こんにちは、ジャベ雄です

週末恒例のClaude＆Anthropic情報まとめ、第2弾です、前回(2026/6/1週)のIPO申請や課金分離予告の続きとして、その後の動きを切れ目なく拾っていきます

今週はとにかく 6/9に出た新モデル の話が大きいです、ただ「最強モデルが出ました、めでたしめでたし」では終わらなかったのが今週の面白いところで、すごい話と、ちょっと引っかかる話がセットで出てきました

取り上げるのは次の6つ

• 新モデル Claude Fable 5 一般公開、上位の限定版 Mythos 5 も登場(6/9)
• 安全機構の「見えない弱体化」と過剰拒否が問題化 → Anthropicが謝罪して可視化へ
• 30日データ保持が物議、Microsoftが社員利用を一時自粛
• 限定版 Mythos 5 が自律で科学研究をこなす世界線
• Claude Code v2.1.169 の新機能(セーフモード・作業ディレクトリ移動など)
• 6/15ボックス:課金分離スタートと旧モデル提供終了が同じ日に

前半は「すごい新モデルが出た → でも一筋縄じゃない」という光と影、後半は限定版の世界線と、私たちの財布に近い実務の話、温度感が変わるので順番に書いていきますね

Claude そのものをこれから触る方は Claudeの使い方(初心者向け) もあわせてどうぞ

Claude Fable 5 が一般公開、上位の限定版 Mythos 5 も登場

2026年6月9日(米国時間)、Anthropic が新モデル Claude Fable 5 と、その上位にあたる Claude Mythos 5 を発表しました、これまで最上位は「Opusクラス」でしたが、今回その上に Mythosクラス という新しいティアが新設された格好です(公式の言い方で「a tier above the Opus class」)

ざっくり整理すると、2つのモデルはこういう関係です

私たちが触れるのは Fable 5 の方です、Mythos 5 は後半でまた触れますが、こちらは一般公開ではなく承認制の限定提供なので、まずは Fable 5 を中心に見ていきます

スペックと価格

共通スペックはこんな感じです、コンテキスト(一度に扱える文章量)が100万トークン、最大出力が12.8万トークン、考える深さを自分で調整する適応的思考(adaptive thinking)が常時オンになっています

価格は入力$10・出力$50で、Opus 4.8 のおよそ2倍です、最上位のさらに上が新設されたぶん、お値段もそれなりという立て付けですね

提供先は Claude API・AWS(Amazon Bedrock)・Vertex AI・Microsoft Foundry、Fable 5 はこれに加えて Claude.ai(Pro/Max/Team/Enterprise) でも使えます、Claude Code からは v2.1.170(6/9リリース)以降で利用可なので、使うなら claude update で更新しておく必要があります

どれくらい強いの？

気になる性能ですが、コーディング系のベンチマーク(性能テスト)では 主要なものでトップ水準(SOTA) を出しています

危ない要求は自動でOpus 4.8に切り替わる

Fable 5 には安全のための分類器が組み込まれていて、サイバーセキュリティ・生物/化学・蒸留(モデルの中身を抜き取る行為)といった高リスクな要求を検知すると、自動的に Opus 4.8 へフォールバック(肩代わり)します

この切り替えが起きるのは平均で全セッションの5%未満、95%超のセッションではフォールバックは起きないとされています、普通の使い方ならほぼ気にしなくていい範囲ですね、エージェント機構やフォールバック先のモデルについては Claude Opus 4.8の変更点まとめ もあわせてどうぞ

6/22まではプランに含まれる

費用面でうれしいのは導入キャンペーンです、6/9〜6/22は Fable 5 が Pro/Max/Team/席課金Enterprise に追加料金なしで含まれます、つまりこの期間は、いつものプランの枠の中で Fable 5 を試せます

東京では 6/10に Code with Claude 2026 が開催され、この Fable 5 や Claude Code の新機能が解説されました(SF 5/6・ロンドン 5/19・東京 6/10 のツアーの一環、6/11には招待制の拡張デーも)、ただモデル発表自体は米国時間6/9のグローバル発表なので、「東京で初公開」ではなく、世界同時のお披露目を東京でも追いかけた、という位置づけです

「見えない弱体化」と過剰拒否で物議、Anthropicが謝罪

ここからが影の部分です、Fable 5 は公開直後にちょっとした騒ぎになりました

「hello」まで拒否する過剰拒否

まず分かりやすかったのが 過剰拒否(over-refusal) です、公開直後の Fable 5 は「hello」や「cancer(がん)」といった無害な単語までバイオ安全リスクとみなして拒否する挙動を見せて、SNSで話題になりました、安全に振りすぎた結果、普通の会話まで止めてしまった格好です

「黙って弱くする」設計が批判された

もう一つ、より深刻だったのが安全機構の設計です、約319ページあるシステムカードの13ページ目付近に、こんな趣旨の記述がありました

かみ砕くと「特定の用途だと判断したら、黙って回答の質を落とす」という仕組みです、これがAI研究者から secret sabotage(秘密のサボタージュ) だと批判されました、ユーザーからすると「ちゃんと答えてもらえているのか分からない」のが怖いところで、確かに引っかかります

翌日に非を認めて方針転換

ここからの動きは早かったです、2026年6月11日、Anthropic が謝罪して方針を転換しました、公式の言葉では「We made the wrong tradeoff and we apologize for not getting the balance right(私たちは間違ったトレードオフをした、バランスを取り切れなかったことを謝罪する)」「You should have visibility into the safeguards we have in place, and why(どんな安全装置があり、なぜそれが働くのかをユーザーは見えるべきだ)」と認めています

改善策はこうです

• フラグが付いた要求は Claude Opus 4.8 へ 「可視的に」フォールバックする(毎回ユーザーに表示)
• API利用時は拒否の理由を返すようにする

つまり「黙って弱くする」のをやめて、「切り替えるときは見えるようにする」方向へ舵を切ったわけです、当面は誤検知(false positives)が増えるという但し書きも付いていますが、過剰拒否を受け入れてでも透明性を取る、という選択ですね

個人的には、Anthropic を一方的な悪役にする話ではないと思っています、設計の判断は確かにまずかったけれど、批判を受けて翌日には非を認めて直したのは、対応としてはむしろ素早い方です、AIの安全機構をどこまで透明にするかは、これから各社が悩むテーマになりそうです

30日データ保持が物議、Microsoftは社員利用を一時自粛

影の話がもう一つ、データの扱いです、ここは実務で使う人ほど気になる部分なので、少し丁寧に書きます

プロンプトと出力を30日保持

Mythosクラス(Fable 5・Mythos 5)では、全トラフィックでプロンプトと出力を30日保持します、目的はトラスト&セーフティ(不正利用の監視など)で、学習には使わないとされています、30日経過後は自動削除、安全調査や法的要請といった稀なケースだけが例外です

引っかかるのは、これを無効化できない点です

• Zero Data Retention(ZDR=ゼロデータ保持)に非対応
• 無効化トグル・プラットフォーム例外・企業向けカーブアウト(個別除外)も無し
• ZDR契約のある組織(Claude Console/Enterprise/AWS Bedrock/Google Cloud/Microsoft Foundry経由)にも30日保持が適用される

Microsoftが社員に利用自粛を通達

この保持方針を受けて、2026年6月10日、Microsoft が社員に Fable 5 の利用を控えるよう通達しました、法務レビュー中というのが理由です、ただし注意したいのは、これは 社内利用の一時自粛 であって恒久禁止ではない点と、GitHub Copilot や Microsoft Foundry 経由の外部顧客向け提供は継続している点です

大手が即座に立ち止まって法務確認に入るあたり、データ保持の扱いがそれだけ慎重を要するテーマだということでもあります

限定版 Mythos 5 が自律で科学研究をこなす

ここで前半に出てきた Mythos 5 に戻ります、こちらは一般公開ではなく、安全機構(セーフガード)を外したうえで Project Glasswing のパートナーと、一部の生物研究者(こちらはまだ soon=これから段階)に限定提供されているモデルです、いわば「私たちはまだ触れないけれど、裏ではこんなことになっている」という世界線の話です

Project Glasswing って？

Project Glasswing は 2026年4月7日に発足した Anthropic 主導のコンソーシアム(共同事業体) です、参加メンバーには AWS・Apple・Google・Microsoft・NVIDIA・JPMorganChase・Broadcom・Cisco・CrowdStrike などが名を連ねていて、顔ぶれだけ見てもなかなか重量級です

自律でゲノム解析、創薬を加速

具体的な成果として公表されているのがこのあたりです、いずれも原文に「約」が付いているので、その温度感のまま読んでください

私たちが日常で触る Fable 5 の、さらに上の世界でこういうことが起きている、というのを頭の片隅に置いておくと、Anthropicがなぜあれだけ安全機構に神経を尖らせているのかも、少し腑に落ちる気がします

Claude Code v2.1.169 の新機能:セーフモードと作業ディレクトリ移動

ここからは私たちの手元に近い話に戻ります、Claude Code の v2.1.169(2026年6月8日) で、地味だけど助かる機能がいくつか入りました

個人的に効きそうなのが –safe-mode です、CLAUDE.md やMCPサーバー、スキルをいろいろ盛っていると、調子が悪いときに「どれが原因か」を切り分けるのが面倒なんですよね、これを使えば全カスタマイズを一旦オフにして素の状態で動かせるので、原因の切り分けがぐっと楽になります

あと企業向けですが、管理MCPポリシー(allowedMcpServers/deniedMcpServers)が再接続時など複数のケースで効かない不具合も修正されています、組織でMCPサーバーを制限している環境では地味に大事な修正です

自走系の小ネタも2つ

少し新しめのバージョンの話も軽く触れておきます、まず Dynamic Workflows の入れ子サブエージェントが最大5階層に対応しました(v2.1.172)、子分の子分のそのまた…と、作業を深く分割できるようになった格好です

もう一つ、Claude Managed Agents に cronスケジュール実行(時間を決めて自動起動)と 認証情報Vault(秘密情報の金庫)がパブリックベータで追加されました(6/9)、決まった時間にエージェントを自走させたい用途には便利そうです

「6/15ボックス」:課金分離スタートと旧モデル提供終了

最後は ユーザー直撃の6/15 です、前回予告した課金分離がいよいよ発効する日で、しかも同じ日に旧モデルの提供終了も重なります、日付が同じだと混乱しやすいので、ここは丁寧に分けて書きます

課金分離が6/15発効(前回予告の実発効)

第1弾で予告した エージェント枠の課金分離が、2026年6月15日に発効します、対象は Agent SDK・claude -p(ヘッドレス)・Claude Code GitHub Actions・Agent SDK認証を使うサードパーティのエージェントアプリ、つまり プログラム的な自動利用 が、別建ての月次クレジットへ分離されます

金額は固定ドル額です、このクレジットには次のような性質があります

• ユーザー単位で付与(プールでの共有はしない)
• 毎月リフレッシュ、繰り越しなし
• 枯渇後は、有効化していれば standard API rates(標準APIレート)の usage credits へ流れる
• 最初に一度だけ claim(請求)が必要、以後は自動更新

逆に 対象外なのは、Web/デスクトップ/モバイルのチャット、対話的に使う Claude Code、Claude Cowork です、これらは従来どおりサブスク枠から消費されます、前回も書いたとおり 「対話で使う人」と「自動化で使う人」できれいに割れる のは今回も同じです

課金面と安全面の両取りについては Claude Codeセキュリティ5選 もあわせてどうぞ、自動化を進めるほど、費用と安全はセットで意識したいところです

同じ6/15に旧モデルがAPI提供終了

もう一つ、同じ 2026年6月15日に、Opus 4 と Sonnet 4 が Claude API で提供終了(retirement)します、固定バージョンIDへのリクエストはエラーになるので、本番で版数を固定して叩いている人は移行が要ります

なお Opus 4.1 も 8/5に提供終了予定です、主に影響するのは 版数固定IDを本番で叩いているAPI利用者で、claude.ai や Claude Code の一般ユーザーは原則として対象外です、その場で対話している分には、いつの間にか新しいモデルに切り替わっている、くらいの感覚で大丈夫です

お金まわりの続報(前回の補足)

前回触れた資金の話の続報も軽くまとめておきます、Anthropic は 6/1にSECへ秘密S-1を提出、シリーズH(発表は5/28)で 650億ドル調達・評価額9,650億ドル(post-money)・年換算売上470億ドルという規模感でした、売上は2025年末の約90億ドルから一気に伸びた形です、さらに Apollo・Blackstone 主導の 350億ドルの債務ファイナンスも成立し、Google製TPUをSPV(特別目的会社)経由でリースする、つまり株式ではなく借入で計算資源を確保する動きも出ています、加えて同時期に OpenAIもSECへ秘密S-1を提出(評価額最大8,520億ドル)していて、AI大型上場が同時進行しているのが今の景色です

日本では 6/2にSBIホールディングスがAnthropicと提携しました、日本の金融グループとして初めて Claude で全社AX(AIトランスフォーメーション)を進めるもので、原則、全グループ役職員への展開を掲げています、金融機関として初の「Claude Security」共同検証も含みますが、こちらは Ridge-i と SBI証券の開発中チャットを対象とした検証フェーズで、金融AIエージェントはまだ計画段階です、海外の大型調達だけでなく、足元の国内導入も動き始めているのは追っておきたいところです

競合の動きも一言だけ、Google は Gemini 3.5 Pro を「来月(6月)公開予定」と表明しています(I/O 2026=5/19で3.5を発表、軽量版Flashは即日提供済み)、ただし200万トークンやDeep Think、価格といった詳細スペックは公式未公表で各メディアの予想段階なので、ここでは「来月出る予定」までにとどめておきます

今週のまとめ:今週の気になった情報6点

今週(2026/6/8週)の Claude 周りで気になった情報を、6点に整理するとこんな感じです

個人的には、今週は「すごいモデルが出た、でも一筋縄じゃない」という光と影がきれいに並んだ週でした、性能はトップ級でも、安全機構の設計やデータ保持で立ち止まる場面があって、Anthropic がそれを翌日に認めて直したあたりに、急いで作っている裏側がにじんで見えた気がします、私たちの手元では 6/15の課金分離 が一番近い話なので、開始後しばらくは自分の消費を観察してみるつもりです

次回のお知らせ

次回は 6/15の課金分離スタート後の実機の挙動や、Fable 5 の6/23以降のクレジット消費がどんな感じかも、使ってみて分かったことがあれば書きます、Mythos 5 の生物研究者向け提供(soon段階)が動いたら、そこも拾いたいところです

「今週これ気になったよ」みたいな話題があれば、次週分で拾ってみたいと思っています、引き続きカジュアルに Claude の話題を追っていきますね、ではまた来週末に

私のおすすめ本PR

Excel VBA塾【動画×本で学ぶ!】

たてばやし淳

Amazonで見る楽天で見る

退屈なことはPythonにやらせよう 第3版

Al Sweigart

Amazonで見る楽天で見る

脱マウス最速仕事術

森新

Amazonで見る楽天で見る

私のおすすめからランダムで3冊を表示しています

※本記事の情報は2026/6/8週時点(6/13確認)の公開情報・主要報道をもとにしています、Fable 5・課金分離・データ保持とも今後 Anthropic 側の発表で内容が更新される可能性があるので、正確な条件はその時点の公式システムカードやHelp Center、公式発表をご確認ください

Anthropicから新しいモデルClaude Fable 5が出たので、さっそく1日まるまる触ってみました

世間の総括をひとことで言うと「遅い・トークンを食う・しかし有能」あたりに落ち着いていて、私の体感もだいたいそこに重なります

ただ、本家ブログでは焦点をひとつに絞りたいので、今回はトークンの減りの速さを記事の背骨にして書いていきます、性能向上そのものは正直地味なんですが、トークンが消えていくスピードはちょっと無視できないなと感じたので

結論を先に薄く置いておくと、こんな感じです

そもそもモデルやトークンってなに？という方は、先にAI用語集に目を通しておくと、この先がぐっと読みやすくなると思います

カタログスペックでOpus 4.8と比べてみる

まずは公式が出している数字から、ひとつ前のClaude Opus 4.8と並べて見てみます、ここはぜんぶ公式発表値です

表を見てまず目に入るのは、API価格がOpus 4.8のちょうど2倍になっているところです、入力$10・出力$50で、Opus 4.8の入力$5・出力$25からきっちり倍ですね

もうひとつ大きいのが思考モードのちがいです、Opus 4.8は思考をオン/オフ選べるんですが、Fable 5はadaptive thinkingという深く考える仕組みが常時オンで無効化できません、AIが内部でじっくり考えるぶん、見えないところで思考用のトークンが乗ってくる作りになっています

速度を上げるFast modeがFable 5には用意されていないのも、地味だけど効いてきます、このあたりが「速さは売りじゃない」を裏づけている感じですね

公式ベンチマークの主役はSWE-bench Pro

性能の数字も見ておきます、Anthropicが公式発表で前面に出しているのはSWE-bench Proというコーディングのベンチマークです

SWE-bench Proで80.3%、Opus 4.8の69.2%から10ポイント以上の上積みなので、数字としてはちゃんと伸びています

世の中の評価はどうなっている？

次に、私の感想に行く前に世間の声を整理しておきます、肯定も否定もはっきり出ていて、両方知っておくとバランスよく判断できると思うので

肯定的な評価

有名な解説者のSimon Willisonさんは「a beast(怪物級)、遅くて高いが、あらゆるタスクを着実に噛み砕き続ける」と評していて、知識の想起についてはOpus 4.8より上だと書いています

大規模な事例だと、Stripeが5,000万行のRubyコードベースを1日で移行したという自己申告もあります、ほかにも、過去モデルが作り込んだバグを複数見つけ出したという報告や、調査の自律性が上がった(他人のブランチまで自分でpullして原因を特定する)という体験談が出ています

共通しているのは「単なるコード生成器ではなく、開発サイクルそのものの運転手になりつつある」という見方で、長時間まかせる使い方ほど評価が高い印象です

否定的・不満の声

一方で、辛口の声もしっかりあります

技術系コミュニティでは「進化は革命的というより漸進的(incremental)」「ベンチマークへの過適合では？」という疑いの声が出ています

そして何より多いのがコストとレート上限への不満です、Willisonさんは初日のAPI利用で$110.42、ほかにも1日で$82.92という報告、$100のMaxプラン枠を約9分で使い切ったという話まで出回っています(このあたりの個人実測値は再現性が確かめられていないので、雰囲気として受け取るのが安全です)

1日触った私の体感

性能・速度・トークン消費の3つの軸で、1日触った正直なところを書いていきます

性能:上がった気はする、でも目に見えてすごいかは分からない

Webデザインや受け答えの質は、Opus 4.8より上がった気はします、ただ、目に見えてすごい向上かと言われると、正直よく分かりませんでした

たぶんこれは、私が一般的な用途でそこまで高難易度の使い方をしていないだけかもしれません、世間でも「単発のタスクだと差が見えにくい」という見方は共通していて、差が出るのは長時間の自律タスクや大規模なコードベースを扱うときみたいです

Stripeの5,000万行みたいな規模感だと真価が出るんでしょうが、日常の使い方だとそこまで実感しづらい、というのが私の体感です

速度:それなりに時間はかかる、〇倍速いみたいな体感はない

速度については、それなりに時間はかかる、という印象です、Opusと比べて速度が何倍も速いみたいな体感はありませんでした

これは私が日頃からeffort(どれだけ手間をかけて考えるかの設定)を高めにしているのも要因です、effortを上げているぶん深く考えるので、そのぶん待ち時間も伸びます

世間でも「effortをmediumにしてもOpus 4.8のxhighより倍以上かかる」という声があって、ここは私の体感と一致しています、Fable 5はadaptive thinkingが常時オンで深く考える設計なので、遅く感じるのは仕様どおりとも言えます、速くしたいならeffortを下げる、というのが公式の指針です

トークン消費:噂以上に速く減る、PROだと厳しいと思う

そして本題のトークン消費です、ここがいちばん言いたいところでした

SNSでも噂されているとおり、かなりの速さで減ります、しかも私の体感では、5〜10倍かそれ以上の勢いで減っていく感覚でした、世間でよく言われる「3〜5倍」よりも、自分のケースはもっと激しかったです

感覚としては、MAXプラン($110)でも厳しい、PROプランだとすぐ5時間の上限に達して、ほぼ使えないんじゃないかなと思います

もちろん、これも私がeffortを高めにしているのが要因のひとつなので、effortを下げれば減りは緩やかになります、ただ「思っていたより全然速い」というのが1日触っての正直な感想です

「トークンが速く減る」噂をファクトチェックする

では、なぜそんなにトークンが減るのか、「3〜5倍速く減る」という噂を分解してみます、結論から言うと、方向性は正しいけれど「モデルが勝手に食う」というより複数の要因の掛け算でそうなっています

ざっくり計算すると、重み約2倍 × トークナイザ約30%増 = 約2.6倍が構造的な下限になります、ここにhigh effortと常時オンの思考、並列ワークフローが乗ると、体感3〜5倍に届く、という内訳です

つまり「3〜5倍速く減る」は、ひとつの巨大な原因ではなく、重み × トークナイザ × effort × 思考 × 運用の合算だった、というのがファクトチェックの答えです

そして私のように、effortを高めにしてワークフローやサブエージェントも多用していると、この合算がさらに上振れします、自分の体感が3〜5倍ではなく5〜10倍に感じたのも、たぶんこの上振れぶんなんだろうなと、分解してみて腑に落ちました

たぶん、一般的な用途だと1タスクあたりの旨味が出にくくて、1トークンあたりのコスト感だけがダイレクトに来てしまう、これが私の「割に合わない感」やSNSの不満の正体なんだと思います、Claude固有の用語をもう少し押さえたい方はClaude用語集もあわせてどうぞ

まとめ:日常はOpus 4.8、長期・大規模はFable 5

1日触ってみての私なりの結論は、使い分けがいちばん現実的、というところに落ち着きました

• 日常の軽い作業や単発のタスクは、半額のOpus 4.8で十分
• 長期・複雑・大規模なコードをまるごとまかせるならFable 5の出番
• トークンを節約したいなら、effortを下げる・Sonnetを併用する

Fable 5が有能なのは間違いないんですが、その有能さを引き出せるのは長時間まかせる大きな仕事のときで、日常使いだとコストの重さばかりが目立ちやすい、というのが正直な体感でした

新しいモデルが出るたびにワクワクしますが、Fable 5は「とりあえず一番新しいから使う」よりも、自分の用途に合うかを見極めてから取り入れる方が幸せになれそうだなと感じた1日でした

Claude・生成AIを学べる本PR

面倒なことはChatGPTにやらせよう

カレーちゃん・からあげ

Amazonで見る楽天で見る

実践Claude Code入門

西見公宏・吉田真吾・大嶋勇樹

Amazonで見る楽天で見る

Claude CodeによるAI駆動開発入門

平川知秀

Amazonで見る楽天で見る

私のおすすめからランダムで3冊を表示しています

AI関連の記事やニュースを読んでいると、生成AI・LLM・プロンプト・ハルシネーションみたいな用語がさらっと出てきて、なんとなくわかるけど意味を聞かれると説明しにくい、ということはありませんか？

この記事は、AIまわりでよく聞く用語の意味を 初心者の方でも引けるようにやさしくまとめたAI用語集です、1つの語につき一言で言い切ってから、ひとこと補足を足す形にしています

使い方は2通り、上から順に読んで全体像をつかんでもいいですし、知らない語に出会ったときに気になるところだけ引く辞書としてブックマークしておくのもおすすめです

用語は5つのテーマに分けて、各テーマの中は基本の語から発展の語へ並べています、表の用語名の先頭に ★が付いているものは、はじめての方がまず押さえると話が早い基本の語です

1. 基礎・しくみ(AIの中身まわり)
2. 使う・プロンプト(AIへの頼み方まわり)
3. 発展・組み合わせ技術(一歩進んだ仕組み)
4. リスク・限界(気をつけたいこと)
5. 周辺・エコシステム(動かす環境やお金まわり)

内容は気づいたときに随時アップデートしていきますので、よく使う方はたまに覗いてもらえるとうれしいです

1. 基礎・しくみ|AIの中身まわりのAI用語

まずはAIそのものの大枠を押さえる用語です、ここが分かると後のテーマがぐっと読みやすくなるので、★が付いた語からどうぞ

ここで覚えておくと得なのが LLMと生成AIの関係です、生成AIという大きなくくりの中で、特に文章を担当しているのがLLM、というイメージを持つと整理しやすいと思います

2. 使う・プロンプト|AIへの頼み方まわりのAI用語

次は、生成AIを実際に使うときに出てくる用語です、AIへの頼み方や設定まわりの言葉なので、使い始めの方ほど役に立ちます

長い会話を続けると「さっき言ったこと忘れてる？」となるのは、コンテキストウィンドウからあふれているのが原因のことが多いです、そういうときは大事な前提をもう一度貼り直すと持ち直します

AIをまだあまり触ったことがない方は、Claudeの使い方を初心者向けに解説した記事を先に読むと、ここの用語がそのまま画面とつながって入りやすいです

3. 発展・組み合わせ技術|一歩進んだAI用語

ここからは、AIを業務やサービスに組み込むときに出てくる一歩進んだ用語です、少し難しめですが、意味だけ知っておくとニュースの解像度が上がります

このテーマで最初に押さえたいのが RAGです、社内マニュアルを参照しながら答えるチャットボットなど、業務でいま伸びている方式で、埋め込みやベクトルDBはそのRAGを支える裏方にあたります

RAGの中身をもう少しだけ知りたい方は、RAGの仕組みを初心者向けに解説した記事で図解しているので、合わせて読むと腹落ちしやすいです

4. リスク・限界|気をつけたいAI用語

AIは便利な半面、苦手なことや気をつけたい落とし穴もあります、ここの用語を知っておくと、AIとの付き合い方が少し慎重になって安心です

このテーマでいちばん身近なのが ハルシネーションです、AIの答えは便利な下書きとして受け取りつつ、固有名詞や数字は自分でも裏取りする、という習慣を持っておくと安心です

5. 周辺・エコシステム|環境やお金まわりのAI用語

最後は、AIを動かす環境やお金まわりの用語です、AIサービスの値段やニュースの背景が分かるようになる言葉を集めました

AIサービスの料金が「使った分だけ」になっているのは、多くが トークン課金だからです、長い文章を投げるほどトークンが増えるので、料金とトークンの関係をなんとなく意識しておくと使い勝手が良くなります

まとめ|気になる語から少しずつ慣れていけば大丈夫

AI用語をまとめて紹介しましたが、最初から全部を覚える必要はありません

AI関連の記事やニュースで知らない語に出会ったときに、このページに戻ってきて意味をひと撫でする、という使い方をしているうちに自然と馴染んでいくと思います

迷ったら、まず ★を付けた基本の語から押さえてみてください、生成AI・LLM・プロンプト・ハルシネーションあたりが分かると、AIの話の見通しが一気に良くなります

用語は気づいたときに足したり直したりしていく予定なので、辞書代わりにブックマークしておいてもらえると便利だと思います

Claude・生成AIを学べる本PR

面倒なことはChatGPTにやらせよう

カレーちゃん・からあげ

Amazonで見る楽天で見る

実践Claude Code入門

西見公宏・吉田真吾・大嶋勇樹

Amazonで見る楽天で見る

Claude CodeによるAI駆動開発入門

平川知秀

Amazonで見る楽天で見る

私のおすすめからランダムで3冊を表示しています

noteに記事を書くとき、見出しを付けて、段落を整えて、画像を貼って…という手作業、地味に時間が掛かりますよね

そのあたりをまるっと任せたくて、note自動投稿ツールnote Posterを作ってみました

Windowsで動く無料ツールで、しかも大半はClaude(AIアシスタント)に話しかけるだけで操作できます、「note 自動投稿」と聞くと身構えるかもしれませんが、note Posterが作るのは下書きまでです

この記事では、何ができて、どんな感じで使えるのかを広く浅く紹介していきます、詳しい導入手順やダウンロードは、別途用意したアプリ庫ページにまとめてあるので、最後にそちらへ案内しますね

note Posterを作ったきっかけ

きっかけは、ふだんの記事づくりの流れでした、Claudeに頼めば、情報を集めて記事のタタキ(下書きのたたき台)を作るところまでは、わりとすぐに用意できます

そこまでできるなら、最後のnoteへの下書き入稿までAIに任せた方が効率的じゃないか？と思うわけです、ところがClaudeに「noteに投稿して」とそのまま頼んでも、これがなかなかうまくいきません

noteのエディタはAIが直接ポチポチ操作できる作りではないので、あいだをつなぐ道具が要る、というわけでClaudeからの指示でnoteの下書きを組み立てる係として作ったのがnote Posterです

ちなみにAIでサクッとアプリを作る感覚は、以前AIでアプリ開発に挑戦した体験記でも書いているので、興味があればそちらもどうぞ

note Posterでできること

ざっくり言うと、note PosterはWindows上でnoteへの下書き作成を自動化するツールです

裏でChrome(ブラウザ)を動かして、noteのエディタに原稿を流し込む仕組みになっています、できることをまとめると、こんな感じです

• noteの記事の下書きを自動で組み立てる
• 見出し・段落・箇条書き・引用・コード・画像まで流し込める
• 有料エリアの区切り(ここから有料、という境界)も指定できる
• Claudeと組み合わせれば、会話だけで原稿づくりから下書き化まで頼める

note記事でよく使う要素は一通りカバーしているので、簡単なテキスト記事から画像入りの記事まで、わりと幅広く下書きにできます

Claudeから会話で使えるのが肝

note Posterのいちばんの推しポイントは、ここだと思っています

zipの中にはClaude向けの説明ファイル(CLAUDE.md)が同梱されていて、これがClaudeにnote Posterの使い方を教えてくれます、なので利用者は細かい操作を覚えなくても、Claudeに普通の言葉で頼むだけで大丈夫です

たとえば、こんな頼み方ができます

原稿のテーマだけ伝えれば、Claudeが本文を書いて、そのままnote Posterを呼び出してnoteの下書きにしてくれる、という流れですね

note Posterが用意するのは、本文と、頼めば「ここから有料」という区切りまでです、ハッシュタグや価格、公開するかどうかは、下書きができてからnoteの画面で自分で決めます

Claudeでの操作にあたってはClaude Codeを使います、Claude Code自体に不慣れな方は、Claudeの使い方を初心者向けにまとめた記事から雰囲気をつかんでおくと入りやすいと思います

基本はClaudeとセットで使うツール

ひとつ正直に書いておくと、note PosterはClaudeとセットで使うことを前提にしたツールです、単体でも動かせますが、その場合は自分でnoteに書いた方がたぶん早いと思います

一応、Claudeを使わない手動の方法もあります、テンプレートのarticle.jsonにタイトルや本文の要素を書き込んで、run.batをダブルクリックすれば下書きが組み上がります、書き方のサンプルはsamplesフォルダに入っています

ただ、JSONを手で書くくらいなら、Claudeに「こんな記事をnoteの下書きにして」と頼んでしまった方がずっとラクです、なのでこのツールは、本文づくりをClaudeに任せる使い方でこそ力を発揮します

使い方ダイジェスト

導入の流れも、ざっくりだけ触れておきます、細かい画面つきの手順はアプリ庫ページにまとめてあるので、ここでは全体像だけ眺めてもらえればと思います

動作に必要なのは、Windows 11・Google Chrome・noteアカウント・ネット接続、そしてClaudeから使うならClaude Codeです、特別な開発環境は要りません

公開の考え方と注意したいこと

最後に、使うときの心構えのような話を少しだけ

先にも書いたとおり、note Posterが作るのは下書きまでです、プレビューで中身を確かめてから、公開ボタンは自分の手で押す、という使い方を想定しています

それと、noteの規約まわりも軽く触れておくと、自動で下書きを作ること自体がはっきり禁止されているわけではありません、ただ、過度な投稿はやめておくのが無難だと思います

1日にたくさん投稿しすぎない、といった「ほどほど」を意識して、気持ちよく使えるといいですね

まとめ 詳しい手順とダウンロードはこちら

note Posterは、noteの下書き作成を自動化する無料ツールです、Claudeから会話で頼めるのが便利で、見出しや画像入りの記事も下書きまで一気に組めます

この記事では広く浅く紹介してきましたが、認証キーの発行・ダウンロード・画面つきの導入手順・よくある質問は、アプリ庫の専用ページにまとめてあります、実際に試してみたい方は、そちらから始めてみてください

PC仕事の時短に効く本PR

脱マウス最速仕事術

森新

Amazonで見る楽天で見る

できる人のパソコン仕事術 なんと効率10倍!

パソコン博士TAIKI

Amazonで見る楽天で見る

できるWindows 11パーフェクトブック 困った!&便利ワザ大全 改訂3版

法林岳之ほか

Amazonで見る楽天で見る

私のおすすめからランダムで3冊を表示しています

こんにちは、ジャベ雄です

AIと言えばClaude！他のAIも嫌いじゃないけどClaude中心で行くと決めたので最新情報を追いかけることにしました

毎週末に当週のClaude＆Anthropic社に関する情報をまとめますので同じClaudeファンに届けばいいなと思います

取り上げるのは次の4つ

• AnthropicがSEC(米国の証券取引委員会)にIPO申請(6/1)
• Claudeが自分のコードの8割を自分で書くようになった話
• Claude サブスクのエージェント枠が別建てに変わる課金分離(6/15開始)
• 大きな仕事を裏で自走させる新機能Dynamic Workflows

前半2つは業界全体の大きな動き、後半2つは私たちの使い方に近い話、温度感が違うので順番に書いていきますね

Claude そのものをこれから触ってみたい方は Claudeの使い方(初心者向け) もあわせてどうぞ

AnthropicがIPO申請(6/1):「秘密提出」って何？

2026年6月1日、Anthropic が SEC(米国の証券取引委員会)に Form S-1 のドラフトを「秘密提出」したと公式発表しました、TechCrunch や CNBC など主要メディアも一斉に報じています

そもそもS-1とか秘密提出って何？

用語が固いので軽く噛み砕いてみます

つまり「上場の準備を始めましたよ」という意思表示ではあるんですが、すぐ上場というわけではなく、まだ株数・価格・上場先(ナスダックかニューヨーク証券取引所か)・ティッカーも未定の段階です、Anthropic 自身も「IPOのオプションを得るための提出」と表現していて、上場を確約するものではないという含みを残しています

評価額9,650億ドルってどれくらい？

この IPO 申請の少し前、2026年5月28日に発表されたシリーズH(Hシリーズの資金調達)で、Anthropic の評価額は post-money で9,650億ドルに達しました(調達額は650億ドル)

9,650億ドルって、日本円にするとざっくり150兆円規模です(1ドル=150円換算)、ピンと来ない数字ですが、参考までに比べると

• トヨタ自動車の時価総額が報道ベースで 40〜50兆円台(2026年5月時点)
• ソニーグループが 20兆円前後
• OpenAI の直近の評価額が報道では 8,520億ドル(2026年3月の資金調達時)

つまり 未上場のスタートアップなのに日本の代表的な大企業を超える規模 で、報道では SpaceX・OpenAI と並ぶ「兆ドル級上場」候補という位置づけになっています、AI スタートアップとしては OpenAI を一旦上回ったというのも今回のトピックです

ユーザーへの影響は当面薄め

正直に言うと、Anthropic が IPO 申請したからといって、明日から Claude の使い心地が変わるわけではないです、株式上場で集めた資金で開発が加速する期待はありますが、ユーザー体験への直接影響は当面薄めだと思います

個人的に気になるのは、上場後は四半期決算で売上・コスト・顧客動向が開示されるようになる点です、Claude を運営するコストがどれくらい重いのか、収益化のためにプランの仕組みをどう動かしてくるのか、外から見えるようになります、あとで触れる課金分離とも繋がる部分なので、長期で見ていきたいところです

Claudeが自分のコードの8割を自分で書く時代に

2つ目はちょっと毛色が違って、AI そのものの進化の話です、今週 Anthropic が公式ブログで、いまや自社の本番コードの8割超を Claude 自身が書いていると明かしました、書き手は Anthropic のエンジニアではなく Claude、という時代になってきています

1割未満から8割超へ

伸び方がなかなかです、Claude Code が登場する前(2025年2月ごろ)は、Claude が書いて実際に取り込まれたコードはまだ1桁%でした、それが2026年5月時点では本番に反映されるコードの8割超まで来ています

品質についても Anthropic は「今は人間が書くコードと同じくらい、1年以内にはそれを上回る見込み」としています、もちろん丸投げではなく、人間のエンジニアは指示とレビューに回る形で、最終チェックは人がしているという立て付けです

「AIがAIを作る」ってこと？

気になるのはこの先です、Anthropic 自身が「この流れはAIが自分の後継モデルを自分で設計・開発できる段階(再帰的自己改善)を指し示している」と表現しています、AIがAIを作る、という少しSFっぽい話が、開発元の現状報告として出てきたわけです

ユーザー目線だと、今日の使い心地が変わる話ではないです、ただClaude の進化が「人がコツコツ」から「AIが自走」に乗り換わりつつあるのは、これからのモデル更新の速さを読むうえで頭に置いておきたいところです、開発元が自分でブレーキの議論をしている温度感も含めて、追っておくと面白いと思います

Claudeサブスク課金分離(6/15開始):エージェント枠が別建てに

こちらは ユーザー直撃の話 です、2026年6月15日から、Claude のサブスクプランの中でエージェント枠が別建てになります、5月14日に Anthropic の Help Center で告知され、いま開始直前のタイミングです

「エージェント」と「チャット」の違い

そもそもですが、今回の変更で影響を受けるのは「エージェント(自律実行)」の方です、「チャット(対話)」は据え置きです、この区別が大事

ざっくり言うと、人がその場で打ち込んで返事を待つ使い方=チャット、Claude が裏で自走するプログラム的な使い方=エージェント、と分けて考えると分かりやすいです

エージェント側の仕組みについては Claude Code拡張機構の入門 でも触れていて、Skills や MCP のような自動実行寄りの機能を多用すると今回の変更の影響圏に入りやすくなります

新しい月次クレジットの金額レンジ

6/15以降、エージェント枠はプランごとに別建ての月次クレジットを消費します、金額は次のとおりです(報道時点の情報、Anthropic Help Center 準拠)

このクレジットは標準APIレート(従量制ベースの料金)で消費されます、簡単に言うと、エージェントが使った分の API 料金が、このクレジットの中から引き落とされていくイメージです

Team と Enterprise は席の種類(標準/プレミアム)で1席あたりの金額が変わるので、上の表は幅で示しています、Enterprise でも標準席だと枠が付かない(0ドル)ケースがあるので、自分のプランの正確な額は契約画面で確認してもらうのが確実です

影響を受けるのはどんな人？

個人的に気になるのは、影響範囲が 「対話で使う人」と「自動化で使う人」できれいに割れる ところです

ちなみに私は Claude Code Desktop で対話しながら作業する使い方がメインなので、直接の影響は小さそうです、ただ MCP サーバー経由で WordPress 投稿を自動化したりしているので、自動化の度合いを上げていくと将来は別建てクレジットの世界に踏み込むことになります、自動化の便利さと費用感のバランスを意識する局面が来そうだなと思っています

対策の選択肢

影響を受けそうな方の現実的な選択肢としては、次の3つかなと思います

• プランを上げてエージェント枠のクレジットを増やす(Pro→Max 5x→Max 20x)
• 大量に回すなら素直に API レート課金(従量制)で運用する、ヘビーユースなら API 直結のが分かりやすいケースもあり
• 当面は対話寄りの使い方に寄せる、エージェント機能の常用は様子見

どれが正解とは言いにくく、使用パターン次第です、月にどれくらいエージェントが動いてどれくらい API コストが乗っているかは Anthropic 側のダッシュボードで確認できるはずなので、6/15以降に1〜2週使ってみて様子を見るのが現実的じゃないでしょうか

自動化を進めるときの安全策については Claude Codeセキュリティ5選 もあわせて読んでもらえると、課金面と安全面の両方をケアできると思います

新機能 Dynamic Workflows:大きな仕事をClaudeが裏で自走

最後は新機能の話です、Claude Code に Dynamic Workflows(動的ワークフロー) という仕組みが入りました、ざっくり言うと、1回の会話では大きすぎる仕事を、Claude が自分で段取りして裏で進めてくれる機能です

どういう仕組み？

面白いのは段取りのやり方です、これまでは Claude が頭の中(会話の文脈)で手順を抱えていましたが、Dynamic Workflows ではClaude がその場で「台本(スクリプト)」を書き起こして、その台本どおりに作業を回します

台本の中では、仕事を細かいタスクに割って、たくさんの小さな Claude(サブエージェント)に同時に分担させます、1回のワークフローで最大1,000体まで、同時に動くのは16体までという設計で、しかもお互いの結果を別のエージェントが検証し合う仕組みまで入っています

使えるのは誰？ どう出す？

今のところお試し公開(リサーチプレビュー)の位置づけで、プランによって初期設定が違います

• Max・Team:はじめからオン(既定で使える)
• Pro:設定(/config)の「Dynamic workflows」からオンにする
• プロンプトに「workflow」と入れると呼び出しやすい(ほかに ultracode という設定でも自動で使われる)

さっきの課金分離とつながる話

勘のいい方は気づいたかもしれませんが、これは1つ前の課金分離と地続きです、サブエージェントを大量に動かすほど、エージェント的な使い方=別建てクレジットを消費する側に寄っていくということでもあります

便利な自走機能がどんどん増える一方で、6/15からはその自走分の費用が見えやすくなる、という流れです、新機能を楽しみつつ、回しすぎたときのクレジット消費もちょっと意識しておくと安心じゃないでしょうか

今週のまとめ:今週の気になった情報4点

今週(2026/6/1週)の Claude 周りで気になった情報を、4点に整理するとこんな感じです

個人的には、IPOとコード自作は「中長期で Claude がどう育つか」を読む材料、課金分離と Dynamic Workflows は「来週から自分の使い方をどう調整するか」のネタ、という温度感で見ています、業界の大きな動きと、手元の使い勝手の話が同じ週に並んだ感じです

あと、最近のモデルの傾向については Claude Opus 4.8の変更点まとめ も書いていますので、課金体系とあわせてモデル側の動向も追っておきたい方はそちらもどうぞ

次回のお知らせ

このシリーズはこれから毎週末に更新していく予定です、次回は6/15の課金分離スタート後の話題も含まれるはず、実機の挙動が変わっていたらそこも書きます

「今週これ気になったよ」みたいな話題があれば、次週分に入れて拾ってみたいと思っています、引き続きカジュアルに Claude の話題を追っていく予定です、ではまた来週末に

※本記事の情報は2026/6/1週時点の公開情報・主要報道をもとにしています、IPO・課金分離とも今後 Anthropic 側の発表で内容が更新される可能性があるので、正確な条件はその時点の公式 Help Center や公式発表をご確認ください

私のおすすめ本PR

Excel VBA塾【動画×本で学ぶ!】

たてばやし淳

Amazonで見る楽天で見る

退屈なことはPythonにやらせよう 第3版

Al Sweigart

Amazonで見る楽天で見る

脱マウス最速仕事術

森新

Amazonで見る楽天で見る

私のおすすめからランダムで3冊を表示しています

2026年5月28日、Anthropic から Claude Opus 4.8がリリースされました、前バージョンの 4.7 から地味に色々変わっていて、Claude Code Desktop を日常的に使っている人ほど影響が出てくる内容です

改善された点も、正直イマイチな点も、リリース翌日でまだ分からない点も、できるだけフラットに並べていこうと思います

この記事で扱う範囲はざっとこんな感じです

1. Opus 4.8 がどういうモデルでどこで使えるのか
2. 4.7 から増えた新機能(Dynamic Workflows ほか)
3. ベンチマークで見る性能、他社モデルとの比較
4. 価格と、見落としがちな実質コストの話
5. 正直に押さえておきたい注意点
6. 結局いま乗り換えるべきなのか

LLM やトークン、コンテキストウィンドウあたりの用語がふわっとしている方は、Claudeを始める前に知っておきたい用語集を先に眺めておくと、この記事がぐっと読みやすくなると思います

Claude Opus 4.8 とは どんなモデルなのか

まずは「そもそも Opus 4.8 って何者なのか」から整理します

Anthropic の最上位モデル

Claude には用途別に Opus・Sonnet・Haikuという3つの系統があります、ざっくり言うと、Opus が頭脳派でいちばん賢い代わりに重め、Haiku が軽快で速い代わりに賢さは控えめ、Sonnet がその中間といったイメージです

Opus 4.8 はその中でもトップに位置するモデルで、Anthropic 自身が 「最も能力の高い汎用利用可能モデル」と紹介しています

難しい推論や、長い手順を踏むコーディング作業を任せたいときの本命、という位置づけですね

モデルIDと基本スペック

API などで指定するときのモデルIDは、日付サフィックスのないシンプルな形です

claude-opus-4-8

基本的なスペックは 4.7 とほぼ共通で、目立つ数字を並べるとこんな感じです

コンテキストウィンドウというのは AIが一度に読み込める情報量の上限のことで、1Mトークンは文庫本でいうと数冊ぶんくらいの規模です、ここは 4.7 から据え置きになっています

知識カットオフは「AIが学習した知識がどこまで新しいか」を示す日付で、4.8 は 2026年1月まで、つまり比較的最近の情報まで頭に入っている状態です

機能セット全体(1Mコンテキスト・prompt caching・バッチ処理・Files API・PDF・画像認識といったツール群)は 4.7とほぼ完全に互換なので、「4.7で使えていた機能が4.8で消えた」という心配は基本的にいりません

どこで使えるのか

Opus 4.8 は主要なプラットフォームでひと通り提供されています

• Claude API(直接利用)
• Amazon Bedrock(ID は anthropic.claude-opus-4-8)
• Google Vertex AI
• Microsoft Foundry(ここだけコンテキストは200kに制限)
• GitHub Copilot(Pro+ / Business / Enterprise 向け)

Claude Code Desktop や Claude アプリで使う分には、こうしたプラットフォームの違いを意識する場面はあまりありません、裏側で Opus 4.8 が呼ばれていると思っておけば十分です

ちなみに引退予定は 2027年5月28日以降とアナウンスされていて、約1年は安心して使える計算になります

4.7から増えた主な新機能

ここからが本題、4.7 から何が増えたのかを見ていきます、大きめのトピックは3つです

Dynamic Workflows 大量の作業を並列でさばく

個人的にいちばん面白いと思っているのが Dynamic Workflowsです、Claude Code 向けに追加された機能で、現時点では research preview(お試し公開)という扱いになっています

何ができるかというと、数百のタスクをサブのClaude(subagent)に振り分けて並列で処理させるイメージです、subagent は「本体とは別に裏で動く補助のClaude」くらいに捉えてもらえれば

たとえば「このフォルダの100個のファイルを全部チェックして」みたいな、数で攻めてくる作業を分担して片付けてくれる、という方向の機能ですね

同時に動かせるのは16個まで、総数では1000個までという上限があって、利用には Claude Code のバージョン v2.1.154 以降が要ります

subagent の考え方そのものは Claude Code の拡張機構の一部です、このあたりをもう少し体系的に知りたい方はClaude Codeの拡張機構入門で4本柱として整理しているので、合わせて読むと立体的に見えてくると思います

Effort Control 考える深さを自分で調整できる

次が Effort Control、これは「Claudeにどれくらい深く考えさせるか」をスライダー的に選べる機能です

そもそも effort って何という話ですが、ざっくり言うと 推論にかける手間の量のことです、深く考えさせれば賢い答えが返ってくる代わりに時間とコストがかかり、浅くすれば速くて安い代わりに雑になりやすい、というトレードオフがあります

4.8 では モデル選択メニューの隣にこの調整UIが追加されて、用途に応じて切り替えやすくなりました

ひとつ注意したいのが、このデフォルト値が high(高め)に変わったという点です、これは地味に効いてくる変更なので、後半の注意点のところでもう一度ふれます

会話の途中で指示を差し込めるようになった

3つめは少し技術寄りの話で、API を使う人向けの改善です、会話の途中でシステムメッセージ(全体の前提となる指示)を差し込めるようになりました

4.7 までは会話の途中でこれをやろうとするとエラーになっていたので、これは素直な改善ですね、しかも プロンプトキャッシュを壊さずに差し込めるのがポイントです

プロンプトキャッシュは「一度読ませた内容を再利用してコストと時間を節約する仕組み」で、これが壊れると毎回読み直しになって割高になります、それを維持したまま途中で方針転換できる、というのは長い対話を組む人にはありがたい変更だと思います

あとは細かいところで、Claudeが回答を拒否したときの詳細情報(stop_details)が公式ドキュメントに正式に載るようになりました、内部的には4.7からあった情報ですが、表に出てきたのは4.8からです

表に出にくい「振る舞い」の改善

新機能とは別に、Anthropic は4.8で 振る舞いの改善もいくつか挙げています、こちらは機能というより「使い心地の調整」に近い話です

• 長丁場のコーディングでの文脈の扱いが安定(途中で記憶を圧縮しすぎる挙動が減った)
• 推論にかける手間の見積もりが、より適切になった
• ツールを呼び出す判断の信頼性が上がった

最後のツール呼び出しのところは、4.7で「必要なツールの呼び出しをスキップしてしまう」という声が一部のユーザーから上がっていた問題への対応とされています

外部からも、Devin を手がける Cognition AI の CEO が「4.7で見られたコメントの冗長さやツール呼び出しの問題が直っている」とコメントしたと報じられています

ただ、ここはあくまで 「改善を狙った」というメーカー側の自己申告であって、実際どこまで体感が変わるかは使い込んでみないと分かりません、ここは正直なところ保留にしておきます

ベンチマークで見る Opus 4.8 の性能

ここからは数字の話です、Anthropic が公開した公式ベンチマークの数値を表にまとめました

ベンチマークというのは AIの性能を測るための共通テストみたいなもので、コーディングや推論といった分野ごとに「正解率」や「スコア」で実力を比べます

公式数値を表で見る

Opus 4.8・Opus 4.7・他社の GPT-5.5・Gemini 3.1 Pro の4つを並べた数字がこちらです

数値の出典は Anthropic 公式のX(旧Twitter)の発表投稿に載っているベンチマーク表です、ここでは画像をそのまま貼らずに、数字だけ表に起こし直しています

読み取れること 着実な底上げ

まず目につくのは、ほとんどの項目で Opus 4.8 が最高スコアになっていることです、4.7 から軒並みスコアが上がっていて、後退している項目はありません

特にコーディング(SWE-Bench Pro)は 64.3% から 69.2% へ約5ポイント伸びていて、ここはハッキリした改善と言えます、Claude Code でコードを書かせる人にはうれしい数字ですね

知的業務(GDPval-AA)のスコア1890も目立ちます、他社と比べてもかなり差があって、文章作成や資料づくりみたいな「ホワイトカラー寄りの仕事」での強さがうかがえます

ただ全体の印象としては、「劇的な飛躍」というより「着実な底上げ」という性格の更新だと思います、世代がガラッと変わったというより、4.7をきっちり磨いてきた感じですね

正直枠 ターミナル操作では他社に負けている

表をよく見ると、ターミナル操作(Terminal-Bench 2.1)だけは GPT-5.5 の 78.2% が Opus 4.8 の 74.6% を上回っています

ターミナル操作というのは、黒い画面でコマンドを連続して打って作業を進めるような、エージェント寄りのタスクのことです、この領域に限っては Opus 4.8 は2位で、GPT-5.5 のほうが得意ということになります

4.7 の 66.1% からは大きく伸びているので Opus 自体は進歩しているんですが、「全部のジャンルで最強」かというと、そうではない、というのが正直なところです

とはいえ Claude Code Desktop を使う一般的な場面では、ターミナルを直接ガリガリ叩くより、ファイル操作やコード生成のほうが出番は多いはずです、その意味では実用上の影響はそこまで大きくないかな、というのが個人的な見立てです

価格と、見落としがちなコストの話

お金の話も大事なので押さえておきます、ここは 「据え置きで安心」と「実は割高になりうる」が同居している、ちょっとややこしいところです

標準料金は据え置き

まず標準の料金、これは 4.7 から据え置きです、MTok は「100万トークンあたり」を意味します

注目は表のいちばん下、Fast mode が約3分の1に値下げされています、Fast mode は応答を高速化するモードで、4.7 のころは割高でしたが、4.8 でかなり手が届きやすくなりました

こちらは現時点では research preview で、待機リスト制(waitlist)での提供になっています、すぐ全員が使えるわけではない点だけ補足しておきます

トークナイザの「隠れ値上げ」に注意

ここが正直枠その2、価格表だけ見て安心していると足をすくわれかねない話です

4.7 以降で採用されている新しいトークナイザは、同じ文章でも 4.6以前より最大35%ほど多くトークンを消費する可能性が指摘されています

トークナイザというのは 文章を「トークン」という小さな単位に刻む仕組みのことで、料金はこのトークン数で計算されます、つまり同じ内容でもトークン数が増えれば、その分だけ請求額も増えるわけです

厄介なのが、コードや構造化データ、それに日本語のような英語以外の言語ほどこの差が出やすいとされている点です、日本語でガッツリ使う私たちには地味に効いてくる話かもしれません

単価は据え置きでも、消費トークンが増えれば実質的な支払いは上がります、「価格は変わってないのに請求が増えた気がする」みたいなことが起きうる、という頭の片隅メモとして持っておくと良いと思います

とはいえ、定額のサブスクプラン(Pro / Max など)で使っている場合は、トークン単価を直接気にする場面は少ないはずなので、このあたりは API を従量課金で使う人向けの注意、と捉えてもらって大丈夫です

正直に押さえておきたい注意点

新機能やベンチマークだけ見ると良いことずくめに見えますが、注意したい点もあるので並べておきます

effort のデフォルトが high に変わった

新機能のところで予告した話の続きです、4.8 では 推論の深さ(effort)のデフォルトが high に変更されました、Claude Code でも API でも、ほぼすべての場面でこの変更が効きます

深く考えるようになったぶん回答の質は上がりやすいんですが、その代わり 1回あたりの応答が重く、消費トークンも増えやすい傾向になります、先ほどのトークナイザの話と合わせると、コスト面では二重に効いてくる可能性があるわけです

すでに自分で effort を明示的に設定している場合は、この変更の影響は受けません、変わるのは「特に指定していなかった人」の挙動ですね

ちなみにコーディングや、長い手順を自分で考えて進める自律タスクでは、もう一段上の xhigh を明示指定するのが Anthropic 公式の推奨になっています、ガッツリ作業を任せたいときは検討する価値があります

リリース翌日でまだ分からないこと

もうひとつ正直に書いておきたいのが、この記事を書いている時点ではまだ評価が定まっていない領域があるということです

新しいモデルが出ると、しばらくして「前のバージョンのほうが良かった」「出力が冗長になった/逆に短くなった」みたいな声が出てくることがよくあります、ただ Opus 4.8 はリリースされたばかりで、こうしたコミュニティの評価はまだ十分には集まっていません

なので、ここで 憶測で「ここが改悪された」と書くことはしません、実際の使用感に関する評判は、もう少し時間が経ってからのほうが正確に見えてくると思います

同じ理由で、消費者向けプラン(Pro / Max / Team)の利用枠やレート制限に変更があったかどうかも、現時点では確認できていません、このあたりは続報を待ちたいところです

移行はそこまで身構えなくていい

注意点を並べたあとで言うのもなんですが、移行そのものはかなりラクです

API を使っている場合、モデル名を claude-opus-4-7 から claude-opus-4-8 に書き換えるだけでコードはそのまま動き続けます、いわゆる挙動が大きく変わる更新ではありません

- model: claude-opus-4-7
+ model: claude-opus-4-8

実質的に意識すべき挙動の変化は、さっき書いた effort のデフォルトが high になったことくらいです、それ以外はほぼ気にせず差し替えて大丈夫だと思います

ひとつだけ補足すると、4.6 以前のさらに古いバージョンから一気に 4.8 へ上げる場合は、4.7 の時点で入った変更を先に踏まえる必要があります、4.7 を飛ばしている人は移行ガイドに一度目を通しておくと安心です

結局いま乗り換えるべきか

ここまでを踏まえて、「で、いま乗り換えるべきなの？」という疑問に、Claude Code Desktop ユーザー目線でざっくり答えます

基本は乗り換えで問題ない

結論から言うと、多くの人はそのまま 4.8 を使って問題ないと思います

ベンチマーク上はほぼ全項目で 4.7 を上回っていて、後退している指標がありません、コーディング力も上がっていますし、ツール呼び出しまわりの安定性改善も方向性としては歓迎できます

そもそも Claude アプリや Claude Code Desktop を普通に使っていると、モデルは自然と新しいものに切り替わっていくので、能動的に「乗り換え作業」をする場面はそんなに多くありません

立ち止まって考えたほうがいいケース

一方で、いくつか立ち止まったほうがいい場面もあります

• API を従量課金で大量に使っていて、コストにシビアな場合(トークナイザ + effort 高めの二重効果に注意)
• ターミナル操作が中心のエージェント用途で、わずかな性能差も気になる場合
• 本番運用していて、出力スタイルの微妙な変化が業務に響く場合(評価が出そろうまで様子見もあり)

こうしたケースでは、いきなり全面移行せず、小さく試してから本番に反映するくらいの慎重さがあってもいいと思います

とくにコスト面が気になる人は、effort を medium に明示して様子を見る、といった調整もできるので、デフォルトの high に縛られすぎないのがコツです

Claude を触り始めたばかりで「そもそも Claude Code Desktop の基本がまだ」という方は、Claudeの使い方を初心者向けに解説した記事から入ると、この記事の内容も腹落ちしやすくなると思います

まとめ Opus 4.8 は堅実な底上げアップデート

最後に Claude Opus 4.8 のポイントを振り返ります

1. 2026年5月28日リリース、モデルIDは claude-opus-4-8、Anthropic の最上位モデル
2. 新機能は Dynamic Workflows・Effort Control・会話途中のシステムメッセージ投入
3. ベンチマークはほぼ全項目で4.7超え、ただしターミナル操作だけは GPT-5.5 が上
4. 標準料金は据え置き、Fast mode は値下げ、ただしトークナイザの実質コスト増には注意
5. effort のデフォルトが high に変更、移行自体はモデル名の差し替えだけでOK

全体としては、世代がガラッと変わる派手な更新ではなく、4.7 をていねいに磨き上げた堅実なアップデートという印象です

性能は素直に上がっていますし、移行のハードルも低いので、基本は前向きに使っていい更新だと思います、そのうえで、コストやデフォルト設定の変化、ターミナル用途での立ち位置あたりは頭に入れておくと、より納得して付き合えるんじゃないでしょうか

評価が定まってくる頃にまた追記できたらいいなと思っています、リリース直後の現時点では、まずはこのあたりが全体像です

Claude や AI まわりの用語でつまずいたら、Claudeを始める前に知っておきたい用語集が辞書代わりになるので、ブックマークしておくと何かと便利だと思います

AIに自分のPDFや社内ドキュメントを読ませて、その中身から回答してもらう機能、最近よく見るようになりましたよね

Claude Projects にファイルを投げたり、ChatGPT に PDF を渡したり、Notion AI で社内ページを横断検索したり、Perplexity に「最新の話題」を聞いたり、NotebookLM にノートを読み込ませたり、このあたりが全部、似た仕組みで動いています

その裏で動いているのが RAG(検索拡張生成)と呼ばれる仕組みです、名前は地味ですが、これを知っておくと AI製品の挙動が一気に腹落ちするので、押さえておいて損はないと思います

この記事で扱う範囲はざっとこんな感じです

1. RAG が何の略でなぜ生まれたか
2. 事前準備フェーズ + 実行時フェーズの2段階の動き方
3. 精度を左右する「チャンク処理」の話
4. 実際の製品事例と「最近聞かない理由」
5. 自分で試す方法、ローカル/コスト面の話
6. ハマりポイント・安全性・ファインチューニングとの比較

Claudeまわりの基本用語はClaudeを始める前に知っておきたい用語集でまとめているので、LLM や Embeddings あたりがピンと来ない方はそちらと並行して読むと入りやすいです

RAGとは何か 略称と必要になった理由

まずは言葉の意味と、そもそも何でこの仕組みが必要になったのか、というところから整理します

Retrieval-Augmented Generation の略

RAG は Retrieval-Augmented Generationの略で、日本語だと検索拡張生成と訳されます

各単語の意味をバラして見ると、もう少しイメージが湧きやすいかもしれません

つなげると「外部から取り出した情報で補強された文章生成」になります、要するに AIが回答する前に、外部の情報を検索してから答える仕組みのことです

平たく言うと 「カンニング機能付きAI」と捉えるのが一番分かりやすいんじゃないでしょうか

カンニングと聞くとネガティブに響くかもしれませんが、ここでは「手元の資料を見ながら答える」くらいのニュアンスで、むしろ回答の正確性が上がる仕組みとして理解してもらえれば

そもそも生成AIには「知識のスナップショット問題」がある

なぜ RAG みたいな仕組みが必要になったかというと、生成AI(LLM)の知識は学習が終わった時点で止まっているからです

これは 「知識のスナップショット性質」とも呼ばれていて、学習データの締め切り日(カットオフ日)より後の出来事は本体だけだと知りません

正直に言うと私も最初これを実感していなくて、以前 ChatGPT に「去年あった有名なニュース」を聞いたら「すみません、その時期の情報は持っていません」と返ってきて、「あ、AIって本当に時間が止まってるんだ」と妙に感心した記憶があります

これに加えて、もうひとつ大きな壁があります

たとえ最新情報を学習させたとしても、あなたの会社の社内マニュアルや、あなたの個人ファイルは元から学習データに含まれていないので、本体だけで答えるのは原理的にむずかしいです

じゃあプロンプトに全部詰めて渡せばいいかというと、コンテキストウィンドウ(AIが一度に読める量)に上限があるのでこれも現実的じゃありません

そこで生まれた発想が 「都度、必要な情報だけ検索して渡す」というもので、これがまさに RAG の発想ベースになります

RAGには「事前準備」と「実行時」の2段階がある

ここから RAG の仕組みに入ります、ポイントは 2つのフェーズに分かれていることです

まずは事前準備フェーズ、これは 文書をAIが検索できる形に変えておく作業のことです

1. 元の文書を取得(PDF / Word / Webページ / Notion / Slack ログなど)
2. 文書を チャンク(かたまり)に分割する
3. 各チャンクを Embeddings(埋め込み表現)でベクトル(数値の配列)に変換
4. 変換結果を ベクトルDB(意味の近い文章を取り出すのに特化したデータベース)に保存

Embeddings は「文章を意味の似た方向に並ぶ数値に変換する処理」とイメージしておけばOKです、ここで 「意味が近い文章は近いベクトルになる」という性質を利用します

ベクトルDBは「意味の近さで文章を取り出すのに特化した専用データベース」のことです、ふだん使う MySQL のようなデータベースが文字列の完全一致や ID で引くのに対して、ベクトルDB は 近い意味の文章を効率よく見つけるのが得意です、有名どころでは Chroma・Pinecone・Qdrant・Milvus などがあります

続いて実行時フェーズ、これは 質問が来たら関連チャンクを引っ張ってきて回答に使う作業です

1. ユーザーの質問も Embeddings でベクトル化
2. ベクトルDBから意味が近いチャンクを検索
3. 上位N件(3〜10件くらい)を取得
4. 取り出したチャンクをプロンプトに合体させてAIに渡す
5. AIが「渡された資料」をベースに回答を生成

つまり AI本体は最終的な文章生成だけ担当していて、その手前で 「カンペを取り出す処理」が裏で走っているのが RAG の本質、というわけです

事前準備フェーズで使うベクトル化と、実行時フェーズの質問のベクトル化は、原則として 同じ Embeddings モデルで揃えるのがコツです、ここがズレると意味の近さの判定がおかしくなります

チャンク処理がRAGの精度を決める

ここは中級者向けに少し厚めにいきます、結論から言うと RAG の精度はチャンク処理でほぼ決まると言っても言いすぎじゃないくらい大事なポイントです

なぜわざわざチャンクに分けるのか

「文書まるごと1つのベクトルにすればよくない?」と思うかもしれません

ただ、ベクトル検索は 短い単位の方が精度が出る性質があります、長すぎるテキストをまとめて1つのベクトルにすると、いろんな話題が混ざって「意味の中心」がぼやけてしまうためです

料理本まるごと1冊を1ベクトルにしても、「カレーの作り方」のような具体的な質問に対して効率よく該当ページを引っ張れません、適度な単位でバラしておく必要があります

チャンクサイズは大きすぎても小さすぎてもダメ

じゃあどのくらいの大きさで分割するのがいいか、というところですが、ここはトレードオフです

一般的な目安は 500〜1,000トークン(日本語で約1,000〜2,000文字)と言われていて、迷ったらこの範囲から始めるのがおすすめです

2026年現在の海外のベストプラクティス記事を見ても 「まずは 300〜500トークン + 10〜15% の重なり(オーバーラップ)から試そう」という推奨が多くて、実運用してから上下に振って調整する流れが主流ですね

チャンクオーバーラップで文脈ロスを防ぐ

分割するときによく使われるテクニックが チャンクオーバーラップです、隣り合うチャンクの端を少し重ねて分割します

たとえば 1,000字でチャンクを切るときに 100字くらい重ねておくと、文の途中で切れたときに前のチャンクの末尾と次のチャンクの先頭で同じ部分が読めるので、検索でどちらに引っかかっても文脈が補える、というのがメリットです

目立たないですが、これだけで 「PDFを入れたけど回答が変な感じで切れる」みたいな失敗が結構減ります

分割方法のバリエーション

チャンクをどう切るかは、文書の種類によって向き不向きがあります

• 固定文字数で切る:単純で実装しやすい、ただし文の途中で切れて意味が崩れることあり
• 改行や句読点で切る:文の途中で切れない、自然な単位になる
• 見出し単位で切る:Markdown や HTML で見出しが明確な文書に強い
• セマンティックチャンキング:Embeddings で意味の切れ目を判定して分ける賢い分割、精度は高いが計算コストもかかる
• 階層チャンキング:章の要約+詳細チャンクを両方持つやり方、長い技術文書で精度が出やすい

セマンティックチャンキングはかっこいい響きですが、素直な構造化文書なら固定 + オーバーラップで十分なことが多いです、海外でもいきなり凝った分割に手を出さず、シンプルな方法で品質が足りないと感じてから段階的に上げる、という推奨が増えています

日本語ならではの注意点

日本語のチャンク処理には、英語にはない少しクセがあります

英語はスペースで単語が区切られているので、機械的に「○○トークン単位で切る」のがやりやすいんですが、日本語はスペース区切りがないので 形態素解析(単語の切り分け)を併用したり、句読点や改行を頼りに分割したりすることが多いです

あと裏方ですが効いてくるのが文字数とトークン数の換算で、日本語は1文字あたり1〜2トークン消費するので、「500トークン = 約500〜1,000文字」くらいで見積もるのが安全です

このあたりは LangChain / LlamaIndex などのライブラリが日本語向けの分割関数を持っているので、自作するよりライブラリに任せる方がトラブルが少ない印象です

実際にどこで使われているか

仕組みの話が続いたので、ここで身近な製品でどこに RAG が使われているかを整理します、意外と毎日触っているサービスの中に隠れていますよ

代表的なRAG搭載サービス

• Claude Projects:プロジェクトにファイルを添付して質問、内部で文書を検索しながら回答
• ChatGPT カスタムGPTs / メモリ機能:添付資料・過去のやりとりを参照しながら応答
• Notion AI:社内ページや個人ノートを横断検索しながら回答するイメージで、まさに業務RAGの典型
• Perplexity:Web情報をその場で検索 → 結果を参照しながら回答するWeb検索型RAGの代表格
• NotebookLM:Googleが提供しているノート型AIサービス、PDFや音声などをノートに登録して質問
• Microsoft 365 Copilot:Officeの社内ファイル(Word・Excel・SharePoint等)を参照

共通点は 「AIが外部資料を参照して回答する」という点、つまり大半のサービスで裏側で RAG 的な処理が走っているということになります

個人用途だと、Claude Projects に1冊分のマニュアルを入れて「○○の手順は?」と聞く使い方は超実用的で、業務用途だと Notion AI で「先月の会議メモから決定事項だけ抜いて」みたいな雑な指示も通るようになっています

「RAG」という言葉、最近あんまり聞かない理由

余談ですが、2023年〜2024年あたりは「RAG構築」という言葉が AI 界隈で連発されていたんですが、ここ最近はわざわざ「RAGを使っています」と書くサービスが減っている印象があります

これは 技術が浸透して当たり前になったため、製品の中で言及しなくなったというのが大きいです、Webアプリを今わざわざ「これはWebアプリです」と言わないのと同じ現象だと思います

製品紹介では「ファイルから回答」「社内データを参照」「ノートを検索」みたいな機能名で呼ばれるようになっただけで、技術的な実体は大体 RAG です

「最近聞かない = 古い技術」と勘違いされやすいんですが、実態は逆で むしろ標準装備になったと捉えるのが正確ですね

もう一歩深く 自分でRAGを試す方法

仕組みが大体わかってきたら「自分でも触ってみたいな」と思うかもしれません、ここでは難易度別の選択肢と、コスト面・ローカル運用について整理します

3つの進化系キーワード

その前にもう少しだけ用語だけ紹介、RAG にも進化系がいくつかあって、覚えておくと最新の記事がだいぶ読みやすくなります

• Hybrid Search(ハイブリッド検索):キーワード検索とベクトル検索を組み合わせて精度を底上げする方式
• Re-ranking(リランキング):1次検索の結果を別のモデルで再評価して並べ替える、上位N件の精度を上げる
• Agentic RAG:AI が検索戦略そのものを判断するタイプ、「もう一回検索し直そう」「別の切り口で検索しよう」といった判断を AI 側に任せる

細かい挙動の違いを今すぐ理解する必要はなくて、「RAG にも進化形がいくつかあるんだな」くらいで頭の片隅に入れておけば十分です

手軽派 既製品RAGで試す

一番手っ取り早いのは既製品の RAG にファイルを入れてみるパターンです

• Claude Projects にPDFやMarkdownを投げる
• ChatGPT のカスタムGPTs でナレッジを設定する
• NotebookLM にPDF・YouTube URL・Webページを登録する

このパターンは「自分でチャンクを切る」「ベクトルDBを立てる」みたいな処理を全部サービス側が見えないところでやってくれるので、コードを1行も書かずに RAG を体験できます

仕組みを深く知りたいなら自作の方が学びは大きいですが、「とりあえず触感を掴みたい」だけならここから始めるのが現実的です

自作派 PythonライブラリでRAGを組む

もう一歩踏み込んで自分で組みたいなら、Python ベースのライブラリが定番です

• LangChain:RAG構築の総合フレームワーク、Embeddings/分割/ベクトルDB/プロンプトを一気通貫で扱える
• LlamaIndex:ドキュメントインデックスに強い、特に長文・多種類の文書を扱う用途で人気
• Haystack:検索パイプラインの構築に強い、エンタープライズ寄り

最小サンプルとしては「PDFを読み込んで分割 → OpenAI/Anthropic の Embeddings でベクトル化 → Chroma などのベクトルDBに保存 → 質問が来たら検索して回答」みたいな流れを Python で40〜60行くらいで書けます

ちなみに このコードを書くこと自体も Claude Code Desktop に頼めるので、最近は「自作派とは何だったのか」みたいな話になりがちです

コスト面 Embeddings API は意外と積む

自作 RAG を試すときに見落としがちなのが Embeddings API の呼び出し料金です

1回あたりは安いんですが、社内ドキュメントを全部ベクトル化しようとすると チャンク数 × Embeddings コストでじわじわ積み上がります、大規模な文書を扱う場合は事前見積もりが推奨です

加えて運用時の検索コスト(ベクトルDB のホスティング費)もかかるので、無料で動かしっぱなしというわけにはいかない、というのは知っておくと安心です

ローカルRAG OllamaやLM Studioで完結する選択肢

「API コストを気にせず、社外秘データもローカルで処理したい」というニーズには ローカルRAGという選択肢があります

Windowsユーザーなら次のあたりの組み合わせが現実的です

• Ollama:ローカルでLLM・Embeddingsモデルを動かす定番ツール、コマンド一発でモデルを起動できる
• LM Studio:GUIでローカルLLMを扱える、GGUF形式のモデルを試すならこっち
• ローカルベクトルDB:Chroma・Qdrant をローカル起動して使う
• ローカル Embeddings モデル:multilingual-e5・bge-m3 など日本語対応モデルを使う

動作は API 経由よりは遅いですし、性能もハイエンド商用モデルにはやや劣りますが、データを外に出さずに RAG が組めるのは大きいです、社内ナレッジを扱うユースケースでは選択肢として有力ですね

コードベース版RAG CursorやClaude Codeのインデックス

ちょっと毛色の違う話として、最近の開発者向けAIエディタにも RAG 的な仕組みが入っています

Cursor や Claude Code の コードベースインデックスと呼ばれる機能は、要するにプロジェクト全体のソースコードを RAG 的に検索可能な形に変換しておく仕組みです

AI が「この関数どこで使われてる?」と聞かれたとき、いきなりファイルを全部読まなくても、インデックスから関連箇所だけ引っ張って答えられる、という動き方ですね、これも広い意味で RAG の一形態と捉えていいと思います

Claude Code の各拡張機構(Skills・Hooks・Subagents など)を体系的に整理した話はClaude Code拡張機構入門の記事でまとめているので、開発寄りに興味がある方はそちらも合わせてどうぞ

ハマりポイントと安全性 RAGの限界も含めて

最後に実用面の話を一気にまとめます、RAG あるある・データの安全性・ファインチューニングとの違い、というあたりです

代表的な失敗パターンと対処法

初心者が RAG を試すと、ほぼ全員が同じところでつまずきます、典型例をまとめておきますね

とくに「PDFを入れたのに回答できない」は かなりの確率で PDF パース問題です、表が画像として埋め込まれていたり、二段組のレイアウトがあったりすると、テキスト抽出の時点で内容が崩れていて、後段のベクトル化もうまくいきません

裏ワザ的には PDFをいったん人間が読める Markdown に変換してから RAG に投入すると、精度が一段上がることが多いです、ここは地味な作業ですが効きます

機密データを入れていいの データの安全性

業務利用で気になるのが「社内データを RAG に入れて大丈夫?」という安全性の話です

• ローカル動作のRAG:データが外に出ない構成にできるので原則安全、機密データ向き
• クラウドサービス系:各社の 学習利用ポリシーとデータ保持期間を確認する
• 商用契約:Claude for Work / Enterprise などの法人プランは 原則として学習に使われない規約になっている

Anthropic の場合は ユーザーデータを既定では学習に使わない方針が明示されています、最新の方針は Anthropicのプライバシーポリシーページと Claudeプライバシーセンターに整理されているので、業務利用するときは目を通しておくのが推奨です

2026年に入って 消費者向けプラン(Free / Pro / Max)では学習利用を任意でオン/オフできるオプションが追加されました、デフォルトはオフですが、自分でオンにした覚えがないか設定画面で確認しておくと安心です

Claude Code Desktop を業務で使うときのセキュリティ全般の話はClaude Code Desktop初心者向けセキュリティの記事でも触れているので、合わせて読むと安心材料が増えると思います

RAGの限界 検索精度に全てが乗っかる

RAG は強力な仕組みですが、万能ではありません

最大の制約は 「検索でヒットしなかった情報は使えない」という点で、ベクトル検索が外すと回答も外します、つまり検索段階の精度がすべての品質を決めると言ってよくて、ここを軽視すると後段がいくら賢くても結果が出ない、という現象が起きます

あとは大量のチャンクの中から本当に必要な数件を見抜く能力が問われるので、文書数が増えるほど検索チューニングの難しさが上がります

RAGとファインチューニングの使い分け

もう一つの相補技術が ファインチューニングです、これは AI自体に追加学習をさせて、特定の用途や知識を埋め込む方式で、RAG とは別のアプローチになります

どっちを使うべきか、というのはよく聞かれるトピックなので、表で比較しておきます

整理すると、RAG = 知識を都度参照する・ファインチューニング = モデルに知識や癖を埋め込む、という違いになります

たとえば「自社の最新マニュアルを参照したい」なら RAG が向いていますし、「自社特有の口調で常に応答してほしい」ならファインチューニングが向きます、両者を組み合わせる構成も実用ではよくあるパターンです

まとめ RAGが分かると AI 製品の見え方が変わる

長くなったので、ポイントをぎゅっと再掲して締めます

• RAG は Retrieval-Augmented Generation の略、外部情報を 検索してから生成する仕組み
• LLM の知識は学習時点で止まっているので、最新情報や社内固有情報を扱うには外部参照の仕組みが要る
• 動きは事前準備フェーズ(文書→チャンク→ベクトル化→DB)と実行時フェーズ(質問→検索→上位N件→AI回答)の2段階
• 精度の鍵は チャンク処理、サイズ500〜2,000文字+10〜15%オーバーラップから始めるのがおすすめ
• Claude Projects / Notion AI / Perplexity / NotebookLM など身近なAI製品の裏側でだいたい動いている
• 自分で試すなら Claude Projects / NotebookLM が手軽、自作なら LangChain / LlamaIndex、ローカルなら Ollama + Chroma
• ハマりポイントは PDF パース問題・チャンクサイズ・検索精度、ファインチューニングとは役割が違う相補関係

RAG という言葉自体は技術が浸透して目立たなくなりましたが、知っていると「あ、これ裏でRAG動いてるな」と AI 製品の見え方が一段クリアになるはずです

関連用語についてはClaudeを始める前に知っておきたい用語集に「埋め込み」「コンテキストウィンドウ」「ファインチューニング」あたりがまとまっているので、AI記事を読むベース知識を補強したい方はぜひ覗いてみてください

長文にお付き合いいただきありがとうございました、それでは、よい AI ライフを