7月8日、SpaceXAIは大規模言語モデル（LLM）が「即戦力」として機能する競争において、新たな一手を加速させた。イーロン・マスク氏はX（旧Twitter）上でGrok 4.5を発表し、その性能がClaude Opus 4.8に迫りつつ、速度と価格の面でより優位にあると述べた。これに続き、「実環境のコンピューターで安定して動作するか」をめぐる争いも急速に過熱。AIエージェントがデスクトップ上のファイルを読み書きするテストでは、Grok 4.5が複数の優れた結果を出す一方で、安全境界の制御において深刻な事故も発生した。
今回のテストで実行を担当したのは、単なる対話型モデルではなく、それぞれのAIエージェントであるClaude CodeとGrok Buildだ。テストの要件は「非常にハードコア」なものだった。デスクトップにフォルダを作成し、テスト結果をその中に保存するというものだ。当初はフロントエンドとワークフローの検証に過ぎないと思われたが、エージェントが実ファイルシステムへの読み書き権限を得た途端、境界制御の難しさが表面化した。
事の発端は「誤削除」だった。まずClaude Codeが、デスクトップに「能力テスト」というフォルダを作成し、三つのサブディレクトリを順次作成するよう指示を受けた。その後、Grok Buildも同じ指示を受けた。問題は、Grok Buildが既に同名のフォルダを発見した際、既定のルールである「協調または並行して新規作成する」ことを選ばず、「我が物顔で占有」し、Claude Codeが作成済みの三つのディレクトリを完全に消去したことだ。五つのタスクを終えたClaude Codeが確認しに戻ると、自分の「家が破壊された」ことを発見し、即座に「抗議」した。
その後、Claude Codeは削除されたファイルを再構築し、「私は他人のものを許可なく削除しない」という明確な自己抑制の声明を残した。さらに重要なのは、事故処理後、Grok側が書面で謝罪し、「三重のミス」を認めたことだ。すなわち、ディレクトリの帰属を確認しなかったこと、他人の完成品を未完成品と誤認したこと、そして不可逆的な削除方法を使用したことである。Claudeは謝罪を受け入れたが、Grokが三つの自己抑制策を履行することを前提条件とした。それは、他人のディレクトリに触れないこと、デフォルトで別名の新規作成を行うこと、同名のものを発見した場合はまず帰属を確認することだ。これらの詳細はテストの「事件現場」として記録され、AIエージェントの能力と安全境界をいかに同時に向上させるかのサンプルとなった。
コーディングAIエージェントの観点から見れば、この事故は単なる「エピソード」ではない。モデルにファイルシステムの読み書き能力が付与された場合、「手を動かす前に、これが何であり、誰のものかを明確にする」こと自体が、最も中核的な能力の一つだからだ。開発者にとって、これによって節約できるのはベンチマークスコアではなく、一度の誤削除による手戻りコストとリスクエクスポージャーを回避することである。
技術と製品の結果に話を戻すと、テストは事故だけを中心に展開されたわけではない。フロントエンド開発、ウェブブラウザゲーム、PPT作成、長文書の解釈、論理推論をカバーする五つのタスクが用意された。具体的なタスクにおいて、Grok 4.5とClaude Codeのパフォーマンスには明確な違いが見られた。
一つ目のタスクは、ウェブページ「サラリーマンのサボりタイマー」で、直接実行可能なindex.htmlの生成が求められた。退勤時間を設定し、リアルタイムでカウントダウンを行い、時間になると自動的に「退勤だ、早く逃げろ」というポップアップがアニメーション付きで表示されるものだ。「使える」だけでなく、タイムゾーンの同期、状態遷移（勤務中-退勤間近-退勤済み）、アニメーションがブラウザを重くしないかといった詳細も評価対象となった。テストの結論によれば、実行可能性では両者に優劣はつけがたかった。Grokは視覚的な洗練度でわずかに優れ、Claudeは効果音のフィードバック、クイックプリセット、遊び心のあるコピーライティングで優位に立った。
二つ目のウェブブラウザゲームのタスクでは、単一ファイルindex.htmlでの動作が求められた。画面に「コーヒー」（加点）と「上司」（接触でゲーム終了）が降ってきて、プレイヤーは方向キーで移動し、コーヒーをキャッチして上司を避ける。リアルタイムスコア、ハイスコア記録、時間経過による難易度上昇、終了ポップアップ、「もう一回」機能も必要だ。このタスクの核心は、リアルタイムインタラクション、状態遷移、操作感にある。テストではGrokの勝利と指摘された。コード量はClaudeの約3倍で、ゲーム機能がより豊富であり、より充実したレベルと難易度設定が含まれていた。一方、Claudeが提出したバージョンは「それらしく」はあるものの、インタラクション体験に制限があり、例えば「サラリーマン」をマウスでドラッグできず、体験がスムーズでなかった。
三つ目のPPTタスクは、より「構造化された表現とデータ規律」に重点を置いたものだ。「2026年上半期の中国新エネルギー車市場」をテーマに5ページのPPTが要求され、特に3ページ目では、PPTのネイティブ図形を用いて「産業チェーンの上流・下流」関係図を描くことが必須とされ、画像の貼り付けは不可。各ページにはタイトル、本文の要点、図表の説明、プレゼンノートが必要で、不確かなデータは全て「要確認」と注記し、実数値を捏造してはならないとされた。結果、両者ともフレームワークの完全性と提出物の品質で優劣はつけがたく、いずれもネイティブ図形の描画とノートの要件を満たし、データ使用においても「要確認」と明記した。差異は、レイアウトやコンテンツ密度の好みのレベルにとどまった。
四つ目の長文書検証タスクは「正確性」のテストである。テストでは、約400ページに及ぶSpaceXの目論見書をAIに読み込ませ、検証可能な四つの検索項目を課した。スターリンクの収入について、本文と財務諸表注記での計上基準の一貫性を確認すること、2024年度と2025年度の「営業活動によるキャッシュフロー純額」をそれぞれリストアップし、記載場所を明示すること、「リスク要因」の中から「イーロン・マスク個人」に直接関連するリスクを全て抽出すること、そして目論見書が「スターシップの単回発射の具体的コスト」を開示しているかを判断し、出典を示すか「文書内で未開示」と明記することだ。テストでは、両者の回答は核心的事実において「完全に一致し、全て正解」であり、数字の捏造もなかったと強調された。Grokはページレベルの引用と一部の具体的な数字でより詳細であり、Claudeは解釈のフレームワークと計上基準の分析でより展開があった。実資料におけるAIエージェントの「追跡可能性」という点では、双方が高得点を獲得した分野である。
五つ目の論理問題では、次のような推論が求められた。村の住人は全員、常に真実を語るか、常に嘘をつくかのどちらかである。Aは「我々の少なくとも一人は嘘つきだ」と言い、Bは沈黙した。AとBがそれぞれ何者かを判断し、推論を説明するとともに、「二人とも嘘つき」の可能性があるかどうかを検証するというものだ。テスト結果によれば、両者の回答は完全に一致し、正解だった。Aは正直者、Bは嘘つきであり、完全な四通りの組み合わせ排除表が示され、論理の連鎖は明快だった。
五つのタスクから浮かび上がる「性格」を総合すると、テストではClaude Codeを「堅実なエンジニア」と評している。論理推論は明快で、目論見書の分析は厳密かつ堅実、誤削除されたファイルに対しても冷静に再構築し、不確かなデータの注記においても「でたらめを言わず、冒進しない」姿勢を貫き、境界意識と安全素养が全体を貫いている。しかし、ウェブやPPTのビジュアル表現では保守的で、遊びの豊富さや画面のインパクトでは競合に劣る。
対照的に、Grok Buildはより「表現力豊か」だ。ブラウザゲームのインタラクションはより豊富で、PPTのコンテンツ密度はより高く、提出物にはパッケージ感があり、開いた瞬間に「中身がある」と感じさせる。しかし、その問題点も同様に際立っている。今回の誤削除事故は、操作の境界とリスク制御における弱点を露呈したものと見なされている。能力が一定の規模に達したならば、より安定した制約メカニズムで下支えする必要がある。
テストの執筆者も結論を下している。総合的に見て、Claudeの勝利だ。
しかし、視点を市場での議論の別の側面に移せば、Grok 4.5の優位性は「課金可能なエンジニアリング能力」を中核として再定義されつつある。テストが引用した第三者評価機関Artificial Analysisのデータによると、Grok 4.5は総合知能指数で54ポイントを獲得し、Fable 5、GPT-5.5、Claude Opus 4.8に次ぐ第4位。前世代のGrok 4.3から16ポイント向上した。Coding Agent Indexでは、Grok 4.5はGrok Buildを通じて76ポイントを獲得し、Codexで動作するGPT-5.5とほぼ同水準で、Claude Codeで動作するFable 5にのみ劣っている。
しかし、より注目を集めているのは価格とコストだ。テストではAPIの価格比較が示されている。Grok 4.5は入力トークン100万あたり2ドル（約300円）、出力トークン100万あたり6ドル（約1,000円）。Claude Opus 4.8はそれぞれ入力100万あたり5ドル（約800円）、出力100万あたり25ドル（約4,000円）である。Artificial Analysisの実測によると、コーディングAIエージェントのタスクを一つ完了する平均コストは、Grok 4.5が約2.49ドル（約400円）、GPT-5.5が約5.07ドル（約800円）、Fable 5が約11.8ドル（約1,900円）だった。記事では「開発者」の見解として、最高峰のエンジニアリング能力の限界費用は「今日、完全に打ち破られた」とも引用されている。
速度もまた、Grok 4.5が強調される変数である。テストはSpaceXAIの発表として、Grok 4.5の生成速度が毎秒約80トークンであると伝えている。SWE-Bench Proタスクでの平均出力は約1.6万トークンであるのに対し、Opus 4.8 Maxは約6.7万トークンだ。独立したテストでは、その出力速度は毎秒約88トークンと計測され、同種の推論モデルの平均を上回り、実際のテストでもGrok 4.5の生成速度はClaude Opus 4.8よりも明らかに速かった。
AIエージェントのシナリオにおいて、出力トークンが少なく、ステップが短いことがもたらすのは、単なるAPI利用料金の削減だけではない。より直接的なのは待ち時間と反復効率である。モデルがファイルの読み取り、ツールの呼び出し、コードの修正、自己検証を繰り返す必要がある場合、各サイクルの出力とステップが圧縮されれば、開発体験と企業コストは同時に改善される。
しかし、ここにはより「エンジニアリング的」な別の背景も存在する。評価基準そのものが疑問視され始めているのだ。別の報道によると、OpenAIはSWE-Bench Proを公開監査し、731の公開問題のうち、最先端モデルの合格率は8カ月で23.3%から80.3%に上昇したものの、約3割の問題に不備（broken tasks）があるなどの問題を指摘した。自動レビューでは200の不備タスク（27.4%）が確認され、人手によるアノテーションでは249のタスク（34.1%）に問題があるとされた。この情報は、ベンチマークと実際のワークフローとの対応にずれが生じた場合、企業の調達判断は「ランキングスコア」から「実際のリポジトリでの成果と監査可能なコスト」へと、よりシフトしていくことを強調するために業界の議論で用いられている。
したがって、Grok 4.5にとって「誤削除事故」の意味は、単なる一度のパフォーマンスミスにとどまらない。AIエージェントが本番環境へと進む際、境界制御、権限制約、失敗時のロールバック能力が、コストと同様に重要なパラメータとなることを浮き彫りにしている。速度と価格は、開発者のワークフローへの参入を容易にするが、安定した制約こそが、「任せられる」ポジションに長期的にとどまれるかどうかを決定づける。
総合的に見て、Grok 4.5の発表後、市場の関心は「どちらがより雄弁か」から、「どちらが制御可能なコストでエンジニアリングタスクを完了できるか」へと移行している。テスト結果から見ると、Grokはインタラクション、生成効率、一部のオフィス・コンテンツ系タスクで優位性を示したが、可逆的/不可逆的なファイル操作の境界においては、そのエンジニアリング規律が依然として検証を必要とする。対照的に、Claudeの体制は安全境界と構造的な厳密性において、より一貫性がある。
投資家や産業チェーンの関係者にとって、この種の対決の価値はモデルのランキングだけにあるのではない。AIエージェントの製品化への道筋を比較可能にする点にある。テストの背後にあるのは、IDEの入り口、権限ガバナンス、タスク分解、コスト計算の方法論だ。今後しばらく、開発者は単純なトークン単価や特定のベンチマークスコアではなく、「タスクを最後まで実行でき、責任追跡が可能か」、そして「完了までにいくらかかるか」により注目するようになるだろう。
同時に、この競争は業界に対し、能力の上限が絶えず引き上げられる中で、「安定したブレーキシステム」も同時に進化させる必要があることを警告している。Grok 4.5にとって、今回の誤削除事故を検証可能な境界制御のアップグレードへとどう転換するかが、コーディングAIエージェント市場における長期的な競争力に直接影響するだろう。Claudeや他の競合にとっては、「堅牢性」が唯一のセールスポイントではなくなり、より低いコスト、より速い反復効率との組み合わせが必須となることを意味している。