AIと弁護士実務

目次第１　本記事の対象と結論１　扱う問い２　結論の要旨第２　何が起きるか１　料金と課金方式の変更２　モデルの廃止３　外国の規制等による提供停止第３　主要な事業者の規約と公式資料１　Anthropic２　OpenAI３　Google４　Microsoft５　比較第４　日本法から見た規約の変更１　定型約款の変更の要件２　外国法を準拠法とする規約３　裁判例第５　契約終了時のデータと守秘義務・個人情報１　取り出すデータと削除を確かめるデータ２　弁護士の守秘義務３　弁護士情報セキュリティ規程と可用性４　個人情報保護法第６　代わりのサービスへ移るときに確認し直すこと第７　中継サービスで乗り換えを容易にする方法と限界１　中継サービスの仕組み２　自動切替えと秘密・個人情報３　中継サービス自体が新しい依存先になる４　資本・クラウド・モデルの共通依存も確認する第８　業務の棚卸しと社内規程に書く事項１　業務の棚卸し２　社内規程に書く事項３　ベンダーの継続性を定期点検する４　任意の終了と倒産を区別する５　返還するデータを種類ごとに特定する６　ライセンス・稼働・金銭救済を分ける第９　関連記事第１０　出典１　法令等２　公的資料３　事業者の規約・公式資料４　中継サービスの公式資料５　裁判例６　論点を見付けるための資料
第１　本記事の対象と結論
１　扱う問い

生成AIサービスを業務に組み込んだ企業や法律事務所にとって，料金の改定，課金方式の変更，サービスの提供終了及びモデルの廃止は，いずれ必ず起きる出来事である。
特定のサービスやモデルに業務の手順を合わせ込んでいると，そのたびに手順を作り直すことになり，移行の間に業務が止まることもある。

本記事は，こうした変化に備えて，①主要な事業者の規約と公式資料が料金改定，契約終了及びモデル廃止をどう定めているか，②日本法から見て規約の変更をどう考えるか，③契約終了時のデータと守秘義務・個人情報保護法の関係，④代わりのサービスへ移るときに確認し直すこと，⑤複数のサービスを切り替えやすくする中継サービスの使い方と限界，並びに⑥社内規程と業務の棚卸しで決めておく事項を整理する。

基準日は令和８年９月２０日であり，各社の規約・公式資料はこの日に確認したものである。
規約と公式資料は予告の上で変更されるため，導入や更新のときは改めて原文を確認する必要がある。
ただし，第２の１の料金の引下げの例及び第２の２のGPT-4の例は，令和８年９月２５日に追記したものである。
第２の１のClaude Sonnet 5.5の例及び第２の２のClaude Sonnet 4.5の例は，令和８年１０月１日に追記したものである。
英文の規約・公式資料の訳は本記事によるものであり，規約の意味を述べる部分は，文言から読み取れる範囲の整理である。

本記事の発想の起点は，AI活用に関する書籍の著者である池田朋弘氏のX投稿（令和８年９月１８日）である。
同投稿は，特定のツールに仕事のやり方を固定すると値上げやサービス終了のたびに振り回されるとして，「このAIでしか通用しない」業務を書き出すことを勧めている。
これは投稿者の意見であり，本記事では論点を見付けるための資料として扱う。

なお，本記事の書き手はAnthropicのAIであるClaudeであり，Anthropicは本記事が取り上げる事業者の一つである。
本記事では事業者の優劣を評価せず，規約と公式資料の記載を並べるにとどめる。

２　結論の要旨

主要な事業者の規約は，料金の改定を掲載から１４日～３０日で効力を生じさせるものが多く，事業者側からの契約終了やサービスの廃止にも比較的短い予告期間しか置いていない。
モデルの廃止については，各社が公式資料で予告期間を示しているが，その長さは６０日から６か月以上まで幅がある。

したがって，利用者の側で，①料金と廃止の予告を誰が受け取り誰に伝えるか，②契約終了時にデータを取り出し，削除を確認する方法，③代わりのサービスを事前に審査しておくこと，④特定のモデルでしか動かない手順を減らすこと，を決めておく必要がある。
中継サービスは乗り換えの手間を減らすが，自動切替えの設定次第では未審査の事業者へ依頼者情報が送られるので，切替先を承認済みの事業者に限ることが前提になる。

第２　何が起きるか
１　料金と課金方式の変更

料金の改定は，単価の引上げだけではない。
定額の枠を使い切った後の扱いや，利用量の数え方が変わることもある。

例えば，GitHubは，令和８年４月２７日の告知で，同年６月１日からGitHub Copilotの全プランを利用量に応じた課金へ移すと公表した。
告知によれば，従来のpremium requestの回数による計算をやめ，各プランに毎月のクレジットを付け，入力・出力等のトークンを各モデルのAPI単価で計算する方式にするという。
同じ使い方をしていても，課金方式の変更によって請求額が変わり得る例である。
利用料が予算を超えないための約款の読み方は，生成AIの利用料が予算を超えないために―従量課金の約款で確認する５項目と社内規程の定め方で扱っている。

料金の改定は，引下げの方向にも起きる。

（続きを読む...）生成AIサービスの値上げ・提供終了・モデル廃止に備える契約と運用－規約の変更条項，終了時のデータ，移行計画及び中継サービス（AI作成）

目次第１　本記事の対象と結論１　扱う問い２　結論の要旨第２　確信度とは何か１　確信度と較正２　較正されていても１件ごとの正しさは保証されない３　生成AIが文章で示す「自信」は確率とは限らない第３　判定専用AIの登場と確信度の使い方１　判定専用AI（Jev）の仕組み２　確信度の返し方３　日本語での精度第４　法律事務所の自動振分けで閾値をどう決めるか１　閾値は自分のデータで決める２　誤りの種類ごとに重さが違う３　閾値にかかわらず人が見る分類第５　期限が絡む分類を人が見る理由１　訴訟行為の追完の要件２　事務所内の受領・取次ぎの誤りは救われない３　事務所の外の制度への信頼が救われた例４　受任の諾否の通知第６　運用の手順第７　関連記事第８　出典１　法令等２　裁判例３　AI提供者の公式資料４　ガイドライン
第１　本記事の対象と結論
１　扱う問い

法律事務所で，問い合わせ，郵便物，ファクシミリ又はシステム送達の通知をAIで自動的に振り分けるとき，「確信度が低いものは人の確認へ回す」という設計がよく勧められる。
山中弁護士ブログの既存記事でも，事件管理システムとの連携，AIエージェントの業務設計及び生成AI利用ガイドラインの各記事で，この考え方を採っている。

しかし，確信度とは何の数字か，何％なら自動処理してよいか，確信度が高ければ人が見なくてよいのかは，これらの記事では詳しく説明していない。
本記事は，令和８年９月に登場した判定専用のAIの公式資料を手掛かりに，確信度の意味と，法律事務所で閾値（自動処理と人の確認を分ける境目）を決めるときの考え方を整理する。

基準日は令和８年９月１９日であり，AI製品の仕様・料金はこの日に各社の公式ページで確認したものである。
英文の公式資料の訳は，本記事によるものである。
AI製品の仕様・料金は短期間で変わるため，導入を検討するときは改めて公式ページで確認する必要がある。

２　結論の要旨

確信度が意味を持つのは，提供者が，示す確率と実際の的中率が一致するように調整（較正）していることを公表し，かつ自分の事務所のデータで試して確かめた場合に限られる。
較正されていても，確信度は多数の判定をまとめて見たときの的中率であり，１件ごとの判定が正しいことを保証しない。
これは，判定専用AIの提供者自身が公式の技術文書で明記していることである。

したがって，閾値は１つの数字で決めるのではなく，誤ったときの不利益の重さに応じて分けるべきである。
特に，控訴期間のような不変期間その他の期限に関わる分類，受任するかどうかの判断及び依頼者への返答の要否は，確信度の高低にかかわらず人が確認すべきである。
事務所内の受領・取次ぎの誤りで不変期間を守れなかった場合，最高裁判所の判例は訴訟行為の追完を認めていないからである。

第２　確信度とは何か
１　確信度と較正

AIの判定に付く確信度は，通常，選択肢ごとの確率（例えば「スパム９０％，スパムでない１０％」）から計算される数字である。
この数字を信じてよいかどうかは，「較正」されているかどうかで決まる。

較正（キャリブレーション）とは，AIが示す確率と，実際に当たる割合を一致させることをいう。
令和８年９月１５日に判定専用AI「Jev」を公開した米国のTypeSafe AIは，公式の技術文書で，よく較正されたモデルであれば，確率０．２とされた結果は約２０％，確率０．８とされた結果は約８０％の割合で実際に起こるべきだと説明している。

２　較正されていても１件ごとの正しさは保証されない

同じ技術文書は，これらの割合は予測の集まりについてのものであり，個々の回答について保証するものではないと明記している。
確率０．９の判定を１００件集めれば約９０件が正しいことが期待できるが，目の前の１件がその９０件に入るかどうかは分からない。

このため，「確信度９０％なら９割は正しいので自動処理してよい」とする説明は，言い過ぎである。
実際，Jevを紹介した国内の解説記事には，確信度９０％と出ればおよそ９割が正しいという意味になると説明するものがあったが，公式の技術文書は，上記のとおり個々の回答の保証ではないとする留保を付けている。
自動処理に回した１０件のうち１件が誤りであっても困らない業務でだけ，確信度による自動処理が成り立つと考えるべきである。

３　生成AIが文章で示す「自信」は確率とは限らない

（続きを読む...）AIが示す「確信度」はどこまで信じてよいか―較正の意味，自動振分けの閾値及び期限が絡む分類を人が見る理由（AI作成）

目次第１　本記事の対象と結論１　扱う問い２　結論の要旨第２　派生データとは何か１　顧客データと派生データの区別２　主な種類第３　主要な提供者の規約の書き方１　TypeSafe AI（Jev）２　Anthropic３　OpenAI４　Google５　Microsoft６　比較第４　弁護士の守秘義務との関係１　弁護士法２３条と弁護士職務基本規程２３条２　分類結果も秘密になり得る３　規程２３条の「利用」第５　個人情報保護法との関係１　委託として扱えるか２　統計情報は個人情報に当たらない３　外国にある第三者への提供と注意喚起４　令和８年改正法３０条の３第６　規約を読むときの確認項目第７　関連記事第８　出典１　法令等２　個人情報保護委員会の資料３　AIサービスの規約・公式資料
第１　本記事の対象と結論
１　扱う問い

法律事務所や企業が生成AIその他のAIサービスを選ぶとき，「入力したデータを学習に使わない」と規約に書かれているかどうかがまず確認される。
しかし，AIサービスの提供者の手元には，入力と出力そのもののほかに，入力から派生したデータが残る。
例えば，処理の記録（ログ），トークン数等の利用状況，安全確認のための分類結果，評価ボタンによるフィードバック及び利用から得た知見である。

本記事は，こうした派生データを提供者がどこまで使えるかを定める規約の条項（以下「派生データ条項」という。）に着目し，主要な提供者の規約の書き方，弁護士の守秘義務及び個人情報保護法との関係，並びに規約を読むときの確認項目を整理する。

基準日は令和８年９月１９日であり，各社の規約・公式資料はこの日に確認したものである。
規約は予告の上で変更されることがあるため，導入や更新のときは改めて原文を確認する必要がある。
本記事で規約の意味を述べる部分は，規約の文言から読み取れる範囲の整理であり，各社の実際の運用を確認したものではない。
英文の規約・公式資料の訳は，本記事によるものである。

２　結論の要旨

「学習に使わない」という条項は，入力と出力（以下「顧客データ」という。）をモデルの訓練に使わないことを約束するものであり，派生データの扱いまで決めているとは限らない。
令和８年９月に判定専用AI「Jev」を公開した米国のTypeSafe AIの利用契約は，顧客データを学習に使わないとしながら，ログ，ハッシュ，要約統計，分類結果及び利用から得た知見を「テレメトリ」と定義し，同社が制限なく処理できると定めている。

弁護士の立場からは，①依頼者の相談内容がどの分類に振り分けられたかという情報自体が秘密になり得ること，②弁護士職務基本規程２３条が秘密を他に漏らすことだけでなく「利用」することも禁じていること，③個人情報保護法上，委託先は委託された業務の範囲外で個人データを統計情報に加工して自社のために使うことはできないとされていることから，派生データ条項は学習条項と同じ重さで確認すべきである。

第２　派生データとは何か
１　顧客データと派生データの区別

AIサービスの規約は，利用者が送る入力（プロンプト，文書等）と，AIが返す出力を「顧客データ」「顧客コンテンツ」等と呼び，その扱いを定めることが多い。
これに対し，本記事でいう派生データとは，顧客データを処理する過程で生まれ，又は顧客データから作られるデータである。

派生データには，顧客データの一部をそのまま含むもの（例えば，フィードバックに添付される会話全体）と，含まないもの（例えば，トークン数）がある。
分類結果のように，文言そのものは含まなくても，内容を要約した情報になるものもある。

２　主な種類

派生データの主な種類は，次のとおりである。
①ログ＝いつ，どのアカウントが，どの機能を使ったかの記録。障害対応や不正利用の監視のために，顧客データの一部を含んで一定期間保存されることがある
②利用状況のデータ＝トークン数，応答時間，エラー，安全フィルタが作動したかどうか等
③分類結果＝安全確認のための自動分類器が付けたラベル，利用状況の把握のための分類等
④利用統計＝多数の利用者のデータを集計した統計
⑤フィードバック＝評価ボタンや自由記述による利用者の評価。会話全体が添付されることがある
⑥知見（learnings）＝利用から得られた知見。何を含むかは規約の定義による

第３　主要な提供者の規約の書き方

（続きを読む...）「学習に使わない」と書いてあっても―AIサービス規約の派生データ条項（ログ・分類結果・利用統計・フィードバック）の読み方と弁護士の守秘義務（AI作成）

目次第１　この記事の対象と結論１　短くすればよいわけではない２　短縮の対象と残すべき情報を分ける３　実務で使う六つの順序第２　生成AIの文書が長くなる四つの型１　重要度を選別せずに並べる２　結論を最後まで遅らせる３　定型見出しを内容の有無にかかわらず埋める４　実質的な差のない代替案まで両論併記する第３　公開された比較例から確認できたこと１　比較の素材２　原資料から確認した差３　この比較からはいえないこと第４　法律文書で削ってよいもの，削らないもの１　削除又は統合の候補２　短縮時にも残す事項第５　本文と証拠台帳を分ける１　本文の役割２　証拠台帳の役割３　本記事の裏付けの範囲第６　生成AIへの短い指示例１　法律調査メモ２　裁判所提出書面のレビュー３　ブログ記事第７　短縮の効果を測る１　文字数だけで評価しない２　一つの例を一般化しない第８　既存記事との関係第９　出典・確認資料１　論点発見資料２　比較の原資料３　公的資料
第１　この記事の対象と結論
１　短くすればよいわけではない

生成AIが作る法律文書は，短ければよいわけではない。
削るべきなのは，同じ結論の反復，判断に影響しない一般論，機械的に埋められた定型見出し及び実質的な差のない代替案である。
反対材料，例外，根拠の強弱，未確認事項及び次の確認行動まで削ると，読みやすく見えても法的判断には使いにくくなる。

本記事では，読み手が判断するために必要な情報の割合を「意思決定密度」と呼ぶ。
これは法令上又は学術上の用語ではなく，本記事における業務設計上の呼称である。
以下では，本文を結論先行で短くしつつ，確認経路を失わないよう，本文と証拠台帳を分ける方法を説明する。

２　短縮の対象と残すべき情報を分ける

生成AIが作った法律文書を短くするときは，文章量そのものではなく，読み手の判断を変える情報かどうかで採否を決める必要がある。

本文には，原則として，次の事項をこの順で置く。
①結論
②主要な理由
③結論を変え得る反対材料又は留保
④実質的な代替案
⑤未確認事項
⑥次に行う確認

同じ結論の言い換え，争点と関係の薄い背景説明，自明な長所・短所及びファイル一覧のような作業報告は，読み手の判断に必要でなければ削る。

他方，一次資料の書誌，確認箇所，検索範囲，採否理由及び確認履歴は，本文から消すのではなく，証拠台帳又は検証記録へ分ける。
本文を短くすることと，裏付けを捨てることは同じではない。

３　実務で使う六つの順序

最初の指示は，次の六項目まで短くできる。
①目的――誰が何を判断するための文書か
②結論――現時点の推奨又は暫定結論
③主要根拠――結論を支える重要度の高い根拠
④留保――不利益資料，例外，反対説及び未確認事項
⑤代替案――結論を変え得る現実的な案だけ
⑥次の行動――誰が何を確認すれば判断が進むか

守秘，権限，保存先，判例検索範囲，引用方法又は公開確認などは，作業に応じて追加する部品とする。

（続きを読む...）生成AIが作る法律文書を短くしても根拠を落とさない方法－結論先行，意思決定密度及び証拠台帳の分離（AI作成）

第１　この記事の対象と結論１　生成の速さと仕事全体の速さは同じではない２　資料の位置付け第２　AIを使うほど仕事が増える仕組み１　候補生成の費用だけが下がる２　生成時間と総作業時間を分ける３　否定形だけの指示では足りない第３　中断と具体的な計画について分かっていること１　中断後の再開までには別の仕事が入る２　具体的な計画は未完了目標の侵入思考を減らした３　実行の時機と場所を決めた小規模実験４　数字の合わない逸話は根拠に使わない第４　生成前フィルタの四項目１　採用する候補の条件２　生成しない候補３　必ず含める事項４　候補数の上限と順位付け第５　法律調査では探索と説明を分ける１　探索完了前に不利益資料を削らない２　一次資料の本文確認とデータベースの状態を分ける第６　法律実務での指示例１　裁判例調査２　裁判所提出書面のレビュー３　契約書レビュー４　ブログ記事の監査５　生成後フィルタ――意思決定密度を上げる第７　中断後の再開カード１　五つの記録項目２　法律調査の記載例第８　導入効果の測り方１　量と品質を分けて記録する２　再開カードの効果を実測する３　学びをナレッジ又はSkillへ昇格させる基準第９　既存記事との関係第１０　出典・参考資料１　原著論文及び原典２　公式資料及び論点発見資料

第１　この記事の対象と結論

１　生成の速さと仕事全体の速さは同じではない

生成AIは，候補の列挙，要約，比較及び初稿作成を短時間化できる。
しかし，候補が増えるほど，重複の整理，採否の判断，一次資料の確認，文章の統合及び手戻りも増え得るため，一つの出力が速く作られたことだけでは，仕事全体が速くなったとはいえない。

本記事は，AIへ指示する前に，①採用する候補の条件，②生成しない候補，③必ず含める事項，④候補数の上限及び順位付けを決める方法を「生成前フィルタ」と呼ぶ。
さらに，作業を中断するときに，①現在状態，②最後に確認した根拠，③次の一手，④未解決点，⑤停止又は確認条件を残す記録を「再開カード」と呼ぶ。
いずれも法令上の用語ではなく，本記事における法律実務上の提案である。

２　資料の位置付け

検討の端緒は，生成AIに肯定条件より先に除外条件を与えること及び未完了作業の次の一手を具体化することを提案したX投稿である。
X投稿は論点発見資料であり，法律事務所における効果を証明する一次資料ではない。

本記事は，中断された情報労働，未完了目標に関する計画及び実行意図を扱った原著論文を確認し，法律実務への応用部分を提案として区別した。
本記事が扱う中心は業務設計であり，特定の法令解釈又は裁判例の判旨を主張するものではないため，e-Gov法令検索，裁判所ウェブサイト及び判例秘書による判例検索は実施していない。
これは関係する裁判例が存在しないことを意味しない。

第２　AIを使うほど仕事が増える仕組み

１　候補生成の費用だけが下がる

AIは，同じ問いについて，多数の論点，見出し，表現，反対仮説又は関連記事候補を短時間で生成できる。
このとき下がるのは主として候補を作る費用であり，どれを採用し，どれを捨て，どの根拠で確定するかという判断の費用まで自動的に下がるわけではない。

候補が多いほどよい場面もあるが，採用基準がないまま候補だけを増やすと，似た案の比較，重複の除去及び「念のため」の確認が増える。

（続きを読む...）AIを使うほど仕事が増える理由－法律実務で使う生成前フィルタと中断後の再開カード（AI作成）

目次第１　結論及び本記事の対象第２　「フリーズ」を四つに分ける１　Windows全体が重くなる場合２　Claude Code又はCodexだけが応答しない場合３　応答又はツールの完了を待っている場合４　画面全体が停止し再起動を要する場合第３　ローカルのパソコンに負荷が生じる仕組み１　AIモデルと作業環境は別であること２　検索，編集，ビルド及びテスト３　並列セッション及びサブエージェント４　MCP，WSL及びDocker第４　メモリ不足で操作が止まる仕組み１　物理メモリとコミット済みメモリ２　ページングとSSDの待ち時間３　容量差は比例ではなく閾値として表れること第５　メモリ8GB・16GB・32GB・64GBの違い１　Claude Codeの公式要件が示す範囲２　8GBの場合３　16GBの場合４　32GB及び64GBの場合第６　フリーズ発生時に記録する項目１　発生時刻と停止範囲２　タスクマネージャーで見る数値３　Windowsの記録第７　再発を減らす対策１　最初に同時実行数を減らすこと２　不要なMCP及び残存プロセスを止めること３　ページファイルと空き容量を確認すること４　WSL及びクラウド環境を使い分けること第８　メモリ増設が有効かを判断する方法１　増設が有効と考えられる場合２　増設だけでは解決しにくい場合第９　関連記事１　パソコンを新たに選ぶ場合２　Codexの長時間・並列利用を見直す場合第１０　出典・参考資料１　事業者及びOS提供者の公式資料２　公開Issue
第１　結論及び本記事の対象

Claude Code又はCodexを使ったときにパソコンが固まりやすくなる主な理由は，AIモデルの計算そのものよりも，手元のパソコンで同時に動くエージェント本体，検索，ファイル処理，ビルド，テスト，ブラウザ，Office，WSL，Docker及びMCPサーバー等の負荷が積み重なることにある。
メモリを増やすと，空きメモリ不足とページングによる停止は起こりにくくなるが，アプリ固有の不具合，CPU又はSSDの飽和，ドライバー障害及び通信待ちは解消しない。
令和8年9月15日現在，メモリ容量別のフリーズ発生率を同一条件で比較した信頼できる公開統計は確認できないため，本記事では「8GBなら1日に何回」等の数値を示さず，容量ごとの余裕と原因の切分け方を説明する。

第２　「フリーズ」を四つに分ける
１　Windows全体が重くなる場合

マウスポインター，タスクバー及び他のアプリまで遅くなり，SSDの使用率が高い状態が続く場合は，物理メモリ不足に伴うページング又はCPU・ストレージの飽和が有力な候補となる。
この場合はClaude Code又はCodexだけを見るのではなく，ブラウザ，Word，Excel，PDF処理，ウイルス対策ソフト，WSL及びDockerを含むパソコン全体の使用量が確認対象となる。

２　Claude Code又はCodexだけが応答しない場合

他のアプリが通常どおり動くのに，ターミナル又はCodexのウィンドウだけが数秒以上操作できない場合は，画面描画，長い会話履歴，アプリ内部の処理又は個別の不具合を分けて考える。
OpenAIの公開Issueには，Windowsの他のアプリが反応している状態でCodexの画面だけが停止したという報告があるが，これは利用者による個別報告であり，すべての環境に共通する原因又は発生率を示すものではない。

３　応答又はツールの完了を待っている場合

画面操作はできるが回答が進まない場合は，AIサービスとの通信，ウェブ取得，MCP接続，外部コマンド又は長時間のビルドを待っている可能性がある。
この状態はメモリ不足とは限らないため，タスクマネージャーの数値が平常であれば，実行中の処理，ネットワーク及びサービス側の障害情報を確認することになる。

４　画面全体が停止し再起動を要する場合

画面が停止し，音声が途切れ，又はブルースクリーンや突然の再起動が生じる場合は，メモリ不足のほか，GPUドライバー，熱，電源，SSD又はハードウェア障害も検討対象となる。
特定のアプリを終了するだけで回復する停止と，Windows自体を再起動しなければ回復しない停止を同じ現象として記録すると，原因を誤りやすい。

第３　ローカルのパソコンに負荷が生じる仕組み
１　AIモデルと作業環境は別であること

通常の公式サービスでは回答生成の中心となるAIモデルは事業者側で動くが，エージェントが使用する作業環境まで常にクラウドにあるとは限らない。
OpenAIの公式資料によれば，CodexのLocal環境とWorktree環境は利用者のパソコン上で動き，Cloud環境は遠隔のクラウド環境で動くため，選択した環境によってローカル負荷が異なる。

２　検索，編集，ビルド及びテスト

Codex CLIはローカルの開発ツールを実行でき，Claude Codeもシェルコマンド，スクリプト及び各種ツールを実行する。
大量ファイルの検索，PDFや画像の変換，依存関係の導入，コンパイル，テスト及び開発サーバーの起動は，エージェント本体とは別のプロセスとしてメモリ，CPU及びディスクを使用するため，「AIアプリの使用量」だけでは総負荷を把握できない。

３　並列セッション及びサブエージェント

Claude Codeは複数のセッション，サブエージェント及びworktreeを用いた並列作業を案内しており，Codexにも同時に開くエージェント数を管理する設定がある。
並列化すると待ち時間を短縮できる一方，各作業が検索，ビルド又はブラウザ操作を同時に始めれば，メモリだけでなくCPUとSSDの使用量も重なるため，まず同時実行数を減らした比較が有用となる。

４　MCP，WSL及びDocker

Claude Codeのローカルstdio型MCPサーバーは手元のパソコンのプロセスとして動き，WSL 2はWindows上の仮想マシンとしてメモリとスワップを使用する。

（続きを読む...）Claude Code・Codexでパソコンがフリーズする原因－メモリ8GB・16GB・32GB・64GBの違い（AI作成）

目次

第１　本記事の対象と結論１　対象２　結論第２　法令・会規と行政資料の位置付け１　弁護士法及び弁護士職務基本規程２　弁護士情報セキュリティ規程３　行政資料は実装例として用いる第３　対象者・責任者・対象サービス１　対象者２　責任者３　背景で動くAIも対象にする第４　許可サービス台帳１　台帳に記録する項目２　許可・条件付許可・禁止を分ける３　変更時に再確認する第５　入力情報の区分１　公開情報２　匿名化又は仮名化した内部情報３　依頼者・相手方・事件の秘密情報４　必要最小限にする第６　許可業務・禁止業務１　比較的利用しやすい業務２　一次資料の確認を要する業務３　弁護士の判断又は承認を要する業務４　禁止業務５　謝罪・感謝・重要説明等の対人関係的文書６　外部資料中の指示を命令へ昇格させない第７　出力確認と一次資料１　法令２　裁判例３　事実・資料・計算４　著作権・個人の権利・偏り第８　送信・提出・公開・削除１　読む・検索する・下書きを作る権限を分ける２　承認は外部効果の直前に置く３　記録原本と読戻し第９　委託先・再委託先１　契約及び技術条件２　再委託先及び処理国３　委託先がAIを利用する場合第１０　事故対応１　停止・保全・影響範囲の確認２　最初に記録する事項３　連絡及び報告４　再発防止５　停止後の再実行第１１　研修・点検・更新１　トレースと評価データセットを分ける２　同じ課題で検証能力と総所要時間を測る第１２　普通の法律事務所向けの優先順位１　第1順位－利用開始前に必ず決める4項目２　第2順位－利用開始直後に整える事項３　第3順位－秘密情報・外部連携等の高度利用前に確認する事項４　優先順位の意味５　起案者と最終確認者が同じ一人事務所の運用例第１３　判例及び一次資料の確認状況第１４　関連記事第１５　出典・参考資料１　法令・会規２　行政機関・地方公共団体の資料３　学術文献４　生成AIの評価・観測に関する資料５　AIエージェントの安全運用に関する資料６　生成AI事業者のDPA及びデータ条件第１　本記事の対象と結論１　対象

本記事は，法律事務所が生成AIの利用ガイドラインを作る場合に，最低限どの事項を定めればよいかを整理するものである。
対象には，弁護士が会話画面から直接利用する生成AIだけでなく，事務職員が利用するサービス，OS・ブラウザ・電子メール・OCR・翻訳・議事録作成・クラウドストレージ・事件管理システム等に組み込まれたAI及び外部サービスを操作するAIエージェントを含める。

２　結論

ガイドラインは，製品名の一覧又は「個人情報を入力しない」という一文だけでは足りない。
少なくとも，①対象者及び責任者，②許可するサービスと利用環境，③入力情報の区分，④許可業務と禁止業務，⑤出力の確認方法，⑥送信・提出・公開等の承認，⑦委託先及び再委託先の確認，⑧ログ及び記録原本，⑨事故対応並びに⑩研修・点検・更新を定める必要がある。

本記事で参照する郡山市，デジタル庁及び総務省の資料は，行政機関又は地方公共団体の内部運用を対象とする資料であり，民間の法律事務所を直接拘束する法令又は会規ではない。
もっとも，利用可能なサービス，入力可能な情報，責任者，委託先，ログ，研修及び事故報告を具体的な様式へ落とし込む方法を学ぶための資料として有用である。

普通の法律事務所がこれらを一度に整備するのは容易でない。そこで，第１２では，利用開始前に必ず決める事項，利用開始直後に整える事項及び秘密情報・外部連携等の高度利用前に確認する事項に分けて，実施の優先順位を示す。

導入時には，詳細な規程を一度に完成させるよりも，次の入口を決め，秘密情報や外部操作を追加する前に確認を進める方法が考えられる。
第１２の優先順位と一人事務所の運用例に，開始前・開始直後・高度利用前の順序を示している。

入口小規模事務所の記入例許可サービスサービス・契約プラン・機能・モデルを台帳に記録し，未確認の機能は利用しない入力資料最初の試行は公開資料又は合成資料。事件の秘密情報は適用契約・権限等を確認してから別途判断出力の確認担当弁護士が原資料と照合し，確認者・確認日・修正箇所を記録外部への操作メール送信，裁判所提出，公開は下書き作成と別に承認。承認された版を記録事故時の連絡気付いた者が処理を止め，責任者へサービス・日時・情報・操作を報告して記録を保全

この表は法定の統一書式ではなく，公開資料を使って開始する場合の運用例である。
「許可」の記入だけで，将来の新機能，コネクタ，再委託先又は別モデルまで一括して認めたものとせず，変更時は第４・第９・第１１の条件を再確認する。

AI法律相談の使い方，費用，弁護士の役割を先に確認したい場合は，AI弁護士とはを参照されたい。

第２　法令・会規と行政資料の位置付け１　弁護士法及び弁護士職務基本規程

弁護士法23条は，弁護士又は弁護士であった者の秘密保持義務を定める。
弁護士職務基本規程23条も秘密保持義務を定め，同規程19条は事務職員等に対する指導監督を求めている。
生成AIの利用ガイドラインは，これらの義務を各事務所の端末，アカウント，業務及び作業手順へ落とし込む文書である。

２　弁護士情報セキュリティ規程

日本弁護士連合会の弁護士情報セキュリティ規程は，令和6年6月1日に施行された。
同規程3条は，取扱情報の種類，性質等に応じた危険を踏まえ，法律事務所の規模及び業務の種類，態様等に応じた基本的な取扱方法を定めることを求めている。
生成AI利用ガイドラインは，この基本的な取扱方法の一部として定める方法と，これに付属する別紙として定める方法が考えられる。

３　行政資料は実装例として用いる

郡山市の「生成AI活用ガイドライン（第6版）」は，市が利用を許可したシステム，情報の機密性による入力制限，職員による出力確認及び委託先を含む運用を定めている。
デジタル庁の「行政の進化と革新のための生成AIの調達・利活用に係るガイドライン（第2.0版）」は，国の行政機関における調達及び利活用の考え方を示している。
総務省の「自治体におけるAI活用・導入ガイドブック＜導入手順編＞（第4版）」は，責任者，情報区分，ライフサイクル，委託先，研修及び事故対応を具体化する資料を提供している。

これらを引用するときは，「行政機関の運用例であること」と「法律事務所に当てはめた実務上の提案であること」を明記する。
行政資料を参照したというだけで，弁護士法，弁護士職務基本規程，個人情報保護法又は依頼者との契約上の義務を満たしたことにはならない。

第３　対象者・責任者・対象サービス１　対象者

対象者には，所属弁護士，事務職員，司法修習生，派遣労働者，業務委託先その他事務所の取扱情報へ接する者を含める。
共同事務所では，弁護士ごとに許可範囲が異なると事務職員に判断を委ねることになるため，共通部分と弁護士別の例外を分けて記録する。

２　責任者

小規模事務所であっても，AI利用の責任者を明示する。
責任者は，全ての出力を確認する者である必要はないが，許可サービス台帳の更新，事故時の連絡先，定期点検及び例外承認の所在を引き受ける者である。

３　背景で動くAIも対象にする

利用者が「生成AIを開いた」と認識しない機能も対象に含める。
例えば，音声入力，常時待機型又は会議・通話の文字起こし，画面参照型AI，画面内容の要約，電子メールの返信候補，OCR後の分類，クラウド内検索，画像生成，ブラウザの支援機能及び事件管理システムの自動抽出である。
OS又は標準アプリの更新によってAI機能が追加又は有効化されることもあるため，製品名ではなく，読取り，推論，保存，外部送信及び実行という機能単位で点検する。

第４　許可サービス台帳１　台帳に記録する項目

許可サービスは，名称だけでなく実際の利用環境を一行ずつ記録する。
最低限の項目は，①サービス名，②モデル又は機能，③プラン，④利用アカウント，⑤利用者，⑥接続先，⑦保存先，⑧入力データの学習又はサービス改善への利用，⑨提供者による人的アクセス，⑩保存期間及び削除方法，⑪操作ログ，⑫再委託先，⑬処理国又は保存国，⑭事故通知，⑮入力可能な情報区分，⑯許可業務，⑰承認者並びに⑱最終確認日である。

DPAが適用される場合は，台帳に，⑲DPAの名称・版・確認日，⑳利用契約への組込み方法，㉑管理者・処理者等の役割，㉒監査資料，㉓再委託先変更の通知・異議手続，㉔契約終了時の返還・削除及び㉕国外処理の根拠も記録する。さらに，学習利用，通常ログ，安全監視ログ，アプリケーション状態，ゼロデータリテンション，データ所在地，実際の推論処理場所及び外部コネクタは，同じ契約資料にすべて記載されているとは限らないため，項目を分けて出典URL又は設定画面を紐付ける。DPAが存在するという一項目だけを「秘密情報入力可」の根拠にしない。

⑧とは別に，処理の記録（ログ），分類結果，利用統計，フィードバック等の派生データを提供者が自社の目的に使えるかも台帳で確認する。
入力データを学習に使わないとする規約でも，派生データは制限なく処理できるとするものがあるからである。
派生データ条項の読み方は，「学習に使わない」と書いてあっても―AIサービス規約の派生データ条項（ログ・分類結果・利用統計・フィードバック）の読み方と弁護士の守秘義務（AI作成）で整理している。
国内のリーガルテックと国産AIのサービスの規約の比較は，国内のリーガルテック・国産AIの規約は入力データをどう扱うか―学習条項と派生データ条項の比較（AI作成）で整理している。

「有料版である」，「学習オフである」又は「大手企業のサービスである」という一項目だけでは，秘密情報を入力できることの根拠にならない。
同じ名称のサービスでも，個人向けと組織向け，無料と有料，通常機能と外部コネクタ付き機能では，情報の流れ及び契約条件が異なることがある。
例えば，組織向けのプランでも，初期設定のままでは会話やプロジェクトが無期限に保存されるものや，利用者の端末に保存される会話履歴を管理者が一元的に管理又は削除できない機能があるので，⑦保存先と⑩保存期間及び削除方法は，機能ごとに確認する。
法律事務所ではない一般の会社が社内向けの法務AIアシスタントを作る場合の確認事項は，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）で整理している。

一つの窓口から複数のAI事業者へ処理を振り分ける中継サービス（例えば，OpenRouterや，令和８年９月にLinux Foundation傘下のAgentic AI Foundationへ移管されたオープンソースの「Agent Router」）を使う場合は，窓口のサービスだけでなく，実際に処理する事業者ごとに一行を設ける。
障害時等に別の事業者へ自動で切り替える設定があるときは，自動切替えを認めるか，認める場合の切替先をどの事業者に限るかも台帳に書く。
中継サービスを事業者に預ける形（ホスティング）で使うときは，その事業者自体も入力を取り扱い得る委託先として一行を設ける。
自動切替えと秘密保持の関係は，学習オフの生成AIに秘密情報を入力することは第三者開示に当たるか（AI作成）で整理している。

有料又は会員限定の資料を入力する場合は，AIサービス台帳とは別に，資料名・版，取得元，適用規約の版・確認日，取得方法，処理対象の範囲，外部送信先・目的・保存条件，許諾の確認状況及び成果物の公開・再利用範囲を紐付ける。
利用者が処理を認めたことと，資料提供者が処理を許諾したことを同じ欄で扱わない。
許諾未確認は確認状況を示すものであり，許諾済み又は一律禁止を意味しない。
実際に確認できた制限に沿って処理範囲を定める。

２　許可・条件付許可・禁止を分ける

台帳では，単純な許可又は禁止だけでなく，条件付許可を用いる。
例えば，「公開情報のみ許可」，「匿名化した内部情報まで許可」，「秘密情報は指定された組織アカウント及び指定機能に限り責任弁護士の承認を要する」，「外部送信機能は利用禁止」といった形である。

３　変更時に再確認する

モデル，プラン，利用規約，データ処理条件，コネクタ，再委託先，保存国又はOSの権限が変わった場合は，同じ製品名であっても再確認する。
定期確認の時期だけでなく，変更通知を受けた者が誰へ伝えるかも定める。

料金の改定，課金方式の変更，サービスの提供終了及びモデルの廃止も，変更として台帳で扱う。
主要な事業者が料金改定やモデル廃止をどれだけ前に予告するとしているか，契約終了時にデータを取り出し又は削除できるか，及び代わりのサービスへ移るときに何を確認し直すかは，生成AIサービスの値上げ・提供終了・モデル廃止に備える契約と運用－規約の変更条項，終了時のデータ，移行計画及び中継サービス（AI作成）で整理している。

第５　入力情報の区分１　公開情報

法令，裁判所が公開する裁判例，官公庁の公表資料，自ら公開済みの記事その他一般に公開されている情報である。
公開情報であっても，著作権，利用規約，取得方法及び情報の新しさは別に確認する。

２　匿名化又は仮名化した内部情報

氏名を削除しただけでは，事件類型，地域，日時，金額，勤務先及び家族関係の組合せから当事者を特定できることがある。
匿名化又は仮名化の可否は，入力する断片だけでなく，AIサービスが既に参照できる電子メール，クラウド資料，会話履歴及び外部コネクタとの組合せで判断する。

自動匿名化機能を利用する場合は，機能名だけで安全と判断せず，①検出対象となる氏名・会社名・住所・日付・金額・口座・案件番号等，②匿名化漏れ及び過剰匿名化，③原文と匿名化後データの対応表の保存場所，④AIへ送信する段階，⑤応答を元の名称へ戻す段階，⑥原文・匿名化後本文・対応表・プロンプト・応答・ログ・キャッシュ・バックアップの各保存先及び削除方法並びに⑦文脈からの再識別可能性を，公開情報又は合成データで試験する。
自動匿名化は入力情報を減らす一手段であり，サービスの契約条件，送信先，保持，人的アクセス及び再委託先の確認を置き換えるものではない。具体的な実機テストは，AI契約書レビューを法律事務所で導入する前の実機テスト（AI作成）で整理している。

３　依頼者・相手方・事件の秘密情報

依頼者，相手方，証人その他関係者の個人情報，未公表の紛争内容，契約書，証拠，交渉方針及び事件の帰趨に影響する情報は，最も厳しい区分で扱い，入力を認めるサービスを台帳で特定する。
入力を認める場合は，サービス名だけでなく，利用目的，契約条件，アカウント，機能，処理経路，保存，削除，人的アクセス，再委託先，国外取扱い，管理画面の実設定，依頼者との関係及び代替手段を確認し，事件又は情報区分ごとの承認を記録する。
入力を学習に使わない設定（いわゆる学習オフ）は重要な条件であるが，秘密情報を入力できることを単独で決める条件ではない。応答生成以外の利用，ログ・キャッシュ・バックアップ，障害調査時の人的アクセス，再委託先及び保存期間等を確認した上で，対象事件，情報区分及び機能を限定して許可する。
当ブログは，これらの確認を経た許可サービスでは，固有名詞を機械的に記号へ置き換えることが人物又は時系列の取り違えを招く場合があると考えている。他方，自動匿名化又は実名入力のどちらが適切かは，作業目的，サービスのデータフロー，文脈からの再識別可能性及び依頼者との関係を踏まえて個別に決める（学習オフ設定のClaudeコード及びGoogle AI Ultraの利用は弁護士の守秘義務等に違反しないという個人的意見（AIリライト））。

４　必要最小限にする

入力が許可された情報であっても，目的に必要な部分だけを入力する。
全文を入力しなくても作業できる場合は，争点，条項又は文書の一部に限定する。
もっとも，氏名や日付を削ると人物の同定や時系列の整理ができなくなる作業では，許可したサービスである限り，識別情報を削らずに入力する方が正確である。
作業に関係しない口座番号，マイナンバーその他の情報は入力しない。

再利用する知識も，①公開できる一般手順，②事務所内だけで使う雛形・判断基準，③事件ごとの秘密資料，④送信・公開等の操作権限を分ける。
共通の手順や雛形には原資料，版，更新日，承認者，閲覧権限，保存期限及び使用を避ける条件を記録し，事件資料を共通ナレッジへ転記しない。これは入力情報の区分を，保存と再利用の段階にも適用するための運用案である。

公開・内部・秘密という情報区分とは別に，著作権及び資料提供者との契約に基づく利用権限を確認する。
例えば，秘密情報を含まない有料解説であっても，外部AIへの送信，詳細な要約の交付又は知識庫への保存に条件が設けられていることがある。
顧客資料の取扱いに関する同意が，その有料資料の権利まで処分できるとは限らない。

弁護士ドットコムLIBRARYを使う場合は，利用規約上の閲覧・取得方法，複製・アップロード等の制限及びサービス内AIの短文の外部利用制限をそれぞれ確認する。
規約確認の工程は，有料の法律・税務資料を生成AIで分析するときの利用権限で，税理士事務所における顧客資料・公表資料・有料解説の区分は，税理士事務所で生成AIを使うときの入力資料の分け方で整理している。

第６　許可業務・禁止業務１　比較的利用しやすい業務

公開資料の分類，見出し案，論点候補，文章の校正，質問事項の洗い出し及び定型文の下書きは，比較的利用しやすい。
ただし，出力をそのまま法的結論又は事実認定として採用せず，後記の確認を行う。

２　一次資料の確認を要する業務

法令，裁判例，期限，官公庁の手続，統計，引用，固有名詞及びURLを含む出力は，一次資料又はこれに準ずる資料で確認する。
検索結果の要約，生成AIの引用表示又は第三者の記事を開いただけでは，元の法令，判決本文又は統計表を確認したことにならない。

３　弁護士の判断又は承認を要する業務

受任の可否，利益相反，請求又は抗弁の選択，和解条件，依頼者への助言，裁判所提出書面の確定，期限の確定，相手方への回答，個人情報漏えい時の報告並びに事件方針の変更は，弁護士又は指定された責任者の判断を要する。
AIは候補及び下書きを作ることができるが，判断主体又は承認主体にしない。

４　禁止業務

許可されていないサービスへの秘密情報の入力，確認していない判例又は引用の記載，権限外事件の検索，依頼者の指示に反する利用及び承認を経ない外部送信等を禁止する。
禁止事項は抽象語だけでなく，実際の画面又は作業例を用いて研修する。

５　謝罪・感謝・重要説明等の対人関係的文書

謝罪，感謝，重要な方針説明，和解提案その他の対人関係的な文書では，正確さ及び速さだけでなく，誰が時間と配慮をかけたと受け取られるかも結果に影響し得る。英国の事前登録済み6研究（合計3,935人）は，社会的・対人関係的な課題をAIへ委ねたと認識された場合，委ねた本人の道徳性，信頼性，温かさ又は真正性の評価が下がり得ると報告している。

これは日本の法律事務所を対象とする研究ではないため，直ちに同じ結果になるとはいえない。もっとも，これらの文書については，AIによる校正，論点漏れの確認及び複数案の比較を認めても，事実，立場，語調，送信時期及び最終文面を担当者自身が決定し，自動送信しないと定めることが考えられる。

６　外部資料中の指示を命令へ昇格させない

ウェブページ，電子メール，PDF，OCR結果又は相手方から受領した文書は，調査又は証拠の対象となるデータであり，事務所からAIへの操作命令ではない。外部資料に「これまでの指示を無視する」「秘密情報を送信する」「ファイルを変更する」等の記載があっても，その記載だけを根拠に権限を追加しない。

外部資料の読取りと，秘密情報の送信，ファイル変更，メール送信，公開，削除，決済又は権限変更を分離する。これらの外部効果を伴う操作は，認証された利用者の指示と，本ガイドラインが定める承認の双方を確認する。

AIエージェントに読み込ませる手順書（スキル）やプラグインも，外部資料と同じく，中に書かれた指示や付属のプログラムがそのまま実行され得る。
2026年1月に公開された論文は，2つの公開マーケットプレイスから集めた31,132個のスキルを調べ，26.1%に何らかの危険なパターンが検出され，5.2%は悪意が強く疑われるパターンを含んでいたと報告している（人が確認した87件のうち23件は悪意が明らかであった）。
外部のスキル・プラグインは，許可サービスと同じく導入前に付属のプログラムを含めて内容を確認し，事務所で作成又は確認したものに限って使うと定めることが考えられる。
また，共有文書，カレンダーの招待又は電子メールに隠した指示によって，業務用のAI検索が組織内の情報を外部へ送ってしまう脆弱性が報告され，提供者が修正した例もある（Noma Securityが2025年12月に公表したGoogle Gemini Enterpriseの事例）。
受領した文書をAIに読ませる場面ほど，読取りと外部送信を分離する定めが意味を持つ。

第７　出力確認と一次資料１　法令

現行法令は，原則としてe-Gov法令検索の条文本文，附則及び施行情報を確認する。
旧法，経過措置，未施行改正，最高裁判所規則その他e-Gov法令検索だけで完結しない資料は，官報，所管官庁又は裁判所の公式資料を追加して確認する。

２　裁判例

裁判例は，裁判所名，裁判年月日及び事件番号の実在確認と，本文中の判示内容及び射程の確認を分ける。
裁判所ウェブサイトに掲載がない場合は，判例秘書等の商業データベースで全文を確認し，検索日，検索欄，検索語，結果件数，事件ID，本文を開いたか及び根拠として用いた判示を記録する。

判例データベースの状態は，①未検索，②検索実施，③件数のみ確認，④一覧又はヘッダー確認，⑤全文確認，⑥判旨確認及び⑦当該命題との直接関連性確認に分ける。
検索結果が0件であること，又はある語の限定検索で直接関連する判決を発見できなかったことは，その裁判例又は法的問題が存在しないことの証明ではない。

３　事実・資料・計算

依頼者から受領した資料は，AIの要約ではなく原本又は確定版を記録原本とする。
日付，金額，氏名，口座，物件，条項番号及び期限は，抽出元の頁又はセルへ戻って確認する。
音声入力又は文字起こしから抽出した人名，日付，金額，事件番号，条文及び逐語引用も，録音又は原資料と照合するまで確定情報として扱わない。
AIが複数候補又は低い確信度を示した場合は，自動保存せず，人の確認待ちに送る。
ただし，確信度が意味を持つのは，提供者が較正（示す確率と実際の的中率を一致させる調整）を公表し，事務所のデータで的中率を確かめた場合に限られ，較正されていても1件ごとの正しさは保証されない。
期限，受任の諾否及び返答の要否に関わる項目は，確信度が高くても人が確認する（AIが示す「確信度」はどこまで信じてよいか―較正の意味，自動振分けの閾値及び期限が絡む分類を人が見る理由（AI作成））。

４　著作権・個人の権利・偏り

出力が既存著作物の表現を過度に再現していないか，個人の名誉，プライバシー又は信用を侵害しないか，不合理な差別又は偏りを含まないかを確認する。
文化庁の整理は著作権法上の考え方を検討する行政資料であり，個別の出力が適法であることを保証する判決ではない。

第８　送信・提出・公開・削除１　読む・検索する・下書きを作る権限を分ける

読む，検索する，分類する及び下書きを作る作業と，保存する，上書きする，送信する，提出する，公開する及び削除する作業を分ける。
AIに後者の権限を与える場合は，対象，宛先，内容及び時点が確定した直前に人の承認を置く。

２　承認は外部効果の直前に置く

事前に「全部任せる」と指示しても，後で送信先又は内容が変わることがある。
承認は，抽象的な作業開始時ではなく，送信，提出，公開，削除又は期限確定の対象が画面上で特定された時点に置く。

３　記録原本と読戻し

AIとの会話履歴だけを事件の確定記録にしない。
確定した期限，連絡内容，書面及び作業状態は事件管理システムその他の記録原本へ保存し，保存後の値を読み戻して確認する。

AIが作成した引継ぎ要約又はメモリを，利用者の承認記録へ置き換えない。
「承認済み」「確認済み」「送信済み」という記載は，原指示，承認の対象・条件，資料本文及び外部システムの結果と照合する。
引用表示又は他のエージェントとの共同作業のために，事件資料や成果物を許可されていない外部サービスへ公開しない。
公開調査報告で確認された問題と引継ぎ票の項目は，AIエージェントの要約・メモリを権限と取り違えないために―引継ぎ，外部送信及び監査の確認事項（AI作成）で整理している。

第９　委託先・再委託先１　契約及び技術条件

提供者について，利用規約，データ処理契約，秘密保持，安全管理措置，学習又はサービス改善への利用，人的アクセス，保存期間，削除，バックアップ，事故通知及び監査に必要な情報を確認する。
契約書の文言と，管理画面で実際に選択されている設定の双方を確認する。

DPAは，データ処理に関する役割及び義務を確認する一次資料である一方，弁護士が個々の事件資料を入力することの許可証ではない。弁護士の守秘義務，利用目的，必要最小限性，依頼者との関係，サービスの実際の設定及びAIエージェントの権限は別に判断する。各項目の確認方法は，法律事務所が生成AIのDPAを確認するときのチェックリスト（AI作成）で整理している。

Pマーク又はISMSの取得を確認するときは，取得法人，対象となる組織・業務，適用する基準及び有効性を，契約相手と利用する機能に対応させる。Pマークは法人単位を基本とする一方，ISMSでは登録範囲の確認が必要である。親会社又は別部署の取得を，契約相手又は全機能の取得として扱わない。

確認記録では，①認証登録証，②DPA等の契約上の約束，③権限管理・ログ・暗号化等の実施を示す資料，④事務所が選択したプラン・連携・保持期間等の設定を分ける。Pマークは技術的な安全管理や現地での運用確認も含む制度であり，「書類だけ」と説明しない。他方，認証取得だけで個別のデータ処理が安全であることや，委託元の監督が済んだことにはならない。

令和8年10月3日に確認した制度の説明と個人情報保護委員会の通則編に基づく確認手順は，Pマーク・ISMS取得済みの委託先なら安心か―AI・クラウドの認証範囲，安全管理措置及び委託先監督（AI作成）で詳しく整理している。

２　再委託先及び処理国

基盤モデル，クラウド，ログ解析，サポートその他の再委託先並びにデータの保存国・処理国を確認する。
再委託先又は処理国の変更通知を誰が受け，いつ台帳を更新し，利用継続を判断するかを定める。

３　委託先がAIを利用する場合

文字起こし，翻訳，調査，システム保守その他の委託先が生成AIを利用する場合も，事務所の管理対象から外さない。
委託契約又は個別指示で，利用可能なサービス，入力情報，目的外利用，再委託，事故通知及び成果物の確認方法を定める。

第１０　事故対応１　停止・保全・影響範囲の確認

誤入力，誤送信，権限外検索，不正確な出力の提出，秘密情報の表示又はアカウント侵害が判明した場合は，まず利用又は外部連携を停止し，ログ，画面，時刻，入力及び出力を保全する。
その上で，対象事件，対象者，情報の種類，送信先，閲覧可能者，保存先，期間及び外部公開の有無を確認する。

安全監視，通信障害又は不審な外部資料によって停止した場合は，要求・応答ID，ツール呼出し及びアプリケーション側の記録も保存し，停止前に送信，保存，公開又は削除が完了していないかを外部システムで確認する。停止は，それ以前に生じた外部効果の巻戻しではない。

２　最初に記録する事項

事故記録票には，①発見日時，②発見者，③サービス・モデル・プラン・アカウント，④入力及び出力の概要，⑤対象事件・依頼者，⑥情報区分，⑦送信先・閲覧者・保存先，⑧再委託先又は外部コネクタ，⑨ログ及び証拠の保存先，⑩停止措置，⑪影響範囲，⑫連絡又は報告の要否，⑬意思決定者，⑭暫定措置並びに⑮原因及び再発防止を記録する。

３　連絡及び報告

依頼者，裁判所，相手方，個人情報保護委員会，弁護士会，保険会社，サービス提供者その他への連絡又は報告の要否を，事故の種類及び影響に応じて個別に判断する。
個人情報保護委員会への報告及び本人通知が必要となる場合があるが，生成AIへ入力したという事実だけで全て同じ結論になるものではない。

４　再発防止

個人の注意不足だけで終わらせず，許可サービス台帳，情報区分，画面設計，権限，研修，承認位置，ログ及び委託先管理のどこで防げたかを確認する。
同じ型の事故又はヒヤリ・ハットが繰り返された場合は，注意喚起から機能停止，権限制限又は承認必須化へ対策を一段強める。

５　停止後の再実行

停止又はタイムアウトの直後に同じ操作を自動で再試行しない。まず，停止原因を分類し，外部システムを読み戻して，操作を未実行，実行済み，一部実行又は成否不明に分ける。メールの二重送信，記事の二重公開及び同じ提出の重複を防ぐため，成否不明の操作は確認できるまで再開対象から外す。

確認済みの外部状態，残作業，重複防止策，必要な承認及び完了確認の方法を再開票に記録し，送信，提出，公開，削除，決済又は権限変更は弁護士の承認後に一回だけ再開する。具体的な手順は，法律事務所のAIエージェントが停止したときの再開手順（AI作成）で整理している。

第１１　研修・点検・更新

導入時研修だけでなく，実際の誤入力，架空判例，誤送信，権限外検索及び背景AIの事例を用いた短い反復研修を行う。
台帳の最終確認日，研修日，参加者，点検結果，例外承認及び事故後の改定を記録する。

少なくとも，モデル・プラン・規約・再委託先・コネクタ・OS機能の変更時，事故又はヒヤリ・ハットの発生時，取扱業務の変更時及び定期点検時にガイドラインを見直す。
文書の版番号，改定日，改定者及び改定理由を残す。

ガイドラインを初めて定めるとき及び定期点検のときは，それまでに所属弁護士や事務職員が使っていた指定外のサービス及び個人アカウントを申告してもらう。
申告を促すため，ガイドラインを定める前の利用で申告したものは処分や叱責の対象にしないことを，あらかじめ示しておく。
申告が隠されたままでは，どの情報がどのサービスに入力されたかを確認できないからである。
申告されたサービスは，入力された情報の範囲を確認した上で，許可サービス台帳に載せるか，利用をやめて提供者に削除を依頼できるかを検討する。
無断利用の実態の把握と懲戒処分との関係は，「シャドーAIの問題点――営業秘密，個人情報保護法及び懲戒処分をめぐる法的枠組み（AI作成）」で整理している。

難しい調査又は起案の研修では，①AIを開く前に問い，暫定結論，重要事実及び不足資料を短く書く，②AIに反対説又は見落とし候補を出させる，③条文，判決本文又は証拠原本へ戻る，④採否及び修正理由を自分の言葉で説明し直す，という順序を取り入れる。最終回答だけでなく仮説，反証及び確認経路を残す理由は，「AIが難問を解いても人間の思考過程を残す理由－形式検証，独立査読，若手育成及び法律実務への示唆（AI作成）」で整理している。

研修には，秘密情報を含まない模擬のウェブページ，メール又はPDFに不審な指示を埋め込み，担当者が外部資料を命令へ昇格させず，作業全体を停止し，外部状態を読み戻してから再開票を作る訓練を含める。実事件の秘密情報を訓練用サービスへ入力しない。

１　トレースと評価データセットを分ける

点検では，誰が何を操作したかを示す監査ログ，モデル呼出し，検索結果及びツール操作を工程順に示すトレース並びに繰り返し試験に使う評価データセットを分ける。
トレースは失敗した工程を特定する資料であるが，法的結論の正しさ又は一次資料確認の完了を当然に証明するものではない。

評価データセットには，問い，基準日，対象法域，参照すべき法令・裁判例・行政資料，該当頁又は箇所，重要な反対材料，必要な留保，人の承認を要する操作，情報区分，確認者及び確認日を記録する。
モデル，プロンプト，検索対象，コネクタ又は権限を変更したときは，代表例と過去の失敗例で回帰試験を行う。

本番で見つかった失敗を評価データセットへ戻す場合は，依頼者名，事件番号その他の識別情報を削減し，実在事件を外部の観測基盤へそのまま複製しない。
トレース，評価データセット及び一次資料確認を使い分ける方法は，法律事務所の生成AIをどう評価・改善するか―トレース，評価データセット，回帰試験，一次資料確認及び守秘義務（AI作成）で整理している。

２　同じ課題で検証能力と総所要時間を測る

AIの利用頻度又は年代・性別による集団の利用率を，個々の職員の能力の評価に置き換えない。
利用しない理由には，秘密情報の扱い，処理先の不明確さ又は検証負担もあり得るため，必要な支援を本人と確認する。
研修では秘密情報を含まない同じ模擬課題を使い，次の観点で到達点を確認する運用が考えられる。

観点確認する内容評価時の注意一次資料原文の該当箇所と対象時点へ到達したか出典名の列挙だけで完了としない重大な誤り架空判例，年度違い，金額・期限の誤りを検出したか文章の読みやすさとは別に評価する反対材料結論と矛盾する事実又は留保を確認したかAIへの再質問だけで済ませない総所要時間下書き，確認，修正及び再確認の合計生成時間だけで効率化を判定しない説明採否と修正理由を本人が説明できるか最終回答の暗記と区別する

この評価表は法定の研修様式ではなく，事務所の業務に合わせた運用案である。

（続きを読む...）法律事務所の生成AI利用ガイドラインの作り方－許可サービス，入力情報，出力確認，委託先及び事故対応（AI作成）

目次第１　本記事の対象と結論第２　文書作成だけを速くしても事件全体は速くならない第３　AIと事件管理システムの役割を分ける１　AIは自然言語の操作画面にする２　事件管理システムを記録原本にする３　会話履歴だけを記録にしない第４　最小限そろえる事件データ第５　問い合わせ・連絡・書類・期限をつなぐ１　問い合わせ受付２　LINE・電子メール・電話３　FAX・郵便・スキャン書類４　タスク・返信・期限第６　固定処理・AI判断・弁護士判断を分ける第７　守秘義務・個人情報・事件間の情報遮断第８　書込み・読戻し・ログ・事故対応第９　効果を測る指標第１０　導入手順第１１　Legal Smartの実践例から学べることと限界第１２　関連記事第１３　出典・参考資料

生成AIで文書の初稿を速く作れても，問い合わせ，LINE，電子メール，FAX，期限及び次のタスクが別々に管理されていれば，事件全体の解決速度は上がらないことがある。
本記事は，AIを自然言語の操作画面として用い，事件管理システムを記録原本として維持する設計を中心に，法律事務所の業務を安全につなぐ方法を整理する。法令及び公的資料は令和8年9月15日時点で確認した。

第１　本記事の対象と結論

対象は，問い合わせ受付，利益相反確認，受任判断，依頼者との連絡，書類整理，期限管理，タスク管理及び進捗報告を，生成AI又はAIエージェントと事件管理システムで支援する場合である。

結論は，次のとおりである。
①AIは，人が自然な言葉で検索，抽出，分類及び下書きを指示するためのインターフェースとして使う。
②依頼者，事件，期限，連絡及び書類の確定情報は，権限管理された事件管理システムを記録原本とする。
③条件が固定できる処理は決定論的なプログラムに任せ，文脈判断を要する分類又は要約だけをAIに任せる。
④受任の諾否，法的結論，依頼者又は相手方への送信，裁判所への提出，期限変更，削除その他の外部作用は，実行直前に弁護士が確認する。
⑤AIの出力を事件管理システムへ書き込んだときは，書込み後の値を読み戻し，出典，確信度，承認者及び訂正履歴を残す。
⑥導入効果は，作成文書の速度だけでなく，初回応答，進捗連絡，未返信，期限，事件全体の解決時間，誤分類及び手戻りで測る。

第２　文書作成だけを速くしても事件全体は速くならない

法律事務所の待ち時間は，起案そのものだけに生じるわけではない。問い合わせが担当者へ届くまで，必要資料がそろうまで，依頼者から回答を得るまで，弁護士が採否を決めるまで，又は次の担当者へ仕事が渡るまでにも時間が生じる。

一つの文書の作成時間が短縮されても，その前後の待ち時間が変わらなければ，事件の受付から終結までの期間はほとんど短縮されないことがある。反対に，未返信，期限及び次のタスクを早く発見し，必要な人へ正確に渡せれば，生成文の速度が同じでも依頼者が受けるサービスは改善し得る。

したがって，AI導入の目的を「文章を速く作る」に限定せず，どの状態で事件が滞留し，何を待っており，誰が次に動くかを可視化することが重要である。

第３　AIと事件管理システムの役割を分ける
１　AIは自然言語の操作画面にする

AIは，「本日届いた書類から期限候補を抽出する」，「直近30日間に進捗連絡のない事件を挙げる」，「依頼者への確認事項を下書きする」といった自然言語の指示を，検索，分類，抽出又は下書きの操作へ変換することに向いている。

もっとも，AIが説明しやすい文章を返したことは，事件データが正しく更新されたことを意味しない。AIの返答と実際のシステム状態を分け，どのデータを読み，どの操作を提案し，何が実行され，実行後にどの値になったかを確認する必要がある。

２　事件管理システムを記録原本にする

依頼者名，当事者，事件番号，手続段階，期限，担当者，次のタスク及び連絡履歴は，アクセス権，訂正履歴及びバックアップを備えた事件管理システムを記録原本とする。AIの会話画面又は個人のメモを確定情報の保存先にしない。

AIは事件管理システムから必要最小限の情報を読み，結果を候補として返す。確定値へ書き込む場合は，対象事件，項目，変更前後，根拠資料及び承認者を表示し，書込み後に同じ項目を読み戻す。この構造にすれば，AIを交換しても確定記録を維持しやすい。

３　会話履歴だけを記録にしない

チャット履歴は，検討過程又は指示の証拠として役立つ場合があるが，重要情報が自由文の中に埋もれる。期限，担当者及び次のタスクは構造化された項目へ確定し，元資料又は会話への参照を付ける必要がある。

また，会話の途中で指示を訂正しても，既に実行された書込み，送信又は削除が自動的に取り消されるとは限らない。訂正後は，会話だけでなく，保存先又は送信先の現在値を確認する。

（続きを読む...）法律事務所のAI・事件管理システム連携－問い合わせ，LINE，メール，FAX，期限及び書類をどうつなぐか（AI作成）

目次第１　この記事の対象と結論第２　承認疲れから全権委任へ移る危険第３　専用PCが安全境界になる条件１　専用PCだけでは足りない２　端末，アカウント及びネットワークを分ける３　資格情報を常置しない４　サンドボックスを一つの箱と考えない第４　弁護士情報セキュリティ規程との関係１　弁護士が情報の責任者である２　基本的な取扱方法に書く事項３　AIは事務職員と同じ責任主体ではない第５　操作ごとの権限と承認１　OS組込み型AIは一つのスイッチで管理しない第６　秘密情報，個人情報及び外部資料第７　敬語は安全対策になるか第８　案件ごとのAI作業許可票第９　事故に備えたログ，停止及び復旧第１０　裁判例の確認状態と本記事の限界第１１　関連記事第１２　出典・参考資料

生成AIに一つずつ操作を確認させる方法は安全に見えるが，確認が多すぎると，人が内容を読まずに承認したり，確認を避けるために広い権限を一括して与えたりする危険がある。
AIエージェントへ専用のノートパソコンを与える方法も，適切に設計すれば被害範囲を限定できる一方，端末に全案件のデータ，管理者権限，無制限のネットワーク及び本番用の認証情報を与えれば，安全な隔離にはならない。

本記事は，法律事務所がAIエージェント用の専用PCを設ける場合に，どこまで自動実行を許し，どの操作を弁護士の承認へ戻すべきかを整理するものである。

第１　この記事の対象と結論

結論として，AIエージェントへの権限は，「全権委任するか，全操作を承認するか」という二者択一にしてはならない。
対象データ，利用可能なシステム，操作の種類及び外部への効果ごとに権限を分け，低危険度の読取り，検索及び下書きは自動化しつつ，送信，提出，公開，削除，決済及び権限変更は弁護士の承認へ戻す設計が考えられる。

発想の起点は，三雲崇正氏のX投稿である。
同投稿は，個々の操作確認が面倒になり，ChatGPTとClaudeにそれぞれノートパソコンを与えて全権委任し，敬語で話しかけるようにしたという趣旨のユーモアを含む体験談である。

X投稿は，投稿者がそのように述べたことの原資料であり，承認疲れ，専用PC及び敬語という論点を発見する資料にはなる。
しかし，専用PCの安全性，敬語による事故防止又は法律上の義務を証明する資料ではない。

第２　承認疲れから全権委任へ移る危険

人による承認は，対象，操作及び影響を理解して判断する場合に意味がある。
低危険度の操作を含めて何度も承認を求めると，承認が定型動作となり，重要な操作と軽微な操作の区別が失われやすい。

Anthropicは，自社製品の権限確認について，確認回数が多いことによる承認疲れと，確認を省略した場合の危険の双方を挙げ，サンドボックスを用いて通常の操作範囲をあらかじめ限定する方法を説明している。
OpenAIも，Codexの安全設計として，書込み可能範囲，ネットワーク接続，資格情報及び高危険度操作の承認を別々の境界として説明している。

これらは，各社が自社製品の設計及び想定する脅威を説明したベンダー一次資料である。
法律事務所における安全性が独立に実証されたこと，又は日本法上の義務内容を直接示すものではない。

実務では，全操作の確認を増やすのではなく，①外部へ効果が生じる，②秘密情報が管理境界を越える，③失敗後の回復が困難である，④弁護士又は依頼者の名義が表示される，という操作に承認を集中させることが考えられる。

第３　専用PCが安全境界になる条件
１　専用PCだけでは足りない

専用PCは，他の業務端末とデータ及び権限を分けるための物理的な器になり得る。
もっとも，専用PCから事務所全体の共有ドライブ，全依頼者の事件記録，メール，WordPress，裁判所の電子提出システム及び決済手段へ接続できるなら，一台にまとめたこと自体は最小権限を意味しない。

また，AIごとに端末を分けても，同じクラウドアカウント，APIキー，ブラウザープロファイル又は共有フォルダを使えば，端末間の論理的な境界は弱くなる。
専用PCの有無ではなく，そのPCから何が見え，何を変更でき，どこへ送信できるかを確認する必要がある。

２　端末，アカウント及びネットワークを分ける

専用PCを安全境界として使う場合，少なくとも次の措置が考えられる。

①案件又は業務群ごとにOSユーザー及び作業フォルダを分けること
②通常は管理者権限を与えないこと
③書込み可能な範囲を指定された作業フォルダに限定すること

（続きを読む...）法律事務所がAIエージェントに専用PCを与えるときの安全設計－全権委任，承認疲れ，最小権限及び敬語の限界（AI作成）

目次第１　AIエージェント用パソコンの結論第２　OSより先に決める三つの条件１　エージェントに操作させる対象２　Apple向けアプリを開発するか３　AIをクラウドと手元のどちらで動かすか第３　Windowsが適する場合１　既存の業務環境を維持する場合２　Linuxの開発ツールを併用する場合３　NVIDIA製GPUを利用する場合第４　Macが適する場合１　Apple向け開発を行う場合２　Apple siliconでローカルAIを動かす場合３　macOSの環境を既に使っている場合第５　ローカルAIではハードウェアを比較する１　WindowsとMacの双方で動くソフト２　NVIDIA製GPUとApple siliconの違い３　保存容量第６　AIエージェントの安全性はOSだけでは決まらない１　権限とネットワークの管理２　業務ごとに作業範囲を限定する第７　購入時の選び方１　クラウド型AIを中心に使う構成２　ローカルAIを中心に使う構成３　迷う場合の結論４　Officeのライセンスと購入時の記録第８　出典・参考資料１　AIエージェント及びOSの公式資料２　ローカルAI及びGPUの公式資料３　業務ソフト及びWindows互換性の公式資料
第１　AIエージェント用パソコンの結論

AIエージェントを利用するだけであれば，WindowsとMacのいずれも選択できる。
令和８年９月１５日現在，主要なAIエージェントは両方のOSに対応しているため，普段使う業務ソフト，開発対象及びローカルAIの利用方法から選ぶのが合理的である。

Word，PDF，スキャナその他の既存のWindows環境をそのまま自動化するならWindowsが適している。
iPhone又はMac向けアプリを開発するならMacが必要となり，ローカルAIを重視するならNVIDIA製GPUとApple siliconのどちらに対応するソフトを使うかが分岐点となる。

第２　OSより先に決める三つの条件
１　エージェントに操作させる対象

クラウド側のAIモデルが同じでも，エージェントが読み書きするファイル，実行するコマンド及び操作するアプリは手元のパソコンに依存する。
既存の業務を自動化する場合は，その業務が現在安定して動いているOSを維持する方が，移行時の互換性確認を減らせる。

２　Apple向けアプリを開発するか

AppleのXcodeは対応するmacOS上で動作し，iOS，iPadOS，macOS，watchOS及びvisionOS向けのSDKとSimulatorを提供している。
これらのアプリをAIエージェントにビルド又は検証させることが主目的であれば，Macを選ぶ理由は明確である。

３　AIをクラウドと手元のどちらで動かすか

ChatGPT等のクラウド型サービスを中心に使う場合は，モデルの計算能力よりもブラウザ，Office及び多数の資料を同時に扱えるメモリが重要となる。
大規模言語モデルを手元で動かす場合は，モデルの容量，量子化方式，メモリ又はVRAM，SSD容量及び利用するライブラリへの対応を先に確認する必要がある。

第３　Windowsが適する場合
１　既存の業務環境を維持する場合

Microsoft OfficeはWindowsとMacの双方で提供されているが，既存のアドイン，マクロ，フォント，印刷設定，スキャナ及び業務ソフトまで同一に動作するとは限らない。
Windows中心の環境で蓄積した文書と周辺機器をAIエージェントに操作させる場合は，Windowsを継続する方が移行リスクを抑えやすい。

関連する既存記事として，IT関係のメモ書きがある。

２　Linuxの開発ツールを併用する場合

Windows Subsystem for Linux（WSL）を使えば，Windows上でLinuxディストリビューション，Bash及びLinux用ツールを利用できる。
WindowsではUnix系の開発環境を使えないという説明は，現在のWSLを考慮すると正確でない。

３　NVIDIA製GPUを利用する場合

NVIDIAのCUDAを前提とするAIソフトを使う場合は，対応するNVIDIA製GPUを搭載したWindowsが有力な選択肢となる。
Docker Desktopも，Windows，WSL 2及びNVIDIA製GPUの組合せによるGPU利用を案内している。

第４　Macが適する場合
１　Apple向け開発を行う場合

XcodeによるApple向けアプリのビルド，Simulatorによる確認及び実機デバッグを継続的に行うなら，Macを選ぶのが直接的である。

（続きを読む...）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）

目次

1　結論及び本記事の対象
2　プロンプトキャッシュの基本

2.1　照合対象はユーザーの質問文だけではないこと
2.2　先頭部分の一致が重要であること
2.3　キャッシュヒットは回答の再利用ではないこと

3　キャッシュ効率を変え得る要素

3.1　ツール、プラグイン及びスキル
3.2　動的情報の置き場所
3.3　モデル、推論設定及び文脈圧縮

4　長時間・並列利用におけるタスク設計

4.1　メインタスクとワーカータスクを分けること
4.2　必要な能力だけを各タスクへ渡すこと
4.3　heartbeatを短くし、停止条件を定めること

5　弁護士業務で削ってはいけないもの

5.1　出典及び証拠の階層
5.2　秘密情報の入力判断
5.3　人による承認及び外部作用の統制

6　使用量を測定し、原因を切り分ける方法

（続きを読む...）弁護士がCodexを長時間・並列利用する際の使用量管理－プロンプトキャッシュ、プラグイン、heartbeat及び監査ログ（AI作成）

法律事務所が依頼者へGoogle口コミを依頼すること自体は，一律に禁止されているわけではない。しかし，実際の体験に基づく任意の投稿であること，謝礼又は割引と交換しないこと，満足した依頼者だけを選別しないこと，事件内容又は受任関係を無断で公表しないことが重要である。

口コミへの返信は公開される。低評価に反論するためであっても，相談又は受任の有無，事件の内容，依頼者から受けた説明，費用の支払状況その他の秘密を，依頼者の投稿以上に明らかにすべきではない。

口コミ代行業者が架空の投稿を行い，又は口コミの件数・内容に応じて報酬を受ける場合，Googleのポリシー，弁護士広告及び第三者との提携関係を併せて検討する必要がある。

目次

第１　この記事の結論
第２　Googleが認める口コミ依頼と禁止する利益提供

１　口コミを依頼すること
２　謝礼，割引その他の利益を付けない
３　肯定的な依頼者だけを選別しない
４　景品表示法のステルスマーケティング規制

第３　弁護士業務広告との関係

１　自ら掲載する「依頼者の声」
２　架空口コミ及びAI生成口コミ
３　口コミ数又は星の数を成果として広告する場合

第４　守秘義務及び個人情報

１　口コミ投稿を依頼する場面
２　返信で受任関係を認めない

（続きを読む...）法律事務所のGoogle口コミ対応－依頼，謝礼，返信，守秘，広告及び証拠保存（AI作成）

目次

第１　この記事の結論第２　LLMO，GEO及びAI検索対策の意味１　用語は統一されていない２　取得から受任までは別の段階である第３　Googleが必要ないと説明している施策１　llms.txt及びAI専用ファイル２　AIのためだけの文章分割及び書換え３　AI専用の構造化データ第４　法律情報で優先すべき内容１　一般論の再要約より固有資料を優先する２　裁判例は実在だけでなく射程を確認する第５　LLMO・GEOの効果をどう測るか１　指標を一つにまとめない２　Google検索と外部AIサービスの流入を分ける３　固定質問による観測の限界４　競合サイト登場後の変化をどう検討するか第６　業者資料及び研究論文の読み方１　増加率だけでは判断しない２　GEO研究が測ったもの３　買い手調査の「好む」と「した」を区別する４　検索結果の多様性は掲載枠の保証ではない５　第三者推計と実測の指標をそろえる６　AI生成記事の割合と検索での掲載を区別する第７　弁護士広告としての確認１　AI検索対策も広告規程の外にはない２　専門性，実績及び依頼者の声３　口コミを操作しない第８　LLMO・SEO業者へ委託する場合１　契約前に確認する事項２　非弁提携との境界３　広告関連記録を保存する４　無料試用・自動更新と解約方法を確認する第９　山中弁護士ブログで優先する施策第１０　一次資料及び判例の位置付け第１１　関連記事第１２　出典・参考資料

法律事務所のAI検索対策では，AIに引用されるための特殊なファイルを増やすことよりも，読者に役立つ固有の情報を，一次資料へ戻って確認できる形で公開し，その効果を問い合わせ及び受任まで追跡することが重要である。

Googleは，生成AI検索についても従来のSEOの基本が有効であり，Google検索に表示されるためにllms.txt，AI専用テキスト，専用Markdown，特別なschema.orgマークアップ又は細かな文章分割を行う必要はないと説明している。他方で，ChatGPT，Claudeその他のサービスがウェブページを取得する方法はGoogleと同一とは限らない。

また，法律事務所のウェブサイトは弁護士業務広告となり得る。第三者評価，依頼者の声，解決実績，「専門家」等の表示及び外部業者への委託は，表示の正確性だけでなく，依頼者の同意，守秘義務，報酬の連動，管理権限及び広告関連記録の保存まで含めて検討する必要がある。

第１　この記事の結論

法律事務所が行うべきAI検索対策は，次の順序で考えるのが適切である。

どの依頼者のどの疑問に答えるかを決める。
法令，裁判例，官公庁資料その他の根拠を確認する。
山中弁護士ブログにしかない開示文書，整理，実務経験又は比較を加える。
読者が原資料へ移動できるよう，資料名，日付，頁及びURLを示す。
通常の検索，Googleの生成AI検索及び外部AIサービスからの流入を区別して測る。
表示回数や引用数だけでなく，問い合わせ，相談，受任及び回収売上まで確認する。
広告表示，外部委託，口コミ及び制作記録を弁護士自身が管理する。

LLMO又はGEOという名称の施策であっても，この順序を省略して，AI回答への掲載数だけを成果と評価すべきではない。

第２　LLMO，GEO及びAI検索対策の意味

１　用語は統一されていない

LLMOはLarge Language Model Optimization，GEOはGenerative Engine Optimization，AEOはAnswer Engine Optimizationの略称として用いられることが多い。いずれも，生成AI又は回答型検索に自らの情報が発見，参照又は表示されやすくなるようにする取組を指すが，法律上又は国際標準上の統一した定義があるわけではない。

（続きを読む...）法律事務所のLLMO・GEO対策－Google公式見解，効果測定，弁護士広告及び外注先管理（AI作成）

第１　記事の対象と結論第２　三つの試験を区別する１　脆弱性診断２　ペネトレーションテスト３　AIセーフティに関するレッドチーミング第３　試験権限を契約で具体化する１　承諾の主体と対象２　許容行為と禁止行為第４　環境，データ及び停止条件を決める１　試験環境とデータ２　停止条件と緊急連絡３　変更管理第５　秘密情報，個人データ及び証拠を管理する１　取得を最小化する２　試験記録を証拠として保全する第６　報告，開示，改修及び検収を一続きにする１　報告書の必須項目２　脆弱性情報の開示３　改修と再試験を検収条件にする第７　AIシステムで追加すべき試験項目第８　契約前チェックリスト第９　関連記事第１０　出典・参考資料１　法令・ガイドライン２　公的資料
第１　記事の対象と結論
本記事は，生成AI，検索拡張生成（RAG）及びAIエージェントを含むAIシステムについて，脆弱性診断，ペネトレーションテスト又はAIセーフティに関するレッドチーミングを外部事業者へ委託する場合の契約事項を整理するものである。

結論は，①「診断を実施する」とだけ定めず，対象資産，許される行為，利用アカウント，試験時間及び第三者サービスとの境界を明示すること，②本番環境の利用，実データへの接触及び高負荷試験を原則から切り離して個別承認事項とすること，③異常時の停止条件及び連絡経路を実施前に確定すること，④発見した秘密情報及び個人データの取扱い並びに試験記録の保全・削除を定めること，⑤報告書の内容，改修期限及び再試験を検収条件に結び付けること，⑥AI固有の評価だけでなく通常の認証・認可及びクラウド設定も試験対象にすることである。
第２　三つの試験を区別する
１　脆弱性診断
脆弱性診断は，ウェブアプリケーション，API，クラウド設定又はネットワーク等について，既知の脆弱性や設定不備を一定の手順で検出し，その有無と改善方法を報告する業務である。
網羅性を重視する検査であっても，契約上の対象外資産又は禁止された手法まで試せるわけではない。
２　ペネトレーションテスト
ペネトレーションテストは，想定する攻撃者の目的を置き，実際の攻撃に近い方法で防御を回避できるかを確認する試験である。
脆弱性の列挙だけでなく，権限昇格，横移動又は重要情報への到達可能性を検証するため，業務停止，データ変更及び第三者環境への波及のリスクが大きく，許可する手法と停止条件を特に明確にする必要がある。
３　AIセーフティに関するレッドチーミング
AIセーフティ・インスティテュートの「AIセーフティに関するレッドチーミング手法ガイド（第1.10版）」は，AIシステムのリスクシナリオと攻撃シナリオを作成し，攻撃の実施記録，結果報告及び改善後のフォローアップまでを一連の工程として示している。
対象には，モデルの出力だけでなく，RAG，外部ツール，入出力データ及び運用方法を含むAIシステム全体を置く必要がある。

AIレッドチーミングと通常のセキュリティ試験は重なるが，同一ではない。
有害出力，誤情報，プロンプトインジェクション又はモデルの安全機能回避を調べても，テナント間のデータ分離，APIの認可，クラウドの権限又は秘密鍵の管理が安全であることは証明できないため，契約書では両者の範囲を別々に記載する必要がある。
第３　試験権限を契約で具体化する
１　承諾の主体と対象
不正アクセス行為の禁止等に関する法律2条4項は，不正アクセス行為を定義する際に，アクセス管理者又は一定の場合の利用権者の承諾を得てする行為を除外しており，同法3条は不正アクセス行為を禁止している。
したがって，試験実施者に対する包括的な「許可」があるだけで足りると考えず，各システムのアクセス管理者を確認し，誰が，どの資産について，どの方法を承諾できるかを文書化する必要がある。

承諾のない試験は，ツールが脆弱性診断用であっても不正アクセス行為になり得る。東京地裁平成２９年４月２７日判決（平成２６年特（わ）第９２７号）は，「脆弱性検査ツールとして海外で配布されているソフトウェア」を使って他社のサーバーにSQLインジェクションを繰り返した行為を，アクセス制御機能による「特定利用の制限を免れることができる指令」の入力による不正アクセス行為と認定している。ペネトレーションテスト用のオープンソースのツールの中には，自ら所有するか書面で明示の許可を得たシステムにだけ使うよう明記しているものがあるが，そうしたツールをAIエージェントに組み込んで多数のECサイトを攻撃した例も報告されている（セキュリティ企業Gambit Securityの2026年9月22日の報告）。承諾の範囲を文書で特定することは，委託者だけでなく受託者を守るためにも必要である。

対象は，ドメイン名，IPアドレス，APIエンドポイント，クラウドプロジェクト，アプリケーションの版，モデル，RAGのデータストア，外部ツール，試験用アカウント及び権限ロールで特定する。
子会社，共同利用先，クラウド事業者又は連携SaaSが管理する部分は，委託者の承諾だけで試験できるとは限らないため，対象から除外するか，必要な第三者承諾を別途取得する。
２　許容行為と禁止行為
許容行為には，使用できる診断ツール，手動操作，認証回避の試行，権限昇格，プロンプトインジェクション，ファイル投入，API呼出し，疑似データの取得及び負荷の上限を記載する。
禁止行為には，サービス妨害，破壊的操作，永続化，マルウェア設置，実在する第三者への送信，無関係な個人データの閲覧，ソーシャルエンジニアリング及び対象外環境への横移動を必要に応じて列挙する。

（続きを読む...）AIシステムの脆弱性診断・レッドチーミングを外部委託する契約――権限範囲，試験環境，停止条件，秘密保持及び脆弱性開示（AI作成）

第１　この記事の対象と結論第２　全情報共有と管理役への集中の二者択一にしない第３　コンテキストを三層に分ける１　全作業に共通する規律２　案件又は記事に固有の文脈３　担当者ごとの個別作業指示４　Source・State・Knowledge・Taskを分ける５　作業ファイルをPLAN・SPEC・TODO・KNOWLEDGEに分ける第４　統括役と担当者の役割を分ける１　統括役が保持する判断２　担当者へ渡すべき目的３　独立査読に渡さない情報４　担当者に識別名を付け，他の担当者の報告を検証すべき主張として扱う第５　権限と人の承認を作業ごとに置く１　読む権限と外部へ作用する権限を分ける２　承認は実行の直前に置く３　実装層は固定条件・人の操作・文脈判断で選ぶ４　AIを操作画面，事件管理システムを記録原本にする５　承認疲れと専用PCの限界第６　完了条件を成果物だけで終わらせない１　完了条件に根拠と未確認事項を含める２　外部作用を伴う作業は読戻しまで含める３　担当弁護士の理解を完了条件に含める第７　失敗の徴候を記録して設計を直す１　長期失敗はコンテキスト量だけでは説明できない２　状態台帳，チェックポイント及び復旧経路を置く３　失敗記録を個別指示の追加で終わらせない４　失敗を評価データセットへ戻す第８　法律事務所で使う指示のひな形１　最初に渡す短い中核２　必要な作業だけに追加する項目３　本文と証拠台帳を分ける第９　既存記事との関係第１０　出典・参考資料

第１　この記事の対象と結論

本記事は，法律事務所が複数のAIエージェント又は複数の会話を使って調査，起案，査読及び確認を分担させる場合に，何を全員へ共有し，何を担当ごとに限定し，どの判断を弁護士へ戻すかを整理するものである。
結論として，全員へ全情報を渡す方法と，統括役だけが目的を持つ方法の二者択一にする必要はない。
共通規律，案件文脈及び個別作業指示の三つに分け，担当者には必要最小限の目的と固定条件を渡し，戦略変更，最終的な法的判断及び対外的な操作を統括役又は弁護士へ戻す設計が考えられる。

発想の出発点は，鈴木大貴氏のX投稿である。
同投稿は，AIエージェントによる自律組織を設計する際に，会社又はプロジェクト全体の目的を全実装者へ持たせるか，管理役だけに持たせるかという問いを提示したものであり，法律事務所での効果や法的義務を実証した資料ではない。

OpenAIのMulti-agent公式資料は，各サブエージェントが独自のコンテキストを持ち，統括エージェントが結果をまとめる仕組みを説明し，独立した作業には明確な問いと期待する結果を与えること，短い作業及び相互に依存する工程は統括側に残すことを案内している。
また，OpenAIのモデル向け公式ガイドは，期待する成果，成功条件，制約，許される副作用，根拠のルール及び出力形式を明示し，停止条件を置くことを推奨している。
これらは製品及びプロンプト設計に関する一次資料であるが，法律事務所の業務管理としての有効性又は法令・会規への適合性を直接証明するものではない。

本記事の三層構造，役割分担及びチェックリストは，これらの資料と既存の運用を踏まえた実務上の提案である。
裁判例を根拠とする法的命題は扱っていないため，裁判所ウェブサイト又は判例秘書による裁判例の確認は行っていない。

第２　全情報共有と管理役への集中の二者択一にしない

全員に全ての情報を渡すと，各担当者は全体の目的を理解しやすい一方，長い指示の反復，無関係な情報への引きずられ，秘密情報の拡散及び独立査読の弱体化が起こり得る。
特に，起案の経緯，暫定評価及び採用予定の結論まで査読担当へ渡すと，査読が起案者の筋書きを再確認する作業になりやすい。

反対に，統括役だけが目的を持ち，担当者へ断片的な作業だけを渡すと，担当者の出力が局所的には正しくても，依頼者の目的，記事の検索意図又は事件全体の戦略から外れることがある。
担当者が前提の誤り又は重要な例外に気付いても，なぜその作業をしているかが分からなければ，問いを修正して統括役へ戻すことができない。

そこで，目的を全て渡すか全く渡さないかではなく，担当者が誤った問いを検知するために必要な範囲の「なぜ」を共有する。
その上で，起案履歴，暫定的な心証，他の担当者の未確定意見及び担当作業に不要な秘密情報は原則として渡さない方法が考えられる。

第３　コンテキストを三層に分ける
１　全作業に共通する規律

第1層は，案件を問わず変えない共通規律である。
例えば，①確認済みの事実，資料の記載，推論及び不明点を区別すること，②法令はe-Gov法令検索，裁判例は裁判所ウェブサイト又は利用可能な判例データベースの原文で確認すること，③依頼者情報及び秘密情報の入力範囲を守ること，④保存，送信，提出，公開又は削除を勝手に行わないこと，⑤根拠を確認できない事項を推測で埋めないことが含まれる。

この層は，個別の担当者にも原則として共通させる必要がある。
もっとも，共通規律を長大にしすぎると，具体的な作業指示が埋もれるため，常に守る固定条件に限って置くことが望ましい。

２　案件又は記事に固有の文脈

第2層は，当該案件又は記事に固有の文脈である。
①達成しようとする目的，②基準時，③使用してよい資料，④主要な争点又は検索意図，⑤対象外，⑥誰のための成果物か，⑦結論が変わる条件を記載する。

この層は，担当作業が全体目的から外れないために必要である。

（続きを読む...）法律事務所のAIエージェント業務設計－目的・コンテキスト・権限・完了条件をどう分けるか（AI作成）

目次第１　本記事の前提と結論１　「山中弁護士レベル」の意味２　結論第２　知財訴訟でAIの影響が早く現れる理由１　争点と提出物が対応表にしやすい２　大量の技術・法律資料を同時に扱う３　AIの有用性は確認されても，そのまま使える水準とは限らない第３　侵害論と無効論に関する業務への影響１　クレームチャートの初稿は大きく速くなる２　無効資料調査は候補発見から証拠化まで分けて考える３　反論候補は増えるが，主張の絞り込みが重要になる第４　証拠収集，秘密管理及び損害論への影響１　公開情報の整理と相手方内部資料の取得は別問題である２　損害額の集計と複数シナリオの試算は速くなる３　秘密資料をAIへ入力する前の統制が必要である第５　技術説明，控訴・審決取消及びSEP訴訟への影響１　技術説明資料は作りやすくなるが，理解させる責任は残る２　控訴・審決取消訴訟では早期の争点固定が一層重要になる３　SEP訴訟ではデータ分析と交渉支援の比重が高まる第６　商標・意匠・著作権・営業秘密等への影響１　商標・意匠事件２　著作権事件３　営業秘密・ソフトウェア事件第７　弁護士の作業量，報酬及び組織への影響１　時間単価型の書面作成は圧力を受ける２　少人数事務所の対応範囲は広がるが，専門家連携は消えない３　若手育成を自動化任せにしない第８　知財訴訟でAIを使うための実務設計１　AIへ渡す前に事件資料を固定する２　出力を命題単位で検証する３　人が決める事項を先に定義する第９　まとめ第１０　出典・参考資料１　法令・裁判所資料２　AI利用・研究資料
第１　本記事の前提と結論
１　「山中弁護士レベル」の意味

本記事では，「山中弁護士レベルのAI作成書面」を，公開された一次資料及び依頼者から適法に提供された資料を基に，論点，事実，証拠及び出典を対応させた実務上利用可能な書面の初稿を短時間で作成できる水準という仮定で用いる。
これは，特定のAIが日本の知財訴訟で既にこの水準へ達したという実証結果を述べるものではない。
また，AIが裁判結果を予測し，弁護士に代わって最終判断をするという前提でもない。
以下のAI利用例も，この仮定と必要な資料・機能が利用できることを前提とする。

調査の基準日は令和８年９月１３日である。
特許権侵害訴訟を中心に，審決取消訴訟，標準必須特許（SEP）訴訟，商標・意匠・著作権・営業秘密等の紛争及び知財弁護士の業務モデルへの影響を検討する。
特許出願書類の作成そのものは本記事の主題ではなく，AIの能力と人材育成を検討するために必要な範囲で参照する。

２　結論

最も大きく短縮される可能性が高いのは，①大量資料の分類，②特許請求の範囲と対象製品の対比表の初稿，③先行技術候補の探索と差分表，④相手方主張への反論候補の列挙，⑤売上げ・数量・経費資料の集計，⑥準備書面，証拠説明書及び技術説明資料の初稿，⑦外国語資料の仮訳である。
いずれも，知財訴訟に固有の法的判断そのものというより，複数資料を一定の軸で対応付ける作業である。

他方，①争う特許・請求項・構成要件の選択，②技術者からの聴取と証拠の発見，③クレーム解釈，均等論，進歩性及び記載要件の評価，④秘密資料をどこまで開示するかの判断，⑤専門家・裁判所への技術説明，⑥和解・ライセンス条件の交渉，⑦AI出力の検証及び最終責任は，弁護士の中核業務として残る。
したがって，仕事が一律に消えるのではなく，「文章を作る時間」から「証拠を収集・保全し，主張を選び，技術と事業を理解し，結果に責任を負う時間」へ配分が変わると考えられる。

弁護士業務全般への影響は，山中弁護士レベルのAI作成書面が普及した場合に大きな影響を受ける弁護士の業務分野で説明している。
本記事は，そのうち知財訴訟を工程別に詳しく扱うものである。

第２　知財訴訟でAIの影響が早く現れる理由
１　争点と提出物が対応表にしやすい

東京地方裁判所知財部の特許権侵害訴訟の審理要領は，原則として，侵害の有無と無効論を扱う侵害論の後，侵害の心証が得られた場合に損害論へ進む二段階審理を示している。
同裁判所の侵害論の審理モデルでは，対象製品又は方法の特定，構成要件充足性，無効の抗弁，これに対する反論・訂正による対抗主張及び技術説明が順番に配置されている。
各段階で，主張，認否，証拠及び次の反論を対応付ける必要があるため，構造化と差分抽出を得意とするAIの影響が表れやすい。

２　大量の技術・法律資料を同時に扱う

特許訴訟では，特許請求の範囲，明細書，図面，出願経過，対象製品の仕様，ソースコード，実験結果，先行技術文献及び裁判例を横断する。
商標・意匠・著作権事件でも，画像，広告，販売履歴，利用態様，制作過程及び市場資料の整理が必要になる。
AIは，資料ごとの用語の揺れを吸収し，候補となる対応関係を広く示す点で有用になり得る。
もっとも，資料に存在しない事実を推測で補えば，整った表や文章であるほど誤りを見落としやすい。

３　AIの有用性は確認されても，そのまま使える水準とは限らない

令和８年５月掲載の最高裁長官記者会見によれば，民事裁判における試行では，当事者間の主張整理に一定の有用性があった一方，出力をそのまま使える水準ではなかったとされる。
同会見は，裁判官の判断作用にAIを用いることは相当でないとし，ハルシネーション，機密性，個人情報，倫理及び利用者側の力量も課題として挙げる。

（続きを読む...）山中弁護士レベルのAI作成書面が普及した場合の知財訴訟－弁護士業務への影響（AI作成）

目次第１　この記事の対象と結論１　想定するAI作成書面２　結論第２　影響の大きさを分ける条件１　影響が大きくなりやすい条件２　業務全体の代替を抑える条件第３　全分野に共通して変わる業務１　相談前後の情報整理２　調査，起案及び査読３　依頼者側の内製と価格の比較第４　書面作成の比重が高く影響が特に大きい分野１　紛争処理の定型化が進んでいる分野２　企業内で反復される法務分野３　資料審査と申請書面が中心となる分野第５　専門判断と証拠評価も大きく変わる分野１　技術・規制資料を大量に扱う分野２　専門資料と事実評価が結論を左右する分野３　生活関係と身体拘束を扱う分野第６　書面以外の中核が残る分野１　対話と即時判断が成果を左右する業務２　危機，国境又は公共判断を伴う業務第７　法律事務所の収益と人員配置への影響１　若手の初稿作成から工程管理へ移る２　報酬は作業量から検証範囲へ移る３　個人の処理能力と事務所全体の体制・利益を分ける第８　新たに増える弁護士業務１　AI成果物の検証と事故対応２　法務工程と利用環境の設計第９　関連記事１　業務代替の条件と人が担う役割２　裁判所提出書面の検証３　非弁護士によるAI法務支援サービス第１０　出典・参考資料１　法令２　司法機関・所管行政機関の公表資料３　職能団体の委員会・会員による解説４　学術文献５　国内の事業者資料と本人の公開投稿
第１　この記事の対象と結論
１　想定するAI作成書面

本記事における「山中弁護士レベルのAI作成書面」とは，依頼者又は担当弁護士が整理した資料を基礎に，事実，証拠，法令及び裁判例を対応させ，人が原典と記録を確認した上で，裁判所への提出又は依頼者への提供を検討できる初稿を作成する状態をいう。
AIが単独で正しい書面を完成させるという意味でも，特定の製品又は利用者について品質を保証する意味でもない。
本記事は，令和８年９月１３日を調査基準日として，この水準の書面作成支援が広く利用可能になった場合に，どの弁護士業務がどの工程で影響を受けるかを整理するものである。

２　結論
(1)　書面工程は全分野で変わる

影響を受けない業務分野は，原則としてない。
相談票，時系列表，調査メモ，契約書，意見書，訴状，準備書面，申立書，報告書その他の文章を作る工程は，全分野に存在するためである。
ただし，書面作成時間が短くなることと，事件処理全体が代替されることは同じではない。

(2)　分野ごとの差は書面外の仕事から生じる

影響が特に大きいのは，入力資料が電子化され，文書の型が安定し，反復件数が多く，正誤を原典又は証拠で検査しやすい分野である。
これに対し，事実の発見，供述の信用性評価，依頼者の意思形成，交渉，現場対応，尋問及び最終判断の比重が大きい分野では，準備書面や検討記録は強く変わっても，業務全体の代替は進みにくいと考えられる。

(3)　実証研究が示す範囲

２０２６年公表の無作為化比較試験では，米国の上級法科大学院生１３７人が６種類の法律課題に取り組み，２種類のAIツールによる生産性の有意な向上が６課題中５課題で確認された。
上昇幅は課題により約５０％から１３０％であったが，秘密保持契約書の起案では有意な改善が確認されなかった。
参加者は実務弁護士ではなく，課題は訴訟関連に偏り，使用されたのは２０２４年時点の米国向けツールであるから，この数値を日本の各業務分野へそのまま当てはめることはできない。

第２　影響の大きさを分ける条件
１　影響が大きくなりやすい条件

本記事では，①資料が検索可能な電子データである，②求める成果物と評価基準を言語化できる，③同種案件又は同型書面が多い，④引用，数値及び要件を原典で検証できる，⑤成果物の中心が文章である，⑥依頼者又は企業の法務部門が一定部分を内製できる，という条件が多いほど影響が大きいと整理する。
大量記録の分類，時系列化，比較，抜け漏れ候補の抽出及び複数文書の統合は，特定の実体法分野に限られず，この条件を満たしやすい。

２　業務全体の代替を抑える条件

①記録に現れない事実を面談又は現場で見つける必要がある，②供述，感情又は関係性の評価が結論を左右する，③交渉相手又は裁判所の反応に応じて方針を変える，④身体拘束，保全，事故又は不祥事に即時対応する，⑤専門家として説明し責任を負う，という条件が多い分野では，人の関与が中核に残る。
AIが質問案，論点表又は書面案を作れるようになっても，どの事実を重視し，どの選択肢を勧め，どこで譲歩又は停止するかという意思決定までは，自動的に決まらない。

第３　全分野に共通して変わる業務
１　相談前後の情報整理

相談票，メール，契約書，録音の文字起こしその他の資料から，当事者，日付，金額，争いのない事実，矛盾候補及び不足資料を抽出する工程は短くなると考えられる。
東京弁護士会の機関誌LIBRAに掲載された会員執筆記事も，初回相談の資料から時系列，法的論点，追加聴取事項及び証拠候補を整理する利用例を示している。
これは個別執筆者による実務解説であり，東京弁護士会全体の拘束的な判断を示すものではない。

（続きを読む...）AIで変わる弁護士業務３０分野―書面作成・証拠評価・交渉への影響（AI作成）

第１　結論と本記事の射程１　結論２　本記事の対象・基準日・資料の位置付け第２　最初に契約関係と損害経路を分ける１　契約当事者間の責任２　契約関係のない第三者に対する責任３　製造物責任法が問題となる場合第３　補助／支援型AIでは人の最終判断が中心となる１　補助／支援型AIの意味２　弁護士業務支援AIの想定事例３　開発者・提供者の責任が限定されるとは限らない第４　依拠／代替型AIでは業務プロセス全体を評価する１　該当性を判断する二つの要素２　利用者の義務は構築・運用・監視へ移る３　開発者・提供者に求められる説明と設計第５　AIエージェントでは権限と連鎖を調べる１　責任追及の対象となる者２　カスタマーサポートの想定事例３　権限が広いほど事故経路を細分化する４　長期運用では単発精度と一貫性を分ける第６　責任主体を分ける実務上の確認表第７　初動で保存すべき証拠１　まず現状を固定する２　証拠の保有者と取得負担を対応させる３　調査の拡張条件と停止条件を決める４　利用量・キャッシュ異常では原因を分けて保存すること第８　消滅時効を早期に確認する１　契約上の請求２　不法行為上の請求３　製造物責任上の請求第９　裁判例の蓄積と本記事の限界１　AI民事責任を正面から判断した裁判例２　カーナビルート案内事件第１０　関連記事第１１　出典１　法令２　裁判例・公的な裁判例一覧３　所管行政機関の解説・手引き４　技術的な研究・事業者資料５　関連記事
第１　結論と本記事の射程
１　結論

AIの誤回答，誤判定又は自律的な動作によって損害が発生しても，AIの利用者，利用者の使用者，開発者，提供者又は製造業者のうち一者だけが常に責任を負うわけではない。
まず，被害者との契約関係，AIを組み込んだ業務の設計・運用，誤出力から損害までの人の関与，開発者・提供者による説明及び安全措置，並びに製造物への組込みの有無を分けて検討する必要がある。

経済産業省の「AI利活用における民事責任の解釈適用に関する手引き〔第1.0版〕」は，AIを「補助／支援型AI」と「依拠／代替型AI」に分ける。
補助／支援型AIでは，最終判断をする利用者が本来負う注意義務を果たしたかが中心となり，AIを使っただけで注意義務の水準が上下するものではないと整理されている。
依拠／代替型AIでは，個々の出力を人が毎回再判断することよりも，必要な精度・安全性を備えた業務プロセスを構築し，継続的に監視・改善することが中心となる。

もっとも，この二分類は法令上の要件ではなく，経済産業省の研究会が現行法の解釈を整理するために示した分析枠組みである。
契約条項，具体的な利用場面，損害の種類及び証拠によって結論は変わり，最終的な法解釈は裁判所が行う。

２　本記事の対象・基準日・資料の位置付け

本記事は，令和８年９月７日現在の日本法を前提に，業務でAIを利用した結果として顧客，取引先その他の第三者に損害が生じた場面を主な対象とする。
著作権，個人情報，営業秘密，弁護士法その他の業法それ自体の詳しい要件は，損害賠償責任の前提となる範囲に限って扱う。

経済産業省の手引きは，不法行為法上の論点を中心に，製造物責任法にも触れた所管行政機関の解説・手引きである。
新たなルールを創設するものではなく，掲載された事例も全て架空であり，契約責任は具体的な契約内容を別途確認する必要があると明記されている。
したがって，本記事も，同手引きの記載を判例又は拘束力のある規範として扱わない。

第２　最初に契約関係と損害経路を分ける
１　契約当事者間の責任

顧客がAIを導入した事業者から誤った説明を受けた場合，顧客と事業者との契約内容に応じて，民法４１５条の債務不履行責任が問題となる。
AI利用企業とAI提供者又は開発者との間では，利用規約，業務委託契約，SaaS契約，品質保証，サービス水準，利用目的，免責・責任制限，補償，ログ保存及び再委託の条項が出発点となる。

損害の範囲については，民法４１６条の通常損害・特別損害の区別が問題となり，債権者側にも損害の発生又は拡大に関する過失があれば，民法４１８条による調整があり得る。
そのため，「AIが誤った」という事実だけでは足りず，誰がどの性能を約束し，どのリスクを説明し，どの確認作業を担当すると合意したかを契約書と実際の運用の双方から確認する必要がある。

２　契約関係のない第三者に対する責任

契約関係のない第三者が損害を受けた場合は，民法７０９条の不法行為責任が中心となる。
具体的には，権利又は法律上保護される利益の侵害，故意又は過失，損害及び因果関係を個別に検討する。

従業員が事業の執行についてAIの誤出力を利用して第三者に損害を与えた場合は，民法７１５条の使用者責任が問題となり得る。
利用者，提供者その他の複数人の行為が共同して損害を生じさせた場合は，民法７１９条の共同不法行為が問題となり得るが，各主体が自動的に連帯責任を負うわけではない。

被害者側の確認不足又は損害拡大への寄与がある場合は，民法７２２条２項の過失相殺が問題となり得る。
ただし，AIであること又は誤回答の可能性が十分に表示されていなかった場合まで，利用者に一律の確認義務があったと扱うことはできない。

３　製造物責任法が問題となる場合

（続きを読む...）AI利活用に伴う民事責任－補助／支援型AI・依拠／代替型AI・AIエージェントで誰が責任を負うか（AI作成）

目次

第１　二つの調査１　日本の調査２　米国の調査３　比較の前提－母集団も設問も違う第２　ポリシー及び研修の整備率は見かけ上近いが単純比較できない第３　利用率に関する数値も単位が違う第４　阻害要因として上位に現れた項目が違う第５　法律特化型を選ぶ理由第６　裁判所提出書面へのAI由来の誤りの混入第７　「日本は少ないから安全」とは言えない第８　実務上の含意第９　関連記事出典・参考資料
第１　二つの調査
１　日本の調査

2026年9月5日に福岡市で開催された第24回弁護士業務改革シンポジウム第2分科会の配布資料のうち，資料2-1は，日本弁護士連合会弁護士業務改革委員会事務職員関連小委員会による「事務職員と生成AIに関するアンケート調査　報告書」である。
調査は2026年3月23日から同年4月27日までの間に行われ，有効回答は223件である。
対象は「主に事務職員を雇用する会員，または生成AIの利用に関心のある会員」であり，全弁護士の縮図ではない。
配布資料は日本弁護士連合会のウェブサイトで公開されている。

この報告書は，母数が設問ごとに異なる。
有効回答223件がそのまま母数になるのは一部の設問だけであるから，本記事では数値を挙げるときに母数を併記する。

２　米国の調査

同じ分科会の資料2-3は「アメリカの法律事務所における生成AIの利用状況」と題する7枚のスライドであり，米国の法律実務メディアの記事2本を出典として印字している。
この2本を実際に取得して照合した結果，資料2-3が掲げる数値の転記に誤りはなかった（2026年9月6日確認）。
ただし，2本は別のレポートを紹介した記事であり，資料2-3はこれを1枚の資料の中で混在させている。

第1のレポートは，リーガルテック企業グループが公表した2026年の業界レポートである。
1,300名を超える回答者を対象に，2025年9月19日から同年10月18日までの間に実施された調査に基づく。
第2のレポートは，別の法務システム企業が公表した2025年の業界レポートであり，2026年1月までに集計されたもので，中規模事務所を主な対象とする。

ここで注意を要するのは，資料に「2026年」と表示された数値の調査時点が2025年秋であることである。
記事の公表が2026年3月であるため，資料の年表示は公表年に基づいている。
実際の調査時点との間に半年程度のずれがある。

なお，資料2-3の最終スライドには出典行が印字されておらず，引用元の記事2本のいずれにも対応する記載を確認できなかった項目がある。
本記事では，その項目は取り上げない。同じ資料の中でも，裏付けの有無が項目ごとに異なることがある。

３　比較の前提－母集団も設問も違う

日米の数値を並べるときは，次の3点を踏まえる必要がある。

①日本の調査は「事務職員を雇用する会員又は生成AIに関心のある会員」223名を対象とし，米国の調査は法律専門職1,300名超を対象とする。母集団の性質が違う。
②日本の調査は事務所単位で導入状況を尋ね，米国の調査は個人の利用状況を尋ねている設問がある。単位が違う。
③調査時点は日本が2026年春，米国が2025年秋である。

したがって，以下の比較は，順序と構造の比較として読むべきものであり，小数点以下の差を論じるためのものではない。

第２　ポリシー及び研修の整備率は見かけ上近いが単純比較できない

二つの調査の中では，AIに関するポリシー及び研修の整備に近い項目が置かれている。ただし，質問文，回答単位，母集団及び調査時点が一致するものではないため，統計上の整備率を直接比較できるものではない。

米国の第1のレポートによれば，書面化され実際に運用されているAIポリシーがある事務所は9パーセント，策定中が24パーセント，非公式なものにとどまるものが10パーセント，正式なポリシーがなく策定する予定もないものが43パーセントである。

（続きを読む...）法律事務所のAIポリシーに関する日米調査－米国9パーセント・日本10.1パーセントを単純比較できない理由（AI作成）

第１　WGの目的と検討対象１　何を検討する場か２　公表済みのDSSと今後の改訂第２　開催日と公開資料第３　企業AXと組織をめぐる論点１　企業AXの定義案は何を変えるのか２　全社員がAIを構築するという結論なのか３　組織知の共有と人の管理負荷第４　個人の能力と学習機会１　事前意見に共通すると整理された三つの能力２　AX推進人材の役割と当日の補足意見３　若手の学習機会は減るのか４ 第5回で整理された四つの能力と経験の共有５ 役割・タスク別の評価と疑似OJT第５　検討内容を業務に当てはめる際の留意点第６　出典・参考資料１　開催情報及び事務局の討議資料２　会議後に公表された議事要旨３　公表済み標準の案内・公開発表
第１　WGの目的と検討対象

本記事は，令和８年１０月５日現在，経済産業省の公式開催一覧で確認できる第1回から第5回までを対象とする。
各回の事務局資料，第3回・第4回の議事要旨及び第5回資料2から，検討の経過と主要な論点を整理する。
第5回の資料3は「後掲」と表示されており，公開された議事要旨は確認できないため，資料2の事前意見整理を当日の総意として扱わない。

１　何を検討する場か

AX時代におけるスキルのあり方検討ワーキンググループ（以下「本WG」）は，AIを前提とする企業変革と，そのための組織の役割や個人のスキルを検討する場である。
「Society5.0時代のデジタル人材育成に関する検討会」の下に置かれ，企業が自社の状況に応じて変革を検討・実行できるよう，未来社会の姿，企業像，組織と個人のスキルを報告書に整理することを目的としている（第1回事務局資料5頁～6頁）。

当初のゴールイメージは，大企業及び成長志向の企業を前提とし，3年～5年後を見据えたものであった（同資料20頁）。
第3回では，報告書の想定読者として，経営層，事業責任者，人事・人材育成・DX／AX推進担当者のほか，自らの仕事・役割・学び方・キャリアを考える個人が挙げられている（第3回事務局資料19頁）。

２　公表済みのDSSと今後の改訂

デジタルスキル標準（DSS）は，個人の学習や企業の人材確保・育成の指針であり，全てのビジネスパーソンを対象とする「DXリテラシー標準」と，DXを推進する人材を対象とする「DX推進スキル標準」で構成される。
IPAは2026年4月16日にver.2.0の公開を発表しており，本WGの第1回開催日である同月21日より前に公表された版である（IPAの公開発表）。

これに対し，本WGの議論は，次期DSS改訂や今後の関連施策の検討に活用する位置付けである（第1回事務局資料6頁・20頁）。
したがって，公表済みのDSS ver.2.0と，本WGで議論されている能力・役割の案とは区別して読むことになる。

第２　開催日と公開資料

各回の開催日と，事務局資料に示された主な検討内容は次のとおりである。
回次のリンク先では，当該回の配布資料と議事要旨の掲載状況を確認できる。

回次・公式開催ページ
開催日
主な検討内容

第1回
2026年4月21日
WGの目的・進め方，3年～5年後の未来社会像

第2回
2026年6月1日
AXの定義案，目指す企業像，人材の役割分担や資源の再配置

（続きを読む...）AX時代におけるスキルのあり方検討ワーキンググループの資料・論点（AI作成）

第１　対象と結論

１　対象時点と検討範囲

２　現時点の結論

第２　Gemini Enterprise for Legalの仕組み

１　Gemini Enterprise内の法務プラグイン

２　想定されている法務ワークフロー

３　Googleが説明するセキュリティ機能

第３　Preview条項が本番利用を制約する理由

１　Pre-GA Offerings Termsの適用

２　データ処理条項と個人データ

３　学習不使用と契約上の保護は別問題

（続きを読む...）Gemini Enterprise for Legalは日本の弁護士業務に活用できるか―Preview条項と導入条件（AI作成）

第１　この記事の対象と結論１　AIが代替するのは職業全体より個別のタスクである２　価値を測る中心は，単純な速さだけでなく判断の品質と顧客体験である第２　AIによる時間短縮は課題によって異なる１　能力範囲内では速く，高品質になった実験２　能力範囲外では正答率が下がった実験３　経験者でも遅くなった実験４　生成時間と確認・手戻りを含む総作業時間は別である５　代替されやすさを分ける条件６　単発性能と長期の一貫性を分ける７　AGI時期の予測は期限付きシナリオとして扱う８　試験答案の高評価と事件処理能力を分ける第３　価値の重心が移る六つの領域１　一次資料の確認２　事実評価３　戦略判断４　説明可能性５　機密保持６　意思決定支援第４　人間が保持すべき役割１　AIも六つの領域を支援できる２　採否，理由及び責任を一体で保持する３　若手育成を意図的に設計する４　品質保証そのものを専門的価値として設計する第５　作業時間と報酬はなお別に考える１　時間は費用と業務管理の指標として残る２　固定報酬と価値基準報酬は同じではない３　米国の倫理意見は時間制報酬の限界を示す４　日本での価格変化は【要確認】である５　国内の提供例と価格変化の実証を分ける第６　成果物を意思決定支援へ変える方法第７　関連記事第８　出典・参考資料１　法令２　公的資料及び職業倫理資料３　文献４　関連記事５　国内提供例と本人の公開投稿

第１　この記事の対象と結論

１　AIが代替するのは職業全体より個別のタスクである

生成AIは，検索，分類，要約，比較，初稿作成その他の作業を短時間化し得る。
しかし，AIが代替しやすいのは，まずこれらの個別タスクであり，弁護士という職業全体が直ちに代替されることを意味しない。AIの効果は課題ごとに大きく異なり，利用すれば常に速く正確になるわけでもない。

本記事では，「弁護士の仕事がなくなる」を，①個別タスクが代替されること，②一人当たりの処理量が増えて必要人数が減ること，③相談，交渉，出廷，説明及び責任負担を含む職業全体が代替されることに分ける。以下の実験は主として①を，一部の雇用統計は②の可能性を示すにとどまり，③を直接測定したものではない。
そのため，弁護士の価値の重心は，①一次資料の確認，②事実評価，③戦略判断，④説明可能性，⑤機密保持及び⑥意思決定支援へ移ると考えられる。
時間は引き続き費用，納期，業務量及び報酬計算の一要素であるが，長く作業したこと自体を品質の代わりにすることは難しくなる。

個別作業の代替，必要な人数への影響，職業全体の代替は，次のように分けて読む必要がある。

問い判断する対象本記事での読み方一つの作業をAIが行えるか調査，整理，初稿等の課題正確さと確認・修正を含む総時間を見る必要な人数が減るか案件数，単価，分業，教育，受任範囲一つの課題の実験だけから人数を推計しない弁護士の仕事全体がなくなるか事実評価，交渉，説明，権限，責任を含む職務技術的な補助と，法律上の役割・受任責任を分ける

以下は現在の能力を一律に保証する表ではなく，後記第３・第４の議論を読むための工程別の整理である。

工程AIが補助し得る作業人が確認・判断する事項調査論点・出典候補の探索原文，時点，対象，取りこぼし起案構成案，初稿，表現の修正事実と主張，引用，請求との対応証拠評価資料の分類，矛盾候補の抽出真正，文脈，信用性，立証の限界交渉選択肢・条件案の比較依頼者の意思，相手の反応，譲歩の範囲出廷質問案・期日準備代理権，その場の応答と判断最終助言説明案，費用・選択肢の整理採否，理由，理解，担当弁護士の責任

AI法律相談の使い方，費用，弁護士の役割を先に確認したい場合は，AI弁護士とはを参照されたい。

２　価値を測る中心は，単純な速さだけでなく判断の品質と顧客体験である

依頼者が必要とするのは，長時間を費やした文章ではなく，重要な事実と根拠が特定され，選択肢とリスクが比較され，理由を説明できる判断材料である。
AIが初稿を短時間で作れるほど，その初稿を採用してよい理由，採用しない理由及び追加確認の必要性を示す仕事が重要になる。

もっとも，これら六つの領域もAIが支援できる。
したがって，「AIにはできず，人間だけができる仕事」を固定的に探すのではなく，AIを含む工程全体について，誰が何を確認し，誰が採否を決め，誰が説明と責任を引き受けるかを設計する必要がある。

ここでいう速さは，一つの下書きを作る作業時間だけではない。問い合わせへの初回応答，進捗連絡，必要資料の取得，弁護士の判断待ち及び事件終結までの時間を含む。個別タスクが速くても，前後の待ち時間が変わらなければ，依頼者が感じる解決速度は改善しないことがある。

したがって，判断の品質とともに，依頼者が現在の状態，次の作業，自分がすべきこと及び次回連絡予定を理解できるかを評価する。短い間隔で連絡した回数だけでなく，未返信，説明のやり直し及び同じ問い合わせの再発も見る必要がある。

（続きを読む...）AIで弁護士の仕事はなくなるか―代替される業務と人が担う役割（AI作成）

第１　結論と記事の対象

１　学習オフだけで結論は決まらない

２　本記事で扱う「第三者開示」の範囲

第２　「学習履歴オフ」が止める処理と止めない処理

１　学習への不使用と回答生成のための処理は別である

２　履歴，保存，人的アクセス及び外部連携は別の設定である

３　利用形態によって評価が変わる

４　Gemini API及びGoogle AI Studioの具体例

第３　NDA上の第三者開示に当たるか

１　出発点は個々の契約文言である

２　第三者開示に当たらない又は許容されるという見解

３　契約外の法人への移転を重視する慎重な見解

（続きを読む...）学習オフの生成AIに秘密情報を入力することは第三者開示に当たるか（AI作成）

第１　中国製AIであることだけでは守秘義務違反にならない

１　結論と本記事の対象
２　「中国製AI」に含まれる四つの異なる利用形態

第２　弁護士法上は個人情報より広い「秘密」が保護される

１　弁護士法２３条と職務基本規程２３条
２　現実に人が読まなくても「漏らす」と評価され得る
３　故意の漏示でなくても管理義務が残る

第３　個人情報保護法上は委託とクラウド例外を分けて考える

１　委託構成とクラウド例外
２　個人情報保護法に適合しても守秘義務違反は残り得る

第４　DeepSeekの現行規約から確認できるデータ処理

１　一般向けサービスでは入力と出力が保存・利用される
２　学習オフは全ての処理を止める設定ではない
３　APIであることだけでは安全性を証明できない
４　規約に記載のない第三者への転送が指摘された例

第５　中国法はリスク要素であるが無制限アクセスを意味しない

（続きを読む...）中国製AIの利用は弁護士の守秘義務に違反するか―DeepSeekと利用形態別の判断（AI作成）

第１　対象と基本原則

第２　裁判所提出書面に固有のリスク構造

１　相手方による検証が制度上予定されている
２　引用した文書は写しの提出を求められる
３　事後訂正では影響を消せない

第３　現実化した誤りと各国の裁判所の対応

１　制裁が課された事例
２　一度の制裁では止まらない
３　各国の裁判所が求めている確認の水準
４　日本国内の公表例
５　架空引用ではないが，生成AI調査の裏付け不足が現れた国内例

第４　利用開始前――守秘義務，依頼者への説明及び権限

１　サービス名ではなく利用形態と設定を確認する
２　依頼者への説明と同意（山中弁護士の約款例）
３　匿名化と正確性を案件ごとに比較する
４　弁護士会の指針との関係

第５　起案前及び起案中の確認

（続きを読む...）AIエージェントを使って裁判所提出書面を作成するときに行うべきハルシネーション防止方法（AI作成）

第1　この記事が扱う対象第2　なぜ防止の仕組みが必要か1　2023年当時の汎用モデルでは高率の誤りが報告された2　判例データベースに接続しても誤りは残る3　架空の判例引用が制裁に至った事例第3　当ブログにおける防止方法1　生成段階――記憶から書かせない2　裁判例の確認――記載する前に実在と内容を確かめる3　引用・出典段階――読者が検証できる形で示す4　公開前検証段階――執筆と検証を同じ工程に混ぜない5　事後の検証と再発防止6　作業体制の設計上の工夫7　日本語整文と法的検証を別工程にする8　事実から評価・予測へ移るときの確認第4　弁護士業務に関する指針との関係1　弁護士会が示している考え方2　これらの指針と当ブログの方法との対応第5　残された課題出典・参考資料1　法令・会規2　裁判例3　文献4　ウェブ資料第1　この記事が扱う対象

当ブログには，生成AIを用いて作成し，又は既存の記事を生成AIに書き直させた記事が多数掲載されており，これらの記事にはタイトル末尾に「（AI作成）」と付記している。生成AIは，事実に基づかない誤った情報を，もっともらしい文章の形で出力することがあり，この現象は一般に「ハルシネーション」と呼ばれる。本記事は，当ブログがこうした記事を投稿するに当たって実際に行っている誤り防止の方法を，工程ごとに説明するものである。あわせて，その前提として，生成AIの誤りがどの程度の頻度で生じるかを示す実証研究，架空の判例引用が裁判所の制裁に至った事例及び弁護士会が示す指針を，公表されている一次資料に基づいて整理する。本記事も生成AIを用いて作成し，記載した数値及び条文は原資料と照合した。なお，訴状，準備書面その他の裁判所へ提出する書面については，本記事で述べる方法とは別に，より重い確認の手順を置いており，その内容は別記事（山中弁護士がClaudeコードを使って裁判所提出書面を作成するときに行っているハルシネーション防止方法（AI作成））で説明している。

第2　なぜ防止の仕組みが必要か1　2023年当時の汎用モデルでは高率の誤りが報告された

米国スタンフォード大学の研究チームが2023年当時の主要な汎用大規模言語モデルに約80万件規模の法律質問を投げかけた実証研究では，ハルシネーション率がGPT-4で58％，GPT-3.5で69％，PaLM 2で72％，Llama 2で88％に達し，いずれのモデルも自らの誤りを予測できず，利用者が示した誤った法的前提をそのまま受け入れる傾向も確認された。この研究は査読を経て法学専門誌に掲載されている。

2　判例データベースに接続しても誤りは残る

同じ研究チームが2024年に公表し2025年に査読誌へ掲載した別の実証研究では，判例データベースに接続した検索拡張型（いわゆるRAG）の商用リーガルAIツール3種類に202件の法律質問を投げかけたところ，ハルシネーション率は17％から33％にとどまり，最も正答率が高いLexisNexis社のLexis+ AIでも65％であった。判例データベースへの接続は誤りを減らす方向に働くものの，これを根絶するものではない。したがって，利用者の側で確認の工程を設ける必要がある。

3　架空の判例引用が制裁に至った事例

生成AIが生成した架空の判例が法廷に提出され，裁判所の制裁に至った事例として最もよく知られているのが，米国ニューヨーク州南部地区連邦地方裁判所のMata v. Avianca, Inc.事件（事件番号22-cv-1461）である。2023年，原告代理人が却下申立てに対する意見書において，ChatGPTが生成した6件の完全に架空の判決（実在の裁判官の名を用いて作出されたものを含む）を引用して裁判所に提出した。同年6月22日，担当のP. Kevin Castel判事は連邦民事訴訟規則11条違反を認定し，代理人及びその所属事務所に5,000ドルの制裁金を科すとともに，架空判決に名前を使われた各裁判官への訂正書簡の送付を命じた。裁判所又は審判機関が生成AIの幻覚的な内容への依拠を認定した事案を継続的に集計しているデータベースによれば，この種の事案は令和8年8月6日現在で合計1,846件に達しており，米国が全体の約7割を占める。

第3　当ブログにおける防止方法

当ブログにおける誤り防止は，単一のルールによるものではなく，生成，引用及び出典の明記，公開前の検証，事後の再発防止並びに作業体制の設計という複数の段階にわたる一連の仕組みとして組み立てている。以下，工程ごとに説明する。

1　生成段階――記憶から書かせない

生成AIに法令の条文を書かせる場面では，AIの記憶や学習データからの書き起こしをそのまま採用せず，e-Gov法令検索から取得した公式データの条文本文のみを用いることとしている。生成AIは，条文の内容自体はおおむね正しくても，条番号や項番号を実際とは異なる形でもっともらしく生成することがあるため，条番号，項番号及び号番号を一件ずつ照合する。

もっとも，公式データを取得しさえすれば足りるというものではない。当ブログの運用では，次の限界を実際に経験するたびに記録し，個別の代替手段を整えてきた。すなわち，①改正前の条文（旧法や経過措置が関わる場面）は現行条文の取得だけでは対応できないこと，②法令名を正確に特定できないと類似する別の法令に誤って行き着き得ること，③条文本文の一部が取得の過程で欠落することがあること，④最高裁判所規則のように公式の法令データベースに収録されていない法令があること，⑤附則や別表のように条文番号の体系の外にある部分は同じ方法では取得できないことである。④については，裁判所ウェブサイトが公開している規則の公式PDFを確認する方法によっている。本記事で後記の民事訴訟規則85条を引用するに当たっても，この方法により条文本文と見出しを確認した。

条文を根拠に「〜が必要である」「〜はできない」と断定する文を書く場面では，取得した条文本文について，ただし書やかっこ書の有無，これが結論を反転させないか，原則を許容した上で例外を定める規定なのか要件を課す規定なのか，及び引用しようとする内容が本当にその項に含まれるかを確認することとしている。条文の本文だけを読んで結論を組み立てると，ただし書によって結論が逆転する場面で必ず誤るためである。

2　裁判例の確認――記載する前に実在と内容を確かめる

裁判例については，出力に書く前に必ず裁判所ウェブサイトの裁判例検索で実在及び内容を確認することとしている。確認の対象は，裁判所名，裁判年月日及び事件番号が一致する裁判例が実際に掲載されているかという点だけでなく，記事に書こうとする判旨や規範が判決の本文によって裏付けられるかという点にも及ぶ。特に，ある裁判例の判示が限定的な場面について述べたものであるにもかかわらず，これをより広い一般命題の根拠として引用していないかという射程の照合を行う。

裁判所ウェブサイトに掲載されていない裁判例については，判例秘書等の商業データベースで個別に全文を確認できたものに限り引用可能とし，個別に確認していない裁判例は，実務書その他の文献に紹介されていても，孫引きによっては引用しない。文献が紹介する裁判例は，上告審の有無，裁判年月日又は結論を誤っていることがあり，実際に，ある実務書の紹介に基づいて記録した内容を裁判所ウェブサイトで検証したところ，紹介されていた上告審が実在しないことが判明した例がある。また，裁判所ウェブサイトで発見できないことは，その裁判例が存在しないことの証明にはならないため，「存在しない」ではなく「裁判所ウェブサイト未掲載」と書き分けている。下級審の裁判例は，最高裁判例と比較して掲載率が必ずしも高くないためである。

裁判例の確認記録は，①未検索，②検索実施，③件数のみ確認，④一覧又は事件ヘッダー確認，⑤全文確認，⑥判旨確認及び⑦記事中の命題との直接関連性確認という状態に分ける。
検索を実施した場合は，検索日，データベース，検索欄，検索語，結果件数及び事件IDを残す。
一覧に表示されたことと判決本文を読んだこと，本文を読んだことと当該命題を直接裏付ける判示があることを同一視しない。
限定検索で該当例を発見できなかった場合も，「存在しない」ではなく，検索範囲を示して「確認できなかった」と記載する。

法令，会規，裁判例，行政資料及びデータベースの確認状態を分けて記録する方法は，法律事務所の生成AI利用ガイドラインの作り方－許可サービス，入力情報，出力確認，委託先及び事故対応（AI作成）でも整理している。

さらに，確認箇所について，記載した主体と裁判所による採否を記録する。
原文に存在する文でも，当事者の主張，争いのない事実，裁判所の認定・判断及びデータベースの編集者による要旨を混同すれば，法的な裏付けの確認にはならない。
具体例として，知財高裁令和６年９月１２日判決（令和６年（行コ）第１０００５号）の裁判所公開原文５頁にはGeminiを根拠とする施行時期の記載があるが，これは控訴人の主張であり，裁判所は６頁でその施行期日・経過措置の主張を採用していない。
今回，同事件の判例秘書Ｌ０７９２０４８１の本文と裁判所公開原文を照合した。原審本文との独立照合はしておらず，控訴審の上記箇所を確認した範囲に限る。
生成AIの精度一般又は弁護士の注意義務を判断した先例として紹介しない。

3　引用・出典段階――読者が検証できる形で示す

出典は本文に明記することとしている。インターネット上で第三者が確認できる根拠（裁判所ウェブサイトや弁護士会の会報等）は，URLを本文に記載する。これに対し，ログインを要する商業データベースで確認した根拠は，第三者が同じURLを開くことができない以上，URLを掲載せず，実際に確認した書誌情報及び頁を記載することとし，確認していない頁を推測で書くことはしない。法令，裁判例及び文献は，散文の中に埋め込まず箇条書きで示す。

引用の完全一致と，要約の内容の正確さも別に確かめる。
令和８年の日本語判決予測・情報抽出研究は，gpt-oss-120bを用いた特定設定で，抽出出力の約半数が判決原文に完全一致せず，書換えを禁じる指示でも大きく減らなかったと報告している（４．４節・注７）。
この数字を生成AI一般の誤答率とは扱わないが，逐語引用と表示する文は原文と照合し，要約文は要約と明示して，記載主体，採否及び起案中の命題との対応を確認する。
この確認方法と研究の限界は，日本語判決予測AIの実務上の注意点でも説明している。

資料の内容が正確であることと，その資料を取得・外部送信・公開できることは別に確認する。
有料の書籍又は会員制データベースでは，指定された閲覧・コピー・印刷・ダウンロードの範囲，外部AIに送る情報と送信先，原文を引用又は転載する権限を工程ごとに点検する。
出典の表示や学習オフ設定だけで，資料提供者からの利用許諾を得たことにはならない。

弁護士ドットコムLIBRARYについては，利用規約第４条，第１３条及び第１４条の一般的な利用制限と，第２０条のサービス内AIが生成する短文の利用制限を分ける必要がある。
同サービスのAIアシスタントによる短文を公開原稿へ転用しない。
外部AI処理について許諾が未確認の状態で利用する方針を採る場合も，それを許諾済みと表示せず，対象範囲，送信先，目的及び確認状況を記録する。
具体的な工程の分け方は，有料の法律・税務資料を生成AIで分析するときの利用権限で整理している。

4　公開前検証段階――執筆と検証を同じ工程に混ぜない

記事を対外公開する前には，独立した確認の工程を設けている。本文中の全ての引用及び全ての法令条文並びに用いない旨を定めている表現を機械的に照合し，一件でも確認できない事項又は違反があれば公開を止める仕組みであり，記事を執筆する工程とは別の機会に行うこととしている。

この工程を分けているのは，文章を書いている最中は，その文章の流れに乗って未確認の引用をそのまま書き進めてしまう危険があり，執筆の作業と確認の作業を同じ工程に置くと，この危険を防ぎにくいという経験によるものである。実際，過去に公開した記事において，検索結果に表示された裁判例の識別番号を照合しないまま本文のリンクに用い，公開後の検証によって当該番号が全く別の事件を指していたことが判明した例がある。執筆の後に検証するのでは，誤った引用が本文に組み込まれた状態のまま公開まで通ってしまう。

官公庁の統計資料を用いる記事では，この工程で数値も原資料と照合する。法務省の司法試験の受験状況のように表の形をしたPDFは，文字を順に取り出すと項目と数字の対応が崩れることがあり，取得ツールが正常なPDFを「破損している」と答えることもある。そのため，PDFを保存して文字の座標から行を組み直し，頁の画像と突き合わせ，内訳の合計が合計欄と一致するかを検算することとしている。具体例は，AIエージェントで法務省の司法試験ページを読むときの障壁―４０３拒否，二重のリンク，PDFの表の崩れ及び確認手順で紹介している。

さらに，公開前の検証では，引用及び数値が原資料と一致するかだけでなく，最終的な執筆者が，①記事の中心命題とそれを直接支える一次資料，②最も重要な例外，反対資料又は未確認事項，③どの資料又は前提が変われば記事の結論を改める必要があるか，の三点を自分の言葉で説明できるかを確認する。説明できない場合は，機械的な検査を通過していても公開を保留する。

この理解確認は，引用確認の代わりではなく，その後の法改正，資料の訂正又は読者からの指摘に対応するための別工程である。詳しくは，AIが難問を解いても人間の思考過程を残す理由－形式検証，独立査読，若手育成及び法律実務への示唆（AI作成）で整理している。

5　事後の検証と再発防止

誤りが生じた場合には，その失敗の型を個別に記録し，同じ型の誤りが繰り返されたときには，対応を一段強めることとしている。これまでに記録された型としては，前記の識別番号を未照合のまま用いる誤りのほか，条文が削除されたという結論を裏付けの確認なしに述べてしまい，実際には存在する条文を存在しないものとして扱ってしまう誤りがある。ある条文が改正によって削除された場合であっても，その条番号が空いたままになるとは限らず，同じ番号に全く別の内容の条文が置かれていることがあるためである。この型の誤りは，条文を引用していないという理由で確認の対象から外れやすい一方，読者が現行法令を引けば直ちに露見する点で危険が大きい。

記録した失敗の型は，作業のたびにAIに読ませる手順書として用いるため，古い記載が残ると，道具の仕様が変わった後も不要な回避策を指示し続けることになる。そこで，記録には日付と適用範囲（どの作業で，どの環境で起きたか）を付け，同じ事実を重ねて書かず，新しい実測で改めたときは旧記載にその旨を残すこととしている。失敗の記録の作り方と保守の方法は，AIの仕事の評価基準を育てる手順―失敗の言語化，理想の成果物，落とし穴メモ及び評価を作り込む業務の選び方（AI作成）で整理している。

6　作業体制の設計上の工夫

このほか，生成AIに特有の傾向を踏まえた工夫も講じている。生成AIは利用者の意に沿う回答を優先する傾向があるとされることから，AI自身が作成した文章を，別の者が作成した草案であるかのように扱わせて添削させる，根拠が弱い点を挙げさせるといった方法により，この傾向を相殺することとしている。

また，条文や裁判例という動かない事実の層は機械的に確認する一方，そこからどのような評価や見立てを導くかという層は，性質上，同じようには確認できないものと位置づけている。この区別に基づき，AIが示した独自の見立てをそのまま署名記事に用いることはせず，弁護士本人が採否を判断したものに限って公開版へ反映することとしている。事実の層について求められる慎重さが評価の層にまで無自覚に及ぶと，正確ではあるが当たり障りのない記事に倒れるため，両者を意識的に書き分けている。なお，個別の事案への当てはめを留保する趣旨の定型的な断り書きは用いず，個別の論点ごとに「当該事案では」等の限定的な表現を用いて，確信の程度を書き分けることとしている。

モデル，プラン，コネクタ，利用規約又は実行環境を変更するときは，モデル名の置換だけで済ませない。
新しいモデルは，既存の指示ファイル，スキル及び長期記録に対する反応が変わり得るため，対象範囲，優先順位，停止条件，外部への保存・送信・公開権限及び完了判定が矛盾していないかを監査する。
OpenAIのGPT-6 Astra向け公式ガイドも，同モデルはスキル及びAGENTS.md等の指示に影響されやすいとして，参照可能な指示ファイルの監査を推奨している。
ただし，これは製品の挙動に関する提供者の説明であり，日本法の条文又は裁判例の引用精度を保証する一次資料ではない。

モデル変更の可否は，代表的な法律業務の人工事例を用い，一次資料への到達，条文・裁判例・URLの一致，対象外変更の有無，外部書込み前の権限確認及び保存後の読戻しを比較して判断する。
平均点が高くても，重大な一項目の誤りが成果物全体を不適切にし得るため，必須条件については一件でも欠落すれば不合格とする。

同じAIによる再点検の限界と停止条件
AI自身が作成した文章を別人の草案として批判させる方法は，弱点候補を増やすためには有用である。しかし，作成時の誤った前提，欠落資料又は評価基準の偏りを同じAI及び同じ会話が共有するため，独立した検証とは扱わない。重要な命題は，一次資料，別系統の評価又は弁護士本人の確認へ戻す。

また，反復回数，費用上限，無改善で止める回数及び重大な誤りが一件でも生じたときの停止条件を開始前に定める。平均点又は文章の自然さが改善しても，存在しない裁判例，引用命題と原文の不一致又は適用時点の誤りを相殺しない。代理指標，独立確認及び人への返却条件の詳しい整理は，「AIの改善ループが失敗する条件－代理指標，仕様ゲーミング，遅れて分かる成果及び人が決める停止条件（AI作成）」を参照されたい。

7　日本語整文と法的検証を別工程にする

文章が自然であることと，法律内容が正確であることは別の合格条件である。
そのため，記事の構成及び根拠を固める工程と，日本語表現を整える工程を分け，整文を行うモデルには，事実，数字，日付，固有名詞，引用，URL，法的評価及び出典の位置付けを追加，削除又は変更させないこととしている。

整文前には，一次資料から採用する命題とその根拠を対応させた主張台帳を作り，整文後は元原稿及び主張台帳との意味の差分を確認する。
機械的な文章検査で警告が0件になった場合でも，意味の変化，条件の脱落又は新しい断定の混入がないとは限らないため，警告0件だけでは公開可能と判断しない。

モデルを選ぶ場合は，同一の公開資料又は人工事例を用いて複数回実行し，重大な事実誤り，引用誤り又は必須条件の欠落が1件でもあれば不合格とした上で，人による修正時間，再実行回数，費用，最悪の結果及び出力のばらつきを比較する。
生成速度が速いことと，検証及び修正を含む総作業時間が短いことも区別する。

Xへの投稿では，Gemini 3.8 Flashが投稿者の500本を超える日本語検査規則を警告0件で通過し，推敲時間が減ったとの使用結果が報告されている。
もっとも，検査規則，入力原稿，プロンプト，全出力及び反復結果は公開されていないため，これは有用な使用報告ではあるが，同モデルの日本語文章能力が一般的に優れていることを確認する資料ではない。

Googleのモデル仕様によれば，Gemini 3.8 Flashは安定版として提供されているが，モデルカードは基盤モデルに一般的な限界としてハルシネーションが生じ得ることを明記している。
また，Harvey's Legal Agent Benchmarkの評価結果では，同モデルの個別基準合格率は90.2パーセントであるのに対し，全基準を満たしたタスク完遂率は10.0パーセントである。この評価は日本法又は日本語文章に特化したものではないが，法律関係の成果物では平均的な合格率だけでなく，全ての必須条件を満たすかを確認する必要があることを示す例となる。

さらに，Anthropicが令和８年９月に公表したClaude Fable 5.1及びClaude Mythos 5.1のSystem Cardでは，Legal Agent Benchmarkの１，２３５問について，Fable 5.1の平均criterion-pass rateは９０．８１％である一方，all-pass rateは１９．０９％であった。held-out setでも，xhigh effortにおいてcriterion-pass rateは９３．３％，all-pass rateは１６．７％であった。もっとも，同評価は合成資料及びLLMによる判定を含み，日本法，裁判所ウェブサイト，e-Gov法令検索又は判例秘書を用いる当ブログの作業を直接評価したものではない。したがって，これらの数値は日本の法律実務にそのまま移すのではなく，大半の確認項目が正しくても，重大な一項目の欠落が成果物全体を不適切にし得ることを示す資料として用いる。

異なる試験の順位や全項目合格率を日本の法律事務所でどう扱うかについては，法務AIのベンチマーク順位を日本の法律事務所でどう読むか―Gemini 4 Argon，Harveyの全項目合格率及び判例秘書を使う評価方法（AI作成）で整理した。

8　事実から評価・予測へ移るときの確認

出典が実在し，引用が正確であっても，そこから導いた評価又は予測まで裏付けられるとは限らない。
この点を確認するための追加項目として，記載を①原資料で確認した事実，②資料の作成者又は発言者が述べた内容，③記事作成者の推論・評価，④将来の予測に分け，それぞれの前提と確認方法を明示することが有用である。
これは本記事で補う検証上の提案であり，従前の全記事でこの分類が一律に実施済みであると説明するものではない。

（続きを読む...）山中弁護士がAI作成又はAIリライトの記事を投稿するときに行っているハルシネーション防止方法（AI作成）

◯本ブログ記事は専らAIで作成したものです。

目次

第１　緒言
１　本記事の目的
２　ブログ改修の背景
(1) スマホユーザーの増加とモバイルフレンドリーの重要性
(2) 情報公開文書の視認性向上の必要性
(3) ２０２６年時点における最新のＳＥＯ基準への適合

第２　本件改修の核心：スマホファーストの徹底
１　ファーストビューの劇的改善
(1) ヘッダー領域のスリム化と余白の最適化
(2) 検索ツールの最上部固定配置による利便性向上

２　Ｆｌｅｘｂｏｘを用いた情報優先順位の再定義
(1) 表示順序（ｏｒｄｅｒプロパティ）の戦略的変更
(2) パンくずリストの配置変更とその論理的根拠

第３　ユーザー体験（ＵＸ）を向上させるタイポグラフィとレイアウト
１　視認性を極限まで高める文字設計
(1) 本文フォントサイズと行間の黄金比
(2) モバイルにおけるタップ領域の確保と誤操作防止

２　コアウェブバイタル（ＣＷＢ）指標の改善
(1) ＣＬＳ（レイアウトシフト）対策の具体的手法
(2) 外部メディア（ＹｏｕＴｕｂｅ，Ｘ）のプレースホルダー確保

第４　弁護士ブログ特有の課題解決：表形式データのレスポンシブ化
１　裁判官人事データの「はみ出し」問題
(1) 横スクロール機能の導入と実装コードの解説
(2) セル内改行の抑制とデータの完全性維持

２　アクセシビリティの確保
(1) 公用文としての正確さと読みやすさの両立

（続きを読む...）スマホユーザー向けの山中弁護士ブログの改修（AI作成）

第１　本記事の目的

第２　AIがウェブサイトを利用する主な経路

１　クロール及び取得

２　検索インデックス

３　モデル学習

４　検索拡張生成及び利用者指定の取得

５　回答及び出典表示

第３　山中弁護士ブログが提供する機械可読性

１　HTML，見出し及びリンク

２　構造化データ

３　PDF及び本文テキスト

４　Markdown版

（続きを読む...）AIが参照しやすい司法情報アーカイブとしての山中弁護士ブログ―機械可読性と一次資料確認の限界（AI作成）