同じG1レースをAIに分析させたら、違う結果が出た。MuseとClaude Codeの比較検証

AI競馬あれこれ
スポンサーリンク
スポンサーリンク

AIを使った競馬分析が面白くなってきました。

今回は2026年のマイルチャンピオンシップを題材に、2つのAIを使って、出走馬のテン3F別の芝1600m成績を分析してみました。

使用したのはMuseとClaude Codeです。

プロンプト
「マイルチャンピオンシップの出走馬が確定しました。そこで、各馬の1600m戦でのテンの3F別成績を出してください。テンの3Fの基準はマイルCSの速い、やや速い、平均、やや遅い、遅いの5段階にラップタイムをつけて。最後に京都芝1600mの成績も付けてください。」

Museはインターネット上の公開情報を使って分析します。一方、Claude Codeには、僕が長年利用しているTARGET frontier JVのデータベースを使わせました。

同じレースを分析してもらったのですが、出来上がった結果には興味深い違いがありました。

同じ馬なのにペース別成績が違う

今回の分析では、レースの最初の600m、いわゆるテン3Fを5段階に分類し、それぞれのペースにおける出走馬の成績を集計しました。

まず、2つのAIが設定したペースの分類基準を比較してみます。

ペース Muse Claude Code
速い 34.2秒以下 33.9秒以下
やや速い 34.3~34.6秒 34.0~34.2秒
平均 34.7~35.0秒 34.3~34.5秒
やや遅い 35.1~35.3秒 34.6~34.9秒
遅い 35.4秒以上 35.0秒以上

MuseはマイルCSの過去10年、Claude Codeは京都で開催されたマイルCSの過去23回を基準にしています。

例えば、テン3Fが35.0秒だったレースは、Museでは平均ペース、Claude Codeでは遅いペースに分類されます。

同じレースのデータを使っていても、分類する基準が違えば、分析結果は変わってしまうのです。

アンパドゥの評価が大きく変わった

特に違いが大きかったのがアンパドゥです。

ペース Muse Claude Code
速い 1-1-0-0 0-1-0-0
やや速い ― 1-0-0-0
平均 3-0-0-0 ―
やや遅い 1-0-0-1 2-0-0-0
遅い 0-1-0-0 2-1-0-1
通算 5-2-0-1 5-2-0-1

Museの分析では平均ペースで3戦3勝。これを見ると、平均的な流れを得意とする馬という印象を受けます。

ところが、Claude Codeの分析では、5勝のうち4勝がやや遅い、あるいは遅いペースでの勝利となっています。

芝1600mの通算成績はまったく同じです。それでも、分類基準によって馬の特徴の捉え方が変わってくるのです。

競馬予想でデータを利用するときには、集計された数字だけでなく、その数字がどのような条件で集計されたのかを確認する必要があります。

京都芝1600mでも内回りと外回りでは違う

もうひとつ興味深かったのが、京都芝1600mの成績です。

Museは京都芝1600mの成績をまとめて集計しました。一方、Claude Codeは内回りと外回りを分けて集計しています。

馬名 京都芝1600m全体 外回り 内回り
アドマイヤズーム 3-0-0-1 2-0-0-0 1-0-0-1
オフトレイル 2-1-0-2 0-0-0-2 2-1-0-0
ドラゴンブースト 1-2-0-1 0-2-0-1 1-0-0-0
ワールズエンド 3-0-0-0 1-0-0-0 2-0-0-0

オフトレイルは京都芝1600mで2勝しています。しかし、その2勝はどちらも内回りでのものです。外回りでは2戦して3着以内がありません。

もちろん、2戦だけで外回りが苦手だと判断することはできません。それでも、マイルCSが京都の外回りで行われることを考えれば、分けて集計する意味はあります。

このように細かな条件を指定して分析できるのは、データベースを直接利用する強みです。

WEBからの情報収集も侮れない

では、Museの分析が劣っているのでしょうか。

僕はそうは思いません。

国内馬17頭のうち14頭で、芝1600mの通算成績が一致していました。残りの3頭についても、海外レースを集計対象に含めるかどうかという違いがありました。

WEB上の公開情報だけを利用したMuseが、ここまでTARGETのデータベースを利用した分析と一致していることは興味深い結果です。

外国馬エルデナリのように、国内のデータベースだけでは十分な情報が得られない馬については、WEBからの情報収集が役に立ちます。

ただし、海外のラップタイムを国内のものと同じ基準で比較できるかどうかは、別の問題として考える必要があります。

AIの性能だけでは決まらない

AIを比較する記事では、どちらのAIが優れているのかという話になりがちです。

でも、今回の検証で感じたのは、AIの性能以上に、AIがどのようなデータを利用できるのかが重要だということです。

インターネット上の情報を探し出す能力と、手元にあるデータベースを使って細かな条件で集計する能力は、異なるものです。

今回の検証だけで2つのAIの分析能力に優劣をつけることはできません。むしろ、それぞれの特徴を理解し、組み合わせて利用することに価値があると感じました。

TARGETのデータベースを使った統計分析はClaude Codeに任せ、WEB上の情報収集にはMuseを使う。そして、双方の分析結果を比較しながら、自分で考察する。

そんな競馬分析の形が見えてきました。

長年蓄積してきたデータの価値

僕は長年、JRA-VANとTARGETを使って競馬を分析してきました。

これまでは自分で集計条件を考え、データを抽出し、表を作り、その結果を分析していました。

今はAIエージェントにデータベースを利用させることで、さまざまな条件の分析を効率よく試すことができます。

これまで時間がかかるために諦めていた分析にも、取り組めるようになりました。

大切なのは、AIに分析を任せきりにすることではありません。集計条件を確認し、結果を検証して、そこから新しい疑問を見つけることです。

AIに競馬を予想してもらう時代から、自分のデータベースを使ってAIと一緒に競馬を研究する時代へ。

長年付き合ってきたTARGETが、AIエージェントの登場によって、また違った面白さを持ち始めています。

これからもRACING BOOKでは、こうしたAIを活用した競馬分析を試していきたいと思います。

コメント