冒頭に出てきた保険の申請書に戻ろう。AI が書類を整理した後も、引受担当者は判断を下している。しかし、もともと時間がかかっていた作業の分担はすでに変わった。機械が得意な部分を処理し、人は専門的な判断が必要な部分に時間を使う。こうした変化がより多くの仕事で起こり、信頼できる成果を一つ提供するたびにコストが膨らまないのなら、Anthropic が売っているのは、使いやすいチャットアシスタントだけではない。 だからロードショーの後も、私は三つの点に注目していく。既存顧客は、より重要な仕事を Claude に任せるようになるのか。人による確認ややり直しも含めて、一つの作業を確実に完了するための総コストは、今後も下がっていくのか。そして、安全性と成長が本当に衝突したとき、会社はどんな選択をするのか。 この三つの点のほうが、デモがどれほど目を見張るものだったか、あるいは四半期の成長がどれほど速かったかよりも、この会社がどこまで進むのかをよく物語る。あなたが自分のチームに AI を導入しようとしているなら、同じ問いから始めてもいい。次に任せる価値のある仕事は何か。もし失敗したら、誰が気づき、誰が引き取るのか?
#Gate直通IPO第三期Anthropic Anthropicはいったい何を売っているのか?
2026 年 11 月 10 日、Anthropic は予定している IPO のロードショーを開始した。ロードショーとは、企業が新規株式公開の前に、投資家に事業の仕組みや今後の成長計画を説明するもので、上場して取引が始まったという意味ではない。今回のロードショーは、Claude に何ができるかだけでなく、Anthropic がその能力をどう売り、どれだけの収益を上げ、次の一手に何を賭けているのかを知る貴重な機会となった。私が理解する Anthropic は、モデルが進歩するたびに、それを顧客が継続して対価を払う新たな仕事へと変えていこうとする企業だ。同社を理解するには、保険の申請書から始まり、計算資源の契約や取締役会にまで目を向ける必要がある。
01|Claude はチャットアシスタントだが、Anthropic はチャットだけで稼いでいるのか?
Anthropic は 2021 年に、Dario Amodei、Daniela Amodei ら 7 人によって共同創業された。もともとは最先端 AI の研究を行う企業で、Claude は同社が開発する一連のモデルだ。今、みんながスマートフォンやウェブで使っているチャットアシスタントも Claude と呼ばれている。普段使う分には、この二つの Claude を区別する必要はない。しかし、このビジネスを理解するには、モデル、製品、プラットフォームを分けて考える必要がある。
モデルは、能力を提供する基盤となる層だ。ロードショーで紹介されたのは、何にでも使える万能モデル一つではなく、高速で安価なものから複雑なタスクが得意なものまで、複数の選択肢だった。たとえば、大量の文書をテーマごとに分類するなら、必ずしも最も強力なモデルを使う必要はない。一方、AI に未知のソフトウェア一式を読み込ませ、問題を見つけて修正し、テストにも合格させるなら、能力が高いモデルのほうが、遠回りをせずに済むかもしれない。顧客が買いたいのはランキング1位のモデルではなく、目の前の仕事に適した能力だ。製品は Anthropic が自ら開発するツールである。個人は Claude のチャットを開いて使い、エンジニアは Claude Code を使ってプロジェクト内のコードを修正できる。プラットフォームは、他社がこの能力を自社製品に組み込めるようにする。API、つまりソフトウェア同士が機能を呼び出すためのインターフェースを通じて、自社のシステムから Claude にタスクを送り、結果を受け取れる。Claude という名前すら目にせず、以前なら別のツールに切り替えないと完了できなかった作業を、今では使い慣れたソフトウェアの中で続けられることもある。これも、ロードショーで私が実務的だと感じた点だ。Claude を、ユーザーがすでに仕事をしている場所で使えるようにする。たとえば Word や Excel に組み込んだり、業界向けスイートを通じて、弁護士がもともと使っているツールに接続したりする。製品をつくる側から見ると、ここには明確な違いがある。ユーザーに資料を毎回新しいチャット画面へ移させるのか、それとも元の文書、表、システムの中でそのまま作業を続けられるようにするのか。同じモデルを基盤としていても、後者の使い方のほうが、日々の仕事に定着しやすい。
02|なぜ万能アシスタントをいきなり作るのではなく、コードから始めるのか?
Anthropic はロードショーで、Claude Code の開発にまつわるエピソードを紹介した。チームは、まだ公開されていないモデルがコードを理解する能力を高めていることに気づいたが、モデルが十分成熟するまでツールの開発を待つことはしなかった。モデルをコードプロジェクトに組み込める製品を、先回りして開発したのだ。2025 年 2 月、Claude Code は Claude 3.7 Sonnet とともに、限定的な研究プレビューとして公開された。エンジニアは、既存のコードを読ませ、ファイルを変更させ、テストを書いて実行させ、その後に何をしたかを確認できる。Claude Code の初回公開[7]例を挙げよう。チャットアシスタントにログインの問題を修正するよう頼めば、一見よさそうなコードを提示してくれるかもしれない。しかし、そのコードを自分でプロジェクトに戻し、ほかの箇所を壊していないか確認しなければならない。Claude Code なら、まず関連するファイルを探し、変更したあとに既存のテストを実行し、修正内容を人が確認できるようにする。ここでの違いは、回答が長くなることではない。権限が与えられた範囲で複数の手順を最後まで実行し、フィードバックを得られることだ。
こうした AI は一般に Agent と呼ばれる。提案をするだけでなく、ツールを使って作業を行うからだ。なぜプログラミングが最初に適しているのか。成果のかなりの部分を検証できるからだ。プログラムが動くか、テストに合格したか、変更してはいけない箇所を変えていないか、といったことを確認できる。もちろん、テストに合格したからといって、そのまま本番環境にリリースできるわけではない。それでも、もっともらしい回答を読んで正しいか推測するしかない状態とは違い、一部の誤りを見つける方法がある。AI が質問に答える段階からタスクを担う段階へ進むには、きちんとできたかどうかを人が確認できなければならない。これが、Anthropic がモデルと製品を一緒に開発すると説明する理由でもある。モデルは大量の文章、論文、コードから学び、さらにフィードバックのあるタスクを通じて、問題の解き方やツールの使い方を練習する。製品が実際のユーザーに使われるようになれば、チームはモデルがどこでつまずくのかを把握しやすくなり、次世代モデルで何を補うべきかを判断できる。改善のすべてがモデルの大型化によって実現するわけではない。ファイルを正しく読み込むこと、適切なテストを実行すること、あるいは判断に迷ったときに立ち止まって人に尋ねることが足りない場合もある。モデルがこうした能力を身につければ、製品はより複雑なタスクを引き受けられる。
このアプローチは、ほかの仕事にも見られる。製薬会社ブリストル・マイヤーズ スクイブ(BMS)は、ロードショーで事例を紹介した。従来、複雑な問題では複数のデータベースを横断して検索し、報告書にまとめる必要があり、1〜2か月かかることもあった。同社が紹介したケースでは、Claude は 4〜5 分で報告書を作成できる。この比較が示しているのは、1回の検索と情報の集約だ。治験期間をそれによって 20% から 30% 短縮できるかどうかは、BMS の期待であり、今回すでに実現した結果ではない。本当に注目すべきなのは、製薬会社が、誰がどのデータにアクセスできるかを制限し、システムの動作を確認できるようにして初めて、こうしたタスクを任せられるということだ。
03|チームでの試用は、どうやって会社全体の請求につながるのか?
Anthropic はロードショーで、顧客が導入していく道筋を示した。通常は、エンジニアが Claude Code で問題を修正するといった具体的なタスクから試す。効果が安定すると、周辺の職種にも利用が広がり、さらに多くの業務フローに組み込まれ、最終的には Claude を顧客向けに販売する製品にまで組み込むこともある。これは同社が示す典型的な道筋であり、すべての顧客が最後まで進むわけではない。アクセンチュアはわかりやすい例だ。同社は Claude を自社のソフトウェア開発に使うほか、顧客向けのサイバーセキュリティプラットフォーム CyberAI にも組み込んでいる。アクセンチュアによると、自社の IT システムにこのプラットフォームを導入した後、セキュリティスキャンにかかる時間は 3〜5 日から 1 時間未満に短縮された。同じ能力が、社内エンジニアのツールであると同時に、顧客への提供サービスの一部にもなっている。提供業務に組み込まれれば、顧客が一社増えるたびに利用量も増える可能性がある。これが、Claude のビジネスをサブスクリプションだけで捉えられない理由だ。
2026 年の最初の 3 四半期において、Anthropic の収益の約 79% は従量課金によるもので、残り約 21% はサブスクリプションによるものだった。会社の請求額は、入館カードを持つ人の数だけでなく、機器が毎日どれくらい稼働し、どれだけの作業を処理したかによっても変わるようなものだ。企業は Anthropic のプラットフォームに直接接続することも、AWS、Google Cloud、Microsoft Azure など、使い慣れたクラウドプラットフォームから接続することもできる。顧客がすでに使っている調達や導入の経路を利用すれば、試用を本格的な業務へとつなげやすくなる。ロードショーで誤解されやすいもう一つの数字が、約 900% の純収益維持率だ。
かみ砕いて言うと、前年第3四半期に収益をもたらし、かつ統計の対象となる同じ顧客群が、今年の第3四半期には合計で約9倍の収益をもたらしたということだ。固定料金の個人向けサブスクリプションの一部は含まれておらず、すべての顧客が9倍の金額を使ったという意味でもない。同時期に、過去1年間で少なくとも 10 万ドルの収益をもたらした顧客は 11,900 社を超えたが、これは企業顧客の総数ではない。この二つの数字を合わせると、高額顧客が増え、同じ顧客群全体の支出も増えていることがわかる。ただし、この成長率がどれだけ続くかはわからない。
04|モデルの効率が上がっているのに、なぜ先回りして大量の計算資源を確保するのか?
計算資源とは、チップやデータセンターが提供する計算能力のことだ。モデルの訓練には計算資源が必要であり、顧客が Claude にコードを書かせたり、報告書を読ませたりするたびにも計算資源が使われる。前者は製品を開発すること、後者は顧客にサービスを一回ずつ提供することにたとえられる。Anthropic 自身も Claude を研究開発や運営に使うため、同じ資源プールから計算資源を利用する。同社はロードショーで、二つのことに取り組んでいると説明した。第一に、計算資源の調達先を増やすことだ。さまざまなチップに対応するソフトウェアを書き、異なるサプライヤーからの資源をまとめて配分する。クラウドサービスを調達するほか、Anthropic Direct を通じてチップを直接借り、同社向けに運営される専用データセンターで稼働させている。これにより、建設に時間がかかるデータセンターの容量を先に確保し、需要がより明確になってから、どのチップをいくつ設置するか決められる。
二つ目は、すでにある資源でより多くのことを行うことだ。ロードショーでは、ある仮定を用いて説明した。以前はある能力を訓練するのに計算資源を 100 単位使っていたとして、手法を改善して効率が 4 倍になれば、必要な計算資源は 25 単位になる。あるいは、同じ 100 単位を使い、これまで手が届かなかったモデルを訓練することもできる。4倍というのは原理を説明するための例であり、すべての作業で計算資源を 4 分の 3 節約できたということではない。より具体的な社内事例として、Anthropic は Mythos を AMD チップへの対応に使い、約 3 日で Claude を稼働させたと説明した。この事例は、AI がすでにインフラの一部を改善するために研究開発チームを支援していることを示しているが、モデルが次世代の自分自身を自律的に訓練、検証、リリースできるという意味ではない。個々の作業が安くなっても、会社全体の支出は増えることがある。Anthropic は具体的な比較を示している。同社の試算では、代表的なタスクにおける Opus 5.5 の利用コストは Opus 5 より約 40% 低い。しかし、報告書の確認が安くなれば、企業は本社だけでなく各地のチームにも使わせるかもしれない。これまで費用が高くてできなかった仕事や、手が回らなかった仕事にも取り組むようになるかもしれない。モデルが1回あたりに使う計算資源が減っても、システム全体で使う計算資源が減るとは限らない。難しいのは、顧客が順番待ちになってからゆっくり建設するわけにはいかないことだ。Anthropic によると、通常は計算資源を 12〜18 か月前に予約しており、直前の追加調達は割高になる。11 月 10 日の目論見書の開示基準では、同社が締結した調達およびリースのコミットメントは合計で約 9,009 億ドルにのぼり、そのほぼすべてが計算資源とインフラに関連している。複数年にまたがり、一部の契約には前提条件や解約条項もある。これはすでに支出した現金ではなく、同額の当期債務でもない。本当に難しいのは、多くの顧客が長期的な利用量を約束していない一方で、同社はサプライヤーに先に約束しなければならないことだ。調達が少なすぎれば、需要が高まったときに割高な追加購入が必要になる。多すぎれば、需要が鈍ったときにも使われない資源に費用を払い続ける可能性がある。
05|四半期収益が約 170 億ドルでも、なぜすでに儲かっているとは言えないのか?
ロードショーで最も目を引く数字は、Anthropic の 2026 年第3四半期の収益が約 170 億ドルで、前年同期の 12 倍を超えたことだ。しかし、収益とは会計基準に従って、どれだけ販売したと認識したかを示すものであり、銀行口座にいくら入金されたかではない。まして、最終的にいくら残ったかを示すものでもない。このビジネスが成り立っているかを見るには、少なくとも三つに分けて考える必要がある。第一に、実際の営業利益を見る。米国会計基準に基づくと、Anthropic のこの四半期の営業損失は約 5.67 億ドルで、営業利益率は約マイナス 3% だった。一方、同社が開示した調整後営業利益率は約プラス 15% だった。
なぜ一方はプラスで、もう一方はマイナスなのか。後者の指標では、主な費用を二つ除外している。従業員への株式報酬と、株式を使った寄付によって生じる非現金費用だ。調整後の指標は、これらの項目を除いた経営状況を見るのに役立つが、その場で現金を支払っていないからといって、こうした費用に代償がないわけではない。第二に、現金の出入りを見る。同じ目論見書によると、2026 年の最初の 3 四半期における営業活動による純キャッシュフローは約プラス 65.69 億ドルだった。これは第3四半期単独の数字ではなく、設備やインフラに投資した後にも将来残る金額とみなすこともできない。反対に、第3四半期の約 233 億ドルの純損失だけを見て、その四半期にこれだけの現金を使ったということもできない。そのうち約 219 億ドルは、転換社債などの資金調達手段の評価額が変化したことによる、非現金の帳簿上の調整だった。第三に、成長によってビジネスがより効率的になっているかを見る。同社が掲げる長期目標は、調整後営業利益率を 35% 超にすることだ。その前提となるのは、計算資源の効率を高め、調達構成を改善し、収益に占めるその他の費用の割合を下げることだ。
しかし、目先の経営指標は一貫して上昇しているわけではない。第2四半期の調整後営業利益率は約 19% だったが、第3四半期には約 15% に低下した。同社は目論見書で、第3四半期に約 50 億ドル分の短期契約による計算資源を提供したと説明している。短期の計算資源は、一般に割高になりやすい。需要が急増するのは好材料だが、その需要に応えるためにまず高いコストを負担する可能性がある。これは、「すでに儲かっている」あるいは「まだ資金を燃やしている」というレッテルを貼るより、興味深い点だ。
顧客がより多くの料金を払うこと、ある指標で利益がプラスになること、将来に多額の投資が必要なことは、同時に成り立つ。収益が急増しているのに、なぜ同社が資金調達を続けるのかも理解しやすい。計算資源の一部は、収益が発生する前に投資しなければならない。Anthropic が証明すべきなのは、より多くの顧客がより多くの仕事を Claude に任せるようになったとき、得られる収益でこのビジネスのコストを継続的に賄えるかどうかだ。見栄えのよい四半期だけで帳尻が合うかどうかではない。
06|より強力な AI を売る会社が、なぜ最も強力な能力をすべて公開しないのか?
Firefox ブラウザーを開発する Mozilla は、Firefox 150 で Claude Mythos Preview が見つけた 271 件のセキュリティ問題を修正した。Mozilla 自身による振り返りは、数字以上に示唆に富んでいる。モデルが疑わしい問題を見つけた後、チームは深刻度を判断し、重複報告を除き、パッチを作成してテストし、公開する必要がある。モデルが問題を見つけるのは速くなったが、エンジニアが作業からいなくなったわけではない。むしろ、より多くの発見をどう処理するか考えなければならなくなった。
同じ能力は、防御側が脆弱性を見つけるために使える一方、攻撃者も侵入口を見つけるために使える。そのため Anthropic は Project Glasswing で、Mythos Preview をすべての人に直接公開するのではなく、防御側のパートナーにアクセスを制限して提供した。2026 年 11 月時点で公式に紹介されている Fable 5.2 と Mythos 5.2 は、同じ基盤モデルから派生している。Fable は、比較的強力なサイバーセキュリティおよびバイオセーフティ対策を加えたうえで広く提供され、Mythos は、条件を満たすサイバーセキュリティまたはライフサイエンス用途に限り、審査を経たルートで提供される。何ができるか、誰が使えるか、結果に誰が責任を負うかは、それぞれ別の問題だ。科学でも同じことが言える。Anthropic はある実験を紹介している。Claude が大量の遺伝子データから異常な反復配列を一つ見つけ、研究者がその後、研究室で初期検証を行った。そのシステムが実際にどう機能するのかは、まだ研究の余地がある。NASA のジェット推進研究所も、Claude が火星探査車「パーサヴィアランス」の走行ルートの計画に関与したと明らかにしている。ただし、指令を火星に送る前に、エンジニアリングチームが仮想の火星探査車で確認していた。これらの例で最も注目すべきなのは、AI がすでに科学者や火星探査車の操縦者の仕事を単独でできるということではない。人間が探究できる範囲を広げながら、重要な結果は検証できるということだ。
同社の説明では、安全性とはモデル公開前に関門を一つ設けることだけではない。訓練の段階で、有害なリクエストにどう対処すべきかをモデルに教えることや、モデル内部でなぜ特定の行動が生じるのかを研究することも含まれる。企業にとって、これは「システムが特定のファイルにアクセスできるか、問題が起きたときに追跡できるか」とも別の話だ。一つはモデルそのものの振る舞いであり、もう一つは実際の業務に導入した際の権限と責任に関わる。商業的な圧力の下で誰が決定権を持つのかについて、Anthropic にはもう一つ、企業統治上の仕組みがある。同社は米国デラウェア州法に基づき設立された公益法人であり、利益を追求しながら公益にも配慮する責任を負う。目論見書の説明によると、今回の株式公開が完了した場合、特別株式を保有する長期利益信託は通常、取締役会の7議席のうち4議席を任命・解任できる。ただし、日常の経営には関与せず、モデルを公開するたびに承認する立場でもない。この仕組みは注目に値するが、会社が必ず正しい判断をする保証ではない。アクセスを制限すれば、販売できるサービスが減るかもしれず、安全性のテストを増やせば費用もかかる。その一方で、権限、監査、責任について説明できれば、より多くの顧客が重要なタスクを組み込む安心感につながる可能性がある。この二つの側面は分けて考える必要がある。
冒頭に出てきた保険の申請書に戻ろう。AI が書類を整理した後も、引受担当者は判断を下している。しかし、もともと時間がかかっていた作業の分担はすでに変わった。機械が得意な部分を処理し、人は専門的な判断が必要な部分に時間を使う。こうした変化がより多くの仕事で起こり、信頼できる成果を一つ提供するたびにコストが膨らまないのなら、Anthropic が売っているのは、使いやすいチャットアシスタントだけではない。
だからロードショーの後も、私は三つの点に注目していく。既存顧客は、より重要な仕事を Claude に任せるようになるのか。人による確認ややり直しも含めて、一つの作業を確実に完了するための総コストは、今後も下がっていくのか。そして、安全性と成長が本当に衝突したとき、会社はどんな選択をするのか。
この三つの点のほうが、デモがどれほど目を見張るものだったか、あるいは四半期の成長がどれほど速かったかよりも、この会社がどこまで進むのかをよく物語る。あなたが自分のチームに AI を導入しようとしているなら、同じ問いから始めてもいい。次に任せる価値のある仕事は何か。もし失敗したら、誰が気づき、誰が引き取るのか?