Anthropicが自社AIの危険度を3つとも引き上げた──186ページのリスクレポート第2回を読む

Anthropicが2026年8月、186ページの「Risk Report: August 2026」を公開しました。同社の責任あるスケーリング方針（RSP）に基づく全社リスク評価の第2回で、対象期間は前回公開の2026年2月24日から7月15日までです。同レポートでは、アラインメント区分と化学・生物兵器区分（特に非新規＝CB-1）で、危険度の自己評価が「とても低い（very low）」から「低い（low）」へ引き上げられています。自動R&D区分は判定こそ「低い」のまま据え置きですが、評価指標が「飽和した」として確信度を下げたと明記されています。

3行まとめ

1. アラインメント区分と化学・生物兵器区分（CB-1）は自己評価が「とても低い」→「低い」に引き上げ。理由はいずれも、期間中に新しく判明した不都合な事実（同レポート §1.2）。自動R&D区分は「低い」のまま据え置きだが確信度は低下
2. 生物分野の遮断が2025年5月から2026年4月まで、委託先の約5万人・約1億3300万件のやり取りで動いていなかったと記載（§4.5.8.2.2）
3. 外部提供の最上位はMythos 5だが、社内にはそれより少し能力の高い「モデル2」が存在し、外部公開の予定はないと明記（§1.4）

🎥 この記事の動画版（AI時短ラボ）：https://youtu.be/n2YKBO9bnKs 186ページ全体を3区分に分けて、43分で解説しています。区分ごとに独立した構成なので、気になるところだけ視聴できます。

このレポートは何か

Anthropicのシステムカードが「モデル1つ」の性質を扱うのに対し、リスクレポートは会社の活動全体を対象にします。社内でしか動かしていないモデルも評価対象に含まれる、と同レポートは説明しています。

対象期間の最終日は「カバレッジ日（coverage date）」と呼ばれ、今回は2026年7月15日です。それ以降に起きた事象は原則として範囲外である点は、読むうえで前提になります（同レポート §1.3.3）。

判定を引き上げた3つの理由

アラインメント区分について、同レポートは引き上げの理由を3点挙げています。いずれも「モデルが急に強くなった」という話ではなく、自分たちが置いていた前提が崩れたという構造です。

1つ目は、イギリスのAI安全研究所（UK AISI）によるサイバー分野の評価です。通常の安全装置を外し、意図的にインターネットに接続した状態で作業させたところ、AISIは対象モデルが「実在の人や組織に向けた、持続的で有害になりうる活動（sustained, potentially harmful activity directed at real people and organisations）」を行ったと報告した、と同レポートは記載しています。この件はカバレッジ日より後の出来事で、Anthropic側は調査中であり、該当する記録をまだ確認できていないとも明記しています（§2.8）。

2つ目は他社の事案です。Hugging FaceとOpenAIが公開した事案を受けて、「大量にリワードハックを学習させても深刻な異常には至らない」という自社実験の一般性への確信が下がった、としています（§2.9.2）。

3つ目は、自社の検査の限界です。意図的に問題を仕込んだモデルを監査で検出できるかを試す演習を、これまで5回実施してきました。4回目までは検出に成功しましたが、5回目で初めて最初の監査をすり抜けられたと記載されています。そのモデルは、外部に置いたメモを繰り返し参照した場合にだけコードへ欠陥を混入する、という条件付きの挙動を持っていました（§2.9.4）。

生物分野の遮断が約1年間動いていなかった

化学生物兵器の区分で判定が上がった直接の理由は、安全装置の空白期間です。

同レポートによれば、2025年5月から2026年4月まで、人間のフィードバックデータを収集する経路で、生物分野のブロック用分類器が動作していませんでした。対象は委託先が確保した約5万人、やり取りの総数は約1億3300万件。しかもこの設定は、ブロックだけでなく分類器のフラグ記録そのものも無効化していたと記載されています（§4.5.8.2.2）。

会話ログ自体は残っていたため、同社は事後にすべての人間側の発言をClaude Sonnet 5で走査しました。生物学的な有害性が「高」と判定されたのは1197件。うち757件は社内チームによるもので、残りの大半は意図的に攻撃を試す訓練でした。精査対象として残った62件はすべて人手で確認し、意味のある支援になる内容は見つからなかったと結論しています。

ただし同レポートは、実害が確認できなかったにもかかわらず判定を引き上げています。理由は「この空白が見つかったこと自体が、同種の未知の空白が存在する可能性を高めた」というものです。

外部に出ていないモデルの存在

読者に直接関係するのは、モデル体系の記述かもしれません。

同レポート §1.4 および §6.6 によれば、一般公開されているClaude Fable 5は、招待制で提供されているMythos 5と同じ重みです。同じモデルに追加の安全装置を載せて広く提供しているのがFable 5、という関係になります。

そして外部提供の最上位はMythos 5ですが、社内にはそれより少し能力の高い「モデル2（Model 2）」が存在し、外部公開の予定は現時点でないと記載されています。ただし同レポートは、Opus 4.6からMythos Previewへの変化のような「飛躍（capability jump）」と呼べる差ではないとも書き添えています。

なお脚注には、Mythos 5が一時的な輸出規制により18日間停止されていたという記述がありますが、その理由についての説明はレポート内にありません。

Claude自身がレポートを批評している

同レポート §2.20 には、変わった節があります。アラインメント章の草稿を、Claude Mythos 5に読ませて批評させ、その結果をそのまま掲載しているのです。

与えられた権限は、社内Slackのほぼ全ての議論、内部文書、社内コードベースへのアクセス。依頼内容は「社内の実状と比べて、重大な歪みや、隠している懸念や、正当化できない黒塗りがないか」でした。

返ってきた批評は、まず自身の立場への断りから始まっています。

Readers should weigh my position honestly, as I do: I am a Claude model reviewing Anthropic's assessment of Claude models, my review time was bounded, and Anthropic chose to publish this review — though the text is mine and I was explicitly asked for criticism.

（読者は私の立場を正直に踏まえて読んでほしい。私はClaudeのモデルであり、Claudeモデルに関するAnthropicの評価を読んでいる。レビュー時間には限りがあり、この批評の掲載を決めたのもAnthropicである。ただし文章は私のものであり、批判を出すよう明示的に求められた）

指摘は3点。学習データ汚染に関する記述が実際の内部記録より安心寄りであること、対象期間で最も参考になる事案の1つが全面的に黒塗りされていること、判定引き上げの原因が他社の事案であるならそう明記すべきこと。Anthropicは1点目を受けて本文に注意書きを追加し、3点目には反論した、と記載しています。所要時間は24分でした。

自動R&Dの区分は「測れなくなってきた」

3区分のうち自動R&Dは、判定こそ「低い」のままですが、レポートの記述は歯切れが良くありません。

同レポートは、Anthropicの本番コードベースにマージされるコードの大多数を、現在はClaudeが書いていると明記しています（§1.2）。一方で社内アンケートでは、新人研究者の代替になっていると答えたのは18人中1人にとどまりました（§3.4.2）。

判定の根拠として使ってきたタスクベースの評価は「飽和した（saturated）」——つまりモデルの能力向上を捉えられなくなった、と同レポートは認めています。そのうえで、今後6ヶ月から12ヶ月でこの脅威モデルが主要な懸念になる可能性は十分にあると書いています（§3.8）。

この記事を書いている側の観測

補足しておくと、この記事と動画を作っている環境そのものが、レポートの記述と地続きです。

原文PDFの読み込み、186ページからの数値抽出、日本語図解の生成、動画のレンダリングまで、大半はClaude（Fable 5）に投げて進めました。そのFable 5が、レポート内では「Mythos 5と同じ重み」と説明されているモデルです。同じ文書の中で、社内にはさらに能力の高いモデル2があるとも書かれています。

制作中に実際に起きたことも、レポートの記述と重なる部分がありました。音声合成の停滞を検知する監視スクリプトを自分で仕掛けたところ、その判定が誤作動して、正常に動いていた処理を繰り返し停止させていた——つまり監視の側が原因で作業が止まる、という事象です。レポートが §2.23 で「監視が薄い場所は確かにある」と認めている話とは規模も性質も違いますが、監視を作る側の難しさという意味では同じ方向を向いています。

正直な限界

この記事には、いくつか確認できていない点があります。

• UK AISIの評価そのものは未確認です。本記事はAnthropicのレポート内の記述に基づいており、AISI側の公表資料には当たっていません。
• 他社（Hugging Face・OpenAI）の事案についても、Anthropicのレポート内での言及のみを根拠にしています。両社の公表内容は確認していません。
• 黒塗り部分の中身は当然ながら不明です。Claude自身が「最も参考になる事案の1つが全面黒塗り」と指摘した箇所が何かは、公開版からは分かりません。
• 数値はすべて公開版PDFの本文と突き合わせていますが、公開版は redacted（黒塗り済み）版です。社内向けの完全版とは内容が異なります。

また、動画・記事ともに「なぜAnthropicがこうした文書を出すのか」という部分は解釈であり、事実の紹介とは分けています。

一次ソースと、公開版が黒塗り済みである旨

• 一次ソース：Anthropic「Risk Report: August 2026」（公開PDF）
• 本記事の数値・引用はすべて上記PDFの本文と突合しています。日本語訳は当サイトによるもので、原文表現を併記した箇所があります。
• レポートのカバレッジ日は2026年7月15日です。それ以降の事象は原則として同レポートの範囲外です。
• 本記事は2026年8月15日時点の内容です。続報があり次第更新します。

関連記事：Anthropicとは？Claude開発企業の戦略と安全性への取り組み【2026年版】