投稿者 global-ai-media 
米国国立標準技術研究所（NIST）が発表した新たなガイドライン草案は、AIの導入が進む現代において、従来のサイバーセキュリティの概念を根本から見直す必要性を説いています。本記事では、このグローバルな潮流を紐解きながら、日本の商習慣や組織構造において、企業がAI活用とリスク管理をどのように両立させるべきかを解説します。
従来のセキュリティ対策だけではAIを守れない
AI、特に大規模言語モデル（LLM）や生成AIの普及に伴い、企業が直面するリスクの質が変化しています。これまで日本企業が重視してきた境界防御型（ファイアウォールやVPNなど）のセキュリティ対策は依然として重要ですが、NIST（米国国立標準技術研究所）の新たなガイドライン草案が示唆するのは、それだけでは「AIシステムそのもの」を守るには不十分であるという事実です。
従来のソフトウェアと異なり、AIモデルは「データ」によって挙動が決まります。攻撃者はシステムへの侵入を試みるだけでなく、入力データに巧妙な細工を施してAIに誤った判断をさせたり（データポイズニング）、プロンプトを通じて本来禁止されている情報を引き出したり（プロンプトインジェクション）する攻撃手法を用います。これらは従来のウイルス対策ソフトやログ監視だけでは検知が難しい領域です。
「AIサプライチェーン」のリスク管理
日本企業、特に製造業においては「サプライチェーン管理」の重要性は周知の事実ですが、これはAI開発・運用においても同様です。現在、ゼロから自社独自の基盤モデルを開発する企業は稀で、多くはOpenAIやGoogleなどのAPI、あるいはHugging Faceなどで公開されているオープンソースモデルを利用しています。
NISTの指針は、こうした外部モデルやデータセットを「信頼できない構成要素」として扱う視点の重要性を強調しています。日本の実務において、これは「ベンダーやツールを導入して終わり」ではなく、利用しているモデルの学習データの出自や、モデル自体にバックドア（不正な操作を可能にする裏口）が仕込まれていないかを検証するプロセスが必要になることを意味します。特に、社外秘情報を扱うRAG（検索拡張生成）システムを構築する場合、参照する社内ドキュメントと外部モデルの接続点におけるリスク評価が不可欠です。
日本特有の「組織のサイロ化」をどう乗り越えるか
日本企業におけるAI活用の大きな課題の一つに、推進側（DX部門や事業部門）と守備側（情報システム部門やセキュリティ部門）の断絶があります。DX部門はスピード重視で最新のツールを導入したがり、セキュリティ部門は前例のないリスクを恐れて一律禁止にする、という対立構造が頻繁に見られます。
NISTが提唱するAI時代のセキュリティは、開発ライフサイクル全体にセキュリティを組み込む考え方です。これを実現するには、技術的な対策だけでなく、組織的な連携が鍵となります。セキュリティ担当者がAIの特性（確率的な挙動やブラックボックス性）を理解し、逆にデータサイエンティストがセキュリティの基本原則を理解するような、クロスファンクショナルな体制構築が急務です。
法規制とイノベーションのバランス
欧州の「AI法（EU AI Act）」のような包括的な規制とは異なり、日本や米国は現時点ではソフトロー（法的拘束力のないガイドライン）を中心としたアプローチをとっています。しかし、これは「何をしても良い」という意味ではありません。むしろ、事故が起きた際の説明責任が企業自身に強く求められることを意味します。
NISTのガイドラインは国際的なデファクトスタンダード（事実上の標準）となる可能性が高く、日本のガイドライン（総務省・経産省のAI事業者ガイドライン等）とも方向性は合致します。したがって、NIST準拠の対策を進めることは、将来的な法規制への適応のみならず、グローバル展開を見据えた日本企業にとっての「信頼の証」となります。
日本企業のAI活用への示唆
今回のNISTガイドライン草案が示唆する、日本企業がとるべき具体的なアクションは以下の通りです。
1. 既存のセキュリティポリシーのアップデート
ISMS（情報セキュリティマネジメントシステム）などの既存規定に、AI特有のリスク（敵対的攻撃やモデルの盗用など）への対応項目を追加してください。従来の「機密性・完全性・可用性」に加え、AIの「公平性」や「説明可能性」もセキュリティの一部として捉える視点が必要です。
2. 「とりあえず禁止」からの脱却とサンドボックスの活用
リスクを恐れるあまり従業員のAI利用を一律禁止にすると、「シャドーAI（会社が把握していないAI利用）」のリスクが高まります。安全な検証環境（サンドボックス）を用意し、監視下で積極的にリスクを洗い出す「攻めのガバナンス」へと舵を切るべきです。
3. AI資産の棚卸しと可視化
自社がどの業務で、どのモデル（GPT-4、Llama 3など）を、どのデータを使って動かしているかを台帳管理してください。ソフトウェアにおけるSBOM（ソフトウェア部品表）と同様に、「AI BOM（AI部品表）」の整備が、有事の際の迅速な対応を可能にします。