AI・リーガルテック

目次第１　この記事の対象と結論１　AI時短を処理件数だけで評価しない２　本記事の根拠と限界第２　調査から分かることと分からないこと１　日本の就業者調査２　海外の「隠れた生産性」調査３　顧客対応業務の実証研究４　法律事務所への当てはめには限界がある第３　AIで速くなっても職員が申告しにくい理由１　追加案件だけが返ってくる２　確認・教育・改善の仕事が見えにくい３　利用実態が地下化する第４　法律事務所で測るべき五群の指標１　総作業時間と処理量２　品質と手戻り３　依頼者への提供価値４　組織への貢献５　人間側の能力維持６　利用量を単独の評価指標にしない第５　短縮時間の配分を先に決める第６　評価制度を設計する手順１　対象業務と基準線を決める２　個人評価とチーム評価を組み合わせる３　効率化を直ちに恒久ノルマへ変えない４　説明・見直し・異議申出の経路を置く第７　研修・確認作業と労働時間第８　導入時のチェックリスト第９　本記事で確認できていないこと第１０　関連記事第１１　出典・参考資料

第１　この記事の対象と結論

１　AI時短を処理件数だけで評価しない

生成AIによって定型的な整理，要約又は初稿作成の時間が短くなっても，その職員に追加案件だけを配分すればよいとは限らない。
件数だけで評価すると，職員には改善成果を申告せず，自分だけの方法として保持する誘因が生じ得る。他方で，AI利用に伴う根拠確認，修正，他の職員への支援及びテンプレート整備は，処理件数には表れにくい。

法律事務所では，①確認・修正を含む総作業時間，②重大な見落とし及び手戻り，③依頼者への説明と納期，④他者支援，教育及び業務改善への貢献を組み合わせて評価することが考えられる。
また，短縮された時間を，追加案件，分析の深化，研修・業務改善又は休息・納期余裕のいずれに配分するかを，評価期間の前に定めることが望ましい。

本記事の評価項目と配分方法は，法令上当然に義務付けられた唯一の制度ではなく，後記の調査結果と法律事務の特性を踏まえた実務上の提案である。

２　本記事の根拠と限界

本記事は，①日本の就業者を対象とするパーソル総合研究所の調査，②海外のオフィスワーカー等を対象とするIvantiの調査，③顧客対応担当者を対象とする実証研究及び④厚生労働省の労働時間ガイドラインを主な根拠とする。
ただし，①及び②は主として回答者の申告に基づく調査であり，AI導入が特定の結果を生じさせたという因果関係を直接証明するものではない。③は法律事務所を対象とする研究ではない。

本記事は，これらの資料から直接確認できる事実を「調査結果」として記載し，法律事務所への当てはめを「実務上の提案」として区別する。裁判例の判示を根拠とする記事ではないため，判例秘書による裁判例検索は実施していない。

AIで同じ品質の仕事を早く終えたことと，労働契約上の賃金を減額できることも，別の問題である。
月給，時給，手当及び賞与では支給条件が異なり，作業の短縮率をそのまま月給の減額率にすることはできない。
賃金額の変更，既存の等級・評価制度による査定，就業規則の変更及び勤務時間の変更のどれに当たるのかを確認する必要がある。

契約と給与規程の根拠，労働条件の変更及び評価資料の確認については，「人事評価・能力等級の引下げと賃金減額―懲戒降格との違い，根拠規程と裁量審査（AI作成）」の第２の４を参照されたい。
時短した職員への評価制度を設計することと，既存の労働条件を変更するための法的な検討は，分けて行う。

第２　調査から分かることと分からないこと

１　日本の就業者調査

（続きを読む...）AIで時短した職員を損させない法律事務所の評価制度－隠れた生産性，品質指標及び余力配分（AI作成）

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。

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。
GitHubのAIエージェントに関する公式資料も，範囲を限定した課題と明確な受入条件を示し，生成されたコードを人が確認して試験することを勧めている。
次は，この考え方を法律事務所の小さな補助作業へ適用する運用例である。

例えば，公開済みPDFの一覧から，資料名，日付及び元URLを列にした候補CSVを作る作業では，まず複製した少数の資料を試験用フォルダに置き，出力先を別に指定する。
元のPDFや一覧の上書き，改名及び削除を認めず，日付を読み取れないものは推測で埋めず未確認として出力させる。
入力件数と出力件数を照合し，重複，欠落，日付及びURLを元の一覧・PDFと突き合わせてから，残りの資料へ適用する。

プログラムの作成依頼には，その実行，対象フォルダの拡大又は本番データの更新まで含むかを明記する。
少数の試験が通った場合も，異常時に停止する条件と，原資料へ戻って確認する担当者を決め，AI自身の「動作確認済み」という説明だけで受け入れない。
この補助作業を，法的評価又は期限の確定まで自動化してよいという許可へ広げない。

（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）