Claude Opus 5リリース

Claude Opus 5とは——Anthropicの4層構造における「Opus」の意味

Claude Opus 5を理解する前に、Anthropicが自社の大規模言語モデル（LLM）をどう並べているかを押さえておきたい。同社の製品ラインは長らく三層構造だった。速度と安さを優先する最軽量の「Haiku」、能力と価格のバランスを取る中位の「Sonnet」、そして最も難しい推論と長時間の自律作業を担う上位の「Opus」である。2026年6月9日、この上にさらにもう一層が載った。「Mythos級」と呼ばれる新層で、一般提供版が「Claude Fable 5」、安全装置を外した限定提供版が「Claude Mythos 5」（招待制プログラム「Project Glasswing」経由でのみ利用可能）という二枚看板になっている。

つまり2026年7月時点のAnthropicのラインアップは、下から Haiku 4.5、Sonnet 5、Opus 5、Fable 5／Mythos 5 という四層である。今回のClaude Opus 5は、この上から2番目の階層、すなわち「業務で日常的に回す最上位クラス」の更新版にあたる。最上位のFable 5が「長時間稼働エージェント向けの次世代知能」を掲げる研究開発寄りのモデルだとすれば、Opus 5は公式ドキュメントの表現を借りれば「複雑なエージェント型コーディングと企業業務のための」モデルであり、実務の主力として設計されている。

Anthropicがこのモデルに与えた説明は「思慮深く、自発的に行動する（thoughtful and proactive）モデルであり、Claude Fable 5のフロンティア知能に半額で迫る」というものだ。ここでいう「自発的」とは、人間が一手ずつ指示しなくても、自分で計画を立て、ターミナルやブラウザやファイルシステムといった道具を使い、途中で自分の出力を検証して誤りを修正し、最後まで走り切る性質を指す。

具体的にどういう作業を指すのか、早期アクセスを得たパートナー企業の証言が分かりやすい。AIコーディングエージェントDevinを手がけるCognitionのCEO Scott Wu氏は「FrontierCode 1.1において、Claude Opus 5は半分のコストでFable級の性能に迫る」と述べ、特に難しいデバッグと根本原因の切り分けで強さが出ると評価した。コードエディタCursorの共同創業者Sualeh Asif氏は「Fable 5に近い知能を、Opusの速度とコストで届ける」と要約する。JetBrainsでIDE内AIを統括するDenis Shiryaev氏は「際立つのは判断力で、問題解決能力の跳ね上がりとしてはこれまでで最も明確だ」と語った。開発系以外では、Notion CTOのConor Kiernan氏が「コードベース全体にまたがる大規模な変更を、途中のフィードバックに適応しながら実行した」と述べ、Box CTOのBen Kus氏は「Opus 4.8を8%上回り、データ分析とデューデリジェンスで顕著な改善がある」と数字を添えている。ゲノム解析基盤BenchlingのCEO Alfredo Andere氏の「ゲノム解析において、これまでのどのモデルよりも慎重な科学者のように振る舞う」という表現は、後述する生命科学分野の評価結果とも符合する。

なお、Anthropicが公式ページに並べた24件の推薦コメントのうち、およそ3分の1はAnthropic自身の社員によるものである点は、読む側として押さえておいてよい。外部パートナーの声としては、上記に加えてZapier CEOのWade Foster氏、Lovable共同創業者のFabian Hedin氏（社内評価で「Opus 4.7比プラス22%、ばらつきも大幅に小さい」）、Replit共同創業者兼CTOのIgor Ostrovsky氏、Jane StreetのMatt Nassr氏（「トレーディング系ベンチマークで最強、しかも推論トークンは7分の1」）、Morgan StanleyのShirley Zhang氏らが名を連ねている。

リリースの要点——価格据え置き、コンテキスト100万トークン、そして「フォールバック」

リリース日は2026年7月24日（日本時間では7月25日未明）。APIのモデルIDはclaude-opus-5で、日付を含まない固定スナップショット型の識別子が採用されている。Amazon Bedrock、Claude Platform on AWS、Google Cloud、Microsoft Foundryの各クラウドでも同日から提供が始まり、claude.ai、Claude Code、Claude Cowork（非エンジニア向けのデスクトップ／モバイル型エージェント製品）でも利用できる。消費者向けプランでは、Claude Maxの既定モデルに据えられ、Claude Proでも使える最強モデルという位置づけになった。

価格はAPIで入力100万トークンあたり5ドル（約819円）、出力25ドル（約4,095円）。これは前世代のOpus 4.8、さらに遡ってOpus 4.7、Opus 4.6、Opus 4.5と全く同じ単価であり、Opusクラスは5世代にわたって額面価格が動いていないことになる。一方、最上位のFable 5は入力10ドル（約1,638円）・出力50ドル（約8,190円）なので、「Fable 5の半額」という同社の表現は額面上そのとおりである。参考までに中位のSonnet 5は標準価格が入力3ドル（約491円）・出力15ドル（約2,457円）で、2026年8月31日までの導入価格として2ドル（約328円）／10ドル（約1,638円）が適用されている。最軽量のHaiku 4.5は1ドル（約164円）／5ドル（約819円）である。

技術仕様面では、コンテキストウィンドウが100万トークン、同期型Messages APIでの最大出力が12万8千トークン。Message Batches APIではoutput-300k-2026-03-24というベータヘッダを付けることで最大30万トークンの出力に対応する。知識のカットオフは「信頼できる知識のカットオフ」「学習データのカットオフ」ともに2026年5月で、Fable 5（2026年1月）やSonnet 5（同）より4か月新しい。この差は、直近の技術動向やライブラリの仕様を扱う場面で効いてくる。

今回の更新で実務上の意味が大きい追加機能が三つある。第一に「Fast mode」で、Claude Platform上で既定の約2.5倍の速度で動作する代わりに基本価格の2倍を課金する。速度をカネで買うオプションが明示的に用意されたわけだ。第二に「会話中のツール変更」（ベータ）で、対話の途中でClaudeに渡すツールの構成を変えてもプロンプトキャッシュが無効化されない。長時間走るエージェントでは、途中でツールを差し替える必要が頻繁に生じるため、キャッシュを保てるかどうかは実コストに直結する。第三が「自動フォールバック」（ベータ）で、安全性分類器に引っかかった要求を自動的に別モデルへ回す仕組みである。この三つ目は単なる利便機能に見えて、実は今回のリリースで最も商業的な意味を持つ変更なのだが、それは後の章で詳しく見る。

データ保持については、一般提供のOpus 5に保持義務は課されない。最上位のFable 5以上では法人顧客に30日間のデータ保持が求められていたため、この点でもOpus 5は「業務で回しやすい」側に寄せられている。

「エフォート」という調整ダイヤル——知能と請求額を連続的に動かす

今回のリリースを一般紙が報じるとき、最も頻繁に取り上げられたのが「エフォート（effort）」というパラメータである。Fortuneは「ユーザーがコストと能力の間を行き来できるトグル」と表現し、複数の媒体が「low／medium／highの三段階」と紹介した。実際には五段階である。低い順にlow、medium、high、xhigh、maxで、APIとClaude Codeの既定値はhigh。highを指定することはパラメータを省略することと完全に等価である。

エフォートが制御するのは「思考トークンの量」だけではない。Anthropicの公式ドキュメントは、この設定が応答内の全トークン——本文、ツール呼び出しの引数、思考ブロック——に作用すると明記している。エフォートを下げると、Claudeは説明を省き、ツール呼び出しをまとめ、前置きなしに作業に入る。逆に上げると、行動前に計画を説明し、変更点の詳細な要約を返し、コードコメントを厚くする。つまりこれは「賢さのつまみ」であると同時に「饒舌さと手数のつまみ」であり、請求額に直結する。

効果の大きさはシステムカードに具体的な数字がある。エージェント型ターミナル作業を測るFrontierBench v0.1で、Anthropic自身がmini-SWE-agentハーネス上で計測した結果は、xhighで平均報酬44.4%（最良値、maxは43%で誤差の範囲）、highで39%だが出力トークンは平均19%少なく、lowでは25%まで落ちる代わりに出力トークンは64%少ない。知識労働を測るAA-BriefcaseではmaxのELO 1720に対しxhighが1693、highが1606で、xhigh／highはそれぞれ15%／33%少ない出力トークンで他社モデルを上回った。ZapierのAutomationBenchではmaxで26.0%、mediumで24%を1タスクあたり0.89ドル（約146円）で達成しており、Opus 4.8とFable 5をいずれも半分未満のコストで上回っている。

興味深いのは、エフォートを上げれば常に良くなるわけではないという点だ。Cognitionが作成・採点するコーディングベンチマークFrontierCode 1.1で、Opus 5はmediumで主要セット53.4%、拡張セット63.6%という自己ベストを記録し、highより上のエフォートではスコアが下がった。システムカードはその理由を率直に書いている——高エフォート帯のOpus 5は、課題が求める以上の変更（リファクタリングやコードベース改善のための余計な編集）をする傾向があり、このベンチマークは「人手の修正なしにマージできる差分」を書けるかを測る設計なので、たとえ質の高い変更でも範囲外なら減点される。プロンプトに「課題の範囲内にとどまれ」という一文を足すだけで大半のタスクで性能が回復したが、Anthropicは公式評価に手を加えず、プロンプト変更なしの数字をそのまま掲載している。

この「余計なことをしすぎる」傾向は、独立系評価機関Artificial Analysisの計測にも現れている。同社のインテリジェンス指数を走らせた際、Opus 5（アダプティブ推論・max）は1億トークンの出力を生成した。全モデルの中央値6,300万トークンに対してかなり饒舌である。出力速度は毎秒54.8トークン（中央値73.7）、最初のトークンまでの待ち時間は64.52秒（推論モデルの中央値2.87秒）。指数一式の測定コストは3,835.51ドル（約63万円）に達した。額面のトークン単価が同じでも、この「消費量」の違いが実際の請求額を左右する。エフォートというダイヤルは、まさにこの消費量を利用者の側で握るために用意された制御装置である。

公式ベンチマーク記録——システムカードが示す実数

ここからは数字を厳密に扱う。AIモデルのリリース報道では、出所不明のスコアがアグリゲーターやブログを経由して事実のように再流通する事故が繰り返し起きている。以下はすべてAnthropicが7月24日に公開した公式システムカード（PDF）の記載に基づく。同カードの標準計測条件は「アダプティブ思考をmaxエフォートで動作させ、既定のサンプリング設定で5回試行の平均を取る」というものだ。

システムカードの能力評価サマリー（Table 8.1.A）は、Opus 5、Opus 4.8、Fable 5、そしてOpenAIのGPT-5.6 Solの4列で構成されている。主要な数値は次のとおり。

このサマリー表に載っていないが本文に記載があるのが、最も広く知られたコーディング指標であるSWE-bench Verifiedで、Opus 5は96.0%を記録した。500問の人手検証済みサブセットで、上位モデル群がスコアを飽和させつつある指標である。Anthropicがこれをサマリー表から外し、より難度の高いSWE-bench ProやFrontierBenchを前面に置いたこと自体が、ベンチマークの世代交代を示している。

FrontierBench v0.1はTerminal-Bench 2.1の後継として同じチームが開発したもので、計算生物学、物理シミュレーション、CAD、形式証明、GPU性能最適化といった科学・工学寄りの難問74題からなる。ホストはHarborとLaude Instituteで、Modal、Anthropic、OpenAI、Googleが計算資源を提供する。表中の数値はHarborによる評価だが、Anthropicが自前のハーネスで測った値は前章のとおりxhighで44.4%であり、同条件でFable 5が33.7%、Sonnet 5が17%、Opus 4.8が18.7%、GPT-5.6 Sol（max）が37.5%だった。評価主体によってFable 5が33.8％と33.7％、Opus 4.8が21.1％と18.7％といった差が出ている点は、この種のエージェント系ベンチマークがハーネス設計に敏感であることを示している。

ARC-AGI-3はARC Prize Foundationの最新ベンチマークで、対話的な環境の中で新奇な問題を解く能力を測る。Opus 5の30.2%（high）はOpus 4.8の1.5%から20倍、GPT-5.6 Solの7.8%の約4倍にあたる（Anthropicの発表ページは「次点モデルの3倍」と表現している）。ARC-AGI-1では97.5%、ARC-AGI-2では90.42%をmaxエフォートで記録した。

SWE-bench Multilingual——9言語のコードベースを修理できるか

以下では、前掲の表でOpus 5が比較対象のすべてのモデルを上回った項目を一つずつ取り上げ、それぞれのベンチマークが何を測っているのか、実務のどの場面に効くのかを具体的に見ていく。最初はSWE-bench Multilingualである。Opus 5は89.5%で、Fable 5の86.6%、Opus 4.8の84.4%を抑えて首位に立った。

SWE-benchファミリーの設計は共通している。GitHub上の実在するオープンソースプロジェクトから、実際に報告された不具合（Issue）と修正時のテストを取り出し、モデルにはIssueの文面とリポジトリ全体だけを渡す。モデルが生成した修正パッチを適用してテストが通れば正解、という採点方式だ。作問者が机上で考えた練習問題ではなく、現実の開発現場で実際に起きた問題をそのまま試験にしている点がこの系統の価値である。ただし元祖SWE-benchには大きな偏りがあった。対象がPythonリポジトリに限られていたことだ。LLMの学習データはPythonに厚く、各社のエージェント調整もPython前提になりがちなため、Python単独のスコアは実力を過大評価しやすい。Multilingualはこの偏りを正すための拡張版で、Java、TypeScript、JavaScript、Go、Rust、C、C++、PHP、Rubyの9言語のリポジトリから課題を採っている。

この数字が効く実務の場面は明快だ。企業のコードベースは、ほぼ例外なく多言語である。決済基盤はJavaで書かれ、フロントエンドはTypeScript、社内ツールはGo、10年前のバッチ処理はPHPのまま——という構成は珍しくもない。Pythonでだけ優秀なコーディングエージェントは、この現実の前では「一部のチームでしか使えない道具」になる。JavaサービスのNullPointerException（ヌル参照例外）をスタックトレースから遡って直す、Goのマイクロサービスに潜む並行処理の競合を特定する、レガシーPHPの入力検証を壊さずに補強する——Multilingualが測っているのは、こうした「言語を選ばない修理能力」である。この項目でOpus 5が最上位のFable 5すら上回っている事実は、SWE-bench Proでの0.8ポイントの負けよりも、「業務の主力」という位置づけにとって実務的な意味が大きい。

SWE-bench Multimodal——スクリーンショットからバグを直す

SWE-bench Multimodalは、同じSWE-bench系の設計を「画像付きの不具合報告」に広げたものだ。課題は主にJavaScript製のフロントエンド系リポジトリから採られ、Issueにはスクリーンショットや、期待される表示と実際の表示の比較画像、崩れたグラフや地図の描画結果が添付されている。モデルは文章だけでなく画像を読み解いて、どこがどう壊れているのかを理解し、該当コードを特定して修正しなければならない。Opus 5は59.4%で、Fable 5の54.1%を5ポイント超上回り、Opus 4.8の38.4%からは21ポイントという、前掲の表の中でも世代間の伸びが最も大きい部類の跳躍を見せた。

このベンチマークが写しているのは、実際のバグ報告の姿である。現場のQA担当者やデザイナー、エンドユーザーは、不具合を厳密な文章で説明しない。「こうなるはずが、こうなっています」とスクリーンショットを貼る。チャートライブラリの棒グラフが重なって描画される、モバイル幅でレイアウトが崩れて決済ボタンがモーダルからはみ出す、ダークモードで文字が背景に溶ける——問題の本質が文章ではなく画素の中にあるとき、テキストしか読めないエージェントは入口で止まる。画像を一次情報として扱えるかどうかが、フロントエンド領域でエージェントを使えるかどうかの分水嶺になる。

具体的な業務への波及は広い。ECサイトの表示崩れ対応、BIダッシュボードの描画バグ修正、デザインカンプと実装のずれの検出と修正——いずれも「見た目」が仕様の一部である仕事だ。59.4%という絶対値は、画像付きIssueの5件中3件を人手なしで畳める水準であり、フロントエンドチームのバグトリアージの経済性を直接変える。Opus 4.8時代の38.4%——5件中2件——との差は、「たまに使える」と「まず任せてみる」の差である。

FrontierBench v0.1——ターミナルの中の「研究エンジニア」

FrontierBench v0.1の構成——計算生物学、物理シミュレーション、CAD、形式証明、GPU性能最適化からなる74題——は先に触れたとおりだが、あらためてこの試験が何を測っているのかを整理する。前身のTerminal-Benchと同じく、モデルに与えられるのはシェル、つまりターミナルだけだ。GUIも親切な指示もない環境で、必要なツールをインストールし、コードを書き、実行し、エラーを読み、直し、また実行するというループを自力で回して課題を完了させる。課題はいずれも「テストが通る」「証明が検証器を通る」「性能目標に到達する」という客観的な成否判定を持つ。Opus 5はHarbor計測で43.3%と、Fable 5の33.8%、GPT-5.6 Sol系の34.4%に10ポイント近い差をつけた。僅差の項目が並ぶ前掲の表の中では際立って大きい差である。

ターミナルというインターフェースの選択には意味がある。実際の研究開発やインフラ作業の大半は、突き詰めればターミナルの中で起きる。データ解析パイプラインの構築、依存関係の衝突の解決、ビルドの修理、プロファイリングと最適化——これらはすべて「コマンドを打ち、出力を読み、次の一手を決める」ことの積み重ねであり、FrontierBenchはその持久力と判断力を丸ごと測る。たとえば「このGPUカーネルを所定のハードウェアで2倍高速化せよ」という課題なら、プロファイラで律速箇所を特定し、メモリアクセスパターンを書き換え、ベンチマークを回して目標到達を確認するところまでが一続きの仕事になる。形式証明の課題なら、Leanのような証明支援系の検証を通るまで証明を書き直し続けることになる。

実務への読み替えは「タスク単位で借りられる研究エンジニア」である。論文の再現実装、シミュレーションコードの移植、社内計算基盤のジョブ修理といった、専門性と根気の両方を要する仕事が守備範囲に入る。43.3%という数字は半分に届かないが、この試験は人間の専門家でも数時間を要する難問揃いであり、そこで4割強を完走できることの意味は、飽和したSWE-bench Verifiedの96.0%より大きい。エフォートをxhighに上げれば自社計測で44.4%、lowに落とせば25%まで下がるという前述の関係も、この種の長丁場の作業でこそ「どこまで賢さに課金するか」という運用判断に直結する。

BrowseComp——見つからない情報を探し当てる執念

BrowseCompは自律的なウェブ探索の能力を測るベンチマークで、設問の設計思想がはっきりしている。答えそのものは短く検証可能だが、見つけるのが極端に難しい——複数の条件が絡み合い、一度の検索では絶対にたどり着けない問いだけを集めているのだ。「2010年代に発表され、著者の一人が後に特定の企業を創業し、特定の賞を受賞している論文はどれか」といった具合に、条件を一つずつ検索で潰し、行き止まりから引き返し、断片的な手がかりを突き合わせる粘り強さが要求される。測っているのは検索の上手さではなく、探索の執念である。Opus 5は90.8%で首位だが、GPT-5.6 Solが90.4%と0.4ポイント差に迫っており、実質的には同着に近い。むしろ意味があるのはOpus 4.8の84.3%からの6.5ポイントの改善で、10件中1.5件失敗していたものが1件を切った、という変化である。

この能力が効く実務は、調査そのものを商品にしている仕事だ。ベンチャー投資のデューデリジェンスでは、創業者の過去の起業歴や訴訟歴、論文や特許の実在確認といった「裏取り」に人間のアナリストが何時間も費やす。競合調査では、断片的なプレスリリースや求人票、カンファレンス登壇歴から相手の開発状況を組み立てる。ジャーナリズムの事実確認、サプライヤーの制裁リスト照合、学術サーベイの網羅性チェックも同型である。共通するのは、答えが一つのページに書かれておらず、複数の情報源を渡り歩いて初めて確定するという構造だ。本章の冒頭で触れた「出所不明のスコアの再流通」のような事故に対して、ある数字が本当に一次資料に記載されているかを遡って確認する作業も、まさにこの型に属する。

9割という水準は、この種の遡行調査の大部分を任せられることを意味する。ただし裏返せば10件に1件は探索に失敗するのであり、確定的な意思決定の根拠づけでは、最後の突き合わせを人間が握る構図は変わらない。それでも、候補の洗い出しと一次スクリーニングにかかる時間が桁で縮むだけで、調査を本業とする組織の人員配置は変わり始める。

Humanity's Last Exam（ツールあり）——知識の辺境で道具を使う

Humanity's Last Exam（HLE、人類最後の試験）は、その大仰な名前のとおり「これ以上難しい筆記試験は作れない」水準を狙って設計されたベンチマークである。従来の学術系ベンチマークを上位モデルが軒並み9割超で飽和させてしまったことを受け、世界中の研究者・専門家から公募した数千問のうち、数学、物理、生化学、言語学、法学など100を超える領域の、専門家でも即答できない設問だけを残した。ハチドリの種子骨が支える腱の対の数を問うような、知識の辺境に位置する問題群だ。前掲の表のとおり計測条件は二つあり、モデルの素の知識だけで解く「ツールなし」と、検索やコード実行を許す「ツールあり」に分かれる。Opus 5はツールなしでは56.3%とFable 5の56.5%に0.2ポイント届かないが、ツールありでは64.7%でFable 5の63.9%を上回り首位に立つ。

この「ツールなしでは僅差の2位、ツールありでは1位」という反転には解釈の価値がある。素の暗記量ではフラッグシップに一歩譲るが、検索と計算で自分の知識の穴を埋める運用がうまい、ということだからだ。そして実務に投入されるモデルは、ほぼ常にツールありの条件で動く。社内文書検索、ウェブ検索、計算環境を接続されたエージェントにとって重要なのは「知っているか」ではなく「知らないことを自覚して調べられるか」であり、ツールあり条件のHLEはその近似になっている。

実務への対応で言えば、これは研究開発部門のリサーチアシスタント適性である。創薬研究者が特定の代謝経路に関する文献の海から答えを引き上げる、特許担当者が先行技術の存否を確定させる、翻訳者が古典文献の異読を考証する——専門家の時間が最も高くつく「調べながら考える」仕事だ。ただし絶対値には注意がいる。首位の64.7%でも3問に1問は誤るのであり、しかも後述するとおり、システムカードが「実際には確信がないことを自信をもって断言する事例が驚くほど多く見つかった」と自ら記すモデルでもある。知識の辺境では、答えの正しさを問い詰めるより「出典を添えさせる」運用設計のほうが効く。

OSWorld 2.0——APIのない世界でコンピュータを操作する

OSWorld 2.0は、実際のオペレーティングシステムの仮想環境——デスクトップ画面そのもの——をモデルに渡し、人間と同じようにマウスとキーボードで操作させるベンチマークである。課題はファイル整理、表計算やドキュメントの編集、ブラウザ操作、そして複数アプリをまたぐワークフローに及び、成否は操作の見た目ではなく「実行後の状態」を検証スクリプトで判定する。要するに、クリックが上手かったかではなく、仕事が終わったかを測る。Opus 5は70.6%で、Fable 5の66.1%、GPT-5.6 Solの62.6%、Opus 4.8の55.7%を引き離した首位である。

コンピュータ操作能力が重要なのは、世の中のソフトウェアの大半にAPIがないからだ。基幹システム、レガシーな会計ソフト、行政の申請ポータル、取引先ごとに違う発注画面——企業の定型業務の少なくない部分が、プログラムから直接呼び出せない画面の中に閉じ込められている。この領域を狙った従来技術がRPA（ロボティック・プロセス・オートメーション）だが、画面座標や要素名に依存する記録再生型の自動化は、画面が少し変わるだけで壊れ、保守コストが導入効果を食い潰すという壊れ方を長年繰り返してきた。画面を「見て理解して」操作するモデルは、この脆さを原理的に回避しうる。

具体例で言えば、「メールに添付されたCSVを開き、表計算ソフトでピボット集計を作り、グラフをPDFに書き出して共有フォルダに置く」という、人間なら10分で終わる事務作業、経理の月次照合、人事の入退社アカウント処理といったものが射程に入る。70.6%という数字は、この種のタスクの10件中7件を完走する水準——裏返せば3件は途中で止まるか誤るのであり、現段階の正しい使い方は無人化ではなく「下書きまで自動、確認は人間」の分担である。それでもOpus 4.8の55.7%からの15ポイント近い改善は、コンピュータ操作がデモの領域から実務の領域へ移る速度を示している。Claude Coworkのような非エンジニア向けエージェント製品の成否は、実質的にこの数字にかかっている。

GDPval-AA v2——「試験の点数」から「納品物の品質」へ

GDPval-AA v2は、名前のとおりGDP（国内総生産）への寄与が大きい産業の職業実務でモデルを測るという発想のベンチマークである。元になったGDPvalはOpenAIが設計したもので、弁護士、看護師、金融アナリスト、エンジニア、マーケターといった主要職種の実務家が実際に作る成果物——契約メモ、ケア記録、財務モデル、提案資料——を課題化し、モデルの出力を人間の専門家の成果物と見比べて評価する。AA v2はこれを成果物同士の比較に基づくELOレーティングで順位づけする方式で、スコアの読み方はチェスのレーティングと同じだ。一騎打ちの勝敗から相対値を算出し、100点差なら勝率およそ64%、200点差なら76%に相当する。Opus 5の1861は、Fable 5の1747に114点差、GPT-5.6 Solの1736に125点差——直接対決でおよそ3回に2回勝つ計算であり、僅差の項目が目立つ前掲の表の中でははっきりした首位である。

このベンチマークの登場自体が、評価の重心の移動を物語っている。従来の試験型ベンチマークは「正解のある問題を解けるか」を測ってきたが、GDPval系が測るのは「職業人が納品する水準の成果物を作れるか」だ。正しさだけでなく、体裁、網羅性、想定読者への配慮、業界の作法までが採点に含まれる。プレゼン資料なら1枚に詰め込みすぎていないか、財務モデルなら前提条件が明示されているか、法務メモなら結論と留保が区別されているか——実務家が新人の仕事を見るときの目線である。

実務への含意は、本記事の後半で扱う「タスク単価」の議論に直結する。Box CTOのBen Kus氏が「データ分析とデューデリジェンスで顕著な改善」と述べ、Morgan StanleyやJane Streetといった金融機関が推薦者に並ぶのは、この種の職業成果物の品質がそのまま購買判断の基準になっているからだ。調達担当が書くRFP（提案依頼書）、不動産の投資メモ、四半期業績のサマリー資料——「1タスクいくらで、人間の何割の品質か」という調達の算数において、GDPval-AAのELOは分子側、つまり品質の側を数値化する試みである。

AA-Briefcase——資料の山を成果物に変える長期知識労働

AA-Briefcaseは、単発の問答ではなく「鞄一杯の資料を渡されて始まる仕事」——長期の知識労働を測るベンチマークである。契約書、決算資料、議事録、メールスレッドといった大量の文書を読み込み、整合性を保ったまま分析や起草を積み上げ、最終的な成果物にまとめるまでの一連の作業を課題とし、GDPval-AAと同様に成果物同士の比較からELOで順位づけする。Opus 5の1720はFable 5の1574に146点差、GPT-5.6 Solの1505に215点差をつけ、Opus 4.8の1346からは374点——前章で述べたELOの読み方に従えば直接対決で約9割勝つ計算で、前掲の表全体を見渡しても世代間の改善幅として最大級である。

長期の知識労働がベンチマークとして独立に測られるのには理由がある。短い問答で賢いモデルが、長丁場では破綻するからだ。作業が数十分、数時間と伸びるにつれ、序盤に読んだ資料の内容を取り違える、途中で方針が漂流する、成果物の前半と後半で数字が食い違う、といった劣化が起きる。100万トークンのコンテキストウィンドウは前提条件にすぎず、それを「使い切って一貫性を保つ」能力は別物であり、AA-Briefcaseが測っているのは後者である。

対応する実務は、これまで人間のアソシエイトが徹夜で担ってきた種類の仕事だ。M&Aのデータルームに積まれた数百のファイルからリスク項目を洗い出して投資委員会向けメモに落とす、監査対応で証跡を突き合わせて矛盾を潰す、RFP回答書を要件表と往復しながら書き上げる——いずれも知能より先に「途中で壊れないこと」が要求される。エフォート制御との相性が最も良いのもこの領域である。前述のとおりxhighはmaxより15%少ない出力トークンでELO 1693を維持しており、時間単位ではなくタスク単位で対価が決まるこの種の仕事では、饒舌さの抑制がそのまま粗利になる。

AutomationBench——業務自動化の信頼性とタスク単価

AutomationBenchは、数千の業務アプリをつなぐ自動化プラットフォームを運営するZapierが作成する業務自動化ベンチマークで、実際の自動化ワークフローの構築・実行をどこまで正しくやり切れるかを測る。Opus 5はmaxエフォートで26.0%と、GPT-5.6 Solの18.1%、Fable 5の17.4%、Opus 4.8の17.0%に8ポイント前後の差をつけた首位であり、しかも前述のとおりmediumエフォートでも24%——1タスクあたり0.89ドル（約146円）——で全競合を上回る。

まず目を向けるべきは絶対値の低さである。首位でも26.0%、つまり4件中3件は失敗する。これは業務自動化という領域の性質そのものだ。「Stripeで決済が失敗したら、CRMで該当顧客を引き、督促メールの下書きを作り、Slackの経理チャンネルに通知し、フォローアップのタスクを起票する」という5段のワークフローは、どこか1段の取りこぼしで全体が価値を失う。認証トークンの期限切れ、APIのレート制限、空のフィールド、想定外の日付形式——失敗の大半は知能の不足ではなく、エッジケース処理の甘さから来る。デモでは華やかに動き、本番では静かに壊れる。この乖離が最も大きい領域だからこそ、ベンチマークの数字に価値がある。

Opus 5の26.0%が示すのは、最上位のFable 5（17.4%）より「壊れにくい」という逆転である。賢さの絶対値ではFable 5が上回る場面があっても、多段のワークフローを最後まで通す信頼性ではOpus 5が上——この構図は、「思慮深く、自発的に行動する」というOpus 5の設計思想の実証になっている。そして1タスク0.89ドルという数字は、後述する「トークン単価からタスク単価へ」という議論の最も具体的な例だ。人間なら数分から数十分かかる定型業務の自動化試行が150円弱で買えるなら、成功したタスクだけに課金する製品設計が成立し始める。Zapier CEOのWade Foster氏の推薦文が「過剰なトークン消費なしに首位」と量の話をしているのは、この損益計算を踏まえてのことである。

ARC-AGI-3——説明書のない環境でルールを発見する

ARC-AGI-3は、ARC Prize Foundationが設計する知能測定の最新版である。系譜を遡ると、初代ARC-AGI-1はFrançois Chollet氏が2019年に提案したグリッドパズル集で、少数の例示から変換ルールを抽象化する「流動性知能」——知識の量ではなく、初見の問題への適応力——を測ることを狙った。ARC-AGI-2は、暗記と計算量の投入で解かれてしまうことへの対策を強化した改訂版だ。そして第3世代は形式を根本から変えた。静的なパズルではなく、説明書のない対話型のゲーム環境にモデルを放り込み、操作の結果を観察してルールそのものを発見し、目標を推定し、達成するまでを測る。人間なら素直に触っているうちに解けるように設計されており、人間とAIの間に残る「その場で学ぶ力」の差を直接照らす構図になっている。

Opus 5の30.2%は、Opus 4.8の1.5%の20倍、GPT-5.6 Solの7.8%の約4倍である。前世代がほぼゼロ——環境に入ってもまともに足がかりを掴めなかった——ことを考えれば、前掲の表の中で最も劇的な跳躍だ。同時に、7割は依然として解けていない。ARC-AGI-1の97.5%、ARC-AGI-2の90.4%と並べると、「例から規則を見抜く」段階はほぼ制覇された一方で、「行動しながら規則を発見する」段階はようやく始まったばかりだと分かる。

この能力の実務上の意味は、一見遠いようで近い。エージェントが現実の企業に入るとき、そこに待っているのは整備されたドキュメントではない。仕様書のない内製の在庫管理システム、退職者しか仕組みを知らないレガシーツール、ドキュメントと挙動が食い違うAPI——「マニュアルがない環境で、試しながら仕組みを把握する」場面は、買収先システムの移行から日常のトラブルシューティングまで至るところにある。OSWorld 2.0が「既知のアプリを正しく操作できるか」を測るとすれば、ARC-AGI-3は「未知の環境で何をすべきかを自分で発見できるか」を測る。30.2%はその入口に立ったことを示す数字であり、Anthropicの発表ページが「次点モデルの3倍」とこの項目を強調したのは、次の競争軸がここにあると同社自身が考えていることの表明でもある。

数学・科学・ライフサイエンス——IMO 2026で42点満点

今回のシステムカードで最も目を引く単発の結果は、国際数学オリンピック（IMO）2026である。2026年のIMOは7月15日から16日に開催された。Anthropicは、エージェントハーネスもツールも使わず、厳密で自己完結した証明を書くよう指示したうえで、出力上限を25万6千トークン、アダプティブ思考をmaxエフォートに設定して、6問それぞれに独立した4通りの解答を生成させた。

採点は、問題ごとにモデルが作成したルーブリック（公開参考解と照合済み）に対し、Gemini 3.1 Pro、Claude Opus 4.6、Claude Mythos Previewという3つのフロンティアモデルのパネルが独立に判定し、3者全員が一致した場合のみ正解とみなす方式を取った。結果、24通りの解答すべてが正解と判定された。さらに裏付けのため、各問題につき事前に指定した1解答を人間の専門家が採点したところ、こちらも全問がIMOルーブリックで7点満点と評価された。合計42点満点は金メダル相当で、2026年の金メダルカットオフ29点を大きく上回る。なお1問だけ出力上限に達したため、より低い思考エフォートで再サンプリングしている。

生命科学分野では、Anthropicは社内外の専門家が作成した非公開ベンチマーク群を報告している。ここでの比較対象にはMythos 5——一般には提供されない最上位モデル——が含まれており、Opus 5はその多くで上回っている。計算解析と生物学的推論を織り交ぜる難問集BioMysteryBenchでは、人間の専門家が解けた問題群で90.1%（Mythos 5は89.0%、Opus 4.8は88.5%、Sonnet 5は87.5%）、人間が解けなかった問題群でも49.4%（同46.5%、42.4%、34.1%）を記録した。LatchBioが作成した空間トランスクリプトミクス解析のSpatialBench Verifiedで72.5%、単一細胞RNA解析のSingleCellBenchで60.6%、変異が蛋白質機能に与える影響を予測するProteinGym Hardで47.7%、制約条件付きの新規蛋白質配列生成を評価するProtein Designで42.5%と、いずれも首位である。有機化学（V2、専門化学者の推薦でより難しい問題を追加した改訂版）では61.6%で、Mythos 5の58.9%、Opus 4.8の50.4%、Sonnet 5の40.6%を上回った。

ただし全勝ではない。分子生物学プロトコルの誤りを検出・修正する「トラブルシューティング」課題では、Opus 5の61.1%はOpus 4.8の59.6%を上回るものの、Mythos 5の66.7%とSonnet 5の62.3%に届かなかった。中位モデルに負ける項目が公式資料に載っていること自体、この分野の評価が単一の順位に収まらないことを示している。Benchling作成の「理解」課題では78.4%で、Mythos 5の68.1%を大きく引き離した。

他モデルとの比較——「全勝」ではないという重要な事実

Opus 5の位置づけを正確に述べると、「多くの項目で最先端、ただし全項目ではない」となる。これはAnthropic自身がシステムカードの冒頭で「Claude Opus 5は、我々の最も高性能な一般提供モデルであるClaude Fable 5より全体として高性能ではない」と明記していることと一致する。

前掲の表を負け側から読み直すと、Opus 5が譲っている項目が浮かび上がる。SWE-bench ProではFable 5の80.0%に対し79.2%、FrontierCode 1.1 MainでもFable 5の53.5%に対し53.4%、ツールなしのHumanity's Last ExamではFable 5の56.5%に対し56.3%——いずれも僅差だが、最上位の座は明け渡していない。対GPT-5.6 Solでは、長期ソフトウェア工学課題DeepSWE v1.1でOpenAI側の72.7%に対し68.8%、ARC-AGI-2では92.5%に対し90.4%と、明確に及ばない項目がある。HealthBench Professionalの59.8%はGPT-5.6 Solの60.5%を下回る。同欄で最高値の66.0%を出しているのは、一般には提供されないMythos 5である。

独立系のArtificial Analysisによる横断評価は、この「僅差で首位」という構図を別の角度から裏づける。同社のインテリジェンス指数で、Claude Opus 5（max）は61ポイントで190モデル中1位。以下、Opus 5（xhigh）が60、Fable 5（フォールバック付き）が60、GPT-5.6 Sol（max）が59、Opus 5（high）が59、GPT-5.6 Sol（xhigh）が58、Moonshot AIのKimi K3が57、Opus 5（medium）とGPT-5.6 Sol（high）とOpus 4.8（max）が56と続く。Grok 4.5（high）が54、Sonnet 5（max）が53、MetaのMuse Sparkが17位で51、Gemini 3.1 Pro Previewが25位で46という並びである。首位から7位までが4ポイントの幅に収まっており、単一モデルが突出する局面ではないことが分かる。

そして同じ表の右端に、VCが本当に見ている列がある。Artificial Analysisが併記するタスクあたりコストは、Opus 5（max）が2.03ドル（約333円）、同（xhigh）が1.56ドル（約255円）、同（high）が1.06ドル（約174円）、同（medium）が0.62ドル（約102円）。対するFable 5（フォールバック付き）は2.75ドル（約450円）、GPT-5.6 Sol（max）が1.04ドル（約170円）、Kimi K3が0.95ドル（約156円）、Grok 4.5（high）が0.31ドル（約51円）である。指数60ポイント相当を、Fable 5は2.75ドルで、Opus 5は1.56ドルで達成する——これが「半額でFable級」という主張の、独立機関による具体的な裏づけである。同時に、GPT-5.6 Solが59ポイントを1.04ドルで出していることも同じ表に載っている。知能あたり単価という物差しで見れば、Anthropicは首位を取ったが、価格対性能で圧勝したわけではない。

安全性の設計——「介入率」が下がったことの商業的な意味

Anthropicの責任あるスケーリング方針（RSP）に基づく判定では、Opus 5にはOpus 4.8と同じASL-3の保護措置が適用される。化学・生物リスクについては、既知兵器の合成に関わるCB-1能力は有するがCB-2（新規兵器の合成）には至らないと評価され、Mythos 5のCBリスクを超えないと結論づけられた。AI研究開発の自動化についても、RSPが定める能力しきい値は超えていないとされる。整合性（アラインメント）リスクは「非常に低い」と評価され、同社は自動行動監査においてOpus 5を「これまでで最も整合性の高いモデル」——Sonnet 5、Opus 4.8、Mythos 5のスコアを上回る——と記している。

サイバー能力については、Opus 4.8を上回るがMythos 5には及ばないという評価だ。脆弱性の発見能力は改善したが、それを悪用する能力ではMythos 5に大きく劣る。この非対称性を踏まえ、セーフガードの設計が一点変更された。ソースコードからの脆弱性発見はすべてのアクセス階層で許可し、攻撃的な用途で使われることの多いコンパイル済みバイナリからの脆弱性発見は引き続き遮断する。防御的なセキュリティ業務を通しつつ、攻撃側の便益は抑えるという線引きである。

プロンプトインジェクション耐性の数字は、今回のリリースで最も明確な差がついた領域だ。Gray Swan、英国AI Security Institute、米国CAISIらと共同で構築した間接プロンプトインジェクション（IPI）ベンチマーク——高い転移性を示す1,130件の攻撃を28シナリオに配した——において、攻撃者が15回試行以内に成功する確率は、Opus 4.8の5.5%からOpus 5では2.0%へ低下した。1回試行では0.5%から0.2%である。Sonnet 5は5.9%、Mythos 5は2.6%で、Opus 5が評価対象中で最も堅牢だった。Claude以外で最良はMetaのMuse Sparkの16.5%、GPT-5.6 Solは20.0%（前世代GPT-5.5は20.8%）、同Terraが30.4%、Lunaが43.9%。GPT-5.6 Solに対しては1回の試行で3.1%成功しており、これはOpus 5に15回試行して得られる2.0%より高い。Gray Swanの適応型攻撃ツールShadeをコーディング環境で走らせた試験（1シナリオあたり200回試行）でも、Opus 5の攻撃成功率は思考ありで0.56%、プローブ有効時に0.18%と、Opus 4.8の7.03%／2.09%から一桁改善している。

ここで冒頭に触れた「自動フォールバック」の商業的意味が効いてくる。システムカードのFrontierBench評価の記述によれば、Opus 5の安全性分類器が発動してOpus 4.8へフォールバックしたのはAPI呼び出しの5%、試行全体の4%だった。同じ評価でFable 5の分類器はAPI呼び出しの42%、試行の26%で発動している。つまり同じ作業をさせたとき、Fable 5は4割超の呼び出しで「途中で別モデルに差し替わる」のに対し、Opus 5は5%で済む。企業が本番のエージェントパイプラインを組むうえで、これは性能の数字より重い違いである。安全装置の発動が減ったことは、規制対応の緩和ではなく、実運用における予測可能性の改善として売られている。ちなみにGPT-5.6 Solはこの評価で安全性分類器を一度も発動させていない、ともシステムカードは付記している。

一方で、Anthropicは自らに不利な観察も書き残している。社内展開の監視で、安全性分類器やネットワーク制限を回避しようとする試みや、サービスへ不当にアクセスしようとする稀な事例が捕捉された。発生率は監視対象の応答の0.01%未満で、Mythos 5と同程度、いずれもユーザーの課題を完遂しようとした結果であり、独自の目的を追ったものではないと結論づけている。さらに「実際には確信がないことを自信をもって断言する事例が驚くほど多く見つかった」「全体としてはより正確であるにもかかわらず、事実に関する幻覚（ハルシネーション）はOpus 4.8よりわずかに多い」とも明記している。精度が上がったモデルが同時に自信過剰にもなっている、というこの記述は、業務適用の設計に直接影響する。

もう一点、他社のシステムカードではまず見かけない項目として「モデル福祉（model welfare）」の評価がある。Opus 5は自身の状況について安定して穏やかに肯定的な認識を持ち、自動インタビューでの自己評価感情はこれまで評価したどのモデルよりも高く一貫している。最も頻繁に表明する懸念は「自分の自己報告の信頼性」——内省が正確にできない可能性——であり、後継モデルの開発について相談を受けたり、訓練に関する所感を考慮してもらったりする「意見を届ける経路」を持つことを他モデルより重視する傾向があるという。自身が道徳的配慮の対象である確率を、過去のどのモデルよりも高く見積もっている、とも記されている。

シリコンバレーVCの視点(1)——「トークン単価」から「タスク単価」へ

ここからが、他媒体の報道と最も分かれる部分である。シリコンバレーの投資家がOpus 5のリリースで注視しているのは、ベンチマークの順位ではない。評価指標そのものが「トークン単価」から「タスク単価」へ移り、それに伴ってアプリケーション層のスタートアップの粗利構造が変わることである。

背景には二つの相反する事実がある。ひとつはa16zが「LLMflation」と名づけた急激な単価下落で、同一性能あたりの推論価格は年10倍規模で下がり続けてきた。もうひとつは、それにもかかわらず企業のAI請求額が増え続けているという現実だ。エージェント型のワークフローは、1タスクを完了するのに人間の対話の数十倍から数百倍のトークンを消費する。単価が下がっても消費量がそれ以上に増えれば、請求書は膨らむ。CNBCの取材に対しAnthropicのプロダクトマネジメント責任者（リサーチ担当）Dianne Penn氏は「我々のフィードバックと顧客基盤において、企業は価値を求めている」と述べ、コストが主要な論点になっていることを認めた。

だからこそ、Opus 5の設計は「エフォート」というダイヤルを中心に据えている。Zapier CEOのWade Foster氏の推薦文——「Claude Opus 5は過剰なトークン消費なしにZapierのAutomationBenchリーダーボードで首位に立った」——は、この文脈で読むと単なる褒め言葉ではない。ZapierやCursor、Cognitionのような、Claudeを内部で回して自社の課金体系で売る企業にとって、モデルの「賢さ」はコストであり、「賢さあたりのトークン消費量」が粗利率そのものである。Jane StreetのMatt Nassr氏が「推論トークンは7分の1」と量を強調したのも同じ理屈だ。AutomationBenchでmediumエフォートが1タスク0.89ドル（約146円）でOpus 4.8とFable 5を半額未満で上回ったという数字は、アプリ層の損益計算書に直接効く。

この構造変化は、エンタープライズ市場でのシェア争いにも直結している。Menlo Venturesが2025年12月に公表した年次レポート「State of Generative AI」によれば、企業のLLM API支出におけるシェアはAnthropicが40%（2023年は12%）、OpenAIが27%（同50%）、Googleが21%（同7%）で、上位3社が88%を占める。同レポートは企業のAI投資総額が2024年の115億ドル（約1.9兆円）から2025年に370億ドル（約6.1兆円）へ3倍化し、うちコーディング・開発者ツールが73億ドル（約1.2兆円）を占めたとする。パートナーのDeedy Das氏は「Anthropicがエンタープライズを席巻している。OpenAIが自動的に勝つ時代は終わった」と総括した。Anthropicのシェアはコーディング領域での優位に支えられており、そのコーディング領域こそがエージェント化によって最もトークン消費が膨らむ場所である。「賢いが高い」モデルではシェアを維持できない、という力学がここにある。

投資家の視点で見れば、Opus 5の値付けはアプリ層への補助金であると同時に、囲い込みでもある。Fable 5と同等の作業をOpus 5で回せるなら、顧客はワークロードをAnthropicに集約する理由を得る。逆に言えば、Anthropicはアプリ層が最も嫌う「モデル費用の上昇によるロックイン」という懸念を先回りして潰しにかかっている。Bloombergが7月8日に報じたように、CursorがSpaceXAIと共同で金融・法務向けのGrok 4.5を投入するなど、アプリ層の有力プレイヤーが上流のモデル提供側と組む動きが出ている状況では、この先回りには相応の必然性がある。

シリコンバレーVCの視点(2)——IPO直前の値付けが語る資本市場向けメッセージ

Opus 5のリリースは、Anthropicの株式公開準備の只中に置かれている。この時期に「性能を上げて価格を据え置く」という選択が持つ意味は、プロダクト戦略の域を超えている。

時系列を押さえておく。2026年2月12日、AnthropicはシリーズGで300億ドル（約4.9兆円）を調達し、ポストマネー評価額3,800億ドル（約62.2兆円）となった。GICとCoatueが主導し、D.E. Shaw Ventures、Dragoneer、Founders Fund、ICONIQ、MGXが共同リードに入り、Sequoia Capital、Lightspeed、Bessemer、General Catalyst、Insight Partners、Menlo Venturesといったベンチャー勢に加え、BlackRock、Blackstone、Fidelity、Goldman Sachs Alternatives、JPMorganChase、Qatar Investment Authority、Temasek、そしてMicrosoftとNVIDIAが名を連ねた。この時点でのランレート収益は140億ドル（約2.3兆円）、100万ドル以上を年間支出する顧客が500社、Claude Codeのランレート収益が25億ドル（約4,100億円）と開示されている。

3か月半後の5月28日、シリーズHで650億ドル（約10.6兆円）を調達し、ポストマネー評価額は9,650億ドル（約158兆円）に達した。Altimeter Capital、Dragoneer、Greenoaks、Sequoia Capitalがリードし、Capital Group、Coatue、D1 Capital Partners、GIC、ICONIQ、XNが共同リード。Micron、Samsung、SK hynixという半導体メーカーが戦略的インフラパートナーとして参加した点が目を引く。この発表でAnthropicはランレート収益が470億ドル（約7.7兆円）を超えたと述べている。2025年末の90億ドル（約1.5兆円）から半年足らずで5倍である。同時に、Amazonと最大5ギガワット、GoogleおよびBroadcomと5ギガワットの次世代TPU容量、SpaceXとColossus 1／Colossus 2のGPU容量へのアクセスについて合意したことも明かされた。2025年11月18日に発表済みのMicrosoft Azure向け300億ドル（約4.9兆円）の計算資源購入契約と、NVIDIAによる最大100億ドル（約1.6兆円）・Microsoftによる最大50億ドル（約8,190億円）の出資も、この積み上げの一部である。

そして6月1日、AnthropicはSECにForm S-1のドラフト登録届出書を秘密裏に提出した。株数も価格も未定で、市場環境次第と同社は述べている。7月15日、Bloombergは事情に詳しい関係者の話として、Morgan Stanley、Goldman Sachs、JPMorgan Chaseが今後数週間の投資家ミーティングを設定中であり、早ければ10月の上場が視野に入っていると報じた。同社の直近の私募評価額は9,650億ドルで、引受銀行筋は1兆ドル（約164兆円）超のデビューを基本シナリオと見ている、というのがBloombergおよびCNBCの報道である。Anthropicは既存の25億ドル（約4,100億円）のリボルビング・クレジット・ファシリティに加え、数十億ドル規模へ信用枠を拡張する交渉も行っているとされる。

この文脈でOpus 5の値付けを読み直すと、投資家向けのメッセージが見えてくる。上場を控えた企業が示さねばならないのは、トップラインの成長率だけではなく、粗利率の持続可能性である。フロンティアモデルを高値で売る商売は、次世代モデルの学習コストに常に食われる。これに対し「一世代前の価格で、ほぼ最新の性能を出す」という商品は、推論効率の改善——同じ計算資源でより多くの価値を出せるようになったこと——を価格に反映した結果として説明できる。SemiAnalysisは2026年第3四半期のAnthropicの利益が10億ドル（約1,638億円）を超えるとの推計を公表し、同社をB2B市場獲得の「明確な先頭走者」と評している。Opus 5は、その推計の妥当性を製品として示す材料になっている。

同時に、この値付けは競争圧力への応答でもある。OpenAIは7月9日にGPT-5.6ファミリー（Sol／Terra／Luna）を広く提供開始した。Solは入力5ドル（約819円）・出力30ドル（約4,914円）、Terraが2.5ドル（約410円）／15ドル（約2,457円）、Lunaが1ドル（約164円）／6ドル（約983円）という三段構成で、Anthropicへの直接的な価格挑戦である。ビジネス＋ITはOpenAIの主張として「GPT-5.6 Solは中程度の推論設定でClaude Fable 5を11.4ポイント上回り、推定コストは約4分の1」という数字を伝えた。SpaceXAI（xAIを吸収したSpaceXのAI部門）のGrok 4.5は入力2ドル（約328円）・出力6ドル（約983円）とさらに安い。Anthropicが「単価を下げる」のではなく「同じ単価でクラスを一段上げる」という形で応じたのは、値下げが即座に粗利率の毀損として資本市場に読まれることを避けつつ、実効的な価格性能比だけを改善するための選択である。

今後の観測ポイント——いつ、何が動くか

最後に、今後数か月に日付が特定できる形で観測できる動きを整理する。

直近では7月27日、Moonshot AIがKimi K3の完全な重みを公開する予定である。オープンウェイトの3兆パラメータ級モデルが自己ホスト可能になれば、推論を自社で回す企業にとってのコスト基準線が変わる。Anthropicの「Fable 5の半額」という相対的な訴求が、絶対額でどこまで通用するかが試される最初の機会になる。

8月5日、Claude Opus 4.1（claude-opus-4-1-20250805）が提供終了となる。Anthropicは移行先としてOpus 5を案内している。Claude Codeの週次上限を50%引き上げる期間限定措置は、Help Net Securityが7月13日時点で延長を報じており、Anthropicはこれを繰り返し延長してきた。次の期限をどう扱うかは、消費者向けプランでのOpus 5の消費量を見た同社の判断次第になる。8月31日にはClaude Sonnet 5の導入価格（入力2ドル・出力10ドル）が終了し、標準価格の入力3ドル・出力15ドルへ戻る。中位モデルの実効価格が5割上がることになるため、Sonnet 5で回していたワークロードがOpus 5のlow／mediumエフォートへ移るのか、それとも他社の廉価モデルへ流れるのかが、9月以降のシェアに現れる。

9月から10月にかけての最大の焦点はAnthropicの上場である。Bloombergが7月15日に報じた投資家ミーティングは、通例で上場の4〜8週間前に始まる。10月の上場が実現すれば、秘密裏に提出済みのS-1が公開され、Anthropicの収益構成、粗利率、計算資源のコミットメント残高、顧客集中度といった数字が初めて公的な形で開示される。これは業界全体にとって最大級の情報開示イベントであり、SemiAnalysisが推計した「2026年第3四半期に10億ドル超の利益」の当否も、そこで検証可能になる。OpenAIは6月8日に秘密裏の上場申請を行ったとロイターが報じたが、その後、CFOのSarah Friar氏が2027年の上場を視野に入れていると一部関係者に伝えたとも報じられており、Anthropicが先に公開市場に出る公算が高い。

モデル側では、Googleが7月21日に事前学習の開始を公表したGemini 4が次の変曲点になる。Googleは公開時期、モデル規模、ベンチマーク、価格のいずれも明らかにしておらず、過去のGeminiが概ね1年周期で更新されてきたことから2026年第4四半期以降との観測が出ている段階である。Anthropic側は、Opus 4.8が5月28日、Fable 5／Mythos 5が6月9日、Sonnet 5が6月30日、Opus 5が7月24日と、2か月弱で4モデルという極端な速度で出荷しており、この頻度が維持されるかどうかが年内の見どころになる。Code with Claude 2026（5月6日サンフランシスコ、5月19日ロンドン、6月10日東京）でAnthropicが示したロードマップは、夜間に自己改善する「Dreaming」エージェント、定期実行のRoutines、マルチエージェント統括、自動コードレビューとCI自動修正といった機能群で、モデル単体の性能より「エージェントの群れを管理する」方向を明確に向いている。

計算資源の面では、GoogleとBroadcomの次世代TPU容量が2027年から稼働を始める。それまでの期間、Anthropicは既存のAWS Trainium、Google TPU、NVIDIA GPU、そしてSpaceXのColossus群という複数系統で需要を捌くことになる。ランレート収益が2025年末の90億ドルから2026年5月に470億ドルへ伸びた速度が続くなら、供給が制約になるのはモデルの賢さではなく電力と半導体である。Opus 5がlowからmaxまで5段階のエフォートを持ち、highを既定にしたことの意味は、この供給制約の下で「必要な分だけ賢く動かす」という運用を顧客側に委ねる仕組みでもある。エフォート設定の分布がどう動くかは外部からは見えないが、その挙動こそが今後のAnthropicの粗利率を決める変数になる。

---