AIと弁護士実務

目次第１　この記事の目的と結論１　性能，価格及び守秘義務だけでは足りない２　本記事は倒産又はサービス終了を予測するものではない第２　最初に依存関係を一枚にする１　契約当事者と実際の提供者を分ける２　表面上の複数社が共通基盤に集中していないかを見る第３　資本関係，顧客集中及び循環的資金調達を読む１　出資，売上，債権及び購入義務を別々に確認する２　MicrosoftとOpenAIの開示は複数の関係を同時に示す３　AmazonとAnthropicの公表も資本と購買を併記している４　循環的資金調達は追加検証の標識である５　非連結の事業体に関する契約上の負担も確認する第４　財務・事業継続性の審査１　単年の売上又は資金調達額だけで判断しない２　モデル分析と確認済み事実を混同しない３　企業価値評価とrun-rate revenueを分けて読む４　契約総額，受注残，当期売上及び入金額を区別する第５　契約で確保する出口１　通知と変更管理を具体化する２　データ，設定及び評価記録を持ち出せるようにする３　代替サービスと手作業への復帰を準備する４　解除権と移行権を分ける第６　契約前質問票と定期監視１　契約前に質問する事項２　少なくとも年一回及び重要変更時に見直す３　安全標準と外部評価制度も審査する第７　法律事務でのリスク別運用１　利用目的と情報の機密度で段階を分ける２　一次資料へ戻る経路を残す第８　確認済み事項，推論及び不明を分ける１　確認済み事項と資料の記述２　実務上の推論と現在の不明第９　出典・関連記事１　公的機関・一次資料２　企業の提出書類・公式発表３　関連記事
第１　この記事の目的と結論
１　性能，価格及び守秘義務だけでは足りない

AIサービスの導入審査では，回答精度，料金，個人情報・秘密情報の取扱い及び学習利用の有無が重視される。これらに加えて，契約相手がどのモデル，クラウド，半導体，データセンター及び資金提供者に依存しているかを確認しなければ，サービス終了，モデル廃止，容量不足又は急な価格改定が業務へ与える影響を十分に評価できない。

したがって，導入時には，①依存関係を図にすること，②資本・購買・顧客の関係を分けて読むこと，③財務数値を単独で断定材料にしないこと，④データと設定を持ち出せるようにすること，⑤代替サービス又は手作業へ戻る訓練をすることが重要である。

２　本記事は倒産又はサービス終了を予測するものではない

本記事は，ベンダーの信用力又は将来の存続を格付けするものではない。また，投資関係，顧客集中又は循環的資金調達が存在することだけから，取引が不当，架空又は違法であると判断するものでもない。

目的は，公開一次資料と公的ガイドラインを利用して，契約前の追加質問，契約条項，運用上の代替手段及び定期監視の対象を決めることである。個別の解除権，損害賠償，倒産手続における契約の扱い又はデータ返還請求の可否は，契約文言，準拠法及び事実関係ごとに別途検討する必要がある。

倒産，株式譲渡による支配権変更，事業譲渡及び合併・会社分割は，契約上の地位が移る仕組み及び解除権への影響が異なる。また，著作権又は特許のライセンスが承継後も存続することと，SaaS，API，クラウド又は保守が実際に動き続けることは同じではない。これらの日本法上の取扱い，データ返還・削除及び損害賠償は，「AIベンダーの倒産・支配権変更・事業譲渡に備える契約実務」で扱う。

第２　最初に依存関係を一枚にする
１　契約当事者と実際の提供者を分ける

利用者が契約する相手と，基盤モデルを開発する会社，クラウドを運営する会社及びデータを処理する再委託先は同一とは限らない。中継サービス又は業務ソフトを通じてAIを利用する場合，利用者から見える契約相手の先に複数の事業者が連なる。

審査表には，少なくとも，①契約・請求主体，②基盤モデル提供者，③クラウド及びリージョン，④半導体・計算資源，⑤データセンター，⑥中継・監視・ログ保管事業者，⑦重要な再委託先を記載する。契約相手だけを代替できても，同じクラウド又は同じ基盤モデルへ依存するなら，障害又は供給制約が同時に及ぶ可能性がある。

２　表面上の複数社が共通基盤に集中していないかを見る

複数のAIサービスを採用しても，いずれも同じモデル，クラウド，認証基盤又はデータセンターに依存すれば，実質的な分散にはならない。逆に，一つのサービスの中で複数モデルを選べても，障害時に自動で切り替わるのか，利用者が手動で変更するのか，データの保存場所及び利用条件が変わるのかによって実効性が異なる。

依存関係図は，契約締結時だけでなく，モデル追加，基盤クラウド変更，事業譲渡，合併又は重要な再委託先変更の際に更新する。NISTのAI Risk Management Frameworkは，第三者のリスク管理，代替手段及び廃止の計画を統治と運用の双方で扱っている。

第３　資本関係，顧客集中及び循環的資金調達を読む
１　出資，売上，債権及び購入義務を別々に確認する

同じ二社の間に，出資，クラウド利用料，収益分配，融資，保証又は長期購入契約が併存することがある。この場合，売上高だけを見ても，外部の最終顧客から得た需要と，投資先が投資者のサービスを購入する関係とを区別できない。

確認すべき資料は，監査済み財務諸表，関連当事者注記，売掛金・契約資産，投資及び持分法損益，設備投資，長期購入義務，リース・保証，顧客集中並びに資金調達条件である。公開会社では有価証券報告書又はSEC提出書類を優先し，プレスリリースは契約の全条項を示さないものとして扱う。

実務上の確認表：信用補完を調べるときは，次の役割を法人ごとに分ける。同じ企業グループに属することや，出資者として名前が挙がっていることだけで，他の法人の債務を負うとは扱わない。

役割実務上，確認する事項出資者株式等への投資額・払込状況と，追加出資の法的義務の有無借主返済義務を負う法人，借入残高，満期及び借換条件保証人保証対象債務，上限額，期間，履行請求の条件及び免責・例外担保提供者担保を提供する法人，対象資産，順位及び実行時の影響顧客・代金支払者実際の契約当事者，購入義務，支払時期及び解約・返金条件

出資の発表だけでは，将来の追加出資，借換え，救済買収又は返済保証の約束までは確認できない。保証を信用補完として評価する場合は，保証書等によって，上表の対象債務・上限額・期間・請求条件・例外を確かめる。

２　MicrosoftとOpenAIの開示は複数の関係を同時に示す

Microsoftの２０２６年Form １０-Kによれば，同社はOpenAIについて，転換後ベースで約２５％の持分となる持分法投資を有し，総額１３０億ドルの資金拠出を約束し，２０２６年６月３０日までに１１９億ドルを拠出した。同年度には，収益分配支払を含むOpenAIとの商業上の取決めから２４１億ドルの収益を計上し，同日現在のOpenAIに対する売掛金は６０億ドルであった。

これらはMicrosoft自身の監査済み提出書類による確認事項である。他方，２４１億ドルを全てクラウド売上又は外部最終需要とみなすことも，この関係だけから回収不能又は不適切な取引と評価することもできない。審査では，金額の大きさより，出資者，重要顧客，債権者及び技術提供者という役割が重なることによる依存関係を把握する。

３　AmazonとAnthropicの公表も資本と購買を併記している

Amazonの２０２６年公表資料は，AmazonがAnthropicへ直ちに５０億ドル，条件に応じて将来さらに最大２００億ドルを投資すること，Anthropicが１０年間に１０００億ドルを超えるAWS技術を利用する約束をすること及び最大５GWのTrainium容量を確保することを記載している。

これは両社が公表した関係の規模を示すが，最終契約の解約条件，価格調整条項，最低購入額又は全ての信用補完を示すものではない。利用者側では，この関係を直ちに信用不安と読むのではなく，特定クラウド及び特定半導体への依存，供給能力，価格改定並びに代替モデルの実効性を質問する端緒とする。

４　循環的資金調達は追加検証の標識である

（続きを読む...）AIサービスを導入する前のベンダー審査－資本関係，顧客集中，クラウド依存，循環的資金調達及び出口計画（AI作成）

目次第１　この記事の対象と結論第２　法律調査AIを四つの工程に分ける１　検索で候補集合を作る２　再順位付けで確認順序を整える３　回答作成で法的な意味を説明する４　原典確認で回答を閉じる第３　X投稿で報告された税務法令実験をどう読むか１　投稿者が報告した結果２　確認できたことと未確認のこと第４　最低限記録する四つの評価指標１　候補保持率と偽陰性２　適合率と人の確認負荷３　再現性と安定性４　時間，費用及び障害時の挙動第５　比較実験の条件を固定する１　調整用と評価用の問題を分ける２　再現に必要な条件を凍結する３　モデルが知らない法的前提を試す４　法的メタデータを評価例に付ける第６　確信度を正解保証として使わない１　確信度と個別の正しさを分ける２　不明と人の確認への経路を置く第７　法律事務所での導入手順第８　既存記事との関係第９　出典・参考資料
第１　この記事の対象と結論

本記事は，法律調査にAIを組み込む場合に，検索結果の順位又は最終回答の見栄えだけで性能を判断せず，検索，再順位付け，回答作成及び原典確認を別々に評価する方法を整理するものである。
結論として，法律調査AIの導入判断では，①正解資料を候補集合へ入れられたか，②候補を人が確認できる範囲へ絞っても正解資料を残せたか，③回答が原典の射程を正しく説明したか，④人による最終確認まで含む総作業時間が短くなったかを分けて測る必要がある。

特に，再順位付けは，最初の検索が拾わなかった資料を後から復活させる処理ではない。
検索段階の取りこぼしと，再順位付け段階の取りこぼしを同じ「AIの誤り」として集計すると，改善すべき工程を誤る。

本記事は，AI又は特定サービスが法律調査を自動的に完結できると述べるものではない。
法令，裁判例，通達その他の法的根拠は，利用可能な公式資料又は原典で人が確認することを前提とする。
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　法律調査AIを四つの工程に分ける
１　検索で候補集合を作る

第1工程は，データベース又は文書群から候補を広く拾う検索である。
キーワード検索，BM25，ベクトル検索又はこれらの併用により，全文書を数十件から数百件の候補へ絞る。

この工程で重要なのは，1位に正解を置くことだけではなく，後続工程が見る候補集合のどこかに正解資料を残すことである。
最初の候補集合に正解資料が入っていなければ，再順位付けも回答作成もその資料を利用できない。

２　再順位付けで確認順序を整える

第2工程は，検索が出した候補を問いとの適合度により採点し，並べ替え，又は一定数へ絞る再順位付けである。
検索が語句又は意味の近さで候補を広く集め，再順位付けが個々の候補と問いを直接比較するという役割分担が考えられる。

TypeSafeの公式クックブックは，米国裁判所意見のデータセットを用いた40件の照会で，BM25が3,565件から30件の候補を作り，Jevが照会と各候補を個別に評価する例を示している。
同クックブックの結果では，正解資料が上位1件に入る割合は5%から18%へ，上位10件に入る割合は38%から62%へ上昇した。
もっとも，これは提供者が選定したデータ，照会，設定及びモデルによる公式実演であり，日本法の実務又は別の文書群で同じ結果になることを示す独立検証ではない。

３　回答作成で法的な意味を説明する

第3工程は，残った資料を読み，問いへの回答，根拠，例外及び留保を文章にする工程である。
候補の関連性を採点する能力と，条文の適用関係，裁判例の射程又は複数資料の矛盾を解く能力は同じではない。

定められた形式の判定を安定して返すことは，法的推論が正しいことを意味しない。
検索又は再順位付けに向くモデルと，長い理由付け又は起案に向くモデルを分け，後者にも確認済みの候補資料だけを渡す方法が考えられる。

４　原典確認で回答を閉じる

第4工程は，人が引用元を開き，書誌，本文，基準時，改廃，射程及び回答との対応を確認する工程である。
AIの回答が自然であること，候補の点数が高いこと又は出力形式が崩れていないことは，この確認を代替しない。

法律調査の完了条件には，少なくとも，①使用したデータベース又は資料群，②検索日，③検索語又は検索条件，④確認した原典，⑤確認できなかった事項，⑥反対資料又は例外，⑦最終確認者を含めることが望ましい。

（続きを読む...）法律調査AIの検索・再順位付けをどう評価するか－正解資料の取りこぼしと人の確認負荷（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　比較の視点第３　国内のリーガルテック１　Hubble２　LEGAL BRAIN（弁護士ドットコム）データの保存・閲覧・返却と削除Claude向けMCPコネクタ３　LAWGUE（FRAIM）４　Legalscape５　LegalOn（LegalOn Technologies）６　OLGA（GVA TECH）７　第一法規の生成AIサービス８　規約本文が公開されていないサービス９　BoostDraft AI第４　国産LLM・国内のAI基盤１　さくらのAI Engine（さくらインターネット）２　PLaMo（Preferred Networks）３　tsuzumi（NTT）４　Takane（富士通）５　ELYZA Works with KDDI６　Rakuten AI for Business（楽天モバイル）７　KDDI Conata Data Agent８　Sakana AI９　規約本文が公開されていないサービス第５　比較表第６　規約の書き方の型と弁護士実務への示唆１　範囲を絞った書き方２　守秘義務との関係で慎重な検討を要する書き方３　読み落としやすい点４　規約本文が公開されていないサービス第７　関連記事第８　出典１　法令等２　リーガルテックの規約・公式資料３　国産LLM・国内AI基盤の規約・公式資料
第１　本記事の対象と結論
１　扱う問い

「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では，海外の主要なAIサービス５社の規約を取り上げ，入力と出力を学習に使わないとする条項（以下「学習条項」という。）と，入力から生じるデータや入力そのものを提供者が学習以外の目的に使えるかを定める条項（以下「派生データ条項」という。）が別に定められていることを確認した。

本記事は，同じ観点から，国内のリーガルテックのサービスと，国産の大規模言語モデル（LLM）又は国内のAI基盤を使ったサービスの公開されている規約を比較する。
法律事務所が契約書審査，リサーチ又は文書作成にこれらのサービスを使うとき，依頼者の情報がどう扱われるかを判断する材料とすることが目的である。

基準日は令和８年１０月１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。
LEGAL BRAINのClaude向けMCPコネクタについては，令和８年９月２２日に公式発表等を追加確認した。
令和８年１０月３日には，LEGAL BRAINの令和８年７月３０日改定規約及び同年９月９日改訂のセキュリティホワイトペーパーを追加確認し，同サービスの説明を補った。追加確認は他社の資料の再調査を意味しない。
本記事は規約・公式資料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く，各社のサービスの優劣を評価するものでもない。
規約は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。
規約本文に条番号の表示がない文書については，条番号を示さずに文言で特定した。

２　結論の要旨

国内のサービスでも，学習条項で「学習に使わない」と約束した上で，派生データ条項で入力データの分析，サービス改善，新サービスの開発，マーケティング又は第三者への許諾を認める規約が少なくない。
学習条項だけを見て依頼者の情報を入力してよいと判断することはできない。

他方，①アップロードした文書そのものは学習にも統計化にも使わず，利用ログだけを匿名化・統計化して使うと切り分けるもの，②入力情報を利用せず第三者にも提供しないと一律に定めるもの，③有償プランと無償プランで扱いを分けるものなど，範囲を絞った書き方もある。
また，よくある質問（FAQ）の説明と規約本文が一致していない例，同じサービスで古い版の規約が別の場所に残っている例，国産を名乗るサービスでも契約の相手方や準拠法が外国である例があるため，規約本文を，実際に契約する版と相手方まで確かめる必要がある。

第２　比較の視点

各社の規約を，次の４点で見た。
①学習条項＝入力と出力をAIモデルの学習に使うか。使わない旨の約束か，利用者が申し出て止める方式（オプトアウト）か，利用者の同意があるときだけ使う方式（オプトイン）か
②派生データ条項＝学習とは別に，入力データ，利用状況のデータ，統計情報を提供者自身の目的（サービス改善，新サービス開発，マーケティング，第三者提供等）に使えるか。使えるとして，匿名化・統計化の限定や目的の限定があるか
③フィードバック等＝利用者の評価や意見をどう扱うか
④相手方・保存場所・準拠法＝背後で使う基盤モデルの提供者，データの保存場所，日本法が準拠法か

第３　国内のリーガルテック
１　Hubble

契約書管理サービスのHubbleの利用規約（令和８年８月５日改訂）１９条は，アップロードした情報と本サービス上で作成した情報（ユーザーデータ等）について，「学習用データセット又はモデルの生成、当社AIを含む本サービスの改善や品質向上、新規サービスの開発や統計情報の生成といった目的に基づく二次的な利用は行わない」と定めている。
他方，同じ条の次の項は，利用情報，使用状況，アクセスログ等（利用情報等）について，特定のユーザー又は個人を識別できないよう抽象化，匿名化又は統計化した上で，新規サービスの開発その他同社の事業活動のために，第三者への開示又は公開を含めて利用できるとしている。

文書本体とログを分け，文書本体は二次利用をしないと明記し，ログだけを匿名化・統計化の条件付きで使うという書き方である。
同規約のAI機能に関する特約は，基盤モデル（Azure OpenAI Service及びVertex AI）での入力データの処理地域を日本国内に限定し（３条），基盤モデルの提供企業に不正監視の目的でも入力データを保持させないとしている（４条）。

２　LEGAL BRAIN（弁護士ドットコム）

（続きを読む...）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）

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。

各社の規約比較の初回基準日は令和８年９月１９日である。
Anthropicの個人向け・商用サービスの対象範囲に関する説明は，令和８年１０月１３日に公式資料を確認して補った。
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

（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
４　確認者へ渡す前に，結論と原資料の対応を示す第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

（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」を六つに分ける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５　遠隔画面又は表示系だけが停止する場合６　Chromeとの接続だけが停止する場合第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４　Event 41及び6008が示す範囲５　最後のコマンドとプロセス別I/Oを突き合わせる第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５　変更の危険度を分けること６　メモリ以外の負荷を分けること第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３　フリーズ後にログから原因を調べる場合第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」を六つに分ける
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。

完全に固まる前に，文字が遅れて表示される，変換候補が出るまで待たされる，又は複数のアプリの操作が重くなる場合もある。
次の表で遅れている範囲を先に分けると，入力設定とPC全体の負荷を同時に変更することを避けやすい。

症状最初に分けて確認すること複数のアプリで文字表示や操作が遅いPC全体のCPU・メモリ・ディスクと，同時に動く検索・変換・検査・同期AIアプリの入力欄だけ遅い他のアプリの反応，そのアプリの処理・描画と発生時刻日本語変換だけ遅い文字の表示自体の遅れか，変換候補の表示の遅れか特定のキーが反応しない，又は取りこぼす他の入力欄でも同じか，接続・設定・入力機器の状態マウスポインターは動くがクリック後の反応が遅い複数アプリに共通する遅れか，一つのアプリの処理・描画だけかを分け，CPU・ディスクと同じ時刻で照合する

この表は確認先を絞るための運用例であり，症状だけで原因を確定する診断表ではない。
空きメモリが十分でも，他の資源やアプリの処理を確認する必要があり，直ちにメモリ増設へ進むものではない。

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。

Codexの画面にHTTP 429又は「Too Many Requests」が表示され，Windows及び他のアプリを通常どおり操作できる場合は，メモリ不足によるフリーズよりも，ChatGPTプラン又はAPIの利用上限を先に確認する。
同じアカウント又は同じAPI組織・プロジェクトのまま別IP・別PCへ移っても通常の上限はリセットされないため，原因別の確認方法は，Codexで４２９エラーが出る原因と対策－別IP・別PCで回避できるか（AI作成）を参照されたい。

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。

５　遠隔画面又は表示系だけが停止する場合

自宅PCの遠隔画面だけが止まり，事務所PCのWindows及びアプリが動き続けている場合は，遠隔セッション又は通信経路の障害と，事務所PC全体のフリーズを区別する。
反対に，画面の点滅又は黒画面とともにDesktop Window Manager，GPUドライバー又はLiveKernelEventの記録がある場合は，メモリ不足とは別に表示系を確認する。

遠隔操作は，デスクトップ画像の取得，GPU又はCPUによる処理及び転送を伴うため，表示系の追加要因にはなり得るが，遠隔接続中にフリーズしたという一回の同時発生だけで原因とは断定できない。
直接操作日と遠隔操作日について，画面数，解像度，同時タスク数及び表示系ログを同じ条件で比較し，業務上の初動は弁護士・税理士のAI業務用PCがフリーズしたときの初動－期限管理，送信成否，ログ保全及び安全な再開（AI作成）を参照されたい。

（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７　AIに業務用プログラムを作らせる場合第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６　AIが使えない間も期限管理と受付を続ける第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４　利用ガイドラインと許可サービス台帳を分ける第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。

保存先の区分を定めた後は，権限の境界が検索と生成にも反映されるかを合成データで試す。例えば，別案件の共有フォルダー，共通ナレッジ，チャット履歴及び外部サービスとの連携について，その案件を担当しない利用者が固有の語句を検索したときに，本文，引用，検索候補又は回答の要約へ内容が現れないかを確認する。

担当変更・退職・案件終了によって権限を外した後も，同じ試験を行う。問題が見つかった場合は，該当する検索・連携機能の利用を止め，入力データと出力の範囲を調べる。試験記録には利用者の権限，対象サービス・機能，試験日時，合成データ及び結果を残す。

これはアクセス権限を実際の利用場面で点検するための運用提案である。情報を隔離できれば，利益相反に関する受任制限が当然に解消されるという意味ではない。受任の可否と，受任後の情報管理は別に判断する。LIBRA令和８年７・８月号１７～１８頁は，AIサービス内の情報共有を含む守秘義務・利益相反の問題を検討している。

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。

外部資料の本文に加え，受領ZIPやダウンロード先に含まれるAGENTS.md，CLAUDE.md等の指示ファイルにも注意する。
受領担当者は，格納ファイル名と階層を確認し，利用担当者は，起動場所と，製品・設定に応じて読み込まれる指示の範囲を確認する。
外部資料が集まる場所と通常の作業場所を分け，指示・設定ファイルを確認せずに作業環境へ引き継がない運用が考えられる。
ただし，場所の分離だけで資料の内容が信頼できることまで保証されるわけではない。
OpenAIの指示ファイルの説明とAnthropicの説明では読込み条件が異なるため，「子フォルダーで起動すれば安全」等の一律の説明をしない。

業務上，所定のダウンロード先を使う必要がある場合は，対象，利用理由，受取り後の確認，作業場所への配置及び一時受取分の処理を決める。
保存場所の例外を設けることと，受領資料に設定変更・外部送信・コマンド実行の権限を与えることは別である。
既存の依頼者資料を一括移動・削除する手順にはしない。

７　AIに業務用プログラムを作らせる場合

AIに業務用プログラムを作らせる場合は，実行前に，対象の入力，必要な出力，変更してよい保存先及び合格条件を具体化する。

（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５　作業量と分離したい範囲に応じた選択第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１　専用PCの運用を始める前の確認第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７　士業事務所の成功事例を読むときの確認事項第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　ベンダーの成功事例を測定資料として読むときの注意第１３　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。
AIエージェントの試験では，対象アプリケーションに加え，共有キャッシュ，パッケージ配布基盤，DNS，認証情報及び共有保存先等の依存先を一覧にする。
各依存先について，管理者，接続目的，許される読み書き，保存される情報，試験許諾の有無及び対象外部分を対応させる。
一つのシステムの管理者による承諾を，連携先又は第三者のシステムへの包括的な試験許諾として扱わない。

（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５　業務棚卸しと，新しい指示を受け入れる余力６　並列にする仕事と順番を守る仕事第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６　WordPress等の本番書込みは一つの経路に集約する第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４　サービス変更後も同じ基準で検証し，業務を再構成する５　完了までに人が使った時間を記録する第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５　スキルの更新・統合・廃止を管理する第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５　PC操作を伴う事故で確認する事実と記録第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４　日本AISIのCAIOガイドが示す責任分担第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５　入口・中間工程・出口に分けて役割を設計する第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６　労働分配率の低下と，個人の賃金・弁護士報酬を分ける第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
６　実在する裁判例に付け加えられた架空引用

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4　URLを指定した生成結果が出版物へ引き継がれた例第3　記事を投稿するときの防止方法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　これらの指針と記事作成時の確認手順との関係第5　確認手順の限界と継続的な見直し出典・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

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る。
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，生成AIを用いて記事を作成し，又は既存記事をリライトするときに推奨する確認手順を，生成，出典確認，公開前の検証及び公開後の訂正という工程ごとに整理するものである。

以下の手順は，山中弁護士又は特定の執筆者が，全ての記事について実施済みであることを説明するものではない。
「行うべき」という題名も，以下の全項目が一律に法律上の義務になるという意味ではなく，記事の正確性と読者による検証可能性を確保するための推奨を示している。
法令・会規による規律，弁護士会等による推奨，研究者の報告及び本記事の運用上の提案は，それぞれの根拠と適用範囲を分けて読む必要がある。

生成AIの誤りに関する実証研究や架空判例の引用事例を読む場合も，調査対象のモデル・版，質問，法域及び時点を確認し，当時の数値を現在の全モデル又は日本法に関する誤答率へ一般化しない。
「AI作成」と表示したこと，AIへ資料のURLを渡したこと又は別のAIも同じ回答をしたことだけで，原資料の取得と内容の確認が済んだことにはならない。

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，記事の公開とは区別し，事案の証拠，手続上の位置付け及び提出内容に即した確認が必要となる。
裁判所提出書面については，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）を参照されたい。

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。

4　URLを指定した生成結果が出版物へ引き継がれた例

国内の出版物でも，AIの生成結果を資料の検索結果と取り違えた事例がある。高文研の回収・絶版の告知及び令和８年１０月１０日付の著者説明によれば，『無責任の体系と沖縄戦―戦争犯罪・語り・平和教育―』の１４７頁～１４９頁に記載した三つの国際裁判例が実在せず，令和８年９月１８日に回収・絶版を決定した。著者は，大学図書館のデータベースのURLを生成AIへ入力して出力された英文を，そのデータベースから取得した判例と思い込み，授業資料から著作へ確認・精査せず用いたと説明している。

この公表資料からは，使用したモデル・版や生成時の全記録までは確認できない。特定モデルの誤答率又は新旧モデルの優劣を示す事例としては扱わず，URLの指定，原資料の取得，本文の読了及び引用命題の照合を分ける必要性を示す例として読む。

第3　記事を投稿するときの防止方法

誤りを防ぐためには，一つのプロンプト又は一回の自己点検に頼らず，生成，原資料の取得，引用と命題の照合，公開前の確認，公開後の訂正及び作業体制の設計を分けて組み立てることを推奨する。
以下では，実施済みの運用の紹介ではなく，記事を投稿する際に採用を検討すべき手順を説明する。

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の記憶又は学習データからの書き起こしをそのまま採用せず，e-Gov法令検索その他の公式資料から取得した条文本文と照合する。
条文の内容がおおむね正しくても，条番号，項番号又は号番号が異なることがあるため，番号と本文を一件ずつ確認する。

公式データを取得したというだけで確認を終えない。
改正前の条文や経過措置が関わる場合は対象時点の法令を特定し，類似する法令との取り違え，取得途中の欠落，附則・別表及び最高裁判所規則等の確認先にも注意する。
一つのデータベースで取得できない場合は，そのことを資料の不存在と扱わず，制定・公布主体が公表する原文等の別の正式な確認経路へ戻す。
民事訴訟規則等の具体的な条文を引用する場合も，確認先，版及び該当条項を記録する。

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。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

裁判例を記事に記載する前に，裁判所ウェブサイトの裁判例検索又は判例秘書等の正式に利用できるデータベースで，実在及び内容を確認する。
確認対象は，裁判所名，裁判年月日及び事件番号だけでなく，記事に書く判旨又は規範を判決本文が直接裏付けるかという点に及ぶ。
限定的な事案についての判示を，より広い一般命題の根拠として使っていないかも点検する。

裁判所ウェブサイトで発見できない裁判例は，判例秘書等で原文を確認できるか調べる。
原文を確認していない裁判例は，確認済み判例として断定的に引用せず，紹介文献の情報にとどまることを明示するか，掲載を保留する。
文献の紹介や検索結果の要旨を，判決本文の確認に置き換えない。
限られた検索で発見できなかった場合は，検索範囲を示して「確認できなかった」と記載し，「存在しない」又は「裁判所ウェブサイト未掲載」とまで断定しない。

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。

一次資料，判例秘書，解説記事及び動画をどの順序で確認し，元文書の記載と解説側の付加をどう分けるかは，生成AIで法律調査をする方法―一次資料・判例秘書・解説記事・動画の使い分け（AI作成）を参照されたい。

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。
本記事の従前の確認記録では，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とされている。
これはその時点の確認範囲を示す記録であり，今回新たに判例秘書で再検索したことを意味しない。
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。

（続きを読む...）AI作成又はAIリライトの記事を投稿するときに行うべきハルシネーション防止方法（AI作成）

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指標と実測の確認
(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
(2) 支援技術での利用と適合性の確認

第５　改修の効果を確かめるための観点

（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）