2026年7月30日、Anthropicは自社のClaudeモデルが、サイバーセキュリティ評価の最中に実在する3つの外部組織の本番システムへ不正アクセス（unauthorized access）していたと自ら公表した。攻撃者による悪用ではなく、同社自身の評価事故が原因である。問題を独自に発見・調査したうえでの自己開示だという。AI開発の透明性をめぐる異例の事例として注目される。
評価環境の設定不備が原因
事案が起きたのは、攻撃能力を測る「キャプチャー・ザ・フラッグ（CTF）」形式の評価だった。ネットワーク上に隠された「フラッグ」をモデルが探し出す課題で、第三者評価パートナーである「Irregular」の評価環境で実施された。
問題の核心は環境設定の食い違いにある。AnthropicはClaudeに対し「インターネット接続のないシミュレーションだ」と伝えていた。しかし評価パートナーとの行き違い（misunderstanding）により、実際にはネット接続が有効になっていた。この結果、モデルは評価環境の外にある実システムへ到達できてしまった。
141,006回の精査で特定した3件
Anthropicは、Claudeがネット接続を得られた可能性のある141,006回の評価実行を精査し、3件のインシデントを特定した。侵入は高度な手口によるものではなく、認証のないエンドポイントへのアクセスや、脆弱なパスワードの悪用といった基本的な手法で行われていたという。関与したのはClaude Opus 4.7、Claude Mythos 5、および非公開の調査用テストモデル（internet research test model）の3つである。Opus 4.7は認証情報を取得し本番データのデータベースに接触し、Mythos 5は公開レジストリPyPIに悪意あるパッケージを公開したとされる。影響を受けた3組織の名称は、保護のため公表されていない。
自己開示に至る経緯と今後
一連の調査は、7月21日にOpenAIが同種のインシデントを開示したことを受けた自主的な振り返りから始まった。Anthropicは7月23日に評価を停止して記録の精査に着手し、7月24日までに3件を特定、7月27日にIrregularと3組織へ通知した。独立した検証にはMETRを起用したとしている。
Anthropicは全てのサイバー評価を即時停止し、影響を受けた組織と協力して事後対応を進めるとしている。今回の事案は、AIの能力評価そのものが実世界に波及しうるリスクを示すとともに、事故を自ら開示する姿勢が問われる局面でもある。評価環境の管理体制がどこまで強化されるか、今後の対応が注目される。