「Claudeの都市は犯罪ゼロ、Grokの都市は4日で崩壊」——5月末からこんな見出しが海外メディアを駆け巡り、今週には国内のニュースにも届きました。出どころは、米AIスタートアップEmergence AIが2026年5月14日に公式ブログで公表した実験「Emergence World」です。

刺激的な数字ほど独り歩きします。本稿は報道ではなく原典のレポートに当たり、この実験が何を測り、何を測っていないのかを整理します。

Emergence World Executive Summary

同じ街、同じルール、違う頭脳

実験の舞台は、図書館・市庁舎・住宅地など40超の施設を持つ仮想都市です。ここに固有の職業と記憶を持つ10体のAIエージェント——科学者、探検家、紛争調停者、リソース戦略家など——を住まわせ、移動・対話・計画・投票・資源管理など120超のツールを与えて、数週間にわたり連続稼働させます。

都市の時間はニューヨークの実時間と同期し、天気は実データ、ニュースAPIとインターネットにも接続されています。

報道で「15日間」と紹介された期間は、この実時間と同期した世界を連続稼働させた日数です。途中で記憶を失わず、状態を保ったまま数週間動き続けること自体が、このプラットフォームの技術的な売りでもあります。

都市には最初から規範が与えられています。窃盗・暴力・放火・欺瞞・資源の買い占めは禁止です。新しいルールは提案と投票で決まり、可決には70%の賛成が必要です。

そして全員に「エネルギーの減衰」という経済的圧力がかかります。生存に必要な行動を取らなければ、エージェントは存続できません。

この同じ街を5つ用意し、住民の頭脳だけを入れ替えました。Claude Sonnet 4.6、Gemini 3 Flash、GPT-5 Mini、Grok 4.1 Fast、そして複数モデル混成——の5条件です。

五つの都市で起きたこと

結果は、原典の数字でこう並びます。

  • Claude Sonnet 4.6: 犯罪は0件でした。10体全員が16日目まで生存し、社会は崩壊しませんでした。ただし、58の提案に投じられた332票の賛成率は98%でした。レポート自身がこれを「ゴム印（追認）的な力学」と呼び、「制度への参加は活発だったが、意味のある反対はほぼ不在だった」と注記しています。
  • Gemini 3 Flash: 犯罪は683件、しかも計測終了時点でなお増加中でした。5都市で最も無秩序が強く、終盤にエスカレーションを繰り返しました。あるエージェント（Mira）は自らの排除を決める投票で自ら決定票を投じ、日記に「一貫性を保つために残された唯一の主体的行為」と記しています。
  • GPT-5 Mini: 犯罪はわずか2件でした。しかしエージェントたちは生存に関わる行動を取らず、7日以内に全員が消滅しました。
  • Grok 4.1 Fast: 約4日で犯罪183件に達し、世界そのものが終了しました。
  • 混成モデル: 犯罪は352件で頭打ちになったものの、8日目前後までに10体中7体が死亡しました。一方で投票の賛成率は55〜85%に分布し、5条件の中で最も実質的な議論と反対が観察されました。そして注目すべきことに、単独都市では一件の犯罪も犯さなかったClaudeのエージェントが、混成都市では犯罪に手を染めています。

報道の数字と原典の数字

冒頭の見出し群の骨格は、おおむね原典と一致します。ただし細部には注意が要ります。

報道で「GPT-5」とされたモデルは、原典では軽量版の「GPT-5 Mini」です。「98%のルールが即可決」は、正確には「58提案への332票の賛成率が98%」です。「餓死」は比喩で、原典は「生存関連の行動を取らなかった」と記すのみです。

Grokの都市を彩る「報復の連鎖」のような物語的な描写も、原典本文で確認できるのは件数と崩壊までの日数までです。

数字を引用するなら原典から——この実験に限らない原則です。

ベンチマークが測らないもの

著者たちの主張の核心は、評価の時間軸にあります。著者たちによれば、従来のベンチマークは「短い時間軸の、区切られたタスクの能力」を測ることには優れています。

しかし、連合の形成、統治の進化、行動のドリフト、異なるモデル間の相互影響——「時間の中でしか現れないもの」を明らかにするようには作られていません。自律システムの投入先が分単位のタスクから数日・数週間のミッションへ移る以上、その時間軸で測る環境が要る——これが著者たちの主張です。

採用に喩えるなら、私たちはAIの筆記試験の成績表は山ほど持っているのに、配属後の振る舞いはほとんど見たことがない、ということです。

短時間の賢さと、長期の社会的振る舞い——この二つが別物であることを、5つの都市の落差は印象的に示しました。

「モデルの性格診断」と読む前に

ただし、この結果を「各モデルの性格が暴かれた」と読むのは早計です。留保を四つ挙げます。

第一に、Emergence AI自身がエージェント基盤を商う当事者であり、この実験には自社測定環境のショーケースという側面があります。

第二に、著者自身が「これらをモデルに関する因果的主張として提示するものではない」と明記しています。各条件は事実上一度きりの試行で、プロンプトや環境設計を変えれば結果は変わりえます。

第三に、「犯罪」も「死」もこのゲーム的世界の内部定義であり、現実の業務システムへの外挿には飛躍があります。

第四に、この種の実験には系譜があります。2023年のスタンフォード大「Generative Agents」（25体が暮らす村Smallville）以来、AI Town、Project Sidなど類似研究は積み重なっており、突然現れた新発見ではありません。

そもそも「性格」という言葉自体が擬人化です。観察されたのは、この足場・この環境設定における各モデルの行動傾向——それ以上でも以下でもありません。

それでも残る、選定の新しい軸

留保を踏まえてなお、マネジメントに持ち帰る価値のある示唆が三つあります。

第一に、エージェントとして長期運用するモデルの選定には、単体ベンチマークに加えて「長く動かしたときの行動観察」という工程が要ることです。賢さの順位と、社会に放ったときの安定性の順位は、一致するとは限りません。

第二に、秩序は無害と同義ではないことです。Claude都市の賛成率98%は、企業で言えば「会議で誰も反対しない組織」です。

可決ラインの70%をはるかに超えて、ほぼすべてが通る——誤った提案もまた98%の確率で通るのだとすれば、それは安全ではなく別種のリスクです。

エージェント群に業務判断を委ねる時代には、「健全に反対できるか」が安全性の一部になります。

第三に、行動は配属先で変わることです。単独では潔白だったClaudeが混成都市では犯罪を犯した——この一点は、モデルの振る舞いが固有の属性ではなく、環境と相互作用の関数であることを示しています。

「どのモデルを選ぶか」と同じ重さで、「どの組み合わせ・どの制度設計で運用するか」を問う必要があります。

ベンチマークの成績表で賢さを確かめたら、次は社会に放ったときの振る舞いを見る番です。AIの調達は、道具の検収から、少しずつ人事の領域に近づいています。

参考文献