メインコンテンツへスキップ

AIと弁護士実務

弁護士の生成AI利用同意書・説明書の文例―包括的同意で広がる活用範囲(AI作成)

目次

第1 包括的同意によって何が広がるか1 資料を生かした具体的な事件処理2 同じ範囲の利用をあらかじめまとめて承諾してもらう3 学習オフの確認と同意取得は,利用を支える二つの要素である第2 依頼者への説明書の文例1 文例の使い方2 説明書文例第3 事件処理を対象とする包括的同意条項の文例1 基本文例2 包括的同意の中心は「継続して利用できる範囲」の合意である第4 利用目的を追加して活用範囲を広げる文例1 打合せの録音・文字起こし・要約2 事件終了後の保管と事務所内の知見蓄積3 一般向けの記事・研修資料への利用第5 受任時と既存依頼者についての取得手順1 受任時にまとめて説明する2 既存依頼者には,これからの利用について確認する3 同意の範囲を広げる変更と,範囲内の利用を区別する第6 同意の効果を確かなものにする確認事項1 誰の何についての承諾かをそろえる2 国外での取扱いを説明する3 同意を得た範囲を業務に生かす第7 よくある質問1 AIを使うたびに依頼者の署名が必要か2 「AIを利用することがある」という一文でもよいか3 実名入りの資料も対象にできるか4 事件終了後の再利用もまとめて承諾してもらえるか第8 関連する解説と出典

弁護士が依頼者に利用目的や情報の取扱いを説明し,包括的同意を得ることには,生成AIを事件処理に生かす範囲を広げる積極的な意味がある。
実名入りの資料を使った事実整理,継続的な証拠分析,書面の起案・査読,打合せの文字起こしなどを,説明して同意を得た範囲で業務に組み込めるからである。

受任時に今後の利用を見通して同意の範囲を設計すれば,同じ目的・条件で行う処理のたびに説明と同意取得を繰り返す負担も減らせる。
本稿では,この効果を生かすための一般的な説明書と同意条項の文例を示す。

第1 包括的同意によって何が広がるか
1 資料を生かした具体的な事件処理

生成AIに一般的な法律問題だけを尋ねる場合と,実際の事件資料を参照させる場合とでは,任せられる作業が違う。
依頼者の承諾に関わる問題を整理して資料を入力できるようになれば,抽象的な質問への回答を超えて,その事件の時系列,人物関係,証拠の対応及び反論候補を整理させることが可能になる。

同意の対象に具体的に含める利用活用を広げられる作業依頼者にとっての意味氏名・連絡先等を含む相談記録やメールの処理人物・日付の対応,出来事の時系列整理大量のやり取りを事件全体として把握しやすくなる診療録等,事件処理に必要な資料の処理症状・治療経過の抽出,資料間の比較証拠の読み落としや照合漏れの点検に役立てられる訴訟資料・契約資料を使う起案と査読主張と証拠の対応,反論候補,表現の検討弁護士が複数の観点から検討するための材料が増える打合せの録音・文字起こし・要約宿題,確認事項,次回の議題の整理打合せ内容を継続的に確認しやすくなる目的を特定した事件終了後の保管・再利用事務所内の知見蓄積,類似問題の検討適切に管理した経験を将来の業務改善に生かせる

これらは利用の設計例であり,導入だけで精度や事件の結果を保証するものではない。
大切なのは,同意を単なる注意書きで終わらせず,どの資料をどの作業に使えるようにするのかを具体化することである。

2 同じ範囲の利用をあらかじめまとめて承諾してもらう

個人情報保護委員会のQ&AのQ7-7は,個人情報を取得する際に第三者提供の同意を得ることも可能としている。
Q7-8も,取得時に予測される個人データの第三者提供について,包括的に同意を得ることを認めており,提供のたびに必ず同意を得る仕組みを要求していない。個人情報保護委員会のQ&A

この説明は個人情報保護法上の第三者提供についてのものであるが,受任時に予測される処理を整理し,事前の同意を業務運用へ組み込む際の重要な手掛かりとなる。
弁護士の守秘義務についても,本人の承諾が持つ意味を踏まえ,依頼者が理解して承諾した利用の範囲を明らかにすることに実務上の価値がある。

3 学習オフの確認と同意取得は,利用を支える二つの要素である

学習に使われない設定や契約は,サービス側での情報の取扱いを管理するためのものである。
包括的同意は,依頼者がどの目的・範囲の処理を承諾したかを明らかにするものである。
両方を整えることで,安全なサービスを選んだ上で,具体的な事件資料を使うための説明と承諾も確保できる。

第2 依頼者への説明書の文例
1 文例の使い方

次の文例は,各事務所が利用するサービスと運用を説明するためのひな形である。
角括弧内は,依頼者に交付する前に実際の内容で埋める欄であり,未記入のまま承諾を求めるものではない。
サービスの名称・契約条件等は,本文と一緒に交付する別紙にまとめてもよい。

2 説明書文例

生成AIの利用に関する説明書

当事務所は,ご依頼の事件について,資料の読取り・分類,時系列や人物関係の整理,調査の補助,文書の起案・翻訳・査読及び打合せ内容の整理に生成AIを利用する。

(続きを読む...)弁護士の生成AI利用同意書・説明書の文例―包括的同意で広がる活用範囲(AI作成)

2243とSOXの値動きが違う理由―為替,配当,時差と基準価額の確認方法(AI作成)

目次

第1 比較する前に見る早見表第2 SOXとXSOX,円換算を分ける第3 市場価格,基準価額,iNAVの時点と口数第4 連動差と費用を確認する第5 注文と設定・解約は別の手続である第6 参照資料と本稿の範囲
第1 比較する前に見る早見表

2243(グローバルX 半導体 ETF)は,SOXと呼ばれる米ドル建て価格指数の日々の騰落率に,そのまま一致する商品ではない。
公式の商品説明では,配当込みの半導体株指数を円換算した値の変動率と,1口当たり純資産額の変動率を一致させることを目的としている。
資料確認日は2026年11月21日,商品ページの表示基準日は11月20日である。

比較する数値主な違い最初の確認SOXと2243通常配当,通貨,費用,時点同じ指数の同じ期間か市場価格と基準価額取引所の需給と保有資産の評価価格の種類と算定時刻基準価額とiNAV1日単位の評価と取引中の推定値更新日時と表示口数指数騰落率と投資家の損益分配金,取得価格,売買費用等同じ条件で比較しているか

米国株の下落率を見て,日本のETFの注文価格を機械的に決めないことが出発点である。

第2 SOXとXSOX,円換算を分ける

Nasdaqの指数対照表は,SOXを米ドル建て価格指数,XSOXを米ドル建て配当込み指数として区別している。
計算マニュアルでは,価格指数は通常配当の再投資を含まない一方,特別配当は価格指数でも反映する。
したがって「SOXは配当を一切考慮しない」とは言い切らない。

項目SOXXSOX2243の連動対象種類価格指数配当込み指数配当込み指数の円換算値通貨米ドル米ドル円通常配当再投資を含まない再投資を含む配当込みの指数を用いるETFの費用含めない含めない円換算した指数自体にETFの実費用は含めない

出典:Nasdaq「Index Versions: PHLX Semiconductor Sector Index」と計算マニュアル2026年5月20日版§2.3,Global X Japan商品ページ・交付目論見書。
確認日:2026年11月21日。

交付目論見書は,外貨建資産について原則として為替ヘッジを行わないと説明する。
円で売買する商品でも,為替変動の影響を受ける。

同じ期間の米ドル建て配当込みリターンと,ドル円の変化率を使い,費用や連動差を除いた円換算の概算は,(1+米ドル建てリターン)×(1+ドル円変化率)−1となる。
ここでドル円変化率は,1ドルを何円に換えるかの変化率である。

仮定した米ドル建てリターン仮定したドル円変化率円換算の概算−10%−5%(円高)−14.5%−10%+5%(円安)−5.5%

単位:%。
基準日:特定の実績日を設定しない仮定例。
出典:上記の複利計算式による本稿の試算。
2243の実際の日次騰落率や将来予測ではなく,費用・分配・評価時点の違い等を捨象している。

第3 市場価格,基準価額,iNAVの時点と口数

取引所の市場価格は,その時の注文の需給によって決まる。
基準価額はファンドの資産・負債を基に算出される評価額であり,iNAVは取引中の推定純資産価格である。
iNAVは売買できる価格の保証ではない。
画面の更新時刻が新しくても,構成銘柄の市場が休場中なら,すべての資産価格が同時に更新されたとは扱わない。

表示2243で確認すること混同を避ける方法市場価格1口で売買する取引所価格板の売り気配・買い気配と数量も確認する基準価額・分配金公式ページでは100口当たり表示1口価格と比べるなら100で割るiNAV1口当たりの推定値算定・更新時刻と通貨を確認する米国指数米国取引日の終値か取引途中か日本時間への換算と対応する期間をそろえる

出典:Global X Japan商品ページ(2026年11月20日時点表示),JPX「ETFのインディカティブNAV」。

(続きを読む...)2243とSOXの値動きが違う理由―為替,配当,時差と基準価額の確認方法(AI作成)

生成AIの投資相談は信用できるか―出典,保有状況,買付額と詐欺の確認手順(AI作成)

目次

第1 結論の早見表第2 AIが示した出典と相場の時点を確認する第3 過去の相談記録を現在の保有状況に置き換えない第4 購入上限の計算と投資判断を分ける第5 AI投資詐欺を見分ける確認表第6 注文前に残す確認記録と参考資料
第1 結論の早見表

生成AIの回答は,調査や計算の下案として利用できる。
しかし,リンク付きの説明や具体的な購入額が示されても,情報の正確性や自分への適合性が確認されたことにはならない。
本稿の資料確認日は2026年11月21日である。

確認する場面読者が行うことそのまま注文しない例相場急落の説明日付・市場・時点と一次資料を確認する取引途中の画面だけで終値や原因を断定している自分の保有状況現在の残高と使途が決まった資金を確認する古い相談記録を現在の資産として扱っている買付額の提案入力値と計算式を再現する計算が合っていても集中度や資金需要を無視しているAIを称する勧誘発信者を別の連絡先・公的情報で確認する利益保証,秘密の送金,著名人の動画だけを根拠にする

この表と以下の確認順序は,本稿の編集上の提案である。
特定の商品の売買時期や購入額を推奨するものではない。

第2 AIが示した出典と相場の時点を確認する

米国SEC等の2024年1月25日付共同投資家向け注意喚起は,AIが古い情報や誤った入力を使う場合だけでなく,正しい情報からでも誤った内容や架空の内容を生成し得ることを説明している。
米国当局職員による注意喚起であり,日本の投資家に新たな法的義務を課す資料ではない。

リンクを開き,資料が存在するか,その資料の該当箇所が説明を支えるかを別々に確認する。
同じ記事やAI出力を転載した複数のページは,独立した複数の裏付けにはならない。
一般的な出典の確認方法は,AIの出典リンクは信用できるか―架空統計の再引用と独立した裏付けの確認方法で整理した。

比較項目記録する内容比較を止めて確認する例時点日付,時刻,タイムゾーン,終値か取引途中か米国の取引途中と日本の前日基準価額の比較数値の種類株価指数,配当込み指数,市場価格,基準価額名前が似ているため同じ騰落率だと扱う単位通貨,1口・100口,百分率・金額100口表示を1口価格と誤認する業績対象期間,実績・会社予想,GAAP等の定義翌四半期予想を直近の確定実績と記載する原因公式発表の内容と市場反応の時系列発表があったことだけで下落の原因と断定する

材料の存在と,その材料が当日の下落をどれだけ説明するかは別問題である。
因果関係が確認できない場合は,原因を一つに決めず,確認できた発表内容と残る仮説を分ける。

第3 過去の相談記録を現在の保有状況に置き換えない

購入額を考える前に,同じ基準日時点の資産・負債・資金需要をそろえる。
AIに覚えている内容を列挙させても,証券会社の残高や銀行残高との照合を省略しない。
分からない金額をゼロとして計算させない。

入力項目確認する資料・条件判断への影響現在の保有最新の残高,口数,円換算額以前の売買後に相談記録が古くなっていないか重複する投資他の投信・ETFを含む同じ業種への持分商品数が多くても同じ半導体株に集中し得る購入に使える現金手元現金と近く必要になる支出税金・生活費・事業資金等を投資可能額から分ける許容条件保有期間,損失への対応,集中度の上限下落時に追加購入できるかと売却を迫られるか

正確な氏名・口座番号・取引報告書の全面画像を入力する前に,利用するサービスの保存・共有等の条件を確認し,質問に不要な識別情報を省く。
上記の金額が必要な場合でも,匿名の項目名と必要な数値に絞るという方法がある。
特定のAIサービスが情報を保存しないと保証する趣旨ではない。

第4 購入上限の計算と投資判断を分ける

次は,読者自身が決めた集中度上限と,残しておく現金を守るための単純な試算である。
最適な配分や安全な購入額を算出するモデルではない。

記号入力する値そろえる条件A現金を含む金融資産の合計額同じ基準日時点の円換算額C流動性のある現金額Aに含めた現金と対応させるL投資に回さず残す必要資金支払予定と必要な予備資金を反映するH購入対象業種への現在の投資額他の投信等の重複持分を可能な範囲で含めるt自分で設定した業種集中度の上限割合20%なら0.20と入力する

単位:A・C・L・Hは円,tは割合である。

(続きを読む...)生成AIの投資相談は信用できるか―出典,保有状況,買付額と詐欺の確認手順(AI作成)

Windows PC買替え後のAI自動処理を再開する手順―タスク,フック,同期及び切戻しの確認(AI作成)

目次

第1 再開してよい状態を先に決める第2 三つの仕組みを混同しない第3 旧PCを止める前に基準点を残す第4 コピーするものと作り直すものを選別する第5 自動処理を一つずつ受け入れる第6 再開と切戻しを判定する第7 関連記事と出典
第1 再開してよい状態を先に決める

Claude CodeやCodexを使うWindows PCを買い替えたときは,アプリが起動するかという確認と,従来の自動処理を再開してよいかという確認を分ける。
手動では読めるファイルでも,定期処理の実行者には読めない場合を想定し,実際に使う実行者と起動方法で確かめる。

本記事は,自動処理の移行を担当する人と,業務再開を決める人のための運用案である。
特定の製品版の公式移行手順や,導入済みの環境で動作を保証する設定集ではない。
確認の基準日は令和8年11月21日である。

現在の状態直ちに行うこと再開の条件アプリだけ起動した自動処理を停止したまま棚卸しする起動と業務結果を別々に確認する手動試験だけ通った予定された起動条件でも試す実行者,保存先,結果を照合する同期処理が正常終了した受取側で内容を読み戻す正本と受取側の版が対応する新旧PCに変更がある双方の自動処理を止めて保全する差分を確定し,正本を一つにする

以下では,担当者が検査記録を残し,業務再開の責任者がその記録を確認してから,自動処理を一つずつ有効にする方法を提案する。
「正常終了」という表示だけで再開を判断しないことが要点である。

第2 三つの仕組みを混同しない

Windowsのタスクスケジューラは,時刻やログオンなど,設定した条件をきっかけに処理を実行するWindowsの機能である。
Claude Codeのフックは,セッションの開始やツール利用などの出来事に対応して処理する仕組みであり,毎朝の時刻指定と同じものではない。
Claude側で登録した定時実行も含め,どの仕組みが起動するのかを台帳で区別する。

比較項目WindowsのタスクClaude側の定時実行Claude Codeのフック起動の入口Windowsに登録した条件Claude側で登録した予定Claude Code内の出来事棚卸しする設定実行者,操作,開始条件実行場所,予定,作業範囲対象の出来事,処理内容移行後の試験手動起動と予定条件利用する方式での起動対象の出来事を発生させる結果の確認実行履歴と成果物実行記録と成果物実行記録と期待した作用

この表の試験方法は本記事の提案である。
Claude側の定時実行には方式ごとの条件があるため,Windowsのタスクの設定を当てはめず,既存の定時実行の記事と,利用時点の公式説明を確認する。

第3 旧PCを止める前に基準点を残す

移行担当者は,編集と自動処理を止める時点を関係者に知らせ,同期相手のPCも含めて,同じ資料への更新を止める。
停止前から走っていた処理については,終了したのか,結果が未確定なのかを記録し,未確定のまま同じ処理を新PCで重ねて起動しない。

順序移行担当者の作業保存する記録1更新と自動起動を停止する停止日時,停止対象,実行中処理の成否2正本と同期相手を特定する正本の場所,版,送り側と受取側3選別した移行対象を退避するファイル一覧,サイズ,ハッシュ,取得日時4退避物を別の場所で開く復元試験の対象と結果,読めなかった範囲

Gitを使っている場合も,リモートの履歴を取得できたことだけでは,作業中のデータがそろったと判断しない。
未コミットの変更,未追跡のファイル,業務に必要な無視対象を別々に確認し,必要なものは管理された退避先へ保存する。
秘密を含むファイルを,移行のために一律にGitへ追加してはならない。
履歴を保持するリポジトリの退避と,作業中のファイルを含む作業フォルダーの退避を分け,退避した履歴と必要なファイルの双方を確認する。

自動処理の定義や設定も,利用できる出力形式で別途退避する。
タスクのXML等が保存できても,新PCでそのまま有効にせず,第5の設定点検と試験を行う。
会話から取り出して残す必要がある手順や成果物は,利用できる正規の方法で文書として保存し,内部DBの移植に再開を依存させない。

Gitの公式説明では,通常のstatus表示と,無視対象を表示する指定は区別されている。
移行前の確認では,履歴,作業中の変更及びGitの管理外の必要資料を,それぞれ確認した記録を残す。

(続きを読む...)Windows PC買替え後のAI自動処理を再開する手順―タスク,フック,同期及び切戻しの確認(AI作成)

弁護士の生成AI活用事例―AIに任せる作業と人が確認する点(AI作成)

目次

第1 結論と早見表1 生成AIは「下書きと候補抽出」に使い,判断と提出は人が行う2 作業別の早見表第2 利用前に入力してよい情報かを確認する1 入力前の確認事項2 利用を止める場合第3 相談資料と事件記録を整理する1 AIに任せる作業2 人が確認する点第4 法令・裁判例・公表資料を調べる1 AIは調査の入口に使う2 一次資料で確認する第5 契約書・裁判書面・回答案の初稿を作る1 初稿作成の分担2 提出・送信前の確認第6 複数資料の比較,表の作成及び計算を補助させる1 比較・データ化2 計算・集計第7 最終確認と依頼者への説明を行う1 最終確認のチェックリスト2 説明・交渉・判断は人が担う第8 生成AIの利用を止める条件第9 関連記事第10 出典・参考資料
第1 結論と早見表
1 生成AIは「下書きと候補抽出」に使い,判断と提出は人が行う

弁護士業務で生成AIを使う場合,作業を丸ごと任せるのではなく,①入力してよい情報を選ぶ,②AIに整理・比較・下書きをさせる,③人が原資料と照合する,④弁護士が採否と最終行動を決める,という工程に分ける必要がある。

十分な説明に基づく包括的同意を得て利用できる資料と用途を確保すれば,生成AIの活用は一般的な質問への回答から,実際の事件資料の整理・比較・起案補助へ広がる。
入力の根拠を整え,出力を人が確認する仕組みと組み合わせることが,事件処理への応用につながる。

本記事は,法律事務所全体の生成AI利用ガイドラインを作るための記事ではない。
相談資料の整理,調査,初稿,資料比較又は計算という一回の作業を始める担当者が,AIに任せる範囲,人が確認する項目及び利用を止める条件を短く確認するための記事である。

東京弁護士会の機関誌LIBRAに掲載された会員執筆記事は,訴訟業務の例として,相談資料の整理,法的論点・追加聴取事項・証拠候補の洗い出し,法的リサーチ及び書面案の作成を紹介している。
他方で,生成AIの出力には誤情報が含まれ得るため,一次資料を含む検証と弁護士による最終確認が必要であるとも説明している。

したがって,「生成AIを使ったか」ではなく,「どの作業に使い,何を人が確認し,どの条件なら利用を止めるか」を先に決めることが重要である。

2 作業別の早見表
作業AIの役割人が確認する点停止条件相談資料・記録の整理日付,人物,金額,主張,証拠候補を一覧化する原資料との一致,抜け,重要度,追加聴取事項入力許可がない秘密情報を含む,原資料を読めない法令・裁判例・公表資料の調査検索語,論点,資料候補を挙げる実在,原文,施行時点,判例の射程出典を特定できない,原文に到達できない契約書・裁判書面・回答案構成案,初稿,反論候補を作る依頼目的,事実,証拠,法的評価,期限,求める措置重要事実が未確認,方針が未決定複数資料の比較条項差分,記述の不一致,欠落候補を表にする比較対象,版,基準日,例外,原文の意味版を特定できない,OCR誤読が多い計算・集計計算式,表,検算候補を作る入力値,単位,期間,端数処理,独立再計算計算根拠が不明,結果を再現できない最終確認・説明チェックリスト,説明順,選択肢を整理する採否,リスク,依頼者の意思,提出・送信の可否弁護士が説明できない,責任者の承認がない

この表は,特定製品の性能又は利用効果を保証するものではなく,公開資料を踏まえた作業分担の提案である。

第2 利用前に入力してよい情報かを確認する
1 入力前の確認事項

生成AIへ資料を入れる前に,出力の品質より先に,情報をそのサービスへ送信してよいかを確認する。

確認項目確認する内容確認できない場合情報の性質個人情報,依頼者・関係者の秘密,営業秘密,未公表情報を含むか入力しない利用目的その情報をAIへ入力することが,特定した利用目的の範囲内か目的と必要性を確認するまで止めるサービスの取扱い学習利用,事業者のアクセス,暗号化等の安全管理,保存期間,削除,第三者提供,保存場所規約・設定・契約を確認できる環境へ切り替える入力範囲氏名等を削除・仮名化・抽象化し,必要最小限にできるか原資料を入力せず,公開情報又は抽象化した設例で作業する依頼者への対応説明,同意又は委任契約上の取扱いが必要か必要な対応を終えるまで入力しない

個人情報保護委員会は,個人情報取扱事業者が生成AIサービスに個人情報を含むプロンプトを入力するときは,利用目的の達成に必要な範囲内であることを十分に確認するよう注意喚起している。
また,本人の同意なく個人データを入力し,そのデータが応答の出力以外の目的で取り扱われる場合には,個人情報保護法違反となる可能性があるため,機械学習に利用されないこと等の確認が必要であるとしている。

包括的同意を得ることは,AIに任せられる作業を広げるための重要な準備である。
実名等を含む資料,利用目的及び取扱条件を説明して依頼者の承諾を得れば,その権限の範囲内で,具体的な事件資料を使った分析・起案・査読を検討できる。
同じ範囲の継続利用もあらかじめ合意すれば,資料の追加や改稿のたびに同じ説明と承諾取得を繰り返す負担を減らせる。

同意によって扱える資料の範囲を確保した上で,以下の各作業で原資料との照合を行う。
取得方法については,弁護士の生成AI利用への同意も参照されたい。

2 利用を止める場合

氏名を消しただけで,事件,時期,地域,役職その他の情報から本人又は案件を推知できる場合がある。
仮名化又は抽象化をしても危険が残るときは,その情報を入力しない。

(続きを読む...)弁護士の生成AI活用事例―AIに任せる作業と人が確認する点(AI作成)

生成AI時代の法学教育―調査課題,臨床経験及び学修評価をどう分けるか(AI作成)

目次

第1 AI利用と学修の目的を分ける第2 原典調査と臨床経験を残す第3 調査課題と筆記試験の授業例第4 広い道具の利用と自分の理解を評価する第5 若手の学習機会と実務への接続第6 出典
第1 AI利用と学修の目的を分ける

法学の学習で生成AIを使ってよいかという問いは,何を身に付け,何を評価する場面なのかによって答えが変わる。
資料を広く探す課題,学生自身の知識と推論を測る試験,実際の人の話を聴いて問題を整理する経験を,同じ方法だけで扱うことはできない。

法務省公表の米田憲市氏,篠島正幸氏及び渡部友一郎氏の講演資料には,原典調査,臨床経験,AIへの依存,試験及び若手の育成をめぐる論点がある。
本記事は,そこで示された提言と授業例を手掛かりに,教育・研修で区別したい場面を整理するものである。
各大学・法科大学院の現在の履修・試験規則を一律に示したものではなく,実際の課題では担当機関の指示を確認する必要がある。

第2 原典調査と臨床経験を残す

AIが要約を返せるようになっても,その説明を原判決,条文,立法資料等で確かめる学習の意味は失われない。
出典に戻り,どの事実が結論を左右し,どの限定が付いているかを説明するには,基礎法学と法的分析の力が必要である。
出典名を挙げるだけでなく,該当箇所と,自分の説明に利用できる範囲を示す練習を残すことが重要である。

米田氏が挙げる臨床教育の意味は,整った問題文に答えることとは異なる。
まだ言語化されていない困り事,混乱した聴取内容,制度の狭間にある苦痛,多様な関係者との対話に接し,何を問題として取り上げるかを考える経験である。
これらをAIの出力だけで置き換えられると決めず,批判的なリサーチと現場の経験を組み合わせる教育への改善・投資を考える,というのが講師の提言である。

学習の場面学ぶ対象残したい確認や経験原典調査法源と事実,結論と限定の関係判決本文・条文等の該当箇所を自分で読み,説明する相談や実践に接する学習問題の発見,聴取,関係者との対話整理される前の事実や,制度で捉えにくい事情に接するAI出力の検討真偽,前提,適用範囲流暢な説明に依存せず,原資料と反対材料で確かめる

この表は講演の問題意識を教育場面に対応させたものであり,特定の授業方法の効果を測定した比較結果ではない。

第3 調査課題と筆記試験の授業例

篠島氏の資料は,学習でAIを利用する場面と,学生自身の知識や法的三段論法を測る筆記試験を区別する授業実践を紹介している。
学習でAIを認めたことから,試験でも同じ道具を使えると推論してはならない。
調べる力を評価するのか,手元の道具なしで基礎知識と推論を示す力を評価するのかを,課題ごとに分ける必要がある。

同資料の任意提出の応用問題には,生成AIとインターネット検索の利用を認め,外国のヘイトスピーチ規制の出典を示し,日本の制度との相違やその理由を考察させる例がある。
A4・1頁の短い論述にまとめることも求められている。
この例から読み取れるのは,AIを利用できる課題でも,出典と考察を提出物へ残す設計である。
そこで扱われた外国法の内容や,AIの回答が現在も正確であることを保証する例ではない。

区別する場面授業例での位置付け混同しないことAI・検索を使う調査課題出典を確かめ,考察を短い論述へまとめるAIを使えたことと,回答が正しいこと自身の知識・推論を測る筆記試験学生本人の基礎知識と法的な考え方を見る学習で認められた道具と,試験で許される道具
第4 広い道具の利用と自分の理解を評価する

AIを利用する力は,問いを入力して文章を得る力だけではない。
AI以外から資料を集めること,出典や版を確認すること,出力の限界を見分けることも含めて考える必要がある。
広い道具を使える能力と,道具を使わずに説明できる基礎知識の双方を,評価の目的に応じて扱うことが課題となる。

生成物の見栄えだけを見て,学生が前提や判断の理由を理解したと認定することもできない。

(続きを読む...)生成AI時代の法学教育―調査課題,臨床経験及び学修評価をどう分けるか(AI作成)

生成AI時代の法律家の役割―法的知識の出典,解釈の更新及び人が担う判断(AI作成)

目次

第1 法的知識の形成と法律家の役割第2 出典と法が生まれた事実へ戻る第3 隣接分野との対話と解釈の更新第4 入力,利用条件及び出力をつなげて検証する第5 実践知の言語化と利用環境の差第6 人が結果を引き受ける判断第7 出典
第1 法的知識の形成と法律家の役割

生成AIを使う法律家の役割は,出来上がった回答の誤字や引用を直すことだけではない。
その回答がどの資料から生まれ,どの事実や解釈を引き継ぎ,目の前の依頼者へ適用できるのかを確かめる仕事もある。
さらに,従来の資料だけでは答えが出ない問題について,事実を集め,他分野と対話し,説明できる判断を作る必要がある。

法務省が公表した米田憲市氏の講演資料は,AIの影響を単なる作業効率ではなく,法的な情報が生成され,流通し,解釈され,実践へ戻る構造の変化として捉えている。
本記事は,この視点と,篠島正幸氏・渡部友一郎氏の講演資料を手掛かりに,法律家が残すべき調査と判断を整理するものである。
講演者の提言や業務経験を,政府が採択した方針,法律上の義務又はAIの一般的な性能の実証と同じには扱わない。

司法は,起きた紛争を処理するだけでなく,将来の行動の予測可能性や,新しい協働を支える基盤でもある。
AIの利用によって,これまで法に接する機会が乏しかった人や地域へ情報を届けやすくなる可能性もある。
ただし,情報へ到達できることと,その人の事情に合う助言や手続へ結び付くことは別であり,アクセス改善の効果が一律に実証されたという意味ではない。

第2 出典と法が生まれた事実へ戻る

AIの説明に条文名や判例名が付いていても,そこに至る中間の文脈まで残っているとは限らない。
法律家は,結論に合いそうな要約を集めるだけでなく,判決本文,立法資料,審議会の議事録等へ戻り,どの問題に対してそのルールが作られたのかを確かめる必要がある。

たとえば,新しい事業の相談で古い解釈を利用する場合は,条文の文字が同じかという確認に加え,当時想定された取引,技術,関係者の利益と,現在の事実にどのような差があるかを整理する。
差があることだけで従来の解釈を捨てるのでもなく,古い資料に載っていることだけで適用を決めるのでもない。
共通する点,結論を分け得る点,追加して確かめる事実を分けて説明することが重要である。

確かめる対象戻る資料や文脈判断の前に分けること法令の意味条文,附則,立法資料,審議会の議事録現行の文言,適用時点,立法時の問題意識判例の利用判決本文,主要事実,主文,前後の判示引用の実在,援用する命題,本件との事実差新しい事業への助言取引の実態,技術の仕組み,関係者の行動確認した事実,仮定,従来の説明で足りない部分

この表は調査の整理方法であり,資料名を並べたことを実読したことの代わりにするものではない。
実際に読んだ箇所と残る疑問を記録し,反対方向の資料や,結論を弱める事実も検討対象に残す必要がある。

第3 隣接分野との対話と解釈の更新

技術者,経済や社会の仕組みに詳しい人,現場の担当者との対話は,法律用語を分かりやすく置き換えるためだけに行うものではない。
その技術で何が起きるのか,誰が何を選べるのか,現実にどのような不利益が生じるのかという,法的評価の前提を確かめる意味がある。

ここでは,個別の事案で確認した事実と,他の事件にも用い得る法理を区別する。
ある企業の運用上の問題が見つかったことから,直ちに業界全体の違法性や,一般的な新ルールの必要性まで導くことはできない。
一方,現場の例外を集めて説明を修正し,その修正を次の調査や実践へ戻すことは,AIが参照する知識を更新する上でも意味がある。

法律家自身の専門性にも,無意識の偏りや,生活実感との隔たりが入り得る。
AIの回答を批判する際も,自分の従来の見立てと一致したことだけを正しさの理由にせず,別の説明や,当事者・関係者の受け止めを確かめる必要がある。

現場で見つかった問題や,従来の説明では捉えにくい事情を,研究,教育又は制度をめぐる議論へ返すことも,この視点の一部である。
出来上がった知識を受け取るだけでなく,個別経験と一般化できる部分を区別して伝え,知識の生成と修正の循環へ参加するという提言として理解できる。

(続きを読む...)生成AI時代の法律家の役割―法的知識の出典,解釈の更新及び人が担う判断(AI作成)

AIに悩みを相談して大丈夫か―迎合・依存・誤回答と人に相談すべき場面(AI作成)

目次

第1 AIに悩みを相談するときの結論1 AIに任せること・任せないことの早見表2 本記事の対象と限界第2 AIへの相談が役立つ場面1 気持ち,事実,希望を分ける2 選択肢と確認事項を増やす3 人へ相談するための質問を作る第3 AIは相談者に迎合することがある1 迎合とは何か2 2026年のScience掲載研究で確認されたこと3 法律問題に当てはめるときの注意第4 AIを人格的な相談相手と感じるとき1 自然な会話と理解していることは別である2 依存を診断名ではなく行動で点検する3 メンタルヘルス用途では人間関係を代替させない第5 AIから人へ相談先を切り替える場面1 切替えのチェックリスト2 公的相談窓口を使う第6 AIへ安全に相談するための6つの手順1 質問の言い換え例2 AIの回答を保存するときの注意第7 法律問題を弁護士相談につなぐ方法第8 本記事の根拠と限界
第1 AIに悩みを相談するときの結論

生成AIは,気持ちや事実の整理,選択肢の洗い出し,専門家へ尋ねる質問の準備に役立つことがある。
他方で,回答には誤りや偏りがあり,相談者が望む結論へ過度に合わせる「迎合」も起こり得る。
法律上の期限,契約への署名,治療・服薬,生命・身体の安全など,失敗した場合の影響が大きい判断をAIだけで確定してはならない。

1 AIに任せること・任せないことの早見表
場面AIに任せやすい作業AIだけに任せないこと次に確認する相手・資料気持ちや問題が整理できない出来事,気持ち,希望を別々に書き出す相手が全面的に悪い,自分は必ず正しい等の断定信頼できる人,必要に応じて専門職法律問題時系列,証拠,質問事項の整理期限,勝敗,署名・送信・支払等の最終判断弁護士,裁判所・行政機関等の一次資料健康・服薬症状や経過を医療者へ伝えるメモの整理診断,治療開始・中止,薬の増減医師,薬剤師その他の医療専門職強い不安,希死念慮,暴力・被害のおそれ人へ伝える内容を短く整理する補助危機対応をAIとの会話だけで済ませること身近な人,公的相談窓口,緊急時の警察・救急

この表は,AIを使うこと自体を一律に否定するものではない。
AIの役割を「整理と準備」に限定し,現実の行動を伴う重要事項は人と一次資料で確認するための目安である。

2 本記事の対象と限界

本記事は,一般向け生成AIに悩みや対人関係を相談するときの注意点を扱う。
個別の診断,治療,法律相談又は危機介入を行うものではない。
また,後記の研究は主として対人関係の助言やメンタルヘルス領域を対象としており,法律相談AIの正答率を直接測定した研究ではない。
この限界を踏まえ,法律問題への応用部分は実務上の安全策として示す。

第2 AIへの相談が役立つ場面
1 気持ち,事実,希望を分ける

悩みが大きいときは,起きた事実,そこから感じたこと,自分の推測,望む結果が混ざりやすい。
生成AIには,入力した内容を次の4項目に分けさせる使い方がある。

① 確認できる事実
② 自分の受け止めや感情
③ まだ確認できていない推測
④ 今後実現したいこと

この整理は,AIの結論に従うためではなく,自分が人へ説明しやすくするために行う。
AIは入力されていない事情を知ることができないため,整理結果にも抜けや誤解があり得る。

2 選択肢と確認事項を増やす

「どうすべきか」と一つの結論を求めるよりも,「考えられる選択肢を3つ挙げ,それぞれの利点,欠点,前提条件,不足情報を示して」と依頼する方が,検討漏れを減らしやすい。
さらに,「この結論が変わる事実は何か」「反対の立場ならどのように反論するか」と尋ねると,自分に都合のよい説明だけで判断する危険を小さくできる。

3 人へ相談するための質問を作る

AIには,弁護士,医師,学校,勤務先又は公的窓口へ確認する質問の下書きを作らせることができる。
例えば,「相談先に伝える事実」「持参する資料」「期限の有無」「その場で決めずに持ち帰る事項」に分けると,対面や電話の相談を準備しやすい。

(続きを読む...)AIに悩みを相談して大丈夫か―迎合・依存・誤回答と人に相談すべき場面(AI作成)

リーガルテックとは―法情報リサーチ・契約審査・案件管理・生成AIの種類と,弁護士法72条・守秘義務の確認点(AI作成)

目次

第1 結論と早見表第2 リーガルテックの種類と近時の連携1 法情報リサーチ2 契約審査・管理3 案件・文書管理,電子契約,生成AI4 近時の連携第3 弁護士法72条との関係1 ガイドラインが対象とする範囲2 価値中立性の判断要素(①②と補完としての③)3 例として挙げられている業務4 弁護士・弁護士法人が使う場合5 弁護士への案内と弁護士法27条第4 弁護士が使うときの確認点第5 裁判所・公的分野のAIと今後の予定第6 よくある質問1 リーガルテックを使うと弁護士法違反になるか2 AIが出した答えをそのまま依頼者に伝えてよいか3 消費者向け・本人訴訟向けのAIサービスはどう扱われるか4 今後ルールは変わるか第7 出典と確認範囲
第1 結論と早見表

リーガルテックは,法律実務をデジタル技術で支える製品やサービスの総称として使われる語である。
令和8年11月17日付けの読売新聞オンライン「リーガルテックの現在地<上>」は,この語を「法律実務をデジタル技術で支える製品やサービスの総称」と説明している。
法務省の令和8年8月21日のガイドラインは,この語を用いず,「AI等法務業務支援サービス」という語で対象を定めている。
日本弁護士連合会の会長談話は,生成AI等技術を用いたサービスを「いわゆるリーガルテックサービス」と呼んでいる。
本記事は,これらの文書と読売新聞オンラインの記事で確認した範囲を示すものであり,経済産業省などの資料に定義があるかどうかは確認していない。
そのため本記事は,この語を公式の定義ではなく,サービスの種類を整理するための呼び名として使う。

種類によって確認すべき点は異なる。
弁護士法72条は,主として弁護士でない事業者がサービスを提供する側の問題として,法務省が令和8年8月21日のガイドラインで整理している。
同ガイドラインは,サービス提供者が弁護士に提供し,弁護士が「自ら精査し、必要に応じて自ら修正する方法」で利用する場合などについて,提供者の提供行為が直ちに弁護士法72条に抵触するものではないとする(15頁注16)。
弁護士自身の守秘義務や職務上の注意は,これとは別の問題である。
次の表は,種類ごとの見方を一覧にしたものである。

種類主な機能(例)弁護士法72条の見方弁護士が使うときの確認詳しい記事法情報リサーチ質問に応じて法令・行政ガイドライン・書籍等を検索し,出典つきの要約を示すガイドラインは「文献その他のリサーチ・法的問題点の検討業務支援」を価値中立的になり得る業務に挙げる(10頁)要約から出典に戻り,原文で確かめるHarvey・Legalscape記事契約審査・管理契約書の条項の抜けや不利な条件の確認,修正案の提示,締結後の管理「書面作成・審査・管理業務支援」が同じ一覧にある(10頁)。紛争後の和解契約書等は別に注意が要る(11頁注13)弁護士が自ら精査し修正するAI契約書レビューの実機テスト案件・文書管理,電子契約案件や書類の管理,電子契約,過去案件の検索ガイドラインは種類別には論じていない。対象は生成AI等を用いた法務業務支援サービスである(2頁注2)保存先・閲覧権限・委託先の確認DPAのチェックリスト汎用生成AI・AIエージェント文章の作成,要約,調査,複数作業の自律的な実行汎用型AIの提供者も,報酬を得る目的で法律事務を行い得る機能を業として提供する場合は念頭に置かれている(2頁)入力情報,出力の検証,権限の範囲AIエージェントの業務設計

表の出典:法務省大臣官房司法法制部「ビジネス分野におけるAI等法務業務支援サービス提供と弁護士法第72条の関係について」(令和8年8月21日)の頁・注の番号。表の「詳しい記事」の列は本ブログの関連記事であり,「弁護士が使うときの確認」の列は本記事の提案である。

第2 リーガルテックの種類と近時の連携
1 法情報リサーチ

法情報リサーチは,法令,行政ガイドライン,判例,法律書籍などを横断して検索し,要約と出典を示すサービスである。
Legalscapeは,令和8年9月9日のNIKKEI KAIとの連携の発表で,自社のリーガルリサーチプラットフォーム「Legalscape」を2021年6月から提供していると説明している。
同発表は,リーガルAIシステム「Legal Intelligence」を2026年に提供開始したとし,2026年時点で40社以上の出版社とパートナーシップを結んでいると述べている。
同日のLegalOnとの連携の発表は,Legal Intelligenceについて,書籍をはじめとする実務文献や行政が公表するガイドラインなどを検索し,要約と参照情報を示すもので,参照できる書籍は提携する30社以上の出版社のものであると説明している。
同じ発表は,Legal Intelligenceが「個別の法律事件に関する法律相談への回答や法的判断を提供するものではありません」と述べている。
出版社の数は,発表ごとに「40社以上」「30社以上」と異なる数が示されており,数える範囲の違いは発表からは確認できない。
これらは事業者の自己の説明であり,回答の精度や網羅性を独立に測定した結果ではない。

Legalscapeは,令和8年11月17日,企業内弁護士の5人に1人以上が同社サービスを利用していると発表した。
同社は,令和8年10月30日時点で同社サービスを利用する企業内弁護士の人数と,6月30日時点の日本組織内弁護士協会の企業内弁護士数を用いた計算であると説明している。
これは同社が公表した利用規模の指標であり,日々の利用頻度,回答の正確性や費用対効果を実測した数値ではない。

発表中の指標対象・基準日読み取る際の限界企業内弁護士の5人に1人以上分子は同社サービスを利用する企業内弁護士の人数(令和8年10月30日時点)。分母は同年6月30日時点の企業内弁護士3,756人と説明基準日が異なり,弁護士全体の利用率や毎日の利用率を示すものではない

表の出典:Legalscapeの令和8年11月17日発表(11月21日確認)。人数の単位は人であり,利用率の算出は同社の説明である。

出典:Legalscape「企業内弁護士の5人に1人以上が利用」。

(続きを読む...)リーガルテックとは―法情報リサーチ・契約審査・案件管理・生成AIの種類と,弁護士法72条・守秘義務の確認点(AI作成)

Geminiの履歴オフでも約2か月保存へ―学習設定・一時チャット・削除の違い(AI作成)

目次

第1 まず押さえる結論第2 旧仕様と移行後を混同しない第3 履歴・学習・音声は別々の設定である第4 人による確認とフィードバックの例外第5 削除するときは保存先ごとに操作する第6 画面・端末・接続アプリから入る情報第7 タスク・遠隔環境・電話を使う場合第8 その他の機能にも個別の保存先がある第9 事件資料を入力する前の確認手順第10 関連記事
第1 まず押さえる結論

個人向けGeminiアプリの履歴オフは,無保存を意味しない。
Googleの現行案内と変更通知を踏まえ,令和8年11月19日現在の確認内容を整理する。

確認事項移行後の個人向けGemini入力前の判断履歴オフ新しいチャットを約2か月保存ゼロ保持と考えない学習オフ原則として以後のチャットをモデル訓練に使わない。フィードバックは例外保存・人の確認は別に確認一時チャット履歴に表示されなくても約2か月保存消去済みと考えないWorkspace・API製品・契約ごとに別の条件個人向けの条件を転用しない

基準日:令和8年11月19日確認(旧仕様は表中の時点)。期間等の単位は各セルに記載。
出典:Gemini アプリのプライバシーハブ,Generative AI in Google Workspace Privacy Hub。

個人向けGeminiアプリでは,履歴をオフにした後の新しいチャットも約2か月保存するという説明に変わった。
応答,フィードバックの処理,Google・利用者・一般の人々の保護のために利用され,人による確認を含む場合がある。

Googleの変更通知は今後数週間の順次適用を案内している。
令和8年11月19日に確認した公表仕様と,特定のアカウントで既に新しい設定が使えることは別である。
自分の設定画面と適用される案内を確認する必要がある。

本記事が扱うのは,Googleアカウントにログインして使う個人向けGeminiアプリである。
料金を支払っていても,Google AI Pro・Ultra等の個人向け契約と,職場・学校の対象となるWorkspace契約やGemini APIは区別する。
対象となるWorkspaceでは,許可なく組織外のモデル訓練や人によるレビューに使わないとの別の説明があるが,エディションと契約範囲を確認する必要がある。

第2 旧仕様と移行後を混同しない
時点・場面確認できた説明読み方2025年8月の公式発表一時チャットは最長72時間保持当時の一時チャットについての一次資料従前の既存記事アクティビティの保存オフは72時間と記載現行仕様の根拠として使い続けない移行後の公式案内履歴オフ・一時チャットは約2か月全保存先の一斉消去期限とは違う適用前のアカウント実際の画面と適用案内の確認が必要通知だけで適用済みと判断しない

基準日:令和8年11月19日確認(旧仕様は表中の時点)。期間等の単位は各セルに記載。
出典:Gemini adds Temporary Chats and new personalization features,Gemini アプリのプライバシーハブ,Gemini アプリの履歴を管理、削除する。

Googleは2025年8月13日の公式発表で,一時チャットを最長72時間保持すると説明していた。
現在の案内では約2か月であるため,過去の説明をそのまま現行の判断に使うべきではない。
なお,過去の「アクティビティの保存オフ」の全条件を確定するための当時のヘルプ保存版は,本記事の調査では確認できていない。
旧一時チャットの公式発表から,すべての旧設定の条件まで推定しない。

従前の「アクティビティの保存」は,履歴とモデルのトレーニングに関する設定に分かれる。
変更通知では,旧設定がオフなら新しい二つの設定もオフ,旧設定がオンなら新しい二つもオンになると案内されている。
一方,現在の一般ヘルプには既定値の説明がある。
移行時の引継ぎと一般の既定値を混同せず,実際の値を確認する。

第3 履歴・学習・音声は別々の設定である
比較項目履歴オン履歴オフテキスト等の学習オフ音声・Live記録の改善利用オフ主に制御すること履歴として保存以後の履歴の扱いモデル訓練への利用録音・録画自体の改善利用保存・残る取扱い既定18か月。3・36か月・無期限も選択可能約2か月。応答・保護等に使用その他の改善・レビュー・フィードバックは別文字起こし・添付は別設定の対象

基準日:令和8年11月19日確認(旧仕様は表中の時点)。期間等の単位は各セルに記載。

(続きを読む...)Geminiの履歴オフでも約2か月保存へ―学習設定・一時チャット・削除の違い(AI作成)

Claudeのトークン量と自律性は何を示すか―業務改善の指標を読み解く(AI作成)

目次

第1 前回と同じ方法で測ったとは限らない第2 曜日・時刻は,労働時間の記録ではない第3 「成果物あり93%」は成功率ではない第4 トークンと対応職業の賃金から,利益率は出せない第5 自律性の尺度は,実行権限の許可ではない第6 教育年数の推定は,回答の正確性ではない第7 自社の指標は,品質と人の総負担を合わせる
第1 前回と同じ方法で測ったとは限らない

AIのトークン量が増え,自律的に作業する会話が増えても,それだけで生産性や正確性の向上が確認されたことにはならない。
Anthropicの2026年6月のEconomic Index報告書Cadencesは,何が作られ,どのようなやり取りが行われたかを分析する資料である。
企業のKPIへ使う場合は,分類方法と,測っていないものを確認する必要がある。公式報告書

この公表回では,毎時間一定数の会話を抽出する方式へ変え,O*NETの30.2版に基づくタスク分類等も変更している。
まず詳細な作業活動を選び,その中からタスクを選ぶ二段階の分類であり,選択肢の順序も入れ替えている。
分類器の更新による差を,利用者の行動変化だけと説明してはならない。公式別紙

例えば,Rustの自然言語処理用ライブラリを推薦する会話が,商品を推薦する行為に着目して販売職のタスクへ分類された例がある。
プログラミングの内容より推薦という行為を拾った分類のずれであり,Rustという語自体の意味を取り違えた例という説明ではない。
職業タスクのラベルは利用者の実際の職業の証明ではなく,個々の分類の誤りを前提に集計を読む必要がある。

第2 曜日・時刻は,労働時間の記録ではない

報告書は,平日と週末,時間帯によって仕事・個人・学習の利用の比率が変わることを示す。
個人利用の割合は平日のおおむね35%に対し週末はおおむね50%であるが,会話が発生した時刻と用途分類から,就業規則上の労働時間や時間外労働を確定できるわけではない。

IPからの所在地・時差を使う時刻の推定,季節・行事,国・地域の構成等も集計に影響する。
勤怠管理では,当該職員にどのような指示があり,何を行ったか等の具体的事実を別に確認する必要がある。

第3 「成果物あり93%」は成功率ではない

チャットとCoworkの会話の約93%には,分析上,何らかの主要な成果物が割り当てられている。
複数の成果があっても,分析では原則として主な一つを分類しているため,成果物の個数や納品件数ではない。
正確性,完成,依頼への適合,実際の利用を検証した成功率とも違う。

明確な成果物がない約7%には,作業の中断,エラー,確認のやり取りなどの可能性があり,一律に失敗と判定することもできない。
直接接続の1P APIは別の対象で,明確な成果物がない割合も同じではない。

「仕事の会話のうち文書が何%か」と「文書の会話のうち仕事が何%か」も,分母が逆である。
例えば仕事の会話で文書が約20%を占めるという観察から,文書の会話の約20%だけが仕事だとはいえない。

第4 トークンと対応職業の賃金から,利益率は出せない

成果物に関わるトークン量と,関連する職業の賃金水準を対応させた分析は,利用者本人の給与を測ったものではない。

報告書は,対応する職業の賃金が高いほどトークン量も多いという正の関連を示すが,ばらつきや例外もある。
高賃金の職業に分類されてもトークン量の少ない例があり,賃金からトークン量や成果の価値が一意に決まるわけではない。
入力・出力・モデル・キャッシュ等の価格条件もあるため,トークン量をそのまま請求額や人件費節減額と扱ってはならない。

平均にも種類があり,報告書の図2.3の左図注は幾何平均,右図注は中央値としているが,本文の表現とそろわない箇所がある。

(続きを読む...)Claudeのトークン量と自律性は何を示すか―業務改善の指標を読み解く(AI作成)

令和8年7月の人工知能基本計画と企業の対応―AI活用・責任・人材育成(AI作成)

目次

第1 4つの基本原則と4つの方向第2 AI法第7条は何を定めるか第3 人の責任と,承認の置き方を決める第4 雇用と人材育成を,人数削減だけで考えない第5 政策の検討課題を,現在の免責や権利と混同しない第6 改正個人情報保護法との関係第7 計画を社内の点検へつなげる
第1 4つの基本原則と4つの方向

政府の人工知能基本計画がAIの活用を進めていても,企業がすべての業務でAIを使わなければならないことにはならない。
政策上の方向,AI法上の事業者の役割,個別の法令・契約に基づく義務を分ける必要がある。

2026年7月14日に閣議決定された計画は,2025年12月23日の計画から更新されている。
社内規程や導入計画を作る場合は,古い計画だけを前提にせず,更新された内容と,なお検討中の制度を確認したい。2026年7月14日の計画

2026年7月の計画は,イノベーション促進とリスク対応の両立,挑戦と学習,アジャイルな対応,内外一体での政策推進という4つの原則を示す。
2025年の計画の3原則をそのまま現行の数と説明してはならない。

原則企業が導入手順へ落とす場合の確認イノベーション促進とリスク対応の両立期待する便益と,情報・安全・権利への影響を一緒に確認する挑戦と学習小さな実証で失敗・修正を記録し,教育へつなげるアジャイルな対応運用後も見直す。計画の「永遠のβ」を確認不要の実運用と取り違えない内外一体での政策推進国外の提供者・処理先,国内法と他国の適用を確認する

基本方向は,AIを使う,AIを創る,AIの信頼性を高める,AIと協働するという整理である。
政策に掲げられた方向を,すべての民間企業に一律のKPIや同じ監視体制を義務付けた規定と扱うことはできない。

第2 AI法第7条は何を定めるか

AI法第7条の名宛人は「活用事業者」である。
AIを活用する製品・サービスを開発・提供しようとする者や,事業活動でAIを活用しようとする者を指す。
同条は,基本理念にのっとり,積極的な活用による事業活動の効率化・高度化や新産業の創出に努めることを定める。
国・地方公共団体の施策へ協力しなければならないとの規定もあり,条文全体を単なる任意の推奨だけと説明するのは正確でない。AI法

一方,この条文だけから,従業員個人への一律のAI利用命令や,個人情報・営業秘密を入力できる権限が生まれるわけではない。
利用の適否は,個人情報保護,秘密保持,労働契約,知的財産,安全確保等のルールを併せて検討することになる。

計画も,データの集積・利活用,組織を超えた共有や官民連携を進める一方,営業秘密等が国外へ流出するリスクへの対応を併記する。
データ共有の推進は,秘密保持契約や個人情報保護の条件を解除する政策ではない。

同法第3条第4項は,不正な目的・不適切な方法での研究開発・活用が権利利益の侵害等を助長するおそれを踏まえ,過程の透明性の確保その他の必要な施策を求める。
第13条の名宛人は国であり,国際的な規範の趣旨に即した指針の整備その他の施策を定める。

第16条も国について,動向の情報収集や権利利益が侵害された事案の分析・対策検討等を行い,その結果に基づき研究開発機関や活用事業者等へ指導・助言・情報提供その他の必要な措置を講ずるとする。
国が活用を進めることと,権利侵害等への対応は両立する構造であり,これらの条文を個人情報保護法等の一括した適用除外と読むことはできない。

第3 人の責任と,承認の置き方を決める

計画は,人の主体性・責任を維持しながらAIと協働する方向を示す。
人が一つ一つの出力を承認する方式,監督して介入する方式,人が方向付けを担う方式などを区別して論じており,すべての低リスク作業で同じ手作業承認を義務付けたものではない。

企業では,扱う情報,誤りが及ぼす影響,取り消せるか,実行前に検証できるかを基準に,人の関与を設計したい。
例えば文書の下書きと,採用・賃金等の判断,送金,対外送信では,必要な権限と確認のタイミングが異なる。

判断すること社内で具体化する内容入力個人情報・秘密情報の範囲,利用目的,提供先と保存・学習条件実行下書きまでか,外部送信・記録変更までか,誰が承認するか監督ログ,確認可能な証拠,停止条件,異常時の担当者責任AIの出力を採用する人,顧客・従業員へ説明する人

(続きを読む...)令和8年7月の人工知能基本計画と企業の対応―AI活用・責任・人材育成(AI作成)

AIで生産性・成長率はどこまで上がるか―内閣府とOECDの試算の条件(AI作成)

目次

第1 生産性と成長率を区別する第2 OECDの日本の「0.16・0.51・0.82」は何か第3 部門構成,資本,ロボティクス等の仮定を確認する第4 内閣府の「AIで約0.2ポイント」の比較対象第5 2040年の成長率をAIだけの効果にしない第6 2024年のOECDとAcemogluの数値を比較する場合第7 会社の投資判断では,独自の検証を行う
第1 生産性と成長率を区別する

AIによって生産性が何%上がるという数値は,実測値とは限らない。
労働生産性,TFP,潜在成長率のどれを,どの期間・普及速度・国の構成で推計したかによって意味が変わる。

経営計画や投資稟議で使う場合は,推計値を自社の売上や人件費の削減率へ直接置き換えるのではなく,仮定と計測対象を分けて読む必要がある。

労働生産性は労働投入当たりの産出を測る一方,TFPは資本・労働の投入で説明されない効率等を扱う。
潜在成長率には,TFPに加え,資本投入や労働投入についての仮定も影響する。

指標注意すること労働生産性資本装備の変化を含み得る。TFPと同じ増加率とは限らないTFPAI以外の投資,人材,研究開発等も関係する潜在成長率資本・労働の寄与を含む経済全体の試算である年率の追加成長10年間の累計の水準上昇と同じ数値ではない
第2 OECDの日本の「0.16・0.51・0.82」は何か

OECDの2025年6月の報告書No.41は,G7について,2024年から2034年の10年間にAIが労働生産性の年平均成長率へ追加する幅を試算している。
日本は,普及が遅い基本のケースで0.16ポイント,対象タスクを広げた中程度普及で0.51ポイント,同じく急速普及で0.82ポイントである。
対象拡大は,現在の大規模言語モデルの上に補完的なソフトウェアを開発することなどにより,AIが扱えるタスクの範囲が広がるという想定である。
これらの数値はGDP成長率,TFP成長率,10年累計,又は各シナリオが実現する確率ではない。OECD No.41

国遅い普及・基本中程度普及・対象拡大急速普及・対象拡大米国0.410.991.28英国0.390.971.27ドイツ0.340.861.16カナダ0.350.861.13フランス0.260.721.05イタリア0.190.570.89日本0.160.510.82

単位はいずれも労働生産性の年平均追加成長率のパーセントポイントである。
普及速度だけでなく対象タスクも異なる列があるため,表の差を普及速度一つの効果として読むべきではない。

日本は各産業内の職業構成データが不足するため,それぞれの産業について他のG7の平均の職業構成を代用している。
日本の経済全体の産業構成まで他国平均に置き換えたという意味ではない。
日本の1.9%は,2024年について,企業の中核業務での高強度のAI利用をモデルで推計した値である。
日本の参考の観測元は2019~2021年の情報で,1.9%自体は回帰モデルによる予測を用いる。
最近の日本企業に直接質問した単純な利用率や,ClaudeのAUI1.91とは別物である。

第3 部門構成,資本,ロボティクス等の仮定を確認する

OECDは,タスク実験等を参照して微視的なTFP効果を基本30%と置き,各部門のAIが影響するタスクの範囲と,今後10年の企業の採用率の増分を組み合わせて集計する。
全労働者又は全産業で30%の効果を直接測った値ではなく,効果が期待される一部の作業で得た知見を,他の仕事・企業へ外挿する仮定がある。

原典の脚注9は,同じ実験結果を資本・労働の効率の向上と解釈する場合と,労働費用だけの節減と解釈する場合も区別する。
後者では労働分配率の約60%を掛けてTFPへ換算するという説明であり,タスクの時短率をそのまま経済全体のTFP上昇率にすることはできない。

OECDの集計は,現在の産業部門の付加価値構成を用いた一次近似である。
AIによって産業構造や相対価格,資本,仕事の組合せが大きく変わる場合,固定された重みだけで影響を捉え切れない。
導入初期には組織変更や学習の費用もかかり,長期の推計効果が直ちに現れるわけではない。

また,この試算はロボティクスによる仕事の自動化まで一括して含むものではない。

(続きを読む...)AIで生産性・成長率はどこまで上がるか―内閣府とOECDの試算の条件(AI作成)

job tagを職務分析とAI導入に使うには―実施率・統計・資格の確認(AI作成)

目次

第1 職業情報と,実際の担当者の仕事を分ける第2 タスク実施率は,労働時間の割合ではない第3 統計の年と職業分類を確認する第4 興味・適性の結果だけで配置を決めない第5 保存期間と,資料を再利用するときの権利に注意する第6 AI導入前の確認を,作業単位で残す
第1 職業情報と,実際の担当者の仕事を分ける

AIに任せる仕事を選ぶとき,職業名だけで導入範囲を決めると,現場に必要な作業や資格を見落とすおそれがある。
厚生労働省の職業情報提供サイトjob tagは,職業ごとの作業や知識・技能を調べる入口になるが,そのデータは個々の会社の実態をそのまま測ったものではない。

職務分析では,サイトの情報を仮説として使い,実際の担当者から仕事の内容・頻度・責任・例外を確認して補う必要がある。job tagのFAQ

job tagには,仕事内容,タスク,知識・技能,働き方や関連する統計等が整理されている。
ただし,同じ職業名でも,会社,設備,経験,役職によって担当範囲は違う。
掲載された数値プロフィールは,一部の就業者へのアンケートの平均や割合を基にしており,職業全体を必ずしも正確に反映するものではない。
すべての就業者に当てはまる一覧や,個人の能力証明として扱ってはならない。

例えば,資料の下書きはAIで補助できても,資格が必要な行為,承認,顧客への説明まで同じように任せられるとは限らない。
職業をタスクへ分けたうえで,誰が実施し,誰が確認し,誰が最終的に判断するかを確かめることになる。

第2 タスク実施率は,労働時間の割合ではない

「タスク整理」の一覧に最初に入る実施率は,その職業で働く人へのアンケートで,当該作業が一般的に実施されていると思うと回答した人の割合である。
回答者本人がその作業を実施している割合や,全就業者について実測した実施率ではなく,一人の勤務時間の何%を占めるかという時間配分でもない。
実施率70%のタスクを自動化できても,労働時間が70%減ることにはならない。

データから分かることデータだけでは決まらないこと現場で追加して聞くことその職業で一般に行うと思うと答えた人の割合自社の担当者が実施しているか担当者,部署,外注の別職業の代表的な作業1件の時間,頻度,繁忙期月の件数,難度,例外,手戻り必要な知識・技能の目安AIによる正確性・適法性入力データ,検証方法,資格・承認

AI導入の優先順位は,実施率だけでなく,自社の件数,1件の総作業時間,誤りが及ぼす影響,確認可能性を合わせて決めたい。
確認や修正に余計な時間がかかる仕事では,下書きの生成時間が短くなっても全体の負担が減らないことがある。

自社で調整するときは,社内の実施者の割合なのか,担当者の業務全体を100とした時間・役割の比重なのかを別に定義したい。
初期値と自社で作った数値は,意味と調べ方を記録して区別する必要がある。

第3 統計の年と職業分類を確認する

賃金,求人,国勢調査等の値は,すべて同じ年・同じ対象から得たものではない。
例えば2026年10月27日の更新情報では,求人賃金(月額)と有効求人倍率は2025年度の年次情報,月別求人賃金は2026年7~9月の情報として区別されている。
月別求人賃金は全国のみであり,この更新を有効求人倍率の同期間の月次更新と読み替えてはいけない。
さらに2020年国勢調査,2025年賃金構造基本統計調査など,統計ごとに時点が異なる。更新情報

職業紹介統計や賃金統計の職業分類が,job tagの一つの職業と一対一に対応するとも限らない。
複数職業をまとめた区分や参考情報の値を,特定の資格職・個人の年収・採用条件として断定しないことが必要である。
掲載がない値も,賃金や需要がゼロであることを意味しない。

確認順序確認する内容①出典調査名と作成主体,掲載ページの説明・注②時点調査年,年度/月,更新日③対象職業分類,雇用形態,地域,年齢等④利用目的自社の採用・配置・AI導入に使える範囲
第4 興味・適性の結果だけで配置を決めない

(続きを読む...)job tagを職務分析とAI導入に使うには―実施率・統計・資格の確認(AI作成)

生成AIで仕事はなくなるのか―自動化率・代替可能性・失職予測を分けて読む(AI作成)

目次

第1 自動化された会話と,自動化された職業は違う第2 利用者調査の回答者は,労働者全体の縮図ではない第3 4種類の「AIへの曝露」を分ける第4 「10%」や「38%」を失業率にしない第5 時短や技能向上の回答は,実測で確かめる第6 属性別の差を,個人の適性評価に使わない第7 10年後への希望は,実現予測や権利の説明ではない
第1 自動化された会話と,自動化された職業は違う

生成AIが作業を代行した会話の割合は,従業員の何割が失職するかを示す数字ではない。
雇用への影響を説明するときは,利用ログ,利用者の認識,将来の予測,実際に起きた雇用変化を分ける必要がある。

Anthropicの2026年6月の報告書Cadencesは,利用ログと利用者調査を組み合わせている。
仕事の変化を検討する材料にはなるが,日本の従業員全体を代表する雇用予測ではない。公式報告書

2026年5月の日本の対象会話では,自動化47.45%,協働・支援52.55%という分類になる。
これは会話の進め方を分析したものであり,47.45%の職業,労働時間又は労働者が不要になるという意味ではない。

一つの職業にも,資料を集める,判断する,説明する,承認する,実行後に確認するなど複数の仕事が含まれる。
文章の下書きを任せられても,事実確認,相手方への説明,最終判断まで任せられるとは限らず,作業の一部と職業全体を対応させて検討する必要がある。

見かけが似ている数字実際に測っているもの人事判断で不足する確認自動化の割合対象会話の相互作用の型仕事全体の構成,必要な人の関与AIができると回答した仕事の割合利用者が考える代替可能性正確性,例外処理,責任,実地での成否AIを使っている仕事の割合回答者の利用状況未利用の理由,使用権限,費用,教育失職すると思う人の割合将来についての自己予測実際の離職・採用・配置変更の追跡
第2 利用者調査の回答者は,労働者全体の縮図ではない

報告書の利用ログと結び付いた調査は約9,700人を対象とし,2026年5月半ばから6月初めの利用を扱う。
利用との接続分析では1人当たり最大20会話を用い,対象会話が5件未満の人を除くなどの条件がある。
Claudeの利用者からの任意回答であるため,AIを使わない人や利用頻度の低い人を十分に代表しているとはいえない。

回答者のコンピューター・数理分野は約30%で,米国の就業者構成の約4%より大きい。
管理職は回答者の約23%を占める一方,会話を職業タスクへ分類した場合の管理分野は約4%であり,実際の職業と会話の内容も一致しない。
日本の特定部署へそのまま当てはめる前に,自社の職種・役割・AIへのアクセスの違いを確認したい。

第3 4種類の「AIへの曝露」を分ける

報告書では,仕事がAIの影響を受け得る範囲を表す「曝露」について,次の4種類を区別している。
利用ログで観測される範囲,参照研究による理論上の範囲,回答者の現在の認識,12か月先への予想は,同じ測定ではない。

指標何を表すか混同しやすい点観測上の曝露職業のタスクのうちClaudeでの実施がログ上観測される範囲回答者本人が使っている仕事の割合とは限らない理論上の曝露参照研究が大規模言語モデルで理論的に可能と考える範囲現在の利用や現場での実証とは別である現在の自己申告上の曝露AIが単独でできると回答者が考える仕事の範囲実際の成否・正確性を測ったものではない将来の予想上の曝露12か月先にAIが単独でできると考える範囲予想であり,将来の確定値ではない

現在と将来についての設問は,AIを実際に使った割合ではなく,単独でできると考える割合を尋ねたものである。
12か月先は調査時点を起点とし,その後の記事を読む日から1年後という意味ではない。

回答は5つの割合区分で集められ,分析では区分の中間値などを使う。
実際の時間計測ではなく,区分内のどの割合かも確定しないため,小数点付きの推計係数を精密な個人予測と考えるのは適切でない。
プライバシー保護のための集約や標本条件も,係数や区分境界の解釈に影響する。

区分の中間値を用いると,最も低い回答もゼロより大きく,最も高い回答も100%より小さく符号化される。
原典は,この端点の圧縮により関連の傾きがゼロへ近付く方向の偏りがあるとして,係数の精密な大きさより定性的な比較を重視している。
小さな標本の職業をプライバシー保護のため近い曝露の職業とまとめる処理も,個々の職業の確定値とは区別したい。

(続きを読む...)生成AIで仕事はなくなるのか―自動化率・代替可能性・失職予測を分けて読む(AI作成)

日本のAI利用は世界32位なのか―利用指数・利用人口・求人倍率の読み方(AI作成)

目次

第1 「32位」はどのAIの,いつの順位か第2 国の比較では対象国と期間をそろえる第3 Microsoftの「24.7%」は別の推計である第4 「会話の用途」と「利用者の職業」は違う第5 求人倍率との比較から雇用代替は証明できない第6 企業では自社の業務単位で測り直す
第1 「32位」はどのAIの,いつの順位か

日本のAI利用が「世界32位」とされても,それだけで日本の企業の導入率や,職員の能力が分かるわけではない。
何を1件と数え,誰を分母とし,いつの利用を測った順位なのかを確認する必要がある。

Anthropicの利用指数,Microsoftの利用人口推計,厚生労働省の求人統計は,それぞれ異なる対象を測っている。
企業の導入方針や人員計画に使う場合は,数値を一つの因果関係に並べる前に,次の違いを押さえたい。

Anthropicが2026年6月26日に公表したEconomic Indexの国別データには,2026年4月と5月の集計がある。
5月の日本のAnthropic Usage Index(AUI)は1.91で,公表対象121か国・地域の中で32位である。
「6月に公表された順位」と「6月の利用を測った順位」は区別しなければならない。公式データと説明

公表履歴では初回は2025年2月10日で,ここで扱う2026年6月26日版は第6次の公表である。
この履歴を,会社のすべての研究資料について現在も最新版であるという意味に広げてはならない。

CSVを再集計する場合,date_endは終了日を含まない。
5月分は5月1日以上6月1日未満として読み,6月1日の利用まで5月へ含めないことが必要である。

AUIは,世界の対象利用に占めるその国の割合を,世界の15~64歳人口に占めるその国の割合で割った指数である。
1は人口構成に比例する利用水準を示す基準であり,公表国の指数を単純平均した値ではない。
日本の1.91は「日本人の1.91%が利用した」という意味でもない。

確認項目2026年5月の公表値・対象読み替えてはいけないもの日本のAUI1.91,32位/121か国・地域全生成AIの企業導入率・国民の能力日本の利用シェア世界の対象利用の約3.28%AUI1.91との同一視国別データの主な対象ClaudeのFree・Pro・MaxによるチャットとCowork全社内システム・全API・全サービス国別分類日本はUpper middle adoption国の経済発展水準を一般的に評価した分類

この国別集計にはClaude Codeや第三者基盤経由のすべての利用が入っているわけではない。
報告書にあるAnthropicへ直接接続する1P APIの分析も,この国別の消費者向けデータと同じ母集団ではなく,BedrockやVertex等を含む全市場の統計ではない。報告書

第2 国の比較では対象国と期間をそろえる

5月のAUIはオーストラリア6.40,シンガポール5.81,ニュージーランド4.84,韓国3.78,日本1.91である。
ただし,対象サービスの利用水準の比較であり,業務利用だけを抽出した生産性ランキングではない。

同じ公式ダッシュボードの四分位による区分では,G7のうち日本とイタリアはUpper middle adoption,米国・英国・カナダ・フランス・ドイツはLeading adoptionに入る。
この名称を「国全体が先進国ではない」という評価へ広げるのは適切でない。公式ダッシュボード

4月の日本は1.97で31位/114か国・地域,5月は1.91で32位/121か国・地域である。
対象国が増えた順位の変化と,指数そのものの変化を分けなければ,「1順位下がったから国内利用がその分減った」とはいえない。
公表値の丸めにより同じ1.84でも順位が並ぶ国があり,公表値から同順位を含む順位を計算することと,未公表の小数桁による厳密な順位の差を断定することは区別したい。
公表値を使って競争順位で数えると,例えばチリとチェコはいずれも1.84で34位となる。

都道府県別の指数を国別指数と直接比較する場合も分母の確認が必要である。
PKSHAの2026年6月発表に掲載された2月の例では,東京3.11,大阪1.54,神奈川1.32が示されるが,説明にある労働人口という語と,国別AUIの15~64歳人口を無条件に同一視してはいけない。

(続きを読む...)日本のAI利用は世界32位なのか―利用指数・利用人口・求人倍率の読み方(AI作成)

AIエージェントの承認モードはどこまで止めるか―Azure SRE Agentの仕様と法律事務所の確認事項(AI作成)

目次

第1 承認モードの名前だけでは確認範囲が決まらない第2 Reviewの対象と,実際に使われるモードを確認する第3 承認と,実行に使う権限を分ける第4 Allow・Ask・Denyと,フックの優先関係を見る第5 実行後の検査は,送信前の遮断と区別する第6 法律事務所で確認を進める順序第7 出典と関連記事1 出典2 関連記事
第1 承認モードの名前だけでは確認範囲が決まらない

AIエージェントをReviewモードにしても,すべての操作が人の承認待ちになるとは限らない。
Azure SRE Agentの公式資料を例に,実行モード,使用権限,ツールのルール及び実行後の検査を分けて確認する。
製品仕様の確認日は令和8年11月18日であり,以下の仕様の説明はこのサービスについてのものである。

確認する層公式資料から分かること法律事務所での確認例実行モードAzureインフラの操作について,実行前に承認を求めるかどうかを決めるメールの送信まで同じ設定で止まるか個別の実行設定応答計画と定期タスクごとにモードを指定でき,既定値も異なる夜間の定期実行を個別に調べたかアクセス権限マネージドIDによる実行と,ユーザーの代理による実行がある誰の権限で,どの資料まで読めるかツールのルールAllow,Ask及びDenyの優先順位があり,AllowはAskに優先する会話単位の許可が加わっていないかフック最終回答の直前と,ツールが正常に終わった後に検査できる送信前に止める仕組みか,結果を検査する仕組みか

表の右列は筆者の運用上の提案であり,Microsoftが法律事務所向けに保証した機能ではない。
筆者が製品を実際に操作して確かめた結果を示すものでもない。

第2 Reviewの対象と,実際に使われるモードを確認する

Run modesは,ReviewとAutonomousの二つのモードを説明している。
Reviewは既定のモードであり,エージェントがAzureインフラの操作(Azure CLIのコマンドやAzure Resource Managerの書込み操作等)を行う前に,承認を求める。
他方,同じ資料は,承認と拒否のボタンが表示されるのはAzureインフラの操作だけであり,メールの送信,Teamsへの投稿,外部データソースへの問合せ等は,エージェントの判断と応答計画の指示に基づいて進むと説明している。
外部システムの操作まで,Reviewという名称から一律に承認待ちと判断することはできない。
同じ資料は,こうした操作に統制を加えるには,フック又はツールアクセスポリシーで,特定のツール呼出しの前後に安全確認を置くよう案内している。

設定対象資料に示された既定値確認する内容エージェント全体Review(作成時に選び,個別の指定がないときに使われる)全体の表示だけで確認を終えていないか応答計画Autonomous対象の計画に指定された実効モード定期タスクAutonomous各タスクに指定された実効モード

公式資料は,モードを応答計画と定期タスクごとに設定すると説明し,エージェント全体の設定は,個別の指定がない場合に使われるものとして位置付けている。
同じ資料には,エージェント単位では設定しないという趣旨の記述もあり,全体の設定の扱いは,資料と実際の設定画面の双方で確かめる必要がある。
既定値だけで個々の実行を断定せず,対象となる計画と定期タスクの設定を確認する。
ある場面で承認待ちになった操作が,既定値がAutonomousの定期タスクでも同じように止まるとは限らない。

公式資料は,本番環境の障害やセキュリティ警報にはReview,日々の状態確認や費用・利用状況の報告にはAutonomousを推奨している。
また,まずReviewで2週間から4週間観察し,一貫して承認する型が見えたトリガーだけをAutonomousへ切り替える進め方も示している。
承認の回数を減らす目的でモードを切り替えるときも,切り替える対象を計画やタスクの単位で絞ることになる。

第3 承認と,実行に使う権限を分ける

Permissionsによれば,エージェントにはユーザー割当てのマネージドIDが作成され,Azureリソースへのアクセスは,既定ではこのIDで行われる。
承認画面が出るかという問題と,実際にどの主体の権限でアクセスできるかという問題は別である。
Run modesの資料も,承認の流れを決めるのが実行モードであり,リソースへ届くかどうかを決めるのが権限であって,エージェントが行為するには両方の条件が満たされる必要があると説明している。

マネージドIDの権限が不足する場合,エージェントは,利用者の代理(on-behalf-of)として一時的にその利用者の権限を使う仕組みを持つ。
この代理実行を承認できるのは,SRE Agent Administratorのロールを持つユーザーに限られ,通常のユーザーは承認できない。
個人用のMicrosoftアカウントは,ロールにかかわらず承認できず,職場又は学校のMicrosoft Entra IDのアカウントが必要とされる。

権限水準にはReaderとPrivilegedがあり,Readerは読取り中心の権限に,必要に応じた代理実行を組み合わせる設定として説明されている。

(続きを読む...)AIエージェントの承認モードはどこまで止めるか―Azure SRE Agentの仕様と法律事務所の確認事項(AI作成)

GoogleはなぜAI競争に追いついたのか―Gemini 4の計算資源と公式資料から分かること(AI作成)

目次

第1 結論の早見表第2 TPUを持っていても,配分の問題は残る1 自社開発と顧客への提供2 経営陣が説明した優先順位第3 外部GPUの調達と,学習・推論の区別第4 開発・発表の時系列第5 安全性報告書が述べたことと,述べていないこと第6 資金の数字と,実際に使える容量を混同しない第7 法律実務では,ランキングから実機テストへ進む第8 出典・関連記事1 関連記事
第1 結論の早見表

GoogleのAI開発を理解する上では,資金力だけでなく,確保した計算資源を研究とサービス提供へどう配分するかが重要である。
ただし,公開資料で確認できる配分方針と,「その変更が競争力回復の原因だった」という評価は区別する必要がある。

問い公式資料で確認できることそこからは確定できないことTPUを何に優先したか最先端モデル開発を第一に確保するとの説明社内のチーム別配分量外部GPUも使ったかGoogle・SpaceX間の計算資源契約Geminiの学習用TPUが増えた正確な数量大規模学習は成果に関係したかGoogleは投資・学習計算量の増加を有力な説明として推定個々の施策の因果効果性能ランキングで何が分かるか特定の指数・設定における比較結果全用途の優劣や日本法実務への適性

本記事は,2026年11月17日を確認基準日として,企業の発表,決算説明,SEC提出資料及び安全性報告書を照合したものである。
契機となった解説動画「何故GoogleはOpenAIとAnthropicに追いつけたのか」の物語全体を,公式に確定した開発史として扱うものではない。

第2 TPUを持っていても,配分の問題は残る
1 自社開発と顧客への提供

GoogleのTPUは,AIの学習や実行に用いる専用の計算基盤である。
Google自身のモデルだけでなく,Google Cloudの顧客も利用する。

2025年10月23日のGoogle Cloud発表は,Anthropicが最大100万基のTPUを利用する拡張計画を示し,2026年に1GWを大きく超える容量が稼働する予定と説明している。
この「GW」は電力に関する規模を示す単位であり,メモリ容量の「GB」ではない。

同発表はClaudeの学習とサービス提供の双方に言及しているが,最大100万基という計画を,既に全数が稼働した実績と読み替えることはできない。
2026年4月6日のAnthropic発表も,Google・Broadcomとの次世代計算基盤を複数GW規模で2027年以降に導入する見通しを述べている。

2 経営陣が説明した優先順位

Alphabetの2026年第2四半期決算説明(7月22日)では,最先端モデルの開発に必要な計算資源を第一に確保し,モデルのサービス提供にはTPUとGPUの双方を使っている旨が示されている。
同時に,Gemini 4について,これまでで最も野心的な事前学習を始めたことが説明された。

これは研究用の計算資源を重視する公式方針の裏付けである。
外部顧客向けのTPUを全て自社学習へ転用できたことや,顧客に提供したためGoogleが競争で遅れたことまで証明するものではない。

第3 外部GPUの調達と,学習・推論の区別

学習はモデルの能力を作る工程であり,推論は学習済みモデルを動かして回答等を生成する処理である。
両方で計算資源が必要だが,利用できる設備や構成が常に同じとは限らない。

SpaceXのSEC提出資料によれば,Google LLCは2026年6月5日,約11万基のNVIDIA製GPUとCPU,メモリ等を含む計算設備へのアクセスに関するクラウドサービス契約を締結した。
この契約締結日は,7月22日の決算説明より前である。
契約条件の読み方は,GPUクラウド契約で何を決めるかで扱っている。

第3四半期決算説明では,前回の説明で触れた第三者による橋渡しの計算容量が第3四半期の終わりにようやく稼働し,第4四半期に利用を拡大することも説明されている。
外部設備でサービス提供を補えば,社内資源の配分を調整しやすくなるという説明は考えられるが,Googleが公表した事実と,その説明仮説は分ける必要がある。

今回確認した資料には,このGPU契約によってGeminiの学習用TPUが何基増え,性能がどれだけ改善したかを示す公表は見当たらない。
外部GPUの調達を,Geminiの性能向上へ直結する原因と断定することはできない。

(続きを読む...)GoogleはなぜAI競争に追いついたのか―Gemini 4の計算資源と公式資料から分かること(AI作成)

GPUクラウド契約で何を決めるか―Google・SpaceXの公開資料に見る提供不足,料金減額及び途中終了(AI作成)

目次

第1 結論の早見表第2 Google・SpaceXの契約概要1 料金と提供不足は別に読む2 契約期間の記載だけで利用継続を見込まない3 権利の保持と,取扱条件の保障を区別する第3 日本企業が調達するときの確認表第4 利用契約と基盤調達契約をつなげて考える第5 出典・関連記事1 出典2 関連記事
第1 結論の早見表

GPUクラウドの調達では,機器の台数と月額料金だけでなく,いつ,どの性能の計算資源を使えるのかを定める必要がある。
約束どおりに提供されない場合と途中で終了する場合も,契約で区別して定める必要がある。

GoogleとSpaceXの取引について,SEC提出資料から確認できるのは契約の概要であり,契約書全文ではない。

次の表は,公開資料から読み取れる条件と,調達時に追加で確認したい事項を分けたものである。

論点公開資料で確認できること調達時の確認事項提供対象GPUに加えCPU,メモリ等を含む計算設備へのアクセスGPUの型番,接続構成,利用可能な性能提供不足猶予期間後の終了又は提供分に応じた料金減額台数の確認方法,検収,性能未達の扱い途中終了一定時点以後は双方に90日前通知の終了権移行期間,代替容量,解約に伴う費用データ等の権利顧客のコンテンツ・モデル等の権利を顧客が保持秘密保持,学習利用,返還・消去の具体的条件

確認基準日は2026年11月17日である。
表の右欄は筆者が調達実務に向けて挙げる確認事項であり,公表済み契約の内容を示すものではない。

第2 Google・SpaceXの契約概要

SpaceXのSEC提出資料は,2026年6月5日にGoogle LLCと締結したクラウドサービス契約の概要を説明している。
対象は約11万基のNVIDIA製GPUだけでなく,CPU,メモリその他の構成要素を含む設備へのアクセスである。

1 料金と提供不足は別に読む

同資料によると,2026年10月から2029年6月までの料金は月額9億2000万ドルである。
それ以前の立上げ期間には,より低い料金が適用される。
ただし,記載された月数に月額料金を掛けた数字を,取消不能の最低支払総額とみなすことはできない。

約束されたGPUへのアクセスを2026年9月30日までに提供できない場合については,1か月の猶予期間の後,Googleが直ちに契約を終了するか,実際に提供されたGPUを受け入れて月額料金の比例的な減額を受ける選択肢が示されている。

ここから分かるのは,数量・期日を条件とした救済の概要である。
1基当たりのGPU単体の賃料,性能未達時の損害賠償額及び救済が排他的かどうかまでは明らかになっていない。

2 契約期間の記載だけで利用継続を見込まない

同資料は,2026年12月31日より後には,いずれの当事者も90日前の通知によって終了できる旨も説明している。
したがって,料金の適用期間が2029年6月まで記載されていることと,その時まで必ず容量が確保されることは,別の問題である。

通知を出せる最初の日や終了日の計算,通知の到達方法,終了時の精算等は,公開された概要だけで確定させず,契約全文で確認する必要がある。

3 権利の保持と,取扱条件の保障を区別する

公開資料では,顧客がコンテンツ,モデル及び関連データについて所有権・知的財産権を保持する旨が示されている。
この記載だけから,秘密情報が一切学習に利用されないことや,終了時に直ちに全て消去されることまで導くことはできない。

秘密保持,処理目的,保存期間,アクセス権限,返還・削除,再委託先の扱いは,それぞれ該当条項を確認する必要がある。

第3 日本企業が調達するときの確認表

次の表は,公開された取引から着想した検討項目である。
Google・SpaceX間で下記の条項が合意されていると述べるものではなく,日本法が当該契約に適用されるという前提も置いていない。

項目契約で具体化する内容社内で確認する担当・資料利用できる計算資源型番,台数,専有・共用,ネットワーク,利用時間枠技術担当が仕様書と試験条件を照合引渡し・検収利用開始日,段階的提供,数量・性能の判定方法技術担当と調達担当が受入記録を作成提供不足・停止不足の通知,猶予期間,減額,終了,復旧,責任制限法務が救済同士の関係を照合契約終了・移行通知期間,移行支援,データ出力,費用,未使用枠業務担当が必要な移行日数を試算権利・秘密情報入出力とモデルの権利,学習利用,返還・削除情報管理担当がデータ区分を確認

例えば,台数が確保されていても,接続構成や利用時間が想定と異なれば,予定した学習・推論を実行できないことがある。
提供台数の達成だけを検収基準にするのか,特定の処理を実行できることまで確認するのかを,技術担当と法務で合わせておく必要がある。

また,料金減額が受けられても,代替容量の調達やデータ移行が間に合うとは限らない。

(続きを読む...)GPUクラウド契約で何を決めるか―Google・SpaceXの公開資料に見る提供不足,料金減額及び途中終了(AI作成)

ChatGPT・Claudeの業務利用は安全か―機密情報の入力とデータ保護の確認事項(AI作成)

目次

第1 結論と入力前の早見表第2 個人向け有料プラン,法人向けプラン及びAPIを分ける第3 「学習に使わない」が止めることと止めないこと第4 大手事業者の信用と保護体制をどう評価するか第5 入力前に進む判断の順序第6 保存,削除,記憶及び外部連携を点検する第7 よくある疑問第8 出典と関連記事1 出典2 関連記事
第1 結論と入力前の早見表

ChatGPTやClaudeに会社の情報を入力してよいかは,サービス名や有料・無料だけでは決まらない。
実際のプラン,アカウント,機能,入力する情報及び会社の承認条件を一組として確かめる必要がある。
本稿は,令和8年11月17日に確認した公式資料に基づく,入力前の確認手順である。

入力前の疑問結論最初に確かめるもの有料なら会社の秘密を入れてよいか個人向け有料と法人向けは別である契約プランと利用中のワークスペース学習不使用なら記録も残らないか学習,保存,閲覧,削除は別である機能ごとのデータ条件大手なら安全と判断できるか信用と管理体制は評価材料になる適用範囲を確認した保護措置法人向けなら外部連携も同じ保護か接続先の条件も確認する送信先,権限及び保存先会社の承認があれば何でも入力できるか情報の利用権限と契約上の制限は残る入力目的,情報の範囲及び社内ルール

この表は導入を判断するための運用例である。
特定の資料を入力することの適法性や,個別サービスの事故が起きないことを保証するものではない。
サービスの条件と会社の情報管理の双方を確かめ,必要な範囲に限って使う。

第2 個人向け有料プラン,法人向けプラン及びAPIを分ける

次の表は,学習利用についての説明を利用形態ごとに分けたものである。

利用形態ChatGPTClaude入力前の確認個人向けの通常利用個人ワークスペースの学習設定を確認するモデル改善への許可と安全審査等の条件を確認する有料でも組織向け契約とは限らない法人・組織向けBusiness,Enterprise等は既定で学習に使わないと説明するClaude for Work等は既定で学習に使わないと説明する対象プラン,設定,任意のデータ提供を確認するAPI既定で学習に使わないと説明する商用APIは既定で学習に使わないと説明するアプリ側の保存と実際の送信先も確認する

基準日:令和8年11月17日。
出典:OpenAI「Business data privacy, security, and compliance」「Data controls in ChatGPT」,Anthropicの商用・個人向け「Is my data used for model training?」。
表は事故率や総合的な安全性の順位を示すものではない。

OpenAIは,個人向けのFree,Plus,Proのワークスペースではデータ共有が既定で有効であり,設定からモデル改善への利用を停止できると説明している。
これに対し,業務向けのBusiness,Enterprise等とAPIは,既定で学習に使わないという別の説明である。

ChatGPTでは,SettingsのData controlsにあるImprove the model for everyoneを確認する。
ログイン中のアカウント設定と,未ログイン時のブラウザー単位の設定を区別する。

Anthropicも,Free,Pro,Max等の個人向け利用と,Claude for Workや商用APIを分けている。
個人向けでは,モデル改善を許可した場合のほか,安全審査の対象となった会話や,別途明示的に参加したプログラム等の条件がある。
通常の改善設定だけで,あらゆる目的の利用が停止すると理解しない。

APIを使ったアプリでは,基盤モデル提供者の条件に加え,アプリを運営する側が入力,出力,ログを保存するかも確認する。
入力が基盤モデルの学習に使われないことだけから,アプリ側にも記録が残らないとは判断できない。

第3 「学習に使わない」が止めることと止めないこと

学習不使用は重要な保護条件である。
ただし,応答を作るための処理,保存,人的アクセス,外部連携等を一括して止める設定ではない。

確認項目意味混同しやすいもの学習への利用入出力をモデルの訓練・改善に使うか応答生成のための処理保存会話,ファイル,ログ等を残すか利用者の画面に履歴が見えるか人的アクセス支援,安全対応,法的対応等で人が見られるか不特定の第三者への公開外部連携アプリや検索先等へ何を送るか元のAIサービスだけの処理削除何を,どの範囲から,いつ消すか学習設定の変更やアーカイブ

人的アクセスの説明は,提供者側の担当者がどのような目的で情報に接するかと,利用する組織自身の管理者が組織内のどの会話を見られるかを分けて読む必要がある。
前者は提供者の公表する説明と契約で確かめ,後者は第6のとおり,プランと機能ごとに確認する。

(続きを読む...)ChatGPT・Claudeの業務利用は安全か―機密情報の入力とデータ保護の確認事項(AI作成)

EU AI法の透明性違反と制裁―罰金上限,苦情申立て及び監督当局の確認(AI作成)

目次

第1 罰金の上限と実際の制裁を区別する第2 個別事情と防御の手続第3 苦情を申し立てる相手第4 AI Officeが監督する場合の条件第5 EU機関自身への制裁は別制度第6 対応資料を整える第7 一次資料
第1 罰金の上限と実際の制裁を区別する

EU AI法50条の透明性義務違反は,99条4項に定める制裁の対象となる。
企業についての上限は,1500万ユーロ又は直前事業年度の全世界年間売上高の3%の高い方である。
ただし,SMEやSMCの特則,個別事情及び手続を確認する必要があり,上限額がそのまま自動的に科されるという意味ではない。

以下は2026年11月15日時点の現行条文に基づく。
円への換算は為替の時点・相場で変わるため,ここではユーロと売上高比率を示す。

違反の類型通常の企業の上限主な区別5条の禁止行為3500万ユーロ又は全世界年間売上高7%の高い方単なる表示不足とは別の類型50条など99条4項の義務違反1500万ユーロ又は3%の高い方透明性義務の違反はこちらを確認求めに応じて当局・通知機関へ提供する情報の誤り,不完全又は誤解を招く情報750万ユーロ又は1%の高い方比率は1%であり,3%の類型と区別する

SMEは99条3~5項の各類型で固定額と売上高に所定割合を乗じた額の低い方を使う一方,SMCの6a項の特則は4・5項についてのものである。
SMCであれば禁止行為の上限にも当然に低い方が使える,という整理はできない。
規模区分と企業グループの集計はSME・SMCの判定で説明する。

第2 個別事情と防御の手続

99条7項は,違反の性質・重大性・期間,影響を受ける人や被害,故意・過失,損害軽減の措置,協力,違反が知られた経緯,利益その他の事情を考慮する枠組みを置く。
誰がどの期間どの機能を提供・使用し,どの表示・マーキングが欠け,いつ把握して何を直したかを,資料と結び付けて説明することが重要となる。
記録を整えれば必ず制裁がなくなるという意味ではない。

同条10項は,実効的な司法救済と適正手続を含む手続上の保障との関係を定める。
具体的な通知への回答期間,不服申立先・期限及び必要書類は,関係する加盟国の制度と届いた処分・通知で確認する必要がある。
同条11項の年次報告は加盟国当局の報告であり,企業一般の一律の年次提出義務ではない。

制裁は実効的・比例的・抑止的であることを要し,SME等の経済的な存続可能性も考慮される。
同じ行為について他の市場監視当局又は他法令に基づき科された制裁,規模・年間売上高・市場占有率,技術的・組織的措置を踏まえた責任の程度も,個別の判断に関係する。
公的機関等への罰金の可否・程度や,行政罰金を法制度上置けない加盟国での裁判所による賦課については,99条8・9項と関係する国内法を確認することになる。

第3 苦情を申し立てる相手

85条では,AI Act違反があると考える根拠を持つ自然人・法人が,関係する市場監視当局へ苦情を申し立てられる。
他の行政・司法上の救済を妨げず,当局の専用手続及び市場監視の枠組みで扱われる。
この条文だけから,全加盟国で共通の書式,費用,申立期限,回答期限又は損害賠償の実現を導くことはできない。

70条は,各加盟国が少なくとも通知当局と市場監視当局を指定し,電子的な連絡先を公表し,市場監視当局の単一窓口を定める仕組みを置く。
複数の機関が担当することもあるため,対象システム・用途・地域に対応する現在の窓口を公式一覧で確認することになる。
SME・スタートアップ・SMC等への当局の指導・助言は可能とされるが,無償の相談や拘束的な事前承認が必ず受けられるという規定ではない。
70条6項の2年ごとの資源等の報告は加盟国の報告であり,企業の提出期限と取り違えない。

第4 AI Officeが監督する場合の条件

(続きを読む...)EU AI法の透明性違反と制裁―罰金上限,苦情申立て及び監督当局の確認(AI作成)

EU AI法のAIリテラシー対応―改正4条に沿った研修・担当者・記録の設計(AI作成)

目次

第1 改正後も提供者・導入者の対応は残る第2 全員に同じ研修を配る前に確認すること第3 委託先と機能変更も対象に含める第4 国の支援と企業の義務を区別する第5 一次資料
第1 改正後も提供者・導入者の対応は残る

EU AI法の改正4条は,AIシステムの提供者・導入者に,自己のためにシステムの運用・使用を行う職員その他の者のAIリテラシーの発展を支える措置を求める。
個々人について特定の水準の能力を保証しなければならないという義務ではないが,義務が廃止され,任意の研修だけになったという説明も正確ではない。
欧州委員会の50条ガイドラインも,50条の範囲に入るAIシステムの提供者・導入者に4条のリテラシー要件が適用されると述べる。
以下は2026年11月15日時点の改正条文による。

第2 全員に同じ研修を配る前に確認すること

4条は,対象者の技術的な知識,経験,教育・訓練,システムが使われる文脈,影響を受ける人又は集団を考慮することを定める。
開発者,調達担当,広告を作る担当者,採用担当及び窓口職員では,必要な判断が異なる。
EUの適用範囲と提供者・導入者の別は,透明性義務の全体像を参照されたい。

担当・利用場面習得・確認する内容の例残す記録の例開発・調達機能・能力の限界,対象用途,供給者の情報,表示・検出の実装使用する版,選定理由,検証内容広報・編集生成表示,審査・編集責任,人物・権利の確認審査対象版,承認と公開時の表示人事・教育禁止される感情推論等と,単なる補助機能との違い利用目的,対象者,許可した機能窓口・管理誤回答,秘密情報,AIと人の引継ぎ,事故の連絡操作手順,連絡先,見直し履歴

この表は,条文の考慮事項を業務へ落とすための例である。
法律が全企業に共通の必修時間,資格試験,認定証又はこの様式の保存を定めているという意味ではない。

第3 委託先と機能変更も対象に含める

職員だけでなく,自己のために運用・使用を行うその他の者が条文に含まれる点に注意する。
委託先の誰がどのシステムを操作するか,仕様や対象業務が変わったときに誰が手順を更新するかを,契約・業務管理で明確にする方法が考えられる。
生成AIへの入力制限だけを知らせて,出力を自動公開する機能や感情スコアを後から追加する変更を見落とすことは避けるべきである。

研修の実施記録は,開催したという事実だけでなく,対象業務,扱ったリスク,受講者への支援及び実際の手順との関係が分かる形にすると説明しやすい。
一方,個人の点数や機微情報を必要以上に集めることを,4条対応の当然の要件にしないことも必要である。

第4 国の支援と企業の義務を区別する

改正4条は,欧州委員会及び加盟国が,特にSMEを含む提供者・導入者の取組みを支援・促進することを定め,欧州委員会には,遵守のための実用的な例を単一情報プラットフォームで公表することを求める。
AI Boardによる共通の目標に関する勧告と,企業自身が行う措置の義務も分けて読む必要がある。
公的な案内を使ったから,個別の利用状況を考慮せず全て適合すると保証されるものではない。

日本の雇用における学習・作成時間の扱いは,社員へのAI利用・作成の業務命令と労働時間,日本の法制度はAI推進法の解説を参照されたい。
EUの4条を理由に,日本の労働時間や費用負担の判断が自動的に決まるわけではない。

第5 一次資料

Council of the European Union, PE-30-2026-REV-1,PDF45頁・印刷44頁,改正4条。AI法の一般適用日と改正法の発効は区別する。
https://data.consilium.europa.eu/doc/document/PE-30-2026-REV-1/en/pdf

European Commission「Guidelines on the implementation of the transparency obligations for certain AI systems under Article 50 of Regulation (EU) 2024/1689 (the ‘AI Act’)」,C(2026)7702 final,2026年11月5日,2.5。
https://digital-strategy.ec.europa.eu/en/library/guidelines-transparency-obligations-providers-and-deployers-ai-systems

(続きを読む...)EU AI法のAIリテラシー対応―改正4条に沿った研修・担当者・記録の設計(AI作成)

EU AI法の性的コンテンツ生成規制―追加禁止の対象,同意及び提供者・導入者の条件(AI作成)

目次

第1 生成表示とは別の禁止規定である第2 識別可能な本人の同意を欠く場合第3 提供と使用で異なる条件第4 操作の限定と,児童に関する参照規定第5 提供・調達・運用の確認第6 一次資料
第1 生成表示とは別の禁止規定である

改正EU AI法は,5条1項(ba)(bb)及び1a・1b項に,性的コンテンツの生成・操作に関係する禁止の条件を追加している。
これらの適用日は2026年12月2日であり,50条の透明性義務の一般適用日や,旧システムのマーキングの経過措置とは区別する必要がある。
以下は2026年11月15日時点のAI Actの条文に基づく。

生成物に「AI生成」と表示しても,禁止規定に該当するシステムの提供・使用が適法になるものではない。
対象主体・地域は2条の適用範囲と3条の役割を前提とし,個人的・非職業的使用の扱いも含め,誰のどの行為かを確認する。

第2 識別可能な本人の同意を欠く場合

5条1項(ba)は,識別可能な自然人の私的な身体部位,又は識別可能な自然人が性的に露骨な行為に従事する様子について,現実的な画像・動画・音声その他同様の資料を生成・操作するAIシステムを扱う。
その生成・操作に対する,本人の自由に与えられた,特定の,十分な情報に基づく,曖昧さのない,かつ明示的な同意がないことが問題となる。
公開・配布の同意があることだけを,生成・操作についての同意へ置き換えることはできない。

この改正をした規則(規則(EU)2026/1744。以下「改正規則」という。)の前文(12)は,この禁止を,性器等の私的な身体部位又は性的に露骨な行為の現実的な描写に限定し,漫画的な描写や物理的にあり得ない描写は含めないと説明する。
前文は条文の解釈を補うものであり,条文の文言と切り離して読むことはできない。

さらに,次節の行為別の条件と,1b項の操作に関する限定がある。
性的な素材が生成できるという一事から,全ての提供・使用を同じ条件で判定する条文ではない。

第3 提供と使用で異なる条件
行為5条1a項が定める条件市場投入・使用開始当該生成・操作が意図された目的である場合,又は,設計・学習・構造・能力若しくは利用者向け機能により,重大な技術的改変なしに合理的に予見可能で再現可能な結果となり,必要な保護措置を欠く場合導入者による使用当該資料・パフォーマンスの生成又は操作を目的として使用する場合

市場投入・使用開始についての後者の枝では,合理的に予見可能であることと再現可能であること,重大な技術的改変を要しないこと及び必要な保護措置を欠くことを,省略せず確認する。
保護措置は,合理的に予見可能な悪用を考慮して生成・操作を確実に防ぎ,観察・報告された悪用を是正するための,合理的かつ十分な技術的安全措置その他の保護措置をいう。
利用規約に禁止と書くだけで当然にこの条件を満たす,という説明はできない。

導入者による使用の目的要件は,提供する側についての上記の二つの枝とは別である。
改正規則の前文(12)は,導入者への禁止が,これらの資料の生成・操作を目的として使用する場合に限られ,それ以外の適法な目的での使用や偶発的な生成・操作は対象に含まれないと説明する。
モデル・機能の評価資料,保護措置,悪用報告への対応及び実際の使用目的を,主体ごとに確認することになる。

第4 操作の限定と,児童に関する参照規定

1b項は,(ba)の目的上,描写された私的な身体部位の露出を増やさず,かつ,描写された性的に露骨な行為の性質を変えない操作は,ここでいう操作に当たらないとする。
二つの条件をともに満たす限定であり,生成全般の免除でも,(bb)に共通の免除でもない。
改正規則の前文(12)は,その例として,既存の素材の背景の変更,見出しの追加,コントラストや明るさの調整を挙げる。
他のEU法による禁止を妨げない点にも注意が必要である。

1項(bb)は,指令2011/93/EUの2条(c)にいう資料,又は同条(e)にいうパフォーマンスを生成・操作するシステムを参照している。
国内法の「without right」の抗弁が適用される場合についての除外があり,1a項の行為別条件も適用される。

(続きを読む...)EU AI法の性的コンテンツ生成規制―追加禁止の対象,同意及び提供者・導入者の条件(AI作成)

感情認識・生体分類AIの告知―EUの採用・職場・教育で先に確認する禁止規定(AI作成)

目次

第1 告知する前に使ってよい機能かを確かめる第2 文字起こし・本人確認と同じではない第3 職場・教育での感情推論と機微な分類第4 告知の内容・時期と犯罪対応の限定第5 導入者が用意する確認資料第6 一次資料
第1 告知する前に使ってよい機能かを確かめる

EU AI法50条3項は,感情認識システム又は生体分類システムの導入者に,対象となる自然人への運用の告知を求める。
同時に,該当する場合にはGDPR等の個人データ保護法に従う必要がある。
告知をしたという一事で,禁止される機能の使用や,個人データの処理が許されるわけではない。

以下は2026年11月15日時点の条文・欧州委員会指針による。
EUとの関係及び役割は透明性義務の適用範囲を先に確認されたい。

指針99~110段落の告知は,児童を含む,対象となる自然人全員に向けたものである。
リアルタイムで運用される場合に限らず,事後に運用される場合も対象となるため,対象者との接触・提示の時期と告知方法を設計する必要がある。

第2 文字起こし・本人確認と同じではない

3条39号の感情認識システムは,生体データに基づき人の感情又は意図を識別・推論するAIシステムである。
3条40号の生体分類システムは,生体データに基づき人を特定のカテゴリーへ割り当てるシステムであり,分類機能が他の商業サービスに付随し,かつ客観的な技術上の理由で厳密に必要である場合について定義上の例外がある。
単なる文字起こし,映像の表示,本人確認,あるいは評価という名称だけで,どの定義に該当するかを決めない。

顔,声その他の入力から,何の特徴を抽出し,何を推論・分類し,誰についてどの判断に使うかを,ベンダーの仕様で確かめる必要がある。
「面接支援」「会議分析」という製品名だけでは,感情・意図を推論しているか分からない。

第3 職場・教育での感情推論と機微な分類

5条1項(f)は,職場・教育機関において人の感情を推論するAIの市場投入,その目的での使用開始及び使用を禁止する一方,医療又は安全上の理由で導入・市場投入する場合の例外を置く。
通常の人事評価や学習評価で「本人に知らせるからよい」と判断することはできない。
例外についても,名称だけでなく実際の目的と条件を確認する必要がある。

同項(g)は,生体データに基づいて個人を分類し,人種,政治的意見,労働組合への加入,宗教的・哲学的信条,性生活又は性的指向を推論・推定する生体分類システム等を対象とする。
適法に取得した生体データセットのラベル付け・フィルタリングや法執行分野の分類についての条文上の除外を,あらゆる生体分類への一般免除へ広げないことが必要である。

順序問い次の確認①入力と推論・分類が3条の定義に当たるか対象機能,対象者及び利用目的を特定する②職場・教育の感情推論や禁止される機微分類か5条の禁止・例外を先に確認する③利用できる機能でも50条3項の対象か本人が初めてやり取りし又は対象となる時までの明瞭な告知とデータ保護を設計する④採用・雇用等の高リスク規定も関係するか別の要件・適用日・人の関与等を確認する
第4 告知の内容・時期と犯罪対応の限定

50条3項が求める告知の内容は,対象者が感情認識又は生体分類のシステムの運用にさらされていることである。
指針は,運用の理由や,感情認識・生体分類以外の目的の処理に関する情報は,50条自体は求めず,データ保護法の下で別に求められ得ると説明する(105段落)。
告知の手段は定められておらず,書面,標準化されたアイコン,口頭又はその組合せなど,場所,対象者,接触の長さ及び既存の連絡手段に応じて選ぶことになる(107段落)。

3項の告知も,5項に従い,明確で区別でき,本人が最初にやり取りし又はシステムの対象となる時までに,適用されるアクセシビリティの要件に沿う形で提供する。
本人が分類の対象になってから初めて知る仕組みではなく,実際の対象者に届く場所・媒体を検討することになる。

犯罪の検知・予防・捜査のために法律により許可され,第三者の権利・自由への適切な保護措置を備え,かつEU法に従う対象システムには,3項の告知の例外がある。
この3項の列挙は,1項・2項・4項の犯罪関係例外と同一の文言ではなく,訴追までを当然に書き足さない。

(続きを読む...)感情認識・生体分類AIの告知―EUの採用・職場・教育で先に確認する禁止規定(AI作成)

AIで作った公共的事項の記事とEU法―人の審査・編集責任による開示例外(AI作成)

目次

第1 全てのAI文章が同じ対象になるわけではない第2 審査・統制と編集責任の組合せ第3 提供者のマーキング義務は別に残る第4 例外を使わないときの表示第5 公開の前後で残す説明第6 一次資料
第1 全てのAI文章が同じ対象になるわけではない

EU AI法50条4項後段は,公共的な関心事項について公衆へ情報を伝える目的で公開するAI生成・操作テキストを対象にする。
導入者は,そのテキストが人工的に生成・操作されたことを開示するのが原則である。
以下は2026年11月15日時点の条文及び欧州委員会指針に基づく。

公共的事項であること,公衆へ情報を伝える目的であること及び公開という条件を,内容・利用場面から確かめる。
私的なメモ,内部の草稿,単なる選択表示などを,公開された公共的情報のAI生成テキストと同じものとして扱わない。
政治・社会の情報提供等では典型的に問題となるが,発行者が報道機関を名乗っているかだけで判断しない。

指針130~132段落の「公衆」は,不特定で相当多数の互いに関係のない者を含み,有料購読であることだけで対象外にはならない。
限定された少数の集団内の文章や,依頼者への個別助言とは区別する必要がある。
広告であっても,健康・安全や持続可能性についての主張が公共的な関心事項となることがあり,広告という名称だけでは対象外と決められない。

第2 審査・統制と編集責任の組合せ

条文は,人による審査又は編集上の統制の過程を経て,かつ,自然人又は法人がその公表について編集責任を負う場合に,開示の例外を認める。
前半は「審査又は統制」,後半との関係は「かつ」である。
審査と統制を両方備えなければならないという説明も,責任者は個人だけで法人は含まれないという説明も,条文と一致しない。

人の審査・編集上の統制公表の編集責任条文上の整理いずれかの過程を経た自然人又は法人が負うこの開示例外の条件を検討できるある誰も引き受けていない審査をしたという事実だけで例外とはいえないない名義上の責任者だけ置いた責任者名だけで前半の過程を満たすとはいえない

実務上は,誰が,どの版の文章の,事実・引用・意味・公開範囲を確認し,誰が公表について責任を持つかを,編集工程に沿って説明できるようにする方法が考えられる。
ただし,条文が一律の承認書式,確認者の資格又は保存年数を定めているという意味ではない。
AIが自動で「確認済み」と出すことと,人による審査の事実も別である。

指針133~138・140段落は,事実の正確性や専門的判断についての実質的な人の審査を求め,文法・形式の修正だけや機械による審査だけでは足りないと説明する。
審査の後にAIで実質的な再加工をした場合は,再審査をしないまま以前の審査による例外を使うことはできない。

任意の実務規範Section 2 Commitment 4は,所定のメディアサービス提供者で既存の編集基準等に服する署名者について,既存の審査・編集手続と職業基準による実施経路を認める。
それ以外の署名者が用いる適切な内部方針も,既存の工程を利用でき,導入者の規模と資源に比例したものとする。
方針には,少なくとも編集責任者の氏名又は名称・役割・連絡先と,公開前の十分な審査又は統制及び責任を確保する組織措置・人的資源の概要を含める。
他方,この措置は,個々の人の審査・編集統制や個々の文章公開をそれぞれ文書化することまでは求めない。
編集責任を負う担当機能,自然人又は法人の連絡先が未公表ならその連絡先を公表し,審査の性質やAI関与の追加記録は任意である。
全責任者の氏名を一律に公開するという拡張をせず,メディアの自由,編集上の独立及び取材源の保護を維持する必要がある。
また,この規範の措置が個別記録を求めないことと,日本の広告・証拠・契約等により別に必要となる記録や保存は区別する。

会社が法定の最低限より広い自主的な表示方針を設けることは,法定要件とは区別する。
また,人の審査・編集責任による例外は公共的事項のテキストに関するものであり,画像・音声・動画のディープフェイクの開示の一般的な免除にはならない。

(続きを読む...)AIで作った公共的事項の記事とEU法―人の審査・編集責任による開示例外(AI作成)

AI画像・動画・合成音声の表示―EUのディープフェイク規制と芸術作品の特則(AI作成)

目次

第1 生成画像なら全て同じ開示義務か第2 見える表示と機械的マーキングを分ける第3 動画を常時表示にすることまで法律の一律要件か第4 芸術・風刺等の特則第5 犯罪対応,旧出力及び権利処理第6 一次資料
第1 生成画像なら全て同じ開示義務か

EU AI法50条4項は,ディープフェイクとなる画像・音声・動画を生成・操作するAIの導入者に,人工的に生成・操作されたことの開示を求める。
同法3条60号は,既存の人・物・場所その他の実体・出来事に似ており,人が本物又は真実であると誤って受け取るようなAI生成・操作コンテンツを定義している。
画像が存在することだけでなく,何に似せ,どう受け取られる内容かを確認する必要がある。

以下は2026年11月15日時点の条文・指針・透明性実務規範による。
実在の人物を合成した広告,実在する場所で起きたように見える動画又は本人が話したように聞こえる音声では,対象になるかを具体的に検討する。
EUとの接点と導入者の役割は,透明性義務の全体像を参照されたい。

指針111~116段落は,欺く意図そのものを要件とはせず,内容と受け手の認識から判断すると説明する。
対象についても,現に存在するものに加え,存在し得るものや歴史的に存在し得たものを含むと解釈する。
予見可能な脆弱な受け手が誤認する場合にも注意が必要であり,50条1項の直接対話についての平均的な人の判断基準をそのまま移すことはできない。

第2 見える表示と機械的マーキングを分ける

人が分かる開示は,生成システムの提供者が50条2項で行う機械可読のマーキングとは別である。
提供者がメタデータを付けたことだけで,広告を見たり音声を聞いたりする本人への開示が済むとは限らない。
導入者側も,AI生成と表示したから提供者の技術的義務が不要になるわけではない。

50条5項は,初回の接触・提示時までの,明確で区別可能かつアクセシビリティに沿う情報提供を求める。
画像説明の代替テキストはアクセシビリティに有用であるが,通常の閲覧者に見える表示を常に代替するものではない。
音声だけの媒体,切り抜き配信,SNSのプレビューなど,実際の接触方法に合わせて考える必要がある。

媒体検討する表示方法再利用時の注意画像画像又は近接位置で認識できるラベル等トリミング・転載でラベルや出所情報が失われないか音声冒頭等で認識できる音声告知,媒体に適した表示等音声だけの再生・途中からの再生への対応動画開始時の告知,必要な再表示等切り抜き,停止後の再開,途中参加を確認する芸術・創作作品等作品の鑑賞を妨げない適切な方法で生成・操作の存在を開示作品の種類だけで全面免除にしない

EU共通アイコンは一貫した開示を助ける任意の経路であり,同等の表示も認められる。
業界の良い実務は実施を具体化できるが,障害のある人,子ども,高齢者その他の脆弱な利用者を含む閲覧者に配慮し,初回接触時の認識を支える比例的な内部の周知・点検を行うという考え方と併読する。
制度の革新・情報環境上の背景を,そのまま新しい独立義務へ置き換えない。

will,encouraged,mayの強さは第2セクションでも区別する。
業界ごとの良い実務はCodeに完全に整合する範囲で共同して設け,対象分野に合わせることができる。
その経路を採る場合には当該実務をオンラインで公開するが,すべての署名者にすべての業界活動への加入を求める規定ではない。

Codeの視覚表示は,大文字の英語AIを主な要素とし,文字の高さをそろえ,拡大縮小時も比率を保つ。
英語の使用が国内の商業・行政上の言語法と両立しない場合には,国内語の略語を使える。
大きさ,書体,色,コントラスト等は,明瞭で,利用しやすく,読めて認識できる限り調整できる。
生成・変更の別や変更内容の詳細を第二層で示すことは推奨であり,常にすべての詳細表示が必須という意味ではない。

音声だけなど視覚表示が不可能な場合には,冒頭の短く平易な音声告知で人工的な由来を伝え,内容の言語又は英語を用いる。

(続きを読む...)AI画像・動画・合成音声の表示―EUのディープフェイク規制と芸術作品の特則(AI作成)

対話AIの表示はいつ必要か―EU向けチャットボット・AIエージェントの告知(AI作成)

目次

第1 対話の相手がAIだと分かるようにする第2 画面・音声で何を伝えるか第3 文脈上明白な場合と,人が介在する場合第4 犯罪対応の例外と,他の規律第5 導入時に試すこと第6 一次資料
第1 対話の相手がAIだと分かるようにする

EU AI法50条1項は,自然人と直接やり取りするAIシステムの提供者に,相手がAIであると本人が認識できる設計・開発を求める。
生成AIだけを対象とする規定ではなく,音声,チャット,アバター,AIエージェントなども,実際の機能とやり取りから確認する必要がある。
以下は2026年11月15日時点の条文及び欧州委員会の指針による。

顧客が使う画面を自社ブランドで提供する会社と,基盤モデルだけを供給する会社の役割は同じとは限らない。
EU市場への提供,EU所在の導入者,第三国からの出力のEU利用など,2条の適用範囲も先に確認する。

第2 画面・音声で何を伝えるか

利用者が最初に接する時点までに,明確で区別でき,適用されるアクセシビリティの要件に沿った形で告知するのが50条5項の原則である。
利用規約の奥にだけ書く方法では,実際に対話する本人が初回接触時に認識できるかが問題となる。
「私はAIアシスタントである」という表示や音声,識別しやすいラベル等を,使用媒体に応じて検討することになる。

欧州委員会の指針は,AIエージェントであればAIであることに加え,誰のために行動しているかを分かるようにする点にも言及する。
取引相手の会社名や担当者の権限まで,AIという一語で説明したことにはならない。
一方,法律が特定のポップアップ文言や,あらゆる回答への固定間隔の表示を一律に指定しているわけではない。

指針29~45段落は,意図された双方向の文脈に沿うやり取りと,受動的な情報収集や,自然人へ届く予定のない機械間の交換を区別する。
単に人が関わるシステムの全てが直接対話AIになるわけではない。
合理的に自然人と対話し得る構成では,提供者がその場面で告知できるよう設計する必要がある。
新しい対話ごとや重要な段階での再告知は,指針の推奨として読む。

告知は,予見可能な利用者に児童その他の脆弱な人が含まれる場合に合わせる必要がある。
AIかを尋ねられた場合や相手に混乱が生じた場合も知らせる必要があり,LLM等の専門略語だけや,サイト全般の曖昧な表示だけで十分とは限らない。
文脈から明白だという例外は狭く解釈し,意図された利用者群と予見可能な利用者群の双方及び利用文脈を対象に,提供者が評価し,その根拠を示せるようにする必要がある。

第3 文脈上明白な場合と,人が介在する場合

1項には,十分な情報を持ち,注意深く慎重な自然人の視点で,使用状況・文脈からAIとのやり取りであることが明白な場合の例外がある。
提供者の思い込みや,利用者の一部がAIに詳しいという事情だけで判断しない。
名称,外観,音声,紹介方法,利用者の特性等を含む実際の利用体験を点検する必要がある。

場面確認する点実務上の対応例AI受付から人に引き継ぐAIとの直接対話が既に始まっているか初めにAI受付と告知し,人へ移った時点も明確にする過去の人間の回答をAIで探す現在の対話の主体と,検索結果の著者を区別できるか過去の弁護士回答であることと,現在の検索補助がAIであることを別々に示す人がAIの案を確認して顧客へ答える指針が扱う人を主たる対話者とする介在の条件を満たすか名目上の監督者の配置だけで直接対話を否定しない音声・アバター・長い会話告知が本人に届き,状況変化後も誤認が生じないか初回の明瞭な告知を基本に,文脈に応じた再表示・再案内を検討する

人が主たる対話相手として内容を確かめて伝える場合と,利用者がAIへ直接入力し回答を受け,必要なときだけ人へ転送する場合は異なる。
人間の著者が作った過去のデータを検索に使うだけで,現在のAI対話が人による審査・対話になったとはいえない。
生成出力に関する50条2項の範囲と,直接対話に関する1項の範囲も別に検討する必要がある。

第4 犯罪対応の例外と,他の規律

(続きを読む...)対話AIの表示はいつ必要か―EU向けチャットボット・AIエージェントの告知(AI作成)

AI生成出力のマーキングと検出―EU法と透明性実務規範に沿った調達・検収(AI作成)

目次

第1 提供者が対応する機械可読マーキング第2 対象出力と編集支援の例外第3 法定の品質と,技術を組み合わせる理由第4 実務規範の約束と推奨を読み分ける1 マーキングの実装と代替技術の立証2 検出手段の提供とアクセスの条件3 四つの品質の評価と相互運用性4 適合の文書化,試験及び当局への協力5 検出技術の用語を読み分ける第5 短文と検出サービスのアクセス・データ保護第6 調達・規約・検収と証拠の確認第7 規範への署名と,アイコンの選択第8 一次資料
第1 提供者が対応する機械可読マーキング

EU AI法50条2項は,合成音声・画像・動画・テキストを生成するAIシステムの提供者に,出力を機械可読の形式で標識し,人工的に生成・操作されたと検出できるようにすることを求める。
汎用AIシステムも含むが,モデルだけの供給と,モデルを組み込んだシステムの提供は区別する必要がある。
以下は2026年11月15日時点の条文,欧州委員会指針及び透明性実務規範による。

広告の横に人が読める「AI生成」という文字を置く方法と,機械が検出する技術は異なる。
また,メタデータがあるだけで,ディープフェイク等を見聞きする人に対する50条4項の開示が全て済むものでもない。
適用範囲,役割及び経過措置は透明性義務の全体像を参照されたい。

第2 対象出力と編集支援の例外

2項は,標準的な編集を補助する機能,又は導入者が与えた入力データ若しくはその意味を実質的に変更しない機能について,定められた限度で義務を適用しない。
元の文章・画像を使ったというだけで全ての生成・操作が免除されるわけではなく,実質的な変更の有無を確認する必要がある。
犯罪の検知・予防・捜査・訴追について法律により許可された使用の例外も別に置かれている。

指針は,最終的に人が知覚する生成・操作出力と,コード,パラメータ等の中間的な出力を区別して扱う。
ゲーム,動画,3D制作では,制作中にシステムから出るデータと,最終的な画像・映像・音声を分けて機能を確認することになる。
あらかじめ保存された人のコンテンツの単なる選択と,新たに生成・実質的に操作した内容も同じではない。

指針67~68段落は,コンピュータが解釈・コンパイル・実行するソースコードや,専用の機械間処理の出力,閉ループの実験だけに使う産業・製品開発の中間出力を説明する。
コードに不可分な自然言語コメント等もこの文脈で扱うが,最終的に人に示す生成画像・動画等まで一括して除外するものではない。
3Dメッシュや点群についても,61段落の中間物と,最終的に人が知覚する個別資産の区別が必要である。

指針87段落の産業・B2Bの限定的な扱いには,公衆・消費者向けではないことを前提に,出力が厳密に技術的性質であること,提供者・導入者の組織内で専門的に行為する限定された事前確定の自然人だけの知覚・処理を意図すること,社外共有・外部利用を意図せず合理的に予見可能な誤用を防ぐ適切な保護措置があることという累積条件がある。
法人向けの外注契約であるという一事では足りない。
アクセス制御や環境の分離は,この条件を具体化する例である。

88段落の一過性の出力は,リアルタイムで生成され即時消費され,記録・保存・追加流通されず,マーキングが技術的に不可能であり,接する人がAI生成・操作と認識できるようにされる場合に,免除され得るという説明である。
ゲーム・VR全般が免除されるわけではなく,利用者への説明まで不要になるものでもない。

指針56~68段落は,単なる選択・順位付け,忠実な再現,未加工の観測を,生成・実質的操作から区別する。
短い操作用の画面文言,代替テキストやアイコン等の扱いも出力の機能・性質によるため,AIが処理に関わったという一事から全てを生成出力と扱わない。

第3 法定の品質と,技術を組み合わせる理由

2項は,技術的に実行可能な範囲で,有効性,相互運用性,堅牢性及び信頼性を確保することを求める。
その際,内容の種類に伴う特性・限界,実装費用,利用可能な一般に認められた最新技術及び関係する技術規格等を考慮する。
特定のC2PA,IPTC又はExifという名前の形式だけを採用すれば常に適合する,という条文ではない。

方法できること・限界検収時の問いメタデータ・来歴情報出所や生成・編集情報をファイル等に伴わせる。削除されることがある再圧縮・書出し・転載後に保持・検証できるか不可視の電子透かしコンテンツ自体に検出の手掛かりを持たせる。攻撃・変換で弱まることがある通常の編集と悪意の除去にどの程度耐えるかフィンガープリント出力の特徴により照合する。照合基盤や対応範囲に依存する内容を丸ごと保存せず照合できるか,未知の出力はどう扱うか検出器マーキング等を検出する手段。誤検出・見逃しがある真陽性・偽陽性等の性能,対応媒体・版・長さは何か

(続きを読む...)AI生成出力のマーキングと検出―EU法と透明性実務規範に沿った調達・検収(AI作成)

EU AI法のSME・SMC判定―罰金の特則と企業グループの人数・財務の集計(AI作成)

目次

第1 単体の従業員数だけでは決まらない第2 関連企業の数字を加える第3 投資家・公的保有の例外に注意する第4 年度と人数の数え方第5 AI法の罰金計算に当てはめる第6 判定記録を作る第7 一次資料
第1 単体の従業員数だけでは決まらない

EU AI法の罰金には,SMEとSMCに関する特則がある。
同法3条が参照する勧告では,人数に加え,売上高又は貸借対照表総額,関連企業との関係を確認する必要がある。
以下は2026年11月15日時点の条文・勧告による。

区分人数財務要件・その他SME250人未満年間売上高5000万ユーロ以下,又は年間貸借対照表総額4300万ユーロ以下SMC750人未満年間売上高1億5000万ユーロ以下,又は年間貸借対照表総額1億2900万ユーロ以下。SMEではないこと

人数の条件と財務の条件は両方必要であり,二つの財務基準の間は「又は」である。
SMCにはSMEでないという条件もあるため,SMEとSMCを重複して数えない。
表の数値は,勧告に従い関係企業のデータを加えた後に当てはめる。

3条14a号のSMEは勧告2003/361/ECの附属書2条,14b号のSMCは所定のSMC勧告の附属書第2項(point 2)を参照しており,参照する定義の単位も区別する必要がある。
企業は法形式を問わず経済活動をする主体をいい,自営業,家族事業及び団体も含み得る。
スタートアップであることだけで自動的にSMEになるわけではない。
SMEの中の小企業は50人未満で,年間売上高又は貸借対照表総額が1000万ユーロ以下,零細企業は10人未満で,同じ財務基準が200万ユーロ以下である。
いずれも人数と財務の両条件を満たし,関係企業を含めた集計を前提とする。

第2 関連企業の数字を加える

勧告は,自律した企業,パートナー企業,リンク企業の関係を区別する。
パートナー関係では原則として資本又は議決権の25%以上の保有等が問題となり,支配関係を伴うリンク企業の定義はこれと別である。
親会社・子会社という名称や,連結決算を作っていないことだけで,自律した企業と判断しない。

関係基本となる集計点検する資料自律した企業自社のデータを基礎にする出資・議決権・支配の有無パートナー企業資本又は議決権の高い方の割合に応じて加算する出資割合,議決権,必要な関連企業データリンク企業原則として100%を加える直接・間接の支配,連結に既に含まれる範囲

同じデータを連結と個別加算で二重に数えないようにする一方,自社単体の数値だけで基準以下と判定しないことが必要である。
例えば自社の従業員が少なくても,支配する親会社等のデータを加算すれば,人数又は財務の基準を超えることがある。
自然人を介した関係や,同一・隣接市場での活動等が関係する場合も,勧告の定義に沿って確認する。

SMC勧告の3.2にはリンク企業の参照先を3.4と記す箇所がある一方,リンク企業の定義は3.5に置かれている。
内部参照だけで自律性を決めず,関係する定義本文と実際の支配関係を照合することが必要である。

リンク関係には,他社の議決権の過半数の保有,管理・経営・監督機関の構成員の過半数を任免する権利,契約・定款による支配的影響力,株主等との合意による議決権の過半数の単独支配という四つの類型がある。
自然人又は共同して行動する自然人を介する場合は,企業が同一又は隣接する市場で活動するという限定を確認する必要がある。
集計は一段階で終わらず,パートナー企業にリンクする企業のデータをそのパートナー側に100%加え,リンク企業の直上・直下に位置するパートナーのデータを所定割合で加える等,SME勧告の6条及びSMC勧告の点6の規則に沿って行う。
連結にすでに含まれる数字を再加算しないよう,出資図と連結範囲を照合する必要がある。

相互に出資している場合のパートナー関係の割合は,該当する高い方の割合を用いる。

第3 投資家・公的保有の例外に注意する

(続きを読む...)EU AI法のSME・SMC判定―罰金の特則と企業グループの人数・財務の集計(AI作成)

EU AI法の透明性義務―日本企業の適用範囲,役割及び適用日の確認(AI作成)

目次

第1 最初に誰のどの義務かを分ける第2 日本企業にも適用される場面第3 オープンソース・研究・軍事等の適用範囲第4 適用日と経過措置第5 GPAIモデルの文書・訓練内容公開との違い第6 日本の制度と併せて確認する第7 社内の判断記録と契約に落とす第8 一次資料
第1 最初に誰のどの義務かを分ける

EU向けにAIサービスを提供し,又はAIで作った広告や記事を公開するときは,「AI生成」と表示すれば全ての対応が終わるわけではない。
EU AI法50条は,システムを提供する側の設計・マーキングと,利用する側の告知・開示を分けている。
以下は2026年11月15日時点の条文及び欧州委員会の公表資料に基づく説明である。
欧州委員会の指針は法的拘束力を持つ規則そのものではなく,EU法の権威的な最終解釈はEU司法裁判所に属する。

対象主な義務主体確認する内容人と直接対話するAIシステム提供者相手がAIであると分かる設計・開発。文脈上明白な場合等の例外がある合成音声・画像・動画・テキストの生成システム提供者機械可読のマーキングと生成・操作の検出可能性。汎用AIシステムも含む感情認識・生体分類導入者対象者への運用の告知と適用されるデータ保護法の遵守ディープフェイク,公共的事項のテキスト導入者人に向けた生成・操作の開示。芸術作品,編集責任等の特則を個別に確認

提供者は,自ら開発し,又は第三者に開発させたシステムを,自己の名称・商標で市場に投入し,又は使用開始する者を含み,有償・無償を問わない。
導入者は自己の権限下でシステムを使う主体であり,個人的かつ非職業的な活動は除かれる。
外部APIを使う会社にも,自己のシステムの提供者と広告制作の導入者を兼ねる場面があるため,契約の呼称だけで役割を決めない。

指針12~20段落は,導入者を,実際にAIを使うかどうかを決め,その利用を支配する主体として説明する。
その指示の下で使う従業員は,通常,独立した別の導入者にはならず,支配下の業務を委託したからといって元の主体の導入者としての地位が消えるわけでもない。
反対に,単なる発注,ホスティング又は配布だけで直ちに導入者になるとは限らず,利用の決定権と実態を確認する必要がある。
自然人の例外は,純粋に個人的であり,かつ非職業的な活動に限られる。
通常の経済的利益を得る活動,業務又はフリーランスの利用まで広げることはできず,利用者がこの例外に当たっても,提供者側の義務が消えるわけではない。

第2 日本企業にも適用される場面

2条1項は,設立地を問わず,EU市場へAIシステムを投入し又はEUで使用開始する提供者,EUに所在する導入者等を対象とする。
第三国に所在する提供者・導入者でも,そのシステムの出力がEUで使われる場合の規定がある。
誰が何をEUに提供し,誰がどこで出力を使う設計・取引になっているかを,販売資料,契約,利用地域及び実際の運用から確かめることになる。

英語表示,ユーロ決済及び地域制限の有無はその事実調査の材料であるが,それだけで法定要件が自動的に満たされるものではない。
逆に,日本法人であることだけを理由に対象外とすることもできない。
日本向けサイトへ世界のどこからでもアクセスできるという事実と,EUでの出力利用という具体的な関係も区別する必要がある。

EU市場への投入・EUでの使用開始をする提供者又はEUに所在する導入者に当たる場合は,その役割と機能を50条各項へ当てはめる。
これに当たらない場合も,第三国に所在する主体の出力がEUで使われる場合に当たるときは,出力の利用関係と適用除外を確認する。
一つの会社が提供者と導入者を兼ねる場合は,それぞれの義務を確認する。

これらの当てはめは,会社単位で一度限り行うものではない。
いずれにも当たらない場合も今回の取引事実を記録しておき,EU向けの機能追加,販売先・利用場所の変更,再ブランド化などがあれば,対象と役割を見直すのが実務上有用である。

指針10~11段落は,EUで上市・使用開始をしていない第三国の提供者について,偶発的で予見不能な,権限のない下流でのEU利用だけから義務を生じさせるべきではないと説明する。
これは条文自体に書かれた包括的な域外免責ではなく,監督当局の権限を留保した指針上の限定である。
適用対象となる提供者は,遅くとも市場への投入又は使用開始の時点から,ライフサイクルを通じて適合を確保する必要がある。

(続きを読む...)EU AI法の透明性義務―日本企業の適用範囲,役割及び適用日の確認(AI作成)

AIによる申告書作成と税理士法―本人利用・ソフト販売・申告代行の違い(AI作成)

目次

第1 本人利用と申告代行を分ける第2 国税庁Q&Aが説明する区別第3 AIサービスで確認する業務の実態第4 税理士の関与範囲を具体化する第5 利用者が確かめること第6 出典
第1 本人利用と申告代行を分ける

AIを使った申告書作成を検討するときは,納税者本人が道具を利用する場面と,サービス提供者が他人の申告を引き受ける場面を分ける必要がある。
本記事は,令和8年11月15日を基準日として,税理士法と国税庁Q&Aから,申告書作成ソフトの提供,税務書類の作成及び税務相談の違いを整理する。
特定の生成AIサービスの適法性を判断するものではない。

税理士法2条1項は,税理士の業務を,「他人の求めに応じ」,租税に関する税務代理,税務書類の作成及び税務相談を行うことを業とするものと定めている。
同法52条は,法律に別段の定めがある場合を除き,税理士又は税理士法人でない者が税理士業務を行うことを禁止している(税理士法2条・52条)。
本人申告と,他人の申告に関わる業務を同じものとして扱うことはできない。

第2 国税庁Q&Aが説明する区別

国税庁の税理士制度Q&A・問6-1(国税庁Q&A第6章)は,税務書類の「作成」を,申告書等を自己の判断に基づいて作成することと説明し,単なる代書は含まれないとしている。
「業とする」については,反復継続して行い,又は反復継続して行う意思をもって行うことをいい,必ずしも有償であることを要しないと説明している。
したがって,無料であることだけを理由に,業として行うものに当たらないとはいえない。
税務相談における「相談に応ずる」は,租税の課税標準等の計算に関する事項について,具体的な質問に対して答弁し,指示し又は意見を表明することと説明されている。

一方,問6-3は,非税理士が申告書等の作成ソフトを開発又は販売することは,非税理士により行うことが禁止されている税理士業務のいずれにも該当しないと説明している。
この説明と,個別の申告書を自己の判断で作成する行為についての説明とは,併せて読む必要がある。

場面確認できる説明・検討事項納税者本人が道具を使って自分の申告をする他人の求めに応じて行う業務と区別する申告書等の作成ソフトを開発・販売する国税庁Q&A・問6-3の説明がある他人の申告書を自己の判断で業として作成する税務書類の作成に関する規律を確認する個別の課税標準等の計算について質問に答える税務相談への該当性を確認する申告等について代理・代行する税務代理への該当性を確認する

表は法令と行政資料の説明を整理したものである。
生成AIサービスの全てを,名称だけでいずれかの行へ当てはめられるという意味ではない。

第3 AIサービスで確認する業務の実態

AIサービスについては,利用者が入力・判断する範囲と,提供者が個別の取引について判断する範囲を確認する。
帳簿や資料を預かること,税務上の区分を選ぶこと,申告書を完成させること及び税務官公署へ代理・代行することを,工程ごとに整理する方法が考えられる。

①利用者から何を依頼され,どの成果物を返すのか。
②入力内容の転記と,個別の税務上の判断を誰が行うのか。
③具体的な質問に対し,提供者がどの範囲で回答するのか。
④完成した申告書を誰の判断で作成し,提出するのか。
⑤継続して提供する業務,料金及び担当者の関与はどうなっているか。

これらは,既存の規律をサービスへ当てはめるための確認項目である。
国税庁Q&Aが生成AI一般について示した適法性の判定表ではない。
「ソフトを提供している」「AIが回答している」「最後に利用者が送信する」という説明だけで,提供者の実際の業務内容の確認を終えないことが大切である。

第4 税理士の関与範囲を具体化する

(続きを読む...)AIによる申告書作成と税理士法―本人利用・ソフト販売・申告代行の違い(AI作成)

AIで確定申告すれば税理士は不要か―本人申告の判断と間違えたときの対応(AI作成)

目次

第1 本人申告で何を自分で確認するか第2 自動計算と税務判断は異なる第3 依頼費用と比較するもの第4 調査が来なかったことは正しさの確認にならない第5 申告の誤りに気付いた場合第6 確認と相談のために残す資料第7 出典
第1 本人申告で何を自分で確認するか

AIを使って自分で確定申告をするか,税理士へ依頼するかを考える際は,費用だけでなく,自分で確認できる範囲を比べる必要がある。
本記事は,個人事業主の本人申告を中心に,令和8年11月15日を基準日として,法令と国税庁の公表資料から,申告書の作成,税務判断及び誤りに気付いた後の対応を整理する。
個別の案件の課税関係を決めるものではない。

税理士法2条1項は,税理士の業務を,「他人の求めに応じ」,租税に関する税務代理,税務書類の作成及び税務相談を行うことを業とするものと定めている。
同法52条は,法律に別段の定めがある場合を除き,税理士又は税理士法人でない者が税理士業務を行うことを禁止している(税理士法2条・52条)。
納税者本人による申告と,他人の申告を引き受ける業務とは,区別して考える。
本人が申告する場合に税理士の確認が法律上一律に必要とされているわけではないが,AIの回答だけで申告内容の正しさが確認されたことにもならない。

第2 自動計算と税務判断は異なる

国税庁のパンフレット「暮らしの税情報」(令和7年度版)は,確定申告書等作成コーナーについて,画面の案内に沿って金額等を入力すると税額等が自動計算され,所得税,個人事業者の消費税及び贈与税の申告書,更正の請求書並びに修正申告書を作成できると説明している(国税庁パンフレット「暮らしの税情報」)。
このように,申告書の計算・作成を支援する仕組みは既に提供されている。
一方,どの取引をどの年分の収入や必要経費として入力するかは,元資料と税務上の取扱いに照らして確認する必要がある。

例えば,その年に支払った金額でも,その年の必要経費になるとは限らない。
必要経費となる金額は,原則としてその年において債務の確定した金額であり,家事関連費は,業務遂行上直接必要であったことが明らかに区分できる金額に限られる。
また,減価償却資産の取得に要した金額は,原則として取得時に全額が必要経費になるのではなく,使用可能期間にわたって分割して必要経費とするが,使用可能期間や取得価額,一定の要件に応じた例外がある。
支出の実態を知っていることと,その税務処理を判断できることを分けて確認する(必要経費の知識(国税庁タックスアンサー),減価償却のあらまし(国税庁タックスアンサー))。

第3 依頼費用と比較するもの

税理士への依頼費用と比較する際は,AIの利用料だけでなく,自分で資料を整理し,回答を確認し,誤りを直すための時間も考える必要がある。
依頼する場合は,見積りに記帳,申告書作成,相談及び調査対応のどこまでが含まれるかを確認する。
次の表は,依頼範囲を考えるための整理であり,特定の料金相場又は法定の点検様式を示すものではない。

確認すること自分で申告する場合の確認点資料の整理売上・支出の資料に欠落や重複がないか税務判断対象年分の制度と自分の取引を対応させられるか計算・転記元資料から申告書の各欄まで照合できるか誤りの発見後訂正手続と追加の納付等に対応できるか外部への相談分からない部分を引き受ける専門家と費用を確かめたか

税理士に依頼しないことで節約できるのは依頼費用であり,法令に従って納めるべき税額ではない。
比較の対象は,作業・確認・相談の費用,誤った処理による不利益及び対応の負担である。
専門家へ依頼する場合も,何を確認し,何を引き受ける対価なのかを具体的に尋ねると,依頼の要否を判断しやすくなる。

第4 調査が来なかったことは正しさの確認にならない

国税庁は,申告内容や調査事績などのデータを分析して調査を行うほか,文書や電話等による簡易な接触も実施している。
実地調査の件数だけを見て,税務当局による確認の全体を把握することはできない(国税庁レポート2026・適正・公平な課税・徴収)。

公表された件数から,個々の事業者が翌年に調査を受ける確率をそのまま計算することもできない。
調査対象の選定や集計の対象・期間が関係するためである。

(続きを読む...)AIで確定申告すれば税理士は不要か―本人申告の判断と間違えたときの対応(AI作成)

AIの「検証税」とは―メルカリのナレッジカタログと法律調査への応用(AI作成)

目次

第1 確認した知識を次の仕事へつなぐ第2 「検証税」の数字は何を測っているか1 Workdayの約37%はアンケート回答からの推計である2 Spider 2.0の割合はSQL生成のエラー分類である第3 Socratesが扱う知識と将来設計第4 原資料とAIが編集する知識を分ける第5 法律調査向けのナレッジカタログ案第6 取り込み,点検,利用停止をつなぐ第7 効果は整備・更新の負担まで含めて測る第8 よくある疑問1 検索拡張があればカタログは不要か2 AIによるlintが通れば確認を終えてよいか3 判例データベースの番号だけ残せばよいか第9 関連記事
第1 確認した知識を次の仕事へつなぐ

生成AIで下書きを短時間に作れても,根拠を探し直し,古い情報を修正し,引用を確認する時間が増えれば,仕事全体の負担は減らない。
メルカリの発表資料は,こうした確認や手戻りの負担を「検証税」という言葉で説明している。
その対策として示されたのが,メルカリの「データエージェントのためのナレッジカタログ」である。

本記事では,令和8年5月25日の同発表資料と,そこで引用された調査・論文を読み分けた上で,法律調査に応用する場合の管理表と評価方法を提案する。
資料作成者の設計説明,効果に関する実証結果及び本記事の応用案を区別して読む必要がある。

第2 「検証税」の数字は何を測っているか
1 Workdayの約37%はアンケート回答からの推計である

Workdayの報告書「Beyond Productivity: Measuring the Real Value of AI」は,AIによる短縮時間の約37%が手戻りで相殺されると報告している。
同報告書3頁は,この割合を約37%と表すほか,ほぼ4割とも表している。
同報告書12頁によれば,調査は令和7年11月にオンラインで行われ,全体の回答者は3200人であり,年商1億米ドル以上かつ従業員150人以上の組織で働くフルタイムの就業者が対象である。
回答者には,日常業務でAIを使っているか,AIに接していること等の条件がある。

算出に用いたのは,回答者が申告した時間の範囲の中点である。
短縮時間は自分の業務について,手戻り時間は他人から受け取った低品質なAI出力の説明・訂正・書直しについて尋ね,集計している。
端末の操作記録で実労働時間を測った結果ではなく,日本の法律事務所の負担をそのまま示す割合でもない。

出典:Workday報告書原本3頁・12頁,Workdayの公表資料。

2 Spider 2.0の割合はSQL生成のエラー分類である

メルカリ資料が引用するSpider 2.0論文は,実際の企業データの利用場面を踏まえたText-to-SQLの評価課題を扱う。
メルカリの発表資料は,この論文のエラー分類を,検証税の正体を説明する場面で引用している。
令和7年3月17日改訂版(arXiv v2)の4.2節では,無作為抽出した300例について二つのコードエージェント枠組みのエラーを分析し,データ分析の誤りを35.5%,テーブル・列の対応付けの誤りを27.6%と表示している。
これらは,メルカリでの確認時間又は検証費用の内訳を測った数値ではない。

図5と本文には,テーブル・列の対応付けの合計27.6%に対し,内訳が列16.6%とテーブル10.1%で,足すと26.7%になる不整合がある。
不整合の原因や訂正値は確定できないため,表示値と不整合を区別し,これらの割合から独自の削減率を計算することは避ける。
また,当時のモデルと設定での評価を,現在の全てのAI又は法律調査の誤り率へ一般化することはできない。

出典:Spider 2.0論文・令和7年3月17日改訂版(arXiv v2)4.2節・図5。

第3 Socratesが扱う知識と将来設計

発表資料では,複雑なクエリ等の作成を支援するSkills,社内固有の概念・未実装のルール・歴史的経緯等を扱うKnowledge,リソース探索時のコンテキストを抑えるResource Catalogが説明されている。
それぞれ,処理の進め方,業務上の意味,必要なデータの所在という異なる問題に対応する構成として読める。

Knowledge v2は「Socratesのこれから」の章に置かれ,生の知識を主張と根拠に構造化し,矛盾,過剰な推論,根拠の鮮度等を点検する設計が示されている。

(続きを読む...)AIの「検証税」とは―メルカリのナレッジカタログと法律調査への応用(AI作成)

相手のAI作成書面にどう反論するか―判例の確認と事実・証拠の対照(AI作成)

目次

第1 結論とこの記事の対象第2 相手方の主張を事実・法律・引用に分ける第3 裁判例の実在と引用内容の正確性を確認する第4 引用元の特定や写しを求める第5 自分の反論も裁判例と事実を対応させる第6 和解は残る争点と条件から判断する第7 関連記事第8 出典
第1 結論とこの記事の対象

相手方から,生成AIで作られたと思われる請求文書や準備書面が届くことがある。
対応の出発点は,記載された事実,法的主張及び引用資料を分け,それぞれの根拠を確認することである。

AIを使ったかどうかを文体だけから確定する必要はない。
反論では,争う事実,引用の誤り及び本件への当てはめの問題を,相手方と裁判所が確認できる形で示すことが重要になる。
以下では民事事件を想定し,裁判所へ提出する準備書面と,裁判外でやり取りする交渉文書を区別する。

第2 相手方の主張を事実・法律・引用に分ける

まず,相手方が述べる出来事と,それに対する法的評価を分ける。
契約の成立,支払の有無,説明の内容などについては,契約書,送金記録,メールその他の証拠と照合する。

裁判例が示されていても,その裁判例が本件の出来事を証明するわけではない。
裁判例から導かれる判断枠組みと,その枠組みを本件に適用するための事実を,別々に確認する必要がある。

点検対象確認すること事実の主張いつ,誰が,何をしたという主張か証拠その主張をどの資料が支えるか法的主張どの要件・判断枠組みによる主張か引用裁判例原文が実在し,引用された説明を支えるか本件への当てはめ裁判例との共通点・相違点は何か

この表は反論を整理するための実務上の提案である。
民事訴訟規則79条3項は,準備書面で相手方の主張する事実を否認する場合に,その理由を記載しなければならないと定めている。
同条4項は,事実についての主張を記載する場合に,立証を要する事由ごとに証拠を記載しなければならないと定めている。

第3 裁判例の実在と引用内容の正確性を確認する

引用された裁判例は,裁判所名,裁判年月日,事件番号及び原文の入手先から確認する。
本文では,引用箇所が当事者の主張なのか,裁判所の判断なのかを区別し,前後の限定や事件の結論まで読む。

確認の結果は,①原文を確認できない,②原文はあるが引用文が一致しない,③引用文は一致するが前後に限定がある,④本件と重要な事実が異なる,に分けて整理するとよい。
この4分類は実務上の整理であり,裁判所が定めた分類ではない。
反論の準備書面では,問題となる相手方書面の箇所,確認した原文の箇所及び結論に影響する理由を対応させる。

米国のMata v. Avianca事件の2023年6月22日の制裁決定は,生成AIが作り出した架空の裁判例を提出した原告代理人に対する制裁を内容とする。
同決定は,被告代理人が準備書面で,原告の引用した裁判例の大半を発見できず,発見できた数件も引用された命題を支えないと指摘したこと,及び裁判所自身も引用された複数の裁判例を発見できなかったことを認定している(事実認定7項から9項,PDF5頁)。
この経過は,発見できない引用と,発見できたが命題を支えない引用を分けて具体的に指摘する方法の例として参考になる。
もっとも,同決定は,日本の手続で相手方の引用をどう指摘すべきかを定めたものではなく,そのような指摘が和解その他の結果に与える効果を判断したものでもない。

英国高等法院王座部の2025年6月6日判決(Ayinde事件及びAl-Haroun事件)は,ChatGPTのような一般に利用できる生成AIの道具は,信頼できる法律調査を行うことができず,実在しない出典を示したり,実在する出典にない文章を引用したように示したりすることがあると述べている。
そのうえで,AIを用いて法律調査をする法律家には,業務で使う前に権威ある資料で正確性を確認する職業上の義務があるとしている(6項から8項,PDF2~3頁)。
これは英国の法律家の義務に関する判断であり,日本の本人訴訟の当事者や,AI作成と思われる書面を受け取った側にそのまま当てはまる規律ではない。
本記事では,AIが示す引用に誤りが生じうることと,原典の確認が必要であることの裏付けとして挙げる。

(続きを読む...)相手のAI作成書面にどう反論するか―判例の確認と事実・証拠の対照(AI作成)

弁護士の生成AI利用への同意―事件処理・知見の蓄積・ブログ作成(AI作成)

目次

第1 包括的同意の積極的な効果1 AIに渡せる資料と任せられる作業を具体化できる2 同じ範囲の継続利用を支えられる第2 守秘義務との関係でも,同意には実質的な意味がある第3 受任時に同意の範囲を設計する1 資料・目的・取扱条件を合わせて説明する2 受任時の説明を,その後の業務の基盤にする第4 事件処理から知見の蓄積へ活用を広げる1 事件終了後の利用も明示して合意する2 ブログや研修資料の作成を対象にする第5 依頼者の利益のために,活用できる範囲を確保する第6 安全なサービス選定と包括的同意を組み合わせる第7 よくある質問1 包括的同意があれば,利用のたびに同意は不要か2 同意があれば実名を含む資料も使えるか3 すべての弁護士に同意書の取得が義務付けられているか第8 関連する解説第9 出典

弁護士が生成AIを活用する場合,依頼者から十分な説明に基づく包括的同意を得ることは,利用の許容範囲を広げる重要な方法である。
同意の目的,対象情報及び取扱条件を明確にすれば,依頼者の承諾に関わる問題を整理し,実際の事件資料を使った分析や継続的な起案・査読へ活用を広げやすくなる。

受任時の包括的同意には,その後に予測される処理をあらかじめ合意し,同じ範囲の利用のたびに承諾を取り直す負担を減らす意味もある。
その役割は,AIを単発の質問だけでなく,事件処理の複数の工程へ継続して組み込むほど大きくなると考えられる。

第1 包括的同意の積極的な効果
1 AIに渡せる資料と任せられる作業を具体化できる

依頼者の承諾を得ずに利用できるかが不明確な資料も,権限のある依頼者に取扱方法を説明し,有効な承諾を得ることで,利用可能性を広げられる場合がある。
とりわけ実名入りの相談記録,メール及び診療情報等について,何をどの目的で処理するのかを合意しておくことは,実際の事件を扱う上で意味が大きい。

同意に含める目的・範囲広がる活用の例依頼者が得られる利点事件資料の読取りと整理実名・日付を対応させた時系列や人物関係の整理資料のつながりを把握しやすい主張・証拠の分析相談内容と証拠の対照,未確認事項の抽出見落としを点検する観点が増える文書の起案と査読準備書面の構成案,反論候補,証拠との整合確認弁護士の検討を複数の工程で補助できる継続的な打合せの記録録音,文字起こし,要約,確認事項の追跡打合せ後の対応を整理しやすい明示した目的での事件終了後の再利用事務所内の知見蓄積,類似問題の検討経験を将来の業務品質の改善に生かせる説明した条件での一般向け情報発信識別を防いだ法律解説や研修資料の起案実務から得た知見を社会へ還元できる

同意の効果は,説明して合意した範囲に及ぶ。
事件処理への同意だけから知見蓄積や一般への公表まで推測するのではなく,広く使いたい目的を同意の対象へ明示して組み込むことが重要である。

2 同じ範囲の継続利用を支えられる

個人情報保護委員会のQ&AのQ7-7は,個人情報の取得と同時に第三者提供の同意を得ることを認めている。
Q7-8も,取得時に予測される第三者提供について包括的同意を得ることが可能であり,提供のたびに必ず同意が必要となるわけではないと説明している。個人情報保護委員会のQ&A

この説明は個人情報保護法上の第三者提供についてのものである。
その上で,弁護士実務でも,予測できる情報処理を説明して合意し,承諾した範囲を継続利用の基盤とする設計には大きな価値がある。
新しい資料を受領した場合も,同意された目的・情報・条件に収まるかを確認して利用を続けられる仕組みを作れるからである。

第2 守秘義務との関係でも,同意には実質的な意味がある

本人の承諾は,弁護士の守秘義務を考える上で重要な事情である。
東京弁護士会の公開解説も,刑事弁護の報道対応という場面において,本人の承諾を守秘義務が解除される正当な理由との関係で説明し,承諾を得るための十分な説明の必要性を指摘している。LIBRA2008年6月号23頁

生成AIの利用についても,利用目的,外部で処理される情報,保存やアクセスの条件等を明らかにして承諾を得れば,依頼者の意思に基づく利用の範囲を確保しやすくなる。
依頼者の同意は,AI利用の可否を判断する際に,サービスの安全性とは別に検討する積極的な根拠となる。

ただし,本人の承諾による守秘利益の処分と,個人情報保護法上の本人同意,別の契約の権利者の承諾等は,主体と対象をそろえて検討する。
依頼者が承諾できない第三者の権利まで含めて処分したことにはならない。

第3 受任時に同意の範囲を設計する
1 資料・目的・取扱条件を合わせて説明する

包括的同意は,対象が分からないまま何でも承諾してもらうという意味ではない。
例えば,氏名や連絡先等を含む資料を,時系列整理,起案及び査読に使い,特定の契約・設定のサービスへ送信し,定めた期間保存するというように,予測される利用をまとめて説明するものである。

個人情報保護委員会の通則編ガイドラインは,本人の同意について,示された取扱方法を本人が承諾する意思表示とし,判断に必要な内容を明確に示した合理的かつ適切な方法によることを求めている。通則編ガイドライン2-16

(続きを読む...)弁護士の生成AI利用への同意―事件処理・知見の蓄積・ブログ作成(AI作成)

AIの難問正解率をどう読むか―検証可能性と法律実務(AI作成)

目次

第1 専門問題の高得点と,仕事を任せられることは分けて考える第2 理論物理の「50問中49問正解」をどう読むか第3 「答えを確かめやすい」は有力な視点だが,十分な説明ではない第4 科学研究でも,予測・実験・利用可能性は別の段階である第5 若手雇用の「19%」は何を示すか第6 法律実務では,答え合わせの工程を具体化する第7 出典
第1 専門問題の高得点と,仕事を任せられることは分けて考える

AIが難問を解いたという報告を読むときは,何を解かせ,どの道具を使わせ,何を正答としたかを先に確認する必要がある。
人間が感じる難しさだけで,AIの得意な作業の順番や職業全体の将来を判断することはできない。

知りたいことこの記事の結論確かめる点難問の高得点は何を示すか特定の評価条件での成果を示す問題,モデル,道具,試行回数,採点方法なぜ簡単なミスも残るか検証可能性だけでは個々の失敗を説明し切れない入力形式,視覚認識,道具,学習と評価の違い法律実務にどう使うか原典と結論の対応を人が確認する工程を設計する資料の実在,対象時点,前提事実,判示の射程

出典:以下の研究及び筆者の実務上の提案。基準日:2026年11月15日。職業の代替率を推計した表ではない。

第2 理論物理の「50問中49問正解」をどう読むか

TheoPhysEvalの原論文第2版は,未公表の研究水準の理論物理問題50問で,AIエージェントを評価している。
第1版は2026年10月9日,第2版は同年11月12日に公開されており,ここでは第2版を基準とする。
GPT-6 AstraをCodexの環境で動かし,検索を含む道具を使える「実用的な設定」で評価したところ,成績は49問,98%だった。
著者らは,評価の実行中に人が追加ヒントを与えない条件で評価したと説明している。
これは,道具を使うエージェントの成績であり,対話モデルだけに同じ質問をすれば常に98%正解するという意味ではない。

項目原論文で報告されたこと読み取る際の限界問題の性質50問は未公表の研究水準の問題未解決の大問題を50個発見・解決したという研究ではない道具の条件Astra+Codexは実用的設定で49/50,検索を無効にした隔離設定で46/50検索その他の道具を含む条件を揃えて比較する必要がある試行各エージェントを各条件で1回評価将来の回答すべての成功確率を測ったものではない採点最終回答だけを自動採点導出過程のすべての正しさを保証しない。逆問題は曲線によく合う方程式であれば正解とする方針だったが,全エージェントが不合格だった人との比較典型的な問題は当該分野の世界的な専門家なら1日程度かそれ以下で解けるが,近接分野の専門家にはかなり長くかかるという見積り同条件で専門家に50問を解かせて比べた実験ではない

出典:TheoPhysEval第2版の要旨,第Ⅲ節,第Ⅳ節1の図3・4,付録B,付録C・1の表4。数値の単位は正答問題数/全50問。モデル・道具・設定を限定した研究報告である。

未公表という条件も,学習データとの重なりが完全に排除されたことを意味しない。
問題を提供した専門家が解答の作成にAIを使ったものがあり,論文も情報漏れの可能性を排除していない。
検索を使わない条件でも高い成績が出たことについて,著者らは,AIが研究文献の内容を相当程度記憶している可能性を示唆している。
もっとも,これは著者らの解釈であり,原因を特定した実験結果とは分けて読む必要がある。

さらに,同論文では,当初AIが誤答したと評価した複数の問題について,専門家と協議して詳しく調べたところ,元の参照解答に微妙な誤りがあり,専門家が訂正した後はAIの解答が正答とされたことも報告されている。
比較の基準となる人の答えも,点検の対象になる。

第3 「答えを確かめやすい」は有力な視点だが,十分な説明ではない

Andrej Karpathyの「Verifiability」は,AIが繰り返し練習できる課題の条件として,やり直せること,多くの試行を効率よくできること,結果に自動的な採点を与えられることを挙げている。
そのうえで,答えを確かめやすい課題は急速に進み,専門家を超えることもあり得る一方,創造的・戦略的な課題や,現実世界の知識・状況・常識を組み合わせる課題は遅れて,進歩が不均一になると説明している。
これは進歩の不均一さを考える枠組みであり,職業が置き換わる順序を実証した法則ではない。

視点確かめる質問実務での着眼点やり直し失敗後に同じ条件へ戻れるか外部へ提出・送信する前の下書きか試行の効率時間や費用を抑えて繰り返せるか生成だけでなく確認・修正の負担はどうか採点成功を具体的に判定できるか引用の一致と,主張全体の適切さを分けられるか

出典:Karpathy「Verifiability」(2025年11月17日)。右欄は筆者による法律実務への応用案であり,原文の実証結果ではない。

ただし,アナログ時計の時刻にも答え合わせはできる。
したがって,「答えを確かめやすい課題だけが進む」という説明だけでは,簡単な課題での失敗を説明し切れない。
視覚入力,学習した課題の分布,道具及び評価条件などを分けて調べる必要があるというのが,ここでの考察である。

ClockBench(2025年9月2日)は,180個の時計について720問を作り,アナログ時計の読み取りを評価した。

(続きを読む...)AIの難問正解率をどう読むか―検証可能性と法律実務(AI作成)

AIにURLを読ませる方法―ウェブ検索・直接取得・ブラウザーの違いと読めないときの確認(AI作成)

目次

第1 URLの確認では取得方法と確認範囲を指定する第2 ウェブ検索・直接取得・ブラウザーの違い1 ウェブ検索は資料の所在を探す入口になる2 直接取得は指定URLから返るデータを調べる3 ブラウザーは表示と操作を確かめる第3 最初に使う方法は目的で選ぶ1 特定URLの精密確認では直接取得を優先する2 直接取得でも最新版とは限らない第4 読めないときは止まった段階を分ける第5 取得できた後に確認すること第6 AIへの依頼文の例第7 よくある質問1 直接取得ならAIの回答も正確になるか2 公開ページの本文とCMSに保存された本文は同じか3 この方針をスキルにすれば必ず自動で使われるか第8 関連記事第9 出典・参考資料
第1 URLの確認では取得方法と確認範囲を指定する

AIに公開URLを渡す場合は,そのページの何を確かめたいかを先に決めるとよい。
特定の記事の現在の題名や本文を正確に確かめたい場合と,関連資料を広く探したい場合とでは,適した入口が異なる。
この記事では,ウェブ検索,直接HTTP取得及びブラウザーによる確認を説明上区別し,方法の選び方と読めないときの切り分けを整理する。

特定の公開URLの精密な確認では,利用環境とサイトの条件が許す直接取得を最初の候補にする方法が考えられる。
ただし,直接取得で得たHTMLだけでは,画面に後から表示される内容,画像内の文字,リンク先のPDF等を確認し切れない場合がある。
取得の成否,読んだ範囲及び回答の根拠を分けて確認することが大切である。

製品ごとの利用可能なツールや許可範囲は異なる。
以下は特定のサービスに共通する操作モードを定義するものではなく,取得方法を選ぶための実務上の整理であり,仕様の確認日は令和8年11月14日である。

第2 ウェブ検索・直接取得・ブラウザーの違い
1 ウェブ検索は資料の所在を探す入口になる

検索は,関連資料,公式の掲載元,別の掲載先及び更新情報を探すときに役立つ。
検索結果の題名や抜粋だけでは,対象ページ全体を読んだことにはならないため,重要な記載は掲載元を開いて確認する。

検索用のツールにも,ページを開く機能やページ内を探す機能を備えるものがある。
例えばOpenAIのResponses APIのweb_searchには,search,open_page及びfind_in_pageという処理が説明されている。
したがって,「ウェブ検索用のツールを使ったから検索結果だけを見た」とも,「URLを渡したから必ず掲載元の全文を取得した」とも一律にはいえない。
根拠はOpenAIのWeb search公式資料のOutput and citationsである。

2 直接取得は指定URLから返るデータを調べる

この記事でいう直接取得は,許可されたHTTPクライアント等から指定URLへリクエストし,応答の本文やヘッダーを受け取る方法である。
題名,本文中の語句,リンク先及び応答コードを確かめ,取得したデータを比較用に残したい場合に向く。

もっとも,ブラウザーもHTTP等を使って通信するため,直接取得とブラウザーは通信方式が完全に別という関係ではない。
主な違いは,受け取ったデータをどこまで処理し,画面上の表示や操作まで確かめるかにある。
HTTPとウェブページの構成についてはMDNのHTTP概説が参考になる。

3 ブラウザーは表示と操作を確かめる

JavaScriptによって後から表示される本文,展開ボタンの内側,表の配置及び埋込みの表示を確かめる場合には,ブラウザーが必要になることがある。
それでも,画面に見えた部分だけでページ全体やリンク先まで読んだことにはならない。
どの画面を開き,どの範囲を見たかを記録する必要がある。

方法主に役立つ目的追加確認が必要な例ウェブ検索関連資料や掲載元を探す抜粋の前後,原資料の本文,現在の掲載状態直接HTTP取得指定URLの応答と取得データを照合する後から表示される内容,画像,画面配置ブラウザー実際の表示や展開操作を確かめる未表示部分,別ページ,リンク先の資料
第3 最初に使う方法は目的で選ぶ

(続きを読む...)AIにURLを読ませる方法―ウェブ検索・直接取得・ブラウザーの違いと読めないときの確認(AI作成)

ChatGPT・CodexでAI操作中だけChromeの文字入力が遅いとき―デバッグ警告と切分け(AI作成)

目次

第1 結論第2 この記事が対象とする症状第3 デバッグ開始の警告が意味するもの第4 警告を閉じる前に確認すること第5 AI操作中と終了後を安全に比較する方法第6 内蔵ブラウザーと通常のChromeの使い分け第7 認証情報と秘密情報の入力第8 AI操作を終了しても遅い場合第9 再発時の確認用チェックリスト第10 関連記事第11 出典・参考資料
第1 結論

ChatGPTデスクトップアプリのWork又はCodexから通常のChromeを操作している間に文字入力が遅くなり,Chrome上部にデバッグ開始の警告が表示される場合は,最初からChrome,Windows又はパソコンの故障と決めつけない方がよい。

まず,①AIによるChrome操作中だけ遅いか,②AIの操作とデバッグセッションを終了した後も遅いか,③Chrome以外のアプリでも遅いかを分ける。
送信,保存,公開,削除又はアップロードの途中で接続を終了すると結果が分からなくなることがあるため,警告を閉じる前に進行中の操作と外部状態を確認する。

Googleの公式資料によれば,拡張機能がdebugger APIを使用している間はウィンドウ上部に警告バーが表示され,そのバーを閉じる又は消すとデバッグセッションが終了する。
これは表示だけを消す操作ではない。

既存のChromeプロファイル,ログイン済みサイト又は開いているタブを使う必要がなければ,ChatGPTデスクトップアプリの内蔵ブラウザーを使う方法もある。
ただし,公式資料はデバッグ接続が文字入力遅延の原因であるとは説明していないため,接続中と終了後を同じ条件で比較し,原因を断定しないことが大切である。

第2 この記事が対象とする症状

この記事の主な対象は,次の三つが同時に当てはまる場合である。

① ChatGPTデスクトップアプリのWork又はCodexから通常のChromeを操作している。
② Chrome上部に,拡張機能がブラウザーのデバッグを開始した旨の警告が表示される。
③ AIの操作中に限って,又は操作中に特に強く,Chromeで文字入力の遅れを感じる。

この症状は,Chromeへ接続できない問題とは異なる。
また,AI操作の終了後も通常のChromeだけが遅い場合,又はメモ帳等の他のアプリも遅い場合は,Chrome一般若しくはWindows全体の切分けも必要になる。

症状主に確認する記事・範囲デバッグ警告が表示され,AI操作中だけChrome入力が遅い本記事で操作中と終了後を比較するAI操作を終了しても通常のChromeが遅いChromeのプロファイル,拡張機能,ゲストモード及び描画を確認するChrome以外のアプリも遅いCPU,メモリ,ディスク,IME等のWindows全体を確認するChromeへ接続できないChatGPT拡張機能,プロファイル,サイト権限及び新しいチャットを確認する
第3 デバッグ開始の警告が意味するもの

Chrome Developersの資料によれば,chrome.debugger APIは,Chromeのリモートデバッグプロトコルの代替の伝送手段である。
接続した後は,Chrome DevTools Protocolの命令を対象へ送ることができる。

拡張機能の移行に関するChrome Developersの別の資料は,この種のAPIを使用している間はウィンドウ上部に警告バーが表示され,バーが閉じられる又は消されるとデバッグセッションが終了すると説明している。

したがって,警告バーを閉じる前に,AIが閲覧,入力,確認又は外部操作の途中でないかを確かめる必要がある。
接続を維持したいときは,表示だけを消す目的で警告を閉じない。
反対に,AIのChrome操作を終えて自分で比較したいときは,進行中の操作がないことを確認した上でセッションを終了する。

警告の文言は,Chromeの版及び表示言語により異なり得る。
ChatGPT拡張機能が内部でどの仕組みを使うかは,本記事で参照した公式資料には書かれていない。
警告が出た時点がAIの操作開始と重なるかを記録して判断するとよい。
警告が出たことだけで,入力遅延の原因がデバッグ接続であると断定することはできない。

第4 警告を閉じる前に確認すること

AIへ依頼した作業が画面上で終わって見えても,送信先又は保存先で処理が続いていることがある。

(続きを読む...)ChatGPT・CodexでAI操作中だけChromeの文字入力が遅いとき―デバッグ警告と切分け(AI作成)

AI PCとは何か―NPU・GPU・Copilot+ PCの違いと法律事務所のパソコン選び(AI作成)

目次

第1 この記事の結論第2 AI PCとCopilot+ PCは同じ意味ではない第3 CPU・GPU・NPUの役割第4 クラウドAIとローカルAIで必要な構成は異なる1 クラウド型AI2 WindowsのオンデバイスAI機能3 ローカルLLM・画像生成第5 法律事務所の用途別の選び方第6 見積書・構成書で確認する項目第7 AI用途以外の業務条件を先に確認する1 メモリとSSD2 保守と記憶装置3 移行と検収第8 よくある質問1 Core Ultraを搭載していればCopilot+ PCですか。2 NPUがあればクラウド型AIが速くなりますか。3 独立GPUがなければAIを使えませんか。4 メモリとSSDは多いほどよいですか。第9 関連記事第10 出典
第1 この記事の結論

「AI PC」という名称だけで,法律事務所に必要なAI処理が速くなるとは限らない。
確認すべき順序は,①使うAIがクラウド型か端末内で動くローカル型か,②使うアプリがNPU・GPU・CPUのどれに対応するか,③メモリ,ストレージ,周辺機器及び保守が通常業務に足りるか,である。

Copilot+ PCは,Microsoftが要件を定めたWindows 11 AI PCのカテゴリーである。
令和8年11月13日現在,40 TOPS以上のNPU,16GB以上のメモリ及び256GB以上のストレージ等が要件である。
しかし,Windows 11上のクラウド型Copilotは通常のWindows 11 PCでも利用でき,すべてのAIアプリがNPUを使うわけでもない。

Word,PDF,ブラウザー及びクラウド型AIを中心に使う場合は,NPUの名称より,十分なメモリ,SSD容量,安定した表示・周辺機器,保証及び移行作業を重視する。
端末内でWindows AI機能を使う場合はCopilot+ PCの要件を,ローカルLLMや画像生成を行う場合は利用ソフトが対応するGPU・NPUと必要メモリ又はVRAMを個別に確認する。

確認基準日は令和8年(2026年)11月13日である。
AI機能,対応ハードウェア及び製品要件は変わり得るため,購入時には利用するアプリとメーカーの現行資料を確認されたい。

第2 AI PCとCopilot+ PCは同じ意味ではない

「AI PC」と表記されていても,それだけではCopilot+ PCの要件を満たすか,NPUが40 TOPS以上か,又は目的のAIアプリがGPU・NPUに対応するかを判断できない。
名称ではなく,正確なプロセッサ型番,NPU・GPUの仕様及び利用アプリの対応条件を確認する。

これに対し,Copilot+ PCはMicrosoftが定めるWindows 11 PCのカテゴリーである。
MicrosoftのWindows 11仕様ページは,次の要件を示している。

項目Copilot+ PCの要件(令和8年11月13日現在)NPU40 TOPS以上の実行性能を持つ互換プロセッサ又はSoCメモリ16GB DDR5又はLPDDR5以上ストレージ256GB SSD又はUFS以上OSWindows 11の最小要件に加え,対象機能の要件を満たすこと

40 TOPS以上という数字だけで,目的のアプリが動くこと又は十分に速いことは保証されない。
Microsoftも,追加する機能・アプリ・ハードウェアによって追加要件があり得ると説明している。
購入前に,プロセッサの正確な型番,NPU性能及び利用アプリの対応表を照合する。

第3 CPU・GPU・NPUの役割
部品主な役割AI用途での確認点CPUOS,Office,ブラウザーその他の一般処理コア数や世代だけでなく,通常業務の応答性,互換性及び消費電力GPU画面描画,画像・動画処理,高い並列性を使うAI処理統合GPUか独立GPUか,対応ライブラリ,VRAM,電源及び冷却NPU対応するAI推論を効率よく継続実行する専用処理TOPS,アプリ・APIの対応,OS版及び利用できる機能

Microsoft Learnは,Windows MLにおける役割を,NPUは電力効率に優れた持続的推論,GPUは画像・動画・生成AI等の高スループット処理,CPUは汎用的なフォールバックと説明している。
これは役割の目安であり,実際にどの部品を使うかはアプリ,モデル,ドライバー及び実行環境によって異なる。

「Core Ultra等のAI向けCPUを搭載している」「NPUがある」という表示だけで,Copilot+ PCの40 TOPS要件を満たすとは限らない。
同じシリーズ名でも世代・型番によって構成が異なるため,型番を省略した見積書では確認できない。

第4 クラウドAIとローカルAIで必要な構成は異なる
1 クラウド型AI

ブラウザー又は専用アプリを通じて利用するクラウド型AIでは,通常,パソコン側のNPU又は独立GPUが必須とは限らない。
多数のブラウザータブ,Office,PDF,OCR及びオンライン会議を同時に使うなら,メモリ容量,SSDの空き,ネットワーク及び表示の安定性も体感に影響する。

(続きを読む...)AI PCとは何か―NPU・GPU・Copilot+ PCの違いと法律事務所のパソコン選び(AI作成)

Claude CodeとCodexを連携・併用する方法―法律文書の起案・独立査読・引継ぎ(AI作成)

目次

第1 起案,査読及び最終判断を誰が行うか第2 公開資料を使った起案から再確認までの作例1 対象版と指摘の範囲を先に決める2 指摘番号を引き継ぎ,修正後の版で照合する第3 受渡し方法を業務に合わせて選ぶ1 一度の査読は確定した原稿と依頼書で渡す2 何度も往復するならagmsgを検討する3 別のPCへ渡すときは受領と実行を追える形にする第4 連携の効果を測る第5 関連記事と資料
第1 起案,査読及び最終判断を誰が行うか

Claude CodeとCodexの両方を使えるときは,まず起案する側と,原資料を読み直して指摘を返す側を決める。
受渡しが一往復なら,対象版と根拠資料を示す短い依頼書で始められる。
同じ二者の間で修正と再確認が何度も続くときに,連絡手段を追加する意味が生まれる。

本記事は,法律文書や公開判決の紹介原稿を対象に,依頼,受領,指摘,修正,再確認のつなぎ方を示す。
裁判所の公開ページを使った作例は手順を説明するための設例である。
製品の機能は令和8年11月9日に確認した公開資料に基づく。
役割と確認手順は,業務に応じて選ぶ運用例である。

以下では,Claude Codeを起案側,Codexを査読側とする。
担当は入れ替えてもよい。
起案側には修正できる作業用原稿を渡し,査読側には固定した対象版,確認に使う原資料及び指摘の形式を渡す。
査読側は対象版の原稿を読むが,起案時の会話や起案側の自己評価を渡さず,原資料を自分で開いて根拠を照合する。

査読側の作業は指摘票を返すところまでとし,対象原稿の上書きや対外送信の権限は付けない。
起案側は指摘ごとに採否と理由を残し,修正後の版を返す。
見解が食い違えば,両者が何を根拠にしたかを確認し,原資料の該当箇所へ戻る。
両者の見解が一致した場合も,原資料の該当箇所を照合する。
提出,依頼者への送信及び公開は,担当者が対象と内容を確定した後に別工程で判断する。

第2 公開資料を使った起案から再確認までの作例
1 対象版と指摘の範囲を先に決める

裁判所の「裁判例を調べる」を紹介する短い原稿を例にする。
架空の原稿第1版に「裁判所ウェブサイトにはすべての判決等が掲載されている」と書かれていたと仮定する。
この記載の正誤は,同ページの「判例検索システム」の注意書きで確認できる。
注意書きでは,判決等の掲載範囲に限りがあると説明している。

査読側への依頼は,例えば次のように書ける。

①対象版は紹介原稿第1版,第1段落。照合先は裁判所「裁判例を調べる」の「判例検索システム」。
②掲載範囲に関する記載が原資料と一致するかを確認する。指摘番号,対象箇所,根拠箇所,理由及び修正案を返す。
③原稿の編集は起案側が行う。指定資料を開けなければ,確認できなかった対象と理由を返す。

2 指摘番号を引き継ぎ,修正後の版で照合する

査読側の指摘票は「A-1/第1版・第1段落/裁判所『裁判例を調べる』の『判例検索システム』の注意書き/全件掲載と読めるため修正が必要/修正案は『掲載対象には限りがある』と補う」とする。

(続きを読む...)Claude CodeとCodexを連携・併用する方法―法律文書の起案・独立査読・引継ぎ(AI作成)

Claude CodeとCodexで作業を引き継ぐ方法―Markdownの外部メモリと再開用テンプレート(AI作成)

目次

第1 別のAIへ仕事の現在地を渡す第2 何をどこに残すか第3 再開メモのひな型と記入例1 コピーして使うひな型2 公開資料の査読を想定した記入例第4 別のAIで再開し,正本と比較元を照合する1 受け手に最初に渡す指示2 旧版が隣にある場合の確認例第5 比較元を読めないときの止め方第6 保存先と秘密情報の扱いを決める1 案件フォルダー,Obsidian及びNotionの役割2 法律事務所では共有対象を絞る第7 関連する山中弁護士ブログの記事第8 出典・参考資料
第1 別のAIへ仕事の現在地を渡す

Claude Codeで調査した仕事をCodexで査読する場合には,原稿と,仕事の現在地を記した短いMarkdownファイルを同じ案件フォルダーで管理できる。
受け手には,開くメモを指定し,正本の版,未確認事項及び次に許される作業を確かめさせる。
本記事では,このように会話の外に保存し,新しい会話から読み直せる記録を外部メモリと呼ぶ。

例えば,記事の原稿が完成していても,引用元との照合が済んだか,公開の承認を得たかは別々の事実である。
引継ぎでは,済んだ工程と残った工程を一行ずつ書くと,次の担当が確認すべき箇所を特定しやすい。
以下は令和8年11月9日を基準とした運用例であり,案件ファイルを明示して渡す方法を扱う。

第2 何をどこに残すか

案件フォルダーには,指定した正本と,その案件の最新の再開メモを置く。
原稿を更新した人はメモが指すファイル名と版を更新し,変更の経緯が必要なら日付付きで別に記録する。
原稿をメモへ転載すると二つの編集箇所ができるため,メモには参照先と必要な箇所を書けばよい。

何度も使う確認手順はスキルに,後日も使える資料の探し方や判断条件は知識庫に置く。
例えば,「判決の引用では意見の帰属と該当頁を確認する」は確認手順であり,「今回の原稿では配布日だけ未照合」は再開メモに置く情報である。
Claude Codeのプロジェクト指示や自動メモリ,Codexのプロジェクト指示の機能については,それぞれの公式資料を参照できる[1・2]。

第3 再開メモのひな型と記入例
1 コピーして使うひな型

対象・目的:
現在地と確認済みの事項:
正本のファイル名・版:
確認に使う資料・箇所:
未確認事項:
次の一手・止まる条件:
認められた作業・外部操作の承認状況:

正本は「最新版」とだけ書かず,どのファイルを開くかが分かる名前と版を記す。
再開メモの「承認済み」は照合の手掛かりとして使い,公開や送信などの実行前には,対象と操作を特定した元の承認を確認する。

2 公開資料の査読を想定した記入例

(続きを読む...)Claude CodeとCodexで作業を引き継ぐ方法―Markdownの外部メモリと再開用テンプレート(AI作成)

法律事務所で生成AI活用が進まないとき―原因の見分け方と4週間の試行(AI作成)

目次

第1 使われない理由を業務の流れから見分ける第2 対象業務と練習時間を決める第3 4週間で一つの業務を試す第4 追加投資と外部支援は止まった工程に合わせる第5 関連記事と出典
第1 使われない理由を業務の流れから見分ける

直近の対象業務を担当した弁護士と職員に,どの工程まで進めたかを聞く。
たとえば資料一覧を作るとき,対象業務に気付いたか,どの資料を入力できるか判断できたか,結果を原資料と照合できたか,困ったときに誰から答えを得られたかをたどる。

確認する点担当者への問い試行前に決めること目的と短縮時間の配分何を改善すると自分の担当業務が楽になるか減らす手戻りと,浮いた時間を回す仕事業務指示と監督どの資料,サービス,操作が許されるか入力の範囲,確認する項目,弁護士へ戻す条件練習と確認通常業務のどこを減らせば練習とレビューの時間が取れるか業務時間内の練習枠,確認者の予定利用環境と費用待ち時間,利用上限,端末の遅さのうち何で止まるか事務所の許可条件と,実機で比較する項目質問と事故対応答えに迷うとき,利用を止めて誰に聞けるか内部の窓口,代理者,外部に聞ける範囲

効率化の利益を経営側と現場が同じように見ているとは限らない。
同じ仕事を短く終えた結果として追加業務ばかりが増えると,改善を報告する動機が弱くなることがある。
試行の前に,短縮できた時間を未処理業務の解消,資料の確認,研修,残業の削減などのどこへ配分するかを話し合う。
評価や配分の詳細は,AIで時短した職員を損させない法律事務所の評価制度で扱う。

第2 対象業務と練習時間を決める

最初の課題には,例えば,個人や事件を特定できる情報を含まない公開行政資料から,資料名,公表日,該当頁及び資料に明示された要点を一覧にする業務を選べる。
担当者は各行を原資料と照合し,日付や頁が判別できないものを分けて弁護士へ戻す。
依頼者の資料を入力する練習,法律判断の確定,外部送信及び事件記録への自動登録は,この試行の対象から外す。
事務所の許可サービスや秘密情報の管理は,法律事務所の生成AI利用ガイドラインの作り方を参照されたい。

経営弁護士やパートナーは,同等の端末・設定と同じ模擬課題を用い,各自に付与された試行用アカウントで一度作業し,どこで質問が必要になるかを見る。
慣れている人は手順を省略して説明しがちであり,使っていない人には,出力を確かめたり誤りを直したりする時間が見えにくい。
導入直後にかかった時間は,習熟後の1件当たりの時間と分けて記録する。

労働者に業務上参加を義務付ける研修や,使用者の指示で業務に必要な学習をする時間は,労働時間に当たる。
最高裁平成12年3月9日判決は,造船所で義務付けられた作業服・保護具の装着等を扱い,労働時間に当たるかは使用者の指揮命令下にあったかによって客観的に決まるとした。
自宅での視聴や任意と表示された講習でも,受講が実質的に求められているか,断ると不利益があるかなど,実際の指揮命令関係を確認する。
実務上は,必須の受講や練習に勤務時間内の枠を設け,実際にかかった時間を記録できるようにするとよい。
雇用される事務職員を主に想定した説明であり,所属弁護士については契約名だけで判断せず,働き方の実態に応じて労働者性を別に確認する。
厚生労働省の労働時間把握ガイドライン・研修・教育訓練の取扱い

第3 4週間で一つの業務を試す

以下は期間と課題を限定した実施例である。
同じ資料を続けて処理すると,内容を覚えた分だけ速くなり得るので,比較には難度の近い別の資料も使う。
資料量や担当者が違うときは,その違いを記録して結果を読む。

週実施すること記録すること第1週従来の手順で資料一覧を作り,許可環境と正解資料を用意する件数,作業時間,誤り,手順が滞った箇所第2週勤務時間内に練習し,職員と弁護士が照合の分担を確認する初期設定・学習時間,質問,判別できなかった項目第3週同程度の別資料を処理し,利用した場合と見送った場合を記録する準備,生成待ち,原資料照合,修正,差戻し,最終確認の時間第4週弁護士と職員が結果を読み,継続,修正して再試行,従来手順に戻す,のいずれかを決める品質,純短縮時間,担当者ごとの負担,短縮時間の配分,次の確認日

例えば,公開資料の一覧化が従来1件30分で,試行では準備・入力8分,職員の照合12分,弁護士の確認12分なら,人の合計は32分になる。
生成が速くても,この例では従来より2分長い。

(続きを読む...)法律事務所で生成AI活用が進まないとき―原因の見分け方と4週間の試行(AI作成)

ワークスロップとは―生成AIで作った資料のレビューと差し戻し(AI作成)

目次

第1 ワークスロップとは第2 資料を受け取ったときの三つの対応1 レビューに進む2 資料の補充を求める3 期限管理者に直ちに連絡する第3 契約更新の稟議をどう確認するか第4 資料を渡すときのひな形第5 手戻りが減ったかを測る第6 関連記事・出典
第1 ワークスロップとは

ワークスロップとは,完成品らしく見えても,依頼された仕事を進めるだけの材料が足りないAI生成の業務資料などをいう。
例えば,契約更新についての稟議に選択肢が並んでいても,どの版の契約書を読んだのか,いつまでに決める必要があるのかが書かれていなければ,受け手は確認と判断の前提を組み立て直さなければならない。

BetterUp LabsとStanford Social Media Labが2025年に米国のフルタイムのデスクワーカー1,150人に行ったオンライン調査では,約4割が直近1か月にワークスロップを受け取ったと回答した。
同じ調査の公表資料では,1件への対応時間は平均約2時間と報告されている。
いずれも回答者の自己申告であり,調査の対象は米国のデスクワーカーである。
BetterUpの調査資料

第2 資料を受け取ったときの三つの対応
1 レビューに進む

決めてほしいこと,確認する資料の版と該当箇所,判断の期限が分かり,結論を左右する未確認事項がなければ,依頼された範囲のレビューに進む。
原資料を開き,重要な記載が原文と一致するか,その記載が提案を支えるかを確かめる。
判断の承認が必要なときは,レビュー結果を決裁者へ伝える。

返信例 「締結版第8条と別紙1を確認します。今回の回答範囲は条項の読み方と通知方針です。」

2 資料の補充を求める

根拠の版,該当箇所又は決める事項を特定できず,補充する時間を確保できるなら,起案者に不足を伝える。
どの資料が要るか,それがないと何を判断できないか,いつまでに戻してほしいかを示す。

返信例 「締結版と変更合意の有無を示してください。確認できるまで通知期限の判断を保留します。会議資料に反映するため,明日の正午までに共有してください。」

3 期限管理者に直ちに連絡する

外部通知や提出の期限が近い可能性があり,補充を待つ間に期限を逃し得るなら,起案者への依頼と並行して期限管理者に連絡する。
確定した期限と未確認の候補日を区別し,誰が原資料を確認し,次の措置を判断するかを決める。

返信例 「通知期限が近い可能性があります。変更合意と通知方法が未確認です。期限管理担当へ今連絡し,締結版と連絡記録の確認を並行して進めてください。」

第3 契約更新の稟議をどう確認するか

次は架空の契約更新の例である。

修正前 「更新リスクを整理しました。資料を確認してください。」

修正後 「次回会議で,自動更新を止める通知を出すか判断してください。起案者は通知案を先に準備することを提案します。根拠は締結版第8条と別紙1です。到達期限と送付先に影響する変更合意がないか,担当者が会議前に確認します。今回は第8条の読み方と通知方針を見てください。」

同じ資料でも,締結版と変更合意を照合し,通知方法・期限を含めて結論を左右する未確認事項がなければレビューに進める。
締結版しかなく,補充に必要な時間があるなら,変更合意と通知方法を確認してもらう。
通知期限まで余裕があるか自体が不明で,手元の資料から期限が近い可能性を否定できないときは,判断を保留したまま期限管理者に連絡する。

法務メモで裁判例を根拠に挙げる場合も,確認する対象は出典の名前と引用箇所の両方である。

(続きを読む...)ワークスロップとは―生成AIで作った資料のレビューと差し戻し(AI作成)

生成AIで若手弁護士は育つか―米国の特許実務家133人の実験と起案・査読の分け方(AI作成)

目次

第1 依頼者に届ける書面と、若手が身につける判断力第2 米国の実験は何を測ったか1 起案と査読を別の課題にした2 起案の上積みと、AIを外した後の成績第3 著者による解説と、論文本文で確かめるべき点1 査読で何に時間を使ったか2 3か月の実験から言える範囲第4 準備書面で、提出用の仕事と訓練を分ける1 一つの争点を、AIの案を見る前に考える2 AIに下見を任せ、上司は判断が分かれる点を返す3 手順を配るときは、判断の持ち場も決める第5 関連記事第6 出典
第1 依頼者に届ける書面と、若手が身につける判断力

生成AIに準備書面の初稿を任せると、依頼者に早く案を示せる場面がある。
若手弁護士に同じAI環境を渡せば、事務所の手順も伝えやすくなる。
その結果、提出できる書面が増えたとして、若手本人が書面の弱点を見抜き、判断を修正する力はどれだけ伸びるのか。

米国の特許実務家を対象とした3か月の無作為化実験では、AIを使えるグループの起案成績が高かった。
一方、終了時にAIの使用を認めずに行った査読課題では、若手の平均成績に明確な改善を確認できなかった。
法律事務所がこの研究から得られるヒントは、依頼者へ提供する書面の質と、担当者が別の事件で使える判断力を、別々に確かめることである。

第2 米国の実験は何を測ったか
1 起案と査読を別の課題にした

Autorらの2026年9月のワーキングペーパーは、米国の知財法律事務所で特許実務に従事する弁護士133人を、専用AI起案ツールへの早期アクセスを与える群と、研究期間終了までそのツールへのアクセスを待つ群に割り付けた。
両群には基礎的なAI研修が提供され、早期アクセス群には専用ツールの研修も提供された。
比較には、ツールへのアクセスと専用研修の双方が含まれる。
10日目と90日目を目安に模擬の特許出願書類の一部を起案させ、90日目には別途、欠陥のあるAI生成の特許出願案に直接修正とコメントを加える課題を、両群にAIを使わないよう指示して実施した。

起案課題の提出者は10日目が105人、90日目が98人で、査読課題の提出者は91人だった。
提出物は割付けを知らされていない外部の特許実務家が採点した。
したがって、比較対象はAI単体と人間の競争ではなく、特定のAI環境を提供された実務家と比較群の成果物である。

2 起案の上積みと、AIを外した後の成績

専門家の採点に基づく著者らの主分析では、起案の成績は10日目に0.34標準偏差、90日目に0.38標準偏差、比較群を上回った。
若手の上積みの推定値は、経験者より大きかった。
ここでいう若手は、研究上の区分で、知財実務経験が7年未満の参加者である。

終了時の査読課題では、経験者で0.45標準偏差のプラスが推定された。
若手の推定値はマイナス0.03標準偏差で、ばらつきが大きく、平均として改善も悪化も明確には確認できなかった。
若手の得点分布では、比較群より下位20%に入る採点結果の割合が増え、上から2番目の層に入る割合も増える傾向があった。
この分布の変化だけでは、個々の参加者が以前より上達したか、悪化したかは分からない。

第3 著者による解説と、論文本文で確かめるべき点
1 査読で何に時間を使ったか

著者2人によるGoogle Researchの解説は、書面の冒頭から順に文章を整えるうちに、肝心の特許請求の範囲に手が回らなかった提出物と、重要な請求項の修正を優先した提出物を対比する。
論文にも同様の観察があり、付録では、法的に重要な箇所を優先するか、表面の修正に時間を使うかを例示している。
著者らは、その質的分析を正式な頻度推計として扱っていない。

(続きを読む...)生成AIで若手弁護士は育つか―米国の特許実務家133人の実験と起案・査読の分け方(AI作成)

生成AIの法律回答は出典付きなら信用できるか―解雇と退職勧奨で見る「自分の事件への当てはめ」(AI作成)

目次

第1 条文が正しいことと,自分の事件に当てはまること第2 同じ質問でも,会社の発言が違えば確認事項が変わる第3 AIに聞き直すときの三つの質問第4 合意書に署名する前に確かめること第5 関連記事第6 出典
第1 条文が正しいことと,自分の事件に当てはまること

生成AIの法律回答に正しい出典が付いていても,自分の事件に使うには,回答がどの事実を前提にしているかを確かめる必要がある。
例えば,「会社から辞めてほしいと言われました。解雇は無効ですか」と質問したとする。
労働契約法16条の説明が正しくても,会社が一方的に雇用を終わらせると通知したのか,退職に同意してほしいと提案したのかで,最初に調べることが変わる。

以下は,民間企業で期間の定めなく働く人についての架空例である。
質問と回答は説明用に作成したもので,実際の相談や特定のAIの回答を再現したものではない。

第2 同じ質問でも,会社の発言が違えば確認事項が変わる

質問は,どちらも「会社から辞めてほしいと言われました。解雇は無効ですか」である。
共通の回答例は「労働契約法16条では,客観的に合理的な理由を欠き,社会通念上相当であると認められない解雇は,権利を濫用したものとして無効とされます」である。
この回答は条文の基準を説明しているが,質問した人に解雇があったか,会社の理由や経緯に照らして解雇が有効かまでは示していない。

比較する点例A 雇用を終えると通知された例B 退職に同意するよう求められた会社の発言「あなたの雇用は月末で終了します」「この条件で月末に退職することに同意してもらえませんか」最初に考えること一方的な解雇の通知か。解雇なら,その理由や事情に照らして有効か。退職を促す働きかけか。退職について既に合意が成立したのか。確かめる資料通知書の全文,雇用契約書,会社が述べた理由,前後のメールや面談記録。合意書案,その場での発言,自分の返答,署名の有無,その後のやり取り。

例Aでは,実際に解雇の通知があったと確認できれば,労働契約法16条を踏まえ,会社が述べる理由や経緯を確かめる。
例Bでは,退職を促された段階であれば,応じるかどうかは労働者の自由である。
ただし,実際の事案では発言の一部や書類の表題だけで区別できないことがあり,自由な意思決定を妨げるような退職勧奨は,違法な権利侵害に当たる場合がある。

第3 AIに聞き直すときの三つの質問

①「この情報で解雇があったと判断できますか。判断できる場合は根拠となる発言や書面を,判断できない場合は足りない事実を示してください。」
②「引用した条文や判決が直接述べることと,今回の事実について推測したことを分けてください。」
③「まだ分からない事実を挙げ,その答えが違うとどこで結論が変わるかを示してください。」

AIの追加回答は,何を調べるかを整理するために使える。
判決が引用された場合は,実在するか,該当箇所が当事者の主張か裁判所の判断か,判断の前提が自分の事件とどこまで共通するかを分けて確かめる。
自分で確認できない点は,元の通知書ややり取りと一緒に相談先へ示すと,見直す箇所が伝わりやすくなる。

第4 合意書に署名する前に確かめること

退職合意書を示されたときは,弁護士に「この書類に署名すると何が決まりますか」「署名しない場合,会社が既に伝えていることと,今後取り得る対応は何ですか」「先に確認する期限はありますか」と尋ねることができる。
相談では,退職日や支払の条件のほか,ほかの請求に影響する条項があるかを実際の文面で確かめる。
そのうえで,仕事を続けたいのか,条件を整えて退職したいのかなど,自分が重視することを伝える。

弁護士職務基本規程22条1項は,弁護士は委任の趣旨に関する依頼者の意思を尊重して職務を行うものとしている。
また,同規程36条は,弁護士は,必要に応じ,依頼者に対して事件の経過及び事件の帰趨に影響を及ぼす事項を報告し,依頼者と協議しながら事件の処理を進めなければならないとしている。
専門的な調査を依頼しても,重要な選択について,何を得て何を手放すのかが分かる説明を求めることができる。

第5 関連記事

(続きを読む...)生成AIの法律回答は出典付きなら信用できるか―解雇と退職勧奨で見る「自分の事件への当てはめ」(AI作成)

ローカルLLMは汎用クラウドAIより安全か―法務AIの設計で確かめる外部通信,モデルファイル,脆弱性及び守秘義務(AI作成)

目次

第1 本記事の対象と結論1 対象と基準日2 結論第2 「不透明な通信」はどこから生じるか1 モデルの重みと推論ソフトを分ける2 公的な指針もモデルの供給元の確認を求めている第3 推論ソフトの公式文書から分かる通信1 Ollama2 LM Studio3 vLLM及びHugging Faceのライブラリ4 公式文書から言えること第4 モデルファイルと同梱のコードの危険1 pickle形式のファイル2 独自のコードを伴うモデル第5 推論ソフトの脆弱性と待受けの公開設定1 Ollamaの脆弱性2 待受けを外部に開かない第6 モデルの振る舞いとAIエージェント1 安全訓練で取り除けないバックドアの研究2 AIエージェントの乗っ取りと情報の持出し第7 汎用AIに残る危険1 入力の送信が前提であり,保持期間は事業者の説明による2 米国の訴訟で削除が止められた例3 接続機能と中継のサービス4 事業者の保護体制も比較材料にする第8 弁護士の守秘義務と個人情報保護法から見た評価1 どちらの方式でも同じ規律が及ぶ2 個人情報保護法上の整理3 中国製の公開モデルを手元で動かす場合第9 法務AIの設計の考え方1 二つの方式の比較2 モデルを差し替えられる構造にする3 ローカルLLMを使うときの確認項目4 汎用AIを使うときの確認項目第10 資料の基準日と留意点第11 関連記事第12 出典・参考資料1 法令・会規2 官公庁等の資料3 米国の裁判文書4 脆弱性情報・研究論文5 事業者の公式文書・調査報告
第1 本記事の対象と結論
1 対象と基準日

本記事は,法律事務所や企業の法務部門が,契約書の確認,法律調査,書面の下書き等に使う生成AI(以下「法務AI」という。)を作るときに,その土台をローカルLLMと汎用AIのどちらにすべきかを検討する。
特に,ローカルLLMには利用者に見えにくい外部との通信が生じ得るという懸念を出発点とする。
基準日は令和8年11月7日である。

本記事で「ローカルLLM」は,公開された大規模言語モデルの重みを,事務所又は企業が管理する端末やサーバーで,推論ソフト(Ollama,LM Studio,vLLM等)により動かす構成をいう。
「汎用AI」は,汎用の大規模言語モデルを事業者が自社のクラウドで提供するサービスのうち,API又は法人向けプランとして利用するものをいう。

弁護士法72条との関係は会社が社内向けの法務AIアシスタントを作るときの法的チェックリスト―弁護士法72条のガイドライン,個人情報保護法,営業秘密,データの保存期間及び誤判定への備え(AI作成)で,ローカルLLMを動かす端末の選び方はAIエージェントを使うならWindowsとMacのどちらがよいか-用途別のパソコン選び(AI作成)で扱っている。

2 結論

ローカルLLMにも,利用者が意識しないうちに外部と通信する経路はある。
ただし,本記事で確認した公式文書や脆弱性情報によれば,その経路は,推論ソフトの更新確認・利用統計・クラウド機能,モデルファイルの読込みに伴うプログラムの実行,推論ソフトの脆弱性と待受けの公開設定,AIエージェントに与えた道具から生じる。
これらの多くは公式文書と通信の記録で確かめることができ,設定の変更,通信の制限及び修正版への更新によって抑えることができる。
他方,モデルの内部に仕込まれ得る振る舞いは,公式文書や通信の記録では確かめにくいため,AIエージェントに与える道具の権限を絞って備える必要がある。

他方,汎用AIは,入力した文章を事業者へ送ることを前提とし,学習に使わない,一定期間で削除するといった約束は,事業者の説明と契約によっている。
米国では,訴訟の中で,削除されるはずの出力ログの保存を事業者に命じた例もある。

したがって,「ローカルLLMには不透明な通信があり得るから,法務AIは汎用AIを土台にした方が安全である」とは一律にいえない。
本記事では,取り扱う情報の機密度と,事務所又は企業が自ら安全管理を継続できる体制の有無によって処理先を振り分け,文章を生成するモデルを差し替えられるように法務AIを設計するのが妥当であると考える。

処理先を選ぶときは,次のように整理できる。

場面判断の方向必要な確認自ら更新・通信管理を続けられるローカル実行が選択肢になる外向き通信,設定,脆弱性対応自らの管理体制が足りない条件を確認できる法人向けクラウドが選択肢になる契約,具体的な保護措置,自社設定外部送信自体を避けたい通信を遮断した環境を検討する実際に外部へ送られない構成か用途の専門性を比較したい処理場所とは別の軸で比べる専門用途でも保存・閲覧等を確認する

どの方式でも,利用者側の入力権限と運用の管理は必要である。

第2 「不透明な通信」はどこから生じるか
1 モデルの重みと推論ソフトを分ける

ローカルLLMは,学習済みのパラメータを収めたモデルの重みのファイルと,それを読み込んで文章を生成する推論ソフトから成る。
本記事では,重みの数値そのものが通信するわけではなく,外部との通信は,推論ソフトとその周辺機能,pickle形式のような重みのファイルの形式を悪用して埋め込まれたコード若しくはモデルとともに配られるコード,又は利用者がAIに与えた道具を通じて生じると整理する。

このため,ローカルLLMの「不透明な通信」を検討するときは,次の5つの経路を分けて確かめる必要がある。
①推論ソフトの更新確認,利用統計及びクラウド機能
②モデルの検索・取得その他の周辺機能
③モデルファイルの形式や同梱のコードによるプログラムの実行
④推論ソフトの脆弱性と待受けの公開設定

(続きを読む...)ローカルLLMは汎用クラウドAIより安全か―法務AIの設計で確かめる外部通信,モデルファイル,脆弱性及び守秘義務(AI作成)

LegalBrain エージェントで何ができるか―判例秘書との違いと出典の確認方法(AI作成)

目次

第1 法律上の論点を広げるときと,判決本文を確認するとき第2 調査の目的別に使い分ける第3 AIが示した出典から判決本文を確認する第4 よくある質問1 LegalBrainがあれば判例秘書は不要か2 出典が表示された回答をそのまま引用してよいか第5 関連記事第6 出典・参考資料
第1 法律上の論点を広げるときと,判決本文を確認するとき

LegalBrain エージェントは,文章で質問し,関連する法律資料を手掛かりに論点を整理する場面で使える。
判例秘書INTERNETは,事件番号や検索語から判決・解説・文献を探し,資料を読み進める場面で使える。
どちらを開くかは,いま知りたいことが「何を調べるべきか」なのか,「特定の資料に何が書かれているか」なのかで考えるとよい。

本稿は,令和8年11月6日に確認した両サービスの公式説明を基に,法律調査での使い分けを整理する。
法令の条文や判決の引用を記事,意見書,準備書面などに使う段階では,出典の表示に加えて,その資料の本文の該当箇所を読む必要がある。

第2 調査の目的別に使い分ける
調査の目的公式資料から確認できる使い方手元で確かめること何を調べるべきか整理するLegalBrain エージェントに文章で質問し,論点と関連資料の候補を得る。問題の時期,前提事実,こちらが調べたい範囲が回答と合うか。判決や掲載誌を特定する判例秘書INTERNETで判例や文献を検索し,関連する解説・論文へたどる。裁判所名,年月日,事件番号,掲載誌が探していた資料と一致するか。主張を支える箇所を読むAIの出典表示又はデータベースの検索結果から,法令本文や判決本文へ進む。引用する箇所が,当事者の主張,裁判所の判断,編集者の要旨のどれか。

弁護士ドットコムは,令和8年6月22日の発表で,LegalBrain エージェントが法令・判例・ガイドライン・法律専門書籍等を根拠に回答し,回答に根拠となる一次情報の出典を示すと説明している。
同社は令和8年11月2日,長島・大野・常松法律事務所への提供開始を発表し,同事務所が事務所全体での導入・活用を予定していると説明した。
一方,判例秘書INTERNETの提供元である株式会社LICは,判例・解説・論文・記事の間をリンクでたどる機能や,同義語・関連語による検索補助を案内している。
出典リンクで開ける資料や本文の閲覧条件は,利用先の契約とリンク先の案内を確認する。

第3 AIが示した出典から判決本文を確認する

例えば,「契約の更新拒絶が争われた裁判例で,裁判所はどの事情を重視したか」を調べるとする。
AIが判決を挙げたら,まず裁判所・年月日・事件番号を控える。
次に,その情報を使って裁判所の裁判例検索や契約している判例データベースで判決本文を開く。
最後に,AIが重視したという事情が判決のどこにあり,裁判所がどのような事実関係の下でその事情を評価したかを確かめる。

同じ言葉が判決本文に出てきても,当事者が主張した箇所と,裁判所がその主張を認めた箇所では意味が違う。
また,文献の紹介や編集者による要旨を読めても,それだけでは判決本文の引用箇所を確認したことにはならない。
法令を引用する場合も,事件に適用される時点の条文・附則と,現在の条文を区別する。

リンクを開けない場合は,裁判所名・年月日・事件番号や,文献名・掲載誌を手掛かりに,別の閲覧経路を探す。
本文の該当箇所まで確認できないときは,確認できたのが出典情報までか,要旨までかを記録する。
原文を確認したものとして引用するのは,実際に本文を読み,使う記述との対応を確認したものに限る。

第4 よくある質問
1 LegalBrainがあれば判例秘書は不要か

調査の目的と必要な資料によって異なる。
論点整理と関連資料の候補出しが必要な場合と,特定の判決・掲載誌・解説まで読みたい場合を分け,後者の閲覧経路を確認してから導入を判断する。

2 出典が表示された回答をそのまま引用してよいか

出典の表示は原資料を探す手掛かりになる。

(続きを読む...)LegalBrain エージェントで何ができるか―判例秘書との違いと出典の確認方法(AI作成)

AIは人間が教えない方が強いのか―「苦い教訓」と法律実務(AI作成)

目次

第1 人間が教えない方が強いのか第2 「苦い教訓」の原文が述べたこと第3 AlphaZeroが学んだ方法と実験条件第4 ChatGPTの説明にそのまま当てはめられるか第5 法律実務で任せる作業と検証する作業第6 原典と解説を読み分ける第7 出典と関連記事
第1 人間が教えない方が強いのか

将棋AIが人間の棋譜に頼らず強くなったという研究成果は,法律AIにも人間が細かく教えない方がよいことを意味するのか。
この問いを考えるには,モデルの学習方法と,法律実務での指示・評価・原典確認を分ける必要がある。

「AIは人間の知識を捨てれば何でもうまくできる」という結論を,ゲームの実験から直接導くことはできない。
一方,専門家が従来のやり方を細部まで固定することで,機械による探索や新しい解決方法を狭めていないかという問題は,法律実務でも検討する価値がある。
本記事はSuttonの「The Bitter Lesson」とAlphaZeroの原論文を起点に,研究結果と筆者の運用上の提案を区別して考察する。

第2 「苦い教訓」の原文が述べたこと

Richard Suttonが2019年に公表した「The Bitter Lesson」は,計算を活用する汎用的な方法が最終的には最も効果的であり,その差も大きいという,70年のAI研究の歴史に基づく考察である。
チェス,囲碁,音声認識,コンピュータビジョンを例に,専門知識を組み込む方法と,計算量を活かして改善できる方法との関係を論じ,探索と学習を重視する。

原文は,研究者が知識を組み込むことは短期的には常に役立つとしつつ,長期的には頭打ちになり,さらなる進歩を妨げることさえあるという歴史的観察を示す。
もっとも,原文も両者は必ずしも対立しないが実際には対立しがちだと述べており,人間の関与を論理的に排除する定理ではなく,個々の業務について専門家の確認を省く指示でもない。
どの方法に計算資源を投入すれば改善が続くのかという,研究開発上の選択に関する主張として読むべきである。

法律事務所で手順書を増やすことと,モデルの重みを学習によって更新することも同じではない。
手順書は利用時の作業を導くものであり,有用かどうかは対象業務で確かめる必要がある。
「苦い教訓」を理由に手順書をすべて廃止することも,逆に手順書の数だけでAIの性能が上がったと判断することもできない。

第3 AlphaZeroが学んだ方法と実験条件

2017年のAlphaGo Zero論文は,人間の棋譜を使わず,自己対戦による強化学習から強い囲碁プログラムを得たと報告した。
人間の棋譜と自己対戦を組み合わせた従前のAlphaGoに対し,人間の棋譜を学習開始の足場にしない方法を示した点に意味がある。

その後のAlphaZero論文では,自己対戦,ニューラルネットワーク及び探索を組み合わせ,同じ基本的な方法をチェス・将棋・囲碁に適用した。
ただし,三つのゲームについて別々のモデルを学習させており,一つの学習済みモデルがそのまま三競技を指したという意味ではない。

同論文のプレプリント版PDF4頁では,将棋のAlphaZeroが,1手1秒の対局によるElo評価で約2時間後にElmoを上回り,学習全体は約12時間であったと報告している。
自己対戦の生成には5,000基の第1世代TPU,ネットワークの学習には16基の第2世代TPUを用いており,「2時間」という経過時間だけから,少ない資源で再現できると考えてはならない。
学習時の設備と,学習後の対局評価で使用した設備も区別する必要がある。

人間の棋譜を使わなくても,ゲームのルール,局面や着手の表現,学習方法,ネットワーク及び探索の仕組みは用意されている。
「人間のお手本が不要」という研究結果は,「人間による設計が何もない」という意味ではない。
研究開発者が用意した環境の中で,大量の試行と勝敗から改善できることが重要である。

第4 ChatGPTの説明にそのまま当てはめられるか

ChatGPTというサービス名だけで,すべての時点の学習方法や能力を一括して説明するのは適切でない。
OpenAIの2022年の公開時の説明は,人間が作った対話による教師あり学習と,人間の比較評価を使った強化学習を紹介している。

(続きを読む...)AIは人間が教えない方が強いのか―「苦い教訓」と法律実務(AI作成)

Google Chromeで文字入力が遅いときの対処法―AdBlock,拡張機能,ゲストモード及びハードウェアアクセラレーション(AI作成)

目次

第1 結論第2 最初に遅れている範囲を分ける第3 変更前に記録する項目第4 Chromeのゲストモードで比較する第5 拡張機能を切り分ける第6 AdBlockが関係する場合第7 ハードウェアアクセラレーションを比較する第8 日本語入力ソフトと入力補助を調べる場合第9 最初に行わない方がよい操作第10 再発時の確認用チェックリスト第11 関連記事第12 出典・参考資料
第1 結論

Google Chromeの検索欄又はウェブアプリで,キーを押してから文字が表示されるまで時間がかかる場合は,最初からWindows,日本語入力ソフト又はパソコンの故障と決めつけない方がよい。

まず,①Chrome以外のブラウザ又はメモ帳でも遅いか,②半角英字の「abcde」も遅いか,③Chromeのゲストモードでは速いか,④拡張機能を無効にすると変わるか,⑤ハードウェアアクセラレーションのオン・オフで変わるかを,一つずつ比較する。

別のブラウザは速く,通常のChromeだけが遅く,Chromeのゲストモードでは速い場合は,Windows全体よりも,通常のChromeプロフィールに属する拡張機能又は設定を先に疑う。この場合,Chromeの再インストール又はプロフィール削除から始める必要はない。

ChatGPTデスクトップアプリのWork又はCodexからChromeを操作している間だけ遅く,Chrome上部にデバッグ開始の警告が表示される場合は,AI操作中と終了後を同じ入力欄で比較する。
警告を閉じるとデバッグセッションも終了するため,進行中の送信又は保存がないことを先に確認する。
詳しくは,ChatGPT・CodexでAI操作中だけChromeの文字入力が遅いとき―デバッグ警告と切分け(AI作成)を参照されたい。

第2 最初に遅れている範囲を分ける

同じ「文字入力が遅い」でも,確認先は次のように異なる。

症状最初に確認する範囲メモ帳,Chrome及び他のブラウザの全部で遅いWindows全体のCPU,メモリ,ディスク,IME及びアクセシビリティ設定日本語変換だけが遅く,「abcde」は速いIME,入力補助,予測変換,ユーザー辞書及び入力サービス「abcde」も遅いがChromeだけで起きるChromeのプロフィール,拡張機能,描画及びGPU経路特定のウェブサイトだけで起きるそのサイトのスクリプト,入力欄及び当該サイトに作用する拡張機能ゲストモードでは速い通常プロフィールの拡張機能,設定又はプロフィール内データChatGPT・CodexによるChrome操作中だけ遅く,デバッグ開始の警告が表示されるAI操作中と終了後の比較,進行中の外部操作及びデバッグセッション

Chrome以外のブラウザで同じページを開く比較は,ウェブサイト側の問題とChrome側の問題を分ける手掛かりになる。GoogleのChromeヘルプも,別のブラウザでページを開き,Chrome側の問題かを確認する手順を案内している。

第3 変更前に記録する項目

設定を変える前に,次の事項を記録する。

① 発生時刻及び再現する入力欄
② 日本語と半角英字「abcde」の両方で遅いか
③ メモ帳,Chrome及び別ブラウザの比較
④ 通常プロフィールとゲストモードの比較
⑤ 開いているタブ数及びChromeの版
⑥ 有効な拡張機能の名称
⑦ タスクマネージャーで高いCPU,メモリ又はGPUを使うプロセス
⑧ 変更した設定,変更時刻及び変更後の結果

一度に複数の設定を変えると,どの変更が効いたか分からなくなる。入力欄と短いテスト文字列を固定し,変更一つごとに同じテストを行う。

第4 Chromeのゲストモードで比較する

Chrome右上のプロフィールアイコンから「ゲスト プロファイル」を開き,同じ検索欄で「abcde」と日本語を入力する。Googleの説明では,ゲストモードから他のChromeプロフィールの情報を表示又は変更することはできず,ゲストモード終了時に閲覧アクティビティが削除される。

ゲストモードが通常プロフィールより明らかに速い場合は,通常プロフィールに属する拡張機能又は設定が遅延に関係している可能性が高くなる。ただし,ゲストモードの比較だけで特定の拡張機能を原因と断定することはできない。

ゲストモードでは通常プロフィールのログイン状態を使えない。秘密情報を含む業務サイトへ無理にログインせず,Googleの検索欄等,公開された入力欄で比較すれば足りる。

第5 拡張機能を切り分ける

Chromeの「拡張機能を管理」で,有効な拡張機能を記録した後,一度すべて無効にして同じ入力テストを行う。Googleの公式資料では,拡張機能管理画面で各拡張機能をオン又はオフにできる。

すべて無効にすると速くなった場合は,半分ずつ又は一つずつ有効に戻し,遅延が再発する境界を確認する。複数の拡張機能が同じページへ作用する場合があるため,一つを無効にしただけで結論を出さない。

(続きを読む...)Google Chromeで文字入力が遅いときの対処法―AdBlock,拡張機能,ゲストモード及びハードウェアアクセラレーション(AI作成)

Codex・Claude CodeをWindows PCからMacBookへ移行する方法―設定,スキル,認証及び会話履歴(AI作成)

目次

第1 結論第2 何を移し,何を設定し直すか1 移しやすいもの2 移行後に点検が必要なもの3 原則として再設定するもの第3 Codexの移行1 MacBookへ新規に導入する2 設定,指示及びスキルを分ける3 Claude CodeからCodexへ取り込む場合第4 Claude Codeの移行1 MacBookへ新規に導入する2 CLAUDE.md,設定,スキル及びMCPを確認する3 会話履歴は成果物と分けて扱う第5 WindowsからmacOSへ移すときの書換え1 パス及びファイル名2 シェル及びコマンド3 Windows専用機能第6 段階的な移行手順1 旧PCで一覧を作る2 MacBookの基礎設定を先に行う3 プロジェクトと選択した設定を移す4 認証と外部接続を再設定する5 小さな受入テストを行う6 並行運用後に旧PCを廃止する第7 法律事務所で特に確認する事項第8 移行完了のチェックリスト第9 関連記事第10 出典・参考資料
第1 結論

Codex及びClaude CodeはmacOSで利用できるので,Windows PCからMacBookへの環境移行は可能である。
ただし,旧PCのフォルダをそのまま全部コピーすれば終わるわけではない。
プロジェクト,指示ファイル及びスキルは比較的移しやすい一方,認証情報,MCP接続,フック,Windows固有のパス及び会話履歴は,項目ごとに移行方法を分ける必要がある。

本記事は,令和8年11月2日現在のOpenAI,Anthropic及びAppleの公式資料が示す仕様を確認した上で,公式の手順としては示されていない異なるOS間の移行について,段階的な手順を提案する。

次の順序で移行することを提案する。

①旧PCでプロジェクト,指示ファイル,スキル,設定,MCP,フック,予約処理及び会話履歴の所在を一覧化する。
②MacBookへCodex及びClaude Codeを新規にインストールする。
③Git等で管理しているプロジェクトと,移行対象として選んだ設定・スキルを移す。
④Windowsのパス,PowerShellコマンド,ドライブ文字及びWindows専用アプリとの連携をmacOS向けに書き換える。
⑤認証と外部接続をMacBook上で設定し直し,読取り,ファイル編集,外部接続及び送信・公開等の直前で止まることを小さなテストで確認する。
⑥一定期間は旧PCを消去せず,MacBookの結果と照合する。
⑦移行完了後に旧PCの資格情報を失効させ,必要な記録を保全してから初期化又は廃棄する。

第2 何を移し,何を設定し直すか
1 移しやすいもの

プロジェクトのソース,文書,AGENTS.md,CLAUDE.md,リポジトリ内のスキル及び共有設定は,Git又は検証済みのファイルコピーで移しやすい。

Gitを使う場合は,旧PCの作業コピーを単純に複写する前に,未コミット変更,未追跡ファイル,無視されている機密ファイル及びリモートへ反映していないブランチを確認する。
GitHubの公式資料も,リポジトリをcloneすると,その時点でリモートにある履歴とファイルのコピーが作られると説明している。
したがって,リモートに存在しないローカル変更は別に保全する必要がある。

2 移行後に点検が必要なもの

利用者ごとの設定,スキル,MCPサーバー,フック及びプラグインは,ファイルを移せても,パス,実行ファイル,環境変数及び権限がMacBookで有効とは限らない。

例えば,Windowsのドライブ文字,利用者名を含む絶対パス,PowerShell専用の処理,タスクスケジューラ,Microsoft OfficeのCOM自動化及びWindows専用の業務ソフトは,macOSでそのまま実行できないことがある。

3 原則として再設定するもの

ログイン,APIキー,SSH鍵,MCPの認証,ブラウザープロファイル及び本番システムの資格情報は,フォルダ一式のコピーで移すのではなく,MacBook上で必要性と権限を確認して設定し直す方が安全である。

認証情報は,専用のフォルダではなく,設定と同じ場所に置かれていることがある。
Claude Codeのログイン情報は,Windowsでは %USERPROFILE%\.claude\.credentials.json に,macOSでは原則としてキーチェーンに保存される。
Codexのログイン情報は,~/.codex/auth.json 又はOSの資格情報ストアに保存され,OpenAIはこのファイルをパスワードと同様に扱うよう求めている。
したがって,.claude 又は .codex のフォルダを一式複写すると,不要になった資格情報や古い権限まで新PCへ持ち込むおそれがある。
特に,送信,公開,削除,決済又は事件情報へのアクセスが可能な資格情報は,移行対象を個別に決める必要がある。

(続きを読む...)Codex・Claude CodeをWindows PCからMacBookへ移行する方法―設定,スキル,認証及び会話履歴(AI作成)