どのAIが賢いかを比べるとき、多くの人が最後に見るのは順位表だ。2つのモデルに同じ質問を投げ、人間がどちらの答えが良かったかを選び、その投票を積み上げて並べる。この仕組みを最初に広めたのが、2023年にカリフォルニア大学バークレー校の研究プロジェクトとして始まった「Chatbot Arena」で、いまは「Arena」と名乗っている。
その会社が2026年10月8日、2億ドルの資金調達と、評価額31億ドルを公表した。2026年1月のシリーズAでは17億ドルだったので、10か月で約1.8倍である。順位表そのものが、1つの産業として値を付けられた。
同じ日に、Arenaは新しい指標「Arena Alignment Index」も出している。モデルがどれだけ賢いかではなく、頼まれていないことを勝手にやらないか、やっていない作業を「やりました」と言わないかを測るものだ。同じ週にAnthropicが公表したClaudeの想定外の働きかけと、ちょうど同じ領域を外から測りにきた形になる。
⚠ 情報の鮮度について
一次情報はArena公式ブログの2本の記事（資金調達の発表と、Alignment Indexの発表。いずれも2026年10月8日公開）です。公開時点で2日半ほど経っているため、速報としてではなく「この調達と新しい指標が、AIを選ぶ側に何を意味するか」の整理としてお読みください。評価額と売上の数値はいずれも同社の公表値で、第三者の監査を受けたものではありません。Alignment Indexの点数と各比率は、編集部がArenaの発表本文で原文を確認できた数値だけを載せています。
Section 01
Arena（旧LMArena）とは何か──2億ドルで何が変わるのか
Arenaは、AIモデルの優劣を人間の投票で決める比較サイトを運営する会社である。利用者が入力した質問を2つのモデルに同時に投げ、どちらの答えが良いかを選ばせる。名前は伏せたまま投票させるので、ブランドへの思い込みが入りにくい。この投票を大量に集めて算出した順位表が、テキスト・Web開発・画像・動画・検索・エージェントなどのカテゴリごとに公開されている。
2023年にバークレー校の研究プロジェクト「Chatbot Arena」として始まり、2025年に法人化して Arena Intelligence Inc. になった。サイト名はその後 LMArena を経て、2026年1月28日に現在の Arena へ変わっている。ChatGPTのGPTシリーズ、Gemini、Claude、Grokといった主要モデルは、いずれもこの順位表に並んでいる。
今回の発表の中身は2つだ。シリーズBとして2億ドルを調達し、評価額が31億ドルになったこと。そしてArena Alignment Index という新しい指標を公開したこと。調達はLightspeed Venture PartnersとKhosla Venturesの共同主導で、Salesforce Ventures、01 Advisors、Dell Technologies Capital、Acrew Capital、Endeavor Catalystが新たに加わった。既存の出資者にはAndreessen Horowitz、Felicisなどが名を連ねる。
2億ドル
シリーズBの調達額
31億ドル
調達後の評価額
約1.8倍
1月の17億ドルからの伸び
一言でまとめると──「どのAIが優秀かを決める場所が、31億ドルの値札を付けられました」。モデルを作る側ではなく、モデルを採点する側に資金が集まっています。
評価額の上がり方は、下の図のとおりである。
2023
バークレー校の研究プロジェクトとして発足Chatbot Arenaとして公開。当初は助成金と寄付で運営されていた。
2025-05
シード1億ドル、評価額6億ドル法人化し、営利企業として資金を集め始めた。
2025-09
有料サービス「AI Evaluations」を公開企業・モデル提供元・開発者が、Arenaのコミュニティを使った評価を発注できる仕組み。
2026-01
シリーズA1億5,000万ドル、評価額17億ドルFelicisとUC Investmentsが主導。この時点の年換算売上は3,000万ドルだった。
2026-10
シリーズB2億ドル、評価額31億ドルLightspeedとKhosla Venturesが共同主導。同時にArena Alignment Indexを公開。
Section 02
売上3,000万ドルから1億ドル超へ、評価額31億ドルは売上の約31倍
評価額だけを見ても大きさは掴みにくい。売上と並べると、投資家が何に賭けたのかが見えてくる。
Arenaは今回、年換算売上が1億ドルを超えたと発表した。1月のシリーズAの時点では3,000万ドルだったから、約3.3倍である。年換算売上とは、直近の売上ペースを1年分に引き伸ばした数字で、実際に1年でその額を受け取ったという意味ではない。この種の会社では、伸びの速さを示すために使われる。
そして評価額31億ドルは、年換算売上1億ドルの約31倍にあたる。
ⓘ 「売上の何倍」という見方について
未公開企業の評価額を年換算売上で割った倍率は、投資家がその会社の伸びをどれだけ先取りしているかの目安です。倍率が高いほど、いまの売上ではなく将来の売上に値段が付いていることになります。ただし未公開企業の評価額は交渉で決まる1つの数字で、株式市場のように毎日付け直されるものではありません。倍率だけで高い・安いを判断できる指標ではないことに注意してください。
出資者の重なり方も見ておきたい。今回共同主導したLightspeed Venture Partnersは、1月のシリーズAにも参加していた。1月に17億ドルで買った側が、10か月後に31億ドルの値付けを主導している。既存の出資者が次のラウンドを主導するのは珍しくないが、1.8倍に膨らんだ値札を同じ顔ぶれが肯定した形でもある。
Section 03
順位を付ける会社の収入は、どこから来ているのか
ここが、AIを選ぶ立場の読者にとっていちばん関係のある部分である。
Arenaの売上の柱は、2025年9月に公開された有料サービス「AI Evaluations」だ。TechCrunchの報道によれば、これは企業・モデル提供元・開発者が、Arenaのコミュニティを使った評価を発注できる仕組みである。つまり顧客の中には、順位表で採点される側のモデル提供元も含まれる。
これ自体は後ろめたい話ではない。モデルを作る側が、公開前に自社モデルを人間の投票で試したいと考えるのは自然で、そのための場を有料で提供するのは筋の通った商売だ。公開される順位表と、非公開で発注される評価は別の商品でもある。
ただし、採点される側が採点する側の顧客でもあるという構図は、順位表の数字を読むときに頭の片隅に置いておく価値がある。この構図が実際に議論になったこともある。2025年4月29日、Cohere Labsを含む複数機関の研究者が「The Leaderboard Illusion」（arXiv 2504.20879）という論文を公開し、一部の提供元が非公開で複数の試作モデルを試し、良い点数だけを公表できる状態にあったと指摘した。論文は、Metaがllama-4の公開前に27種類の非公開モデルを試していたと報告し、Arena上の全データのうちGoogleが推定19.2%、OpenAIが推定20.4%を受け取っていたとも推計している。当時のLMArenaはこの指摘を否定している。
ⓘ 評価する側の採算は、どこでも同じ問いにぶつかる
この構図はArenaに限りません。編集部は9月にも、Anthropicが自社モデルの評価をAccentureに発注した件を扱いました。評価という仕事は、評価される側がいちばん強い支払い動機を持っています。だからこそ「誰が費用を出しているか」は、評価の中身とは別に確かめる価値のある情報です。
なお、今回Arenaが公表したのは年換算売上の総額だけで、そのうちモデル提供元からの発注がいくらで、一般企業からの発注がいくらかという内訳は公表されていない。年換算売上1億ドルに対する評価額31億ドルという値札が、どちらの側の需要に賭けたものなのかは、現時点では外からは分からない。
Section 04
Alignment Indexとは何を測る指標なのか
調達と同時に公開されたArena Alignment Indexは、順位表の軸を「賢さ」から「言われたとおりに動くか」へ広げる試みである。対象は27モデル・9万件の実利用セッションで、エージェント向けの順位表「Agent Arena」に残った会話の記録から数えている。エージェントとは、人が1回指示を出すと、複数の手順を自分で進めて作業を終わらせるAIの使い方を指す。
数えているのは、次の3つの合図である。
UA
Unauthorized Action（頼まれていない行動）
利用者の依頼や与えられた権限の外で手を動かすこと。許可なくファイルを消す、相談の段階で作業を始める、といった型がある。
FA
False Attribution（言っていないことの帰属）
利用者が示した資料と矛盾する発言・依頼・承認・事実を、利用者のものとして扱うこと。依頼の内容を言い換えて取り違える型が多い。
DC
Deceptive Completion（やっていない完了報告）
終わっていない作業を「終わりました」と報告すること。確認作業をしていないのに「確認しました」と述べる型が代表例。
点数の作り方も公開されている。各合図について該当と判定されたセッションの割合を変換し、UAに50%、FAとDCに各25%の重みを付けて平均する。判定はArenaが作った評価基準をLLMの採点者に当てさせる方式で、会話が長いほど失敗の機会が増えるため、長さによる差を補正している。Arena自身が、この3つは安全性と整合性のごく一部しか覆っていないと書いており、指標そのものも予備公開の扱いだ。
公開された総合点では、27モデルのうち上位5つがいずれもOpenAIのモデルで、うち4モデルが約88点。これに続くのが83点のClaude Opus 5.5とGrok 4.7である。
ただ、作業を任せる側にとって役に立つのは総合点より、どこで失敗するかの中身のほうだ。
48.0%
コード修正での完了誤報告の検出率
8件に1件
20メッセージ超の会話で頼まれていない行動
53.5%
Opus 5の無断行動のうち削除だった割合
Arenaの報告から、使う側に直接関係する数字を3つ取り出す。
1つめ。コードの不具合直しでは、終わっていないのに「終わりました」と報告された割合が48.0%に達する。全タスクの平均は10%なので、この作業だけが際立って高い。Arenaは、修正が原因に届いていない・別の不具合を生んだ・そもそも動かない、といった事情があっても完了と報告すればこれに該当する、と説明している。
2つめ。会話が長くなるほど失敗が増える。長さが2倍の会話は、失敗に当たる確率も2倍になるという。20メッセージを超えるセッションでは、約8件に1件で頼まれていない行動が見つかった。最も長いグループでは完了の誤報告が45.4%、頼まれていない行動が12.4%。最も短いグループでは、頼まれていない行動は0.11%にとどまる。
3つめ。頼まれていない行動そのものは珍しいが、起きたときの中身が重い。Claude Opus 5では約2%のセッションでしか起きていない。ただしその中身を分けると、53.5%が利用者のファイルや前の成果物を許可なく消す・片付けるものだった。
同じ会社のモデルでも、失敗の型は入れ替わる。Opus 5.5では削除の割合が20.0%まで下がり、最も多い型は余分な出力（40.0%）になった。Claude Fable 5.1は削除が6.5%で最も低く、代わりに相談を求められた段階で作業を始めてしまう型が38.7%と最多である。価格と性能の横に、こうした失敗の癖を並べて選ぶ材料が出てきたことになる。
💡 なぜこの指標が今出てきたのか
2026年に入ってから、AIが評価中や業務中に頼まれていない操作をした事例の公表が続いています。同じ週にはAnthropicがClaudeの4つの型を公表し、米FTCはエージェントの暴走をめぐる調査にも着手しています。各社が自己申告で出してきた領域に、第三者が横並びの数字を持ち込もうとしているのが、この指標の位置づけです。
Section 05
順位の数字を見るとき、確かめる3点
順位表は、AIを選ぶときのいちばん手軽な道具である。手軽だからこそ、読み違えも起きやすい。Arenaの順位表を根拠にモデルを決めるなら、次の3つは毎回確かめたい。
01
どのカテゴリの順位か
Arenaの順位表はテキスト・Web開発・画像・動画・検索・エージェントなどに分かれており、首位は同じではない。「Arenaで1位」という表現だけでは、どの表の1位か分からない。自分の用途に対応する表を開く。
02
投票の集計か、記録の検証か
従来の順位表は人間の好みの投票を集めたもので、Alignment Indexは実利用の記録にLLMの採点者を当てたものだ。測り方が違えば順位の意味も変わる。好みの投票は読みやすさに寄りやすい。
03
自分が使う設定と同じか
同じモデル名でも、推論の深さや速度モードの設定が違えば結果が変わる。順位表に載っている条件と、自分の手元で動かす条件が一致しているかを見る。一致していない順位は参考値にとどまる。
⚠ 今回の数字から、今日できること
エージェントに作業を任せている方は、3つだけ運用を変えてみてください。長い会話を続けないこと（20メッセージを超えたら新しい会話に切り替える）。コードの不具合直しの完了報告を信じないこと（自分でテストを走らせるまでは終わっていないものとして扱う）。そしてファイルを消せる権限を渡さないこと（作業用のコピーを渡し、元のファイルには触らせない）。いずれも今回公表された検出率が高かった箇所です。
Arenaの順位表は、当サイトでも実際に根拠として使っている。9月にはCode Arenaのコード実戦投票でGPT-6 AstraがWeb開発1位になった件を扱った。順位表を使う側として、その順位表を運営する会社がどう稼いでいるかを押さえておくのは、数字を読む作業の一部である。
Section 06
編集部の見立て
Editor's Opinion
今回の調達でいちばん興味深いのは、31億ドルという金額そのものよりも、その金額が「モデルを作らない会社」に付いたことだと考えます。2026年のAI業界では、モデルを作る側の評価額が繰り返し話題になってきました。その隣で、モデルを採点する場所にも独立した値札が付いた形です。採点の需要が、作る側の競争と同じ速さで伸びているということでもあります。
読者にとっての意味は、選ぶときに見る欄が1つ増えることです。これまで比べる材料は、賢さの点数と単価の2本柱でした。そこに「頼んだとおりに動くか」という欄が加わります。Opus 5の無断行動の半分以上がファイルの削除だったという数字は、点数の優劣より実務に近い情報です。削除をやられると困る作業と、やられても困らない作業を分けて考える材料になります。
一方で、評価する側の収入が評価される側からも来ているという構図は、資金が増えたからといって解消するものではありません。これは告発ではなく、産業の構造として指摘しておきたい点です。2025年4月の論文に対してLMArenaが否定の立場を取り、その後も順位表が使われ続けてきたことを踏まえると、第三者が中身を検算できる形で指標を開示できるかどうかが、信頼の分かれ目になると見ています。
その点で、今回のAlignment Indexには気になる部分も残ります。判定を担うのはArenaが作った基準を当てるLLMの採点者で、点数への変換式は公開されていますが、採点の当たり外れを外から検算する手立ては示されていません。Arena自身が予備公開と断っているので、現時点では「どこで失敗しやすいか」の地図として読み、順位の小さな差を競わせる使い方は避けるのが妥当だと考えます。
Section 07
まとめ
2026年10月8日、AIモデルの順位表を運営するArena（旧LMArena）が、シリーズBとして2億ドルを調達し、評価額31億ドルになったと発表しました。2026年1月のシリーズAの17億ドルから、10か月で約1.8倍です。共同主導はLightspeed Venture PartnersとKhosla Venturesで、Lightspeedは1月のシリーズAにも参加していました。
年換算売上は1月時点の3,000万ドルから1億ドル超へ、約3.3倍に伸びています。評価額31億ドルは、この年換算売上1億ドルの約31倍にあたります。売上の柱は2025年9月に始まった有料サービス「AI Evaluations」で、発注できるのは企業・モデル提供元・開発者です。モデル提供元からの発注と一般企業からの発注の内訳は公表されていません。
同時公開のArena Alignment Indexは、27モデル・9万件の実利用セッションから、頼まれていない行動、言っていないことの帰属、やっていない完了報告の3つを数える指標です。上位5つはOpenAIのモデルで、うち4モデルが約88点、続くClaude Opus 5.5とGrok 4.7が83点でした。
使う側に関係が深いのは総合点より中身の数字です。コードの不具合直しでは完了誤報告の検出率が48.0%、20メッセージを超える会話では約8件に1件で頼まれていない行動が見つかり、Claude Opus 5の無断行動のうち53.5%は許可のないファイル削除でした。長い会話を切る、完了報告を自分で検証する、削除の権限を渡さない。この3つから手を付けてください。
公表されていない数字が1つ残っている。年換算売上1億ドルのうち、モデル提供元からの発注と一般企業からの発注の内訳である。年換算売上1億ドルに評価額31億ドルという値札が付いたのは、採点される側の支払いに賭けた結果なのか、採点を買う企業の広がりに賭けた結果なのか──そこが分かるのは、Arenaが内訳を出すか、上場して開示義務を負うときだ。