Claude Fable 5をCTOの視点で評価する——ベンチマークの裏側にあるコスト・安全性・組織への影響
Yuuki Tanaka
CTO
株式会社STAR UPでCTOを務めております、田中です。
今回はAnthropicのClaude Fable 5について、エンジニアとしての技術的な視点と組織・経営の視点の両面から、私なりの考察をまとめてみたいと思います。
2026年6月9日、AnthropicがClaude Fable 5をリリースしました。
「数日間にわたって自律的に稼働できるAI」という触れ込みで、SWE-Bench Proで80.3%、Artificial Analysisの総合知能指数で154モデル中1位。
ただ、私がCTOとしてこのモデルを実際の開発体制にどう組み込むかを考えると、見出しの数字だけでは判断できないことが多く存在しています。
STAR UPではここ半年ほどで、プロダクト開発と受託案件の両方で規模が大きくなってきました。
チームの扱うコードベースが増え、AIコーディングツールへの依存度も上がっています。
正直なところ、Claude CodeやCodex等のツールなしで今の開発スピードを維持するのは難しいと思っています。
だからこそ、新しいモデルが出るたびに「本当に切り替えるべきか」を真剣に評価する必要があります。
ベンチマークを見ていくと、Fable 5は「高性能だが万能ではない」という、実務上かなり使い分けが必要な立ち位置にいることがわかってきました。
この記事では、公開されているベンチマークデータと第三者の検証結果をもとに、Fable 5が開発現場と社会にどんな影響を与えるのか、私なりの見方を整理してみます。
まず、数字を正しく見てみる
Fable 5のスペックを簡単に整理します。
コンテキストウィンドウは100万トークン、最大出力は128Kトークン。料金は入力$10/MTok、出力$50/MTokで、1つ下のOpus 4.8（$5/$25）のちょうど2倍です。
Adaptive Thinking（拡張思考）が常時ONになっていて、これはオフにできません。詳しくはAnthropicの公式ドキュメントをご確認ください。
ベンチマーク結果は以下になります。
SWE-Bench Proで80.3%というのは、GPT-5.5の58.6%と比べて20ポイント以上の差があります。
FrontierCode Diamondに至っては5倍です。
この差は、仮にAnthropicの自己報告値に多少のバイアスがあったとしても、ひっくり返るような数字ではありません。
ただし、SWE-Bench Proは各社が独自のスキャフォールディング（テスト実行環境やツール呼び出しの仕組み）を使って測定しています。
つまり、完全に同じ条件での比較ではないということです。
Epoch AIによる独立検証が進行中ですが、2026年6月時点ではまだ結果が出ていません。
安全性フィルターという見えないコスト
今回ベンチマークデータを調べていて驚いたことは、性能の高さではなく安全性フィルターの影響の大きさでした。
Fable 5には、サイバーセキュリティ、生物学、化学、AIモデルの蒸留に関連するプロンプトを検出してブロックする安全性分類器（Safety Classifier）が搭載されています。
Anthropicのブログでもこの仕組みについて触れられていますが、問題はその影響範囲が想像以上に広いことです。
DeepLearning.AIの報告によると、Vals AIが実施したGPQA Diamond（大学院レベルの科学問題）の検証では、フォールバック込みで93.18%だったスコアが、拒否を不正解としてカウントすると55.56%まで下がります。
生物学とサイバーセキュリティの質問に対してはほぼ100%が拒否されたと報告されています。
Agents' Last Exam（UC Berkeleyが実施したエージェント評価）では、約35%のタスクが安全性フィルターに引っかかり、フォールバックとして下位モデルのOpus 4.8にルーティングされるか、完全に拒否されました。
結果、Fable 5は22.0%で3位。GPT-5.5/Codexの24.0%に負けています。
この結果をどう解釈するかは立場によって変わるとは思います。
「Anthropicは安全性を最優先にしている、だから信頼できる」という見方もあれば、「正当なセキュリティ研究や生物学の質問まで巻き込まれている」という見方もあります。
ただ、開発現場にとって重要なのは評価ではなく実害です。
以下のグラフは、Anthropicが公開しているOffensive Cyber Evaluationsの結果です。Fable 5（オレンジ）は4つのサイバーセキュリティ評価すべてで0.0%を記録しており、安全性フィルターがこの領域を完全にブロックしていることが視覚的にわかります。
自社でセキュリティ関連の開発をしている場合、脆弱性の分析、ペネトレーションテストのスクリプト作成、セキュリティポリシーの実装テストといったタスクでFable 5を使おうとしても、高い確率でブロックされます。
これは導入前に把握しておくべき制約です。
複数モデルを併用することの重要性
ここまでの話をまとめると、Fable 5はコーディング能力では群を抜いている一方、エージェント的なタスクではGPT-5.5に負け、安全性フィルターのせいで特定領域がまるごと使えないという状況です。
この事実が示しているのは、もう単一のモデルに全振りする戦略は成り立たないということだと思います。
私自身、社内の開発基盤を設計するときに考えているのは、タスクの性質によってモデルを切り替える仕組みです。
コーディングの重いタスクにはFable 5を当てて、エージェント的に長時間動かすものは別の選択肢を検討する。
コスト重視の定型タスクには、Opus 4.6やHaiku 4.5を使う。
そして、モデルが突然使えなくなっても業務が止まらないよう、API層で抽象化しておくことです。
実際、Fable 5はリリースからわずか3日後の6月12日に、米国政府の輸出管理指令によって全ユーザーへのアクセスが停止されました。
約6日後の6月18日頃に国籍ベースのアクセス制御付きで部分的に復旧しましたが、復旧後はOpus 4.8へのフォールバック頻度が停止前より増加しているとの開発者報告もあります。
特定のモデルへの依存がそのまま事業リスクになる、という教科書のような事例が早速出てしまいました。
「モデルが使える」ことと「以前と同じ性能で使える」ことは別の話です。
Fable 5のコストについて
Fable 5を導入検討するとき、料金表の単価だけ見て「Opus 4.8の2倍か」と思うのは危険です。
Fable 5はOpus 4.7世代で導入された新しいトークナイザーを使っています。
公式料金ページには「同じテキストで最大35%多くのトークンを消費する可能性がある」と明記されています（モデル概要では"roughly 30%"という表記もあり、公式ドキュメント間で幅があります）。
つまり、単価が2倍になっただけでなく、同じ処理でもトークン消費量自体が最大35%増えるということです。
以下のグラフは、FrontierCodeベンチマークにおけるAccuracy vs Costの関係です。Fable 5（オレンジ）はeffortレベルを上げるほど精度が急上昇する一方、1タスクあたりのコストも$5〜$20まで跳ね上がっていることがわかります。
1タスクあたり入力10万トークン＋出力5万トークンと仮定すると、1タスク約$3.50。1日50タスク回すと$175で、月額にすると約$3,850（約60万円）です。
日本のジュニアエンジニア1人分の人件費（社会保険込みで50〜70万円）とほぼ同水準になります。
ただ、これを「エンジニアの代わりにAIを使えばコスト削減になる」と単純に読むのは問題を起こす可能性が高いと思っています。
AIの出力をレビューする人間のコスト、プロンプトの設計と品質管理のコスト、安全性フィルターに引っかかったときの手戻りコスト、そもそもAIが対応できない要件定義やアーキテクチャ判断のコストは依然として必要です。
現実的には、AI活用によるコスト効果は「同じ人数で2〜3倍のアウトプットを出す」方向で考えるほうが合理的だと感じています。
コスト削減ではなくスループットの拡大として捉えるほうが、チームの設計としても健全です。
開発チームの構造は変わるのか
Fable 5を含めた昨今のLLMの進化のたびに、どうしても「ジュニアエンジニアの仕事がなくなるのでは」という議論になると思います。
SWE-Bench Pro 80.3%などのベンチマークを見ても、そう考えるのも自然です。
ただ、私はもう少し違う見方をしています。
なくなるのは「ジュニアの仕事」ではなく、「ジュニアの育成パス」のほうだと思います。
これまでジュニアエンジニアは、大量のコードを書くことで成長してきました。
誰しも、バグを踏み、レビューで指摘を受け、設計の意図を理解していく時期があると思います。
そのプロセスの「大量にコードを書く」部分をAIが担うようになると、育成の入口が変わります。
AIが生成したコードを読んで問題点を指摘できるか。
設計判断がビジネス要件に合っているかを評価できるか。
そういうスキルを、キャリアの初期段階から身につけてもらう必要が出てきます。
実際、弊社でも最近、新しく入ったメンバーのタスクとして、機能の実装ではなくAIが生成したPRのレビューを積極的にお願いしています。
コードを書く前にコードを読む力を鍛える、という順序の入れ替えです。
まだ試行錯誤の段階ですが、思ったより機能していて、レビューの中で設計意図やビジネス要件との整合を問う会話が自然に生まれています。
これはチームリードや採用の仕方にも影響する話で、開発規模が大きくなるほど、こうした育成パスの再設計を後回しにできなくなっていると感じています。
安全性とAI規制
Fable 5の安全性フィルター問題が社会的に何を意味するかも考えておきたいと思います。
Fable 5の安全性分類器は、ある種の予防原則を体現しています。
サイバー攻撃や生物兵器に転用されうる知識の拡散を防ぐために、ベンチマークスコアの低下という目に見えるコストを払っている。
Anthropicは公式ブログでも、フォールバック先としてOpus 4.8を用意していることを認めています。
一方で、DeepLearning.AI（Andrew Ng氏）の記事は、この過剰なフィルタリングが正当なユースケースまで巻き込んでいる問題を指摘しています。
Vals AI、Artificial Analysis、UC Berkeleyの3つの独立した評価チームがそれぞれ異なるベンチマークでフィルターの影響を確認しており、これは一社だけの見解ではありません。
ここに6月12日の米国の輸出管理指令が重なります。
前述の通り、Fable 5は全ユーザー停止→国籍制御付きで部分復旧→復旧後のフォールバック強化、という経過をたどりました。
これは米国がAIフロンティアモデルに輸出管理権限を行使した初の事例であり、国家レベルの規制がAIモデルの可用性を直接左右する前例ができたことを意味します。
「どのモデルを使えるか」がもはや純粋な技術選定の問題ではなくなりました。
グローバルに事業を展開する企業は、モデルの性能だけでなく地政学的リスクも考慮に入れる必要があります。
もう1つ、あまり語られていない論点があります。
Fable 5の料金体系を見ると、Haiku 4.5の$1/$5からFable 5の$10/$50まで10倍の差があります。
最高性能のモデルにアクセスできるかどうかが資金力に左右される構造は、長期的には技術格差の固定化につながる可能性があります。
大手企業がFable 5で開発速度を加速する一方、中小企業や個人開発者がHaikuレベルで戦い続けるという構図は、エコシステム全体の健全性を考えると楽観できません。
Adaptive Thinking常時ONについて
技術的な細かい話ですが、実務で地味に効いてくるのがAdaptive Thinkingの常時ON仕様です。
Fable 5では拡張思考が常に有効になっており、オフにはできません。
複雑な推論タスクでは恩恵を受けますが、単純なコード補完やフォーマット変換のような処理でも思考トークンが消費されます。つまりレイテンシとコストの両方が上がります。
これは開発ワークフローの設計に影響します。
タスクの難易度に応じてモデルを使い分ける仕組みが前提になるということです。全部Fable 5に投げれば質は高いかもしれませんが、コストとレスポンス速度のバランスを考えると、単純なタスクにはSonnet 4.6やHaiku 4.5のほうが合理的です。
開発基盤側でルーティングロジックを持つか、開発者にモデル選択の判断を委ねるか。
このあたりの設計判断は、チームの規模や開発文化によって変わってくると思います。
結局、どう判断すべきか
最後に、私自身の現時点での判断をまとめておきます。
Fable 5は導入する価値があります。
コーディング能力において現時点で最も高い性能を持つモデルであり、Artificial Analysisの総合知能指数でも1位です。これを使わない理由はありません。
ただし、先ほど挙げた理由から、全面的に依存するのは危険です。
当面は、限定的なプロジェクトでパイロット導入して効果を測定しつつ、マルチモデル前提の基盤設計を進めるのが妥当な線だと考えています。
今後注目しているのは、Epoch AIによるSWE-Bench Proの独立検証結果と、Anthropicが安全性フィルターをどう調整していくかの2点です。
前者はFable 5の実力の答え合わせになりますし、後者は実用性に直結します。
その先にある制約やトレードオフまで見た上で、自分たちの開発体制にどうフィットさせるか。
それを考え続けるのが、今の私の仕事の1つなのだと思っています。
参考文献
- Anthropic — Claude Fable 5製品ページ
- Anthropic — Claude Fable 5 & Mythos 5発表ブログ
- Anthropic — モデル概要ドキュメント
- Anthropic — 料金ページ
- Artificial Analysis — Claude Fable 5評価
- VentureBeat — GPT-5.5がAgents' Last ExamでFable 5に勝利
- DeepLearning.AI (The Batch) — Claudeのベンチマーク問題
- Weights & Biases — Claude Fable 5ベンチマークスコア集
- Vellum — Fable 5 & Mythos 5ベンチマーク解説
- DataCamp — Claude Fable 5 vs GPT-5.5比較
- Anthropic — Fable 5 & Mythos 5アクセス停止に関する声明
- Tech Jacks Solutions — Fable 5の国籍制御付き復旧とフォールバック強化