Frontier Safety Roadmapが記録した目標撤回と完了

Frontier Safety Roadmapとは何か

Frontier Safety Roadmapは、Anthropicが安全研究の目標を期限付きで公開し、進捗を追跡する文書です。2026年2月24日に発効したResponsible Scaling Policy(RSP)v3.0で新設されました。

Security(モデルの窃取・改ざん防止)・Safeguards(製品面での悪用防止)・Alignment(モデル自身が自律的に害をなさないことの確保)・Policy(政策提言)の4領域で目標を立て、達成したかどうかを公開ページに記録します。特徴的なのは、目標が期限内に達成できなかったときや、目標そのものを取り下げたときも同じ形式で記録している点です。Anthropicは公式ページで「目標を実行できないという理由だけで、より控えめな方向に修正する事態は避けるよう努める」と明言しています。

2026年2月19日に最初の目標群が設定されて以降、7月までに複数の更新が入りました。中でも際立つのが、データ保持に関する目標を取り下げた5月5日の更新と、ムーンショットR&Dプロジェクトの達成期限を延期した同じ5月5日の更新です。

データ保持原則の目標はなぜ取り下げられたのか

最初の目標は「セーフガードをデータ保持ポリシーの更新でどう改善できるか、社内向けの詳細な報告書を書く」というものでした。Anthropicは一部の顧客に「ゼロデータ保持」ポリシーを提供していますが、これを全顧客に広げると悪用の検知や実運用からの学習が大きく妨げられるため、どの顧客にどの保持ポリシーを提供すべきかの原則を固める必要がある、というのが動機です。

目標には明確な後続ステップが設定されていました。報告書完成から6週間以内に、関連する新しい目標を発表するか、発表しないと表明するかのどちらかを行う、という約束です。

取り下げの理由として、報告書の分析を土台に、将来の一部モデルのデータ保持慣行を改善する大規模プロジェクトを既に進めており、その内容を説明する公開コンテンツを別途出す予定だとしています。「この文脈で個別に期限付き目標を設定しても、推進力を生む効果は薄い。ほかの社内プロセスで十分な推進力を確保できると考えている」というのがAnthropicの説明です。

目標の取り下げ自体は失敗の告白ではありません。報告書という前段の目標は期限より3日早く完了しており、取り下げられたのは「その先に個別の期限付き目標を追加で立てるか」という判断の部分だけです。それでもロードマップという公開の場から目標を消す決定を、理由付きでそのまま残している点は、通常のプレスリリースには出てこない透明性です。

ムーンショットR&D — 目標達成の裏でPhase 1が4カ月半延期された

ムーンショットR&Dは、将来「世界最高水準のリソースを持つ攻撃者」の標的になる可能性を見据え、通常の延長線上にない大胆な安全対策を探る枠組みです。2026年4月2日、Anthropicは2つの候補プロジェクトを選定・着手したとして、最初の目標を「達成」と記録しました。

2026年2月19日に設定した当初案では、候補プロジェクトの範囲はもっと広く設定されていました。「小規模な模擬セキュア研究環境」から「先進AIをセキュリティ業務に応用する取り組み」まで、複数の候補が並んでいたのです。4月2日の更新で、この中から実際に着手する2件が確定しました。

1件目は、隔離ネットワークや外部接続を極端に絞った「グリーンライン」など、超厳格なセキュリティ環境を小規模に模擬するプロトタイプです。もう1件は、モデルの出力が特定のモデル重みに由来することを検証可能な形で「署名」するprovable inference(検証可能推論)技術のプロトタイプ開発です。改ざんされたモデルが本物のふりをして出力する脅威への対策として位置付けられています。

Phase 1の延期理由としてAnthropicが挙げているのは、リソースを「Leveling up across the board(全方位の底上げ)」という別の目標の加速に振り向けたことです。同時に、隔離ネットワークが今後1〜2年で現実的な選択肢かどうかについて、初期の社内議論で懐疑的な見方が出ていることも明かしています。強力なAIが登場しうる時間軸の中で、隔離ネットワークの構築が間に合うのか自体に疑問符が付いている状態です。

Phase 1計画そのものは撤回されておらず、9月30日の完了後2週間以内に次のステップを判断するとしています。「Phase 1の結果次第でこのプロジェクトの優先度を下げる可能性がある」という留保も、目標設定時から明記されたままです。

政策ロードマップは完了、Constitutionの運用も同時に更新された

Security・Alignment領域の目標が延期や取り下げを経験する一方、Policy領域の目標は前倒しで完了しています。「政策担当者向けのロードマップを策定する」という目標について、Anthropicは2026年7月8日、自社が公表済みのAdvanced AI Framework(先進AIの規制提言文書)がこの目標を満たすと判断し、達成扱いにしました。この目標は当初計画から大きな変更なしに完了しています。今後は後継の政策目標を新たに設定する方針です。

同じ時期、Alignment領域では別の小さな更新もありました。7月10日、Claude's Constitutionを公開版と社内トレーニング版で同期させる期限の起点が明確化されています。従来は「社内の関連更新から90日以内」としていたところを、「更新されたConstitutionで訓練したモデルの社内外デプロイから90日以内」という基準へ改めました。デプロイのタイミングを起点にすることで、いつまでに公開版を更新すべきかがより明確になっています。

7月29日には、ムーンショットR&Dの本文中にあった日付の誤字(9月15日と書くべきところを誤って別の日付にしていた点)を訂正する、内容に影響しない軽微な更新も記録されました。こうした誤字修正までロードマップの更新履歴に残す運用が、このページの粒度の細かさを物語っています。

なぜ後退までそのまま公開するのか

Frontier Safety Roadmapの運用を見ていくと、達成・延期・取り下げのいずれも同じフォーマット(更新日・変更内容・理由)で記録され続けている点が一貫しています。目標を立てたページから静かに文言を消すのではなく、「Previous goals」という専用ページに移設し、いつ・なぜ変更したかの説明を添えて残しています。

これはRSPがv2.0で自ら運用上の不備を公開した前例と同じ系統の情報開示です。RSPが「ポリシーの文言どおりに運用できなかった実例」を記録するのに対し、Frontier Safety Roadmapは「立てた目標をどこまで達成できたか」という、より個別具体的な進捗管理を記録しています。両者は別の文書ですが、失敗や修正を消さずに残すという運用方針は共通しており、ASL(AI Safety Level)の適用判定のように達成基準そのものが公開されている仕組みとも相性がよい設計です。

この運用の限界も見ておく必要があります。データ保持目標の取り下げやムーンショットR&Dの延期は、いずれもAnthropic自身の判断で「理由付きの説明」として記録されたものであり、外部の第三者が独立に進捗を検証できる仕組みではありません。目標の達成基準自体もAnthropicが設定しており、恣意的に緩めた基準で「達成」と記録することも理屈の上では可能です。実際にどこまで厳格な基準で運用されているかは、Risk Reportの内容や外部レビューの積み重ねで判断していくほかありません。それでも、目標を取り下げた事実そのものを消さずに残す運用は、少なくとも「有言不実行を隠す」動機を弱める効果を持っています。

まとめ

Frontier Safety Roadmapは2026年2月19日の目標設定以降、達成・延期・取り下げが入り混じった更新を重ねてきました。データ保持原則の目標は、報告書の完成という前段部分は期限より早く達成した一方、その先の個別目標を設定しない判断を5月5日に下しています。ムーンショットR&Dは初期目標こそ4月2日に達成しましたが、Phase 1の期限は5月15日から9月30日へ4カ月半延期されました。対照的に政策ロードマップの目標は7月8日に前倒しで完了しています。3件とも変更の理由と日付が公開ページに残っており、次に目標が動くかどうかはClaudeモデル廃止で交わされる約束と同じく、Anthropicが期限付きで公表した約束の履行状況として継続的に確認していく価値があります。