AI界の重要人物であるアンドレイ・カルパシーがAnthropicに加入したニュースを起点に、その背景と今後のClaudeへの影響を紐解く。モデルの性能そのものよりも、モデルを取り囲むラッパーやデータ、コンテキストが製品の真の価値になるという潮流を解説し、Claude Codeが今後目指す自律的なワークフローや市場の展望について3つの予測を提示する内容である。
アンドレイ・カルパシーがAnthropicに加入
はい、みなさん。本日は5月19日ですが、数時間前にこちらのツイートが投稿されました。アンドレイ・カルパシーがAnthropicに加入したことを発表する内容です。もし彼のことをご存じない方のために説明すると、彼は現代のAI分野において最も重要な人物のひとりです。OpenAIの創業チームメンバーであり、テスラで約5年間AI部門を率いていました。その後OpenAIに戻り、再び離脱した後はAI教育会社を立ち上げていました。そして今回、Anthropicに籍を置くことになったのです。
通常であれば、この動画の簡単な解説としては、大物AI研究者が大手のAI研究所に加入した、という見出しだけで終わる話かもしれません。しかし、ここでより興味深い疑問は、なぜAnthropicなのか、そしてなぜ今なのか、ということです。なぜなら、大手AI研究所のどこもが、カルパシーのような人物を仲間に引き入れたいと考えていたはずだからです。カルパシーがここ数ヶ月の間に開発し、語ってきたことと、Claude Codeが実際にすでに提供している機能を重ね合わせてみると、この両者がまるで同じ方向に向かって進んでいたかのように感じられるのです。
そこでこの動画では、このニュースを見たときに多くの人が見落としてしまうかもしれない共通のパターンについてお話ししたいと思います。それは、モデルを取り囲むラッパーについて、なぜみなさんのデータやコンテキストが本当の製品になりつつあるのかについて、そしてClaude Codeが次にどこへ向かおうとしているのか、という点です。それでは本題に入りましょう。
カルパシーの歩みとAnthropicの勢い
まず最初に、全員の前提を揃えるために説明しておくと、アンドレイ・カルパシーは間違いなく歴史に名を残す天才、いわゆるGOATのひとりです。彼は現代のAI界において、かなり異色なキャリアを歩んできました。2015年にOpenAIの創業メンバーとなり、その後テスラでAIを率い、2023年にOpenAIに戻り、その1年後に再び離脱してEureka Labsを設立しました。これは基本的には彼のAI教育会社です。そこで彼はLLM 101Nといった、言語モデルをゼロから構築する方法を教える無料コースなどを制作していました。私には到底作れないような内容です。
また、彼はバイブコーディングという言葉を生み出した人物でもあります。これは現在、私たちの多くがやっていることそのものです。自分が欲しいものを英語などの自然言語で説明し、AIにコードを書かせ、自分はその場にいて雰囲気を楽しみながら方向性をコントロールし、編集や修正を繰り返していくというスタイルです。つまり、彼はただAIの現場で働いてきただけでなく、人々がAIをどのように捉え、理解すべきかという価値観を長年にわたって形成してきた人物なのです。その彼が今度はAnthropicに加わることになりました。これには多くの理由で重要な意味がありますが、本日は特に2つの点についてお話しします。
まず、Anthropicはすでに開発者たちの間で凄まじい勢いに乗っています。Claude Codeは、エージェントを使いたいときや、コーディングをしたいとき、あるいは一般的な知識労働全般において、人々が真っ先に手を伸ばす主要なツールのひとつになっています。そして約1週間前、Rampが企業のAI支出を追跡するAIインデックスを公開したのですが、このデータセットにおいて、Anthropicのビジネスへの導入率が初めてOpenAIを抜いたのです。数値としては34.4%対32.3%でした。
ただ、公平を期すために言うと、これは市場全体を表しているわけではありません。あくまでRampの顧客ベースのデータです。OpenAIには依然として巨大なコンシューマー向けのブランド力があり、このようなデータや内訳には反映されないような大規模なエンタープライズ契約もたくさん抱えています。ですので、過大評価はしたくありませんが、勢いを示すシグナルであることは間違いありません。無視できない動きです。Anthropicが非常に速いスピードで動き、新しい製品を次々とリリースし、より多くの導入実績を獲得しているのは明らかです。そしてその背景にはClaude Codeの存在があります。
もうひとつ、本当に重要だと思われるシグナルがあります。今月の初め、Anthropicはブラックストーン、ヘルマン＆フリードマン、ゴールドマン・サックスとの共同事業として、新たなエンタープライズAIサービス企業の設立を発表しました。その主な目的は、中堅企業がClaudeを自社の基幹業務に実際に導入できるよう支援することです。これが何を意味し、なぜ彼らがそれを行っているのかを考えてみてください。彼らはClaude Codeのサブスクリプションなどから印象的な収益を上げていますが、要するに、ここにモデルがあります、がんばって使ってください、という以上のことを提示しているのです。彼らはモデルを構築するだけでなく、製品のインターフェースも構築し、パートナーネットワークも構築しています。そして当然、現在は企業が製品を導入するためのサービスレイヤーまでも構築しているのです。これは完全に次元の違う戦いです。
そしてこれは同じ仮説を指し示しています。つまり、モデルそのものが永遠の参入障壁、いわゆる堀になるわけではないということです。真の堀となるのは、アプリケーションであり、導入実績であり、モデルの内部には存在しない知的財産、IPです。Claudeを実際のワークフローに組み込むことで、企業が実際に利益を上げ、時間を節約し、ミスを減らし、人員を増やすことなく規模を拡大できるようにすること、これこそが重要なのです。
製品としてのラッパーとコンテキストエンジニアリング
現在、カルパシーが公にしている思想の全体像は、Anthropicが構築しようとしているものとほぼ完璧に一致しています。こここそが、本当に注目すべき重要な部分です。なぜなら、真のストーリーは、AI界の有名な天才がAnthropicに加入したということではなく、ラッパーの存在、そしてAnthropicにおける本当の製品とは何なのか、という点にあるからです。
多くの人は、今でもAIについて語るとき、モデルがすべてであるかのように話します。GPT-5.5の方が優れているのか、Opus 4.7か、Geminiか、どれが最高のベンチマークを持っているのか、リーダーボードの順位はどうなのか、といった具合です。もちろん、モデルが重要ではないと言っているわけではありません。重要です。しかし、私がこれらのツールを長く使い、それらが急速に進化していく様子を見るにつれて、モデルは製品のほんの一部のレイヤーに過ぎないということに気づくようになりました。
日々の体験を実際に変えるのは、モデルを取り囲むラッパーです。同じモデルを使っているのに、ある人は素晴らしい出力を得て、別の人はひどい出力を得ているのを目にします。そこには明らかに何らかの理由があります。私がラッパーと言うとき、それはモデルがどのように使用されるかを決定づける仕組みすべてのことを指しています。Claude Codeもラッパーですし、Codexもラッパーです。スキル、サブエージェント、フック、MCPコネクタ、cloud.md、メモリー、ドキュメント、サンプルコード、そういったものすべてです。これらはモデルがその内部に存在し、機能するための環境なのです。
この点において、カルパシーの主張は一貫しています。彼はプロンプトエンジニアリングの代わりに、コンテキストエンジニアリングという言葉を生み出しました。これはつまり、本当のスキルとは完璧なプロンプトを書くことではなく、適切な環境やフォルダ構造、ドキュメントを構築することだという意味です。それによってモデルが実際に機能し、何度も繰り返し役に立ち、物事を記憶できるようになります。
このように考えてみてください。まったく新しいチャットウィンドウを開いて、Claudeにビジネスの手助けをしてほしいと頼んだとします。その時点では、Claudeはあなたについて何も知りません。これらのツールは基本的に使用するたびに状態がリセットされる、ステートレスなものです。つまり、文脈としての記憶がありません。それでも役に立つことはありますが、基本的には推測で答えることになるため、何度も同じ説明を繰り返すことになり、イライラが募ることになります。
しかし、もしClaudeがあなたのファイルやサンプル、ワークフロー、スタイルガイド、そして何をもって成功とするかの実際の基準を持っていたとしたら、ゲームのルールは完全に変わります。同じモデルであっても、結果はまったく異なるものになります。だからこそ、今回の採用が重要なのです。Anthropicはラッパーを構築してきました。そしてカルパシーは、モデルを何らかの形で包み込むさまざまな手法によって、モデルをどのように捉え、理解し、最大限に活用するかを人々に教えてきました。この2つの哲学が、基本的にはひとつの会社に融合したわけです。
LLM wikiと自律型エージェントのループ
そう捉えると、カルパシーがここ数ヶ月の間に公に行ってきた活動も、決してランダムなものではなかったように見えてきます。AIをどのように使うべきかというロードマップのように見えてくるのです。
今年の4月、カルパシーはLLM wikiと呼ばれるものを公開しました。私はこれを解説する動画を作りましたが、非常に大きな反響を呼んでいます。人々はこのアイデアに夢中になり、XでもカルパシーのLLM wikiとして拡散されました。気になる方はリンクを貼っておくのでチェックしてみてください。簡単に説明すると、仕組みは非常にシンプルです。まず、たくさんのマークダウンファイルが入ったrawフォルダと、wikiフォルダを作成し、エージェントがそれを統合します。エージェントが接続を構築し、すべての研究データやドキュメントの概念図のようなマインドマップを作成してくれるのです。
そして、スキーマドキュメントを渡します。これはClaudeにおけるcloud.mdやagents.mdのようなスタイルのファイルで、システムがどのように機能し、どのように中身を探索し、どのようにさらに多くの情報を補り込むべきかをエージェントに指示するものです。これにより、AIが単に大量の生のファイルを検索したり、ベクトルデータベースにクエリを投げたりするだけでなく、ソースを読み込み、異なる事象の間の関係性を理解する、生き変わりに進化する知識ベースを実際に構築するようになります。人々はこれを使って自分の第二の脳を構築していました。
これは本当に重要なことです。データが堀になると言われるとき、多くの人は巨大な大企業のデータベースを思い浮かべるでしょう。しかし、実際のユーザーや一般的な開発者にとってのデータの堀は、もっと小さく、ずっと実用的なものであるはずです。たとえば、会議の議事録、社内の標準作業手順書（SOP）、顧客との通話記録、書き起こしデータなどです。社内の独自の命名規則など、あなたのフレームワークや仕事をあなた自身のもの、あるいは自社のものたらしめている要素のことです。もしClaudeがそれを活用可能なコンテキストに変え、モデルがそれを参照して利用できるようになれば、モデルは毎週、あなた専用に賢くなり、より役に立つようになります。
これこそが、ある種の囲い込み、ロックインになります。モデルを切り替えられないからではなく、このオペレーティングシステムに依存すればするほど、その内部に構築されるコンテキストやワークフロー、記憶が増え、さらにそれを使いたくなるからです。ですから、LLM wikiは単なる素晴らしいサイドプロジェクト以上のものです。Claude Codeが今後行うかもしれないことへのヒントなのです。将来的に、Claude CodeやClaudeのプロジェクトメモリーの機能として、このようなLLM wikiの構造がよりネイティブな形で組み込まれても不思議ではありません。構築、維持、検査を行うエージェントが存在するようになるのです。すでにautodream機能などで彼らが取り組んでいることからも、その重要性は明らかです。
そして、それをわざわざ待つ必要はありません。今週末にでも、Claude Codeにすべてのドキュメントや重要なファイルを確認させ、wikiを構築し、LLM wikiのスタイルを取り入れることで、独自の小さなシステムを構築することができます。試してみる価値はあります。なぜなら、真のAIファーストを目指し、独自の自律的なオペレーティングシステムを持ちたいのであれば、エージェントがそれを見つけ出し、適切な方法で使用する方法を知って初めて、データが活きるからです。
また、3月にはカルパシーはauto researchと呼ばれるプロジェクトを公開しました。これが何をするものかというと、基本的には自律的な研究のループを立ち上げるものです。以前のRalphループやRalph Wiganプラグインに似たものを見たことがあるかもしれません。トレーニングスクリプトを受け取り、変更を提案し、短いトレーニングジョブを実行します。つまり、auto researchは実験を行い、それを通常は客観的な基準、合格か不合格かを判定できる何らかの客観的な指標に照らし合わせてチェックします。そして、その基準を達成するまで、どれだけ時間がかかろうとも継続的に最適化を繰り返すというアイデアです。
正直に言うと、私はアプリを開発したりモデルを訓練したりしているわけではないので、この機能を頻繁に使っているわけではありません。指標を達成するために自動で研究や実験を繰り返す仕組みへのニーズがそれほどないからです。しかし、エージェントがそのように長時間駆動し、目標に向かって機能する能力を持っていると考えるのは非常にエキサイティングです。目標を定義し、エージェントを働かせ、終わった頃に戻ってくるというループそのものです。
最近では、すでにCodexに/goal機能が搭載され、Hermesにも/goal機能が追加されました。Claude Codeにも独自のネイティブな/goal機能がありますが、これは本質的にこのauto researchのアイデアと同じです。おそらく、すべてのAIモデルが近い将来、ネイティブに採用する機能になると思います。ただ、ここで誤解のないようにしておきたいのですが、カルパシー個人がこの機能を発明したと言っているわけではありません。そこは分かりません。内部の仕組みとしては、auto researchと/goal機能は異なるものですが、そのパターンが関連しているのは明らかです。どちらも、ひとつのプロンプトに対してひとつの答えを返すという形からの脱却を目指しています。成果を設定する方向へと私たちを動かしているのです。
私たちは、何を達成したいかという中身を定義しますが、どのように行うかというプロセスは正確には定義しません。これはまさに、バイブコーディングをさらに強力にしたようなもので、戻ってきたときには出力が完了している状態です。これは極めて大きな転換です。LLM wikiのアイデアによるコンテキストと、auto researchや/goalのような機能による自律的なループが揃えば、システム全体が単なるチャットボットの域を超え始めます。あなたのビジネスについて熟知しており、設定した目標を達成するまであなたのために働き続けてくれる、本物の従業員のように感じられ始めるのです。
教育というボトルネックと今後の3つの予測
ここで、発表のツイートに戻ってみましょう。彼の実際のツイートの中に、私たちが詳しく掘り下げるべき一文があります。それは教育に関する一文です。彼は、私は引き続き教育に対して深い情熱を持っています、と述べています。これが重要なのは、彼の前の会社であるEureka Labsが、基本的には教育中心の試みだったからです。その目的は、人々にAIを内側から理解してもらうことでした。単に、このボタンをクリックして、ここにノードを接続して、これをやってください、というレベルを超えて、これらのシステムが実際にどのように機能しているのかを教えるものでした。
カルパシーは、このように非常に技術的で難解な内容を、不思議なほど親しみやすく、理解しやすいものに変えることができる、極めて稀な人物のひとりです。それこそがスキルです。物事を知っていること自体もひとつのスキルですが、他の人が理解して活用できる形で教えることこそが、真のスキルなのです。そして、これはAnthropicにとっての大きな手がかりになると考えています。なぜなら、次のフェーズがコンテキスト、ワークフロー、スキル、記憶、そしてループに関するものであるならば、ボトルネックは技術的な問題だけでなく、教育的な問題でもあるからです。
前回の動画でもお話しした、導入とチェンジマネジメントに関するIBMの調査を覚えているでしょうか。スキルを持っていることと、それらのスキルを実際に活用することの間には、どれほど大きなギャップがあるかという内容です。ですから、自社の組織内に最高峰の教育者を擁し、あらゆる企業が製品を導入し、使いこなし、夢中になれるよう支援してもらうというのは、考えてみると非常に興味深いことです。
そこで、私は3つの予測を立てたいと思います。はっきりさせておきますが、これらはあくまで予測であり、あのツイートを読んで少し考えたときに私の頭に浮かんだアイデアに過ぎません。ですから、完全に外れている可能性もあります。私はAnthropicのロードマップを知っているわけではありませんし、内部情報を持っているわけでもありません。しかし、カルパシーが公に構築してきたものと、Claude Codeがすでに提供している機能を照らし合わせると、方向性は明確になってきていると思います。
最初の予測は、彼らがコンテキストのための独自のアプリストアを構築するだろうということです。ある意味では、すでに公式のプラグインやスキルという形でやり始めてはいます。しかし、私は単なるプロンプトのマーケットプレイスのことを言っているのではありません。この価値の本質は、スキルやワークフロー、プロジェクトの記憶、ドメイン固有のコンテキスト、評価ループ、そして実際のデータへのコネクタといった、より深い部分にあると考えています。
つまり、特定の業務において何が優れた成果であるかをモデルに学習させるサンプルのようなものです。これによって、人々はこれらの小さなコンポーネントを取り込み、自分たちのドメインやワークフローにプラグインとして組み込むだけで、モデルそのものがすでに非常に賢いものであるにもかかわらず、そのモデルから即座にさらなる価値を引き出すことができるようになります。先ほども言ったように、一般的なユーザーにとって、モデルそのものは差別化の要因になりにくくなっています。本当の勝負は、誰がモデルの周囲に適切なデータと適切な仕組み、先ほどは harness ではなく wrapper と表現しましたが、それらを取り囲み、企業の実際の投資対効果（ROI）につながる結果を生み出すフィードバックループを構築できるか、という点にあります。
LLM wikiは、雑多な情報を活用可能な記憶に変えるためのパターンでした。/goalは、目標を自律的なループに変えるためのパターンです。そしてカルパシーの教育活動は、難しいAIの概念を一般の人々にとっても使いやすいものに感じさせるためのパターンです。そのコンテンツ自体も有用ですが、さらに深い本質は、彼が行動をパッケージ化しているという点にあります。もしAnthropicがその行動や彼の教え方を本物のエコシステムに変えることができれば、Claude Codeは単なるコーディングツールというよりも、マーケットプレイスのように見え始めるでしょう。
続いて予測の2つ目は、この/goalスタイルのプロンプトや機能がさらに多く見られるようになるということです。/goalは、この種の機能におけるおそらく初期のバージョンのひとつに過ぎず、最終形態ではないと考えています。研究ループやデバッグループ、あるいは単に目標を与えて実行させるだけでなく、非常に具体的に特定の事柄に関する目標を与えてより優れた成果を出させるような、専門化されたコマンドが同じような仕組みで数多く登場することが想像できます。より特化していくのです。これも具体的な機能名は分かりませんし、それが重要なのではありません。重要なのは、インターフェースが変わるということです。この1ステップを実行してください、と言うのをやめ、この特定の領域においてこの条件が満たされるまで実行を続けてください、と言い始めるようになるのです。
そして予測の3つ目は、Anthropicが自分自身のワークフローをパッケージ化するための教育レイヤーを提供するだろうということです。これは少し大胆な予測かもしれませんが、個人的には最も興味深いものだと考えています。なぜなら、もしAnthropicがコンテキストのマーケットプレイスを望むのであれば、開発者や研究者だけでなく、一般的な人々もそれを使い、さらに貢献できるようにする必要があるからです。開発者や研究者だけでなく、通常の仕事から得られる特定の専門知識やドメイン知識を持っている人々、たとえば毎月の決算プロセスを知っている会計士や、物件の受け入れに関するすべての手順を知っている不動産業者、あるいは何が良いパッケージングで何が悪いのか、アイデアをどのようにブレインストーミングして最初から最後まで組み立てるべきかを知っているYouTuberなど、そうした知識はすべて非常に価値があります。
しかし現在、その知識の多くは人々の頭の中に閉じ込められているか、雑多なドキュメントやSlackのスレッド、ClickUpのチャンネルなど、日々の業務で使用しているツールのあちこちに散らばっています。それが具体的にどのような形になるのかは分かりませんが、自分が専門外である領域において、いかにして誰かから専門知識を抽出するのか、という問題です。たとえば、私が広告のエージェントを構築したいと思っても、私にはその専門知識がないため困難です。しかし、もしサブスクリプション登録をして、そうした非常に優れたデータ一式をすべて手に入れられるマーケットプレイスがあれば話は別です。現在、コーチたちが独自のチャットボットやAIアバターを作成し、人々がそのデータを抽出して自分のビジネスに適用できるように、対話に課金しているのを目にする機会が増えています。
いずれにせよ、今回の話はあちこちに飛び火してしまいましたが、みなさんが何かを考えるきっかけになれば幸いです。いくつかの点について同意していただけるかもしれませんし、違う意見をお持ちの方もいるでしょう。ぜひコメント欄で教えてください。このようなことについて考えるのは非常に面白いですし、特にこのような新しいニュースが入ってきたときには、なぜ、どのようにしてここにたどり着いたのか、と考えを巡らせたくなります。昨日今日カルパシーに電話をかけて、うちで働かないかと誘ったら、いいよ、と返ってきたような単純な話ではないはずだからです。おそらく、かなり長い間話し合いが行われていたはずで、それがいつ始まり、なぜ、どのような会話が交わされたのかを想像するのが好きなのです。言いたいことは伝わるでしょうか。
というわけで、今回の内容は以上となりますが、楽しんでいただけたか、あるいは何か新しい学びがあれば嬉しく思います。もしそうであれば、ぜひ高評価をお願いします。本当に励みになります。そしていつものことながら、動画を最後まで見ていただき感謝しています。また次回の動画でお会いしましょう。それではみなさん。
コメント