AnthropicとGoogleの結び付きで、銀行はAI急拡大の両側に立つ

Anthropicは高度なサイバー能力を銀行業界にもたらす一方、Googleとの関係はその背後にあるインフラを拡大している。この相反する状況により、銀行はAIから身を守りながら、その成長に資金を供給する立場に置かれている。

したがって、AnthropicとGoogleのつながりは単なるクラウド提携ではない。Googleはカスタムプロセッサを供給し、Anthropicのセキュリティ施策にも参加している。銀行はAnthropicのモデルを利用し、類似システムに備え、それらを稼働させるデータセンターへの資金供給にも関わる。

この構図は、金融機関内のAIをめぐる議論を変える。差し迫った問いは、従業員にチャットボットを提供すべきかどうかではなくなった。銀行は、脆弱性を見つけ、規制対象の業務を行い、依存の集中を生み出すモデルをどのように統治するかを決めなければならない。

Anthropicのサイバーモデルが銀行の議論を変えた

Claude Mythosは、段階的に高まっていたセキュリティ上の懸念を、機械の速度で対応する銀行の能力を問う即時の試金石へと変えた。

Anthropicは4月7日、Project Glasswingを通じてClaude Mythos Previewを発表した。この取り組みには当初、Anthropic、Google、JPMorgan Chase、Amazon Web Services、Apple、Microsoft、および複数のセキュリティ企業が参加していた。

Mythosは、ソフトウェアの脆弱性を特定・分析するために設計されたアクセス制限付きモデルである。Anthropicはこのプレビューを一般公開しなかった。代わりに、選定された防御側の担当者と重要ソフトウェアの運用者にアクセスを提供した。

この限定公開自体も重要な要素だった。あるモデルが業界全体のリスク計算を変えるのに、公開インターフェースは必要ない。その実証された能力は、制約の少ないシステムが近く何を実行し得るかを示し得る。

Anthropicによると、Mythos Previewは初期展開中に1,000件超のオープンソースプロジェクトをスキャンした。同社のGlasswingに関する初回アップデートでは、同モデルが推定23,019件の脆弱性を特定したとしている。

Anthropicは、そのうち6,202件を高深刻度または重大深刻度に分類した。これらの数値は、報告されたすべての欠陥を包括的に独立監査した結果ではなく、引き続き同社の推定値である。

モデルの価値は検証にも左右される。自動化システムは、危険に見えるコードパターンを指摘できても、攻撃者が本番環境で悪用できることまで証明できるとは限らない。セキュリティチームは、検出結果を再現し、影響範囲を評価し、パッチ適用を調整する必要がある。

そうした制約があっても、その規模は通常の脆弱性管理を変える。従来、銀行は研究者、ベンダー、予定されたパッチサイクルによって形作られたキューを通じて発見事項を処理していたかもしれない。特化型モデルは、はるかに速く検出結果を生み出せる。

速度は両面的な問題を生む。防御側はより多くのコードを調査し、修正の優先順位付けを早められる。一方で、同等の能力を利用する攻撃者も、大規模なソフトウェア資産から見過ごされた弱点を探索できる。

銀行は、この問題の特に難しい形に直面している。インフラには、最新のクラウドサービス、購入したアプリケーション、社内コード、旧来の基幹システムが混在していることが多い。接続が一つ増えるごとに、欠陥が広がり得る場所も増える。

リスクは銀行が開発したアプリケーションにとどまらない。金融機関は、OS、ブラウザ、IDサービス、決済ソフトウェア、そして数多くの第三者に依存している。一つのサプライヤーの弱点が、多数の機関に同時に影響を及ぼす可能性がある。

この可能性が、Mythosをめぐる政府の注目を説明する。政府関係者が反応していたのは、通常のモデルベンチマークではない。脆弱性の発見から悪用の試みまでの時間が大幅に圧縮される可能性に直面していたのだ。

中核となる変化は対応時間で測定できる。セキュリティ組織は、将来のモデルが欠陥をどれほど速く探索するかを制御できない。しかし、チームが検出結果をどれほど速く検証し、優先順位を付け、修正し、監視するかは制御できる。

銀行にとってMythosは、完成品というより運用テンポに関する警告である。次の重大な脆弱性は、類似した自動化システムを通じて、防御側と敵対者の双方に届く可能性がある。

AnthropicとGoogleの関係が重要な理由

GoogleはAnthropicに、特化型モデルの能力を持続的な商用システムへと転換し得る規模のインフラへのアクセスを提供している。

AnthropicとGoogleの関係は、投資、コンピューティング能力、流通、技術協力を組み合わせたものだ。また、銀行がAIベンダーを独立したソフトウェア供給者として評価できない理由も示している。

Anthropicは2025年10月、最大100万基のGoogle tensor processing unitsへのアクセスを取得することで合意した。tensor processing unit、すなわちTPUは、AIワークロード向けにGoogleが独自開発したプロセッサである。

両社によると、この契約は数百億ドル規模だった。TPU契約の詳細によれば、2026年中に1ギガワット超の容量をオンライン化する見込みだった。

Anthropicはその後、次世代TPU容量5ギガワット分についてGoogleおよびBroadcomと契約を締結したと発表した。この発表は5月、大規模な資金調達発表とともに行われた。

同時にAnthropicは、AWSが引き続き主要なクラウドプロバイダーおよびトレーニングパートナーであると述べた。ClaudeはMicrosoft Azure経由でも利用可能だった。このマルチクラウドのアプローチは、単一の提供チャネルへの依存を減らすが、インフラ集中をなくすものではない。

Googleはこの構造の中で特異な位置を占める。Claudeと競合するGeminiを開発する一方で、Anthropicが競合モデルを訓練・運用するのを支えるプロセッサとクラウド容量も提供している。

このため、この関係は双方にとって戦略的に有用となる。Anthropicは特化型コンピューティング資源へのアクセスを得る。Googleはプロセッサの大口顧客を得るとともに、自社の内部モデル群を超えたインフラの有効性を示せる。

銀行は、自らのベンダーポートフォリオにも同じパターンがあることを認識すべきだ。アプリケーション層での競争は、その下で共有されるインフラの上に成り立つ可能性がある。表面上は独立して見える二つのAIサービスでも、クラウド、プロセッサ、セキュリティコンポーネントが重複していることがある。

この関係は、能力開発と防御的な連携も結び付けている。GoogleはAnthropicにインフラを提供する一方、Project Glasswingにも参加した。そのため、モデルの上流に位置すると同時に、そのリスクに対応するネットワークの内部にもいるように見える。

これは、GoogleがClaude MythosやAnthropicのすべての導入を管理していることを意味しない。レジリエンスを評価する際、ベンダーの境界が有用でなくなることを意味する。銀行のリスクチームには、製品インベントリだけでなく、技術的・商業的な依存関係の地図が必要だ。

ある機関は、一つのクラウドを通じてClaudeを利用し、別の契約でGeminiを利用し、いずれかのモデルを呼び出すベンダーのアプリケーションも使うかもしれない。この構成は分散しているように見えても、共通のインフラ上の要点を残し得る。

同じ問題は社内ナレッジシステムにも当てはまる。銀行は、モデルサービスを調査資料、ポリシー、顧客記録、エンジニアリング文書に接続するかもしれない。接続ごとにシステムの有用性と露出がともに拡大する。

優れたknowledge blendingは、承認済みソースをまたいで従業員が文脈を取得する助けとなり得る。しかし規制対象の機関では、すべての検索経路にもアクセス制御、来歴、保持ルール、監視が必要になる。

これが、AnthropicとGoogleの関係がモデルランキングを超えて重要である理由だ。それは、最先端AIをめぐって形成されつつある産業構造を表している。モデル開発企業、クラウド事業者、チップ設計企業、大口顧客は、財務面・技術面の両方で相互依存を深めている。

銀行は、なじみのあるプロバイダーを選ぶことでこの構造を回避することはできない。依存関係がどこで収束するかを特定し、どの障害に代替容量、手作業の手順、あるいは契約上の保護が必要かを決めなければならない。

銀行は顧客、防御者、資金提供者である

銀行はいま、AI経済において相反する三つの立場を占めており、それぞれの立場が他の立場によって損なわれ得る義務を生み出している。

顧客として、銀行は調査、ソフトウェア開発、コンプライアンス業務、文書分析のために、より優れたモデルを求めている。Anthropicは、こうした需要を中心に直接的な商業戦略を構築してきた。

5月、同社は金融ワークフロー向けの10種類のエージェントを導入した。エージェントとは、限定的な人間の介入のもとで、複数のステップを計画・実行できるソフトウェアを指す。

これらのツールは、ピッチブックの作成、財務諸表の監査、与信メモの下書きといった業務向けに設計された。Anthropicは、機関のポリシーを反映しつつ、Claude CodeおよびCoworkと接続できると述べた。

当時Anthropicは、金融機関が同社の上位50顧客の40％を占めているとした。金融向けエージェントの発表によれば、エンタープライズ収益において金融はテクノロジーに次ぐ第2位の業界だった。

この導入は直接的な競争圧力を生む。文書レビューやソフトウェア提供を短縮する銀行は、処理時間を削減できる。変わらないプロセスを使う競合他社は、サービス水準で対抗するのが難しくなるかもしれない。

しかし銀行は防御者でもある。社内の生産性を向上させるシステムは、攻撃者による弱点の探索を支えるシステムに似ている可能性がある。セキュリティチームは、モデル、その接続ツール、そしてアプリケーションをまたいで行動するエージェントの振る舞いを評価しなければならない。

この役割に必要なのは、従業員のプロンプトをフィルタリングすることだけではない。金融エージェントは、情報の取得、ファイルの書き込み、ソフトウェアツールの呼び出し、判断の準備を行う可能性がある。権限ごとに、制御と証跡を必要とする経路が生まれる。

銀行は、モデルだけをリスク単位として扱うことはできない。認証、データ取得、人間による承認、出力検証、監査ログを含む完全なワークフローを検査する必要がある。

銀行は、AIを支える物理的な拡張にも資金を供給している。融資、プライベートクレジット、ストラクチャード・ビークル、データセンタープロジェクトは、銀行が導入を進めている同じ業界における需要想定へのエクスポージャーを貸し手にもたらし得る。

これにより、特異なフィードバックループが生じる。銀行はモデル企業が利用するインフラに資金を供給する。そうした企業は、銀行に近代化を迫るシステムを開発する。銀行はその圧力に対応するため、さらに多くのAIサービスを購入する。

このループが自動的に不安定性を示すわけではない。データセンターは実在する資産であり、モデルサービスは価値ある収益を生み得る。しかし、相互に接続された成長は、どれほど多くのエクスポージャーが似通った前提に依存しているかを見えにくくする可能性がある。

ある貸し手は、AI企業からの長期需要を前提にデータセンタープロジェクトの引受を行うかもしれない。別部門はその企業のモデルに依存する可能性がある。その場合、銀行の技術面と与信面のエクスポージャーは、共通する取引先のストーリーを共有することになる。

Googleの役割は、さらに一層複雑さを加える。同社は同じ市場内で、チップ、クラウドサービス、投資支援、モデル競争を提供し得る。銀行は、ストレス下でこれらの役割がどのように相互作用するかを評価しなければならない。

これこそが本当の警鐘である。AIはもはやテクノロジー支出に限定されない。業務レジリエンス、第三者リスク、サイバー防衛、融資、戦略立案にまで及ぶ。

断片化されたガバナンスモデルでは、こうしたつながりを見落とす。調達部門はベンダー条件を測定する一方、セキュリティ部門は脆弱性を追跡し、与信チームはインフラ借り手を分析するかもしれない。単一の視点で統合されたエクスポージャーを捉えることはできない。

銀行には、AIサービス、クラウド依存関係、重要なワークフロー、資金供給関係、コンティンジェンシープランを結び付ける全社レベルの地図が必要だ。その地図がなければ、表面的には分散化が存在しても、その下では集中が進む可能性がある。

AnthropicとGoogleの圧力がスピードの格差を露呈する

主要な競争は、モデル主導の変化と、それを統制することが期待される銀行のガバナンス体制との間にある。

従来の銀行統制は、大規模な技術変更が定義された段階を経て進むことを前提としている。チームはベンダーを選定し、システムをテストし、リスクを文書化し、導入を承認し、本番環境での挙動を監視する。

フロンティアモデルは、そのサイクルを通じて静的なままではない。提供者は能力、セーフガード、コンテキスト制限、統合機能、導入方針を更新する。あるバージョンに対して完了したレビューが、次のバージョンを適切に説明するとは限らない。

サイバー能力の進化はさらに速い。脆弱性を発見するモデルは継続的にコードをスキャンできる一方で、銀行は依然として予定されたメンテナンス枠内でパッチ適用を調整している場合がある。この不一致により、対応速度は戦略的な重要性を持つ。

答えは、レビューの関門をなくすことではない。銀行は顧客資産、個人データ、規制対象の意思決定を扱う。ベンダーのリリーススケジュールに合わせて統制を弱めれば、遅延を回避可能な運用リスクに置き換えるだけになる。

より良いアプローチは、可逆的な実験と、重大な本番判断を分けることだ。チームは統制された環境で新しい能力を評価しつつ、顧客向けまたは影響の大きい用途については、より厳格な承認の下に置くことができる。

銀行には、変更を契機とするレビューも必要だ。重大なモデル更新、新たなツール権限、データセットの拡大、保持方針の変更があれば、関連する統制を再開すべきである。年次評価だけでは、この市場の変化には追随できない。

Mythosを巡る銀行防衛の分析は、その圧力を示している。規制当局は銀行幹部とこのモデルについて協議した一方、当初のアクセスは選定された組織に限られていた。

最初のGlasswing参加者として名前が挙がった銀行は、JPMorgan Chaseのみだった。その後、Morgan Stanley、Goldman Sachs、Bank of New York Mellonは決算説明会でアクセスを得たことを確認した。

この不均一な配分は重要である。早期アクセスを得た機関は、その能力を研究し、自社システムを検証し、対応手順を改善できる。アクセスのない機関は、二次情報と従来のテストツールを用いて備えなければならない。

国際的な格差は問題をさらに難しくする。英国の銀行アドバイザーであるHarriet Reesは7月、英国の主要銀行にはMythosへのアクセスを得る明確な時期が示されていないと述べた。

Anthropicは、米国政府と連携しつつ、米国外でMythos 5の展開を開始したと述べた。アクセスは引き続き信頼できる組織と政策判断に結び付けられていた。

これにより、モデルの利用可能性はレジリエンスの問題となる。制限されたシステムが新しい種類の弱点を特定した場合でも、承認ネットワークの外にいる機関は、その根本的なリスクに引き続き直面する。

圧力は、単純にAnthropic対Google、あるいはClaude対Geminiという構図ではない。それらは補助的な競争要因にすぎない。主な対立は、急速に進化する能力と、より遅い組織的な調整との間にある。

したがって銀行幹部は、運用上の問いを投げかけるべきだ。チームは緊急のモデル生成による発見を、どれほど迅速に検証できるのか。どのシステムに緊急パッチを適用できるのか。是正を始める前に、どのベンダーの参加が必要なのか。

また、コミュニケーション経路もテストすべきである。深刻な脆弱性には、法務チーム、監督当局、顧客、ソフトウェア供給者、政府機関が関与し得る。遅延はセキュリティスキャナーの内部ではなく、組織間で発生することが多い。

AnthropicとGoogleのインフラ関係は、新モデルが豊富な計算能力を得る可能性を高める。これは、主張されるすべての能力を保証するものではない。しかし、進歩の減速を待つことが弱い戦略であることは示している。

銀行には、慎重さを維持しながらも、緩慢な変更に依存しないガバナンスが必要だ。この違いは重要である。攻撃者は委員会の予定を待たないからだ。

モデルの数値が証明しないこと

Mythosは深刻な警鐘を鳴らすが、報告された発見は、止められない攻撃システムや完全な防御ソリューションを証明するものではない。

Anthropicの脆弱性件数には文脈が必要だ。モデルは数千件の候補を出力できるが、実際の導入環境で悪用可能で、新規性があり、到達可能かつ重要であると証明されるのは、そのうちのより少数にとどまる可能性がある。

深刻度の見積もりも前提条件に左右される。ある構成で重大と評価される欠陥が、別の構成では到達不能な場合がある。逆に、中程度の問題でも、脆弱な認証情報や別の脆弱性と組み合わされることで危険になり得る。

Anthropicの公開資料は、Mythos級システムを制限することで導入上の懸念を認めている。この方針は、その能力に注意を払うべきだという主張を支える。しかし、すべての性能主張を独立して検証するものではない。

銀行は両極端の誤りを避けるべきだ。提供者自身が結果を報告したからといってモデルを退ければ、信頼できる警告を見過ごすことになる。すべての結果を確認済みとして扱えば、優先順位を歪め、限られた是正能力を消費してしまう。

有用な統制プロセスでは、検証率を記録する。チームは、発見のうち再現できるものはいくつか、新規のものはいくつか、検証にどれだけ時間がかかるか、確認済みの問題にどれほど迅速にパッチが適用されるかを測定すべきである。

こうした運用指標は、見出しを飾る総数より重要だ。モデルがセキュリティ成果を改善しているのか、それとも既に混雑した脆弱性キューをさらに膨らませているだけなのかを明らかにする。

防御目的のアクセスも、情報取り扱いリスクを生む。非公開のソースコードを調べるシステムは、厳格に統制された開示を必要とする認証情報、アーキテクチャの詳細、弱点に接触する可能性がある。

銀行には、データ保持、モデル学習、サポートアクセス、インシデント報告に関する契約上の明確性が必要だ。また、権限が各従業員の役割と引き続き整合していることを示す証拠も必要である。

より大きな導入状況にも、別の注意点がある。University of Cambridge主導の金融サービス調査によると、参加組織の大半は自ら基盤モデルを訓練するのではなく、外部モデルを基盤として構築していた。

調査対象の業界回答者では、OpenAIが最も多く利用された提供者で、GoogleとAnthropicが続いた。この結果は、銀行がすでに複数提供者の市場で事業を行っていることを示している。

同じ報告書は、リスクに関する認識の隔たりも明らかにした。規制当局は、敵対的脅威とサイバーまたは運用上のレジリエンスを、AIベンダーより高い優先度に置いていた。

この意見の相違は導入に影響する。ベンダーはモデル統制と文書化されたセーフガードに焦点を当てることが多い。規制当局と銀行は、決済、顧客サービス、市場、接続された機関にまたがる障害を考慮しなければならない。

競争は一定の保護をもたらす。銀行はClaude、Gemini、OpenAIモデル、専門的なセキュリティツールを比較できる。また、異なるワークロードを適切な統制を備えたサービスへ振り分けることもできる。

しかし、切り替えは即時には行えない。モデルの挙動、プロンプト、評価、統合、従業員のワークフローは、実質的なロックインを生む。重要なプロセスを移行するには、新たなテストと規制文書が必要になる場合がある。

モデルの多様性は、追加の複雑さももたらし得る。各提供者には、異なる契約、監視システム、安全方針、更新スケジュールがある。ベンダーが増えればレジリエンスは向上し得る一方、ガバナンス作業も増加する。

適切な結論は慎重なものだ。Anthropicは、自動化された脆弱性発見における意味のある変化を示す証拠を提示した。攻撃面での完全な影響と、長期的な防御価値は依然として不確実である。

銀行は、どの単一モデルも問題を解決すると想定せず、より速い発見に備えるべきだ。検証、パッチ適用、セグメンテーション、復旧は依然として不可欠である。

銀行が次に注視すべき3つのシグナル

次の段階は、検証済みのセキュリティ成果、より広いアクセス、そして銀行が組織の境界を越えてAIを統治できることを示す証拠によって決まる。

第1のシグナルは、Mythosの発見に対する独立検証である。銀行は、報告された脆弱性のうち、影響を受けるプロジェクトやセキュリティ研究者によるレビュー後も深刻度を維持するものがどれだけあるかを注視すべきだ。

高い検証率は、専門モデルが発見までの時間軸を恒久的に短縮したという見方を強める。低い検証率でもリスクが消えるわけではないが、注目はトリアージの質へ移るだろう。

最も有用な開示には、総数以上の情報が含まれる。レビュー担当者には、再現性、新規性、悪用可能性、パッチ完了、是正までの時間に関するデータが必要だ。これらの指標は、モデル出力を実際の防御改善につなげる。

第2のシグナルは、信頼できるアクセスの拡大である。米国外におけるAnthropicの展開は、機密性の高い能力を無差別に公開せずに、制限付きの配布が幅広い金融レジリエンスを支えられるかを示すだろう。

より広範で協調的なプログラムは、早期参加者と他の機関との格差を縮小する。地理的な分断が長期化すれば、国内モデル、共有テスト施設、正式な国際協定を求める声が強まるだろう。

銀行は、政府が参加に関する一貫した基準を設けるかどうかも注視すべきだ。場当たり的な承認では、時期、責任、発見された脆弱性の取り扱いについて、機関が不確実性を抱える可能性がある。

第3のシグナルは、金融機関内部のガバナンスである。決算説明会、規制レビュー、インシデント開示は、銀行がAI導入をサイバーリスクや第三者集中と結び付けているかを明らかにするはずだ。

進展の証拠には、事業プロセスに紐付いたモデル台帳、テスト済みの代替手順、バージョン固有の評価、より迅速なパッチワークフローが含まれる。責任あるAIに関する一般的な説明から得られる情報は、はるかに少ない。

AnthropicとGoogleの提携は、インフラ規模が将来のリリース速度に影響するため、引き続き中心的な位置を占める。AnthropicとAWS、Microsoftとの関係も、この話を単一の排他的なクラウド依存に還元できないことを意味する。

このマルチクラウド構造は銀行に選択肢を与えるが、チームがそれを行使できる場合にのみ選択肢は役立つ。ワークロードを安全に移行できなければ、使われていないバックアップ提供者はレジリエンスを構成しない。

同じ原則は人間による監督にも当てはまる。承認を必須とすることは安心材料に聞こえるが、レビュー担当者に時間、文脈、権限がなければ機能しない。銀行は、現実的な条件下で人々が自動化ワークフローを中断できるかをテストしなければならない。

幹部は最後に一つ、問いかけるべきだ。自組織は、モデルが発見した弱点に対し、同等のモデルがその弱点の悪用を支援できる速度よりも速く対応できるのか。

この問いは、サイバーセキュリティ、ベンダー管理、人員配置、インフラ、経営陣の説明責任を結び付ける。また、AnthropicとGoogleを巡る話に、モデルランキングを超えた実践的な意味を与える。

銀行は、来年どのAI研究所が先導するかを予測する必要はない。能力、アクセス、ベンダー関係が急速に変化しても信頼できる運用体制を必要としている。

したがって警鐘は、一つのモデルを購入せよという指示ではない。依存関係を可視化し、主張を検証し、是正を加速し、次の能力飛躍が訪れる前に復旧を訓練せよという要求である。