GPT-5.5 と Claude Opus 4.8 のハルシネーション率を、業務で頻出する5タスクで検証しました。本記事では2026年5月時点の公式ベンチマークと、当社が実施した再現テストの結果から、用途別の選び方を解説します。
検証の前提
検証実施時点（2026年5月）の主要モデルは以下の3つです。
| モデル | 提供元 | コンテキスト長 | 主要評価指標 |
|---|---|---|---|
| GPT-5.5 | OpenAI | 200K トークン | MMLU / HumanEval / GPQA |
| Claude Opus 4.8 | Anthropic | 1M トークン | MMLU / HumanEval / SWE-bench |
| Gemini 3 | 1M トークン | MMLU / GSM8K |
出典：OpenAI Model Index、Anthropic Claude Model Card、Google AI Models
検証タスクと評価基準
業務で頻出する5タスクを設計し、各モデルに同一プロンプトで30回ずつ実行しました。
タスク一覧
| タスク | 内容 | 評価指標 |
|---|---|---|
| 1. 要約 | 5,000字の議事録を 500字 | 事実誤り件数 |
| 2. 引用付き回答 | 法令名と条文番号を明示 | 架空引用件数 |
| 3. 数値データ抽出 | PDF表からの転記 | 桁誤り件数 |
| 4. コード生成 | API クライアント実装 | 存在しないメソッド呼び出し件数 |
| 5. FAQ 応答 | 自社サービス質問 | 事実誤り / 過剰断言件数 |
検証結果（実測値）
各タスク30回試行のうち「ハルシネーション発生」と判定された回数。少ないほど精度が高い。
| タスク | GPT-5.5 | Claude Opus 4.8 |
|---|---|---|
| 1. 議事録要約 | 2 / 30 | 1 / 30 |
| 2. 法令条文引用 | 5 / 30 | 2 / 30 |
| 3. PDF 数値抽出 | 4 / 30 | 2 / 30 |
| 4. コード生成 | 3 / 30 | 3 / 30 |
| 5. FAQ 応答 | 3 / 30 | 1 / 30 |
| 合計 | 17 / 150 (11.3%) | 9 / 150 (6.0%) |
※ 当社調べ、2026年5月実施。同一プロンプト・温度0.3・各30回試行。
個別観察
タスク2 「法令条文引用」で差が大きかった理由
Claude Opus 4.8 は「該当条文が見つからない場合は不明と回答する」傾向が強く、過剰断言を抑制。GPT-5.5 はもっともらしい架空条文を生成するケースが見られました。Anthropic は Constitutional AI の訓練設計で「I don't know」を許容する強化を継続しています（Anthropic 公式 Constitutional AI 論文）。
タスク4 「コード生成」では差なし
両モデルとも SWE-bench で90点超を記録するレベル。差が出るのは「曖昧な要件」を投げた場合のみで、明示的な型・関数シグネチャがあれば両者とも実用品質です。
タスク3 「PDF 数値抽出」の落とし穴
両モデルとも全角 / 半角混在、改行を含む数値で誤りが発生。業務利用時は OCR を別途通し、構造化された CSV / JSON に変換してから AI に渡すことを推奨します。
ハルシネーションを業務で抑える4手法
1. RAG（検索拡張生成）
社内文書をベクトル検索で取得し、回答時に引用させる構成。Claude / GPT どちらも MCP / Connectors 経由で実装可能です。
# Claude MCP の例
mcpServers:
internal_docs:
command: npx
args: ["-y", "@yourcompany/mcp-docs-search"]
env:
VECTOR_DB_URL: "https://..."
2. Web 検索ツール接続
ChatGPT の Browsing、Claude の Web Search ツールを必ず ON。最新情報を必要とするプロンプトでは出典 URL を明示させる指示を入れます。
3. プロンプトに「出典必須」を明記
あなたは事実確認を最優先するアシスタントです。
- 出典 URL を明示できる情報のみ回答してください。
- 確証がない場合は「情報を確認できませんでした」と回答してください。
- 架空の論文タイトル / 著者を生成することを禁じます。
4. 人間レビュー（必須）
法律・医療・財務など影響の大きい領域は、AI 出力を必ず専門家が検証。Anthropic 公式ドキュメントでも「Human in the loop」を強く推奨しています。
モデル選択の判断基準（2026年5月検証時点）
| 用途 | 推奨モデル | 理由 |
|---|---|---|
| 契約書レビュー / 法令リサーチ | Claude Opus 4.8 | 引用精度が高く過剰断言を抑制 |
| 長文ドキュメント分析（200K超） | Claude Opus 4.8 / Gemini 3 | 1M トークン対応 |
| ブレインストーミング | GPT-5.5 | 発想の広さと速度 |
| MCP / Connectors 連携 | 両者対応 | 業務システムに合わせて選択 |
| 翻訳 / 多言語要約 | GPT-5.5 | 100言語以上の安定性 |
| コード生成（中規模） | 両者同等 | SWE-bench 90点超 |
補足：Claude Fable 5 の登場（2026年6月追記）
2026年6月9日に Anthropic が Opus 4.8 の上位にあたる最上位モデル「Claude Fable 5」を公開し、最上位帯の構図が変わりつつあります。Opus 4.8 との違い・料金・実務活用の観点は Claude Fable 5とは｜Opus 4.8との違い・料金・実務活用【2026】 で解説しています。
補足：2026年7月のモデル世代交代（2026-07-25追記）
上記の検証は2026年5月時点のモデル（GPT-5.5 / Claude Opus 4.8 / Gemini 3）で実施したものです。2026年7月に3社とも世代交代しており、同じ用途で現在選ぶべきモデルは次のとおり読み替えてください。
| 検証時のモデル | 2026年7月時点の後継 | 主な変更点 |
|---|---|---|
| GPT-5.5 | GPT-5.6（2026-07-09一般公開） | Sol / Terra / Luna の3変種。Sol が最上位で、企業業務・コーディング・科学研究・セキュリティ向けに強化 |
| Claude Opus 4.8 | Claude Opus 5（2026-07-24発表） | 入力$5／出力$25はOpus 4.8から据え置き。effort（思考量）を low / medium / high から選択可能 |
| Gemini 3 | Gemini 3.6 Flash（2026-07-21発表） | 100万トークン維持、出力トークンを3.5 Flash比で約17%削減、$1.50/$7.50 |
ハルシネーション率は世代ごとに変動するため、本記事の実測値をそのまま新世代に当てはめず、自社タスクでの再テストを前提にしてください。
当社のAI研修・Claude Code 業務導入
当社では、GPT-5.6 と Claude Opus 5 を併用する「マルチモデル運用」の研修を提供しています。
- タスク別モデル選定ワークショップ（自社業務に対する最適配分を設計）
- ハルシネーション対策プロンプトテンプレート集（業務別50点以上）
- MCP / Connectors / RAG の実装支援
- 3ヶ月伴走サポート（精度モニタリング + プロンプト改善）
料金はライト（半日）150,000円/人・スタンダード（1日）300,000円/人（税抜・各5名様〜）です。2日間以上の研修や伴走定着プランは人材開発支援助成金の対象になり得ます（半日・1日単発は対象外）。
AI研修・Claude Code 業務導入の無料相談はこちら ／ Claude Code 業務導入研修の詳細