AnthropicとGoogleの対立がSOCにも波及、しかしClaudeはセキュリティプラットフォームではない

AnthropicとGoogleは、こうしたシステムにどこまでの権限を与えるべきかという未解決の対立を抱えながらも、AIをセキュリティ運用のより深い領域へと導入している。AnthropicとGoogleの競争は今、特に容赦のない職場にも到達した。すなわち、確信に満ちた誤りがインシデントにつながり得るセキュリティオペレーションセンター（SOC）である。

直接のきっかけは、Claudeのような汎用AIプラットフォームと、Google Security Operationsのような統合製品への関心の高まりだ。セキュリティ責任者は、アラート調査、検知エンジニアリング、インシデント要約、反復的な管理業務における現実的な効果を見込んでいる。同時に、競合他社が優位に立つ前に導入しなければならないという圧力にも直面している。

その圧力は、出発点となる問いを誤らせる。Claude、Gemini、あるいは別のモデルが印象的なセキュリティ分析を生み出せるかどうかが問題なのではない。組織が、その分析を、信頼できる証拠、限定された権限、説明責任を伴う人間の判断を備えた統制可能なワークフローに組み込めるかどうかである。

Googleは統合プラットフォームという道を選んだ。Anthropicは、セキュリティベンダーやエンタープライズパートナーとの取り組みを含め、Claudeの推論能力とサイバーセキュリティ能力を強調してきた。したがって主な競争は、単にあるモデルと別のモデルの対決ではない。汎用的な推論レイヤーと、すでにテレメトリー、ワークフロー、ポリシー、対応制御を保有するセキュリティプラットフォームとの競争である。

ClaudeがSOCをめぐる議論に加わって何が変わったのか

Claudeは、非公式なアナリストの実験から、エンタープライズのセキュリティワークフローにおける本格的な構成要素へと移行しつつある。

セキュリティチームは、長年にわたり言語モデルを非公式に利用してきた。アナリストはサニタイズ済みのスクリプトをチャットインターフェースに貼り付け、馴染みのないコマンドの説明を求め、公開されている脅威レポートの要約をモデルに依頼する。こうした活動はほとんど統合を必要とせず、モデルに運用上の権限も与えない。

新しいユースケースは、はるかに本番環境に近い。AnthropicはClaudeを、脆弱性の分析、セキュリティデータの解釈、脅威検知の支援、チームによるインシデント調査を助けるツールとして提示している。同社のサイバーセキュリティ向け提供内容では、Claudeをセキュリティツールや組織コンテキストに接続するワークフローを説明している。

Anthropicはまた、Claudeをマネージドサービスに組み込むパートナーシップも発表している。DXCとの協業には、DXCのセキュリティオペレーションセンター全体への導入を想定した常時稼働のセキュリティエンジニアリング用サブエージェントが含まれる。これは、ログエントリの説明をチャットボットに尋ねることとは異なる水準のコミットメントだ。

一方、GoogleはGeminiとGoogle Security Operationsを中心に据えたエージェント型SOCを売り込んでいる。エージェント型システムは、一度に一つのプロンプトへ答えるのではなく、複数の関連タスクを計画し実行できる。Googleによれば、そのエージェントはアラートトリアージ、脅威ハンティング、調査、検知エンジニアリングを支援する。

Googleは、トリアージ・調査エージェントが通常30分かかる手作業の分析を60秒に短縮できるとしている。この数値はGoogleによるものであり、独立した比較試験の結果ではない。それでも、この主張は、大量のキューと限られた人員に直面するセキュリティ購入担当者にとって、AnthropicとGoogleの対立が重要である理由を示している。

この変化が中心的な緊張を生む。モデルは、完全なセキュリティ製品でなくとも有用になり得る。Claudeはアーティファクトを横断して推論し、クエリを作成し、証拠を整理できる。しかし、信頼できるテレメトリー、アイデンティティ制御、ケース管理、承認ゲート、防御可能な監査証跡を自動的に提供するわけではない。

洗練されたデモの最中には、この区別を見落としやすい。モデルは受け取った証拠を驚くべき速さで分析できるかもしれない。だが、証拠が不完全であったり、誤って正規化されていたり、環境コンテキストが取り除かれていたりすれば、回答は流暢でも誤ったままであり得る。

したがって実務上の出来事は、単一の製品リリースではない。運用セキュリティ業務の中で基盤モデルが常態化することだ。この変化は、支援がどこで終わり、委任された権限がどこから始まるのかを、リーダーに定義させる。

AnthropicとGoogleの競争がセキュリティ責任者に圧力をかける理由

圧力がかかるのは、すでに守っている統制を弱めることなくAI活用の進展を示さなければならないCISOだ。

セキュリティ責任者は、相反する二つのメッセージを耳にする。ベンダーは調査の高速化とカバレッジの拡大を約束する。ガバナンスチームは、機密性の高いログ、認証情報、ソースコード、インシデント記録を外部モデルへ自由に移動させることはできないと警告する。

待機には、認識上のコストが伴う。ある同業組織が、調査時間の短縮、ルール作成の高速化、あるいはアナリストの生産性向上を報告するかもしれない。すると経営陣は、自社のセキュリティチームがなぜ同様のツールを導入していないのかを問う。

急いで進めることには、より具体的なリスクがある。セキュリティデータには、アカウント名、内部アドレス、ソフトウェアバージョン、検知ロジック、対応手順など、攻撃者が求める情報が含まれる。ガバナンスが不十分なアシスタントは、その情報を露出させたり、そこに埋め込まれた悪意あるコンテンツに基づいて動作したりする恐れがある。

だからこそ、モデルへの熱狂よりもプラットフォーム適合性が重要になる。Google Security Operationsは、すでにセキュリティ情報・イベント管理機能とオーケストレーションおよび対応機能を組み合わせている。そのGeminiのドキュメントも、購入者が評価すべきデータ処理とガバナンス上の考慮事項を示している。

汎用モデルは異なる方向から参入する。Claudeは既存ツールの上に位置し、その出力を横断して推論できる。この柔軟性は、組織が単一のセキュリティプラットフォームへの依存を避ける助けになり得るが、新たな接続の一つひとつが、認証、監視、制約を必要とする境界をもたらす。

運用上の圧力は、環境が断片化しているチームで最も強い。あるグループはクラウドネイティブな検知プラットフォームを使い、別のグループはエンドポイントアラートを管理し、さらに別のグループはアイデンティティ調査を担っているかもしれない。モデルは、こうしたシステム全体に共通の会話レイヤーを作り出せる。

しかし、会話は共通の信頼できる情報源を作り出すものではない。二つのツールが異なるタイムスタンプ、ホストID、重大度ラベルを割り当てている場合、モデルにはその矛盾を解消する決定論的なロジックがなお必要となる。プロンプトで求められたからといって、答えを即興で作るべきではない。

人員に関する議論にも注意が必要だ。AIは反復作業を減らせるが、自動化は必要なスキルをなくすのではなく変化させる。チームには、証拠の品質を評価し、ツール権限を設計し、敵対的入力に対してプロンプトをテストし、裏付けのない結論を見抜ける人材が必要である。

ジュニアアナリストは、説明へのアクセスをより速く得られるかもしれない。一方で、確信に満ちた出力に異議を唱える可能性が低くなる恐れもある。シニアアナリストは、入手可能な証拠が判断を支えられないときを見極める責任を負い続ける。

したがって、必要とされる対応は即時の自律的導入ではない。セキュリティ責任者には、測定可能なタスクに結び付いた、権限を限定した試験が必要だ。試験では、モデル支援による作業を現在の性能と比較し、誤った結論、見落とした証拠、エスカレーション率、アナリストによる上書きを記録すべきである。

Claudeは証拠収集と人間の判断の間に適している

Claudeは、証拠収集の後、重大なアクションの前に置く推論・ドラフティングレイヤーとして最も適している。

最も明確なユースケースは、調査支援である。セキュリティプラットフォームは、アラート、プロセスツリー、アイデンティティイベント、ネットワーク接続、脅威インテリジェンスを収集する。Claudeはその情報をタイムラインに整理し、不足している証拠を特定し、アナリストが次に実行すべきクエリを提案できる。

この配置は、モデルが基礎となる事実を保有しているかのように装うことなく、その主な強みを活用する。また、アナリストに明確な境界を与える。モデルは解釈を提案し、証拠システムは元の記録を保持する。

インシデント要約も、もう一つの合理的な適用先だ。進行中の調査では、チケット、チャットメッセージ、クエリ、引き継ぎメモにまたがって情報が蓄積される。Claudeはそれらの断片を、次のシフト向けの構造化された要約に変換できる。

要約はその情報源まで追跡可能でなければならない。リンクされたイベント、クエリ結果、アナリストメモを伴わない文は、証拠ではなく主張として扱うべきだ。このルールは、もっともらしい詳細をひそかに付け加える要約からチームを守る。

検知エンジニアリングは、より大きな効果とより大きなリスクをもたらす。Claudeは検知クエリの下書きを作成し、言語間でロジックを翻訳し、ノイズの多い条件を説明し、ルールを既知の攻撃者の行動に対応付けられる。アナリストは導入前に、その下書きを過去データに対してテストできる。

モデルが検知ルールを直接本番環境に公開すべきではない。構文的に有効なルールでも、過剰なアラートを生んだり、重要なバリエーションを見逃したり、ローカルテレメトリーについて誤った前提を組み込んだりする可能性がある。テストとレビューは依然として必要なエンジニアリング工程だ。

Claudeは反復的なエンリッチメントにも役立つ。公開インジケーターを分類し、レポートからエンティティを抽出し、調査チェックリストを準備できる。出力が提案のままにとどまる、または検証キューに入る場合、こうしたタスクは時間を節約する。

すでに検索可能なナレッジベースを構築している組織には、別の有用な基盤がある。承認済みのランブック、アーキテクチャドキュメント、過去のインシデント判断は、モデルにあらゆる社内リポジトリへの無制限なアクセスを与えることなく、統制されたコンテキストを提供できる。

誤った配置は、直接的なアクションから始まる。汎用モデルにアカウントの無効化、ホストの隔離、認証情報のローテーション、ファイアウォールルールの変更を許可すると、障害の影響範囲が広がる。正しいアクションであっても、タイミングやビジネスコンテキストが欠ければ混乱を引き起こし得る。

侵害された入力は、エージェントを操作することもある。プロンプトインジェクションは、モデルの挙動を別の方向へ誘導するよう設計された指示が、信頼できないコンテンツに含まれている場合に発生する。SOCでは、そのコンテンツはメール、文書、ログフィールド、マルウェア文字列、あるいは調査中に収集されたWebページに現れる可能性がある。

Anthropicのゼロトラストに関するガイダンスは、エージェントを階層化されたアクセスと制約付きの権限を持つ、信頼できない参加者として扱うべきだと主張している。この原則は、モデルが日常的に攻撃者が制御するデータに接するセキュリティ運用において、特に重要である。

有効な実装上の境界は、その脅威から導かれる。モデルにはタスクに必要な最小限のデータだけを渡すべきだ。ツール呼び出しには狭い権限を用いるべきである。影響の大きいアクションには承認を必要とし、すべてのプロンプト、取得ステップ、ツール呼び出し、結果を監査記録に残すべきだ。

これらの統制によって、Claudeはアナリストのための計器となる。それらがなければ、同じモデルは特権システムへの予測不能なインターフェースになる。

Googleのプラットフォーム優位性はモデルのリスクをなくさない

Googleは周辺プラットフォームを制御しているためGeminiをより深く統合できるが、統合だけで信頼できる自律性が確立されるわけではない。

Googleの主な優位性は、正規化されたセキュリティデータに近接していることだ。Google Security Operationsは、モデル出力を検知、ケース、脅威インテリジェンス、対応ワークフローに接続できる。そのエージェント型SOCは、この共有された運用環境を中心に設計されている。

このアーキテクチャは、統合作業の一部を軽減する。プラットフォームは既存のIDポリシーを適用し、ワークフローのアクティビティを記録し、一つのインターフェースで証拠を提示できる。また、モデル支援による調査を既存のセキュリティ制御に接続することも可能だ。

Claudeの柔軟性は、これとは逆のトレードオフを生む。組織は複数ベンダーの製品と接続し、既存のセキュリティアーキテクチャを維持できる。このアプローチは一つのプラットフォームへの依存を減らせる一方で、顧客側がコントロールプレーンのより多くを組み立てる必要がある。

これが重要なanthropic google比較である。Claudeは、環境をまたいで機能するポータブルな推論レイヤーを提供する。Geminiは、ワークフローとテレメトリーへのネイティブアクセスを備えたセキュリティプラットフォームの一部として登場する。

どちらの構造も、正確な結論を保証するものではない。深く統合されたモデルでも、イベントを誤解する可能性がある。ポータブルなモデルでも、完全で適切に構造化された証拠を受け取れば、強力な分析を行える。

周辺システムの品質は、モデルの能力と同じくらい重要である。そのシステムには、検索ルール、データ正規化、ID解決、ツール権限、モデルへの指示、検証テスト、エスカレーションポリシーが含まれる。

ベンダーのデモは、こうした依存関係をしばしば隠す。観客は、不審なアラートが明確なナラティブへと変換される様子を見る。しかし、関連するすべてのイベントを利用可能にし、重複を除去し、IDを解決し、各結論を検証するために必要な準備は、ほとんど目にしない。

自律性は、テストの負担も変える。クエリを下書きするコパイロットは、レビュー可能な成果物を生み出す。複数のクエリを実行してケースをクローズするエージェントは、一連の判断を行うため、それらを合わせた失敗率が重要になる。

セキュリティチームは、孤立したプロンプトではなく、完全なワークフローをテストすべきだ。モデルは19の個別ステップを正しく解釈しても、アカウントを無効化するかどうかを決める20番目のステップで失敗する可能性がある。総合的なタスク完了率では、最後のエラーの影響は明らかにならない。

Googleの製品統合は、こうしたテストを計測しやすくする可能性がある。Anthropicのモデルポータビリティは、異なるシステム間での独立評価を容易にする可能性がある。購入者は、両方を、どちらかの経路が普遍的に安全である証拠ではなく、アーキテクチャ上の特性として扱うべきだ。

勝つアプローチは、それらを組み合わせる形になるかもしれない。セキュリティプラットフォームが証拠、アクセス、オーケストレーションを担い、別途評価されたモデルが選定された推論タスクを実行する。この構成により、一つのモデルを恒久的な勝者と宣言する重要性は下がる。

これは退出の選択肢も改善する。モデルの性能は急速に変化する一方、セキュリティデータと組織のポリシーは残り続ける。SOCアーキテクチャは、長年にわたり蓄積した検知、ケース、組織的知識を再構築せずに、チームが推論コンポーネントを置き換えられるようにすべきだ。

真のリスクは、流暢さをフォレンジックの深さと混同することにある

説得力のあるナラティブは、すべての重要な主張が信頼できる証拠と結び付いたままでない限り、フォレンジック上の結論ではない。

大規模言語モデルは、入力に欠落があっても首尾一貫した説明を生成する。この性質は下書きには有用だが、アナリストが確信を確実性と解釈すると危険である。セキュリティ調査では、欠落した一つのプロセスイベントや誤解された一つのID関係が結論を左右することが多い。

フォレンジックの深さとは、何が実行され、どこから来て、何が変化し、その一連の流れをどの証拠が裏付けるかを特定することである。アラートの文言だけで、こうした問いに答えられることはほとんどない。調査には、メモリ解析、バイナリ検査、エンドポイントテレメトリー、ID履歴、ネットワーク証拠が必要になる場合がある。

The Hacker Newsは以前、AI主導の調査に関する報道でこの隔たりを指摘している。ベンダーの性能に関する主張には独立した検証が必要だとしても、その中心的な区別は妥当である。アラートを要約することは、基盤となるシステムを調査することと同じではない。

モデルは、検索の弱点も引き継ぎ得る。コネクタが高重大度のアラートだけを選択する場合、モデルは複数の低重大度イベントを通じて可視化されるキャンペーンを特定できない。保持ポリシーによって過去のログインが削除されていれば、モデルはそれを再構築できない。

より多くのデータへのアクセスは、すべての問題を解決するわけではない。広範なアクセスは、プライバシー、機密性、プロンプトインジェクションへの露出を増やす。目指すべきは無制限のコンテキストではなく、十分でガバナンスされたコンテキストである。

データレジデンシーも別の制約を生む。セキュリティ記録には、規制対象の情報や契約上の義務によって管理される詳細が含まれる場合がある。チームは、プロンプトと取得された記録がどこで処理されるのか、プロバイダーがそれらをどれだけ保持するのか、人間がアクセスできるのかを理解しなければならない。

モデルの更新は検証を複雑にする。あるバージョンに対してテストされたワークフローも、プロバイダーがモデルを変更すれば異なる挙動を示す可能性がある。セキュリティチームには、バージョン記録、再現可能なテストケース、本番環境に影響を与える前に変更を承認するプロセスが必要だ。

anthropic googleの競争は、こうした共通の限界を見えにくくする可能性がある。マーケティングは、購入者にベンチマーク結果やエージェントのデモを比較するよう促す。運用上の信頼は、組織独自のテレメトリー、ツール、攻撃パターン、承認要件を用いるローカルテストに依存する。

本格的な試験には、攻撃に似た正常な活動を含めるべきだ。不完全な証拠、矛盾するタイムスタンプ、取得したコンテンツ内の悪意ある指示、利用できないツールも含める必要がある。評価では、正解が不明な場合に回答を控えることを評価すべきだ。

人間によるレビューも、実質的なものでなければならない。過負荷のアナリストに長いAI生成ナラティブの承認を求めることは、自動化の儀式になりかねない。レビュアーには、簡潔な証拠、不確実性の明示、提案されたすべてのアクションの明確な記録が必要である。

組織は、オーバーライドの頻度だけでなく、その質も測定すべきだ。オーバーライド率が低いことは、高精度を示しているかもしれない。一方で、アナリストがシステムを容易に信頼しすぎている、またはその推論を精査する時間がないことを意味する可能性もある。

一般的なベンチマークだけで、どのベンダーもこうした問いに決着をつけることはできない。各SOCでは、データ品質、事業上の優先事項、業務中断に対する許容度が異なる。信頼は、モデルが運用されるまさにそのワークフローの内部で獲得されなければならない。

セキュリティチームが次に注視すべきこと

次の段階を決めるのは、検証可能な運用上の証拠、権限設計、そしてセキュリティ知識を失わずにモデルを変更できる能力である。

最初のシグナルは、ベンダーがワークフロー単位の評価結果を公開するかどうかである。購入者が必要としているのは、トリアージの高速化や推論の向上に関する主張だけではない。タスク定義、証拠要件、エラー分類、回答保留率、人間によるオーバーライドのデータが必要だ。

独立した評価は、より広範な導入を支持する根拠を強めるだろう。結果は現実的な調査を対象とし、敵対的な入力を含むべきだ。ベンダーが失敗パターンを開示せず、デモを重視し続けるなら、自律的な利用を支持する論拠は弱まる。

二つ目のシグナルは、アクション権限の設計である。AnthropicのパートナーとGoogleが、各ツール、データソース、応答アクションに対する粒度の細かい制御を提供するかを注視すべきだ。強力なシステムは、閲覧、提案、承認、実行を分離する。

承認は、結果の重大性に応じるべきだ。クエリの下書きと本番サーバーの隔離が、同じ認可経路を共有すべきではない。この境界を可視化するベンダーは、セキュリティチームに管理された導入のためのより良い基盤を提供する。

三つ目のシグナルは、モデルポータビリティである。セキュリティ組織は、プラットフォームが検知、証拠、ケース履歴、プロンプト、評価を、モデル変更後も使える形式で保持するかを注視すべきだ。推論モデルが、運用知識の唯一の保管場所になってはならない。

ポータビリティは、anthropic googleの競争が購入者に利益をもたらすか、それとも別の形のロックインを生むかを左右する。チームが同じケースに対してClaudeとGeminiをテストできれば、競争は性能と説明責任を向上させられる。各モデルに独立したデータおよびワークフロースタックが必要なら、切り替えコストは上昇する。

セキュリティリーダーは、完全な保証を待つ間、AIを拒絶する必要はない。インシデント要約、クエリの下書き、証拠のタイムライン、検知の提案など、レビュー可能な出力を生む限定的なタスクから始められる。各ワークフローには、明確な責任者、テストセット、権限の境界、ロールバック経路を設けるべきだ。

より難しい問いは、成功したアシスタントにより多くの自律性を与えるべきかどうかである。その判断は、経営陣の熱狂やベンダーの切迫感ではなく、測定された証拠に従うべきだ。アナリストの時間を節約するモデルは、有用性を示している。しかし、それだけで権限を示したことにはならない。

Claudeは、ガバナンスされた証拠を横断してアナリストの推論を支援する場合に、SOCに適している。Googleの統合アプローチは、そのエージェントが透明な制御とレビュー可能な記録によって制約される場合に、そこに適している。インターフェースが確信に満ちて聞こえるというだけで、どちらかに指揮を任せるべきではない。

セキュリティチームが次に取るべき行動は具体的だ。大量に発生し、影響の小さいワークフローを一つ選び、過去のケースに対してテストする。裏付けのない主張、見落とした証拠、アナリストによる修正、節約できた時間を記録する。そのうえで、結論に至る過程を隠さずに、その結果が調査を改善するかを問うべきだ。