多くの組織は、一見すると単純な問いに答えることができません。すなわち、現在、事業全体で稼働しているAIシステムはいくつあるのか、という問いです。信頼できる回答を提示できないこと、そして包括的なAIインベントリが存在しないことは、単なる事務上の欠落ではありません。これはコンプライアンス上の負債であり、リスク管理上の盲点であり、世界各地の規制枠組みが任意ガイダンスから法的拘束力を伴う義務へ移行する中で、ますます維持困難な状態です。

2024年8月に施行され、2027年にかけて義務が段階的に適用されるEU AI Actは、高リスクAIシステムのデプロイヤーに対し、EUデータベースへの当該システムの登録（第71条）と、対象となるすべてのシステムを完全に把握していることを前提とする文書の維持を求めています [1]。AIマネジメントシステムの国際規格であるISO/IEC 42001は、認証の前提条件としてAIシステムの範囲および文脈の文書化を組織に要求しており、体系的な台帳化を実務上の必須事項としています [2]。NIST AIリスクマネジメントフレームワークは、AIシステムの特定と分類をMap機能における基盤活動として位置づけ、これが後続するすべてのリスク測定および管理に連動します [3]。包括的なAIインベントリがなければ、これらいずれの枠組みに対する準拠も構造的に不可能です。

しかし、企業内のあらゆるAIシステムを台帳化する作業は、見た目以上に複雑です。本ガイドでは、ゼロからAIインベントリを構築するための体系的なアプローチを提示し、何を記録すべきか、中央ガバナンスから見えにくいシステムをどのように発見するか、そして時間の経過とともにインベントリの正確性をどのように維持するかを解説します。

AIインベントリがガバナンスの基盤である理由

規制上の義務を脇に置いたとしても、完全なAIシステムインベントリは、事実上すべての後続ガバナンス活動の前提条件となります。未知のシステムに対してリスク評価は実施できません。調達部門が記録していないAIツールに対してバイアス監査は及びません。ITが可視化できていないAI駆動プロセスを、インシデント対応計画に織り込むことはできません。

インベントリなしで運用することの実務的影響は、すでに顕在化しています。EU AI Actの適用対象となる組織は、高リスクシステムについて欧州データベースへの登録義務に直面しています [1]。ISO 42001認証を目指す組織は、全社的にAIシステムを特定・管理する体系的プロセスを証明しなければなりません [2]。イングランド銀行、FCA、欧州中央銀行を含む金融監督当局は、どの意思決定がアルゴリズムまたはAIベースのツールの影響を受けているかを企業が正確に把握していることを前提とした監督上の期待を示し始めています [4]。

この課題は、AI導入の速度によってさらに増幅されています。McKinseyの2024年版Global Survey on AIによれば、72%の組織が少なくとも1つの業務機能でAIを導入しており、導入率は前年比でほぼ倍増、その多くが中央の統制なしに部門レベルで進行しています [5]。Enzaiのようなプラットフォームは、まさにこのエンタープライズ規模における動的AIインベントリ維持の複雑性に対応するために登場しており、発見、リスク分類、継続的モニタリングを単一のガバナンスレイヤーで接続します。

AIインベントリは、コンプライアンスのチェックボックスではありません。これは、あらゆるガバナンス活動が依拠する単一の成果物です。

発見の課題

AIシステムの台帳化が難しい理由を理解することは、インベントリ構築に着手する前提として不可欠です。可視性の観点で、AIは従来型ソフトウェアのようには振る舞いません。既存ツールに組み込まれ、サードパーティAPI経由で動作し、調達プロセスを経由しない個々の従業員の判断を通じて増殖します。

シャドーAI

最も重要な発見上の課題は、シャドーAIです。これは、正式承認なしに従業員やチームが導入するシステムを指します。個人のクレジットカードでAI搭載コピーライティングツールを契約するマーケティングアナリスト、AI会議文字起こしサービスを利用する営業チーム、ブラウザ拡張機能を介して大規模言語モデルを試す財務チーム。これらはいずれも、ガバナンス枠組みの外で組織データを処理するAIシステムです。

SaaSプラットフォームに組み込まれたAI

主要なエンタープライズソフトウェアベンダーは、既存製品にAI機能を驚異的な速度で統合しています。予測リードスコアリングを導入したCRMプラットフォーム、履歴書スクリーニングを追加したHRシステム、自動応答生成を展開したカスタマーサポートツール。これらはAIシステムですが、新規調達ではなく機能アップデートとして提供されることが多く、従来のソフトウェア監査では見落とされがちです。

ベンダーおよびサードパーティAI

組織が、サービス提供にAIを利用するベンダーと契約する場合、EU AI Actのような規制枠組みの下では、当該AIシステムのデプロイヤーに該当する可能性があります。AIで候補者を選別するバックグラウンドチェック事業者、AIで申請をトリアージする保険請求処理アウトソーサー、AIで経路最適化を行う物流パートナー。いずれも、システムの存在把握から始まるガバナンス義務を生じさせます。

内製AI

データサイエンスチーム、イノベーションラボ、ソフトウェアエンジニアリング部門は、正式なリリース管理プロセスを通過しないままAIモデルを構築・展開する場合があります。本番環境に昇格したJupyterノートブック、部門サーバーで稼働する機械学習モデル、PoCから業務クリティカルへ進化したにもかかわらず正式に承認されていない自動意思決定スクリプトなどです。

発見の課題の本質は可視性にあります。従来のIT資産管理はAI向けに設計されておらず、多くの組織が依存するツールとプロセスでは、AIフットプリントの大半を見落とします。

AIインベントリで記録すべき項目

有用なAIインベントリには、網羅性と実用性のバランスが必要です。記録が少なすぎれば、リスク評価やコンプライアンスに不十分です。多すぎれば、保守負荷が増大してインベントリは劣化します。以下のテンプレートフレームワークは、規制要件、業界標準、実務上のガバナンス要件が求める項目を網羅しています。

基本識別項目

オーナーシップと説明責任

リスクおよびコンプライアンス分類

技術および運用の詳細

ライフサイクルとステータス

初回で全システムの全項目を埋める必要はありません。実務的には、受付時必須項目（システム名、オーナー、デプロイタイプ、リスク分類）と、初回ガバナンスレビューサイクルまで繰り延べ可能な項目を定義することが有効です。EnzaiのAIインベントリスキーマはこの段階的アプローチを実装しており、必須受付項目と段階的拡充項目を区別することで、チームがすべてを省略することも、200システムそれぞれに22項目フォームで硬直することも防ぎます。目標は、すべてを完璧に埋めるまで待つことではなく、構造を確立し、欠落を体系的に埋めることです。

発見手法

何を記録すべきかが明確になった次の問いは、組織内で稼働するすべてのAIシステムをどう見つけるかです。単一手法で完全網羅は実現できません。効果的な発見プログラムは、複数アプローチを組み合わせて運用します。

自動スキャンと技術的発見

ネットワークトラフィック分析により、OpenAI、Google、Anthropic、AWSなどの主要クラウドAIエンドポイントを含む既知AIサービス提供者へのAPIコールを特定できます。DNSログ、プロキシサーバー記録、CASB（Cloud Access Security Broker）ツールは、正式承認されていないAIサービス接続を検知できます。ソフトウェア構成分析は、内製アプリケーション内のAIライブラリやフレームワークを特定可能です。

Enzaiのようなプラットフォームを利用する組織は、自動発見機能をガバナンスワークフローへ直接統合でき、手作業負荷を軽減しつつ、新規検出システムを即時に分類・レビュー対象としてフラグ付けできます。

調達およびベンダー監査

調達記録、ソフトウェアライセンス契約、ベンダー契約を体系的にレビューすることで、正式チャネル経由で取得されたAIシステムを把握できます。多くのベンダーが従来非AI製品にAI機能を追加しているため、既存契約の遡及レビューも含めるべきです。調達部門には、AIまたは機械学習機能を含む新規取得案件を必ずフラグ付けするよう周知する必要があります。

従業員アンケートと自己申告

事業部門への直接的な働きかけは、シャドーAI発見において依然として最も効果的な手法の一つです。AI、機械学習、自然言語処理、自動意思決定に関わるツール・サービス・モデルの利用有無を尋ねる構造化アンケートは、技術スキャンでは検出できないシステムを一貫して顕在化させます。正直な開示を促すため、アンケートは取締りではなくガバナンス支援を強調する建設的な形で設計すべきです。

ベンダー質問票

既存のサードパーティ関係については、サービス提供でAIを利用しているか、利用している場合は種類と目的は何かを問うターゲット型質問票により、組み込みAIおよびサードパーティAIを特定できます。これは、ベンダーが顧客へ明示通知せずにAIを導入し得る業務委託領域で特に重要です。

ネットワークおよびAPIトラフィック分析

既知AIエンドポイントのスキャンに加え、APIトラフィックパターンの深掘り分析によって、非明示的チャネル経由で通信するAIシステムを発見できます。モデル推論呼び出しと整合するパターン、例えば外部エンドポイントへの構造化JSONペイロード送信やML推論特有のレイテンシプロファイルを監視することで、他手法が見落とすシステムを抽出可能です。

最も堅牢な発見プログラムは、これら手法を並行運用し、定期的に反復します。単発のスイープで大半は捕捉できますが、新規AIツール流入の速度に追随するには継続的発見が不可欠です。

インベントリプロセスの構築

AIインベントリの持続性は、それを支えるプロセスとガバナンス体制の強度に依存します。明確なオーナーシップ、部門横断の関与、定義済みワークフローがなければ、初期に綿密な台帳を作成しても数か月で劣化します。

オーナーシップの確立

AIインベントリは企業資産として、単一機能が責任を負う必要があります。多くの組織では、Chief AI Officer（存在する場合）、Chief Information Security Officer、Chief Compliance Officerのいずれかが担います。重要なのは、すべての事業部門に開示を求める十分な権限と、分類・リスク評価でエンジニアリングチームと議論できる十分な技術的信頼性を兼ね備えていることです。

部門横断の関与

インベントリプロセスには複数機能の積極的参加が必要です。

• ITおよびエンジニアリングは技術的発見能力を提供し、内製AIシステム、インフラ詳細、連携ポイントを特定できます。

• 調達は新規AI取得をフラグ付けし、既存ベンダー関係を遡及レビューします。

• 法務およびコンプライアンスは、EU AI Actリスク区分やデータ保護義務を含む規制要件に照らしてシステムを分類します。

• 事業部門リーダーは、自部門で利用中のAIツールを特定し、各システムのビジネスオーナーを割り当てます。

• データ保護 / プライバシーは個人データ処理を評価し、GDPRおよび同等枠組みとの整合を確保します。

• 内部監査はインベントリの完全性と正確性を定期的に検証します。

受付ワークフローの定義

調達・内製・スキャン発見を問わず、すべての新規AIシステムは標準化された受付ワークフローを通過すべきです。このワークフローには、初期登録（基本識別項目の入力）、予備的リスク分類、ビジネス/技術オーナーの割当、完全なガバナンスレビューのスケジューリングを含める必要があります。受付プロセスは、回避インセンティブを生まない軽量性と、基本ガバナンス文書なしに本番投入されるシステムを防ぐ厳格性を両立すべきです。

ガバナンス・ケイデンスの設定

インベントリは最低でも四半期ごとに正式レビューする必要があります。各レビューでは、完全性（前回以降の新規システム追加有無）、正確性（既存システム情報の最新性）、コンプライアンス態勢（承認済みリスク範囲外で稼働するシステムの有無）を評価します。

明確なオーナーシップのないプロセスは、願望にすぎません。オーナーシップ、部門横断の合意、定義済みケイデンスを備えたプロセスこそが、ガバナンスプログラムです。

インベントリの継続的維持

初期構築は課題の半分に過ぎず、比較的容易な側面です。正確で生きたインベントリを維持するには、トリガー、自動化、そして組織全体の変更管理との統合が必要です。

インベントリ更新のトリガー

以下のいずれかの事象が発生した場合、インベントリを更新すべきです。

• 新規AIシステムが調達、構築、またはデプロイされた場合

• 既存システムに重大な変更が加えられた場合（新データソース、意思決定範囲変更、モデル再学習）

• システムが廃止または停止された場合

• ベンダーが既存製品へのAI機能追加を通知した場合

• 規制変更により既存システムのリスク分類が変わる場合

• AIシステム関連インシデントが報告された場合

• 組織再編によりシステムのビジネスオーナーが変更された場合

継続的発見

技術的発見手法は、定期実施ではなく継続運用すべきです。AI APIトラフィックの自動スキャン、新規AI SaaSツールに対するCASBアラート、新リリース内AIコンポーネントを検知するソフトウェアデプロイパイプライン連携は、システム導入からインベントリ反映までの遅延を縮小します。

変更管理との統合

AIインベントリは既存の変更管理およびITサービス管理プロセスに組み込むべきです。変更諮問委員会では、AIインベントリへの影響を標準評価項目とします。ソフトウェアデプロイプロセスにはAIコンポーネント確認を組み込みます。ベンダー管理ワークフローには、契約およびレビューの標準要件としてAI開示を含めます。

版履歴と監査証跡

インベントリエントリへのすべての変更は、タイムスタンプ、変更者の識別情報、更新理由とともに記録すべきです。この監査証跡は単なるベストプラクティスではありません。複数の規制枠組みで明示要件であり、監査人および監督当局から期待されます。

保守こそが、多くのAIインベントリが失敗する局面です。成功する組織は、インベントリを年次見直しの静的文書としてではなく、運用ワークフローに統合された生きたシステムとして扱います。

よくある落とし穴

十分なリソースを持つ組織であっても、AIインベントリの構築と維持では予測可能な失敗パターンに直面します。これらを事前に認識することで、持続可能な成果の確度は大幅に高まります。

AIの定義が狭すぎる。 インベントリ対象を「機械学習モデル」に限定する組織は、ルールベースの自動意思決定システム、認知要素を伴うRPA、業務全体で非公式に使われる生成AIツールを見落とします。インベントリ目的で何をAIシステムとみなすかは、EU AI Actの広範な定義付け [1] など、規制定義に整合した意図的に広い定義とすべきです。

インベントリをITプロジェクトとして扱う。 インベントリをITのみが保有すると、事業部門側のAI導入は体系的に過少報告されます。逆に、コンプライアンスのみが保有すると、技術詳細は疎で信頼性が低下します。部門横断オーナーシップは任意ではありません。

初回で完璧を目指す。 公開前に全システムの全項目入力を要求する組織は、インベントリを永遠に公開できません。実務的アプローチは、初期構築で部分的記録を受け入れ、その後のレビューサイクルで欠落を埋める構造化プログラムを実装します。

ベンダーAIを軽視する。 組織に最大の影響を与えるAIシステムは、しばしばサードパーティ運用のものです。背景調査提供者のAI、信用スコア機関のモデル、クラウドプラットフォームの自動セキュリティ機能。可視性が低い分、内製システムと同等、場合によってはそれ以上のガバナンス注意が必要です。

インベントリを行動に結び付けない。 年次レビューされるだけのスプレッドシートとして存在し、リスク評価、インシデント管理、規制報告プロセスと分断されたAIインベントリは、ガバナンス価値がほぼありません。インベントリはAIガバナンスプログラムの付録ではなく、運用上の中核基盤でなければなりません。

保守負荷を過小評価する。 多くの組織におけるAI導入速度を踏まえると、能動的な保守プロセスがなければ、本日完成したインベントリは3〜6か月で実質的に不完全になります。組織は初期構築だけでなく、継続的維持に対しても予算化すべきです。

ガバナンス価値を生むAIインベントリと形骸化するAIインベントリの差は、初期台帳の精緻さではありません。最新性を維持し、意思決定と接続し続けるプロセスの厳格さです。

実務上の示唆

規制の方向性は明確です。EU AI Act、ISO 42001、NIST AI RMF、そして拡大する業種別監督期待は、同一の基盤要件へ収斂しています。すなわち、組織は自社が保有するAI、その稼働場所、責任主体、提示されるリスクを把握しなければなりません。この能力の構築コストは、先送りするほど増大します。なぜなら、あらゆる企業でAIシステム数の増加速度が、遡及的に台帳化する能力を上回るためです。

不完全な初回であっても今すぐ着手する組織は、規制期限まで待って行動を迫られる組織より、実質的に有利な立場に立てます。本ガイドで示したテンプレートフレームワーク、発見手法、プロセス設計は、具体的な出発点を提供します。

AIガバナンス、リスク、コンプライアンスに特化したプラットフォーム上でAIインベントリを運用化したい組織に対し、Enzaiは発見、分類、継続的保守のための構造化アプローチを提供します。実運用での仕組みをご覧いただくには、デモを予約するをご利用ください。

参考文献

[1] European Parliament and Council of the European Union, "Regulation (EU) 2024/1689 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act)," Official Journal of the European Union, August 2024.

[2] International Organization for Standardization, "ISO/IEC 42001:2023 - Information technology - Artificial intelligence - Management system," December 2023.

[3] National Institute of Standards and Technology, "Artificial Intelligence Risk Management Framework (AI RMF 1.0)," NIST AI 100-1, January 2023.

[4] Bank of England, FCA, PRA, and PSR, "Artificial intelligence and machine learning," DP5/22, October 2022; PRA, Supervisory Statement SS1/23, 2023.

[5] McKinsey and Company, "The State of AI in Early 2024: Gen AI Adoption Spikes and Starts to Generate Value," May 2024.