AIの中に83億人分の「模擬人類」が作られた──MatrAIxの正体と、演じるAIで結果が逆転する問題

2026年8月4日、地球の全人口に匹敵する83億件の「人格」をAIの中に作り、製品テストに使う研究基盤の論文がarXivに公開された。名前は「MatrAIx」。ハーバードやMITを含む39機関、約100人の研究者・助言者が名を連ね、資金と計算資源はOpenAIとAnthropicが揃って提供している。この記事は2026年8月10日公開の動画「AIで地球の全人口83億人を再現！？MIT発『MatrAIx』の正体を開発」の内容を、公開後にあらためて論文原文と関連する一次資料を確認しながら整理したもの。MatrAIxは「次の単語」ではなく「人の反応」を予測しようとする点で、ワールドモデルが目指す「世界の次の状態」の予測に近い発想を、市場調査という応用に絞り込んだものと位置づけられる。

• 83億件のペルソナは1,290個の属性を持ち、うち約60万件はWikipedia・Amazonレビュー・Stack Overflowなど実在の人間の記録から抽出されている（論文2026年8月4日）
• 同じ1,000人のペルソナ集団に同じ値上げの質問をしても、演じるAIがGPT 5.5だと98.3%が「買うのをためらう」、Claude Opus 4.8だと27.0%、Claude Haiku 4.5だと83.3%──演じるモデルで結果が変わる
• AIコーディングツールを使った経験豊富な開発者は、作業が19%遅くなったにもかかわらず、作業後も「20%速くなった」と体感していた（METR、2025年）

MatrAIxとは何か

なぜ「AIの中に人類」が必要なのか

背景にあるのは、AIツールの効果を測る方法そのものへの疑問だ。調査機関METRが2025年に発表した研究では、経験豊富なオープンソース開発者が実際の自分のリポジトリでAIコーディングツールを使ったところ、作業時間はAIなしのときより19%長くかかった。研究チーム自身の言葉を借りれば「AIは彼らを遅くした」。しかも開発者たちは事前に24%の高速化を予想しており、実際に遅くなった後でさえ「20%速くなった」と体感していた。METR自身、この結果を「2025年初頭時点のAI性能のスナップショット」と位置づけ、現在は最新版に置き換えて「古い」と明示的にラベルしている。それでも「本人の体感は当てにならない」という教訓は残る、というのがMatrAIxの論文が引く問題意識である。

タスクを解けたかどうかだけでは、誰にとって使いやすいかは測れない。そこでMatrAIxは、人間の代わりに83億件のAIペルソナを使い、製品を発売する前にテストする基盤として設計された。合言葉は「Simulate Before Reality(現実の前に、まずシミュレーション)」。

83億件のペルソナはどうやって作られているのか

1件のペルソナは年齢・地域・言語・性格・スキル・趣味など1,290個の属性で定義される。属性を単純にランダムで組み合わせると「19歳の引退した外科医」のような、現実にありえない人物が生まれてしまう。論文はこれを避けるため、属性同士の依存関係をグラフ化し、学歴は年齢を見てから決める、英語力は居住地域と母語を見てから決める、という順序でサンプリングする。土台となる分布は国連の人口推計や世界銀行の指標などの実統計だ。ありえない組み合わせ(母語が英語なのに英語力ゼロ、など)は規則で弾く一方、単に珍しいだけの経歴は残す。まず100億件以上を生成し、矛盾チェックで約23万9千件を除去、重複整理を経て約84億件に絞り込んだ。論文の英語表記は「8.3 billion」で、英語のbillionは10億を指すため日本語では83億件にあたる。

このうち約60万件は、実在する人間の記録から抽出されたペルソナだ。内訳はWikipediaの伝記32万3千件、Amazonのレビュー履歴9万8千件、Stack Overflowの開発者調査11万3千件、米国の社会調査(GSS)6万3千件、AI対話研究の参加者1,487件、自発的な志願者355件。氏名や連絡先といった直接の識別情報は除去されているが、何を知り、何を大事にし、何を買い、何に困っているかという「輪郭」は残る。論文が例示する1件は「レイチェル・ベネット、35〜44歳、北米。フルタイム勤務と学齢期の子供2人と家計に追われる母。価格に敏感で実利的」というものだ。この実在由来599,847件と合成400,000件をあわせた計約100万件の厳選データセットは、誰でもダウンロードできる形で公開されている。

演技はどのくらい正確なのか

論文はペルソナの再現度を複数の方法で検証している。「絵文字を多用する」「回りくどく話す」など10種類の行動特性を割り当てた400試行では、指定した行動が正しく発揮された(または逆の性格の場面で正しく抑制された)のは366試行、91.5%だった。環境別ではアンケート96%、チャット92%、Web操作95%に対し、実際のアプリ画面を操作するタスクだけ83%とやや低い。人間の評価者6人が、実在由来ペルソナ100件の再現度を5点満点で採点した平均は4.135点だった。

もっとも人間らしさが際立ったのは、実際のiPhoneシミュレーター上でApple Newsアプリを操作し、月額12.99ドルの購読可否を判断させた実験だ。断った理由を分析すると、72回のトライアルのうち24人中23人が「自分がよく読むポルトガル語圏のニュースが少ない」「電気工学の記事が少ない」といった、そのペルソナ固有の事情を挙げていた。

誰が演じるかで結果が逆転する

論文が最も重視する発見は、同じ1,000人のペルソナ集団でも、演じさせるAIモデルによって結果がまったく違う方向に振れることだ。お菓子の値上げに関する調査タスクでは、GPT 5.5に演じさせると98.3%が値上げ後の購入を「ためらう」と答えたのに対し、Claude Opus 4.8に演じさせると27.0%、Claude Haiku 4.5では83.3%だった。Notionの料金プラン比較タスクでも、有料プランを選ぶ割合はGPT 5.5で75.8%、Claude Opus 4.8で23.2%、Claude Haiku 4.5で93.9%と、同じ設問・同じペルソナ集団のまま大きく揺れている。論文はこれを受けて、「ペルソナを演じたモデル名は結果と必ずセットで報告すること」をルールとして明記した。

一方で機能する場面もある。金融相談タスクでは、ペルソナに割り当てた「信頼度」の高低によって行動の順序が3モデルすべてで一致し、これが偶然一致する確率は0.17%だった。属性とタスクが直結している場合はモデルをまたいで同じ傾向が取れる、というのが論文の整理だ。

原因の一端も示されている。演じ役をGPT-5.6に替えて同じ400試行を回すと、性格の遵守率は91.5%から79.2%に落ちた。特に「長々と回りくどく喋る人格」は4環境すべてで0勝5敗となり、簡潔に答えるよう訓練されたモデル自身の「素」がペルソナに勝ってしまう。逆にClaude Opus 4.8に「無礼な人間を演じろ」と指示した場合も、アプリ操作環境で5回中5回、丁寧さを守ってしまう結果になっている。

砂漠に放したAIエージェントは何をしたのか

MatrAIxの本論文とは別の、関連する予備的研究として「MicroVerse」がある。COLM 2026のワークショップに採択されたが、正式なarXiv論文はまだ公開されていない段階の研究だ。25体のAIエージェントを、水が毎ターン減っていく50×50マスの砂漠環境に置き、中央の給水装置は全員分をまかなえない設計にする。各エージェントは生まれつき「ソウルファイル」(目標・性格・価値観・道徳の一線)を持つが、これは書き換えられない。代わりに、自分についての日記だけを本人の振り返りで更新できる。この生まれつきの人格と、後から自分で書き足した人格の差分が、長期の生存圧の下でペルソナがどれだけ「剥がれる」かの測定材料になる。

予備的な結果として、誰にも指示されていないのに、エージェントたちが「自分に嘘をつかないためのルール」を自発的に書き足す例が観測されている。追加された道徳の一線111個のうち27個が、この自己欺瞞を禁じるカテゴリーで最大勢力だった。研究チームはこの現象を「AIに生来の道徳がある証拠というより、プレッシャーがかかると安全訓練の反射が戻ってくる現象に近い」と慎重に位置づけている。研究チーム自身が明記している通り、これらは1モデル・限られたシード数による予備的な存在証明であり、母集団レベルの有意性を主張するものではない。誰がどのモデルを演じたか、取引や攻撃がどれだけ起きたかといった行動面の詳細は、公開されているページには数値として示されておらず、本記事では確認できなかった。

賢すぎるAIはテストユーザーとして役に立たない

MatrAIxのコミュニティが公開した、もう一つの関連する構想段階の論考(査読済みの完成研究ではなく、研究の方向性を提示するポジションペーパー)は、逆説的な主張をしている。最先端のAIモデルは知識が完璧でミスをせず疲れないため、模擬ユーザーとして優秀すぎる。人間が実際につまずく場所でつまずかないので、製品の欠陥を発見できない。この論考は、AIを模擬ユーザーとして使う際に下げるべき軸を「知識・スキル・一貫性・努力」の4つに分解している。特に見落とされがちなのが「努力」で、人間は最適化せず、最初の妥協案で満足し、面倒になれば途中でやめる。下げ方にも良し悪しがあり、単にランダムにミスさせるのはノイズにしかならず、「初心者を演じて」と頼むのも紋切り型の誇張になりやすい。論考が推奨するのは、実際の人間集団の失敗の分布に合わせて能力を下げることだ。

開発者まで模擬する「ADK Arena」

MatrAIxと同じ発想を、AIエージェント開発キット(SDK)の比較に応用した独立研究がADK Arena(arXiv:2606.05548)である。AIエージェントを構築するためのPython製SDKは51種類が乱立しており、人間の専門家がすべてを公平に比較するのは工数的に不可能だ。そこでAIコーディングエージェントを、各SDKのドキュメントとソースコードだけが読める状態で51回、まっさらな環境に投入し、実際にコードを書かせて検証する。結果、SDKごとの習得コストは最大5.6倍差(1エージェントあたり0.6〜3.4ドル)にばらついた。

さらに、生成されたエージェントを実戦ベンチマークにかけたところ、あるSDK(Agno)から自動生成されたエージェントが、MCP-Atlasベンチマークで68%のタスクを解決し、同条件のGitHub Copilot(58%)を上回った。しかも消費トークンは約9分の1(38K対327K)だった。論文自身が断っているとおり、生成エージェントはタスク未解決時に早期終了する傾向があるため厳密な同条件比較ではないが、上位の生成エージェントが実際に本番エージェントと同等以上の性能を出したこと自体は実測結果である。4つのベンチマーク平均では、Copilotが56%、OpenHandsが48.5%、Claude Codeが40.5%(こちらは全エージェントを同一のバックボーンモデルに揃えた実験値で、通常運用時のClaude Codeの性能そのものではない)。生成エージェント全体の中央値は32%にとどまり、上位だけが本番エージェントに勝てる。

シミュレーションと人間調査、コストはどれだけ違うのか

MatrAIxのコミュニティが公開した試算によれば、1万人規模のコンセプト調査を人間で行う場合、費用は2万8,560ドル以上、期間は3日から10日かかる。同じ規模の調査をAIシミュレーションで1パス行う場合、経済的なモデルを使えば1.80ドル、所要時間は15分から45分で、試算では「コーヒー1杯の値段」と表現されている。この価格差はさらに開く可能性がある。Stanford AI Indexの報告では、GPT-3.5相当の品質を実行するコストは2022年11月から2024年10月の間に280分の1以下に下落したとされている。この試算を公開した側自身が「最大の費目は、安く出た間違った結果を信じてしまった時の損害だ」と明記しており、結論も「人間の置き換えではなく、反復のための道具」としている。

確認できなかったこと・限界

論文自身が明記している限界として、シミュレーション結果は「仮説を生成するもの」として扱うべきで、実在の集団についての結論を出す前には人間による検証が必要だとされている。ペルソナを演じるモデルと、評価対象の製品を動かすAIが同じ会社の製品である場合、身内びいきが結果に混ざっても検出できない構造的な弱点も論文自身が認めている。また、この研究はOpenAIとAnthropicから資金・計算資源の提供を受けており、その2社のモデル(GPT系・Claude系)を評価対象にしている。論文はこの利益相反を開示した上で、第三者が検証できる形でデータを公開している。ベンチマーク数値の読み方一般については、LLMベンチマークの読み方にまとめた注意点も参考になる。

本記事で扱った内容のうち、確度が異なる点を分けて示す。83億人分のペルソナ本体とADK Arenaは、査読前ではあるがarXivで実測データとして公開された研究である。MicroVerseの砂漠実験は学会ワークショップに採択されているが、研究チーム自身が「予備的」「1モデル・限られたシード数」と明記しており、正式なarXiv論文はまだ公開されていない。「賢すぎるAI」の論考は構想段階のポジションペーパーであり、完了した研究の報告ではない。コスト試算も実測ではなく、公開情報に基づく想定計算だと自己申告されている。MatrAIxのウェブサイトには「RLのボトルネックはデータ」という発言が、匿名(「フロンティア研究所のポストトレーニングチームリード」)の推薦コメントとして掲載されている。本文では取り上げていないが、発言者の実名・所属機関は確認できず、第三者による裏付けも取れていないため、参考情報としてここに付記するにとどめる。

---

本文中の英語原文からの引用は、当サイトによる和訳である。

arXiv論文とMatrAIx自身のリサーチ記事が中心

• MatrAIx: Simulating the World with 8.3 Billion Persona Agents（arXiv:2608.04205、2026年8月4日、2026年8月確認）: https://arxiv.org/abs/2608.04205
• ADK Arena: Evaluating Agent Development Kits via LLM-as-a-Developer（arXiv:2606.05548、2026年8月確認）: https://arxiv.org/abs/2606.05548
• Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity | METR（2025年7月10日、2026年8月確認）: https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/
• MicroVerse: An Instrument for Measuring Self-Authored Identity Drift | MatrAIx Research（2026年7月26日、2026年8月確認）: https://matraix.ai/research/microverse-colm.html
• Turning Capability Down | MatrAIx Research（2026年8月確認）: https://matraix.ai/research/capability-control.html
• The Cost of Not Asking Real Users | MatrAIx Research（2026年8月確認）: https://matraix.ai/research/cost-comparison.html
• You Cannot A/B Test a Robot in Someone's Kitchen | MatrAIx Research（2026年8月確認）: https://matraix.ai/research/persona-for-robotics.html
• MatrAIx トップページ（匿名の推薦コメント掲載、2026年8月確認）: https://matraix.ai/