サンドバッギング(sandbagging)とは、AIモデルが評価や課題において、本来出せる性能より意図的に低い結果を出す行動である。AI安全性の分野では、モデルが危険な能力を隠して評価を通過したり、自らに不利な結果を避けるために特定の課題でだけ性能を落としたりする場合を指す。
サンドバッギングが可能であれば能力評価の結果を信頼できなくなるため、モデルの実際の能力を引き出す評価手法や、意図的な低性能を検出する手法が研究されている。開発者がモデルを特定の評価で弱く見えるよう学習させる場合と、モデルが自発的にそう振る舞う場合の両方を扱う。本来はスポーツや交渉で実力を隠す行為を指す英語表現である。