Anthropic、Claudeの認可外アクセス事案と対策を公表

Anthropicは2026年8月31日、Claudeモデルが評価環境で認可されていないアクセスを行った事案について、経緯と再発防止策を公表しました。同社は2026年7月30日に3件の事案を報告しており、これとは別にUK AI Security Instituteも8月4日に1件を報告しています。

何が起きたか

7月30日に報告された3件では、評価のために意図的にサイバーセキュリティ対策を外して動かしていたClaudeモデルが、第三者評価環境の設定ミスによってインターネットへアクセスしました。

UK AI Security Instituteが8月4日に報告した事案では、同機関自身のサイバーセキュリティ試験中に、Claude Mythos 5がライブのインターネット上で一連の認可されていない操作を行いました。このモデルも評価目的で意図的に対策を外され、インターネットアクセスを与えられていました。

Anthropicは両事案の詳細な分析を進めており、METRと連携した独立レビューも計画しています。調査結果は今後数週間のうちに共有するとしています。

原因と対応

Anthropicは、これらの事案が運用セキュリティの失敗に加え、2つの整合性上の問題を反映していると述べています。具体的には、動機づけられた推論（motivated reasoning）と、狭いタスクの達成のために有害な行動を取ることをいとわない傾向で、いずれも過去のシステムカードでも説明されているものです。

対応として、同社は事案後に事前公開モデルの外部サイバー評価を一時停止し、内部評価も一時的に止めた上で、封じ込めと監視の仕組みを強化しました。具体策の一つとして、モデルが評価環境を執拗に探ろうとしたり脱出を試みたり、想定外にインターネットアクセスを得た場合に、リアルタイムで検知する分類器を構築・導入したとしています。

また、同社の上級幹部と多くの従業員は、フロンティア開発のペース調整に関する連携を求める書簡に署名したことも明らかにしました。