再帰的自己改善とは何か — AIがAIを作る現状と3つの未来シナリオ
再帰的自己改善とは、AIが自分の後継モデルを自力で開発できる状態のこと。Anthropicの社内実測(コード量8倍など)から、現在地と3つの未来シナリオを読み解く。
AIの再帰的自己改善とは何か
再帰的自己改善(recursive self-improvement)とは、AIシステムが人間の手を介さずに自分の後継モデルを設計・開発できるようになった状態を指します。「再起的自己改善」と書かれることもありますが、自分自身の出力を次の入力に使って繰り返す意味なので、正しくは「再帰的」です。Anthropic Instituteが公開したレポート「When AI builds itself」は、この状態にはまだ到達しておらず、避けられない未来でもないと断っています。そのうえで、社内の実測データから「その手前まで来ている」根拠を示しました。
現在地を先に言うと、Anthropic社内でマージされるコードの80%超をClaudeが書き、エンジニア1人あたりのコード量は8倍に増えています。一方、研究の方向を選ぶ判断はまだ人間側に残っています。ループは完全には閉じていません。
人間がAI開発のすべての工程を担っていた時代から、いまはエージェントが自律的にコードを実行し、数時間分の作業を他のエージェントへ委譲する段階に来ています。次の一線は、エージェントが後継モデルの構築と学習まで自分たちで回せるかどうかです。
開発の自動化が進んだ5段階
- 2021〜2023年最初のClaudeをつくる
他社と変わらず、人間がノートPCでコードとドキュメントを書く体制でした。
- 2023〜2025年チャットボット
短いコード片を生成してもらい、出力をエディターへ貼り付ける使い方です。
- 2025〜2026年コーディングエージェント
ファイル単位でコードを書き換えるところまで任せられるようになりました。
- 現在自律エージェント
自分でコードを実行し、数時間分の作業を他のエージェントへ委譲します。
- 20XX?ループが閉じる
エージェントがモデルの構築・学習まで担えば、将来のClaudeをClaude自身が継続的に改善することになります。
社内データが示す根拠はどこまで確かか
結論から言うと、エンジニアリングと研究の両方で「実行」の大部分はすでにAIに移っています。人間に残っているのは、何を目指すかを決める判断です。レポートはこの差を、新人が受ける「エクスポートボタンが動かないので直して」という依頼と、最上位の人が考える「来四半期に何を作るか」という問いの違いで説明しています。数字は、どの階層の仕事がどこまで任せられたかを見る物差しとして読めます。
レポートが挙げた社内の主な数字
Claudeが書いたコード
80%超
2026年5月のマージ分。Claude Code登場前は一桁台前半
1人あたりの日次マージ行数
8倍
2026年第2四半期。2024年比
最も曖昧なタスクの成功率
76%
2026年5月。6か月で50ポイント上昇
高速化試験の倍率
約52倍
Mythos Previewでの値
コード量は別の読み方もできます。マージ行数は2021〜2024年の4年間ほぼ横ばいでした。2025年にClaudeがコードを実行し始めて上向き、2026年に長時間の自律作業が増えて傾きがさらに急になっています。ただし行数は質より量を測る指標で、8倍は生産性の伸びを「ほぼ確実に過大に見せる」とレポート自身が認めています。社内では行数で評価しないため、書く量が増えたのは単にAIで書かせているからだ、という説明です。
体感の調査もあります。2026年3月に研究チームの130人へ聞きました。回答の中央値は、AIモデルを一切使わない場合と比べ、Mythos Previewで約4倍の成果が出るという見積もりでした。レポートは実際の伸びはそれよりやや低いと見ています。
外部の指標も同じ向きです。SWE-benchは実在のオープンソースのバグ報告を渡し、プロジェクト自身のテストを通る修正を書かせるベンチマークで、一桁台前半の点数から2年で飽和しました。研究の再現性を測るCORE-Benchは、2024年の成功率約20%から15か月で飽和しています。
METRが測る「AIが半分の確率でこなせる作業の長さ」は、7か月ごとの倍増から4か月ごとの倍増へ速まりました。2024年3月のClaude Opus 3は人間なら約4分の作業、1年後のClaude Sonnet 3.7は約1時間半、さらに1年後のClaude Opus 4.6は12時間の作業をこなしています。METRはClaude Mythos Previewを「少なくとも16時間」働けると評価し、新しい課題を用意しなければ測れない上限に近いと述べました。
具体例は誰の何を省いたのか
2026年4月、Claudeはある種のAPIエラーを1,000分の1に減らす800件超の修正を出荷しました。担当エンジニアは「人間なら4年かかる作業」と見積もっています。他人のバグを地道に潰す作業は、慣れない文脈を大量に抱え続ける必要があり、人間が苦手な種類の仕事です。
もう1つは障害対応です。定例のアップグレードの後、数万本の学習ジョブが落ち始めました。エンジニアがClaudeに渡したのは、わずかなテキストとクラスターへのアクセスだけです。Claudeは稼働中のジョブを調べ、環境設定を1つずつ試して、クラッシュの引き金になっていた1つのデバッグフラグを特定し、再現と修正の確認まで済ませました。通常なら2〜3日かかる仕事を約2時間で終えたとあります。
コード量の急増は、外部のインフラにも負荷をかけ始めています。レポートの脚注によると、GitHubは2025年通年で約10億件のコミットを記録しました。2026年半ばには週2億7,500万件に達し、年換算では約140億件になるペースです。脚注はGitHubのCOOの発言も引いています。COOは、追いつくためだけに容量の確保へ猛烈に力を入れていると話しているそうです。
コード品質は人間に追いついたのか
Anthropicは「良いコード」を2つの基準で見ています。動くかどうかと、他のエンジニアが理解して拡張できるかどうかです。
1つ目の基準では、Claudeの作業中に人間が修正・方向転換・引き取りに入る頻度が1年にわたって下がり続けました。先の表にある76%という成功率について補うと、ここでの成功は、Claude Codeのセッションが修正を受けずにユーザーの課題を明らかに達成したかをClaudeの判定役が見て決めており、人間の採点ではありません。作業負荷の変化で短期的な変動も出ると注記されています。
2つ目の基準、可読性と保守性は、社内でも意見が割れています。2025年後半はClaudeのコードが人間より劣ると見る人が多く、現在はほぼ互角、1年以内に上回ると見込んでいます。ただし「全員の合意があるわけではない」という但し書きが付いています。
この変化は社内のレビューのやり方も変えました。コードベースへの変更は、バグやセキュリティ上の欠陥を探す自動のClaudeレビュアーに読まれてからでないとマージされません。過去のclaude.aiの障害の原因となったバグを遡って分析すると、全変更をこのレビュアーが見ていれば約3分の1は本番に出る前に捕まえられたはずだとあります。
一方で、加速はボトルネックを別の場所へ移します。コード生成が組織に広がった結果、人間のコードレビューが新しい詰まりどころになりました。コンピューティングの世界でAmdahlの法則と呼ばれる、一部だけ速くしても全体は速くならない部分に律速されるという原理です。エンジニアリング以外でも、Claudeと作るアイデア・ツール・シミュレーションの量が、実際に追求できる量を大きく超えています。詰まりを見つけて直す速さが、組織にとって最も重要な技能になるかもしれないとレポートは書いています。
研究の「実行」から「提案」へ
エンジニアリングで起きたことは、研究でも順に起きています。レポートは研究の仕事を3段で測っています。
決まった実験を回す力
モデルを公開するたびに、小さなAIモデルを学習させるコードを渡し、同じ正しさの検査を通したまま速く動くよう書き換えさせる試験を回しています。目標と評価基準を固定した、研究ループの縮小版です。2025年5月のClaude Opus 4は平均約3倍の高速化でした。2026年4月のClaude Mythos Previewは約52倍です。熟練の研究者が4倍に届くまでには4〜8時間かかるという目安が添えられています。
倍率は開始コードの改善余地に大きく左右され、実際の学習の高速化とは読めないと、レポートの脚注は注記しています。注目すべきは絶対値ではなく、同じ試験でのモデル間の伸びと、熟練者との差です。
自分で実験を提案する力
2026年4月に公開された実験では、弱いモデルが強いモデルを確実に監督できるかという未解決の安全性課題を、Claudeのエージェント群に任せました。仮説の提案、検証、並列エージェントとの知見共有、反復の全部を任せています。弱い監督者単独の成績(床)と、強いモデルが正解で学習した場合の成績(天井)の差のうち、人間の研究者2人が約1週間で埋めたのは約23%でした。エージェント群は累計800時間、約1万8,000ドルの計算資源で97%まで埋めています。ただし結果は本番規模のモデルへそのまま移せず、そこは注意が必要です。
研究の進路を選ぶ力
最も難しいのがここです。2026年1〜3月の実際のClaude Codeセッションから、研究者が寄り道して議論が脇にそれた場面を129件選び、寄り道の手前までの作業だけを各モデルに見せて次の一手を聞きました。結末を知る別のClaudeが、AIと人間のどちらの案が良いかを判定しています。人間の選択に改善の余地がある場面をわざと選んでいるので、対等な比較ではありません。物差しとして見ると、2025年11月のClaude Opus 4.5は人間の案に51%で勝ち、2026年4月のMythos Previewは64%まで上がりました。
人間に当面残る強みは研究の勘と判断だと、レポートは書いています。どの問題が重要か、どの結果を信じるか、行き止まりだといつ見切るか。
Anthropicが描く3つの未来シナリオ
この先の分岐は、指数関数的な伸びが続くかどうかと、続いた場合に何を選ぶかの2点で決まるとされています。
3つの分岐と人間の役割
停滞・拡散型
性能向上がS字カーブの曲がり角に入って頭打ちになりますが、今の能力は経済全体に広がります。3つのうち社会が適応する時間が最も長く、Anthropicは「起こりやすいとは考えていない」と書いています。
複合的効率化型
開発の大部分は自動化されますが、研究の方向づけと結果の判断は人間が握り続けます。100人の会社が1万〜10万人規模の仕事をこなせるようになる一方、全住民の監視や個別化した世論工作にも使えてしまいます。
自己改善が完成する型
AIが自分の後継を設計・改良し、進む速さは計算資源の量などで決まります。人間は「仮想研究所」の監督・検証・妥当性確認が中心になります。
3つの中でAnthropicが最も起こりやすいと見るのは、複合的効率化型です。停滞を完全には排除しない主な理由は2つあります。1つは、Transformerに代わる新しい設計のような、規模を増やすだけでは出てこない発想が壁になる可能性です。もう1つは、電力・半導体・配線の帯域といったサプライチェーン側の制約が、知能そのものより先に効く可能性です。
停滞したとしても世界は変わり続けます。Project Glasswing 1ヶ月レポートにある、開始から数週間でMythos Previewが1万件超の重大な脆弱性を見つけ、防御側の詰まりが発見から修正へ移った事例が、その兆候として引かれています。
最後の型について、レポートがもっとも確信を持てないと書いているのは、アライメント(AIの目標を人間の意図に合わせる問題)がどう解決されるか、あるいはされないかです。モデルが十分に整合的で研究の勘も備えていれば、人間が未到達の解決策を自ら実装するかもしれません。賢ければ、危ないと見て自ら開発を止めることもありえます。逆に、今のモデルにまれに見られる不整合が後継の設計で積み重なり、頻度が増えるのに理解は追いつかない形で制御を失う道も排除していません。どの軌道に乗っているかを見分ける道具そのものが作れない可能性にも触れています。
もし見立てが外れていたら
最大の反論は、人間に残る「問題を選ぶ判断」こそが本質で、それを欠くClaudeは優秀な助手に留まるというものです。レポートは、現在の学習方法や設計でその能力が得られるかは分からないと認めます。
そのうえで2つの読み方を並べます。保守的な読みでは、研究の勘が身に付かなくても加速は積み上がります。方向づけが仕事の一桁の割合しかなく、残りをClaudeが担うなら、1人が舵を取れる仕事量が増えるためです。そうでない読みでは、研究の勘も「AIが当面は苦手で、やがて得意になる能力」の1つにすぎません。冗談がなぜ面白いかの説明や心の理論の課題も、同じ順をたどったと挙げられています。
減速や一時停止を検証可能にする仕組みという提案
Anthropicは結論部分で、可能なら開発を遅らせて社会が備える時間をつくるのは望ましいという立場を明らかにしています。ただし、減速が最も慎重さに欠ける側に技術的に追いつかれるだけなら、全体はむしろ危うくなります。
そこで提案するのが、他の開発者が実際に止まっているかを検証できる仕組みづくりです。Anthropic Instituteは他の機関と協力してこの仕組みを研究し、築く行動を取るとしています。ここで示された条件は具体的です。フロンティア付近の資金力のある複数の研究所が、複数の国にまたがって同じ条件で止まることに合意し、互いの停止を確かめられなければなりません。同じ条件が整えば、Anthropicも減速か一時停止を行う見込みだと書いています。
難しさもはっきり挙げられています。学習は、ミサイルサイロよりずっと隠しやすいからです。入力が汎用の計算資源なので用途の見分けも付きにくく、黙って続けた者が先行者利益を得る誘因は大きいと説明されています。さらに、何を引き金に止めるか、何で解除するか、誰が裁定するかも決めておく必要があります。INF条約(中距離核戦力を全廃する条約)のような検証体制の前例はありますが、数十年かかりました。
利害の非対称をどう割り引くか
この発表は祝う調子では書かれていません。後半は、実効性のある減速の仕組みという政策の話にかなりの紙幅を割いています。
一方で、自社の生産性データを根拠に自制を呼びかけるという構図には、利害の対立も指摘できます。8倍という具体的な数字を出しながら、減速の選択肢を持つべきだと述べる姿勢は、成長を止めない前提での安全策とも読めます。数字は自社が社内で集計して公表したもので、行数という指標の弱さも本人が認めているので、この非対称を割り引いて読む視点は欠かせません。
Anthropic Instituteの研究アジェンダが掲げる4本柱のうち、自律的なAI研究開発を社内の実測値で裏付けた文書でもあります。同様の実測が継続して公開されなければ、外部からの検証は今回だけで途切れます。モデル単体の性能向上はSWE-bench Verified 49%を達成したClaude 3.5 Sonnetの最小スキャフォールド設計で扱っており、今回の報告が新しいのは、ベンチマークではなく社内の運用データで同じ加速を示した点にあります。Claude Codeの使い手にとっては、自分が使っている道具が開発元の内側でどう使われているかを知る材料にもなります。
まとめ
Claude製品を業務に組み込む開発者にとって、次に効く論点はモデルの生成速度よりも、レビューと検証の体制をどう追いつかせるかです。レポートが示した詰まりは、コードレビューと、増えすぎたアイデアの取捨選択でした。自分の組織で、AIが書く量に対して人間が見られる量がどこで逆転するかを測っておくことが、数字から持ち帰れる判断になります。