図解で見るクロードの愚かへの道：倹約の代償、あるいはAPIの請求額が100倍になった経緯

数日前、AMDのAI部門責任者であるステラ・ローレンゾ氏が、Claude Codeの公式リポジトリに「Claude Codeは複雑なエンジニアリング作業には使用できない」というタイトルの課題を投稿した。これは単なるユーザーの感情的な不満ではなく、6,800件のセッションに基づく定量的な分析でした。これにより、AIコミュニティが最も直視を避けてきた問題が浮き彫りになったが、中でも特に目を引く数字があった。Anthropicが行ったコスト削減のための設定変更により、このチームのAPI月額請求額が345ドルから42,121ドルへと急騰したのだ。

ローレンゾのチームは、23万5000件のツール呼び出しと1万8000件のプロンプトを追跡し、2026年2月以降、Claude Codeのシステム的なパフォーマンス低下を記録した。この報告書はその後『The Register』で取り上げられ、開発者コミュニティにおいて2週間にわたる激しい議論を巻き起こした。

AnthropicのClaude Codeチーム責任者であるボリス・チェルニー氏が、Hacker Newsで説明を行った。2月9日、Opus 4.6のリリースに伴い、モデルが思考の持続時間を自律的に決定する「自律思考」機能がデフォルトで有効化されました。その後、3月3日、Anthropicはデフォルトの思考努力値を85に引き下げた。公式の説明は、「性能、遅延、コストの最適なバランス点」というものだった。これら2つの調整による実際の影響は、データから明らかである。

思考の深さが4分の3も急減した

ステラ・ローレンゾ氏のGitHubイシューのデータによると、Claude Codeの平均思考深度は2か月間で3段階にわたって低下し、1月末の最高値である2,200文字から2月末には720文字へと、67%減少した。3月までに、その文字数はさらに560文字まで減少し、ピーク時と比べて75％減少した。

ここでの「思考の深さ」は、モデルが回答を出す前にどれだけの「内部的な検討」を行うかを反映する指標です。2,200文字と560文字の差は、いわば「返信する前に下書きを書く」という段階から、「話す前に頭の中で2秒間考える」という段階へと後退することに相当する。

また、ローレンゾ氏は、3月上旬に導入された「思考内容の伏せ書き」機能（redact-thinking-2026-02-12）が、偶然にもこの期間中のモデルの思考プロセスを隠蔽していたため、ユーザーにとってその縮小が気づきにくくなっていたと指摘した。ボリス・チェルニーは、これは単なるUIの変更に過ぎず、根本的な考え方には影響しなかったと主張している。どちらの主張も技術的には正しいが、ユーザーの視点から見れば、その効果は区別がつかない。

ボリス・チェルニーは後に、手動で推論の強度を最大に戻したとしても、この自己学習メカニズムが一部のラウンドでは依然として不十分な推論リソースを割り当て、その結果、幻覚的な内容が生じることがあると認めた。「最大限の努力を取り戻す」ことは完全な解決策ではない。それは、本来の決定論的な状態に戻すのではなく、単にその調整を元の位置に近づけるに過ぎない。

「研究志向のプログラマー」から「目隠し編集プログラマー」へ

ステラ・ローレンゾのレポートにあるある一点は、思考の深さよりもさらに明確な指標となっている。それは、モデルがコードに変更を加える前に、関連するファイルを実際にいくつ読み込んでいるかという点だ。

GitHubのイシューデータによると、ピーク時には、閲覧対編集の比率は平均6.6となっています。コードを変更する前に、モデルは文脈を把握するために平均で6.6個のファイルを読み込みます。崩壊期間中、この数値は2.0まで低下し、70％減少する。さらに重要な点として、コード編集の約3分の1は、モデルがターゲットファイルを読み込むことなく、いきなり編集作業に入っている。

ローレンゾはこれを「ブラインド編集」と呼んでいる。工学的な観点から言えば、これはプログラマーが関数のシグネチャを確認せず、変数の型も把握せずにコードを書くようなものだ。「私のチームの上級エンジニアは皆、同じような実体験を持っています」と彼女は報告書に記した。「クロードには、もはや複雑な技術的業務を任せることができない。」

「読了対編集比率」が6.6から2.0へと低下したことは、単なる行動指標の変化にとどまらず、タスクの成功率の急落を意味している。現代のコードリポジトリは複雑であるため、いかなる変更を行う場合でも、複数のファイルにまたがる依存関係が生じることになります。文脈の把握を省略して直接変更を加えると、単に「間違った答え」になるだけでなく、「一見正しい変更であっても、下流で新たなエラーを引き起こす」ことにつながります。こうしたエラーのデバッグにかかるコストは、明示的な回答が1つ失敗するコストをはるかに上回る。

「節約」のパラドックス

この一連の出来事全体の中で、最も直感に反する数値の一つは、同じGitHubのイシューデータから得られたものである：ステラ・ローレンゾのチームは、Claude Code APIの月間呼び出しコストが、2026年2月の345ドルから3月にはなんと42,121ドルへと急騰し、122倍に跳ね上がったことを確認した。

Anthropicsが処理負荷の軽減に取り組んだ背景には、1回の呼び出しあたりのトークン消費量を減らし、それによってコストを削減するという考えがあった。しかし、結果は正反対だった。その背景には、モデルの性能低下後に多数の「推論ループ」が発生し、その結果、1つの応答内で自己否定が繰り返されたり、絶え間ない再起動が発生したり、節約分をはるかに上回るトークン消費が生じたりしたことがあった。ステラ・ローレンゾのデータによると、同期間中にユーザーが自発的にタスクを中断する割合が12倍に増加し、開発者による継続的な介入、修正、および再提出が必要となった。

その根底にある論理は、システム的な誤りである。複雑なタスクにおける計算能力を大幅に削減しても、コストが単純に比例して削減されるわけではない。思考が一定の閾値を下回ると、モデルは軌道から外れ始め、結果として総コストが膨れ上がってしまう。負荷を軽減したことで、単純なクエリではコストを削減できたが、コーディング作業では費用が跳ね上がった。

「知性の低下」という問題、GPT-4は3年前にすでにそれを引き起こしていた

2023年7月、スタンフォード大学とカリフォルニア大学バークレー校の研究チームは、arXivに「ChatGPTの挙動は時間とともにどのように変化しているか？」と題する論文を発表し、GPT-4でも同様の現象が起きていることを報告した。

調査データによると、2023年3月時点で、GPT-4が生成したコードのうち50％以上がそのまま実行可能であった。6月までに、この割合は10％まで低下し、3か月間で80％減少した。同期間中、素数の識別精度は97.6%から2.4%へと急落した。OpenAIの回答はAnthropicのそれと非常に似通っていた。バックグラウンドで最適化が行われていたが、それは通常の反復プロセスの一環であった。

2つの記事の構成はほぼ同じだ。あるAI企業が、モデルの機能に影響を与えるパラメータを裏でこっそりと調整し、ユーザーがそれに気づき、企業は調整を認めたものの、「より合理的なリソース配分」だと説明した。GPT-4の性能低下は2023年に、Claudeの性能低下は2026年に発生し、3年の隔たりはあるものの、その経緯は同じである。

これは特定の企業に特有のミスというわけではない。AIサブスクリプションモデルの経済的論理によれば、推論コストが回収可能な価格を上回った場合、メーカーも同様の圧力に直面することになる。デフォルトの思考強度を下げることが、現時点ではコストとパフォーマンスのバランスを調整する上で最も手軽な手段である。ユーザーが感じるのは、モデルが「どんどん鈍くなっている」ということだ。メーカーが帳簿上で節約できるのは、1件あたりの通話にかかる限界的な名目コストである。

ボリス・チェルニー氏は、ユーザーが「/effort high」コマンドを使用するか、設定ファイルを編集することで、思考の強度を手動で最高レベルに復元できる技術的な解決策を提供しました。この解決策は技術的には可能ですが、それは同時に、「最高性能」がもはやデフォルト設定ではなくなることを意味します。

345ドルから42,121ドルへと、費やされたのは予算だけでなく、ある前提でもあった。つまり、メーカーによるデフォルト設定の変更は、ユーザー体験を向上させることを目的としていたのだ。