第1 この条項を置く理由の早見表
弁護士が生成AIを利用する目的と条件を,委任契約であらかじめ説明することには合理性がある。
当職の委任契約約款第6条は,利用する生成AIの条件を定めた上で,事件処理及びこれに必然的に付随する知見の蓄積と,条件を付したブログ記事の作成を,依頼者の同意の対象としている。
| 項目 | 約款に定める内容 |
|---|---|
| 学習に関する条件 | 入力情報を生成AIの学習に利用しない設定の下で利用する |
| 利用する生成AI | 中国製ではない生成AI |
| 第1号の利用目的 | 受任事件の事件処理,及びこれに必然的に付随する生成AIを通じた法律実務に関する知見の蓄積 |
| 第2号の利用目的・条件 | 元となった事案及び関係者を連想させない形でのブログ記事の作成(個人識別情報を含めずに事件係属中に限る) |
本稿では,まず約款の文言と利用目的を説明し,第5・第6では,生成AIの利用を一律に制約することの不利益や,サイバー防御における活用の意義を説明する。
第2 対象となる委任契約条項
当職が依頼者との委任契約約款に置いている第6条(生成AIの利用への同意)は,次のとおりである。
甲は依頼者を,乙は当職を指す。
第6条(生成AIの利用への同意)
甲は,乙が,入力情報を生成AIの学習に利用しない設定の下で,中国製ではない生成AIを,次の目的で利用することに同意する。
① 受任事件の事件処理,及びこれに必然的に付随する生成AIを通じた法律実務に関する知見の蓄積
② 元となった事案及び関係者を連想させない形でのブログ記事の作成(個人識別情報を含めずに事件係属中に限る)
第1号と第2号では,利用目的と条件が異なる。
事件処理及びそれに必然的に付随する知見の蓄積は第1号に,ブログ記事の作成は第2号に定め,後者には,個人識別情報を含めないことや,事件係属中に限ることなどの条件を付している。
第3 事件処理と,これに必然的に付随する知見の蓄積
第1号は,受任事件の事件処理と,これに必然的に付随する生成AIを通じた法律実務に関する知見の蓄積を対象としている。
法律実務では,個別事件について問題を整理し,検討する過程で,その事件の処理とともに,法律実務に関する理解や知見が深まる。
生成AIを通じて事件を検討する場合にも,事件処理に伴って知見が蓄積されるという関係がある。
第1号は,この知見の蓄積を,受任事件の事件処理に「必然的に付随する」ものとして記載している。
事件処理との関係を明示し,その利用目的についても,依頼者にあらかじめ説明する構成である。
ここでいう当職の知見の蓄積と,入力情報を生成AIの学習に利用することは,別の事柄である。
当職が生成AIを通じて法律実務に関する知見を蓄積する場合も,入力情報を生成AIの学習に利用しない設定という共通条件の下で行う。
第4 ブログ記事の作成に関する条件
1 元となった事案及び関係者を連想させないこと
第2号は,ブログ記事の作成について,元となった事案及び関係者を連想させない形で行うことを定めている。
氏名などを記載しなくても,特徴的な経緯や複数の事情の組合せによって,元の事案や関係者が連想される場合がある。
そのため,個々の表記だけでなく,記事全体の内容について,元の事案及び関係者を連想させない形になっていることが必要となる。
2 個人識別情報を含めないこと
第2号は,個人識別情報を含めないことも定めている。
個人識別情報を含めないことと,元となった事案及び関係者を連想させないことは,併せて満たすべき条件である。
個人識別情報を除くだけでなく,事案の特徴や事情の組合せにも注意する必要がある。
依頼者の同意があっても,相手方や関係者の情報について,別の権利・義務が問題となり得る。
3 事件係属中に限ること
第2号による生成AIを用いたブログ記事の作成は,事件係属中に限っている。
ブログ記事の内容に関する条件に加え,作成を行う時期についても限定する構成である。
4 第5・第6の説明と,現行約款との関係
以下の第5・第6は,生成AIの利用の有用性や,利用を一律に制約することの不利益について説明するものである。
これらの説明によって,現行約款第6条に記載された利用目的を追加するものではない。
また,第5にある「①本件の処理」「②終了後の別件参照や記事作成」という区分は,現行約款第6条の号番号に対応するものではない。
同節の終了後の別件参照への言及は,現行約款がその利用目的について同意を定めているという意味ではない。
現行約款の利用目的と条件は,本稿第2に掲げた文言のとおりである。
第5 相手方のAI利用と,当職側だけを制約する不利益
当職と依頼者との委任契約約款だけで,相手方やその代理人による事件情報のAI入力を一律に制御することはできない。
相手方に法令,秘密保持契約又は手続上の制限が及ぶ場合は,それぞれの規律の問題である。
一方,当職側の適法かつ安全なAI利用まで一律に排除すると,大量記録の照合,想定される反論の検討及び見落としの点検に使える補助手段を失う。
これは,当職の仕事の手段を狭め,依頼者のための検討に要する費用・時間や,検討の厚みに影響する場合があるという問題である。
| 場面 | 当職側だけを一律に制約した場合に失い得る補助 | 弁護士に残る仕事 |
|---|---|---|
| 大量の証拠 | 日時・人物・記述の照合候補を作る | 原資料を確認して意味を判断する |
| 相手方の主張 | 反論候補や前提の抜けを探す | 採用する反論を決める |
| 書面の点検 | 記載の不整合や引用候補を点検する | 引用元と事実を確認する |
この比較は,特定の相手方が実際にAIへ入力したという認定ではなく,実務上考慮すべき可能性の説明である。
また,相手方が使うことによって,当職の守秘義務や情報管理義務が弱まるものでも,法律上の「実名入力権」が生じるものでもない。
当職が使わなければ,当職による追加の入力リスクは減らせる。
しかし,それだけで事件情報全体のAI入力を防げるとは限らない。
依頼者の利益を考える際には,追加リスクを抑える管理方法と,利用を失う不利益の双方を検討する必要がある。
この議論が直接支えるのは主として①本件の処理であり,②終了後の別件参照や記事作成は,それぞれの目的と管理を説明する必要がある。
以下では,交通事故のほか,事件の類型ごとに,相手方又は対峙する側がAIを利用し得る場面を示す。
各場面について,公表資料で確認できる利用と,当職が置く仮定例を分けて書く。
公表資料は,その主体が業務でAIを使い始めていることを示すものであり,個別の紛争で相手方が事件記録をAIへ入力したことを示すものではない。
| 場面 | 公表資料で確認できる利用 | 当職側で必要となる検討 |
|---|---|---|
| 1 交通事故 | 保険会社の事故対応での通話内容の要約 | 減額主張の前提事実・因果関係・評価の点検 |
| 2 給付金請求 | 給付金支払査定の実証実験,不正請求検知の本格運用 | 不支払・解除の約款上の根拠と事実の点検 |
| 3 労働事件 | メール・チャットの分析によるハラスメント検知,監督指導対象の選定へのAI活用の検討 | 抽出された証拠の文脈と範囲の点検 |
| 4 税務 | 申告漏れリスクのスコア化,整理事績の生成AIによる要約,生成AI利用環境の構築予定 | 処分の根拠資料と認定の点検 |
| 5 医療事件 | 退院サマリー・看護申し送りの生成AIによる作成支援 | 要約文書と原記録の対応の点検 |
| 6 相続・離婚 | 公表資料なし(仮定例) | 取引履歴・資料の突合 |
1 交通事故で,相手方の保険会社がAIを利用する場合
交通事故では,相手方の対人賠償責任保険会社が,被害者の氏名,傷病・治療経過,収入,事故状況などの個人情報を含む事件記録をAIに入力し,それらを横断的に分析して,減額主張を精緻に組み立てる可能性も考える必要がある。
例えば,仮に保険会社側が診療経過,事故前後の事情,仕事・収入の資料を照合して,事故との因果関係,治療の必要性,休業損害,後遺障害による影響等を争う理屈を構成してきた場合,被害者側の弁護士には,前提事実の誤り,証拠の読み落とし,時間的な関係,評価の飛躍を具体的に点検することが求められる。
高度に見える主張であっても,その事実上・法的な妥当性は別に検証する必要がある。
| 想定する保険会社側の分析 | 被害者側で必要となる検討 | AIによる補助の例 |
|---|---|---|
| 治療経過から因果関係を争う | 診療録・画像・症状推移と主張の対応を確認する | 時系列と引用元の対照表を作る |
| 通院・就労状況から損害を争う | 個々の資料の意味と抜けを確認する | 資料間の不一致や追加確認事項の候補を探す |
| 複数資料から減額理由を構成する | 前提事実・計算・評価を分けて反論する | 想定反論と根拠資料の対応を点検する |
ここで当職側だけに,原記録の実名をすべて仮名へ置き換えてからでなければ利用できないという条件を課せば,置換・復元・照合の手間が増え,反論の検討に充てる時間や使える補助手段を狭める場合がある。
目的・同意・必要な範囲・利用環境を管理した上で,実名を含む原記録を用いて対抗分析を行うことは,被害者の利益を守るための実務上の合理性を持つ。
保険会社の事故対応に生成AIが使われること自体には,公表例がある。
三井住友海上火災保険とNECは,2024年5月27日,事故対応業務におけるお客さま等との通話内容を自動でテキスト化し,生成AIで要約して担当者が内容を確認した上で損害サービスシステムに登録する仕組みを開発し,一部の保険金お支払センターで先行導入を開始したと公表した。
ただし,この公表資料は通話要約の説明であり,特定の対人保険会社が被害者の個人情報を無加工で入力して減額主張を作成したことを確認する資料ではない。
本節の減額主張の場面は,そのような事実認定と区別した仮定例である。
三井住友海上・NECの公表資料
2 生命保険・医療保険の給付金請求で,保険会社がAIを利用する場合
入院給付金,手術給付金,死亡保険金などの請求では,保険会社が,診断書,診療明細書,領収書,約款及び過去の支払事例を照合して,支払の可否と金額を判断する。
この査定と不正請求の検知にAIを使う動きが,生命保険会社から公表されている。
Finatext,ナウキャスト及びメディケア生命保険は,2026年5月27日付の発表で,2025年9月から2026年2月まで,生成AIを活用した給付金支払査定業務の実証実験を行ったと公表した。
特に専門的な判断を要する難易度の高いケースを対象に,請求書類の読み取りから,支払可否の判断と給付金額の算出までの一連の査定処理をAIに実行させたという。
発表によれば,AIの査定正答率は90%以上,診断書・診療明細書・領収書等の画像を対象とした文字読み取りの精度は約90%であった。
読み取りが困難だった箇所は,印鑑やマスキング等で文字が隠れている部分と,記号・囲み文字などの表記に限られたと説明されている。
この実証実験では,AIが約款やマニュアルの必要な部分を自ら探して参照する仕組みと,過去の査定事例をAIが要約して記録し,類似するケースの査定に使う仕組み(長期記憶)が用いられた。
また,ネオファースト生命保険は,2026年3月26日付の発表で,給付金の不正請求の検知にAIを使う取組みについて,2025年12月に開発と実装を完了し,2026年4月から実際の業務に組み込んで本格的に運用すると公表した。
過去の給付金請求データの傾向や共通点をAIが整理・分析し,通常とは異なる特徴を持つ請求や,過去の事例と類似した動きを自動的に抽出するという。
同社は,この取組みを,AIが専門スタッフの判断を支援するものと位置付けている。
これらの資料は,次の点に注意して読む必要がある。
① 前者は実証実験であり,発表者は,今後の導入について引き続き検討すると述べている。実際の支払判断に導入されたことを示す資料ではない。
② 正答率や読み取り精度は,発表者自身の検証結果である。第三者が検証した数値ではない。
③ 後者は不正請求の検知であり,支払の可否を決める査定そのものとは区別する。
④ いずれも,特定の保険会社が個別の請求を拒絶し,減額し,又は契約を解除する判断をAIの出力に基づいて行ったことを示すものではない。
そのため,次の場面は仮定例である。
仮に,保険会社が,入院給付金の請求に対し,過去の通院歴,診療明細書及び契約時の告知書の記載を照合して,告知義務違反や約款上の支払対象外を理由に,不支払や契約の解除を主張してきたとする。
この場合,契約者・受取人側の弁護士には,約款の文言と診断書の記載の対応,告知を求められた質問の範囲,告知時の認識,告知されなかった事実と保険事故との関係を,個別に点検することが求められる。
| 想定する保険会社側の分析 | 契約者・受取人側で必要となる検討 | AIによる補助の例 |
|---|---|---|
| 診断書・診療明細書と約款の照合から,支払対象外を主張する | 約款の文言,診断書の記載,入院・手術の実態との対応を確認する | 約款の条項と診療内容の対応表を作る |
| 過去の通院歴と告知書の照合から,告知義務違反を主張する | 質問の範囲,告知時の認識,保険事故との関係を確認する | 告知書の質問と通院歴の時系列の対照表を作る |
| 請求内容の特徴から不正の疑いを理由に,調査や支払の留保をする | 請求内容の整合性,調査の範囲・期間・必要性を確認する | 提出資料間の矛盾や追加で確認すべき事項の候補を探す |
査定の正答率が90%以上であるとされても,残る誤りが当該請求者の事案に当たらないとは限らない。
支払を拒まれた請求については,約款と資料の原文に戻り,個別に確認する必要がある。
通常とは異なる特徴を持つ請求を抽出する仕組みでは,正当な請求が確認の対象に含まれることも,一般論としてはあり得る。
この点は,本記事での一般的な評価であり,上記の資料が正当な請求の遅延を示しているわけではない。
依頼者の請求が確認の対象となった場合に,提出済みの診断書,領収書,通院記録の整合性を速やかに点検できることは,請求の円滑な実現に資する。
Finatextらの実証実験の発表(PR TIMES)
ネオファースト生命の発表(2026年3月26日付)
3 労働事件で,使用者がメール・チャット等の分析にAIを利用する場合
労働事件では,使用者が,従業員のメール,社内チャット,勤怠記録,入退館記録,パソコンの操作記録等,大量の電子的な記録を保有している。
使用者側がこれらをAIで分析して,処分や反論の根拠を整理することも考えられる。
民間の公表資料として,デロイト トーマツ ファイナンシャルアドバイザリー合同会社の案内資料がある。
同資料は,企業内で利用されているメール・チャットをAIで分析し,ハラスメントに該当する可能性が高いもの,又はその存在を示唆するものを検出する支援を説明している。
用途として,ハラスメントの予防,内部通報があった場合の事実確認,再発防止のためのモニタリングを挙げ,事実確認では,発見されたメール・チャットを証拠として,当事者から実情を聞き出しやすくなると説明している。
また,行政の側にも動きがある。
厚生労働省労働基準局監督課の資料「労働基準監督行政DXについて」(令和8年3月17日)は,労働基準監督署に蓄積した情報等とAIを組み合わせて,法違反や労働災害リスクの高い事業場を選定する方法について,検証を行いながら早期の導入に向けた検討を進めると説明している(資料の3頁~4頁)。
これらの資料は,次の点に注意して読む必要がある。
① 前者は,サービス提供者による事業の案内である。特定の企業が個別の懲戒処分や解雇の判断に用いたことを示すものではない。
② 後者は,監督指導の対象を選ぶ段階の検討であり,個別の労働事件の記録をAIに入力する運用を示すものではない。また,導入が確定したことを示すものでもない。
そのため,次の場面は仮定例である。
仮に,従業員がパワーハラスメントを理由とする懲戒処分の効力を争った場合に,使用者が,数年分の社内メールとチャットをAIで分析して,問題とする発言を抽出し,処分の根拠として整理してきたとする。
この場合,従業員側の弁護士には,抽出された発言の前後の文脈,発言者と相手方との関係,業務上の指導としての必要性,抽出されなかった発言の有無,処分に至るまでの手続を,原資料に戻って点検することが求められる。
また,仮に,未払の時間外労働の賃金を請求された使用者が,勤怠の打刻,入退館記録,パソコンの操作記録及びメールの送受信時刻を照合して,労働時間に当たらないと主張してきたとする。
この場合,従業員側の弁護士には,打刻と実際の業務の時間のずれ,使用者の指示の有無,時間帯ごとの業務の内容を,個々の記録に即して確認することが求められる。
| 想定する使用者側の分析 | 従業員側で必要となる検討 | AIによる補助の例 |
|---|---|---|
| 大量のメール・チャットから,問題とする発言を抽出する | 発言の前後の文脈,指導としての必要性,抽出から漏れた発言を確認する | 発言の時系列と前後のやり取りの対照表を作る |
| 勤怠・入退館・操作記録の照合から,労働時間を争う | 打刻と実態のずれ,指示の有無,時間帯ごとの業務内容を確認する | 記録間の時刻の不一致の候補を探す |
| 処分に至る経過を整理して,手続の適正を主張する | 弁明の機会,調査の範囲,処分の相当性を確認する | 経過の時系列と根拠資料の対応を点検する |
労働事件の記録には,従業員本人だけでなく,同僚や取引先の氏名,発言内容及び私的な事情が含まれることがある。
そのため,当職側が実名を含む原記録を扱う場合も,目的に必要な範囲を選び,承認された環境で扱うという管理が前提となる。
その管理を前提とした上で,発言者と発言内容の対応を原記録の表記のまま照合できることは,文脈の取り違えを防ぐ点で意味がある。
デロイト トーマツの案内資料
厚生労働省の資料「労働基準監督行政DXについて」
4 税務調査・滞納処分で,課税庁がAIを利用する場合
税務調査や滞納処分では,課税庁が,申告書,法定調書,資料情報,過去の調査事績等の大量のデータを保有している。
国税庁は,令和8年7月の資料「国税庁におけるAIの活用」で,その利用の状況と予定を公表している。
同資料によれば,課税事務では,保有する膨大なデータを予測AIによって分析し,各税目等について申告漏れのリスクを判定してスコア化する予測モデルを構築している。
そして,職員が,予測モデルの判定結果に加えて申告書や各種資料情報等を併せて分析・検討し,調査の要否や優先度を最終的に判断する。
この予測モデルの判定結果は,全国のすべての国税局・税務署で活用されている(資料の4頁)。
このほか,所得税の不正還付リスクの判定や法人税の不正パターンの判定など,多様な観点の予測モデルも構築されている(資料の5頁)。
徴収事務では,滞納者ごとに接触できる可能性の高い方法や,電話の応答が得られやすい曜日・時間帯を予測するモデルが活用されている。
また,生成AIで滞納者別の整理事績を要約し,優先して着手する事案の選定や,担当者が変わるときの引継ぎに活用する取組みが進められている。
納税者情報の流出を防ぐ措置を講じたセキュアな環境で活用していると説明されている(資料の6頁)。
さらに,国税庁は,デジタル庁のガバメントAI「源内」を基にした独自の生成AI利用環境を令和8年度中に構築して,業務利用を開始する予定としている。
現時点で想定するユースケースとして,文書の作成・要約,翻訳,データ加工,情報収集・分析,法令・判例等の検索が挙げられている。
調査等で入手した外国語の書類を翻訳して要約させる例や,収集先ごとに形式の異なるデータを統一的な形に加工する例が示されている。
生成AIの出力を利用するに当たっては,必ず職員が内容に問題がないかを確認することとされている(資料の8頁)。
これらの資料は,次の点に注意して読む必要がある。
① 予測モデルは,調査の要否や優先度の判断に用いるものとされている。更正や処分の理由を作成するものとして説明されているわけではない。
② 資料自身が,追徴税額の実績について,調査対象のすべてが予測モデルを活用した事案ではないと注記している。
③ 生成AI利用環境は構築の予定であり,ユースケースは現時点の想定である。
④ いずれも,課税庁が個別の納税者の事件記録を生成AIに入力して,処分の理由を組み立てたことを示すものではない。
そのため,次の場面は仮定例である。
仮に,更正処分の取消しを求める納税者に対し,課税庁側が,調査で収集した大量の取引資料や外国語の書類を,翻訳・整理して,認定の根拠を構成してきたとする。
この場合,納税者側の弁護士には,認定の基礎となった資料の原文,翻訳の正確性,取引の実態との対応を,個別に点検することが求められる。
| 想定する課税庁側の分析 | 納税者側で必要となる検討 | AIによる補助の例 |
|---|---|---|
| 大量の取引資料から,申告漏れの根拠を構成する | 認定の基礎となった資料の原文,取引の実態との対応を確認する | 帳簿・通帳・請求書の突合の候補を作る |
| 外国語の書類を翻訳・要約して,事実を認定する | 翻訳の正確性,要約から落ちた記載,原文の文脈を確認する | 原文と訳文の対応箇所の対照表を作る |
| 滞納者の整理事績を要約して,処分の経過を示す | 要約と原記録の対応,接触の経過,納付の事情を確認する | 経過の時系列と根拠資料の対応を点検する |
課税庁との関係では,納税者側が,会計帳簿,通帳,請求書,契約書などの大量の資料を突合する負担を負うことが多い。
当職側だけに,実名の仮名への置換・復元を一律に課すと,取引先名と金額の対応を原資料の表記のまま照合する作業の効率が下がる場合がある。
もっとも,課税庁が使うことは,当職の情報管理義務を軽くする理由にはならない。
国税庁「国税庁におけるAIの活用」(令和8年7月)
5 医療事件で,医療機関が診療記録の整理にAIを利用する場合
医療事件では,患者側が,診療録,看護記録,検査結果,退院サマリー等の診療記録を検討して,診療行為や説明の適否を判断する。
医療機関の側で診療記録の作成や整理にAIを使う動きが,公表されている。
JCHO大阪病院,富士通Japan及びフォーティエンスコンサルティングは,2026年2月19日,同病院で生成AIを安全に活用する体制づくりに着手したと公表した。
最初の取組みとして,同病院の退院サマリーの作成と看護の申し送りに,富士通Japanの生成AIによる医療文書作成支援サービスを導入し,2026年6月の運用開始を予定するという。
運用開始に向けて,院内の利用ガイドライン,情報基盤及び運用ガバナンスを整備するとも説明されている。
この資料は,退院サマリー等の作成支援の説明であり,医療事件の対応にAIを使うことを述べたものではない。
運用の開始を予定する旨の発表であり,運用が始まったことを示す資料でもない。
そのため,次の場面は仮定例である。
仮に,医療機関側が,診療録,看護記録及び検査結果の時系列をAIで整理して,診療経過に問題がなかったとする主張の骨格を組み立ててきたとする。
また,仮に,退院サマリーや申し送りの記載が,AIの下書きを経て作成されていたとする。
この場合,患者側の弁護士には,要約文書の記載が,原記録(経過記録,検査結果,看護記録)のどの部分に対応するか,記載の作成・更新の日時はいつか,要約から落ちた事実はないかを,個別に点検することが求められる。
| 想定する医療機関側の整理 | 患者側で必要となる検討 | AIによる補助の例 |
|---|---|---|
| 診療録・看護記録から,診療経過の時系列を整理する | 時刻,記載者,記載の更新の有無を原記録で確認する | 記録間の時刻の不一致や欠落の候補を探す |
| 検査結果と経過から,診療の適否を主張する | 検査値の推移,対応の時点,当時の判断材料を確認する | 検査値と対応の時系列の対照表を作る |
| 要約文書を根拠として,説明の内容を主張する | 要約と原記録の対応,要約に含まれない記載を確認する | 要約文と原記録の対応箇所を点検する |
診療記録は,病歴等を含む機微な情報である。
そのため,当職側が実名を含む原記録を扱う場合は,他の場面よりも厳格に,目的・同意・必要な範囲・承認された環境を確認する必要がある。
医療事件であっても,この確認を前提とした上で,原記録の表記のまま照合できることの意義は変わらない。
JCHO大阪病院・富士通Japanらの発表(2026年2月19日付)
6 相続・離婚で,相手方本人がAIを利用する場合
相続や離婚では,相手方が,企業や行政庁ではなく,個人であることが多い。
この場面については,相手方本人の生成AI利用を示す公表資料を挙げず,仮定例として述べる。
仮に,遺産分割の協議で,他の相続人が,被相続人名義の預貯金の数年分の取引履歴を表計算ソフトに取り込み,生成AIに分類させて,使途不明金や特別受益の主張として整理した書面を提出してきたとする。
この場合,当職側には,取引履歴の各行の日付,金額,相手先が,依頼者の認識,領収書,契約書及び当時の事情と対応するかを,一つずつ確認することが求められる。
相続では,被相続人と相続人の姓が同じであることが多く,同姓の別人,旧姓,法人名と担当者名が混在する。
仮名への置換を行う場合は,人物の取り違えが起きないよう,追加の確認が必要になる。
また,仮に,離婚の協議で,相手方が,口座,クレジットカードの明細及び給与明細をAIで整理して,財産分与の対象財産の範囲や,婚姻費用の算定の前提となる収入を主張してきたとする。
この場合,当職側には,各資料の基準日,特有財産と共有財産の区分,収入として扱うべき項目を,資料に即して確認することが求められる。
| 想定する相手方の分析 | 当職側で必要となる検討 | AIによる補助の例 |
|---|---|---|
| 取引履歴の出金を分類し,使途不明金を主張する | 各出金の相手先・日付・金額を,領収書や当時の事情と突合する | 出金の分類と根拠資料の対応表を作る |
| 贈与や援助の記録から,特別受益を主張する | 贈与の時期,金額,趣旨を,資料と事情で確認する | 時系列の整理と,主張の抜けの候補を探す |
| 口座・明細から,財産分与の対象や収入を主張する | 基準日,特有財産・共有財産の区分,収入の範囲を確認する | 資料間の基準日の不一致や追加資料の候補を探す |
個人が市販の生成AIを使うことに,当職の約款が及ぶことはない。
相手方がAIで整理した主張に,依頼者側だけがAIの補助を使わずに対応する場合,限られた時間の中で,資料の突合に要する時間が検討の厚みを左右する場合がある。
もっとも,相続や離婚の記録には,依頼者以外の親族や第三者の情報が多く含まれる。
依頼者の同意があっても,相手方や関係者の情報について,別の権利・義務が問題となり得る点は,第4で述べたとおりである。
7 場面を通じて共通すること
交通事故,給付金請求,労働事件,税務,医療事件及び相続・離婚のいずれの場面でも,次の点は共通する。
① 公表資料が示すのは,保険会社,サービス提供者,行政庁,医療機関等が,書類の読み取り,要約,リスクの抽出,対応の優先順位付けなどにAIを使い始めていることである。個別の紛争で,相手方が事件記録をAIへ入力したことを示すものではない。
② ネオファースト生命は,AIを専門スタッフの判断を支援するものと位置付け,国税庁は,予測モデルの判定結果を踏まえた最終的な判断を職員が行うとしている。AIの出力を最終判断とせず,人が確認するという説明が付されている。
③ 相手方がAIの補助を経た主張を出してきた場合も,その事実上・法的な妥当性は別に検証する必要がある。原資料に戻って確認する作業は,AIの利用の有無で変わらない。
④ 当職側がAIを使う場合も,出力を原資料で確認し,最終的には弁護士が判断する。利用する目的・同意・必要な範囲・環境の管理が前提となる。
当職と依頼者との約款で保険会社の行動を一律に制御できない以上,当職だけの不使用で事件情報全体のAI利用を止められるとは限らない。
相手方の利用可能性は当職の情報管理義務を軽くする理由にはならないが,被害者側だけの分析手段を制約する不利益も,同時に考慮すべきである。
第6 サイバー攻撃の高度化は,防御側のAI利用の価値も高める
1 攻撃側が速くなると,防御側にも処理能力が求められる
英国NCSCの2026年年次報告は,AIが偵察,ソーシャルエンジニアリング,脆弱性発見,攻撃用コード作成など,既存の攻撃工程の速度・規模・効率を高めると評価している。
これは,AIがすべての攻撃を無人で完結させるという説明ではない。
同報告は,人間による指示,検証及び調整が引き続き重要であり,能力向上も工程や利用者の技量によって一様ではないとしている。
NCSC年次報告のAI脅威評価
| 攻撃・脅威の変化 | 防御側で必要になる処理 | AIに期待される補助の例 |
|---|---|---|
| 攻撃の規模・速度の増大 | 多数の警告を選別する | 関連する警告をまとめ,優先順位候補を示す |
| 脆弱性の発見の加速 | 修正対象を早く判断する | 資産情報と脆弱性情報を照合する |
| 巧妙な不審メール | 文面以外の情報も検討する | ヘッダー,リンク,添付等の分析を支援する |
| 複数段階の侵入 | ばらばらの痕跡を結び付ける | 時刻,端末,アカウント等を相関分析する |
表の右列の補助の例は,上記評価を踏まえて当職が整理した例示を含み,同報告がこの形で述べているものではない。
攻撃の処理量が増えるほど,防御の判断をすべて人手で一件ずつ進める負担は増す。
AIの価値が高まる理由は,この処理量・時間の問題にある。
ただし,同報告の将来評価を,実際の攻撃件数が一定割合増えたという統計に読み替えることはできない。
2 防御のどの工程で役立つか
カナダ,英国,ニュージーランド及び豪州の関係機関による共同ガイダンスは,豪州の情報セキュリティ手引(ISM)の区分に沿って,防御業務をGovern,Identify,Protect,Detect,Respond,Recoverの6機能に分け,各機能でのAIの活用を説明している。
対象は,フロンティアAI,汎用の大規模言語モデル,防御製品に組み込まれたAI機能,エージェント型AI等である。
本稿は,ニュージーランド政府機関のサイトに掲載された版を参照した。
共同ガイダンス
| 機能 | 具体的な補助 | 参照する情報の例 |
|---|---|---|
| 統治 | リスク評価,供給網,方針の解釈の整理 | 規程,管理台帳 |
| 識別 | 資産・脆弱性・攻撃面の把握 | 構成,コード,脆弱性情報 |
| 保護 | アクセス管理,安全な開発の補助 | 権限,役割,コード |
| 検知 | 異常や複数の兆候の相関分析 | DNS,API,認証等のログ |
| 対応 | 調査,優先順位付け,対応案の整理 | 警告,ログ,調査記録 |
| 復旧 | 復旧の順序の検討,復旧後の完全性確認 | 被害・復旧状況,対応記録 |
同資料のレッドチーム,コードレビュー,SOCの例は,利用場面を説明するシナリオである。
実際にそこで一定の被害削減率が観測されたという事例報告ではない。
また,AIを導入するだけで,攻撃面の縮小,迅速な更新,多層防御等の基礎対策が不要になるわけではない。
3 効果を示す研究は,何を測ったものか
| 資料 | 対象・方法 | 分かることと限界 |
|---|---|---|
| Microsoftのフィッシング判定試験(2025年10月) | 専門分析者167人,元メール93件,各人25件の比較試験 | 人とエージェントの協働を特定の課題で検証した提供者側研究。法律事務所一般の防御力を測ったものではない |
| CSIRO等のSOC研究(第2版,2025年9月19日) | 分析者45人,約10か月,質問3090件の利用観察 | 解釈・文書化等の用途を示す。客観的な速度,誤検知,回答精度,調査精度の測定は行っていない |
単位は人数・月数・質問件数等である。
対象・基準日は各資料の上記の版による。
出典:Microsoft試験報告,SOC研究第2版。
Microsoftの試験結果は,次のような試験設計を踏まえて読む必要がある。
| 設計上の事項 | 報告書の記載と解釈 |
|---|---|
| 元となるメール | 93件の内訳は良性82件・悪性11件 |
| 人工的な誤判定 | 元の資料ではエージェントの適合率・再現率が100%であったため,試験には人工的な偽陽性・偽陰性を組み込んでいる。試験のキューは精度・再現率を80%とした設定を模したものだが,個々の誤判定は元の判定と理由を差し替えた人工物であり,実際の受信環境の誤判定発生率そのものを表すものではない |
| 回答データの除外 | 脚注は,成績40%未満の参加者回答データ13組を除外したと記す(Aware3組・Blind6組・Control4組)。個別メール13通を除外したという意味とは区別する |
| 有効母数の限界 | 報告書の群別人数(Control52人,Aware56人,Blind59人)の合計は167人であるが,脚注の除外後の最終有効数は示されていない。167から13を引いた人数を,すべての分析の母数と断定しない |
| 採点の説明 | 付録Dは良性の正答に1点,悪性の正答に4点とする採点を説明する。成績40%の閾値を,単純なメールの正答数へ換算し直さない |
単位はメール件数,参加者人数,回答データの組数,成績(%),得点である。
対象・基準は2025年10月の報告書3頁Methodology・脚注1及び付録Dである。
出典:Microsoft試験報告。
著者は当該除外が定性的な結果を変えないと説明するが,各分析の有効母数がこの説明だけで確定するわけではない。
Microsoftの「最大6.5倍」は,分析者1人・1分当たりに特定できた真陽性(悪性メール)の数について,良性と判定された対象を人の処理待ちから外すresolve-benignを適用した群(Aware)と,全件を処理する対照群(Control)を比べた推定である。
単純にどの作業も6.5倍速くなるという意味ではない。
この値は,エージェントの誤判定がない条件のものであり,精度・再現率を80%,悪性率を20%とした悲観的な条件では3.1倍にとどまる(Table 1)。
F1の77%改善も相対的な改善であり,77ポイントの上昇とは異なる。
この値も誤判定がない条件のものであり,精度80%の条件では48%である(Table 2)。
人の確認についても,試験結果を具体的に見る必要がある。
同じ試験では,AIの判定等を提示された群(Aware)と,提示されない対照群(Control)について,次の結果が報告されている。
| 測定対象 | 比較結果 | p値等 | 読み取る際の条件 |
|---|---|---|---|
| 分析者の処理効率 | 最大6.5倍という推定 | 報告書は測定がすべて99%水準で有意と記載 | 真陽性の特定数についてresolve-benignを適用した群と全件処理群の比較。誤判定がない条件の値 |
| F1 | Control0.53からAware0.93へ,相対的に77%改善 | <0.001 | 適合率と再現率をまとめた指標。77ポイント増とは異なる |
| 全メールの処理時間 | 提示群で11.1%短縮 | 0.471 | この比較では統計的に有意な差を確認していない |
| 悪性メールの処理時間 | 提示群で52.9%長い | 0.006 | AI利用が各対象の処理時間を一律に短縮したわけではない |
| 人工的な偽陰性の見逃し | 提示群46%,対照群17%,差29ポイント | 0.001 | AIが良性とする誤った判定への追随が起きる場面を含む |
単位は倍率(倍),割合(%)・割合の差(ポイント)である。
基準は2025年10月の試験報告5頁~7頁のTable 1~Table 4であり,6.5倍はTable 1,F1はTable 2,処理時間はTable 3,人工偽陰性はTable 4に対応する。
出典:Microsoft試験報告。
条件に応じた分析・調整があるため,表の丸められた値の単純な割算で改善率を計算し直すものではない。
人工的な偽陰性とは,本来は悪性の対象について良性であるかのような誤ったエージェント判定を組み込んだ試験条件である。
上記の見逃し率はこの条件の対象についての結果であり,一般の受信メールすべての見逃し率ではない。
報告書自身は,この結果を,良性と判定されたメールまで人が確認する意義は小さいとする運用(resolve-benign)を支える材料として位置付けている。
これに対し,当職は,この結果から「最後に人が見れば常に安全」とは考えられないという点を重視する。
AIの助言に基づいて検討を深める価値と,誤りに追随するリスクの両方を考え,元資料を自ら確認できる体制と,自環境での誤検知・見逃しの検証を設けることが合理的である。
一方,SOC研究は現場でどのように使われるかを理解する資料として役立つ。
用途の存在と,因果的に速く・正確になったことの立証は別である。
研究の入力・共有資料にもプライバシーへの配慮があり,これらの研究から,事件記録を実名のまま丸ごと入力する必要性は導けない。
(1) SOC研究の対象と環境を確かめる
この研究は,単一のSOCで希望した分析者の利用を観察した共同研究である。
職位別の参加人数は,実際のSOC全体の人員構成を代表するものではない。
CSIRO CINTELとeSentireの支援による研究であり,提供者と無関係の第三者による性能認証とは区別する。
| 項目 | 研究に記載された条件 |
|---|---|
| 期間 | 2023年5月18日~2024年3月7日。論文は約10か月の研究と説明する |
| 分析の母数 | 記録された3122質問から,意味ある応答を得られなかった32件を除き,3090質問を分析 |
| 参加者の経験 | インターン3人を除く参加者の経験は3~5年。任意参加の集団であり,職位別構成の代表性とは区別 |
| 分析方法 | 一部(約10%)を3名が独立に符号化して一致度を確認し,残りは分担して符号化・相互検証。符号を意味的クラスタリングで束ね,全クラスタを人が確認し,テーマは別の2名が点検。主に質問の用途を調べ,応答性能の監査とは区別 |
| モデルと接続 | GPT-4-0613を社内LLM-Gateway経由のAPIで利用。追加学習なし,インターネット・SOC内部システムへのアクセスなし |
| 取扱条件 | 30日削除の方針と非学習の合意を前提とした研究環境。現在の各社・各プランに共通する条件ではない |
| 入力範囲 | 当該組織のPublic/Internal(公開/内部)区分に限定し,Confidential/Highly Confidential(機密/高度機密)区分の入力は禁止。日本法に共通する法定の情報分類ではない |
| 研究データ | 分析したデータは匿名化され個人識別子を含まない。研究者との共有前にも識別情報・機微情報を除去。参加は任意で,匿名ログの説明と同意を伴う |
数値の単位は期間・質問件数・分析担当人数等である。
対象は上記の研究環境であり,版は2025年9月19日の第2版である。
出典:SOC研究の要旨,I,III,IVの冒頭,IV-A,Table I及び倫理上の考慮の節。
この取扱いの説明から,現場の全入力が必ず事前に匿名化されていたとまで断定することは避ける。
しかし,研究が実名の事件記録と仮名記録を比較して実名入力の優位性を実証したものではないことは明確である。
実名利用の合理性は,本稿で述べた照合・置換・復元の負担と,利用環境等の条件に基づいて,別に評価する。
(2) どのような使い方が観察されたか
| 観察した項目 | 結果 | 分母・解釈 |
|---|---|---|
| 利用の偏り | 低利用34人,中利用10人,高利用1人 | 全45人の総質問件数に基づく自然分類。効果の強さによる分類ではなく,群の境界値は本文に明示されていない |
| コマンドの理解・分析・生成 | 約31% | 全3090質問の用途テーマ。回答の成功率ではない |
| 文書生成・編集 | 約22% | 同上 |
| コード・スクリプト・正規表現 | 約11% | 同上 |
| NICEとの対応 | 約93% | 全質問のうち,研究者の照合でNICEの職務・知識・技能のいずれかと対応づけられた割合。正答率ではない |
| 単発と複数回の構成 | 単発約41%,複数回会話に属する質問約59% | 全3090質問を分母とする件数ベースの比率。会話数の比率ではない |
| 短い複数回会話 | 75%が2~3質問 | 複数回の532会話が分母。2質問303会話と3質問96会話の合計399会話 |
| 明示的な判断の依頼 | 約4% | 全質問のうち,悪性かどうか等の判断を明示的に求めたもの |
単位は人数,質問の割合(%),質問数及び会話数である。
版・対象は上記研究である。
出典:IV-B,IV-C,IV-D,IV-E2,Table II,付録Table IVである。
用途の細分件数には本文と付録で表示差のあるものがあり,本表では確認した概数率を使用している。
観察された用途には,技術的な痕跡の解釈,文章の改善,検索式の修正,メール転送等の設定,権限・認証の理解が含まれる。
短い往復が中心であるが,長い会話では,連続した命令の意味を理解してから,脅威を検討し,報告案を整えるという段階的な使い方も観察された。
判断自体を丸ごと任せることだけが,防御用AIの使い方ではない。
利用は期間を通じて広がり,活動した分析者は2023年5月の4人から2024年2月の25人に増え,2024年初めまでに全45人が利用したと報告されている。
もっとも,利用増加は一部の利用者が主に支えており,期間末の月のデータは月初の一部に限られる。
月次の総件数をそのまま比較して,全員に一様な改善が起きたと評価することはできない。
(3) 利用実態と,防御力の実証を区別する
会話時間は最初と最後の投稿間の経過時間であり,AIの応答時間や分析者の労働時間を直接測ったものではない。
利用回数や長い会話だけから,効率・信頼・満足を認定することもできない。
誤回答や拒否の後に使わなくなった例だけでなく,不満が明示されない例や,誤回答を経験しても利用を続ける例もあり,離脱理由を面接等で直接確かめた研究ではない。
研究者は,ダッシュボードへの統合,文脈を切り替える負担の軽減,分析者の役割・履歴に応じた説明,推奨ではなく根拠を既定で示す設計,エージェント型RAG等の検討を提案している。
これらは提案・今後の検証課題であり,本研究で実装・効果確認済みとすることはできない。
この研究から具体的に学べるのは,防御に関わる情報の解釈や文書化を補助する需要があり,その使い方は人や作業により異なるということである。
単一SOC・特定モデルの観察であること,新奇性や便利さによる利用も分離できないことを踏まえ,実際の防御力や作業成果は別に測る必要がある。
4 個人情報を入力することが防御に役立つ場合
防御上の意味を持つのは,個人情報という属性自体ではなく,異常を見つけるのに必要な関係・履歴である。
例えば,同じアカウントについて,通常と異なる端末からのログインと,多量のファイル取得が短時間に続いているかを調べるには,そのアカウントの痕跡を結び付ける情報が必要である。
| 情報 | 防御に役立つ理由 | 入力前の検討 |
|---|---|---|
| アカウント識別子 | 同一アカウントの行動を結び付ける | 分析対象のアカウントを正しく対応させる必要があるか |
| 時刻・端末・接続元 | 異常な時間帯や端末の連続を探す | 必要な期間・項目に絞れるか |
| メールヘッダー・リンク | 送信経路や不審な遷移先を調べる | 本文中の事件情報を除けるか |
| 役割・権限 | 行動が職務・権限から外れるか検討する | 権限と行動の対応を正しく確認できる情報か |
仮名処理には,氏名の抽出と置換,複数資料間の表記統一,対応表の作成・保管,出力の再対応付け,漏れや誤置換の点検という作業が加わる。
同姓の別人,旧姓,会社名と担当者名などが混在する記録では,人物関係を取り違えないための追加確認も必要である。
これは作業構造からの実務上の評価であり,本稿の防御研究がその工数や誤りの発生率を測定したという意味ではない。
原記録のまま扱えば,証拠,起案,AIの指摘を同じ氏名・表記で照合できる。
置換・復元の工程を省き,限られた時間を原資料の確認や法的検討に充てられることは,依頼者利益の観点からも意味がある。
このため,本稿では仮名処理を常に求める運用を採らず,必要な範囲の実名情報を管理された環境で使うことを肯定的に評価する。
仮名処理をしない場合でも,入力する資料が目的に必要か,送信先と権限が承認されているかは確認する。
また,仮名にすれば当然に個人情報でなくなるとも限らない。
仮名処理の有無だけで情報管理の良否を決めることはできない。
例えば,認証ログの分析に訴状全文が必要とは通常いえない。
必要なログを承認済み環境で扱うことと,事件記録一式を一般向けAIへ送ることは,目的も必要性も異なる。
防御の有用性は,この選別を行う理由になる。
5 投入前から結果確認までの判断手順
防御目的の入力では,まず管理者が分析目的を決め,担当者が目的に必要な項目かを確認し,必要でない項目は分析用入力から除外する。
送信前に,管理者が利用権限・承認環境を確認し,確認できなければ送信しない。
担当者は,入力範囲が目的に必要かも確認し,不要部分があれば外した上で,分析を始める前に範囲を改めて確認する。
必要な範囲と確認できれば,仮名処理の工程を挟まず原記録のまま,最小権限で分析する。
分析結果は,対応を実行する前に確認者が元ログ等で確認し,確認できない場合は,AIの判断を採用せず人が再調査する。
不要な情報は分析用入力から除外するにとどめ,原資料は削除せずに保存する。
6 導入時に確認すること
共同ガイダンスは,機微な運用情報を処理する用途が多いことを認めつつ,人の監督,サンドボックス等による権限・実行の制限,導入前の自環境での試験,監査可能性,供給先の確認を求めている。
AI自身も誤りや侵害の対象となり得るからである。
| 確認事項 | 実務上の確認内容 |
|---|---|
| 人の監督 | 誰が結果を承認し,いつ人へ引き継ぐか |
| 入力・出力 | 送信先,保存,閲覧,削除,学習利用の条件 |
| 権限・制限 | 読取り範囲,外部通信,実行・変更権限の制限 |
| 接続・統合 | 既存の監視基盤との接続,未承認利用の防止 |
| 供給先 | モデル・データ・依存先の変更,事故時の連絡体制 |
| 試験・監視 | 自分の環境で誤判定等を確認し,導入後も監視 |
| 停止・代替 | 故障・侵害時の停止と,人手等による代替手順 |
販売者のデモや限られた試験の成績を,そのまま自事務所の効果と考えることはできない。
英国NCSCの導入支援記事も,検知,脆弱性管理,修復,SOC業務,初動対応等の用途を示しながら,情報の露出と検証,人による監督,基礎対策を重視している。
NCSCの導入支援記事
AI利用の価値が高まるからこそ,承認する環境と使い方を明確にし,管理できる形で利用を支えることが重要になる。
AIを禁止するかどうかだけで防御力を評価することはできない。
具体的な組織対策はAIを悪用した無差別サイバー攻撃の記事を,秘密情報の取扱いの整理は学習オフと第三者開示の記事を参照されたい。
第7 学習に関する設定と,利用する生成AIの限定
第6条は,第1号・第2号に共通する条件として,入力情報を生成AIの学習に利用しない設定の下で,中国製ではない生成AIを利用することを定めている。
| 共通条件 | 内容 |
|---|---|
| 学習に関する設定 | 入力情報を生成AIの学習に利用しない設定の下で利用する |
| 利用する生成AIの限定 | 中国製の生成AIを利用の対象から除く |
事件処理及びそれに必然的に付随する知見の蓄積にも,ブログ記事の作成にも,この2つの条件が適用される。
第2号のブログ記事の作成については,これらに加え,個人識別情報を含めないこと,元の事案及び関係者を連想させないこと,事件係属中に限ることという条件がある。
生成AIを用いて事件を検討する場合,利用先の選定も,依頼者に説明する意味がある。
大手の運営会社にとって入力情報への信頼は事業を支えるため,信用の失墜を避けようとする動機は情報保護を評価する材料になる。
もっとも,この評価は一般的な推論であり,個別の会社の事故率や,入力情報が絶対に漏れないことを示すものではない。
| 選定時に分けること | 確認する内容 |
|---|---|
| 信用と具体的な措置 | 暗号化,アクセス管理,監査,事故対応 |
| 学習と保存・閲覧 | 通常処理,安全対応,保持・削除の条件 |
| 自社サービスと外部連携 | 接続先,送信範囲,再委託先 |
| 専門性と情報保護 | 法律専用という名称とは別に,同じ条件で比較する |
| 同意と情報管理 | 利用目的の説明と,具体的なサービスの取扱いを分ける |
法律専用AIであれば汎用AIより入力情報の保護に優れているとは,名称だけからはいえない。
汎用の業務向けサービスの方が保護に優れる場合も,専門サービス側の設計が有効な場合もあり得るため,対象プランと機能,保存,人的アクセス,削除及び外部送信を具体的に比較する。
ここで述べるのは利用先を評価する一般的な方法である。
第2に掲げた条項の利用目的や,ブログ作成に付された条件を広げる説明ではない。
詳しい選定項目は,法律事務所の生成AI利用ガイドラインを参照されたい。
ChatGPTとClaudeの利用形態ごとのデータ条件の確かめ方は,ChatGPT・Claudeの業務利用は安全かで整理している。
第8 よくある疑問
| 疑問 | 回答 |
|---|---|
| どのような生成AIを利用するのか | 入力情報を生成AIの学習に利用しない設定の下で,中国製ではない生成AIを利用する |
| 法律実務に関する知見の蓄積も同意の対象か | 受任事件の事件処理に必然的に付随する,生成AIを通じた知見の蓄積を第1号に定めている |
| 知見の蓄積は,生成AIの学習への利用を意味するのか | 当職が法律実務に関する知見を蓄積することと,入力情報を生成AIの学習に利用することは別である |
| ブログ記事の作成にはどのような条件があるか | 元となった事案及び関係者を連想させない形とし,個人識別情報を含めず,事件係属中に限る |
| ブログ作成の条件は,事件処理にも同じように適用されるのか | 個人識別情報を含めないことや事件係属中に限ることは,第2号のブログ記事の作成について定めた条件である |
| なぜ汎用の生成AIを選ぶことがあるのか | 機能だけでなく,対象プランの保護体制と情報の取扱条件を確認して選ぶ。汎用という分類だけで情報保護が劣るわけではない |
| 入力情報が絶対に外部へ漏れないのか | 無事故の保証ではない。学習,保存,閲覧,削除及び外部連携を分けて管理する |
| 法律専用AIなら,より安全なのか | 専門性と情報保護は別の評価項目であり,同じ条件での具体的な比較根拠を要する |
| 相手方のAI利用は交通事故に限られるか | 交通事故に限られない。給付金の査定,労働分野のメール・チャットの分析,税務調査,医療機関の記録作成などでも,AIを使う動き(導入の検討を含む)が公表されている。ただし,個別の紛争で相手方が事件記録をAIへ入力したことを示すものではなく,本記事では場面ごとの仮定例として整理している(第5)。相手方の利用可能性は,当職の情報管理義務を軽くする理由にはならない |
| 同意すれば何でも入力・公開できるのか | 条項の目的と条件に従う。関係者の権利や資料の利用条件,サービスの取扱いも別に確認する |
第9 参照資料
現行の委任契約約款
生成AIの利用と守秘義務についての当職の記事
法律事務所の生成AI利用ガイドラインの記事
個人情報保護委員会の注意喚起
本文中のNCSC,共同ガイダンス及び研究報告のほか,第5で取り上げた保険会社,サービス提供者,行政庁及び医療機関の公表資料へのリンク。
第5の公表資料は,各主体がAIを利用し,又は導入を予定していることの説明であり,個別の紛争での利用を確認した資料ではない。
サイバー防御研究は,個別の委任契約条項の法的有効性を直接検証した資料ではない。