Anthropicが社内のAI研究開発の自動化率を公開。Claudeが「主導」するのは26%、完全自律の領域はないと明記

公開されたのは自動化・監視・計算資源の3指標。測定時点はそれぞれ異なる

公開された資料は、フロンティアAI企業の内部で開発がどの速度で進んでいるかを外部から追えるようにするため、3種類の計測を提案するものです。内訳は、(1)AIの研究開発をAI自身がどこまで行っているか、(2)AIエージェントの行動をどこまで監視し介入できるか、(3)計算資源がどこに配分されているか、の3つです。Anthropicは、各指標について何を測ったか・何が分かったか・他社が今日から同じ報告を出すには何が必要かを示し、付録に方法論を記しています。原典は、世界がフロンティアAI開発のペースを落とすことを検討しているなかで公衆にはより多くの情報が必要だ、という理由を冒頭に置き、これらの計測は公衆・第三者・政府がフロンティア企業内部の開発の速度を把握できるようにするために報告する、としています。

なお原典のページに公開日の記載はありません。本稿の日付は、編集部が2026年9月21日に原典を取得して確認した日です。

注意したいのは、3つの数値の測定時点が同じではない点です。自動化指数とエージェント監視の数値は「2026年8月時点」、計算資源の配分は2026年7月13日から20日までの1週間の状況として記載されています。自動化指数の土台となる業務の棚卸しは2026年7月のデータから作られています。資料が公開された時点の状況ではなく、資料に書かれた測定期間の状況である、という区別が必要です。

Anthropicは、複数の組織から独立した第三者評価者を社内に受け入れ、内部のプロセス・システム・データへ社内のリスク評価チームと同等のアクセスを与える計画だとしています。この記事で扱う数値は、その第三者検証を経る前の段階の自己計測値です。また同社は、フロンティア開発のペースについて業界で協調が行われた場合、これらの数値は変動するだろうとも書いています。

Claudeが「主導」するのは26%、「協働」以上は9割超、「完全自律」はゼロ

1つ目の指標は「Anthropic R&D Automation Index」という試作版の指数です。自動化の度合いは、Epoch AIが提案した「Automation Level（AL）」という尺度を採用しています。AL0（AIの関与なし）からAL5（人が介在せず完全に自律動作）までの6段階で、AL3が「AIが協働する」段階、AL4が「AIが主導する」段階にあたります。AL3は、人の密な指示のもとで大きな塊の作業をこなす水準、AL4は、高水準の指示から作業のほとんどを端から端までこなし、人は監督にまわる水準と説明されています。

2026年8月時点の計測結果として示されたのは次の3点です。Claudeが「主導」する水準に達している業務は全体の26%。「AIが協働する」以上の水準にある業務は90%超。そして、計測対象としたどの部分集合においても、Claudeは完全に自律的には動作していない（Claude is not operating fully autonomously for any measured subset of AI R&D work）。26%という数字と、完全自律がゼロであるという記述は、同じ段落に並べて書かれています。

指数の作り方も公開されています。2026年7月の各週について、モデル開発の流れを構成する各部門から職員の20%を無作為抽出し、Claudeの調査エージェントがSlackや社内文書からその週の作業内容を列挙しました。これを7月の全週について繰り返し、約15,000件の細かな業務を集めています。Claudeがこれを階層構造に整理した結果、542個のノードを持つ木ができ、うち378個が「評価基盤の不具合の切り分けと修正」のような末端の業務です。この木は固定され、以後の計測は同じ業務の集合に対して行われます。

集計の重みづけには、その業務に費やされた人の時間を代理指標として用いています。1人・1週あたり1単位の重みを、その週に取り組んだ業務へ均等に配分する方式です。4件の業務に関わった人なら各0.25、10件なら各0.10になります。Anthropic自身が「粗い近似」と断っている一方で、多くの人が割り当てられている領域により大きな重みが付く点で妥当に働く、としています。

【補足】AL4「主導」とAL5「自律」は何が違うのか

原典は脚注で、夜間のデータパイプラインが壊れ、翌日の実行までに直す必要がある、という定型的な作業を例に3つの水準を説明しています。AL3（協働）では、技術者が失敗したログを持ってClaudeのところへ行き、Claudeが詳細を聞き取ったうえで調査と修正に着手します。途中で別の問題が出てきたらClaudeは止まり、回避策で済ませるか根本から直すかは技術者が決めます。テストが通れば技術者が変更を1行ずつ確認し、自分でパイプラインを再実行して反映します。

AL4（主導）で変わるのは、技術者が能動的に張り付いていなくてよい点だとされています。技術者は失敗の通知をClaudeに渡して修正を依頼し、Claudeはログを自力でたどって原因を特定し、修正を書いてテストし、途中で出てきた想定外の問題も自分で処理したうえで、追加の修正内容を記録します。複製したデータでパイプラインを再実行して完走を確認し、直前の正常な実行と出力を突き合わせ、何が起きて何を変えたかを書き上げます。ただしClaudeは反映までは行わず、技術者に引き継ぎます。技術者が書き上げられた内容を読み、変更にざっと目を通し、今夜出すか待つかを決めます。

AL5（完全自律）は、まだ到達していない水準として説明されています。技術者が問題の存在をClaudeに知らせる必要すらなく、Claude自身が障害を監視し、調査範囲を決め、修正を設計・実装・テストして本番へ反映するところまでを任される段階です。26%という数字が指しているのはAL4であり、人が反映の可否を判断する工程は残っている、という関係になります。

判定者が自社モデルであるという限界は、原典自身が書いている

自動化水準の判定は、証拠を集めるClaudeの調査エージェントとは別の、独立したClaudeの判定役が行っています。Anthropicはこの判定を検証するため、該当する業務領域を所管する社内の職員にも自分の領域の自動化の度合いを評価してもらいました。偏りを避けるため、職員はモデルがどの証拠を集め、どう判断したかを知らされないまま評価しています。

その結果として公開されている数値が、モデルと人の評価が完全に一致した割合59%、人と人どうしで完全に一致した割合35%、モデルと人の評価が1段階以内に収まった割合97%です。Anthropicはこれを「判定モデルは、人どうしが一致するのと同程度には人と一致した」と要約し、「AIが協働する」と「AIが主導する」の境目のような微妙な事例には依然として解釈の余地が残るとしています。

ここからは編集部の読み方です。59%が35%を上回っていることは、判定モデルが人より正確であることを意味しません。人どうしですら3回に1回しか完全一致しない尺度である、という事実が同時に示されています。つまり「主導」と「協働」を分ける線そのものに幅があり、26%という数字は、その幅を含んだ指数として読むのが妥当です。1段階以内の一致が97%であることは、大きく外れた判定は少ない、という限定的な保証にとどまります。

Anthropicは、この種の報告を各社で比較するうえでの障害を2つ挙げています。1つは共通の方法論がないこと。もう1つは、自社のモデルを使って自社のシステムを評価しているため、「判定役」のモデルが、検査対象のモデルと同じ種類の誤りを犯しうることです。対処としては、第三者による検証、あるいは競争上機微な情報のやり取りを制限する仕組みを置いたうえで他社のモデルに検証させる方法を挙げています。

もう1つの限界は、業務の集合を固定していることです。2026年7月を基準とした木に対して指数が上がっても、それは当時人が行っていた業務が自動化されつつあることを示すだけで、人が移った先に新しい業務が生まれているかどうかは分かりません。Anthropicはこれを確かめるため、2026年1月のデータから別の木を作り、2月から7月に現れた業務を1月の集合と突き合わせています。新しい業務の増加は確認されず、分析の粒度では研究開発業務の構造は安定しているとしたうえで、業務の集合は定期的に作り直し、公表する数値の版を改めていく計画だと書いています。

社内エージェントは常時約3万体、8月の判断10億件超のうち事前遮断は0.002%

2つ目の指標は、社内で動くAIエージェントの監視です。2026年8月時点で、最も使われている社内プラットフォーム上に、研究とエンジニアリングの作業を行うエージェントが常時およそ30,000体いたとされています。公開された数値はこのプラットフォームのみを対象としたものです。

監視は、実行前に働く「オンラインモニタ」と、実行後に読む「オフラインモニタ」の2種類に分かれています。オンラインモニタは、モデルの重みを社外へ持ち出すような、起きてしまえば取り消せない害を対象に、危険な行動を遮断するか、逸脱を自動的に軌道修正します。オフラインモニタは、モデルの目標のずれの兆候のように、ゆっくり進行し巻き戻しが利く危険な振る舞いを対象とし、検出結果は分類器や決定論的な制御の改善に使われます。大きな危険が差し迫っている場合には、エージェントの配備のうち危険な部分を停止する、としています。

指標として使われているのは、監視を通る行動の割合（coverage）、行動から検査までの時間（review latency）、遮断または要確認として上げられる割合（escalation rate）の3つです。数値は下表のとおりです。Anthropicは、個々のエージェントが逸脱することはこれまでの監視データ上まれだとしたうえで、数百万・数十億のエージェントが経済の中で動くようになれば、まれな事象も日常的に起きうると書いています。

遮断率について、Anthropicは2026年8月の1か月間に研究・エンジニアリングのエージェントが下した10億件を超える判断を分析し、そのうち0.002%（約47,000件に1件、about 1 in 47,000）がオンラインモニタによって遮断されたとしています。オフライン側は、1,000件の記録につき1件から2件を要確認として上げる水準です。

AI研究開発に充てた計算資源のうち安全研究向けは約6%、AI-driven AI R&D分では約12%

3つ目の指標は計算資源の配分です。2026年7月13日から20日までの1週間について、すべての計算資源の使い道を分類した結果、AI研究開発に充てられた計算資源のうち約6%が安全性に関する作業へ、原典が「AI-driven AI R&D」と呼ぶ範囲に充てられた計算資源に限ると、約12%が安全性に関する作業へ配分されていました。この「AI-driven」は原典が計算資源の分類に用いている区分で、1つ目の指標のAL4（AIが主導する段階）と同じ範囲を指すとは原典に書かれていません。12%を26%の一部として読むことはできません。

この6%という数字は、意図的に保守的に見積もられています。安全性の向上と能力の向上に同程度に寄与するトークンは、この指標に数えていません。また、モデルを安全にするための保護用分類器の計算資源はこの数値に含まれず、Anthropicはそれが同程度の規模で別にあるとしています。分類はClaudeによるプロンプト型の分類器が行い、その週の約10,000件の実行のうち約14%を、計算資源を多く使った実行に重みを付けて抽出して判定しています。分類器と人の評価の差は1〜2パーセントポイントに収まったとされています。

Anthropic自身が挙げている限界は3点です。分類の土台となるラベルの多くが自動ルールや利用者によるベストエフォートの付与で、検証されたものではないこと。対象が1週間で、計測が可能だと示せても傾向を示すには足りないこと。そして最も重要な点として、計算資源の割合は「使った量」しか測っていないことです。安全性向上のための分類器の効率が上がれば安全側の割合は下がりますが、それは安全に関する作業が減ったことを意味しません。安全性の研究は、実験の設計に人の時間がかかる一方で実行自体は計算資源を多く使わない性質があるため、計算資源は企業の安全性への注力度合いの不完全な代理指標だ、とも書かれています。

エージェントを本番に置く側が、参照値として使えるもの・使えないもの

ここからは編集部の整理です。日本企業が自社でAIエージェントを本番投入する際、この資料から持ち帰れるのは個々の数値そのものではなく、監視を記述する枠組みのほうだと考えられます。被覆率・検査までの時間・エスカレーション率という3点セットは、社内のエージェント運用を説明する語彙としてそのまま使えます。「監視しています」ではなく「行動の何割が、実行前と実行後のどちらで、どれだけの時間内に検査され、そのうち何件が人に届くか」を数字で書ける形になるためです。

設計の考え方として参照できるのは、害の性質で監視の置き場所を分けている点です。取り消せない害は実行前に遮断し、ゆっくり進行して巻き戻せる害は実行後に読む、という切り分けは、監視をすべて実行前に寄せてしまう設計より運用しやすく、この資料ではその切り分けの具体例（重みの持ち出し／目標のずれの兆候）まで示されています。もう1つは、エスカレーションを段で設計している点です。週およそ100,000件の記録が自動で上がり、複数の分類器が誤検知の確認と一次審査を行い、最も優先度の高い週およそ50件が人の審査へ届く、という構造は、人が処理できる量から逆算して段数を決める設計の実例として読めます。遮断された行動については1週間以内に人が確認する、という時間の基準も併記されています。

一方で、そのまま自社に持ち込めないものもはっきりしています。0.002%という遮断率や6%という安全研究の割合を、自社の目標値や合否の基準に転用することはできません。対象がAnthropic社内の研究・エンジニアリング用エージェントに限られ、しかも社内の1つのプラットフォーム上の数値であり、顧客に提供される製品や一般の業務システムでの値ではないためです。26%という自動化率も同様で、フロンティアAI企業の研究開発業務という特殊な母集団に対する値です。加えて、これらはすべて第三者検証を経ていない自己申告値であり、判定にも同社のモデルが使われています。原典自身がその限界を明記しているという事実は、数値の信頼性を高める材料ではなく、数値をどう扱うべきかの指示として読むのが適切です。

なお、この資料の冒頭には「AIシステムは、自分自身の次の版を作るためにますます使われるようになっている（being used to build the next version of themselves）」という一文が置かれています。この表現だけを取り出せば、AIが自らの後継を作っている、という読み方になります。しかし同じ資料の本文は、完全自律の領域が現時点で存在しないこと、判定者が自社モデルであること、人どうしの一致率が35%にとどまる尺度であることを、いずれも数値とともに書いています。読み取るべきは、どちらか一方ではなく、その両方が同じ資料に書かれているという事実です。

開示にあたって。TechDaylightは記事の制作過程でAnthropicが提供するAIを利用しています。この記事は同社の資料を扱うため、評価にあたっては原典に書かれた記述と条件のみを根拠とし、編集部による数値の独立検証は行っていません。本文中の数値はすべてAnthropicの自己計測値であり、編集部が確認したのは、それらが原典に記載されていることと、その記載条件です。