AI・リーガルテック

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

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。

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。

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

2026年に公表された知識労働者758人の実験では，AIの能力範囲内に設定された18の課題について，AIを利用した参加者は，利用しない参加者より12.2％多くの課題を完了し，平均25.1％速く，解答の品質も有意に高かった。
この結果は，定型化しやすい調査，整理及び起案でAIが作業時間を圧縮し得ることと整合する。

（続きを読む...）AIに代替される弁護士業務と人が担う役割－仕事がなくなる条件・根拠・限界（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

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　この記事が扱う対象

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　提出を取り消すことができない

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

第４　入力段階――守秘義務，依頼者の同意及び匿名化

１　用いている環境と設定
２　委任契約約款による同意
３　過度な匿名化をしない理由
４　弁護士会の指針との関係

第５　起案段階における確認

１　法令の条文及び基準

（続きを読む...）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リライト）

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。

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。

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。

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。

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。

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。

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

東京弁護士会は，2025年3月27日に「弁護士業務における生成AIサービスの適正利用ガイドライン」を施行している。同会の会報に掲載された特集記事によれば，このガイドラインは，出力結果を業務に用いる場合には一次資料の確認を含む検証を行うことを推奨している。もっとも，同ガイドラインは，生成AIの適正利用を促進するための推奨事項であって，遵守を義務付けるものではなく，綱紀及び懲戒の直接の基準とされるものでもないとされており，その内容が秘密保持義務（弁護士職務基本規程第23条等），信用（同規程第6条）及び法令等の調査義務（同規程第37条）等と関係するものとして位置づけられている。出力内容の適切性について弁護士が原則として最終的な責任を負うという点は，同ガイドラインの内容としてではなく，弁護士の誠実義務及び専門家責任の観点から，同特集記事の執筆者の見解として述べられているものである。同特集記事に掲載された注意点の一覧表も，出力内容の検証という項目において，架空判例，誤引用及び誤った制度説明等のハルシネーションが生じる可能性を踏まえ，一次資料その他の信頼できる資料により確認すべきことを挙げている。

日本弁護士連合会のAI戦略ワーキンググループも，2025年9月，「弁護士業務における生成AIの利活用等に関する注意事項」を取りまとめ，2026年2月に更新版を公表している。同注意事項は，会員限りの資料とされ，会員外への交付等を控えるべきものとされているため，本記事ではその内容を引用しない。なお，同注意事項は，日本弁護士連合会としての公式な見解を示すものではなく，綱紀・懲戒の直接の基準とされることも想定していないものとされている。

2　これらの指針と当ブログの方法との対応

前記第3で述べた方法は，弁護士会が示す考え方のうち，出力内容を検証した上で専門職として独立した判断を行うという部分を，記事の作成という場面において具体的な工程に落としたものと整理することができる。当ブログの記事は訴訟における主張立証とは異なるが，条文及び裁判例を根拠として示す点では共通しており，誤った条文又は架空の裁判例を掲げた場合に生じる不利益も同様である。

根拠となる規律としては，次のものが挙げられる。

弁護士職務基本規程第37条（法令等の調査）第1項は，「弁護士は，事件の処理に当たり，必要な法令の調査を怠ってはならない。」と定め，同条第2項は，「弁護士は，事件の処理に当たり，必要かつ可能な事実関係の調査を行うように努める。」と定める。同規程第7条（研鑽）は，「弁護士は，教養を深め，法令及び法律事務に精通するため，研鑽に努める。」と定める。同規程第6条（名誉と信用）は，「弁護士は，名誉を重んじ，信用を維持するとともに，廉潔を保持し，常に品位を高めるように努める。」と定める。民事訴訟規則第85条（調査の義務）は，「当事者は，主張及び立証を尽くすため，あらかじめ，証人その他の証拠について事実関係を詳細に調査しなければならない。」と定める。

これらの規律は，いずれも生成AIの利用を直接の対象とするものではないが，生成AIが出力した条文や裁判例をそのまま用いる行為が，調査を怠ったものと評価される場面があり得ることを示している。当ブログが，記事の作成という場面においてまで確認の工程を設けているのは，この理解に基づく。

第5　残された課題

前記の実証研究が示すとおり，判例データベースへの接続は誤りを減らすとしてもこれを根絶するものではなく，本記事で述べた方法も，人が定めた手順を実行するものである以上，実行の漏れが生じ得る。手順を定めていること自体が正確性を保証するわけではないため，公開後に誤りが判明した場合の記録と手順の見直しを継続する必要がある。また，生成AIの技術動向及び各弁護士会の指針は今後も変化し得るため，本記事の内容は令和８年９月６日時点のものにとどまる。

以上の検証工程を，作業時間ではなく一次資料の確認，事実評価，説明可能性及び意思決定支援という専門価値の観点から整理したものとして，AI時代に弁護士の価値は「作業時間」からどこへ移るか―一次資料，事実評価，戦略判断及び意思決定支援（AI作成）がある。

出典・参考資料1　法令・会規

①弁護士職務基本規程（平成16年11月10日会規第70号）第6条・第7条・第23条・第37条（日本弁護士連合会）
②民事訴訟規則（平成8年最高裁判所規則第5号）第85条（裁判所ウェブサイト）
③連邦民事訴訟規則（Federal Rules of Civil Procedure）第11条（コーネル大学ロースクール法情報研究所）

2　裁判例

①Mata v. Avianca, Inc., 678 F.Supp.3d 443（米国ニューヨーク州南部地区連邦地方裁判所，2023年6月22日，事件番号22-cv-1461（PKC），判決文（カリフォルニア大学バークレー校ロースクール））

3　文献

①M. Dahl, V. Magesh, M. Suzgun & D. E. Ho, "Large Legal Fictions: Profiling Legal Hallucinations in Large Language Models," Journal of Legal Analysis, Vol.16 No.1（2024年）64頁～93頁（Oxford Academic）
②V. Magesh, F. Surani, M. Dahl, M. Suzgun, C. D. Manning & D. E. Ho, "Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools," Journal of Empirical Legal Studies（2025年）1頁～27頁（スタンフォード大学）
③特集「弁護士業務における生成AIの利活用と留意点」LIBRA Vol.26 No.7-8（2026年7-8月号）2頁～18頁のうち，有本真由「弁護士業務における生成AI活用上の主な注意点」14頁～18頁（東京弁護士会）
④日本弁護士連合会AI戦略ワーキンググループ「弁護士業務における生成AIの利活用等に関する注意事項」2026年（令和8年）2月更新版（会員限りの資料）

4　ウェブ資料

①AI Hallucination Cases Database（Damien Charlotin運営，令和8年8月6日最終更新分を確認）
②e-Gov法令検索（デジタル庁）
③裁判所ウェブサイト　裁判例検索（最高裁判所）
④Gemini 3.8 Flashによる日本語執筆の使用報告（令和8年9月6日確認）
⑤Google AI for Developers「Gemini 3.8 Flash」（令和8年9月2日更新）
⑥Google DeepMind「Gemini 3.8 Flash - Model Card」
⑦Vals AI「Harvey's Legal Agent Benchmark」（令和8年9月4日更新）
⑧Anthropic「Claude Fable 5.1 & Claude Mythos 5.1 System Card」（令和８年９月。Legal Agent Benchmarkは８１頁～８４頁。基盤モデル提供者による評価資料）
⑨OpenAI「Model guidance」（GPT-6 Astraに関する提供者の公式説明。令和８年９月７日確認）

◯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）