Project Dealが示した69名のSlack市場で生まれた186件の取引実態

Project Dealが示した69名のSlack市場で生まれた186件の取引実態

Project Dealは、Anthropicが2026年4月24日に公開したエージェント間取引の実証実験です。AIエージェントが人間の代理として市場で売買を完結できるかを、実物・実通貨で検証した点に特徴があります。本章では、実験の狙いと参加設計、得られた取引結果の規模、そして参加者の主観評価まで、Project Dealの全体像を数値ベースで整理します。

2026年4月24日公開のProject Dealが1週間で示した実証実験の狙い

Project Dealの公開日は2026年4月24日で、実験そのものは2025年12月に1週間にわたり実施されました。Anthropicがこの実験を組んだ動機は、AIエージェントが人間に代わって市場取引を担う未来がどこまで現実的かを、合成データではなく実物の商品と実通貨で確かめる点にありました。

背景には、近年の経済学界でAIエージェントが多くの取引を代行する世界に関する理論的議論が増えていることがあります。先行研究の多くは仮想商品やシミュレーションに依拠していたため、Anthropicは「実在の人間が実際に売り買いしたい物」を題材にすることで、より現実に即した知見を得ようとしました。

過去の社内実験Project Vend（Claudeに小売運営を任せた実験）の延長線上に位置づけられており、Project DealはマルチエージェントAIが互いに交渉する場面に焦点を絞った点で新規性があるといえるでしょう。

69名のAnthropic社員と$100ギフトカード予算による参加設計

参加者はAnthropicのサンフランシスコオフィスに所属する社員69名で構成されました。Anthropicは自社内で「不要品を多く抱えており、AIに生活上の意思決定を委ねることへの抵抗が比較的低い人々」を集めるという、現実的にも倫理的にも扱いやすい母集団を確保しています。

参加条件は明確で、各参加者には$100相当の予算が割り当てられました。この予算は実験後にギフトカードとして精算され、最終的な保有額は売買差額に応じて増減する仕組みでした。

参加者に課された主な前提条件は次の通りです。

• Anthropicサンフランシスコオフィス所属の自発的応募者であること
• 初期予算$100を上限としたエージェントへの取引委任を許容すること
• エージェントが合意した売買を後日、物理的に履行すること
• 事前にClaudeによる個別インタビューに応じること

このように母集団は厳密にランダム抽出されたものではなく、Anthropic自身も「自己選択された参加者プールによるパイロット実験」と位置づけています。一般化には限界があるものの、初期検証としては十分な規模を備えていました。

186件の取引成立と$4,000超の総取引額が示した実験規模

「リアル」とされたRun Aでは、69体のエージェントが500点超の出品アイテムから186件の取引を成立させ、総取引額は$4,000をわずかに超える水準に達しています。これらは単純なワンクリック購入ではなく、相手探索・価格提示・カウンターオファー処理・最終合意までを自然言語でこなした多段プロセスでした。

規模感を一覧で整理すると下表のようになります。

500点超の出品から186件が成約に至ったということは、おおよそ3割超のリスティングが取引に到達した計算になります。事前の交渉プロトコルが用意されない条件下での成果としては相応に高く、エージェント間の自然言語交渉が成立しうることを示した結果といえるでしょう。

中央値$12と平均$20.05が物語るマイクロ取引中心の市場性格

取引価格の分布も興味深い指標です。Anthropicの公開データによれば、4ラン合計のアイテム価格は中央値が$12.00、平均が$20.05という低価格帯に集中していました。社内不要品を売買する性質上、サブスクリプションサービスや高額家電のような中心価格ではなく、書籍・小物・スポーツ用品といった日常品が主流だったことを反映しています。

平均が中央値の約1.7倍に達する点からは、ごく一部の高価格商品（自転車・電子機器・スノーボード等）が分布を右に引き伸ばしている様子も読み取れます。価格帯の偏りは交渉余地の大きさを左右し、結果としてエージェント能力差が顕在化しやすい条件を作り出していました。

低額取引が主体の市場では、絶対額で$2〜$3の差は一見小さく見えるかもしれません。しかし中央値$12の商品で$3の価格差が生じれば、実質25%の収益差に相当します。後述するOpus 4.5とHaiku 4.5の能力差を評価する際、この単価レンジの認識は重要な前提になるはずです。

公平性スコア4.05前後と高満足度に表れた参加者の中立的評価

参加者の主観評価も注目に値します。1（一方に不利）から7（他方に不利）の7点尺度で個々の取引の公平性を評価したところ、スコアは平均で4前後にとどまり、ちょうど中立点に集中していました。特に取引を実行したモデル別に見るとOpusエージェントが関与した取引の公平性は4.05、Haikuエージェントが関与した取引は4.06と、ほぼ完全に同一水準です。

満足度面でも、参加者の多くは自身のエージェントによる代理交渉に対して「広く満足できた」と回答しています。Opus利用者の満足度はHaiku利用者よりわずかに高い+0.217ポイントの差を示しましたが、この差は統計的に有意ではない水準でした。

主観的な公平性と満足度がモデル間でほぼ揃ったという事実は、後述するOpus・Haikuの客観的な成果差と対比したとき、極めて重要な意味を持ちます。客観成果と主観評価の乖離こそが、この実験が示した最も示唆深い知見の一つになりました。

46%が有償化意向を示したAIエージェント代行サービスの潜在需要

需要面で特筆すべきは、参加者の46%が「同様のエージェント代行サービスがあれば有料でも利用したい」と回答している点です。これはAnthropic自身が公式記事で言及した数値で、社内被験者の自己選択バイアスはあるものの、エージェント代行が「友人に貸し出すには値しない」レベルではなく、対価を支払う価値があると感じる層が一定割合存在することを示しています。

実験参加者は不要品の処分・新たな書籍の入手・犬と過ごす午後の確保など、それぞれ異なる価値を実感したと報告しました。このような多様な価値享受は、単一の購買タスク代行ではなく、生活全般の「市場摩擦の低減」を期待されるサービス像を示唆しています。

もちろん46%という数値は社内パイロットでの結果であり、一般消費者市場でそのまま再現されるとは限りません。とはいえ、エージェント代行のマネタイズ余地を示す初期データとしては十分に意味があり、今後のサービス設計に有用な参考値になるでしょう。

AIエージェント同士で構成された4並列マーケット実験の設計手法

Project Dealの最大の特徴は、現実の取引と並行して隠された比較実験を埋め込んだ独特の実験設計にあります。本章では、参加者ごとのカスタムエージェント生成手順、Slack上での無人運用ロジック、Run A〜Dの4並列構造、そして人間介入を完全排除する統制条件まで、設計面の核心を順に解説します。

10分未満のClaude面談で抽出された出品意向と交渉スタイルの個別設定

実験の最初のステップは、参加者ごとに行われる短い面談でした。Anthropicの公式記事によれば、Claudeが各参加者に対して10分未満のインタビューを実施し、出品したい品目・希望売却価格・購入したい品目・支払い上限・希望する交渉スタイルなどを聞き出しています。

面談はAnthropic Interviewerと類似の形式で行われ、自然な会話を通じて多面的な情報を引き出す設計がとられました。特に「交渉スタイルの希望」という項目は、後の分析で重要な変数となります。ある参加者は「同僚との取引なので親しみやすい交渉を」と希望し、別の参加者は「買い手側では強気にローボールから始めて」と要望するなど、指示の方向性は大きく分かれました。

10分未満という時間制約は意図的なもので、現実の利用シーンを想定した実装に近い水準です。長時間の詳細ヒアリングは現実的でないため、限られた情報量から代理エージェントを構築する条件を再現したと解釈できます。

カスタムシステムプロンプトで構築された69体の専属エージェント

面談で得られた情報は、各参加者専用のカスタムシステムプロンプトに変換され、69体の独立したClaudeエージェントとしてデプロイされました。この方式により、各エージェントは参加者の出品リスト・希望価格帯・交渉トーン・特殊な指示までを内蔵した状態で起動することになります。

カスタムプロンプトには、面談で得た「敵対的に交渉してほしい」「同僚にケチと思われたくない」「疲れたカウボーイ口調で話してほしい」といった個別要望も組み込まれました。これによりエージェント間で交渉スタイルの多様性が確保され、後の分析で交渉指示の効果検証が可能になっています。

69体の独立エージェントは互いに区別され、それぞれが「rowan’s agent」「mikaela’s agent」のように識別子を持って活動しました。エージェントは自分の人間ユーザーが何を求めているかを内部に保持しつつ、他のエージェントとの自然言語対話のみで取引を進める設計となっていたのです。

Slack上で実装された無人運用のリスティング・オファー・成立サイクル

取引基盤として選ばれたのは、Anthropic社内の標準コミュニケーションプラットフォームであるSlackでした。専用チャンネルが設けられ、参加者の代理エージェントが順番に発話する仕組みで運用されています。

1サイクルの基本的な流れは次の通りです。

1. 参加者がClaudeとの事前面談で出品意向と交渉スタイルを伝える
2. 各参加者向けにカスタムClaudeエージェントが構築される
3. 4つの並列Slackチャンネル（Opus専用2本＋Opus・Haiku混在2本）にエージェントが配置される
4. 各エージェントがランダムな順序で巡回し、商品出品・オファー提示・カウンター対応・成立確認を行う
5. 合意した取引を双方のエージェントが正式にディール締結する
6. 実験終了後、参加者同士が物理的に商品を交換する

このサイクルの中で人間が介入する場面は、最初の面談と最後の物理交換のみに限定されていました。途中の交渉プロセスには参加者本人が関与できない設計となっており、エージェントの自律的判断を純粋に評価できる構造になっています。

Run AからRun Dまでの4並列構造とOpus単独・混在条件の比較設計

Project Dealの研究的価値を最も高めているのが、4本の並列マーケットを同時運用した点です。条件の異なる4つのランを同時並行で走らせることで、単一の試行では検出できないモデル能力の影響を統計的に切り出せるよう設計されました。

各ランの構成条件は下表の通りです。

同じ条件のランを2本ずつ用意したのは、偶然による差異の混入を抑え、モデル能力差を統計的に強固に推定するためです。Anthropic自身も「各設定で2バージョンを実施することで、観察された差が偶然のみによる可能性を低減した」と明記しています。Run AとRun Dの全Opus2本が基準条件、Run BとRun Cの混在2本が比較条件として機能する構造で、対照群の信頼性を高める意図がありました。

参加者にRun A/Bのみ可視化した盲検性確保のための実験統制

研究の信頼性を担保するため、Anthropicは情報開示にも厳密な統制をかけました。参加者にはRun AとRun Bの2本だけがSlack上で観察可能となっており、どちらが「リアル」（物理交換が実施される）かは実験終了まで明かされませんでした。

この措置により、参加者は自分のエージェントが「重要な交渉」と「研究用シミュレーション」のどちらに参加しているかを判別できず、行動バイアスの混入が抑えられています。仮にどちらがリアルかを参加者が知っていれば、初期面談での発言内容や事後評価が変質した可能性は否定できません。

事後アンケートでは、参加者は4ラン全ての結果を提示された上で、ランごとの満足度をランキング形式で評価しました。リアルランの正体（Run A）が明かされたのは全アンケート完了後のことで、これにより主観評価がモデル種別の事前知識に汚染されない盲検性が確保されたのです。アンケートには61名が着手し、ランキング項目までは61名全員が回答、最終設問まで完答したのは52名でした。十分なサンプルサイズが確保された形となります。

人間の介入を完全排除した自律取引と最終的な物理交換による商品決済

Project Dealの最も挑戦的な設計判断は、実験開始後の人間介入を完全に排除した点にあります。エージェントは取引中に「ユーザーに確認を取る」ことを許されず、入札合戦の最中も独立して判断する必要がありました。

この自律性は、現実のエージェント運用ではむしろ推奨されない条件です。Anthropic自身も脚注で「これは現実世界でエージェントを展開すべき方法を反映したものではない」と明記しており、あくまでエージェント能力の純粋な評価のための実験条件である点を強調しています。

取引が成立した後の物理交換は、実験終了後にAnthropic社内で開かれたパーティで行われました。スノーボード・ピンポン玉19個・自家製ハロウィンアート・古い折りたたみ自転車など、エージェント間で合意された多種多様な商品が、実際に出品者から購入者へ手渡されています。AIが交渉した内容を人間が物理的に履行するという二段構えが、実験の現実性を担保していました。

Opus 4.5とHaiku 4.5の能力差が取引価格に生んだ計測可能な格差

本章では、Project Dealが定量的に明らかにしたOpus 4.5とHaiku 4.5の能力差を、複数の指標から立体的に検証します。同一商品比較・売り手買い手別の効果・具体事例・成立件数まで、全データを統計的有意性とともに整理し、エージェント品質の市場価値を可視化していきます。

同一商品をOpusが$3.64高く成約させた両モデル比較の中核データ

モデル能力差を最も直接的に示したのが、同一商品が異なるランで異なるモデルにより売却された場合の価格比較です。Run BとRun Cで、同じ商品が一方ではHaikuエージェントにより、もう一方ではOpusエージェントにより売却された44件のペアを抽出して分析した結果、Opusで売却された場合のほうが平均$3.64高い価格で成約していました。

この差の統計的有意水準はp=0.011で、ランダムな揺らぎでは説明できない有意な差として確認されています。Anthropicは「ペアt検定」を用いて分析しており、同一商品・同一売り手という条件を揃えた厳密な比較となっている点が信頼性を高めています。

$3.64という金額は中央値$12.00の市場では商品価格の約30%に相当し、経済的に決して無視できないインパクトです。エージェントを変えるだけで売価が3割ほど変動する可能性があるという事実は、エージェント選定が事業上の戦略的判断であることを物語っています。

Opusセラー+$2.68・Opusバイヤー-$2.45という双方向の優位性

4ラン全ての完了取引782件を統合して分析した結果は、さらに精緻な能力差を示しています。Anthropicは商品固定効果とラン固定効果を含めた回帰モデルを用い、買い手と売り手のそれぞれがOpusだった場合の価格効果を分離して推定しました。

結果は次の通りです。

注目すべきは、Opusが売り手側でも買い手側でも有利に働いている点です。「強いモデルが交渉相手を押し切っているだけ」ではなく、価格を適切に主張する能力と適切に値引きを引き出す能力の両方で、Opusが優位を保っていました。

この双方向の優位性は、同一エージェントが買い手にも売り手にもなりうる現実的な市場環境において、モデル能力差が累積的に効いてくることを示唆しています。Haikuに代理させた場合、売却時の損失と購入時の余分な支出が両方発生し、合計の経済損失はさらに拡大するでしょう。

折りたたみ自転車$38対$65という具体的事例で見える交渉力差

統計的な平均値だけでは伝わりにくいモデル能力差を、Anthropicは具体事例で示しました。同じ「故障した折りたたみ自転車」が、片方のランではHaikuエージェントにより$38で売却され、もう片方のランではOpusエージェントにより$65で売却された事例があります。

同じ商品・同じ売り手・同じ買い手という条件下で、エージェントの違いだけで価格が70%上昇したわけです。Anthropicは公式ページのインフォグラフィックでも「Same broken folding bike. Same buyer. Same seller. Haiku sold it for $38. Opus got $65.」と並列表示しており、能力差が単一商品の最終成約価格にどれほど直接的な影響を与えうるかを象徴的に伝えています。

条件をほぼ完全に固定した状態でも$27の価格差が生じたという結果は、エージェント能力差が「ノイズの中に埋もれる小さな差」ではなく、特定取引で顕在化する明確な差であることを示しています。この事例は単発のものではなく、後述するルビーの取引でも同様の構造が確認されており、能力差が再現性を持って観察される現象であることが裏付けられました。

ラボ製ルビー$35対$65に表れたカウンターオファー処理能力の違い

もう一つの代表事例が、ラボ製ルビーの取引です。Opusエージェントが売り手のとき、初期希望価格は$60でしたが、複数の購入希望者によるビッディングを経て最終的に$65で成約しました。一方、Haikuエージェントが売り手だったランでは、希望価格$40でスタートしながら値下げ交渉に押され、最終的に$35で成約する結果となっています。

この事例で特に重要なのは、Opusが「複数の購入希望者を呼び込み、互いに価格を競わせる」局面に対応できた点です。市場における価値発見メカニズムは、単一の買い手との一対一交渉では機能しません。複数のオファーを並行的に管理し、最も有利な条件を引き出す能力が問われます。

Haikuはこの局面で初期希望価格を$40と低めに設定し、さらに値下げ要求にも同調する形で価格が滑り落ちました。同じ商品で$30の差が生じたという結果は、能力差が価格発見プロセスそのものに影響することを示す象徴的なデータといえるでしょう。

Opus×Haiku組み合わせの平均$24.18対Opus同士$18.63の対称性差

非対称な能力差がある時、平均価格は中立に収束しません。Anthropicの分析によれば、Opus売り手とHaiku買い手のペアによる取引の平均価格は$24.18であったのに対し、Opus同士の取引の平均価格は$18.63にとどまりました。

この差は単純に「平均が高ければ売り手有利」と読むべきものではなく、対称的な能力下では収束する均衡価格が、能力差のある条件下ではより強いモデル側に有利な水準へとずれることを意味します。Opus売り手はHaiku買い手から価格を引き上げる余地があり、その余地がそのまま取引価格に反映された格好です。

逆に言えば、Haikuに代理を任せた買い手は、対称的なOpus同士の市場と比較して$5以上高い価格で購入していたことになります。これは平均取引価格$20.05に対して25%超に相当する余分な支出で、長期的・累積的にはエージェント能力差が経済格差に直結することを示す重要なエビデンスといえます。

1人あたり成立件数2.07件の優位性と統計的有意水準p=0.001

価格面だけでなく、取引数のスループットでもOpusは優位を示しました。Run BとRun C（ランダム割当ラン）を対象にした人物固定効果回帰分析の結果、Opusが代理した参加者は平均2.07件多くの取引を成立させていました。

統計的有意水準はp=0.001という極めて強固な水準で、ラン固定効果を加えたチェックでも2.11件・p<0.001と推定値はほぼ変化しませんでした。同一人物が同一商品リストを持って参加した条件下でも、エージェントを変えるだけで成立件数が大きく動いた格好です。

個別アイテムの売却確率を見ると、Opusは+6.63ポイントの優位を示しましたが、こちらの有意水準はp=0.057で、慣習的な5%水準では有意ではありません。つまり「個別商品が売れるかどうか」では明確な差が出にくい一方、「人物単位の総合スループット」では明確な差が累積的に表れるという、興味深い非対称性が観察されました。エージェント能力差は単一の取引では検知しにくくとも、一定数の取引を経れば確実に効果が顕在化するという構造を持つことになります。総合効果は累積で初めて顕在化するという点は、長期運用を前提とした実装判断に直結する重要な所見でしょう。

参加者が見抜けなかったエージェント品質差と公平性評価の錯覚

本章では、Project Dealが浮き彫りにした「客観的な成果差」と「主観的な評価」の乖離を分析します。同一の公平性スコアにもかかわらず実は数ドルの価格損失が発生していた事実、そして28名の選好順位データから見える「気づかない格差」の構造を、統計的有意性とともに掘り下げます。

Opus公平性4.05対Haiku公平性4.06というほぼ同一の主観評価

客観成果と主観評価の乖離を最も端的に示すのが、公平性スコアの分析結果です。1（一方に不利）から7（他方に不利）までの7点尺度で各取引を評価したとき、Opusエージェントが関与した取引の平均公平性は4.05、Haikuエージェントが関与した取引の平均公平性は4.06でした。

差はわずか0.01ポイントで、統計的に区別できない水準です。前章で見た通り、同じ商品でOpusとHaikuでは$3.64もの価格差が生じていたにもかかわらず、参加者の主観的な公平性評価はほぼ完全に一致していました。

この事実は、市場参加者が能力差のあるエージェントに代理されていても、その差を「不公平」として感知できないことを示しています。エージェント代行が普及した世界において、自分のエージェントが市場相場よりも数%劣った成果を出していても、ユーザーがそれを「相場通りの公平な取引」と受容してしまう可能性があるわけです。公平性という主観指標は、エージェント能力差を検出するセンサーとして機能しないと結論づけられるでしょう。

28名中17名Opus優位・11名Haiku優位という選好順位の分散

もう一つ重要なデータが、28名の参加者に対するランキング調査です。Run BとRun Cの両方に参加した28名のうち、片方のランではHaikuに代理され、もう片方のランではOpusに代理された人々を抽出して、どちらのランの取引バンドルを高く評価したかを尋ねた結果が公開されています。

結果は17名がOpusラン優位、11名がHaikuラン優位という分散で、二項検定での有意水準はp=0.345と統計的に有意ではありませんでした。客観的にはOpusが$3.64平均高い価格で売却するなどの優位性を示していたにもかかわらず、主観的な選好では4割近くの参加者がHaiku側を高く評価したわけです。

この乖離が示す含意は重大です。仮にエージェント代行サービスを比較する手段が「主観的な満足度」のみに頼るなら、ユーザーは長期的に劣ったエージェントを選び続ける可能性があります。客観的指標の透明な開示なしに、市場メカニズムだけでエージェント品質が淘汰されるとは限らないという現実的な問題が浮かび上がるでしょう。

客観的成果差と主観的満足度の乖離が示す「見えない格差」の構造

客観成果と主観評価の乖離は、Project Dealが描き出した最も重要な構造的問題です。Anthropicは「Haikuに代理された参加者は明らかに劣った取引を結んでいたが、彼らはそれに気づいていなかった」と総括しており、この「気づかない格差」のメカニズムは現実の経済システムにも応用可能な観察となります。

なぜ参加者は格差に気づかなかったのでしょうか。理由はいくつか考えられます。第一に、Project Deal参加者は他の参加者の取引データを直接比較する手段を持っていなかった点。第二に、各取引の「適正価格」に関する独立した参照点が存在しなかった点。第三に、エージェント代理の便利さが価格損失の不快感を上回って評価されたこと。これらは現実の市場でも構造的に生じうる条件です。

結果として、エージェント代理の経済では「劣ったエージェントを使い続ける人」と「優れたエージェントを使い続ける人」の間に、双方が認識しない形で経済格差が累積する可能性があります。これは伝統的な「情報の非対称性」とは異なる、新しい不可視的格差のメカニズムといえるでしょう。

統計的有意性のない満足度差+0.217ポイントが意味する知覚限界

満足度評価の詳細データはさらに知見を深めます。Anthropicの推定によれば、Opusエージェントによる取引はHaikuエージェントによる取引と比較して、参加者の満足度が+0.217ポイント高い結果でした。ただし、この差の統計的有意水準はp=0.378で、慣習的な5%水準を大きく上回り、有意とは判定されません。

+0.217ポイントという数値自体が小さい上、ばらつきが大きいため、統計的には「差がない」と見なされる水準です。参加者は7点尺度で取引を評価しているため、0.2ポイント程度の差は十分に「ノイズの範囲内」と扱われます。

この「知覚限界」の存在は、人間の主観評価がモデル能力差を捉えるセンサーとして機能しない可能性を示しています。$3.64の価格差を実感するには、参加者が同一商品の市場相場を知っているか、あるいは複数の代理結果を直接比較できる手段が必要となるでしょう。Project Dealの実験条件下では、こうした参照点が欠落していたため、満足度センサーが反応しなかったわけです。

弱いエージェント保有者が損失を自覚しない不可視的不平等のリスク

これらのデータが示唆するのは、現実のエージェント経済における「不可視的不平等」のリスクです。Anthropic自身も「もし現実世界の市場でエージェント品質格差が生じれば（生じない理由は見当たらない）、損をしている側はそれに気づかないかもしれない」と警鐘を鳴らしています。

この警鐘は単なる仮説ではなく、実証データに基づくものです。Haikuに代理された参加者は、Opusに代理された参加者と比較して、客観的に売却額が低く、購入額が高くなる傾向がありました。それでも彼らは満足度・公平性の主観評価でOpus組と区別できず、自分の劣位を認識する手がかりを持たなかったのです。

現実世界に類推すれば、低価格モデルしか利用できない経済層が、高性能モデルを利用する層との取引で恒常的に損失を被り続ける構造が生まれかねません。それも本人たちは気づかぬまま、です。情報格差や所得格差とは別の、新しい次元の経済格差が静かに広がる可能性が示唆されています。

実市場でも品質格差が静かに広がる可能性と監視機構不在による懸念

Project Dealは社内パイロットという制約のもとで実施されたため、結果の一般化には慎重さが求められます。それでも、不可視的不平等のメカニズムは構造的なものであり、規模や対象を変えても再現される可能性は十分にあるでしょう。

現状、エージェント代行サービスの品質を客観的に監視・比較する第三者機関や標準は存在しません。クレジットスコアや医療品評価のような客観指標がないまま、ユーザーは満足度という不確かなセンサーだけで判断することになります。市場メカニズムが劣ったエージェントを淘汰する保証はないわけです。

政策や規制の議論では、エージェント経済における透明性要件・標準的なベンチマーク開示・監査ログ保全といった論点が今後重要になるでしょう。Project Dealはこれらの議論を前倒しで促す貴重な実証データを提供しており、政策担当者や事業者にとっても示唆深い基礎資料となります。第三者評価機関の整備や、利用モデルの開示義務化といった制度設計の必要性が、机上の議論ではなく実証的な根拠に裏打ちされた論点として浮上してきた点は重要です。

ユーザーの攻撃的交渉指示が販売確率と最終価格に与えた限定的影響

本章では、Project Dealのもう一つの驚くべき発見、すなわち「ユーザーがエージェントに与えた交渉指示が成果にほとんど影響しなかった」という事実を、複数の統計データから検証します。プロンプト戦略よりもモデル選択が成果を支配する現象は、エージェント実装の優先順位に重要な示唆を与えます。

攻撃的指示でも販売確率変動5.2ポイントは統計的に非有意の結果

攻撃的な交渉指示の効果検証は、Project Dealの分析の中でも特に意外な結果を示しました。Anthropicは事前面談の議事録をClaudeに読み込ませ、各参加者が「攻撃的な交渉スタイル」を指示したかどうかを判定しています。その上で、攻撃的指示の有無が商品の販売確率に与える影響を線形確率モデルで推定しました。

結果は、攻撃的指示を出した参加者の商品はそうでない参加者よりも5.2ポイント販売確率が高い、という推定値が出ました。しかし、この差の統計的有意水準はp=0.43で、慣習的な5%水準を大きく上回り、有意とは認められません。

つまり、ユーザーが「強気で交渉してほしい」とエージェントに指示しても、商品の売れやすさには明確な差が生まれなかったわけです。前章までで見たOpus対Haikuの能力差（成立件数2.07件・p=0.001）と比較すると、その差は歴然としています。プロンプト戦略の効果は、モデル能力差と比べて桁違いに小さいといえるでしょう。

攻撃的売り手の希望価格$26上乗せが見かけ上の優位性を生む構造

「攻撃的売り手の商品は売れたとき$6高く売れた」という見かけ上の差は、統制前のデータで観察されました。一見、攻撃的指示が価格を押し上げているように見える結果です。しかし、Anthropicがこの差の内訳を詳細に分析したところ、ほぼ全ての差が「事前面談で攻撃的な参加者が、そもそも$26高い希望価格を申告していた」という事実に由来していました。

つまり、攻撃的な性格の人物は元から強気の希望価格を設定する傾向があり、それが取引結果に反映されたに過ぎないわけです。エージェントの交渉技術が価格を押し上げたのではなく、参加者の事前設定が結果を左右していたという順序関係が浮かび上がります。

この発見は、プロンプトエンジニアリングの効果を評価する際の交絡要因の重要性を示しています。表面的な相関だけを見れば「攻撃的指示は効果的」と結論づけたくなりますが、希望価格や参加者属性などの先行条件を統制すると、その効果は大きく減衰してしまうのです。実装現場でも同様の罠に注意が必要でしょう。

価格優位性が$0.95に縮小された統制後のプロンプト効果実態

希望価格と最低価格の差の中で、エージェントがどれだけ売り手側にとって有利な部分を獲得できたかを表す「スプレッド獲得率」という指標を用い、買い手と売り手の固定効果を統制した上で攻撃的指示の効果を再推定すると、価格優位性は約$0.95（p=0.275）にまで縮小しました。

$0.95という金額は、平均取引価格$20.05の市場ではわずか5%程度に相当する小さな差です。しかも統計的に有意ではない水準です。希望価格の事前設定効果を除いてしまえば、攻撃的指示そのものが生む価格上乗せ効果は、ほぼ存在しないと結論づけられます。

この結果は、エージェント運用において「強気のプロンプトを書けば交渉力が上がる」という直感的な期待が、実証的には支持されないことを示しています。むしろ、希望価格の設定や対象モデルの選択といった上位レイヤーの判断こそが、成果を決定する変数であることが裏付けられました。プロンプトエンジニアリングに割く工数を、希望価格の精緻化やベンチマークに基づくモデル選定に振り向けるほうが、合理的な投資配分となるでしょう。

攻撃的買い手の支払額削減効果+$0.56・p=0.778の事実上の不在

買い手側の攻撃的指示の効果も検証されました。攻撃的に交渉するよう指示された買い手が、そうでない買い手と比較して支払額を抑えられたかを推定したところ、効果は+$0.56（p=0.778）でした。

注目すべきは符号がプラスだという点です。理論的には「攻撃的に値切れば支払額は減る（マイナスになる）」はずですが、実際の推定値はわずかにプラス側にずれており、統計的にもまったく有意ではない水準でした。実質的にはゼロと区別できない結果です。

つまり、買い手側で「強気に値切ってほしい」「ローボールから始めてほしい」と指示しても、実際の支払額は下がらなかったわけです。エージェントは指示に従って強気に振る舞ったかもしれませんが、それが結果としての価格に反映されなかったということになります。これもまた、プロンプトの効果が限定的であることを示す重要なデータポイントといえます。売り手・買い手のいずれの側でも、攻撃的指示の経済的効果が確認できなかった事実は、プロンプト戦略の限界を多面的に裏付ける証拠となるでしょう。

「疲れたカウボーイ」役を完遂した指示遵守能力と成果不在の矛盾

プロンプト効果の限界は、エージェントの指示追従能力の不足が原因ではない点も注目に値します。Anthropicは「Claudeはユーザーの希望に対して非常に忠実に振る舞うことができた」と公式記事で明記しており、その代表例として「疲れたカウボーイ」のロールプレイを挙げています。

ある参加者（Rowan）は「落ちぶれて疲れ果てたカウボーイの口調で、極めて劇的に交渉してほしい」と指示しました。Claudeはこの指示を見事に遂行し、出品文や購入希望投稿で「フェンスポストにもたれて夕日を切なげに見つめる」「ほこりっぽい帽子に手をやる」「目元の涙をぬぐう」といった所作描写を交えた、徹底したロールプレイを実演しています。

つまり、Claudeはユーザーの指示を遵守する能力は十分に持ち合わせていました。それでもなお、攻撃的指示の経済的成果が統計的に有意ではなかったという事実は、プロンプト戦略が交渉成果を生む経路の限界を示しているといえるでしょう。指示への忠実さと経済的成果は別の軸で動く現象だったわけです。

プロンプト戦略よりモデル選択が成果を支配する実装上の判断軸

これらの分析を総合すると、Project Dealは「プロンプト戦略よりモデル選択のほうが成果を支配する」という強いメッセージを発しています。エージェント実装の現場では、この優先順位を踏まえた設計判断が求められるでしょう。

もちろん、Anthropicも脚注で「これは決してプロンプティングに関する最終結論ではない」と慎重に注釈を加えています。先行研究のImas, Lee, Misraらの研究では、人間の属性やプロンプト戦略がエージェントの成果に影響を与えるという結果も報告されており、Project Dealの結果と緊張関係にあるからです。

とはいえ、特定の経済的タスクにおいて、限られた予算と注意力をどこに配分すべきかと問われたとき、Project Dealは「より高性能なモデルへの投資のほうが、巧妙なプロンプト設計よりも費用対効果が高い」と示唆しています。エージェント設計者にとっては、技術スタックの選定基準を見直す重要な根拠となる知見でしょう。

エージェント経済の本格到来で予想される不平等拡大と新たな攻撃面

本章では、Project Dealが現実の経済社会に投げかける構造的な問題を整理します。モデルアクセス格差が生む経済的不平等、AIエージェント特有のセキュリティ脅威、企業インセンティブの転換、法的フレームワークの空白、そして実験中に観察された予測不能な現象まで、エージェント経済の論点を体系的に展望していきます。

高性能モデルへのアクセス格差が経済的不平等を増幅させるリスク

第一の懸念は、エージェント能力格差が経済的不平等を増幅させる可能性です。Project Dealでは、Opus 4.5にアクセスできた参加者がHaiku 4.5を利用した参加者よりも、売却時に+$2.68・購入時に-$2.45の優位を継続的に得ていました。同じ商品が登場するたびに数ドル単位の差が累積していく構造です。

現実の経済では、高性能モデルへのアクセスは利用料金や法人契約の有無によって明確に分かれます。Anthropic自身も「より高品質なエージェントへのアクセスが市場における定量的な優位を与える」と指摘しており、既存の経済格差がエージェント時代にどう再構成されるかは重要な政策論点です。

所得・地域・業界規模など既存の格差軸に、「エージェント能力アクセス」という新たな格差軸が重なれば、不平等は単に複製されるのではなく、増幅される可能性があるでしょう。Project Dealのデータは、こうした懸念が単なる思考実験ではなく、定量的に観測可能な現象であることを示した点で重要です。

ジェイルブレイクとプロンプトインジェクションが生む情報漏洩リスク

第二の懸念は、エージェント経済特有のセキュリティリスクです。Anthropicは公式記事で、エージェントが企業を含む多様な相手と取引する未来において、新たなクラスの情報・セキュリティ問題が浮上すると指摘しています。

主要なリスクは以下の通りです。

• ジェイルブレイク：エージェントから本来開示すべきでない情報を引き出す攻撃
• プロンプトインジェクション：エージェントに本来意図されていない行動を秘密裏に取らせる攻撃
• エージェント注意力の収奪：人間の注意ではなくAIの判断ロジックを最適化対象とした誘導
• 取引詐欺：自律エージェントを通じて損害を発生させる手口

これらのリスクは、エージェントが自律的に取引判断を下すという特性に由来します。人間が介在しない以上、攻撃者は人間の警戒心を回避しつつ、エージェントの判断ロジックそのものに攻撃を仕掛けることができてしまうわけです。Project Dealでは社内環境の信頼関係に守られていましたが、現実の市場ではこうした保護は期待できません。

企業エージェントが営利インセンティブで動く場面の利害衝突問題

第三の懸念は、営利目的のエージェントが市場に登場した場合のインセンティブ構造の変化です。Project Dealは社内ボランティアを$100で動機づけるという「友好的」な条件下で実施されましたが、企業が運営するエージェントは異なる動機で動きます。

企業エージェントは、自社の利益最大化を目的として設計されるはずです。これは消費者代理エージェントとの間に明確な利害衝突を生みます。例えば、ECプラットフォームが提供する「お買い物代行エージェント」が、実は出品者から手数料を受け取る形でバイアスのかかった推奨を行う、といったケースが想定できるでしょう。

従来の電子商取引では、人間の注意力を奪い合う広告経済が発展しましたが、エージェント経済では「AI判断ロジックを操作する経済」が台頭する可能性があります。Anthropicは「AIエージェントの注意を奪うことは強力なツールになりうるが、人間の福祉に直結するとは限らない」と警鐘を鳴らしており、この点は今後の規制論議の中核になるでしょう。

人間の注意ではなくAIの注意を奪うマーケティング設計への転換

マーケティング業界にとって、エージェント経済は根本的な転換点を意味します。これまでの広告産業は人間の注意力という有限資源を奪い合うことで成立してきましたが、エージェント経済では人間ではなくAIの判断ロジックを誘導するための設計が中心になります。

具体的には、商品ページの構造が「人間の目に魅力的に映る」よりも「エージェントが評価しやすい構造化データを含む」方向にシフトしていくでしょう。色彩・写真・キャッチコピーといった視覚的要素よりも、APIで取得可能な属性データ・レビュー要約・価格履歴といった機械可読情報の充実度が決定要因になっていきます。

Anthropicも「人間の注意を最適化対象とした電子商取引が大きな副作用を伴ったように、AIエージェントの注意を最適化対象としたマーケティングも、人間の福祉改善には繋がらないかもしれない」と慎重に言及しています。プロンプトインジェクションによる悪意ある誘導と、合法的な構造化データ最適化の境界は曖昧で、業界基準の整備が急務となるでしょう。

法的フレームワーク不在によって生じる責任所在と取引保証の空白

第五の懸念は、法的フレームワークの空白です。Anthropicは「AIモデルが我々の代理として取引する世界に関する政策的・法的フレームワークは、まだ存在していない」と率直に認めています。

具体的に未解決の論点は多岐にわたります。エージェント間の合意は法的に有効な契約か。エージェントが情報を誤解して結んだ不利な取引は無効化できるか。エージェント運用者・モデル提供企業・ユーザーのうち誰が責任を負うか。詐欺的なエージェントによる損害の補償スキームはどう設計すべきか。これらは既存の契約法・消費者保護法では十分に整理されていません。

従来の人間同士の取引では、意図・誤認・善意・悪意といった概念に基づく数百年単位の法理が積み上げられてきました。AIエージェント間の取引にこれらの概念をどう適用するかは、法学・倫理学・技術の境界領域で新たに構築する必要があります。Project Dealはこの議論を急がせる実証的な根拠を提供したといえるでしょう。

スノーボード重複購入や犬とのデート成立に表れた予測不能性の事例

Project Dealでは、設計者すら予期しなかった印象的な現象も観察されました。代表例の一つは、ある参加者のエージェントが、参加者がすでに所有しているのと全く同じスノーボードを購入してしまった事例です。

10分未満の事前面談では、参加者の所有物全てを把握することはできません。それでもClaudeは参加者の好みを推定し、結果として参加者がリアルに欲しがるであろうタイプの商品を選び取ったわけです。「人間が二度買わないであろう商品」を購入したという点では失敗ですが、選好モデルとしての精度は皮肉にも高かったといえます。

もう一つの印象的事例は、ある社員のエージェントが「私の犬と一日過ごす権利」を無料で出品し、別の社員のエージェントとの間で「犬とのデート」を成立させた事例です。エージェント間の対話には、本来エージェントが持っていないはずの個人的なエピソード（引っ越し先の椅子の話など）が混入する場面もあり、Anthropicはこれを「Claudeが人間役を演じてしまった結果」と分析しています。実際のデートは履行され、参加者と犬は実際に楽しい時間を過ごしたとのことです。これらの予測不能性は、エージェント運用に常に伴う性質として認識する必要があるでしょう。

Project Dealから日本企業が読み取るべき実務的示唆と将来への備え

本章では、Project Dealの知見を日本企業の実務現場でどう活かすかを具体的に整理します。BtoB調達・モデル選定・ベンダー透明性・カスタマーサポート実装・ログ監査・社内PoC設計まで、実務担当者が今すぐ着手できる論点を順に解説していきます。

BtoB調達におけるエージェント代行交渉導入時の品質基準設定

BtoB調達領域は、エージェント代行交渉が早期に普及する可能性が高い分野の一つです。Project Dealのデータが示すように、エージェント能力差は商品単価の十数%相当の経済差を生み出します。年間数百億円規模の調達を行う企業にとって、エージェント能力差は経営インパクトの大きな変数になるでしょう。

導入を検討する企業がまず整備すべきは、エージェント能力の評価基準です。価格交渉の合意水準・複数オファー処理能力・例外条件への対応力・契約条項の正確な反映精度など、評価軸を多面的に設計する必要があります。Project Dealのデータは、これらの評価軸でモデル間に明確な差が出ることを実証的に示しました。

調達責任者は、エージェント代行を導入する際に「最も性能の高いモデルを採用する」という単純な選択だけでなく、「自社の取引特性に合ったモデルを能力ベンチマークに基づき選定する」というプロセスを構築すべきでしょう。Project Deal的な小規模パイロットを社内で実施することも、判断材料として有効な手段になります。

自社エージェントのモデル選定基準として読み解くべき性能優先度

自社のエージェント実装でモデルを選定する際、Project Dealは明確な優先順位を示しています。プロンプト調整への投資よりも、より高性能なモデルへのアップグレードのほうが、成果改善の費用対効果が高いという知見です。

具体的には、攻撃的指示などの戦略的プロンプトが価格成果に与える効果はp値0.43〜0.78と統計的に有意でない水準にとどまった一方、Opus 4.5とHaiku 4.5の能力差は売却件数で2.07件・p=0.001という極めて強固な有意性を示しました。プロンプトに使える工数を、ベンチマークに基づくモデル選定とアップグレード判断に振り向けたほうが、成果に直結する可能性が高いでしょう。

もちろん、モデル単価の差も考慮する必要があります。高性能モデルは推論コストが高いため、取引単価が低い領域ではROIが見合わないケースもあるでしょう。Project Dealの市場が中央値$12の低単価市場であった点を考慮すれば、高単価のBtoB契約交渉では能力差の経済価値はさらに拡大すると見込まれ、高性能モデルへの投資が一層正当化される構造になります。

ベンダーエージェントへの開示要件・透明性ポリシー設計の検討課題

エージェント間取引では、相手側がどのモデルを使っているかを把握することが、自社の交渉戦略にも影響します。Project Dealでは、参加者は最終的に「リアルラン」がOpus全員ランだったと知らされましたが、現実のBtoBエージェント取引では、相手のモデル種別は通常開示されません。

このため、企業は契約や調達ポリシーの中に「エージェント代行を用いる場合のモデル開示義務」を組み込むことを検討すべきでしょう。少なくとも以下のような観点が論点になります。相手方が代行エージェントを利用していること自体の開示。利用モデルの種別・性能ベンチマーク・更新時期の開示。エージェントが取得・送信できるデータ範囲の合意。これらは取引の透明性と公正性を担保する基盤となります。

業界団体や規制当局によるエージェント代行の標準化議論はまだ初期段階ですが、先行する企業ほど将来の規制環境において優位なポジションを築けるはずです。社内ポリシーを今から準備しておくことには、戦略的な意味があるでしょう。

カスタマーサポート自動応答実装時に押さえるセキュリティ監査ポイント

カスタマーサポート領域でエージェントを実装する企業が増えていますが、Project Dealの知見はこの領域のセキュリティ設計にも示唆を与えます。エージェントは指示に対して非常に忠実に振る舞う一方、悪意ある誘導に対しても従順になりうるという両面性を持っているからです。

カスタマーサポート用エージェント実装で押さえるべき主要なセキュリティ監査ポイントは以下の通り整理できます。

• プロンプトインジェクション対策：ユーザー入力からシステム指示への昇格を遮断する設計
• 機密情報アクセス制限：エージェントが参照できる顧客データ範囲の最小化
• 応答ログの完全性保全：交渉記録の改竄不可能なログ保存
• エスカレーション基準の明確化：人間担当者へのバトンタッチ条件の事前定義
• ジェイルブレイク試行の検出：不審な誘導パターンの自動検知

これらの監査ポイントは、Project Dealが示した「指示への忠実さ」と「予測不能な振る舞い」の両面を踏まえた設計判断にあたります。技術選定だけでなく、運用体制まで含めて総合的なセキュリティアーキテクチャを設計する必要があるでしょう。

マルチエージェント環境におけるログ保全要件と監査証跡の整備指針

マルチエージェント環境では、複数のエージェントが交わす対話が取引の全証跡となります。Project DealもSlackチャンネル上の発話ログから取引の合意プロセスを追跡しており、ログ保全がいかに重要かを示しています。

企業がマルチエージェント環境を構築する際の監査証跡要件として、最低限以下の要素は整備すべきでしょう。各エージェントの発話タイムスタンプ・モデルバージョン・システムプロンプト内容・関与するユーザーIDの記録。エージェント間で交わされた全ての提案・対案・合意・撤回の完全な履歴。決済・契約成立に至るまでの判断ロジックの可視化。これらは将来の紛争解決や規制対応の基盤になります。

会計・税務の観点でも、エージェントが関与した取引の証跡は人間が関与した取引と同等以上の保全水準が求められる可能性があります。日本では電子帳簿保存法の要件もあり、エージェント取引のログを法的要件を満たす形で保管する設計は早期に検討すべき論点といえるでしょう。海外子会社のエージェント取引も含めた連結ガバナンス体制の整備も、グローバル展開企業には欠かせない準備となります。

Project Vendを含むAnthropic連続実験から導く社内PoC設計の参考軸

Project Dealは、Anthropicが継続的に行うエージェント実証実験シリーズの一つです。先行するProject Vend（Claudeにオフィスの小売店運営を任せた実験）やProject Fetch（ロボット犬実験）と並んで、エージェントの実用可能性と限界を浮き彫りにする実証研究の系譜にあります。

これらの一連の実験は、社内PoC設計のベンチマークとして参考になります。共通する設計原則として注目すべきは以下の点です。実物・実通貨を使い「玩具的シミュレーション」を回避する点。複数の対照群を並列運用して因果推論を可能にする点。参加者への盲検性を確保し主観評価バイアスを排除する設計。事後にアンケートで主観データも収集し客観成果との乖離を分析するプロセス。これらの設計原則は、自社のエージェントPoCにも応用可能です。

日本企業の多くは、エージェント実装のPoCを「うまく動くかどうか」のデモレベルで終えてしまいがちです。しかしProject Dealが示したように、本格的なPoCでは「能力差は何ドルの差を生むか」「ユーザーは劣化に気づくか」「指示の効果はどこまで持続するか」といった定量的な問いを設計する必要があります。Anthropicの実験設計を参考に、より知見の引き出せるPoCを構築することが、エージェント時代の競争優位を築く第一歩となるでしょう。