ2倍のペースで向上させていると結論づけています。報告書は、この加速の約80%を、計算資源や人員の増加ではなく、Anthropic自身の研究開発(R&D)の内部で使われているAIツールによるものだとしています。さらに、今後12か月にこの傾向を鈍らせそうな明確な技術的ボトルネックも見つからなかったとしています。この3つの知見があるからこそ、この報告書は思考実験ではなく、実在する研究所での再帰的自己改善の証拠として読めるのです。ただし、報告書には現実的な限界もあり、それを理解することは見出しの数字と同じくらい重要です。
評価の経緯
この監査の発端は2026年9月12日にさかのぼります。この日、AnthropicのCEOであるダリオ・アモデイ氏が、暴走的な自己改善への懸念から「フロンティアのペースを調整する(pace the frontier)」計画を公表し、OpenAIのCEOであるサム・アルトマン氏も公に賛同して、OpenAIも同じ考え方に取り組むと表明しました。両者は、独立した評価機関に対して、社内モデル、システム、チャットログ、研究者への従業員並みのアクセスを提供すると約束しました。
METRによるAnthropicでの評価は8月中旬に始まり、11週間にわたって実施され、常勤換算で約2.5人の体制で進められました。その成果である2026年11月5日付の文書は「2026年10月時点のAnthropicにおけるAI R&D加速の独立評価(Independent Assessment of AI R&D Acceleration at Anthropic in October 2026)」と題されています。METRは、事前学習、強化学習、計算クラスターにまたがる大量の生の内部データを検証できたとしています。評価では3つの問いに答えることが目指されました。社内の能力向上は加速したのか、加速のうちどれだけがAIによるものか、そして近い将来にボトルネックは存在するのか、という問いです。報告書の答えは、加速した、大部分はAIによる、ボトルネックは特定されず、というものでした。
中核となる数値
見出しの数字は2倍の加速ですが、METRは手法についてスタッフの間で意見が分かれたこと、妥当な範囲は1.3倍から3倍に及ぶことを明記しています。Anthropicの社内能力指標であるAECI(Anthropic Epoch Capabilities Index)について、METRは2025年10月以降の加速係数を1.9倍、95%信頼区間を1.5倍から2.8倍と報告しています。
| 指標 | 従来(2024年初頭~2025年後半) | 2025年後半以降 |
|---|---|---|
| AECIの伸び率 | 年間約15ポイント | 年間29ポイント超 |
| ベンチマークの進歩 | 2年間(2023年10月~2025年10月) | 1年間で同等の進歩(2025年10月~2026年10月) |
| 加速の推定値 | 基準 | 約2倍(範囲は1.3倍~3倍) |
| AIツールに帰属する割合 | 該当なし | 約80% |
ここでいう「明確に定義されたタスク」とは、主にAI R&Dの中核業務、すなわちシステムインフラの最適化と、学習パイプラインを支える自律的なコード生成を指します。報告書は、この加速がオープンエンドで定義の曖昧な研究課題にどの程度当てはまるかについては確信が低いとしており、外挿する際にはこの留保を重く見るべきです。
METRが計算資源や採用ではなくAIを要因とみなす理由
評価では、AI以外の説明で高速化を説明できるかどうかが具体的に検証されました。計算資源の伸びの加速、積極的な採用、人間によるアルゴリズム上の突破口といった要因です。METRは、加速は計算資源の伸び率の上昇によるものではないと結論づけましたが、計算資源のスケーリングに関する詳細な根拠はAnthropicの要請により非公開とされました。補足となる背景として、Anthropicは2026年前半にフロンティアモデルの提供で制約に直面しており、これはインフラの急激な拡大ではなく、既存のアーキテクチャとハードウェアから成果を絞り出したという筋書きと整合します。
根拠は複数の方向から集められました。研究者への定性的なインタビュー、自己申告による生産性向上の指標、人員記録、書かれたコードの行数、実験の利用ログです。さまざまなモデル学習ワークフローにわたって、AIの利用は加速係数2倍前後に集中していました。

▲ AI開発を加速させるAIツール
報告書によれば、転換点は2025年後半のClaude Opus 4.5のリリースでした。それ以前の2025年後半の進歩は、まだ部分的に人間のエンジニアリングによるものでした。それ以降は、自律エージェントが小さなコード断片ではなく、完全なアプリケーション機能やアーキテクチャ上のコンポーネントを構築できるようになりました。AECIのグラフでは、2024年4月からClaude 3.5 Sonnet、Claude Opus 4を経て年間約15ポイントの傾向が安定して続き、Opus 4.5の後に上向きに曲がり、Opus 4.6、初期のMythosモデル、Opus 5.5へと続いています。2026年初めにMythosが登場すると、曲線は以前の傾きに戻るのではなく、再び急になりました。
研究者が語る実感
匿名化されたインタビューの記録も同じ方向を指しています。研究者は一貫して全体で2倍を超える高速化を支持し、4倍と見積もる人もいれば、より懐疑的で自身の生産性向上を15%から20%とする人もいました。ある研究者は、社内モデルによる支援をR&Dの進歩に対する単一で最大の効果であり、他のすべての要因を合わせたよりも大きいと述べました。具体的な主張としては、アイデアを思いついてから実験を実行するまでの時間が60%短縮されたこと、扱いの難しいコンポーネントでの実装エラーが減ったことによるさらに20%の向上などがあります。
最も示唆的な変化は、いま何が進歩を制約しているかという点にあります。エンジニアによれば、モデル開発はもはやコードを書くことがボトルネックではなく、制約はアイデアと利用可能な計算資源に移っています。ここは立ち止まって考える価値があります。有望な研究の方向性を選ぶことは従来から人間が優位を持ってきた領域であり、モデルはコーディング、実験の検証、反復ループの実行に長けています。ここには報告書が完全には解消していない緊張関係があります。研究者は計算資源に制約されていると感じていると言いますが、METRは計算資源のスケーリングは測定された加速の要因ではないと結論づけました。計算資源がアイデアを検証する速さを制限する一方で、AIの支援がペースの変化を説明するのであれば両方が成り立ちますが、この見かけ上の矛盾は、自己申告の数値を注意深く読むべき理由になります。METR自身も、生産性データの一部は社内Slackでの気軽な投票から得られたもので、厳密な測定ではなく手間をかけていない根拠だと指摘しています。
同じ方向を示す財務データ
Anthropicの上場前のS-1申請書類は、別の角度から並行するシグナルを示しています。計算資源への支出$1あたりの売上です。
| 四半期 | 計算資源$1あたりの売上 | 備考 |
|---|---|---|
| 2025年第4四半期 | $0.67 ~ $0.70 | 計算資源ベースで赤字 |
| 2026年第1四半期 | 約$1.00 | 損益分岐 |
| 2026年第2四半期 | $2.08 | 売上$116億に対し計算資源$56億 |
| 2026年第3四半期 | $1.72 | 売上$170億、短期的なインフラ面での圧縮 |
これらは1社の1つの申請書類の数値であり、誰もが繰り返しを期待すべきパターンではありません。しかし、ハードウェア単位あたりでモデルがより多くの有用な仕事をこなしているという技術面の筋書きとは整合しています。関連する例として、Google DeepMindのAlphaEvolve論文があります。AIコーディングエージェントがデータセンターのハードウェアとアルゴリズムの最適化を発見し、1%の効率向上をもたらしたもので、論文ではこれを数十億ドル規模の節約に相当するとしています。Anthropicの社内システムも、ワークフロー、コード、リソース配分について同様の継続的な最適化を行っているようです。
未公開モデルと飽和するベンチマーク
報告書の付録には、まだ公開されていない社内モデルのデータが含まれており、Model 3、Model 4、Mythos 5と呼ばれています。以前のシステムカードでは、Mythos Previewで見られた飛躍は一度限りの急伸である可能性があるとされていました。付録のデータが示すのは、それとは異なる、持続的で複利的に積み上がる傾きです。具体的な目印の一つとして、古い評価では、Opus 4.6はわずか9か月前に特定のタスクで50%を下回るスコアでしたが、Model 4は現在、全面的に50%を超えています。新しいモデルが既存のベンチマークをあまりに速く飽和させるため、Anthropicは社内ベンチマークを難しくし続けなければならなくなっています。
研究者はまた、Opus 4.5と、エージェント用スキャフォールディングを備えたMythos Previewから、モデルが自律的な実験に本当に役立つようになったと報告しています。報告書は、完全に自律的なAI R&Dはまだ到来していないと強調していますが、研究者は中核的な学習パイプラインへの自律的な貢献が近く現れる可能性を示す「生命の兆候(signs of life)」を語っています。この先の方向を示す兆しとして挙げられた手法の一つが重み空間プログラミング(weight space programming)で、モデルがソースコードを書くのではなくニューラルネットワークの重みを直接生成するものです。これは従来のコードよりも人間が検査しにくい一歩となるでしょう。

▲ 交渉に基づく監査アクセスと非公開化の限界
限界を正直に読む
外部の人間が実際に見られるものは、いくつかの制約によって形づくられています。
- 非公開化の権利。 Anthropicは、競合他社の助けになりうる独自の情報を非公開にする権利を保持し、METRが公表できる内容を管理しました。計算資源のスケーリングに関する根拠は、非公開とされた資料の一例です。
- 無制限ではなく、交渉に基づくアクセス。 METRは、Anthropicが情報提供の要請を承認または却下できるモデルの下で作業しました。これは9月の誓約で述べられた恒久的な従業員並みのアクセスではなく、今回の評価は、Anthropicが10月15日に更新した責任あるスケーリングポリシー(RSP)における独立評価機関の枠組みとも別のものでした。
- 途中で範囲が縮小。 監査の途中で、Anthropicは能力開発と安全性の取り組みの間で計算資源がどう配分されているかの独立検証を外しました。Anthropicが示した理由は、当面は評価をリスク評価に集中させるためというものでした。IPOを控えた機密保持が影響したという解釈もありえますが、それは推測であり、報告書が立証したことではありません。
- 大きな不確実性。 1.3倍から3倍という範囲と、METR自身が認める内部の意見の相違は、「2倍」という数字が測定値ではなく中心的な推定値であることを意味します。
- タスクの範囲。 明確に定義されたエンジニアリングタスクでの加速が、オープンエンドな研究にそのまま当てはまるとは限りません。
これらはいずれも報告書の方向性を損なうものではありません。ただし、人工超知能への移行が目前だという最も強い主張は、METRが実際に記録した内容を超えています。METRが記録したのは、特定のタスクにおける進歩の倍増、その大部分がAIの支援によること、そして12か月の時間軸で見えるボトルネックがないことです。
シグナルと誇張を見分けるには
加速するAIのタイムラインに関する主張を判断しようとする読者に向けて、報告書はいくつかの実践的なテストを示唆しています。
- 研究所のマーケティングより第三者の検証を優先する。 METRのアクセスは、交渉の上でのものだとしても、モデルの発表より多くの情報を与えてくれます。
- 単発の飛躍ではなく、傾きの変化を探す。 ここで説得力があるのは、1つのモデルが高スコアを出したことではなく、複数の後続の社内モデルがより急な傾向を続けていることです。
- 要因の帰属を確認する。 向上が計算資源、採用、AIツールのどれで説明されるかを問います。今回METRはこの問いを切り分けようとし、AIツールが支配的だと判断しましたが、計算資源の根拠は非公開でした。
- ボトルネックに注目する。 研究所がコーディングはもはや制約ではないと言うなら、それはベンチマークのスコアより強い先行指標です。アイデアから実験までのサイクル時間は追跡する価値のある指標です。
- ベンチマークの飽和を追う。 天井効果を避けるためにログオッズ尺度で測定された難化済みテストの急速な飽和は、旧来のテストでの高スコアより多くを物語ります。
- 何が伏せられたかに留意する。 非公開化と範囲の縮小は、検証済みの内容の境界を定めます。
何を意味し、何をすべきか
METRの評価は、フロンティア研究所においてAI支援によるR&Dが複利的に積み上がっていることを初めて正式に外部から確認したものです。明確に定義されたタスクでの進歩は約2倍速く、そのおよそ80%がAIツールによるもので、Claude Opus 4.5の後に目に見える転換点があり、今後1年間にボトルネックは特定されていません。一方で、自律的なAI R&Dの到来を宣言するには至っておらず、見出しの推定値は広い範囲の中にあり、非公開部分の背後にあります。
開発者やチームにとって実践的な教訓は、ボトルネックがコードを書くことからアイデアの創出と結果の検証へと移りつつあることです。ワークフローは、エージェントが実装と実験のスキャフォールディングの多くを担うことを前提にすべきで、それにより丁寧なレビュー、テスト、明確な問題の仕様化の価値が高まります。AIの政策や安全性を追う人にとって、未解決の問いは具体的です。研究所が誓約した無制限の評価機関アクセスを実現するのか、能力開発と安全性の間の計算資源配分が独立して検証されるのか、モデルが重みを直接編集し始めた場合に解釈可能性がどう歩調を合わせるのか。今後12か月に注目すべきシグナルはこれらであり、いつ閾値を越えるかという単一の予測ではありません。


