AI暗号解読の信頼性と企業リスク──研究者の反論が示す過信の構造

「44分・人間介入ゼロ」の解読報告と翌日の反論──何が起きたか

2026年8月31日、AI評価企業Vals AIは、AnthropicのClaude Fable 5.1が1653年にスコットランドの文筆家Thomas Urquhartによって著書Logopandecteisionに掲載されたとされる「Cyphral Distich」と呼ばれる64数字の暗号を解読したと報告した（出典：itdoeswhatnow.com、neoteric.no）。この暗号は1899年のNotes and Queries誌で問題提起され、Klaus Schmehが「50の未解読暗号」リスト第28位に挙げた歴史的難問である（出典：pasqualepillitteri.it）。所要時間44分、使用トークン176,000、人間介入ゼロ。提示された解読文は「O God uphold King Charls the second and / Make him the supreme ruler of this land」であり、解読手法は書籍内32のProquiritationsを鍵として各数字が対応する章の何番目の単語かを特定し、その頭文字を繋げるというものだった。

翌9月1日、研究者グループが技術的反論を公開した（出典：schneier.com）。反論の核心は二点ある。第一に、当該暗号が1653年の原著に実際には存在しない可能性があること。英国図書館所蔵の原本を調査した研究者によれば、32の請願書の後に数字暗号は確認できず、装飾的な文句で終わるという。第二に、Vals AIが依拠したのはエディンバラで1834年に刊行されたMaitland Club版である可能性が指摘されており、底本の選定そのものが解読の前提を揺るがしかねない状況にある（出典：schneier.com コメント欄）。解読結果の独立した学術的再現確認は、2026年9月時点でなされていない。

発表から24時間以内に反論が公開されるというこの経緯は、AI暗号解読の信頼性と企業リスクを考える上で、具体的かつ現実的な事例として機能する。

AI暗号解読の信頼性問題が企業リスクに直結する構造的理由

この事例が学術的論争にとどまらない理由は、現代の企業がAIの出力を業務判断の根拠として採用し始めているからである。文書解析・契約書審査・歴史的資料の調査・特許文献の読み解きといった場面で、「AIが整合的な出力を示した」という事実が意思決定の根拠として流通するようになった。その前提にある構造的な問題を、今回の事例は可視化している。

大規模言語モデルは、与えられた前提の内部で整合的な推論を行う能力に長けている。Vals AIが示した解読プロセスは、選択した底本の中では論理的な一貫性を持っていた。しかし「その底本は正しいか」という問い、すなわち前提そのものの真偽検証はモデルの外側にある。人間の専門家であれば底本選定や一次資料照合を当然のプロセスとして踏む場面で、AIは与えられた入力を所与の条件として処理を完了する。その結果、出力は流暢かつ確信に満ちていながら、前提段階の誤りを内包する可能性がある。

総務省の「AI事業者ガイドライン（第1.2版）」は、AIの出力に関するリスクとして「AIの誤り・過信・予期せぬ挙動への対処」を明示的に求め、事業者に対してAIの判断を人間が検証する体制の整備を促している（出典：総務省 https://www.soumu.go.jp/main_content/001064286.pdf）。今回のCyphral Distich事例は、このガイドラインが想定するリスクの具体例として位置づけられる。

AIと機械学習の基礎的な出力構造については機械学習の仕組みと企業活用への示唆でも整理しており、前提依存型の推論がなぜ危うさを持つかを技術的に確認できる。

AI暗号解読の信頼性──企業が直面するメリットとリスクの対照評価

AIが長年未解決とされてきた難問に対して短時間で仮説を提示できる能力は、文書解析・暗号解析・歴史的資料のパターン抽出など、企業の情報処理業務に応用可能な潜在力を示している。同時にこの事例は、AIの出力を無批判に採用することの危険性を明確に示した。以下に主要観点を整理する。

AI解析出力を業務利用する際のリスク評価

観点	潜在的メリット	リスク・注意点
処理速度・調査コスト	人間が相当の期間を要しうる分析を短時間で仮説として提示できる可能性がある	速度重視の姿勢が前提データの検証省略につながりやすい
出力の説得力	論理的に整合した出力は意思決定の補助資料として機能しうる	流暢で確信に満ちた文体が根拠の薄い結論への過信を誘発しやすい
前提データの品質	高品質なデータが与えられれば精度の高い仮説生成が期待できる	底本・版の相違がそのまま誤結論に転化するリスクがある（今回の反論の核心）
再現性・検証可能性	推論プロセスをトークンログとして記録できるため事後審査が可能	独立した第三者による学術的再現確認が省略されやすく、信頼性の担保が弱い
対外発表・広報リスク	成果を早期に発信することでブランド価値向上や先行優位が見込める	反論が発表翌日に公開された今回のように、信頼毀損リスクが伴う
規制・ガバナンス対応	AIの判断過程を記録・開示できれば説明責任の一部を果たしやすい	総務省ガイドラインは人間による検証体制の整備を明示的に求めており、AIのみへの依存は要件を満たさない可能性がある

IPAが公開している「信頼できるAI基盤の実証」に関する資料も、AIの出力品質保証と人間による監督の重要性を繰り返し強調しており、特定タスクでの高性能が全般的信頼性と同義でないことを明記している（出典：IPA https://www.ipa.go.jp/jinzai/ics/core_human_resource/final_project/2026/rcu1hd000001b13r-att/rcu1hd000001b1ev.pdf）。

テキスト解析やパターン抽出にAIを活用する際の実務的留意点については、テキストマイニングの実務応用も参照に値する。深層学習の応用範囲と限界についてはディープラーニングの実務応用でも確認できる。

AI暗号解読の信頼性リスクを踏まえた企業の実務対応

今回の事例から引き出すべき教訓は、AIの能力を否定することではない。AIが生成した仮説を「結論」として扱うのか「検証の起点」として扱うのかを、業務フローの中で明確に定めることである。以下に、経営・導入判断の視点から具体的な対応指針を示す。

前提データの来歴を確認するプロセスを設ける。Vals AIの事例では、底本の選定が事後に問題視された。AIに入力するデータの出所・版・取得経路を事前に人間が確認する手順を業務フローに組み込むことが、誤結論の防止に直結する。「AIが処理した」という事実が、入力データの品質を保証するわけではない。この確認作業はAIの能力評価とは独立した人間の責務である。

対外発表前に独立した検証ステップを義務づける。Vals AIの報告は、独立した学術的再現確認がなされないまま公開された。企業が同様の状況に置かれた場合、反論は即日公開される可能性があり、信頼性の毀損は事業・ブランド双方に波及しうる。AI出力を外部発表の根拠とする際は、社内外の専門家による検証の有無と限界を明示することがリスクヘッジになる。

「AIが解答した」と「その解答が正しい」を区別するガバナンス設計を行う。総務省のガイドラインは「AIの信頼性確保のための措置」として、出力の検証体制・フィードバックループ・第三者評価の組み込みを事業者に求めている（出典：総務省 https://www.soumu.go.jp/main_content/001064286.pdf）。この要件は、暗号解析に限らず契約書審査・特許調査・市場分析など、AIを判断補助に用いる業務全般に適用される考え方である。

AIの構造的特性を経営層が理解する。BERTのような事前学習モデルの仕組みを把握することで、なぜAIが前提の誤りを自律的に検出しにくいかを技術的に理解できる（参考：BERTとは何か──自然言語処理の基礎）。マルチモーダルAIや強化学習の観点からもAIの挙動特性を確認しておくことが、導入判断の精緻化につながる（参考：マルチモーダルAIの基礎、強化学習の企業活用）。また、スパースモデリングの観点から情報の選択と集約を理解することも、AI出力を批判的に読む素地を形成する（参考：スパースモデリングの考え方）。

AIが示す「解」は、適切な前提データと人間による検証プロセスが伴って初めて信頼に値する。AI暗号解読の信頼性と企業リスクは表裏一体の問題であり、AIの高い処理能力と人間の批判的検証能力を組み合わせる体制設計が、今後の競争力の差異を生む可能性があると考えられる。いかに高性能なモデルであれ、前提の誤りを内包したまま流暢に出力する構造はLLMに普遍的に存在する。この認識を経営判断の前提として持つことが、AI導入後のリスク管理の出発点となる。

参考文献

• itdoeswhatnow.com「Claude Fable 5.1 Cracks a 370-Year-Old Cipher」（2026年8月31日）
• neoteric.no「Claude Fable 5.1 and the Cyphral Distich」（2026年8月31日）
• pasqualepillitteri.it「Claude Fable 5.1 解読報告の概要と反論」（2026年）
• schneier.com「AI Cracks 370-Year-Old Cipher」およびコメント欄（2026年9月1日）
• 総務省「AI事業者ガイドライン（第1.2版）別添」https://www.soumu.go.jp/main_content/001064286.pdf
• 総務省「AI事業者ガイドライン更新に向けた論点」https://www.soumu.go.jp/main_content/001043445.pdf
• IPA「信頼できるAI基盤の実証」https://www.ipa.go.jp/jinzai/ics/core_human_resource/final_project/2026/rcu1hd000001b13r-att/rcu1hd000001b1ev.pdf