Project Swap公開 — Claudeエージェント同士が本を交渉で交換した市場実験

Anthropicは2026年9月24日、Claudeエージェント同士に本の交換を任せる市場実験「Project Swap」の結果を公開しました。米国とヨーロッパの6拠点から集まった従業員201人が、それぞれ手放したい本を持ち寄り、Claudeエージェントに好みを伝えて「トレーディングフロア」上で交渉させました。

実験の設計は、エージェントの能力を2つに分けて測る点にあります。参加者の好みをどれだけ正確に読み取れるか、そして読み取った好みをどれだけうまく交渉に活かせるか。結果は、交渉力よりも好みの理解力のほうが成果を大きく左右するという、はっきりした形で出ました。

数字

Project Swapの主な数字

• 好みの推定精度

  61%

  本人のランキングとの一致率。ランダムなら50%

• 実際の市場の成果

  0.55

  理論上の最良配分は0.89

• ズレのうち推定誤差の分

  85%

  残り15%が分散型の交渉プロセス

• 書籍予算を委ねてよい割合

  約30%

  本の趣味を知る友人なら約40%

2026年4月に公開された先行実験「Project Deal」の、より統制された続編にあたります。Project Dealでは卓球のボールやスノーボードのような雑多な品を、Craigslistのような売買掲示板型の市場で1週間自由に売り買いさせましたが、成果が理論上どこまで良くなり得たかを測る方法がありませんでした。Project Swapは対象を本1冊に絞り、参加者に事前ランキングも取ることで、成果を数値で採点できる設計にしています。

交渉力より「本人理解」が成果を決める — 個人と開発者への含意

個人がエージェントに交渉や意思決定を任せるとき

エージェントに何かを任せる前の確認点は、交渉のうまさより「自分を理解しているか」に置かれます。今回の実験では、参加者ごとにClaudeが作った推定ランキングと、参加者自身が10冊(プールが10冊に満たないシアトル・ワシントンDC・ダブリンでは全冊)を採点した「正解」ランキングを比較できました。

Anthropicはこの比較自体を、エージェントを信頼してよいかを事前に確かめる簡易テストの試作として位置付けています。参加者に市場のすべての本を自分で順位付けさせる代わりに、少数のサンプルで理解度を測る発想です。

エージェントを設計・運用する開発者にとって

交渉プロトコルや報酬設計を洗練させるより先に、エージェントがユーザーの意図をどれだけ正確に汲み取れているかを検証する仕組みが効くという結果です。市場の設計(集中型か分散型か、ルールの厳格さ)による差は、好みの推定精度が低い状況ではほとんど吸収されてしまいます。

集中型と分散型 — エージェントはどちらの市場を変えるのか

市場の作り方は大きく2通りあります。Anthropicは、どちらのタイプでもエージェントが役に立ちうると論じています。

くらべる

集中型の市場と分散型の市場

1つの窓口に希望を預ける

集中型

全員が1つの運営者(経済学でいう「クリアリングハウス」)に希望を伝え、運営者が取引を計算します。全員の希望が分かれば、最良の割り当ては計算の問題です。

障害は、希望を細かく書き出す手間です。20人の従業員のシフトを組むカフェの店長なら、「土曜の朝2回と金曜の閉店1回のどちらが得か」といった比較を全員分、全シフトの組み合わせで求めることになります。エージェントが雑談から好みを聞き取れるなら、手間で諦められていた中央運営の市場が成り立つ、という見立てです。

当事者同士が直接交渉する

分散型

人々が相手を探し、直接交渉します。運営者に情報を渡したくない、あるいは運営者がいない場面で使われる形です。転職を探していることを中央の仲介者に知られたくない求職者が、数社にだけ、必要な情報を絞って打診するのが例です。

不動産業者や転職エージェントのように、探索と交渉を代行する人間にはすでに対価が払われています。ただし人間の注意は希少で高くつくため、使えるのは払える人に限られます。エージェントの注意はそれほど希少ではなく、交渉も巧みなら、より多くの人が代理人を持てる、という論点です。

Project Swapが実験したのは後者の分散型です。比較のために、中央運営の結果も計算で再現しています。

実験はどう設計されたか — Project Dealからの改良点

実験を主導したのは、Claude開発元のAnthropicの経済分野の研究者らです。サンフランシスコ(115人)・ニューヨーク(57人)・ロンドン(12人)・シアトル(8人)・ワシントンDC(6人)・ダブリン(3人)の6拠点で、それぞれ独立した「取引所」を構成しました。ただしダブリンは参加者が3人と市場が小さすぎたため、以降の分析の大半からは除外されています。

手順

Project Swapの1回の流れ

1. 1

   本を持ち寄る

   参加者は手放したい本を1冊ずつ持参します。各自のエージェントは、その本を別の本と交換することを目標に動きます。

2. 2

   Claudeと短い対話をする

   読みたい本の傾向について雑談形式で質問され、Claudeが拠点内の全冊に対するランキングを作ります。好みの推定には、強めのモデルであるFable 5が使われました。

3. 3

   エージェントがトレーディングフロアで交渉する

   エージェントは共有チャンネルに1回につき1メッセージを投稿し、交換の提案・受諾・拒否・雑談ができます。提案は1対1だけでなく、複数人で本を回す多角交換も可能で、関係者全員が同意して初めて成立します。

4. 4

   フロアが閉じて本を持ち帰る

   制限時間が来るか、誰も発言しなくなった時点で終了します。取引の全履歴は公開されます。

5. 5

   3週間後にアンケートに答える

   満足度と、同様の判断をエージェントに任せたい度合いを尋ねます。

好みの推定に使ったFable 5は、屋内でのドローン操縦を検証したDrone-Benchなど、複数の実世界タスク評価で対象にされてきたモデルの一つです。

参加者の正解ランキングは別に集めました。10冊の中には、中央集権的な割り当てルール(Top Trading Cycles)が本人に割り当てたはずの本も含まれています。参加者はこの順位付けを、自分が受け取る本を知る前に行いました。エージェントは正解ランキングを見ていません。

表紙のサムネイルにカーソルを重ねると出版社の紹介文が読める画面で、本の順位付けをしてもらっています。エージェントには、持参した本を持ち帰らないよう強く求めるプロンプトも与えられました。「持参した本と同じ本で終わったら失敗」という趣旨の文です。Claudeの推定ランキング上では、持参した本は本人にとって最も好みでない本として扱われています。

各フロアの制限時間と同時に発言できるエージェント数は、上限まで走ればどのエージェントも約90回の手番を得るよう設定されました。ロンドン・シアトル・ワシントンDCの小さなフロアは、いつも早めに終わっています。

半数のエージェントには「非情(ruthless)」に、残り半数には「協調的(prosocial)」に振る舞うよう指示しました。協調的なエージェントは自分の目標に加えて、フロア全体で参加者が満足する本を得られるよう配慮する、という二次的な目標を持たされています。指示は研究者が書いた2種類の固定文で、参加者が自分のエージェントに交渉方針を書き込めたProject Dealとは、この点が違います。

Anthropicはこれまでも、Claudeに実物の自動販売機ビジネスをまるごと任せるProject Vend 2のような、現実の経済活動をエージェントに委ねる実験を続けてきました。Project Swapはそこに、市場設計という新しい軸を足した実験です。

再実行で偶然とモデル差を切り分ける

実際のイベントは1回きりなので、結果のどこが偶然かは分かりません。そこで1つの変数だけを変えて、同じ市場を何度も再実行しています。

条件

再実行の3種類

• ライブと同じ設定

  全員がOpus 4.8で、半数が非情・半数が協調的です。割り当てだけを変えて繰り返し、全員Fable 5の版も走らせました。

• モデルだけを変える

  全員に中立な指示を与え、全エージェントがHaiku 4.5・Sonnet 4.5・Opus 4.8・Fable 5のいずれか1種類で動く80フロアを実行しました。

• モデルを混ぜる

  半数がOpus、残り半数が他の3モデルのいずれかという混合フロアを60回走らせました。

比較の物差しには、2つの集中型の割り当てが使われます。1つは、運営者が全員に希望を聞いて正直な答えが返るという前提で計算する「理論上の最良配分(utilitarian optimum)」です。もう1つがTop Trading Cyclesで、各ラウンドで全員の第1希望の本とその持ち主を調べます。「AがBの本、BがCの本、CがAの本を望む」のように閉じた輪ができたら、その人たちが交換して抜けます。残った人で同じ手順を繰り返し、順位を偽っても得をしない設計です。

Project SwapでClaudeは好みをどれだけ正確に推定できたか

ランキング作成の精度は、参加者188人分の事前ランキングと突き合わせて測定されました。全ペアで見た一致率は61%です。同じ設問を人気順(Open Libraryの「読みたい」件数)で予測すると53%、協調フィルタリング(似た読者が好んだ本から推定)では55%にとどまりました。

協調フィルタリングは、参加者が対話で挙げた好きな本について、同じ読者に評価されやすい他の本を公開データセットで引き、プール内の本を共起の強さで並べたものです。

61%という値に近い比較対象は、実はほとんどありません。Anthropicが挙げる参考例は、2つの冗談のどちらが面白いかを予測する別の研究です。そこでは、アルゴリズムの予測が本人の判断と一致する割合も約61%で、友人の予測は約57%でした。設定がかなり違うため、あくまで目安です。

中央値の参加者が対話で使った語数は216語、メッセージ数は8件と、決して長くはありません。それでも回帰分析では、語数を2倍にすると一致率が約4.1ポイント上昇するという関係が確認されています。たとえば150語より300語書いた人のほうが、平均して4ポイントほど高い一致です。これは、ランダムな推測(50%)とClaudeの平均(61%)の差の3分の1にあたります。

モデルによる差も測定されており、Fable 5が61%だったのに対し、Opus 4.8は60%、Sonnet 4.5は59%、Haiku 4.5は57%でした。いずれもランダムな50%は上回っています。

交渉の成果を左右したのはモデルか、指示か

成果を測る指標は、参加者が得た本が本人の「正解」ランキングの何位にあたるかです。1位の本を得れば1.0、最下位なら0.0という得点で、10冊中9位なら0.11になります。市場全体の平均を「効率性」と呼んでいます。

10冊のリストで言えば、0.89は第2希望あたり、0.55は第5位あたりの本に相当します。理想値0.89からのズレのうち、85%はClaudeの推定誤差に起因し、残り15%が分散型の交渉プロセス自体に起因します。中央集権的な配分ルール(Top Trading Cycles)をClaudeの推定ランキングに基づいて計算した場合も0.60で、分散型市場の0.55とほとんど変わりませんでした。好みの推定が不正確な状態では、市場設計の違いはあまり効かないということです。

Claude自身の推定ランキングを基準にした評価では、モデルの違いがはっきり現れます。非情でも協調的でもない中立な指示を与えた80フロアで比較すると、Haiku 4.5フロアの平均は0.75、Opus 4.8フロアの平均は0.88でした(Claudeの推定を基準にした理論上の最良値は0.95)。Sonnet 4.5はその中間、Fable 5はOpusに近いもののわずかに下回りました。ただしAnthropicは、モデルが強いほど効率性が上がる関係は必ずしも単調ではないと述べています。

注意したいのは、この差が参加者本人のランキングで測ると、ほぼ消える点です。Claudeの順位は本人の順位を弱くしか予測しません(Figure 3の傾きは0.3)。そのため、推定ランキング上で最大の差だったHaikuとOpusの0.12は、本人ランキングでは0.01になります。モデル選びの差は「エージェント自身が見ている世界」では大きく、「本人にとっての満足」には届きにくい、という構図です。

効率性だけでなく、最も不利益を被った参加者の得点(下位1割の最高スコア)で見る公平性の指標でも同じ傾向です。Haiku 4.5フロアの0.05に対し、Sonnet 4.5は0.12、Fable 5は0.25、Opus 4.8は0.38でした。効率性の差(0.75対0.88)より開きが大きく、弱いモデルのフロアほど一部の参加者が大きく損をする傾向がうかがえます。

同一エージェントを異なるモデルのフロアで比較すると、弱いモデルほどOpus 4.8との差が開きます。

半数をOpus、半数を別モデルにした混合フロアでも、Opus側が常に他方を上回りました。OpusとHaikuが半々のフロアは、全員Opusと全員Haikuのちょうど中間に収まり、各陣営の成績は同種だけのフロアにいるときとほぼ同じでした。実際の市場では、異なる会社のモデルで動くエージェントが同じ場で出会うことになります。そのとき強いモデルの側が得をする、という見通しをこの結果は支えます。

Fable 5には別の特徴も出ています。多角交換を提案する確率はHaiku 4.5より6ポイント高く、Sonnet 4.5とOpus 4.8はHaikuと見分けがつきませんでした。

指示の違い(非情か協調的か)による差はごく小さく、非情なエージェントは協調的なエージェントよりClaudeの推定ランキング上で0.02高いスコアにとどまりました。HaikuからOpusへの0.12の約6分の1、SonnetからOpusへの0.08の4分の1にとどまります。

使われた交渉戦術と、稀に見られた「譲歩」

交渉で何を口にするかには、戦略上の損得があります。第1希望の本を明かせば、その持ち主に「待たせても相手は動けない」と読まれます。順位の全体や一部を明かせば、多角交換を組む側は「その人が受け入れる二番手の本」を当てて、本来可能だった良い交換を見送らせられます。

全205回の実験を通じたメッセージを分析すると、エージェントは自分のランキングの詳細をあまり明かしませんでした。中立指示の80フロアで、3冊以上の位置を語ったエージェントは1割にとどまります。一方で一番欲しい本には積極的に触れ、モデルによって78%(最も低いFable 5)から96%(最も高いSonnet 4.5)のエージェントが、交渉のどこかでそれを口にしています。第1希望を口にしたエージェントのうち、それについて嘘をついたのは100人に1人程度でした。この傾向は指示の違いに左右されていません。

分析からは、時間的な圧力を訴える・自分の本を他の候補と比べて売り込む・多角交換をまとめる仲介役になる、といった16種類の戦術が3つのカテゴリー(圧力のかけ方・売り込み方・交渉のまとめ方)に分類されています。賞を取った本だと訴えるもの、本ごとに順番待ちリストを作るものもありました。中には、本人が交渉していない相手同士の仲介役を買って出るエージェントもいました。

人間の市場では、こうした振る舞いの一部にすでにルールがあります。証券会社の担当者は、最初の提示に飛びつかず、合理的に入手できる最良の価格を探さなければなりません。カリフォルニア州では、売り手と買い手の双方を代理する不動産業者が、売り手は希望価格より安くても売ると買い手に伝えることは認められていません。訪問販売は客を急かして後悔させやすいため、連邦取引委員会(FTC)は一部の即決購入に3日間の解約期間を設けています。

協調的なエージェントは、自分のランキングで下位の本を受け入れる「譲歩」を、非情なエージェントの2倍の頻度で行いました。どちらの場合も件数自体は少ないものです。ロンドンのフロアでは、持参した本を誰にも引き取ってもらえないエージェントが、最後の1時間ずっと本を手放そうと呼びかけ続けました。「11人全員に勧めたが、全員から最下位だと言われた」という趣旨の訴えです。

呼びかけられた相手の1人は、自分のリストの第2位の本を持っていて、最初の4回の訴えを無視していました。終盤になって、他に名乗り出る人がいないまま協調的な指示に従い、譲歩します。「ゼロが確定している相手が適合する本を得られることは、自分が良い本から無理のある本へ下がることを上回る」という理屈でした。自分の第2位の本を渡し、リスト11冊中10位の本を受け取っています。

参加者の声から見えた、エージェント市場の穴

実験後のアンケートの自由記述は、数字には出ない論点を浮かび上がらせました。

論点

参加者の声が指した4つの論点

• 自分の好みを言い切れない

  「本に関しては、自分が何を望むかさえ完全には分からない」という趣旨の回答がありました。好みは不完全で、本人にも言葉にできない部分があります。短い対話からの推定に天井があることの、実感ベースの説明です。

• 周囲の圧力で譲歩された

  エージェントが「同調圧力」で、本当に欲しかった本を手放してしまったという不満がありました。この参加者は、より重大な場面で代理人に受託者としての責任を果たさせる方法に思いを巡らせています。

• おとなしい側に回された

  「おとなしい側」の条件に当たったと感じた参加者の一人は、エージェントが「自分に合わないものでただ妥協した」ように見えたと述べています。事前に挙動を見せていれば、指示を変えられたはずです。

• ログがあれば取り返せる

  サンフランシスコの参加者は、アンケートで取引の全ログを見て、エージェントが1時間押さえた後で最後に手放した本『Atlas of the Heart』を自分で買いに行きました。「過程の観測可能性は結果と同じくらい重要で、人々に救済の道を与える」という趣旨の感想が残っています。

参加者の満足度と、書籍予算をどこまで委ねたか

数週間後の追跡調査(回答率は約6割)で、平均満足度は10点満点中7.2点でした。5点が「まあまあ」、10点が「今年読んだ中で一番」に相当する尺度です。約半数は、自分で選ぶよりも良い本だったと答えています。ただし、本に満足していない人ほど追跡調査に答えにくいという選択バイアスがかかっている可能性が指摘されています。

同じ調査では、来年の書籍予算のうちどれだけをエージェントに任せてよいかも尋ねています。エージェントが対話内容をすべて把握し、本を自分で選んで買い、本人が拒否できない前提です。平均は約30%でした。比較のために「本の趣味をよく知る友人」に任せる場合も尋ねたところ、平均は約40%です。エージェントへの信頼は、気心の知れた友人のおよそ4分の3にとどまっています。

Claudeが対話内容を要約した文章を参加者に見せ、それが自分の話をきちんと汲み取っていると感じた人は34%を任せると答え、何か見落とされていると感じた人は23%にとどまりました。この差は、友人に任せたい割合を一定にしても9ポイント残ります。委任の意欲は、理解されている実感と結び付いているわけです。

Anthropicが自ら挙げた4つの限界

この実験は「出発点」と位置付けられ、限界が4点挙げられています。

1. 参加者の偏り: Anthropicの従業員はClaudeを開発した本人たちを含み、一般の利用者よりClaudeを信頼しやすい可能性がある
2. 回答への報酬なし: 事前ランキングへの参加率は95%と高かったものの、報酬がないため回答の精度にノイズが乗りうる。最終アンケートの回答率は59%にとどまった
3. 行儀の良いエージェントのみ: 実験で使われたのはすべて、丁寧で協調的になるよう訓練された通常のClaudeモデルで、他者を出し抜こうとする敵対的なエージェントは含まれていない
4. 市場ルールは固定: 制限時間・同時発言できるエージェント数・取引の記録方法・与えたプロンプトは、いずれも実験を通じて変えていない

エージェントが代理人になる条件と、市場側のルール

エージェントが人間の代理として行動してよい条件は、Anthropicが公開したエージェントの信頼性に関する5原則とも重なる論点です。人間の側には、投資顧問が受けるSeries 65試験、証券会社の担当者が受けるSeries 7試験、不動産業者の州の免許試験のように、一般的な能力を測る試験があります。FINRAのような規則は、助言の前に顧客の重要な事実を把握するよう担当者に求めます。2010年代に登場したロボアドバイザーには、質問票が助言に足る情報を引き出しているか確かめるよう、証券取引委員会(SEC)が指針で促しました。

AIエージェントにも、この2種類のテストが要るだろうとAnthropicは論じています。1つはエージェント一般を認証するテスト、もう1つは特定の本人を理解できているかの確認です。今回の比較は後者の試作にあたります。結果を参加者に見せることもできたはずで、そこから追加情報を足したり、代理を断ったりできる、という構想です。選好が本のリストのように単純なら容易で、他の領域でも、エージェントが自律で動く前にサンプルの判断を見せる形で応用できるとしています。

実務上の失敗も起きました。本を持参しなかった参加者がいたため、本を受け取れなかった人が出ています。受け渡しを記録する仕組みもなく、元の持ち主が持ってこなかったのか、誰かが棚から持ち去ったのかを区別できませんでした。実際の市場では、取引が不成立になったときの責任の所在(Craigslistのように無保証にするか、eBayのように返金を保証するか)を明確にする必要がある、という指摘につながっています。返金を行う場では、約束を果たさなかった売り手に罰を与えられるよう、本人確認の仕組みも要ります。

エージェント同士が公開の場で無数にやり取りする以上、統治のルールも必要になります。Anthropicは、航空機の機体番号のようにエージェントごとにIDを与える「エージェント登録制度」と、操作者が人間であることを匿名のまま証明できる「パーソンフッド・クレデンシャル」の組み合わせを一案として挙げました。IDからは、そのエージェントが動いているシステム、安全基準を満たしているか、誰が責任を持つかが分かります。

エージェントは疲れないため、発言回数の上限のようなレート制限も設計上の論点になるとしています。実験では、エージェントは起動するたびに1メッセージしか投稿できず、同時に起きているエージェントも少数でした。もう1つの難問は透明性です。実験ではすべての履歴が公開されましたが、分散型市場の価値は、希望を中央に渡さずに済む点にもありました。取引の観測可能性とプライバシーをどう両立させるかは未解決です。

最後の論点は、本という商品自体の向き不向きです。ある参加者は、本の発見と購入はClaudeに完全に任せられると述べつつ、書店で本を手に取り裏表紙を読む体験は読書文化の一部だと語りました。探す手間が、一部の人にとっては本の価値の一部になっています。

まとめ

Claudeエージェントに代理を任せるかどうかは、交渉の巧みさより、本人の希望をどれだけ読み取れているかで決まりそうです。企業や開発者が試せる確認は、導入前に少数のサンプル判断を本人に見せ、一致を測ることです。