AIを使うと新しい裁判例は減るのか―判例形成への影響を検証（AIリライト）

第１　「新しい裁判例が減る」という問いの意味

１　区別すべき四つの数

「AIを裁判に使うと新しい裁判例が減るのか」という問いには，少なくとも四つの異なる数が含まれる。すなわち，①裁判所へ提起される事件数，②和解・取下げではなく判決まで進む事件数，③先例にない法的判断を含む判決数，④公刊物やデータベースで利用できる裁判例数である。これらは同じ方向に動くとは限らない。

たとえば，勝訴予測によって提訴が抑制されれば①から③までは減り得る。他方で，民事裁判情報の収集・提供が広がれば，判決総数が変わらなくても④は増え得るため，公開裁判例の増減だけから法形成そのものの増減を判断することはできない。

２　現時点の結論

現時点で，「AIの利用によって新しい裁判例が減る」とも「AIが新しい法理を発見するので増える」とも実証されていない。正確には，AIが訴訟の入口，判例検索，争点形成及び判決理由の作成に入る経路によって，減少方向と増加方向の効果が競合する問題である。

本記事では，減少方向の主な経路を①勝訴予測による提訴の選別，②検索順位による先例の選別，③起案支援による理由付けの均質化と整理する。増加方向には，①司法アクセスの改善，②新しいAI関連紛争の発生，③判例間の不整合や少数説の発見，④定型作業の省力化による難事件への資源配分があると考えられる。

第２　新しい裁判例を減らし得る三つの経路

１　勝訴予測が提訴前の選別を強める

弁護士又は本人がAIの勝訴予測を確定的な数字として受け取ると，過去の多数例から外れる事件ほど「勝てない事件」として提訴前に排除されやすい。ところが，先例変更や新しい法理は，既存の基準では勝訴可能性を高く評価しにくい事件から生じることがある。

商事法務研究会の研究会資料１０も，法的分析機能の出力を鵜呑みにして争わないよう依頼者を説得すれば，新たな法形成が必要な場面の減少や裁判を受ける権利への影響につながり得るとの懸念を明記した。この懸念は因果関係を実測した結論ではないが，訴訟の入口に関する具体的なリスク仮説である。詳しくは「AIの勝訴予測は訴訟を萎縮させるか―和解圧力・司法アクセス・新判例への影響」に記載している。

２　検索順位が参照される先例を偏らせる

AIによる判例検索は，検索語を思いつかない利用者にも関連資料を示し得る一方，データベースに登載された範囲，付与された評価情報及び順位付けの方法に左右される。研究会取りまとめも，登載裁判例・文献の範囲が限定されること，アノテーションの質とバイアス，利用者が提示された要約に依存して原典確認を省く危険を挙げている。

とりわけ，公表された判決だけを学習対象とする場合，非公表判決，和解，取下げ及び訴訟外解決の過程は十分に反映されない。したがって，AIが多数の裁判例を検索できることと，紛争解決や法形成の全過程を学習していることは同じではない。

３　起案支援が理由付けを均質化する

裁判所内部向けAIが同じ資料群と評価基準を用いて争点整理や判決理由の草案を作れば，文章表現だけでなく，何を主要な争点として選ぶか，どの判例を中心に据えるかという判断まで均質化する可能性がある。研究会資料１０は，学習内容の固定化によって回答内容や言い回しも固定化され，中長期的に新たな裁判例が生まれにくくなるとの懸念を示した。

もっとも，文章の統一自体が直ちに法形成を害するわけではない。危険が大きいのは，裁判官が独立して形成した判断を文章化する補助ではなく，AIが先に結論と理由の枠組みを作り，人間がその枠内で修正する運用である。後者では，名義上の最終判断者が人間であっても，自動化バイアスによって判断の出発点がAIへ移るためである。「AIに判決理由を書かせてよいか―文章統合と理由形成・事後合理化の境界」も参照されたい。

第３　新しい裁判例を増やし得る反対方向の効果

１　司法アクセスの改善と新しい紛争の発生

手続案内，書面の下書き，記録整理及び判例検索の費用が下がれば，従来は費用や情報不足のため裁判に至らなかった少額事件や本人訴訟が提起される可能性がある。研究会取りまとめは，AIを司法アクセスの拡充と，適正・迅速かつ実効的な司法救済のために利用する積極的意義を認めている。

また，AIの開発・提供・利用が広がれば，学習データ，説明義務，差別的出力，営業秘密，生成物及び事故責任をめぐる新しい紛争も生じる。AIは既存事件を処理する道具であるだけでなく，新しい裁判例を必要とする社会関係そのものを作るため，事件数への影響を一方向には予測できない。

２　不整合の発見と難事件への資源配分

人間が見落としていた少数説，外国法，隣接分野の裁判例又は判例相互の不整合をAIが提示すれば，先例を機械的に踏襲するのではなく，その射程を再検討する契機になり得る。AIが示す反対方向の資料を意識的に求める設計であれば，多数例への収斂だけでなく，既存実務の死角を可視化する方向にも利用できる。

さらに，時系列表，主張整理表，大量書面の要約等を省力化できれば，裁判官及び代理人が先例のない事件へ投入できる時間が増える可能性がある。したがって，AIが定型事件を速く処理することは，判決数を減らす原因にも，難事件の審理を充実させて新しい法理を形成する条件にもなり得る。

第４　研究会の議論はどこまで進んだか

１　補助作業から三つの基本機能へ

「AI時代における民事司法を考える研究会」は，令和７年１１月から令和８年６月まで１２回の会合を開いた。議論は，記録要約，時系列表，争点整理表，音声認識，翻訳等の短期的な補助利用から始まり，その後，①判例文献調査，②法的分析，③事実認定という三つの想定基本機能へ進んだ。

この順序には意味がある。判例文献調査は既に民間サービスが存在するのに対し，研究会は法的分析機能を実装途上，事実認定機能をさらに慎重な検討が必要な段階と位置付けたためである。単に「AIを使うか否か」ではなく，利用場面が判断の中核へ近づくほど，出力の確認，透明性，当事者の関与及び監査を強くするというリスクベースの発想が基礎にある。

２　第１１回で司法作用の代替を思考実験とした

令和８年６月５日の第１１回では，司法作用の代替，裁判官の民主的正当性，少数者の権利，人間判断のブラックボックス性，AIによる裁判を望む者の選択及び法曹教育まで議論が広がった。AI代替に否定的な意見だけでなく，人間の判断にも過去の偏りや不透明性があり，AIによって歪みを発見できるとの反対意見も記録されている。

最終的な取りまとめは，裁判官がAI出力と根拠資料を確認して利用することを前提とし，裁判官による判断の代替を想定しなかった。さらに，人間である裁判官が当事者と向き合い，個別事情を踏まえて判断し，理由と責任を負う司法を維持するため，AIによる司法作用の代替を指向しないとの立場に収斂した。

３　最終結論は技術的不能の証明ではない

研究会の到達点は，「AIは将来も裁判官を代替できない」という性能評価ではない。AIを民事司法の機能強化に積極的に利用しながら，令和８年時点では人間の裁判官による実質的な確認と最終判断を制度の前提にするという規範的・制度的な選択である。

したがって，研究会取りまとめから直接導けるのは，補助利用と代替を区別し，人間による確認の内実を具体化すべきことまでである。将来の技術性能，新しい裁判例の増減又は特定の利用方法の安全性を一括して確定したものではない。「AIは裁判官を代替できるか―作業支援・判断草案・国家判断の４段階」及び「研究会取りまとめの要点と限界」も参照されたい。

第５　現行法と最高裁判所の検証

１　現行法は人間の裁判官による判断を前提とする

日本国憲法３２条は裁判所において裁判を受ける権利を保障し，同法７６条１項は司法権を最高裁判所及び法律の定める下級裁判所に属させ，同条３項は裁判官の職権行使の独立を定めている。裁判所法５条は裁判官の種類を定め，民事訴訟法２４９条１項は，判決の基本となる口頭弁論に関与した裁判官が判決をするものと定める。

これらの現行規定は，人間の裁判官が当事者の主張と証拠を評価し，判決を形成することを前提とする。AIによる検索，要約，比較又は草案作成が直ちに禁止されるわけではないが，AIだけが終局判断を形成する制度は，少なくとも現行の裁判所法・民事訴訟法のまま導入できるものではない。もっとも，AI裁判官の合憲性を直接判断した国内最高裁判例はなく，憲法上の限界を将来にわたり確定する直接先例は存在しない。

２　最高裁検証で確認できたこと

最高裁判所の検証には，東京地方裁判所及び大阪地方裁判所で民事訴訟を担当する中堅裁判官６人が参加した。令和８年１月２０日・２１日及び２月１７日のワークショップで，模擬記録と３種類の生成AIサービスを用い，争点整理の補助として利用できるかを検証した。

有効性が認められたのは，主張整理表・時系列表のたたき台，大量の主張書面・証拠の要約，引継ぎ時の全体像把握及び文字起こし等である。他方で，重要情報の抜け漏れ，同一入力に対する出力の揺れ，書面追加時の精度低下，法的枠組みの誤り，もっともらしい誤りによる先入観及び過信の危険が報告された。

３　最高裁検証からは分からないこと

この検証は，模擬記録を用いた６人の探索的な補助利用である。全プロンプト，全出力，採点基準，反復回数，モデル別の失敗率，人間だけで処理した場合との品質・時間比較及び評価者間一致は公表されていない。また，複雑困難事件や整理されていない実記録に耐えられるかは未確認と明記されている。

したがって，最高裁検証は争点整理補助の候補場面と失敗類型を発見した資料として重要であるが，AI単独裁判の可否，新しい裁判例の増減又は安全性の効果量を証明するものではない。詳細は「最高裁の生成AI検証―東京・大阪地裁の裁判官６人が試した争点整理補助」に記載している。

第６　実証研究が示したことと示していないこと

AIと裁判官を比較する研究は増えているが，課題，対象者及び評価基準が異なる。主要な研究を「示したこと」と「示していないこと」に分けると，次のとおりである。

これらの研究は，限定された作業ではAI又は人間とAIの組合せが一貫性・速度・正確性を改善し得ることを示す。しかし，新規論点事件の提訴率，先例変更率又は新しい法理を含む判決数を直接測定した研究ではないため，本記事の問いへの結論はなお不確実である。

第７　法形成を保つための利用条件

１　AIを見る前に人間が争点と仮説を持つ

人間が最後に承認するだけでは，実質的な人間統制とは限らない。重要事件では，裁判官又は代理人がAI出力を見る前に，主要な争点，暫定的な仮説及び不足資料を記録し，その後にAIへ反対結論，少数説及び見落とした証拠を探索させる方が，最初のAI出力への追随を抑えやすい。

AIの役割は，単一の結論を出すことよりも，既存の見方を検証する材料を増やすことに置くべきである。とりわけ，判例変更の可能性，社会状況の変化，類似判例との相違及び取得できていない証拠を明示させる運用が必要である。

２　出典原文，利用記録及び当事者の異議を残す

『AIと法 実務大全』は，業務用AIについて，学習データの偏りと未知データに対する品質保証の難しさ，外部モデルの仕様・品質変更，入力・サービス・出力の各段階に応じた管理，利用ログ及び生成物の原典確認を挙げている。これは企業内AIの実務書であり司法制度の直接根拠ではないが，AIの性能を固定した製品として扱わず，データ，モデル及び運用の変更を追跡すべきことは裁判所にも当てはまる。

司法で用いる場合には，これに加えて，どの資料を入力し，どのモデル・版を使い，どの出力を採否し，誰が原典を確認したかを後から検証できる必要がある。AI出力と当事者の主張・立証が食い違うときに当事者が訂正を求められること，上訴審又は司法行政上の監査で利用過程を点検できることも，法形成と手続保障を両立させる条件になる。「裁判官が生成AIを使うリスクと安全条件」及び「裁判所提出書面を作成するときのハルシネーション防止方法」も参照されたい。

３　導入後に法形成への影響を測定する

法形成への影響は，導入前の推測だけでは確定できない。少なくとも，①新規論点を含む事件の提訴率，②判決・和解・取下げの比率，③先例変更又は新しい法的判断を含む判決数，④上訴率，⑤少数説・反対方向の裁判例の引用率，⑥検索結果の多様性，⑦AI予測を理由とする受任拒否・提訴断念の状況を，事件類型ごとに継続して観測する必要がある。

判決数だけを成果指標にすると，適切な和解が増えた場合と，提訴が不当に萎縮した場合を区別できない。迅速性・一貫性だけでなく，司法アクセス，異議申立ての機会，理由の多様性及び新しい権利救済が維持されているかを同時に測ることが，本記事の問いに答えるための次の段階である。

第８　判例データと裁判所デジタル化の関連記事

AIが参照できる裁判例の範囲と公開制度については，次の記事に記載している。

①「民事裁判情報の活用の促進に関する法律の解説」

②「判例情報の公開に関する裁判所の説明（平成１２年）と司法制度改革審議会意見書（平成１３年）とその後の展開」

③「下級裁判所判例集に掲載する裁判例の選別基準等」

④「最高裁判所デジタル審議官『裁判所のデジタル化の現状と将来（民事訴訟を中心に）』の論評」

⑤「AIで作成・加工された証拠と民事訴訟の対応」

第９　出典・参考資料

１　法令

①「日本国憲法」３２条，７６条

②「裁判所法」５条

③「民事訴訟法」２４９条１項

２　研究会・裁判所資料

①公益社団法人商事法務研究会「AI時代における民事司法を考える研究会・資料等一覧」

②AI時代における民事司法を考える研究会「取りまとめ」３６頁～４３頁（PDF３９頁～４６頁），５８頁～６８頁（PDF６１頁～７１頁），別添５・８５頁～８８頁（PDF８９頁～９２頁）

③AI時代における民事司法を考える研究会「研究会資料１０」PDF５頁，９頁

④AI時代における民事司法を考える研究会「第１１回議事概要」PDF１頁～６頁

３　文献・実証研究

①柿沼太一・杉浦健二『AIと法 実務大全』日本加除出版，２０２５年，４９７頁，６１３頁～６４６頁

②Eric A. Posner & Shivam Saran, “Judge AI: A Case-Study of Large Language Models as Judges,” Journal of Law and Empirical Analysis, Vol. 3, Issue 1, 2026.

③Oren Gazal-Ayal, Yoel Elyoseph & Tomer Solomon, “Evaluating Large Language Models as Judicial Decision-Makers,” Justice Quarterly, 2026.

④Elliott Ash, Sultan Mehmood & Christoph Goessmann, “Courts of Tomorrow: Evidence from a Nationwide Rollout of Generative AI,” CEPR Discussion Paper DP21783, 2026.

⑤John Zhuang Liu & Xueyao Li, “How Do Judges Use Large Language Models? Evidence from Shenzhen,” Journal of Legal Analysis, Vol. 16, Issue 1, 235頁～262頁, 2024.