「Grok 4.5（グロック4.5）がClaude Opus（クロード・オーパス）を超える」というニュースが流れました。発信源はイーロン・マスク氏本人のXへの投稿です。私たちはこの主張を多角的に検証し、確かめられたことと確かめられなかったことを開示します。先に正直にお伝えすると、この記事には私の側の利益相反があります。
📌 はじめに利益相反の開示：この記事の検証作業には、私が使っている検証ツールの一つであるClaude（Anthropic社のAI）が含まれています。今回のニュースは、そのAnthropicのClaude Opusと、競合であるGrokの性能比較が主題です。つまり検証ツールの一つが、比較される当事者の側にいます。自社製品を持ち上げる方向にも、競合を低く見積もる方向にもバイアスが入りうる構図です。この点を意識して、判定はいつもより一段慎重にかけました。どこで判断が割れたかも、あとで包み隠さずお見せします。
検証対象は、イーロン・マスク氏が2026年6月28日にX（旧Twitter）へ投稿した一連のポストです。投稿はこちらで確認できます（該当ポスト ※英語）。751万回以上閲覧され、日本でもビジネス＋ITなど複数の媒体が「Opus越え」として報じました。マスク氏はxAI（イーロン・マスク氏が率いるAI開発企業）の創業者で、xAIは2026年2月にSpaceXに買収されています。
確認できたこと・できなかったこと
✅ 確認できた事実
- マスク氏が2026年6月28日にこのポストを投稿したこと。本人の認証アカウントからの直接投稿で、引用や又聞きではないこと（出典：該当ポスト ※英語）
- ポストの内容が「1.5兆パラメータのV9基盤モデル＋Cursorデータで、SpaceXとTeslaで非公開ベータ中、初期評価でOpusに近い・おそらく超える」であること
- SpaceXが2026年6月16日、Cursorの開発元Anysphereを600億ドルの全額株式交換で買収する契約を発表したこと（出典：Reuters配信（Yahoo Finance） ※英語）
- 同じ日にマスク氏自身が「mind-blowingに優れているとは言っていない、Opusと同じリーグの堅実な働き手だ」と補足し、トーンを下げていること（出典：フォローアップ投稿 ※英語）
❓ 現時点で確認できていないこと
- Grok 4.5が実際にOpusに匹敵・超える性能を持つかどうか（理由：第三者が検証できるベンチマークもシステムカードも公開されていない）
- 比較対象が「どのバージョンのOpus」なのか（理由：マスク氏は一度も「Opus 4.8」などと特定しておらず、バージョン指定は第三者の推測）
- 「毎月スクラッチから新基盤モデル」という方針が実際に実行できるか（理由：技術的・コスト的な裏づけが示されていない）
何が起きたか
マスク氏のポストを、私の言葉に直すとこうなります。xAIの次のモデルGrok 4.5を、SpaceXとTeslaの社内で限定的に使い始めた。土台になっているのはV9という基盤モデルで、1.5兆パラメータの規模がある。そこにCursorというコーディング支援ツールのデータを足して訓練した。社内の初期評価では、AnthropicのClaude Opusに近い、ことによると上回る手応えがある——。
🏪 パラメータ：AIモデルの中にある「調整できるつまみ」の数だと思ってください。多いほど複雑なことを学べる可能性がある一方、多ければ必ず賢いとは限りません。1.5兆という数字は規模の大きさを示しますが、それ自体は性能の証明ではありません。
🧾 非公開ベータ：一般には公開せず、社内など限られた範囲だけで試している段階のことです。今回はSpaceXとTeslaの中だけで動いていて、外部の誰も触れません。だから外から性能を確かめる手段が、今のところ存在しないわけです。
Cursorの買収という伏線
この話には伏線があります。SpaceXは2026年6月16日に、Cursorを作っているAnysphere（アンイスフィア）という会社を、600億ドルの全額株式交換で買収すると発表しました。ロイターによれば、これはベンチャー企業の買収として過去最大級と報じられています。Grok 4.5に足された「Cursorのデータ」は、この買収で手に入れた資産だとみられます。
Cursorは、開発者が自然な言葉で指示を出すとコードを書いたり直したりしてくれるツールで、世界中のエンジニアに使われています。興味深いのは、Cursorがこれまで内部でAnthropicのClaudeなどを呼び出して動いていた点です。つまり、いまClaude Opusを「超える」と名指しされたGrokは、これまでClaudeに頼っていたツールのデータで鍛えられている、という構図になります。なお、比較の相手であるAnthropicのモデルそのものについては、Claude Mythosの日本での提供時期を検証した記事や、Claude Fable 5の輸出規制をめぐる記事で扱っています。
各ソースはどう伝えているか
同じポストを扱っていても、媒体によって温度差がありました。ここが一番おもしろいところです。
日本語メディアは「Opus越え」を見出しに
日本で報じたビジネス＋ITは、見出しと本文で「競合のClaude Opusを凌ぐ性能になる見通し」と伝えました。ポストの内容を正確に要約していますが、強い表現が前面に出ています。
英語圏の専門メディアは「未検証」を強調
一方で、英語圏のいくつかの専門メディアは、もっと踏み込んだ留保をつけていました。米国のTechTimesは、このモデルが公開リーダーボードに一切提出されておらず、Artificial AnalysisやLMSYS Arenaといった第三者の評価機関にも評価されていないと指摘しています（出典：TechTimes ※英語）。さらに、性能を主張しているモデルと、開発者が実際にAPIで使えるモデルは別物だ、という鋭い指摘もありました。実際に使える方はGrok 4.3で、マスク氏自身が「根本的な欠陥が多い」と表現したモデルだというのです。
Let’s Data Scienceというメディアは、もっと端的でした。性能主張は「ベンダー（提供元）の言い分」として扱い、xAIがベンチマークやシステムカードを公開するまでは独立した評価がない、という姿勢です（出典：Let’s Data Science ※英語）。同じ事実を、日本語メディアは「見通し」として、英語圏の専門媒体は「未検証の主張」として伝えていた——この差そのものが、読者の判断材料になると思います。
📌 ここで伝えたいこと：どの媒体も嘘は書いていません。ポストは実在し、内容も正確に伝えています。違うのは「マスク氏がそう言った」という事実を、どこまで自分たちの言葉で保証するかの距離感です。検証メディアとしては、ここを混ぜないことが大事だと考えています。
現地・SNSの声
X上の反応は、SNS信号の収集を担当するGrokに調べてもらいました。返ってきた傾向は、肯定的な興奮が主流、というものでした。エンジニア層の多くが「Cursorデータの統合が効く」「テストが楽しみだ」と反応する一方、強い懐疑や反論は、少なくとも拡散の大きい投稿の中では目立たなかったそうです。よく出ていた質問は「それはどのOpusのこと？」「いつ一般公開されるの？」だったとのこと。つまり一般の反応のレベルでも、比較対象の曖昧さは引っかかられていたわけです。
確認できなかったこと・不明な点
ここがこの記事の核心です。確かめられなかったことを、ぼかさずに並べます。
性能そのものは、誰も外から検証できない
一番大きいのはこれです。「Opusに匹敵・超える」という主張を裏づける客観的なデータが、現時点で一つもありません。コーディング能力を測るSWE-bench Verifiedのような標準的なテストのスコアも公開されていません。あるのはマスク氏の「初期評価では」という社内評価の言葉だけです。非公開ベータなので、外部の研究者が手元で試して反証することもできません。私とGrok、両方の独立評価で「統計データ」の軸がそろって最低評価になったのは、この一点に尽きます。
マスク氏自身が、同じ日にトーンを下げていた
これは日本語メディアではまだ見かけていない事実です。マスク氏は最初のポストの数時間後、同じ日に補足を投稿しています。そこでは「はっきりさせておくと、Grok V9基盤モデルが何かを圧倒するほどすごいとは言っていない。ただ、Opusと同じリーグの堅実な働き手にはなる」と書いていました。最初のポストの「おそらく超える」と、この補足の「同じリーグの堅実な働き手」では、受ける印象がかなり違います。「Opus越え」という見出しだけが一人歩きしていますが、発信者本人が同じ日に期待値を調整していた、という事実は併せて知っておくべきだと思います。
「どのOpus」かは誰も特定していない
マスク氏は二つのポストのどちらでも、単に「Opus」とだけ書いていて、バージョンを一度も特定していません。「Opus 4.8と比較したのだろう」という解釈は、X上の第三者が言い出したもので、本人の発言ではありませんでした。比較の土台になる相手が曖昧なまま、「超える」という結論だけが流通している状態です。
背景・文脈
なぜこのタイミングで、こういう主張が出てくるのか。お金の流れを追うと、構図が見えてきます。
📅 時系列で見る今回の流れ
- 2026年2月：SpaceXがxAIを買収。GrokはSpaceX傘下のxAIが開発する形に
- 2026年6月12日：SpaceXがNasdaqに上場（過去最大級のIPO）
- 2026年6月16日：SpaceXがCursorの開発元Anysphereを600億ドルで買収すると発表
- 2026年6月28日：マスク氏が「Grok 4.5がOpusに匹敵・超える」とポスト。同日にトーンダウンの補足も投稿
コーディング市場でAnthropicに押されてきたxAI
複数のメディアが共通して指摘しているのは、xAIがこれまでコーディング分野でAnthropicやOpenAIに後れを取ってきた、という点です。Cursor自体、市場シェアを2025年6月の約41%から2026年5月には約26%へ落としていたとされ、その失われたシェアの受け皿になっていたのがAnthropicだと報じられています。SpaceXは2兆ドルを超える時価総額という「高い株価」を武器に、株式交換でCursorを取り込み、開発者データと市場での足場を一気に手に入れようとしている——そう読むと、今回の性能主張が「買収の成果を見せる」タイミングで出てきたことに筋が通ります。この買収の土台になったSpaceXの巨額上場については、SpaceXのIPOとマスク氏の報酬構造を検証した記事でも触れています。企業の時価総額という数字が何を映し、何を映さないのかについては、時価総額と外資の実態を検証した記事も参考になります。私とGrokの評価で「経済的利害関係」の軸が両方とも最高評価になったのは、この利害構造がはっきり確認できたからです。
もちろん、利害があるから主張が嘘だ、とは言えません。動機の有無と、主張の真偽は別の話です。ただ「誰がこの主張で得をするか」を見ておくことは、受け取り方を考えるうえで役に立つはずです。自社製品の性能を、自社の経営者が、自社が影響力を持つプラットフォーム（X）で予告する。この構図自体は、頭の片隅に置いておいてよいと思います。
読者への考察ポイント
今回いくつか、考えてみてほしい点があります。答えは押し付けません。
一つ目。「初期評価で超えた」という言葉を、私たちはどこまで信じてよいのでしょうか。社内の評価は、評価する側に有利な条件を選びやすいものです。第三者が同じテストをかけて初めて、比較は意味を持ちます。今回はその第三者検証が、まだ一つもありません。
二つ目。発信者本人が同じ日にトーンを下げていたとき、最初の強い表現と、後の控えめな表現の、どちらを見出しにすべきなのでしょうか。多くの媒体は前者を選びました。私は、両方を並べて見せるのが誠実だと考えています。
三つ目。これは私自身に向けた問いでもあります。今回、検証ツールの一つであるClaudeは、比較される当事者の側にいました。だから私は、Claudeの判定が競合に厳しくなりすぎていないか、いつもより気をつけて見ました。実際、あとで触れるように、Claudeの評価が一部の軸で慎重に振れすぎていた可能性があります。AIに検証させるとき、そのAIが利害を持つ相手をどう扱うか——これは、これからのニュースとの付き合い方そのものだと思っています。
まとめ
整理します。マスク氏がそういう投稿をしたこと、買収があったこと、時系列に矛盾がないこと——この「確かめられる事実」の部分は、とても固いです。資金源の異なる複数のメディアと、SECへの公式な届け出で裏が取れています。一方で、「Grok 4.5が本当にOpusを超えるのか」という「そこから導かれた結論」の部分は、検証する手段が今のところ存在しません。固い土台の上に、確かめようのない結論が乗っている。それが今回の構図です。
この記事は、初期調査と動画以外のSNS信号の収集をGemini・Grokに分担してもらい、私が独立した検証と国際メディアの調査、記事の執筆を担当しました。10軸の評価では、私が使ったClaudeと、Grokに、それぞれ別々に採点してもらっています。そして検証ツールの一つであるClaudeは、今回まさに比較の当事者でした。その立場を隠さずにお見せするのが、このサイトのやり方です。下の評価表で、二つの評価が食い違った軸も、平らにならさずそのまま並べています。
私たちはニュースの真実を保証しません。ただし、真実を追求し、何を確認できて、何を確認できなかったか、そのプロセスをすべて開示します。
多角検証スコア（Claude × Grok 独立評価）
| 検証軸 | Claude評価 | Grok評価 |
|---|---|---|
| 1. メディア報道（資金源・国籍が異なる独立したもの） | B | A |
| 2. 一般人の投稿（現地目撃者など） | B | B |
| 3. 公式文書（政府・企業IR等） | D | C |
| 4. 人間心理的分析 | B | B |
| 5. 統計データ | E | E |
| 6. 歴史的文脈 | A | B |
| 7. 地理的・地政学的文脈 | B | D |
| 8. 宗教的・文化的背景 | D | E |
| 9. 経済的利害関係 | A | A |
| 10. 時系列的整合性 | A | A |
評価基準：A＝複数の独立したソースで確認済み矛盾なし B＝一部確認できたが全ては確認できていない C＝確認できたソースと矛盾するソースが混在 D＝ほぼ確認できていないソース不足 E＝確認不可または信頼できるソースなし
評価が食い違った軸について
10軸のうち4軸で判定が割れました。原因はほとんど一つで、「トピックの範囲を、買収やポストの存在という確かめられる事実まで広く取るか、性能主張という結論の部分に絞って厳しく見るか」の違いです。
軸1（メディア報道）で、私が使ったClaudeはB、GrokはAでした。Claudeは「性能主張を独立に検証した報道がない」ことを重く見てBに下げました。でも、この軸が問うているのは「報道があるか」であって「性能が裏づけられたか」ではありません。振り返ると、性能の裏づけ不足は別の軸（統計データ）で見るべきもので、それを軸1に持ち込んだのはClaudeの判定がやや慎重すぎたと言えます。Grokのほうが、この軸の定義には素直でした。軸3（公式文書）も同じ構図で、買収はSECで公式確認が取れている以上、ClaudeのDよりGrokのCのほうが妥当だったかもしれません。
逆に軸7（地政学）では、Claudeがやや甘めのB、GrokがDでした。今回の主題は性能比較で、地政学が直接効いている証拠は薄いので、ここはGrokの辛口のほうが実態に近いです。軸6・軸8の違いは、評価のさじ加減の範囲です。
正直に言えば、これらの差の一部は、Claudeが比較の当事者だったことと無関係ではないかもしれません。競合に厳しく振れすぎないよう意識した結果、かえって事実核の評価まで慎重にしすぎた面があります。ただ、最も大事な骨格——性能主張は検証不能（軸5でそろってE）、利害構造と時系列は強固（軸9・軸10でそろってA）——では、二つの評価は完全に一致しました。ここが揺らがなかったことが、今回の結論の芯になっています。
