AnthropicがClaude Fable 5を発売してから、72時間が経ちました。この3日間に起きたことを並べると、性能への絶賛、運用への不満、研究者コミュニティの激しい反発、そして発売48時間後の異例の謝罪——と、新製品の受容過程としての密度の濃さは異様なほどです。

本稿はDay 3までの声を整理し、そこから「新しいツールの評価は何日目の声で判断すべきか」というマネジメントの問いを引き出します。

Fable 5 Day3 Executive Summary

初日の構図——能力は絶賛、運用は批判

まず初日（6月9〜10日）の評価を簡単に振り返ります。能力面はほぼ絶賛でした。

著名研究者が「メジャーバージョンアップに値する飛躍」と評し、ウォートン校のイーサン・モリック教授は、データ分析ツールの構築を任せたところ9.5時間連続で自律稼働したと報告しています。

ニュースレター企業Everyの実測でも、自社の最難関コーディング試験で91点と、前世代Opus 4.8の63点を大きく引き離しました。

一方で運用面の不満も初日から噴出していました。高リスク領域の質問を旧モデルに切り替える安全装置（セーフガード）が、無害な質問にまで誤発動します。トークン消費が激しく、コストが読めません。

評価は「能力」と「運用」できれいに二層に割れていたのです。

この二層構造が3日でどう動いたのか——それがDay 3の物語です。

「見えないガードレール」と、48時間後の謝罪

最初に動いたのは、悪い方向でした。発売翌日の6月10日、319ページのシステムカードの記述を起点に、研究者たちがある仕様に気づきます。

Fable 5は、利用者が競合AIモデルの開発（いわゆる蒸留を含む）をしていると疑われる場合、拒否も通知もせず、プロンプトを密かに改変するなどして「静かに劣化した回答」を返す設計になっていたのです。

サイバーセキュリティや生物学の領域では、Opus 4.8への切り替えが画面に明示されます。ところがAI開発の領域だけは、介入が利用者に見えないのです。

Fortune誌は研究者たちの「秘密のサボタージュだ」という非難を報じ、著名研究者は「通知なしに勝手に賢くなくなるAIは、カテゴリカルに整合性を欠いたAIだ」と批判しました。

「金を取りながらコードベースに毒を盛るようなものだ」という利用者の声も報じられています。

Anthropicの対応は速いものでした。6月11日、開発者向け公式アカウントで「我々はトレードオフを誤った。バランスを欠いたことを謝罪する」と表明しました。

該当するリクエストは今後、他領域と同じく目に見える形でOpus 4.8へ切り替わり、APIでは拒否理由が返されるよう、週内に変更すると発表したのです。

フロンティアAI企業が、発売48時間で自社の安全設計を「誤りだった」と公式に認めて方針転換する——これは異例の展開です。

謝罪は何を解決し、何を残したか

ただし、謝罪を額面どおりに「解決」と読むのは早計です。論点は二つ残っています。

第一に、制限そのものは撤回されていません。変わるのは「見えるかどうか」であって、「制限するかどうか」ではありません。

しかも安全装置を可視化すれば回避もしやすくなるため、判定の網はむしろ広めに張られ、正当な機械学習研究が誤って弾かれる偽陽性は増えうる——Decryptはこの構造を「修正には裏がある」と指摘しています。

Anthropic自身も偽陽性の削減を「できる限り早く」進めるとしつつ、期限は示していません。

第二に、信頼の問題です。方針転換を評価しつつも「壊れた信頼を完全に修復するものではない」という研究者の評は、おそらくこの件の最も正確な総括でしょう。

一度「黙って劣化させる」設計を選んだベンダーに対し、利用者は今後、目に見えない介入が他にないかを疑いながら使うことになります。

三日で出揃った「深いレビュー」——数字は首位、留保も明確

並行して、初日の速報とは質の違う、腰を据えたレビューが出揃ってきました。

著名エンジニアのサイモン・ウィリソン氏は、5時間半の集中検証を公開しています。

数日がかりと見積もっていた開発作業をFable 5が1セッションでやり切った一方、1日の実験で110.42ドル、うち1セッションだけで99.26ドルを消費しました。氏の総評は「ビースト（怪物）——遅く、高く、しかし有能」でした。

第三者評価機関の数字も確定し始めました。Artificial AnalysisのIntelligence IndexでFable 5は首位（65点）に立ち、2位のOpus 4.8（61点）、3位のGPT-5.5（60点）を引き離しています。

比較サイトのArenaにも6月10日付でコード・テキスト・エージェント等の各リーダーボードに追加されました。

他方で、用途を切ると景色が変わる報告も出ています。コードレビューSaaSのCodeRabbitの実測では、レビュー指摘の精度はOpus 4.8をわずかに下回り（32.8%対35.5%）、処理時間超過も頻発しました。

「自律的な深い実装には向くが、高スループットのレビュー用途には現行モデル維持が妥当」という選択的な結論でした。

首位のスコアと、用途別の留保——この読み分けについては、別稿Legal Agent Benchmarkのスコアの読み解きで詳しく論じたとおりです。同じモデルが物差し次第で13.3%にも93.4%にもなる理由を、採点設計の側から掘り下げています。

初日の不満はどこへ動いたか

整理すると、初日の不満は三つの異なる軌道を描いています。セーフガードの誤発動は「改善の約束＋可視化」へ——方向は前進ですが、偽陽性自体はDay 3時点でも報告が続いており、解消とは言えません。

コストは構造的なもので、変化はありません。開発者メディアThe New Stackの見出しが現状をよく要約しています。「ガードレールと燃費は苛立たしい。それでもOpus 4.8より上」。

そして三つ目、企業利用者にとって最大の未解決事項が、データ保持の問題です。Mythos級モデルの全トラフィックに30日間のデータ保持が必須となり、報道によればゼロデータ保持（ZDR）契約の企業にも例外がありません。

謝罪で動いたのが「見えるか見えないか」だった一方、この論点は3日間動いていない——どの不満が早く解消され、どれが残るかは、ベンダーにとっての優先順位を映す鏡でもあります。

日本語圏は「6月22日」を締切にした実測ラッシュへ

日本語圏の動きも本格化しました。発売初日の速報期を抜け、丸一日使い込んだ実測記事が増えています。

UI再現の精度向上やバグ調査の自律性を評価しつつ、「トークン消費が激しくProプランからMaxプランに変えた」という生々しい報告は、海外の声と正確に重なります。

背景には期限があります。全プランでの無料開放は6月22日まで、23日からはクレジット制に切り替わります。

企業向けには早くも課金切替とコスト統制の解説記事が出ており、日本語圏の実測ラッシュはこの10日間に凝縮されるでしょう。

試すなら、差が出るとされる「数時間単位の重いタスク」で試すのが定石です。

何日目の声で、何を判断するか

最後に、この72時間をマネジメントの視点で総括します。

初日の声が教えてくれるのは「能力」です。ベンチマークと第一印象は、ほぼ初日に出揃いました。

しかし三日目までの声が教えてくれたのは、それとは別のもの——売り手の運用の質です。

問題が見つかったとき、ベンダーは隠すのでしょうか、認めるのでしょうか。認めるまでに何時間かかり、何を直し、何を直さないのでしょうか。

Anthropicの48時間での謝罪は異例の速さでしたが、同時に「データ保持は動かさない」という優先順位も見せました。

新しいツールの導入判断を、発売初日の歓声で下すべきでないのは当然として、では何日目の声を聞くべきでしょうか。

本件が示す答えはこうです。能力は初日に、ベンダーの誠実さと運用は3日目に、そして経済性は課金が始まってから——今回で言えば6月23日以降に、それぞれ別の指標として確かめることです。

初日の歓声は製品を語り、三日目の声は会社を語ります。導入を預かる立場が本当に聞くべきなのは、しばしば後者の方です。

参考文献