Claude Mythos 5とAISI評価｜セキュリティ案件の検証手順と単価

AISIの評価公開を「確認できる事実」と「まだ確認が必要な情報」に分ける

Claude Mythos 5の名前とAISIの評価公開が広がると、すぐに「どちらのモデルが強いのか」「自分の顧客案件にもそのまま使えるのか」と結論を急ぎたくなります。しかし、公開されたニュースから案件の可否までを一気に判断すると、確認していない条件を自分で補ってしまいます。最初に、第三者の発信が明示した事実と、原資料を読まなければ分からない情報を切り分けることが重要です。

公式投稿から読める事実を固定する

2026年8月4日付のAnthropic公式投稿は、英国のAI安全研究機関であるAISIが、AnthropicのClaude Mythos 5とOpenAIのGPT-5.6 Solを対象にしたサイバーセキュリティ評価レポートを公開したと告知しています。投稿本文は、評価が行われたことと対象モデルを伝える一次発信です。参照先は https://x.com/AnthropicAI/status/2084748111239344556 であり、この記事ではその投稿から読み取れる範囲を超えて、勝敗や得点を断定しません。

この段階で固定できるのは、発信元、投稿日、評価主体、対象モデル、テーマ、レポート公開の有無です。反対に、評価に使ったデータ、システムの構成、試行回数、観測者の確認方法、合否の線引きは、投稿だけでは決まりません。ニュースを顧客へ説明するときも、この「確認済みの項目」をメモの冒頭に置いておくと、伝聞が事実として膨らむのを防げます。

まだ読めない情報を線引きする

元レポートを確認するまでは、スコア、順位、テスト環境、許された操作、対象に含まれない攻撃、誤検知の扱いを空欄にしておきます。空欄は調査不足の印ではなく、公開情報からは判断できないという正確な状態です。特に「評価された」ことと「自社の環境で安全に使える」ことは別の命題で、前者から後者を推測するには追加の検証が必要になります。

また、モデルがセキュリティに関わる作業を試みたという説明だけで、現実の被害を再現した、あらゆる案件で人間を上回った、と読み替えてはいけません。評価の目的、入力、許可された範囲、結果の判定者が分からない限り、記事の読者にも顧客にも「ここまでは確認済み、ここからは未確認」と示すのが適切です。

公開ニュースと既存のモデル解説を分ける

既存のClaude Mythosの概要記事なら、モデルの位置づけや機能、利用条件を説明することが中心になります。今回のテーマはそこではなく、第三者評価が公開されたというニュースを、開発者が案件の確認範囲へ変換する読み方です。モデルの性質を紹介する記事と混ぜず、評価の読み解き、再検証、成果物、価格の順に並べることで、読者は「新モデルを買う話」と「仕事として確認を請け負う話」を区別できます。

公開情報を案件へ持ち込む前は、次の順にメモを作ります。

1. 発信元と投稿日を記録し、公式投稿が明示した対象をそのまま書く。
2. 投稿に書かれた主張と、原レポートで確認しなければならない条件を別の欄に分ける。
3. 自分の案件で追加確認する項目を、対象コード、脅威、合格条件、確認者の順に並べる。

モデルの勝敗だけではサイバーセキュリティ案件の判断を誤る理由

ベンチマークの順位は、同じ条件で複数のモデルを比べるには便利です。一方で、顧客案件の判断には、モデル以外の条件が多く含まれます。対象となるコードの種類、機密情報の扱い、許容できる誤検知、見逃しが起きたときの影響、最終的に誰が確認して承認するかが違えば、同じモデルでも納品までの時間と責任範囲は変わります。順位を見積もりの根拠にすると、必要な人の確認を価格へ入れ忘れます。

案件判断に必要な五つの項目

案件で評価結果を使うときは、モデル名を一番上に置くのではなく、次の五つを先にそろえます。それぞれが曖昧なままだと、検証が終わっても顧客が採否を決められず、説明のための追加作業が増えます。

1. 目的を決める。脆弱な箇所を見つけたいのか、修正案の確認を早めたいのか、納品前の証跡を残したいのかを一文で定める。
2. 対象を決める。リポジトリ全体ではなく、今回の機能、設定、依存関係、扱うデータの範囲を切り出す。
3. 脅威を決める。想定する攻撃経路、権限、外部接続、漏えい時の影響を、対象に合わせて列挙する。
4. 合格条件を決める。必ず指摘すべき問題、許容する誤検知、手直し後の再確認方法を事前に記録する。
5. 確認責任を決める。モデルの出力を誰が読み、どの判断を人が行い、専門家へ渡す条件は何かを明記する。

成果の数字を案件の言葉に置き換える

「何点だったか」だけでなく、「何件の指摘を人が確認し、何件が修正に進み、何件を見逃したか」へ表現を置き換えます。顧客が知りたいのは、評価環境での順位より、自分のコードをどれだけの範囲で確認でき、残った不確実さに誰が対応するかです。評価報告には、モデルの回答、確認者の判定、修正後の再確認を別の行で残すと、数値の意味を誤解されにくくなります。

例えば、あるモデルが危険な箇所を多く挙げても、実際には確認者が読める形へ整理する時間が長ければ、案件全体の短縮にはつながりません。逆に指摘の数が少なくても、重大な項目を正しく拾い、再確認しやすい記録が残るなら価値があります。数を競うのではなく、顧客の判断を早めたか、手直しの往復を減らしたかで説明します。

価格の根拠はモデル名から切り離す

高性能と紹介されるモデルを使うこと自体は、顧客にとって納品価値ではありません。価格の根拠にするのは、確認する対象の広さ、事前に整理する脅威、出力を読む人の責任、報告書の粒度、手直し後の再確認回数です。これらを分けておけば、利用するモデルが変わっても、作業と責任の説明を保てます。

受託開発の提案では、「このモデルだからこの金額」と言うより、「この範囲を確認し、ここまでの記録を何営業日で渡し、重大な指摘は人が再確認する」と示すほうが、顧客の比較材料になります。モデル名は選択した手段として記録し、最終的な見積もりは成果物と確認責任から組み立てます。

開発者が行う小さな再検証を案件の確認記録と価格根拠に変える方法

公開評価を自分の案件で完全に再現する必要はありません。元レポートの条件が手元にない場合は、同じ数字を作ろうとせず、顧客の目的に近い代表ケースを少数選びます。小さな範囲でも、入力、期待する指摘、実際の回答、人の判定、確認にかかった時間を同じ様式で残せば、次の提案で使える説明材料になります。

最初に代表ケースを決める

対象コードを無制限に広げず、顧客の業務上重要で、結果を人が確認できるケースを選びます。認証、権限、外部入力、機密データの扱いなど、事故の影響を説明しやすい箇所から始めると、検証の目的がぼやけません。初回は三つから五つ程度の代表ケースに絞り、各ケースに「なぜ選んだか」「何が見つかれば合格か」を一行で添えます。

ケースを選ぶときは、問題が起きているコードだけを集めないことも大切です。正常に動いている例、過去に手直しした例、判断が難しい境界例を混ぜると、指摘の多さだけでは分からない誤検知と見逃しを確認できます。実データをそのまま渡せない場合は、構造を保った匿名化資料を使い、元の業務情報と検証用資料を分けて保管します。

入力と期待結果を固定する

同じケースでも、指示の書き方、渡す資料の量、出力の形式が毎回変われば比較できません。ケース番号、入力資料、指示文、使ったモデル名、実施日、期待する指摘、許容する誤検知を一枚の記録にそろえます。出力を良く見せるために後から条件を変えた場合は、その変更も履歴として残し、最初の結果と混ぜないようにします。

期待結果は「正解の文章」を一つに固定するだけでは足りません。重大な問題を見つければ合格、根拠が弱い指摘は要確認、無関係な指摘は誤検知というように、判定の理由を決めます。判定者が変わっても同じ基準で読めるよう、例を二、三件添えておくと、検証後の説明と手直しが短くなります。

小さな再検証を進める手順

最初の検証は、評価の勝敗を決める試験ではなく、案件で説明できる確認記録を作る作業です。次の手順で条件を固定し、モデルの出力と人の判定を混同しないように進めます。

1. 対象ケースを限定し、データの持ち出し範囲、確認者、実施期間、停止条件を先に決める。
2. 各ケースの期待結果と合格条件を記録し、検証を始める前に判定基準を確定する。
3. 同じ入力と同じ出力形式で確認し、回答だけでなく根拠、指摘箇所、追加質問も保存する。
4. 人が各指摘を正しい、誤検知、見逃し、要確認に分類し、確認時間と手直し時間を測る。
5. 公開評価と自分の条件の差分を報告書に置き、再現できたことと未確認のことを分けて結論を書く。

記録を報告書の冒頭へ置く

報告書の最初に「今回の検証はAISIの評価を再現したものではない」と書くことは、弱気な表現ではありません。評価主体、対象モデル、目的、入力、判定者、試行回数が異なるなら、同じ結果になるとは言えないからです。そのうえで、今回の案件で確認できた範囲、確認できなかった範囲、追加で専門家へ相談すべき範囲を分ければ、顧客は結果の使い道を判断できます。

結果の表現も、「安全だった」ではなく「指定した三ケースでは、事前に定めた観点を確認し、二件は修正後に再確認した」と具体化します。検証の外側にあるコード、運用時の権限、第三者サービス、変更後の状態まで保証したわけではないことを明示すれば、公開評価の話題が過大な保証へ変わるのを避けられます。

サイバーセキュリティ評価を受託メニューと見積もりにする組み立て方

セキュリティ確認を一つの大きな作業名で売ると、どこまで調べるのか、誰が結果を承認するのか、修正後に再確認するのかが曖昧になります。評価項目の棚卸し、限定検証、結果報告、改善提案を別々の成果物として提示すれば、顧客は必要な範囲だけ選べます。個人エンジニアや小規模チームでも、記録様式を再利用できる形に整えることで、毎回ゼロから見積もる負担を下げられます。

メニューを四つの成果物に分ける

最初の成果物は、対象、目的、脅威、合格条件、確認責任を整理した範囲定義です。次が代表ケースを使った限定検証、その次が指摘、判定、残る不確実さをまとめた結果報告、最後が修正の優先順位と再確認案を示す改善提案です。それぞれの納品物に含むページ数、確認回数、打ち合わせ回数を記載しておくと、追加依頼の扱いも明確になります。

この分け方には、仕事を小さく始められる利点もあります。顧客がまず範囲定義だけを依頼し、その結果を見て検証へ進むこともできます。逆に緊急性が高く、限定検証だけを先に行う場合は、全体の安全性を評価したものではないと書きます。小さく受けて結果を説明し、必要なら次の成果物へ進む流れが、継続相談の入口になります。

提案と見積もりを組み立てる手順

受託メニューは、モデルの利用権や名称ではなく、確認と説明に必要な時間を基準に組み立てます。顧客との最初の会話から納品後の相談まで、次の順番で範囲と価格を分けて提示します。

1. 顧客の目的、対象、期限、扱える資料、最終判断者を聞き取り、範囲定義の成果物へ落とす。
2. 評価項目と代表ケースを選び、確認者の時間、再確認回数、資料の整理量を見積もる。
3. 結果報告に含める指摘、根拠、優先順位、未確認事項、顧客向け説明の時間を別項目にする。
4. 修正後の再確認や改善相談を追加メニューとして示し、含む回数と追加時の計算方法を決める。

引き受ける範囲と引き継ぐ境界を明記する

開発者ができるのは、対象コードの読み取り、指定した観点での確認、指摘の整理、修正後の再確認、顧客向け報告の補助です。組織全体の安全性を保証すること、事故の原因を断定すること、法的な判断を代行することまで含める必要はありません。重大な影響が想定される場合や、専門的な調査・対応が必要な場合は、契約前に適切な専門家へ引き継ぐ条件を書きます。

境界は、提案書の小さな注意書きで終わらせず、範囲定義と結果報告の両方に置きます。「今回の確認対象外」「人による承認が必要」「追加資料が必要」「専門家への相談を推奨」という表現を使い分けると、顧客は安心材料と未確認事項を同時に読めます。できないことを先に言えることが、セキュリティ案件で信頼を守る条件になります。

単価を計算する式を持つ

見積もりは、確認時間、資料を整える時間、報告書を書く時間、打ち合わせ、修正後の再確認を分けて計算します。たとえば「請求額 ＝ 確認時間 × 時間単価 ＋ 報告書作成料 ＋ 改善提案料 ＋ 再確認料」という式を社内の目安にし、案件ごとに対象範囲と責任の重さで調整します。モデルの利用費が発生する場合も、単独の価格ではなく、納品物を作るための費用として説明します。

初回の単価を低くしすぎると、追加質問や再確認で利益が消えます。反対に、確認範囲を広げたまま一式で高くすると、顧客が何に支払うのか判断できません。四つの成果物それぞれに必要な時間と含まれる責任を置き、実績と差分を次回の見積もりへ戻すことが、無理なく価格を上げる方法です。

7日間でサイバーセキュリティ評価の価値を測り次回へ生かす記録方法

公開評価を読んだ直後に大規模なサービスを作るのではなく、まず一つの案件で7日間だけ計測します。目的は、モデルの評判を証明することではなく、確認範囲を決めるときの時間、顧客へ説明するときの材料、手直しを減らす効果を自分の記録で確かめることです。期間の終わりに、続ける作業、狭める作業、専門家へ渡す作業を選べれば、次の提案に使える実績になります。

7日間の計測手順

短期間でも、最初に基準を決めて最後に振り返ると、印象だけで成果を判断せずに済みます。案件の機密情報と顧客の承認範囲を確認したうえで、次の順に記録します。

1. 1日目に目的、対象、脅威、合格条件、確認者を決め、評価前の確認時間を計測する。
2. 2日目に代表ケースを選び、入力資料、期待結果、未確認の条件、実施方法を記録する。
3. 3日目に限定検証を行い、回答、根拠、指摘箇所、誤検知、見逃しの候補を残す。
4. 4日目に人が指摘を判定し、正しい指摘、要確認、誤検知、追加調査の件数を分ける。
5. 5日目に結果報告を作り、修正の優先順位、残るリスク、専門家へ渡す条件を明記する。
6. 6日目に顧客または社内の判断者へ説明し、判断に要した時間と追加質問を記録する。
7. 7日目に検証時間、手直し時間、再利用できる報告項目、次回の範囲と単価を振り返る。

数値を四つの指標で見る

最低限記録したいのは、評価前の確認時間、限定検証にかかった時間、手直し時間、再利用できる報告項目数です。検証時間だけが短くなっても、手直しや説明が増えていれば、案件全体の価値は上がったとは言えません。四つの数字を案件ごとに並べ、何を含む時間なのかを注記します。

加えて、顧客が判断に要した時間、重大な見落としの有無、追加相談の件数も記録すると、単なる作業量から一歩進んだ評価になります。数値が少ない場合でも問題ではありません。大切なのは、最初に決めた合格条件に対して何が変わったか、次回は対象を広げるのか、同じ範囲を深く確認するのかを説明できることです。

継続相談につなげる振り返り

7日間の最後に「モデルが優れていたか」だけを問うと、次の仕事へつながる材料が残りません。顧客の判断は早くなったか、重大な見落としを減らせたか、報告書のどの部分が再利用できたか、追加の確認依頼は何を理由に生まれたかを振り返ります。良かった点だけでなく、確認対象外だった箇所と人の負担も同じように記録します。

次回は、代表ケースを増やす、脅威を絞る、報告書の根拠を厚くする、専門家との確認を先に入れるなど、一つだけ変更します。変更前後の時間と判断を比べれば、単価を上げる根拠も「有名なモデルを使ったから」ではなく、「確認範囲と説明の品質を改善したから」と言えるようになります。公開評価の話題を、再現できる確認と改善の習慣へ変えることが、この記事の結論です。

Claude Mythos 5とAISI評価の確認に使った出典と参照リンク

本文の時事的な事実は、Anthropic公式アカウントによる2026年8月4日付の投稿を起点に確認しました。投稿 URL は https://x.com/AnthropicAI/status/2084748111239344556 です。投稿が伝える評価レポート公開という事実と、元レポートで追加確認が必要な条件を分けるため、編集時点のアカウント差分記録も参照しました。以下の補助リンクは、周辺のモデル比較や開発者向け話題を確認するためのブリーフ記載の参照先であり、AISI評価のスコアや条件の根拠としては扱っていません。

• Anthropic公式アカウントの投稿: https://x.com/AnthropicAI/status/2084748111239344556
• YouTube収集API: https://clauder-navi.com/api/youtube/videos.php?limit=30&sort=newest
• YouTube「ChatGPT対Claude、プログラミング最強は？」: https://www.youtube.com/watch?v=SovZK4r6odI
• YouTube「新型Claude Opus 5、低価格でFable 5に匹敵」: https://www.youtube.com/watch?v=nap0kyhoZm8
• YouTube「Anthropic、新AIモデルOpus 5を公開」: https://www.youtube.com/watch?v=8bNSnRlvQ-4
• YouTube「CodexとClaude Codeが公式連携、開発力向上」: https://www.youtube.com/watch?v=nNjXOmmbVEc
• YouTube「Opus 5、ついに登場」: https://www.youtube.com/watch?v=sXJQwGOBSBs