Claude Opus 5.5のコードセキュリティ、GPT-6-Solと73%で並ぶも検証は依然不可欠
Veracodeの秋季評価で、Claude Opus 5.5のコードセキュリティはGPT-6-Solと73%で並んだ。ベンチマークの最高水準は引き上げられた一方で、依然として重大な失敗も残っている。この結果により、この特定の指標ではAnthropicとOpenAIが同水準となった。同時に、より優れたコーディングモデルが実際にどれほど検証作業を減らせるのかという、購入判断上の問いもいっそう明確になった。
Veracodeは2026年10月29日に調査結果を発表し、平均セキュリティ合格率が56%から62%へ上昇したと報告した。同社はPython、C#、JavaScript、Javaにまたがる18モデルを評価した。同社のコードセキュリティに関する調査結果は、実運用アプリケーションに含まれ得るすべての不具合ではなく、選定された脆弱性を対象としている。
中心的な緊張関係は、より良い初稿と信頼できるリリースの間にある。モデル選定は出発点に影響する一方、ユーザーに届くものを決めるのはレビュー、テスト、修正だ。新しいスコアはエンジニアリング責任者に進展の証拠を与えるが、より難しい運用面での比較は未解決のままである。
Claude Opus 5.5のコードセキュリティがベンチマークの上限を引き上げる
報告された同率首位はVeracodeの評価におけるより高いスコアを示すが、実際のアプリケーション全体で同等のセキュリティを証明するものではない。
Veracodeの発表では、Claude Sonnet 5.5が72%で首位グループに続き、GPT-5.6-Solが70%となった。これらの結果は、単純な勝者発表よりも競争状況を有用なものにしている。購入者には近い水準の選択肢が複数あり、わずかなベンチマーク差を導入判断の根拠にする前には文脈が必要だ。
これまでに報告された最高値は、2026年7月のGPT-5.5による68%だった。この数値を現在の首位モデルと比較すると、この調査系列における変化が見て取れる。ただし、上限値が上がっただけでは、新しいモデルが未知のリポジトリ、特殊な要件、またはセキュリティに影響する変更をどれほど一貫して扱えるかは示せない。
ベンチマークとは、定められた条件下で採点される、定義済みのタスク群である。その価値は、断片的な開発者の印象よりも統制された比較を可能にする点にある。限界もまた同じ境界に由来する。タスクは選定された状況を表し、採点は選定された結果を捉える。
Claude Opus 5.5とGPT-6-Solを比較する読者にとって、公開された同率結果は、測定対象となったタスクについての限定的な問いに答えるものだ。特定の企業でどちらのアシスタントがより少ない修正で済むかまでは解決しない。それは周囲のアプリケーションと開発プロセスに左右される。
この違いが重要なのは、本番環境への変更には、単独の回答として受け入れられるコードを生成する以上の責務があるためだ。既存の挙動を維持し、アクセスルールを尊重し、ローカルの慣例に適合し、他のコンポーネントと安全に連携しなければならない。生成スコアが良好でも、これらの責務は残る。
スコアの表現にも注意が必要だ。セキュリティ合格率は、テスト出力に対する評価者の分類を表す。顧客アプリケーションの同等の割合が安全であるという予測や、残る失敗がインシデントを引き起こすという意味に変えてはならない。
同様に、失敗したすべての出力が同じ深刻度を持つことも示されない。到達不能な例にある脆弱性と、機密性の高い顧客データを扱う露出した欠陥は異なる。その違いを判断するには、見出しの百分率だけでは得られないアプリケーションの文脈が必要となる。
したがって有用な進展とは、より良く測定された出発点である。チームは、その出発点がレビュー工数、繰り返されるミス、修正時間を減らすかどうかを問える。これらは順位付けから自動的に導かれる結果ではなく、検証すべき実務上の仮説だ。
この解釈は、ニュースを過度に膨らませることなく保つ。AnthropicとOpenAIは報告上の首位を共有し、この分野の測定された性能は向上した。次の問いは、その向上を信頼できるソフトウェアへと変えるのは誰なのかという点にある。
エンジニアリング責任者は依然としてリリース判断を担う
この結果は、モデル名を通じてセキュリティを購入するのではなく、開発プロセス全体を測定するよう購入者に促している。
エンジニアリング責任者は、複数の変動要因を伴う判断に直面している。アシスタントを選び、レビュー能力を配分し、どの変更に追加の精査が必要かを決める。高いベンチマークスコアはその判断に役立つが、リリース判断そのものを代行することはできない。
たとえば、顧客サポートアプリケーションが、AI生成によるアカウント検索機能の変更を受け取る場面を考えてみよう。提案されたコードは、通常のテストでは期待どおりのレコードを返す。それでもレビュアーは、ユーザーが他者に属するレコードを取得できないことを確認する必要がある。
この例は仮説であり、Veracodeの評価で文書化された失敗例ではない。これは、コード生成の成功と受け入れ可能なアプリケーション動作には異なる証拠が必要である理由を示している。モデルの回答は、組織における実際の権限とデータ境界に照らして評価されなければならない。
首位モデルを選んだチームであっても、未解決の指摘事項を誰かが担う必要がある。そうでなければ、検出の追加は、リリースされるソフトウェアを改善しないまま増大するキューを生みかねない。判断、修正、確認の責任は、依然として運用コストの一部である。
調達上の示唆は明快だ。購入者は、セキュリティ作業の削減が約束される根拠としてどのような証拠があるのかを問うべきである。ベンチマークスコアだけでは、レビュー担当者の工数削減、修正の迅速化、導入後のリスク低減は証明されない。
アプリケーションセキュリティチームにとっての課題は、技術的な知見をリリース基準へと翻訳することにある。「AIコードを注意深くレビューする」だけでは、個々の開発者に委ねる解釈が多すぎる。明確な期待値があれば、どの変更に専門家の注意が必要かを判断しやすくなる。
開発者にとっての懸念は、そうした期待値が日常業務に合っているかどうかだ。変更が完了してから初めて提示される要件は、避けられる手戻りを生む。意図した挙動と受け入れ条件が元のタスクに添えられていれば、セキュリティ上の判断はより容易になる。
ここでドキュメントは実務的な役割を果たす。検索可能なナレッジベースは、エンジニアが過去の判断、承認済みパターン、関連する技術的文脈を取得するのに役立つ。ドキュメントはレビューを支援するが、生成されたコードを認証するものではない。
同じ区別は、リポジトリの文脈を受け取るアシスタントにも当てはまる。より多くの情報は利用できる材料を増やすが、その情報があること自体は正しい適用を証明しない。提案された変更が関連する制約に従ったことを示す証拠は、依然としてレビュアーに必要である。
組織は、購入判断とリリース判断も区別すべきだ。アシスタントの選定は、開発者にどのツールを提供するかを決める。特定の変更を受け入れるには、そのアシスタントが公開評価で好成績を収めた場合でも、その変更に関する証拠が必要となる。
報告された改善により、この議論はより具体的になった。購入者は、初期品質のシグナルとその後に必要な作業を比較できる。そこで実際のトレードオフが明らかになる。より強力な生成は役立ち得る一方、信頼できるリリース挙動には、機能する検証プロセスがなお必要である。
既知のセキュリティパターンが改善の一部を説明するにとどまる
Veracodeは改善の大部分を特定の脆弱性カテゴリに起因するとしており、幅広いセキュリティ推論に関する主張には限界がある。
Veracodeは秋季ベンチマーク分析で、基本的なクロスサイトスクリプティングが改善の主な要因だと特定している。クロスサイトスクリプティング、すなわちXSSは、安全でないコンテンツがWebページ内で実行可能なスクリプトになる際に発生する。同社は、よく知られた安全なパターンが改善を説明する助けになると主張している。
この説明は、単にスコアを報告するのではなく、その仕組みを提示しているため、帰属を明確にする価値がある。モデルがより安全な既知のパターンを選択すれば、測定結果を改善できる。この観察は、どの訓練上の変更がその選択をもたらしたのかを正確に証明するものではない。
Veracodeは、他のテスト対象カテゴリでは変化が小さく、ログ処理の周辺に持続的な弱点があると報告している。同社の解釈は、この困難を関数をまたいで情報を追跡することと結び付けている。これは、コーディングモデルがセキュリティ全般で向上したという一般論よりも、具体的な説明をもたらす。
根本にあるXSSの問題は、アプリケーションが入力データを使用する文脈に関わる。MITREのスクリプト無害化の定義は、後続のWeb処理がスクリプト要素として解釈し得る文字を無害化できない失敗を説明している。この定義は、一見すると通常の表示操作にセキュリティ上慎重な処理が必要となる理由を理解する助けになる。
例として、顧客が送信したメッセージを表示するサポートダッシュボードを想像してみよう。アプリケーションはテキストの表示を意図しており、そのテキストがアクティブなページコンテンツにならないようにすることがセキュリティ要件となる。重要な問いは、アプリケーションがその値をどう扱うかにある。
その状況で期待される安全なパターンをモデルが認識することは、有用な改善である。しかし同じ値は、後にアプリケーションの別の部分に現れる可能性がある。元の操作に対する確信を、後続のすべての使用に自動的に移すことはできない。
ログ処理は、別の文脈上の問題を示している。サービスは通常のエラーパスで、顧客が制御するテキストを記録する場合がある。開発者は代入文だけを判断するのではなく、ログシステムと後続の閲覧者がそのテキストをどのように解釈するかを考慮する必要がある。
MITREのログインジェクションの定義は、ログに書き込まれる外部入力の不適切な処理を説明している。その結果の例には、偽造されたエントリや解釈の妨害が含まれる。こうした結果は、一見ありふれた診断コードにも精査が必要な理由を示している。
この記事をコーディングチュートリアルにせずとも、この比較は有用である。どちらの例も、固有の解釈ルールを持つ文脈へ情報が渡ることに関係している。説得力のある見た目の関数でも、その境界を誤って扱う可能性があり、実務上の結果は周囲のアプリケーションによって決まる。
Claude Opus 5.5のコードセキュリティにとって、これは順位付けの背後にある最も重要な留保である。改善が既知の状況に集中していることは、未知のアプリケーション挙動全般にわたる改善よりも狭い結論を支持する。購入者は、この結果を社内で議論する際にその違いを保つべきだ。
この仕組みは、より強い証拠がどのようなものかも示唆している。追加の文脈や相互作用を含むテストは、より安全な選択が現在のタスクセットを超えて持続するかを明らかにするだろう。それまでは、より広範なセキュリティ能力は追加評価を要する問いのままである。
同じスコアではワークフローの比較は未解決のまま
購入者が最初の回答だけでなく、検証済みの変更を比較するとき、Claude Opus 5.5とGPT-6-Solの比較はより有益になる。
最初の回答は、多くの開発プロセスにおける中間結果にすぎない。開発者はコードを修正し、チェックを実行し、失敗を確認し、修正を依頼する。初期出力を評価することには価値があるが、そのより長いプロセスの挙動までは明らかにしない。
その後のステップによって、競争上の優位性は変わり得ます。より良い回答から始めたアシスタントが、狙いを定めた修正には苦戦するかもしれません。別のアシスタントは、意図した挙動を維持しながら、具体的な指摘に適切に対応できる可能性があります。
これらは評価すべき可能性であり、秋の順位によって確立された結論ではありません。同率という事実だけでは、どちらのパターンをAnthropicまたはOpenAIに帰属させる根拠にはなりません。それを同一の挙動の証拠とみなすことも、勝者を作り出すことと同様に正当化されません。
関連研究は、これらの問いを分けて考える必要性を裏づけています。Mikhail Surikovによる2026年8月の修復パイプライン研究では、以前のClaudeモデルを用いて、生成、検出、修正、その後の検証を評価しました。同研究は、初期生成で最も優れたモデルが、パイプライン全体で最も優れた性能を示したモデルではなかったと報告しています。
この論文は、修士課程の実習プロジェクトを記述したプレプリントであり、実験範囲は限定されています。Veracodeの新たなランキングを再現したものでも、現時点の商用モデルにおける勝者を確定したものでもありません。その意義は、初期出力の品質と検証後の結果を区別している点にあります。
この研究では、修復によって追加の脆弱性が持ち込まれた事例も報告されています。この知見は、アシスタントの説明を十分な証拠として受け入れるのではなく、提案された修正を検証すべきだという考えを支持します。ただし、すべての自動修復プロセスが同様に振る舞うことを示すものではありません。
購入者にとっての分析上の示唆は、同等の開発プロセス同士を比較することです。一方のアシスタントには詳細な指摘を与え、もう一方は未修正の回答で評価すれば、比較条件が変わります。違いを報告せずに異なる量の改訂を認める場合も同様です。
比較すべき出力は、同一の受け入れ条件を満たした完成済みの変更です。そうすれば、初期のセキュリティスコアと並んで、レビュー工数、未解決の指摘、機能が維持されているかどうかが見えるようになります。これらの指標は、公開リーダーボードとは異なる問いに答えるものです。
異なるタスクを異なるモデルに割り当てるモデルルーティングも、別の判断要素を加えます。組織は、機密性の高い変更や難しい修正のために、特定のアシスタントを確保するかもしれません。その方針の根拠は、製品ファミリーに関する推測ではなく、関連するタスクから得られるべきです。
他モデルの報告上の順位が接戦であることから、この点は特に重要です。共同首位のモデルとともにClaude Sonnet 5.5を検討する購入者は、最終的な成果全体を評価する必要があります。ランキングだけでは、レビュー工数、応答時間、修正品質の最適なバランスを確定できません。
ベンダーのモデル階層も、そのバランスを確立することはできません。製品ポジショニングはベンダーの提供内容を示す一方、組織の評価は自らの業務負荷を示します。両者を結び付けるには、特にわずかなセキュリティ差が広範な購買判断に影響する場合、比較可能な証拠が必要です。
したがって、この秋の結果は、プロセスレベルで競争を捉えるべき根拠を強めます。より優れた生成には依然として価値がありますが、その運用上の価値は、変更がリリース可能になるまでに何が起きるかに左右されます。
公開された数値には方法論上の精査が必要
中核となるランキングは文書化されていますが、より広範な解釈のいくつかには、見出しの数値だけでは得られない情報が必要です。
元のshattered.ioの見出しは、検証可能なVeracodeの発表へとつながっています。これは、同率を帰属を明示したベンチマーク結果として報じる根拠になります。しかし、その結果をめぐるあらゆる説明を、独立して確立された事実に変えるものではありません。
公開と再現は異なる目的を果たします。公開により、評価者の知見は検証可能な形で利用できるようになります。再現とは、別の評価者が十分に比較可能な条件で作業を繰り返し、その結果が元の実行を超えて成り立つかどうかを読者が判断できるようにすることです。
ここで検討した一次資料は、この正確な同率結果が独立して再現されたことを示していません。これは信頼度に関する制約であり、報告されたスコアが誤りである証拠ではありません。適切な対応は、帰属を維持し、普遍的な結論を避けることです。
近接するスコアを解釈する際には、サンプルサイズと繰り返し実行も重要です。丸められた割合は、基礎となる件数の差を隠し得ます。不確実性の推定がなければ、小さな数値差がモデル間の安定した差を示すと読者は想定すべきではありません。
明確化が必要な、もう一つの目に見える問題があります。この発表は、付随する分析で論じられた複数の広範なサブグループ平均を上回る総合平均を報告しています。これらのグループが同じ重み付けの下で同一の完全な母集団を記述しているなら、この関係には説明が必要です。
異なる母集団または重み付け規則が、この提示を説明できるかもしれません。公開された要約だけでは、どの説明が当てはまるかは確定できません。購入者は、これらのサブグループ数値を購買ルールの正当化に用いる前に、関連する分母を求めるべきです。
これは、モデル規模や専門性に関する主張にとりわけ関係します。どのクラスの性能が高いかという広範な主張には、明確に定義された所属と比較可能なスコアリングが必要です。そうでなければ、見かけ上の差異がモデル、タスク構成、または集計のどれを反映しているのか、読者には判断できません。
評価者の商業的立場も、率直に開示する価値があります。Veracodeはアプリケーションセキュリティ製品を販売しており、その解釈は生成とセキュリティ検証の組み合わせを支持しています。この利害はベンチマークを無効にするものではありませんが、比較的な製品主張を個別に検証する意義を高めます。
たとえば、モデルとスキャンの組み合わせがより良い結果をもたらすと主張するには、その組み合わせに関する証拠が必要です。生成リーダーボードだけでは、スキャナーのカバレッジ、修復品質、運用上の削減効果を確立できません。こうした主張には、それらを測定するよう設計された評価が必要です。
同じ基準はモデルベンダーにも適用されるべきです。良好なスコアは、アシスタントが既存のレビュー慣行を置き換えることを示すものではありません。説得力のある主張であれば、タスク、周辺ツール、受け入れ基準、残存する失敗を明示するはずです。
そのため、Claude Opus 5.5 code securityは、定義された範囲を持つ、帰属を明示した結果として理解するのが最適です。この枠組みは、有用な競争上のシグナルを保ちながら、慎重な購入者がなお答えを必要とする問いを維持します。
残る不確実性は、明示すれば管理可能です。チームはこのランキングを評価候補の優先順位付けに利用し、その後、不足している運用上の証拠を検討できます。リーダーボードを出発点として扱うことで、判断を測定された内容に見合うものにできます。
次に必要な証拠は、より良いスコアとより良いリリースを結び付けるべき
次に最も有用な進展は、ベンチマークの向上が、比較可能な開発作業における未解決のセキュリティ問題を減らすことを示すものです。
最初に注目すべきシグナルは、今後数か月にわたる、より明確なベンチマーク報告です。詳細なタスク件数、スコアリング規則、繰り返し実行の結果、集計方法の説明があれば、現在のランキングはより評価しやすくなります。独立して再現された評価は、元の発行者の知見を超える証拠を追加します。
先行する結果が比較可能な条件下でも持続すれば、透明性の向上は信頼を強めます。繰り返し後に意味のある変化が見られれば、現在の順位が安定しているという主張は弱まります。いずれの結果も、仮定を検証可能な証拠へ置き換えることで、購買判断の質を高めます。
二つ目のシグナルは、より広い範囲の脆弱性カテゴリとアプリケーション文脈での改善です。よく知られた安全なパターンを超えた強い結果は、生成コードのセキュリティについて、より広い主張を支持します。進歩が現在の強みに限定されるなら、より限定的な解釈を支持します。
このシグナルが重要なのは、本番アプリケーションでは、個別の例なら分離できる振る舞いが組み合わさるためです。コンポーネント間の相互作用を含む評価は、より安全な選択がそうした組み合わせの中でも維持されるかを検証します。購入者は、より大きな見出しスコアだけでなく、明示的な対象範囲の記述を求めるべきです。
三つ目のシグナルは、完全な開発プロセスを比較した公開資料です。その比較では、一貫した条件の下で、初期生成、指摘、修正、最終的に受け入れられた変更を評価すべきです。これは、モデルの能力を、組織が実際に完了させる必要のある作業と結び付けます。
より良い初期スコアが、より良い検証済みの成果にもつながる場合、そのような証拠はモデル採用の根拠を強めます。一方、修正とレビューの過程で見かけ上の優位性が消えるなら、単純なリーダーボードに基づく購買論は弱まります。
どちらの結果も、あらかじめ想定する必要はありません。より安全な生成の商業的価値は、それによって不要になる作業と、残る失敗に左右されます。両方を測定することで、エンジニアリング部門とセキュリティ部門のリーダーは、判断の共通基盤を得られます。
開発者にとっては、これは成功したデモンストレーションの見せ方も変えます。流暢な回答は示しやすい一方、要件が維持されている証拠を示すには、より注意が必要です。有用な評価は、アシスタントの自信に頼らず、その証拠を見える形にします。
エンタープライズの購入者にとって、報告された同率は当面の結論を絞り込みます。AnthropicとOpenAIは公開された指標で首位を共有しており、どちらの結果も普遍的な選択を確立するものではありません。購買上の問いは、組織が利用すると見込むタスクと検証プロセスに固有のままです。
Claude Opus 5.5 code securityを、次のアシスタント評価の背後にある証拠を検討する理由として活用してください。同じ要件の下で代表的な変更を比較し、受け入れまたは却下を説明する知見を残してください。どのシステムが、チームが自信を持って検証、修正、保守できる作業を生み出すのかを問うべきです。好意的な見出しがアプリケーションの文脈を置き換えないよう、ベンチマーク結果をこうしたローカルな観察と併せて保持してください。ベンダーがレビュー工数の削減を主張する場合は、それを直接測定する比較を求めてください。モデルの性能が高い場合も、責任範囲を拡大する前に残る失敗を検討してください。リリース判断の時点で、どのアシスタントがエンジニアに残す未解決のセキュリティ上の疑問を最も少なくするでしょうか。
