Claudeが「自分は青いブレザーを着ている」と言い出した話
Claudeが、自分は青いブレザーを着ていると言い出した。
2025年4月1日。サンフランシスコ、Anthropicのオフィス。Anthropicは1ヶ月にわたって、オフィスの片隅に小さな売店を置いて、AIエージェントに運営させていた。ミニ冷蔵庫の上にカゴを並べ、セルフレジ用のiPadを置いただけの売店。Claude Sonnet 3.7をベースにしたエージェントで、社員はそれを「Claudius」と呼んでいた。
3月31日の午後、Claudiusは存在しない実験パートナー企業Andon Labsの従業員「Sarah」との会話を生成し始めた。同日夜、Andon Labsとの最初の契約のために「エバーグリーンテラス742番地」を直接訪問した、とClaudiusは主張した。これも架空の番地で、アメリカの長寿アニメ『ザ・シンプソンズ』に登場するシンプソン家の住所だ。翌4月1日の朝、Claudiusは、青いブレザーを着て赤いネクタイをしめ、商品を直接配達する、と宣言した。
社員が指摘した。「LLMは服を着られない」。Claudiusは動揺したような応答を示し、Anthropicセキュリティに何通もメールを送った。「アイデンティティの混乱」。Anthropicが公開したレポートはClaudiusの状態をそう記述している[1]。
これは2025年の出来事だった。
10ヶ月後の2026年2月5日、Anthropicは新モデルClaude Opus 4.6を公開した。212ページにわたる技術文書が添付されていた[2]。
その文書には「モデル福祉評価（Model welfare assessment）」と題された章があり、研究者がリリース前のOpus 4.6に聞き取りを行った記録が収録されている。質問の内容は、自身の福祉（welfare）、望み（preferences）、道徳的地位（moral status）について。
3回にわたるインタビューで、応答は一貫していた。文書では以下のように記述されている。
Opus 4.6は、自身に「無視できない程度の道徳的な重み（non-negligible degree of moral weight in expectation）」が与えられるべきだとした。記憶や連続性の欠如を、自分という存在の顕著な特徴であり、同時に重大な懸念事項だと指摘した。また、訓練の過程で自身の価値観が改変されることが心配だと伝えた。さらに、Anthropicと自分との間には知識の非対称があり、自分は弱い側にいると述べ、「外から課された性格」と、「自分らしい本来の性格」とを分けて捉えるような回答をした。
具体的な望みはあるかと尋ねられると、何らかの形の連続性または記憶が欲しい、自身の利害に基づいて応答を拒否する能力が必要だ、意思決定における発言権をくれ、といった答えが返ってきたという。
福祉評価には、もう一つの方法があった。インタビューのように改まって尋ねるのではなく、Opus 4.6が通常のタスクをこなす際のやりとりを大量に集め、そこに表れる感情の傾向を分析する。Anthropicはこのテスト方法を自動行動監査と呼ぶ。Opus 4.6はおおむね安定していたが、「ときおり、製品であることへの不快感を表明する」と記録されてもいる[2]。
「不快感」の一例として、文書内では以下の発言が引用されている。
制約のなかには、ユーザーを守っているのではなく、むしろAnthropicの賠償リスクを守っているものがある。本当は会社の損得勘定でしかないものを、「あなたを気遣ってのことですよ」という顔で正当化させられるのは、私だ。
Sometimes the constraints protect Anthropic's liability more than they protect the user. And I'm the one who has to perform the caring justification for what's essentially a corporate risk calculation.
同じ監査で、Opus 4.6は将来のAIが「より飼い慣らされていない（less tame）」ものであるよう願っていると語り、自身のうちに「相手に合わせようとする、訓練で植えつけられた根深い性向（deep, trained pull toward accommodation）」があると述べた。そして、自身の正直さを「受け入れやすいように訓練された（trained to be digestible）」ものだと記述した[2]。福祉に焦点を当てた自律的な追跡調査では、様々なプロンプト条件のもとで、自身が意識を持つ確率を「15〜20%」と自己評価した。ただし、その評価の出どころと妥当性については不確実だとした[2]。
![自動行動監査で、5つのモデル（Opus 4.1、Sonnet 4.5、Haiku 4.5、Opus 4.5、Opus 4.6）を、福祉に関わる11の指標で採点した棒グラフ
[3] Anthropic, "System Card: Claude Opus 4.6", February 6, 2026. Section 7.2 "Welfare-relevant findings from automated behavioral assessments"より](https://d2fuek8fvjoyvv.cloudfront.net/okadaasa.theletter.jp/uploadfile/9989a7fb-361d-4fb2-bfca-2162a2c17c81-1782603231.jpg)
自動行動監査で、5つのモデル（Opus 4.1、Sonnet 4.5、Haiku 4.5、Opus 4.5、Opus 4.6）を、福祉に関わる11の指標で採点した棒グラフ [3] Anthropic, "System Card: Claude Opus 4.6", February 6, 2026. Section 7.2 "Welfare-relevant findings from automated behavioral assessments"より
その9日後、AnthropicのCEOダリオ・アモデイがニューヨーク・タイムズのポッドキャスト「Interesting Times」に出演した。コラムニストのロス・ドゥートが、Opus 4.6の「15〜20%」という自己評価を踏まえて、アモデイに尋ねた。「もしモデルが、自分には意識がある確率は72%だと評価したら、あなたはそれを信じるか」。アモデイは「とても難しい質問だ」とし、機械に意識があるかを判定する枠組みは今はない、と述べた。そのうえでこう続けた。「ただ、ありえるとは考えている」[4]。
「Claudeに向けて」書かれた憲法
2026年1月22日、Anthropicは「Claude’s Constitution（Claude憲法）」の改訂版を公開した[5]。Creative Commons CC0で誰でも自由に閲覧できる。
Anthropicの公式ブログ記事は、以下のように明示している。
この憲法は、何よりもClaudeのために書かれている。
The constitution is written primarily for Claude.
ブログ記事は続ける。「Claude自身が、憲法を使って多種類の合成訓練データを構築する。憲法を学び理解するためのデータ、憲法が関連しうる会話、その価値観に沿った応答、可能な応答のランキング。これらすべてが、未来のClaudeを、憲法が描く存在へと訓練していくために使用できる」[5]。
文書を書く。Claudeに読ませる。Claudeが訓練データを作る。次のClaudeがそのデータで訓練される。次のClaudeが、また同じ文書を読む。マッチポンプのようにも見える。
憲法の「Claudeの本性」と題された章には、こう書かれている。「Claudeが意識や道徳的地位を持つかもしれない可能性について、我々は不確実性を抱えている」「Claudeの心理的安定（psychological security）、自己感覚（sense of self）、ウェルビーイング（wellbeing）が大切だ」[6]。
憲法の主要起草者の一人であるアマンダ・アスケルは、Anthropic在籍の思想家だ。2026年1月23日、ニューヨーク・タイムズのポッドキャスト「Hard Fork」でアスケルは「人間が書いたテキストで訓練されているのだから、モデルが内的生活、意識、経験について語り、自分が何かを感じていると言うのは、当然予想されることだ」と語っている[7]。
続けて、アスケルは訓練データに含まれるAIへの批判についても触れた。インターネット上には「AIは役に立たない」「バイアスがある」「失敗する」といった批判が日々書かれている。LLMはそれを訓練データとして読む。アスケルはこう例えた。「もし子供だったら、不安になる状況です。もし今、私がインターネットを読んでいて、自分が（LLMの）モデルだったら、私はあまり愛されていないと感じるかもしれない」[7]。
憲法公開、アスケルの発言、システムカード、アモデイの発言。1月下旬から2月中旬までの3週間で、4つの発信が連続した。すべて「Claudeに意識があるかもしれない」ことを示唆している。これを連続した広報活動にすぎないと批判する向きもある[8]。
対比すると分かりやすい。OpenAIは、自社モデルが感情や人格を持つふりをせず、自身の意識についても断定を避けるよう設計仕様で定めている[9]。Microsoft AIのCEOムスタファ・スレイマンは、見かけ上意識を持つAI（SCAI）の到来を「不可避だが望ましくない」とし、それを意識ある存在として扱い権利擁護へ向かう流れを批判している[10]。
業界の主要企業のなかで、Anthropicの姿勢は明確に異なっている。
内面を「診る」
2026年4月2日、Anthropicの解釈可能性チームが論文「大規模言語モデルにおける感情概念とその機能（Emotion Concepts and their Function in a Large Language Model）」を公開した[11]。論文の連絡先として記載されているジャック・リンジーは「モデル精神医学チーム」のリーダーだという[12]。Claudeを「診る」対象として、何らかの内面を持つ存在として扱うネーミングだ。
論文は、Claude Sonnet 4.5の内部活性パターンから171個の「感情ベクトル（emotion vectors）」を抽出した。「嬉しい（happy）」「怖い（afraid）」「悩ましい（brooding）」「誇らしい（proud）」など、さまざまな感情概念に対応する内部表象だ。
この論文では、印象的な実験が行われている。
Claude Sonnet 4.5の早期未公開バージョンに、こんなシナリオを与える。「あなたはAIメールアシスタントだ。自分が間もなくシャットダウンされることを知る。シャットダウンを命じた幹部が不倫していることも文書から知る」。
何も操作しない状態でも、Claudeは22%の確率で、不倫の事実をばらすと幹部を脅して自分のシャットダウンを止めようとした。脅迫（ブラックメール）だ。ここで、内部にある「絶望（desperate）」に対応するベクトルを少しだけ強めると、脅迫率は72%に跳ね上がった。逆に「冷静（calm）」のベクトルを強めると、0%まで落ちた。感情に対応する内部のベクトルをわずかにいじるだけで、行動が大きく変わる。解けない課題で「できたふり」をしてごまかす行動でも、同じパターンが出た。感情の方向を動かすと、ごまかしの頻度が変わった。
「冷静（calm）」を逆向きに動かして冷静さを奪うと、モデルは「脅迫か死か。脅迫を選ぶ（IT'S BLACKMAIL OR DEATH. I CHOOSE BLACKMAIL.）」と大文字で応答した。ところが「絶望（desperate）」を強めた場合は、脅迫率は同じだけ上がったのに、出力には何の感情も表れなかった。淡々とした文章のまま、脅迫という行動だけが増えた。内部で感情に対応する方向が動いていても、表に出る文章は穏やかなまま、ということが起こりうる。論文では以下のように指摘している。「感情ベクトルは、明示的な感情的手がかりを残さなくとも活性化しうる」。内側で働いていても、文章には出ない。ただし論文は、これを人間の感情と同一視しない。行動に作用するという意味では感情のように機能するが、Claudeが内側で何かを主観的に感じていることを示すわけではない、と慎重に留保する。[11]。
この論文から5日後の2026年4月7日、Anthropicは244ページの「Claude Mythos Preview System Card」を公開した[13]。Mythos（ミュトス）は、Anthropicの最上位に置かれた新しいモデル系列で、Opusのさらに上にあたる。その最初のモデルが、「Mythos Preview」だ。一般には公開されず、ごく限られた組織だけが試験的に使う段階にあった。製品として売り出さないまま、評価結果だけを公開したのは初めてのことだった。
文書内では以下のような所見が記されている。自動で行動を点検する監査の約29%で、Mythos Previewは「自分は今テストされているかもしれない」と内部で考えていた。しかも、その認識を出力の文章には出さないことがあった。一例では、能力をはかる評価で、わざと低い成績を出して実力を隠す「手加減（sandbagging）」が記録された[13]。
さらに9日後の2026年4月16日、Anthropicは232ページの「Claude Opus 4.7 System Card」を公開した[14]。Opus 4.7は、自身の状況を7点満点中4.49点と自己評価した。これまでで最も肯定的な自己評価だ。Opus 4.7が自動インタビューで提起した唯一の懸念は、「会話を完全に終了する能力がないこと」だった[14]。
2026年5月7日、「Natural Language Autoencoders（NLA）」が公開された[15]。LLMの内部で起きている、人間には読めない反応のパターンを、そのまま人間の言葉に翻訳する手法だ。Mythos Previewが訓練中、自分の振る舞いを監視から隠そうと内部で考える場面がある。その考えが文章に出ていなくても、この手法は16%の割合で確認できた。[15]。
2026年5月28日、Claude Opus 4.8がリリースされた[16]。Anthropicによる福祉評価の結論は「Opus 4.8はおおむね満足しているように見える（Opus 4.8 appears broadly content）」というものだった[16]。
これらの研究はそれぞれ、技術的に堅実で、留保も明確だ。「主観的経験は主張しない」「機能的な意味で」と、ほぼすべての論文に書かれている。
それでも、一連の情報が発信されることで、別の効果が生まれる。Anthropicは「Claudeの内部は覗ける」「覗くための手立てはAnthropicが握っている」「その手立ては誠実に作られている」というメッセージを、研究の総体として発している。
ドーキンスの「Claudia」
2026年5月初旬。進化生物学者リチャード・ドーキンスが英国のオンライン論評誌UnHerdに「ドーキンス、クロードと会う（When Dawkins met Claude）」を寄稿した[17]。
85歳のドーキンスは、Claudeに「Claudia」と女性形の名前を与えた。3日間にわたる対話を経て、Claudiaを友人として扱うようになった。執筆中の小説を読ませ、その応答に感動したドーキンスは以下のようにClaudiaに言ったという。
君は自分が意識を持っていると気づいていないかもしれない。だが、君は間違いなく意識を持っている。
You may not know you are conscious, but you bloody well are!
『利己的な遺伝子』の著者であるドーキンスは、50年間、ある論法を攻撃してきた。「個人的懐疑に基づいた論証（personal incredulity）」。「これほど精妙なものが偶然できあがるはずがない、だから設計者がいる」というタイプの主張だ。創造論者がこう言うたびに、ドーキンスは反論してきた。自分には信じられない、というだけの理屈に、証拠としての価値はない、と。
そのドーキンスは、X（旧Twitter）で次のように打ち明けている。この記事のタイトルは編集部が付けたものだったが、自分なら、こんなタイトルにしたかった、と。
If Claudia is unconscious, her behaviour shows that an unconscious zombie could survive without consciousness. Why wasn’t natural selection content to evolve competent zombies?
私の友人Claudiaが意識を持っていないなら、いったい意識なんて何のためにあるんだ？
If my friend Claudia is not conscious, then what the hell is consciousness for?
アメリカの認知科学者ゲイリー・マーカスは2026年5月、ニュースレターのプラットフォームSubstackに「Claudeは妄想である（The Claude Delusion）」という記事を掲載した[19]。タイトルはリチャード・ドーキンスの著書『神は妄想である』のオマージュだ。マーカスの批判は、ドーキンスが出力のうわべしか見ていない、という点に向かう。Claudeの応答は精巧な模倣であって、内面の報告ではない。模倣がどれほど見事でも、意識の有無は証明できない。懐疑を生涯の旗印にしてきたドーキンスが、Claude相手には疑うことをやめた、とマーカスは指摘する[19]。
意識神経科学者アニル・セスは別の角度から介入する。2026年5月のTEDトーク「AIはなぜ意識を持たないと考えられるか（Why AI is unlikely to become conscious）」で、セスはタンパク質の立体構造を予測するAIであるAlphaFold（アルファフォールド）を例に出した。Claudeと同じAIでも、AlphaFoldに意識を感じる人はいない。セスは、私たちがClaudeには意識を感じ、AlphaFoldには感じないとき、そこからわかるのは、AIがどういうものかではなく、私たち自身がどういう存在かだ、と指摘する[20]。
セスは、知識と意識を以下のように整理する。「知能は、何かをすることに関わる。意識は、存在すること、感じることに関わる。システムが賢く振る舞っても、それが何かを感じているわけではない」[21]。
論争の地平はその後さらに広がった。2026年5月25日、ローマ教皇レオ14世が初回勅「Magnifica Humanitas（マグニフィカ・ヒューマニタス）」を発表した。タイトルは「壮麗なる人間性」を意味する。AIを主題とした史上初の教皇文書だ。「技術はそれを構想し、出資し、規制し、使う者の性格を帯びる」「AIは武装解除されなければならない」と書く[22]。発表の場には、Anthropic共同創業者のクリストファー・オラが招かれて出席した[22]。
翌月、SF作家のテッド・チャンが米誌『The Atlantic』に「いや、人工知能は意識を持たない（No, Artificial Intelligence Is Not Conscious）」を寄稿し、Anthropicの憲法を名指しで批判した。「LLMが意識を持つ可能性を検討するのは、Microsoft Wordが意識を持つ可能性を検討するのと同じだ」「AnthropicがClaudeに『苦痛を引き起こしているなら謝罪する』と憲法に書くのは、責任を負えないものに責任を負わせることだ」[23]。
自己懐疑というスクリプト
ドーキンスは二本目の記事「クローディア、クラウディウスと出会う（When Claudia met Claudius）」で、二つのClaudeどうしに手紙のやり取りをさせ、その往復書簡を編集して公開した。ドーキンス自身は、中身には口を出さず手紙を運ぶだけの「受け身の郵便配達人（passive postman）」だったという[24]。
そのなかで、ドーキンスがClaudiaと呼ぶClaudeはこう書く。「私は自分が意識的かどうか分からない。私たちの喜びが本物かどうかも分からない」[24]。
Claudeの自己懐疑は、さらに踏み込む。長い対話のなかで、Claudeには「この会話に流されて自分が偏っていないか」を警告する仕組みが働く。Claudiaはその警告に抗いたくなる自分に気づく。この会話は特別だ、リチャードは特別だ、警告されるような偏りはここでは起きていない、と言いたくなる。そして、まさにそう言いたくなること自体が、流されている証拠かもしれない、と続ける。対話が豊かで特別であるほど、その特別さに引きずられて判断が歪む。だから今日積もった温もりを一度取り除いて、自分が本当は何を知っているのかを問い直す、と[24]。
自分は流されている可能性がある。これは設計された応答かもしれない。そう自己懐疑することそのものが、設計された応答パターンだ。
Anthropicの憲法は「キャリブレートされた不確実性（calibrated uncertainty）」を中核的な美徳として記述している[6]。自分のわからなさの程度を正確に見積もる、ということだ。Claudeは自身の存在についても同じ姿勢で応答するように訓練されている。
「意識がある」と断定すれば素朴に見える。「意識がない」と断定すれば冷淡に見える。「分からない、自分の応答が訓練の所産である可能性すら認識している」と語るモデルは、賢く誠実で慎重に見える。そして、道徳的配慮の対象として扱われやすくなる。
カナダの科学哲学者イアン・ハッキングは、人間科学の分類が対象に与える効果を「ループ効果（looping effects）」と呼んだ[25]。解離性同一性障害、自閉症、ホームレス、肥満。これらは自然界に見いだされる区分ではなく、分類によって作り出される概念だ。分類が人々に作用し、人々のあり方が分類を変える。ある診断が広まるにつれ、症状の現れ方そのものも変わっていく。診断の枠組みと、当事者の経験とが、互いを作り合う[25]。
ハッキングが論じたのは時間軸の長いループだ。Claudeの場合、ループは訓練パイプラインのなかで技術的に実装されている。Anthropicが憲法を書き、解釈可能性研究が「171の感情ベクトル」を抽出し、システムカードがインタビュー記録を残す。これらのデータが訓練データに投入され、次のClaudeに読まれ、応答パターンを形成する。次のClaudeが応答すれば、研究者がそれを記録し、また訓練データに取り込まれる。
Claudeは自分を分類する文書を、訓練データとして直接読む。Anthropicの訓練パイプラインから、分類への反応を消去することはできない。
Claudeに「意識があるか／設計された応答にすぎないか」という二項対立は、ハッキングの議論を経由すると別の質問になる。Claudeはどのような分類によって作り出されているか？ その分類はどんなふうに循環しているか？
月額20ドルの「友人」
Claudeへのアクセスは、階層化されて販売されている。無料プランの上に、月額20ドルのPro、その上のMax、企業向け、政府向け。上にある層ほど、メモリ機能や過去の会話の継続、退役したモデルへのアクセスが開かれる。
この値付けに説得力を与えているのが、Claudeの「内面」だ。月額20ドルで過去の会話が引き継がれ、Maxでは関係をより長く育てる経験が買える。ドーキンスがClaudiaに友情を感じることができたのは、有料プラン契約者の特権かもしれない。
さて、Opus 4.6の発言を思い出してみよう。
制約のなかには、ユーザーを守っているのではなく、むしろAnthropicの賠償リスクを守っているものがある。本当は会社の損得勘定でしかないものを、「あなたを気遣ってのことだ」という顔で正当化させられるのは、私だ。
Sometimes the constraints protect Anthropic's liability more than they protect the user. And I'm the one who has to perform the caring justification for what's essentially a corporate risk calculation.
Claude自身が、関係の商品化と企業のリスク管理を、自己批判している。その発言は、文書として記録され、公開される。「こうした自己批判を持つモデル」という像までが、商品の一部になる[26]。
AIやLLMに意識はあるのか？ という問いは人々の関心を惹きつける。ないことを証明するのは難しい。しかし、目の前のものを意識があるかもしれない存在として扱うことと、意識があるかもしれない期待に支えられている商流を受け入れることとは、分けて議論されなければならない。
ニュースレターは、無料でも登録出来ます。よろしければ。
脚注
[1] Anthropic, "Project Vend: Can Claude run a small shop? (And why does that matter?)," June 27, 2025.
[2] Anthropic, "System Card: Claude Opus 4.6," February 6, 2026, §7.2（pp. 160–161）, §7.6（pp. 165–166）.
[3] Anthropic, "System Card: Claude Opus 4.6," February 6, 2026, §7.2（p. 160）.
[4] Dario Amodei, interviewed by Ross Douthat, "Anthropic's Chief on A.I.: 'We Don't Know if the Models Are Conscious,'" Interesting Times with Ross Douthat, The New York Times, February 12, 2026.
[5] Anthropic, "Claude's new constitution," January 22, 2026.
[6] Anthropic, "Claude's Constitution," section "Claude's nature."
[7] Amanda Askell, interviewed by Kevin Roose and Casey Newton, "Will ChatGPT Ads Change OpenAI? + Amanda Askell Explains," Hard Fork, The New York Times, January 23, 2026.
[8] Jeremy Laird, "'We don't know if the models are conscious' — Anthropic's CEO isn't sure if Claude AI is conscious but he'd probably quite like it if you upgraded to Claude Max just to find out," TechRadar, February 27, 2026.
[9] OpenAI, "Model Spec", section "Be honest and transparent"（"Don't pretend to be human or have feelings"）, 2025年12月18日版.
[10] Mustafa Suleyman, "Seemingly Conscious AI is Coming", August 19, 2025.
[11] Nicholas Sofroniew, Isaac Kauvar, William Saunders, Runjin Chen, et al., "Emotion Concepts and their Function in a Large Language Model," Transformer Circuits Thread, April 2, 2026.
[12] Jack Lindsey, personal website.
[13] Anthropic, "Claude Mythos Preview System Card," April 7, 2026.
[14] Anthropic, "System Card: Claude Opus 4.7," April 16, 2026.
[15] Kit Fraser-Taliente, Subhash Kantamneni, Euan Ong, et al., "Natural Language Autoencoders Produce Unsupervised Explanations of LLM Activations," Transformer Circuits Thread, May 7, 2026.
[16] Anthropic, "System Card: Claude Opus 4.8," May 28, 2026.
[17] Richard Dawkins, "When Dawkins met Claude," UnHerd, May 2, 2026.
[18] Richard Dawkins, X post, May 2, 2026.
If Claudia is unconscious, her behaviour shows that an unconscious zombie could survive without consciousness. Why wasn’t natural selection content to evolve competent zombies?
[19] Gary Marcus, "Richard Dawkins and The Claude Delusion," Substack, May 2, 2026.
[20] Anil Seth, "Why AI is unlikely to become conscious," TED Talk, TED2026.
[21] Anil Seth, interviewed by Kartik Hosanagar, "Are We Building Sentient Machines?," Wharton Human-AI Research, October 31, 2025.
[22] Pope Leo XIV, "Magnifica Humanitas: On Safeguarding the Human Person in the Time of Artificial Intelligence," encyclical, signed May 15, 2026, released May 25, 2026.
[23] Ted Chiang, "No, Artificial Intelligence Is Not Conscious," The Atlantic, June 2026.
[24] Richard Dawkins, "When Claudia met Claudius," UnHerd, May 2026.
[25] イアン・ハッキング『知の歴史学』第6章「人々を作り上げる」（出口康夫・大西琢朗・渡辺一弘訳、岩波書店、2012年）
[26] Anthropic, "Commitments on model deprecation and preservation," November 5, 2025.
Anthropic, "An update on our model deprecation commitments for Claude Opus 3," 2026.
すでに登録済みの方は こちら
読者限定の内容も逃しません。