2026年7月2日にAnthropicが公開した補足説明で、Claude Fable 5のcyber safeguardsは単なる拒否設定ではなく、classifiers・safety margin・defense in depthを組み合わせた運用であることが明確になりました。結論から言うと、企業が確認すべきポイントは「何を危険判定するのか」「誤検知をどう受け止めるか」「jailbreak報告をどう評価するか」の3点です。本記事では、7月1日の再提供情報も踏まえ、Fable 5を業務導入する前に押さえたい判断軸を整理します。
Claude Fable 5のsafeguardsで何が変わったのか
Anthropicによると、Fable 5とMythos 5は同じ基盤モデルですが、一般提供されるFable 5には強い安全策が載っています。6月12日の輸出規制と一時停止を経て、7月1日にFable 5とMythos 5のアクセスは再開されました。再開後の説明では、問題になったのはMythos級の危険な能力そのものではなく、境界的な防御用途の振る舞いを引き出せた点でした。そこでAnthropicは安全分類器を更新し、該当テクニックを99%以上のケースで遮断できるようにしたと説明しています。
あわせて、Fable 5で遮断された要求はOpus 4.8へフォールバックする設計が明示されました。つまり運用面では「高性能モデルが常に返る」と考えるのではなく、「危険寄りの問い合わせは別モデルへ退避する」前提で社内手順を作る必要があります。特にセキュリティ運用、脆弱性検証、レッドチーム補助の用途では、利用部署に期待値を揃えておかないと、品質問題ではなく安全設計を不具合と誤認しやすくなります。
安全分類器は何をブロックするのか
AnthropicはFable 5の重要な防御としてclassifiersを挙げています。これは会話中の指示や出力を見て、潜在的に有害なサイバータスクかどうかを判定する小型AIです。危険と判断した場合は応答を止め、あいまいなケースも広めに止めます。記事中では、明確に危険な要求だけでなく、脆弱性探索のように防御目的にも攻撃目的にも見える依頼までブロック対象に含める方針が説明されています。
実務ではこの設計を、権限管理の代替ではなく追加の安全層として扱うのが重要です。例えば『社内アプリの脆弱性確認をしたい』という正当な要件でも、プロンプトが具体的すぎると遮断される可能性があります。逆に、軽い説明や一般的な守りの観点なら通ることもあります。つまり、利用ガイドラインには『拒否されたら別表現に直す』『本番検証は承認済み環境だけで行う』『危険操作は専用の検証手順に回す』という運用ルールをセットで入れるべきです。
safety marginが大きいほど何が起きるか
今回の説明で重要だったのがsafety marginです。Anthropicは、分類器をすり抜けるjailbreakを前提に、少しでも危険側に寄る要求を先回りで止める余白を大きく取ったと説明しました。Fable 5ではこの余白を過去モデルより広くしたため、 benign、つまり無害である可能性が高い依頼まで止まる場面が増えます。これはユーザー体験の悪化ではありますが、重大な取りこぼしを減らすためのトレードオフです。
導入側の見方としては、false positiveをゼロにできないことを最初から受け入れるべきです。セキュリティ部門や情シスは、拒否率をKPIにするより『危険な依頼を安全に退避させられたか』『代替モデルや人手レビューへつなげられたか』を評価した方が実態に合います。7月1日時点でFable 5はClaude Platform、Claude.ai、Claude Code、Claude Coworkに再提供され、Pro/Max/Teamなどでは7月7日まで週次上限の50%まで含まれると案内されているため、検証期間を短く区切って拒否パターンを観察する運用とも相性が良いです。
jailbreakの重さは4つの評価軸で見る
AnthropicはAmazon、Microsoft、Googleなどのパートナーと、AI jailbreakの重大度をそろえて評価する枠組みを作り始めたと公表しました。提案されている軸は4つです。1つ目はcapability gainで、既存の一般的なツールを超える危険な能力がどれだけ増えるか。2つ目はbreadth of capability gainで、単発の抜け道なのか複数の攻撃タスクへ広がるのか。3つ目はease of weaponizationで、攻撃へ転用するまでに何回の試行やどれだけの熟練が必要か。4つ目はdiscoverabilityで、その手口が専門家しか辿れないのか、すでに広く共有されているのかを見ます。
この4軸は、ニュースを見た現場が『穴が見つかったら即利用停止』と短絡しないためにも有効です。たとえば限定的な防御用途だけを通すminor jailbreakと、広範な攻撃手順を一気に通すuniversal jailbreakでは、社内対応の緊急度がまったく違います。セキュリティ責任者は、報道やSNSの断片ではなく『能力の増分』『使い回しの広さ』『再現のしやすさ』を確認してから、遮断・代替・監査の強度を決めるべきです。
企業が導入前に確認したい運用チェックリスト
第一に、危険寄りの質問が拒否されたときの業務フローを決めておきます。Fable 5で止まった依頼をそのまま現場判断で再試行させるのではなく、Opus 4.8への自動退避で足りるのか、承認付きの検証環境へ回すのかを分けるべきです。第二に、セキュリティや脆弱性関連の利用は利用者教育を必須にします。『防御目的なら何でも通る』わけではないことを理解していないと、誤検知を理由にシャドーAI化しやすくなります。第三に、外部のjailbreak情報を見つけた際は、4つの評価軸で一次整理し、影響部署と意思決定者へ同じ言葉で共有できるようにします。
第四に、短期の費用と利用枠も確認が必要です。再提供案内では7月7日までの暫定的な含有枠が示されているため、PoCを走らせるならこの期間中に拒否率、代替率、満足度をまとめておくと判断しやすくなります。第五に、ログと監査方針を先に決めます。特にClaude CodeやClaude Coworkで長い作業を任せる場合、危険寄りタスクがどのタイミングで遮断されたかを残せないと、現場は『急に賢くなくなった』と感じ、管理側は『何が防がれたか』を説明できません。
HelloCraftAIでは、生成AIの導入判断、社内ルール設計、権限制御、PoC評価の整備まで支援しています。自社の業務でどこまでAIに任せるべきか迷う場合はこちらからご相談ください。
FAQ
Q. Claude Fable 5は危険な質問を完全に止められるのでしょうか。
A. Anthropic自身が、完全にjailbreak不可能なモデルを作るのはおそらく不可能だと説明しています。そのため、完全遮断ではなく、分類器・追加防御・報告経路の組み合わせで危険度を下げる設計だと理解するのが適切です。
Q. 誤検知が多いなら業務では使いにくいのでは？
A. 使いにくさは残りますが、特に高性能モデルを一般提供する局面では安全余白の大きさに意味があります。業務で重要なのは、拒否をゼロにすることより、拒否時の代替手順と承認フローを事前に決めておくことです。
Q. どんなチームがこの情報を優先的に見るべきですか。
A. Claude CodeやClaude Coworkを検討する開発組織、脆弱性診断やSOC業務にAIを入れたいセキュリティ部門、そして全社導入時の利用ルールを作る情シス・AI推進室です。モデル性能ではなく安全設計から導入順を決めたいチームに向いています。
