多くの組織は、極めて単純に見える問いに答えられない。すなわち、現在、事業全体でいくつのAIシステムが稼働しているのか、という問いである。信頼できる回答を示せないこと、そして包括的なAIインベントリが存在しないことは、単なる事務上の不足ではない。これはコンプライアンス上の負債であり、リスク管理上の死角であり、また、世界各国の規制枠組みが任意のガイダンスから法的拘束力のある義務へ移行する中で、ますます維持困難な状況である。

2024年8月に発効し、2027年にかけて義務が段階的に適用されるEU AI Actでは、高リスクAIシステムの導入者に対し、当該システムをEUデータベース（第71条）へ登録し、対象範囲に含まれ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を維持することが求められる[1]。AIマネジメントシステムに関する国際規格であるISO/IEC 42001は、認証取得の前提条件として、組織が自社のAIシステムの適用範囲と文脈を文書化することを要求しており、体系的な台帳化を実務上の必須事項としている[2]。NISTのAIリスク管理フレームワークは、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ており、これが下流のあらゆるリスク測定と管理に連結される[3]。包括的なAIインベントリがなければ、これらいずれのフレームワークにも構造的に準拠することは不可能である。

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、最初に見える以上にはるかに複雑である。本ガイドは、何もない状態から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する。何を記録すべきか、中央統制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含む。

AIインベントリがガバナンスの基盤である理由

規制上の要請を別としても、完全なAIシステムインベントリは、ほぼすべての後続ガバナンス活動の前提条件となる。未知のシステムに対してリスク評価を実施することはできない。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を行うこともできない。IT部門が可視化できないAI主導のプロセスを、インシデント対応計画に織り込むこともできない。

インベントリなしで運用することの実務上の影響は、すでに明らかである。EU AI Actの対象となる組織は、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を負う[1]。ISO 42001の認証を目指す組織は、組織全体にわたってAIシステムを特定し管理するための体系的なプロセスを実証しなければならない[2]。イングランド銀行、FCA、欧州中央銀行を含む金融規制当局は、企業がどの意思決定がアルゴリズムやAIベースのツールの影響を受けているかを正確に把握していることを前提とする監督上の期待を示し始めている[4]。

この課題は、AI導入の速度によってさらに深刻化している。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、その導入は前年比でほぼ倍増、しかもその多くは中央の監督を受けないまま部門単位で進んでいる[5]。Enzaiのようなプラットフォームは、エンタープライズ規模で生きたAIインベントリを維持する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層で接続する。

AIインベントリは、コンプライアンスのチェック項目ではない。あらゆる他のガバナンス活動が依拠する唯一の成果物である。

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、インベントリの構築に着手する前に不可欠である。AIは、可視性の観点で従来型ソフトウェアのようには振る舞わない。既存ツールに埋め込まれ、第三者APIを介して動作し、調達部門を一度も通らない個々の従業員の判断によって拡散する。

シャドーAI

最も大きな発見上の課題はシャドーAIである。これは、正式な承認なしに従業員やチームが導入したシステムを指す。個人のクレジットカードでAI搭載の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通じ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、何らかのガバナンス枠組みの外で組織データを処理するAIシステムを意味する。

SaaSプラットフォームに埋め込まれたAI

大手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きた。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人事システム、自動応答生成を展開したカスタマーサポートツール。これらもAIシステムであるが、新規調達ではなく機能更新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えにくい。

ベンダーおよび第三者AI

組織が、サービス提供にAIを用い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、その組織が当該AIシステムの導入者となる可能性がある。候補者選考にAIを用いるバックグラウンドチェック事業者、申請の仕分けにAIを用いる保険請求処理の外部委託先、ルート最適化にAIを用いる物流パートナー。これらはいずれも、システムの存在を把握することから始まるガバナンス上の義務を生み出す。

社内構築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一度も通らないAIモデルを構築し、展開することがある。Jupyter notebookから本番移行したもの、部門サーバー上で稼働する機械学習モデル、概念実証から事業上重要なプロセスへと変質した自動意思決定スクリプトなどである。

発見の課題は、本質的には可視性の問題である。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やプロセスでは、自社のAIフットプリントの大部分を見落とす。

AIインベントリで記録すべき項目

有用なAIインベントリは、網羅性と実用性のバランスを取らなければならない。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となる。記録が多すぎれば、維持負担が増大し、インベントリは劣化する。以下のテンプレート枠組みは、規制要件、業界標準、そして実務上のガバナンスニーズが求める項目をカバーする。

基本識別項目

所有権と責任

リスクおよびコンプライアンス分類

技術および運用詳細

ライフサイクルとステータス

すべてのシステムについて、初回のインプット時点で全項目を埋められるとは限らない。実務的なアプローチとしては、受付時点で必須とする項目（システム名、オーナー、導入形態、リスク分類）と、最初の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望ましい。EnzaiのAIインベントリスキーマはこの階層型アプローチを実装しており、必須の受付項目と段階的な充実化項目を区別することで、各200システムに対して22項目のフォームを前に、チームがすべてを飛ばしてしまう、あるいは思考停止に陥ることを防いでいる。目的は、すべての項目を完璧に埋められるまでインベントリを遅らせることではなく、構造を確立し、欠落を体系的に補完することである。

発見手法

何を記録すべきかが明確になったら、次に問うべきは、組織内で稼働するあらゆるAIシステムをどのように見つけるかである。単一の手法で完全な網羅性を実現することはできない。効果的な発見プログラムは、複数のアプローチを組み合わせて用いる。

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、既知のAIサービスプロバイダーへのAPI呼び出しを特定できる。DNSログ、プロキシサーバーレコード、クラウドアクセスセキュリティブローカー（CASB）ツールは、正式に承認されていないAIサービスへの接続を検知できる。ソフトウェア構成分析により、社内開発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できる。

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に直接統合することで、必要な手作業を削減し、新たに検出されたシステムが即座に分類とレビューの対象としてフラグ付けされるようにできる。

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、正式なチャネルを通じて取得したAIシステムを把握できる。既存契約の遡及レビューも含めるべきである。多くのベンダーが、従来は非AI製品であったものにAI機能を追加しているためである。調達チームには、AIまたは機械学習機能を含む新規導入を必ずフラグ付けするよう周知すべきである。

従業員サーベイと自己申告

業務部門への直接的な働きかけは、シャドーAIを発見する最も有効な手法の一つであり続ける。AI、機械学習、自然言語処理、自動意思決定を含むツール、サービス、モデルの利用有無をチームに確認する構造化アンケートは、技術的スキャンでは検出できないシステムを一貫して明らかにする。アンケートは、取り締まりではなくガバナンス支援を強調する建設的な表現で設計し、正直な開示を促すべきである。

ベンダー質問票

既存の第三者関係については、サービス提供にAIが使われているか、使われている場合はどのような種類で、何の目的かを尋ねる的を絞った質問票によって、組み込みAIおよび第三者AIを特定できる。これは、外部委託された業務プロセスにおいて、ベンダーがクライアントへ明示通知することなくAIを導入する可能性があるため、特に重要である。

ネットワークおよびAPIトラフィック分析

既知のAIエンドポイントをスキャンするだけでなく、APIトラフィックパターンをより深く分析することで、目立たないチャネルを介して通信するAIシステムを明らかにできる。外部エンドポイントへ送信される構造化JSONペイロードや、ML推論に典型的な遅延特性を伴うものなど、モデル推論呼び出しに整合的なパターンを監視することで、他の手法では見逃されるシステムを発見できる。

最も堅牢な発見プログラムは、これらの手法を並行して実行し、定期サイクルで繰り返す。1回の一斉確認で大半のシステムは捕捉できるが、新たなAIツールが組織に入ってくる速度に追随するには、継続的な発見が必要である。

インベントリプロセスの構築

AIインベントリは、それを支えるプロセスとガバナンス構造が持続してこそ、初めて耐久性を持つ。明確なオーナーシップ、部門横断の関与、定義されたワークフローがなければ、どれほど入念に作成した初期台帳であっても数か月で劣化する。

オーナーシップの確立

AIインベントリという企業資産を、単一の機能が所有しなければならない。多くの組織では、これは3つの役割のいずれかに割り当てられる。Chief AI Officer（その役割が存在する場合）、Chief Information Security Officer、またはChief Compliance Officerである。重要なのは、すべての事業部門からの開示を強制できる十分な権限と、分類およびリスク評価に関してエンジニアリングチームと対話できる十分な技術的信頼性を、そのオーナーが持っていることである。

部門横断の関与

インベントリプロセスには、複数機能の積極的な参加が必要である。

• ITおよびエンジニアリングは、技術的な発見能力を提供し、社内構築AI、インフラ詳細、統合ポイントを特定できる。

• 調達は、新規AI導入をフラグ付けし、既存のベンダー関係を遡及的にレビューする。

• 法務およびコンプライアンスは、EU AI Actの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する。

• 事業部門責任者は、各チーム内で利用されているAIツールを特定し、各システムの業務上の責任者を任命する。

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

• 内部監査は、定期的にインベントリの完全性と正確性を検証する。

受付ワークフローの定義

調達、社内開発、またはスキャンによって発見されたあらゆる新規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ある。このワークフローには、初期登録（基本識別項目の入力）、予備的なリスク分類、業務オーナーと技術オーナーの割当て、そして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べきである。受付プロセスは、回避する動機を生まない程度に軽量であると同時に、いかなるシステムも基本的なガバナンス文書なしに本番へ入らないよう、十分に厳格でなければならない。

ガバナンスの頻度設定

インベントリは、少なくとも四半期ごとに正式レビューすべきである。各レビューでは、完全性（前回サイクル以降に新しいシステムが追加されていないか）、正確性（既存システムの詳細は依然として正しいか）、およびコンプライアンス状況（承認済みリスクパラメータの外で稼働しているシステムはないか）を評価する。

明確なオーナーシップのないプロセスは、単なる希望にすぎない。オーナーシップ、部門横断の合意、明確な頻度設定を備えたプロセスこそが、ガバナンスプログラムである。

時間経過に伴うインベントリの維持

初期構築は、課題のうち容易な半分にすぎない。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ある。

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ある。

• 新たなAIシステムが調達、構築、または導入された

• 既存システムが大幅に変更された（新しいデータソース、変更された意思決定範囲、モデル再学習）

• システムが廃止または停止された

• ベンダーが既存製品へのAI機能追加を通知した

• 規制変更により既存システムのリスク分類が変わった

• AIシステムに関するインシデントが報告された

• 組織再編によりシステムの業務責任が変更された

継続的発見

技術的発見手法は、定期的な作業ではなく継続的に実行すべきである。AI APIトラフィックの自動スキャン、新規AI SaaSツールに関するCASBアラート、新規リリース内のAIコンポーネントを検知するためのソフトウェア展開パイプラインとの統合は、システムが組織に入ってからインベントリに現れるまでの遅延を短縮するうえで寄与する。

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ある。変更諮問委員会には、標準評価項目としてAIインベントリへの影響を含めるべきである。ソフトウェア展開プロセスには、AIコンポーネントの有無確認を含めるべきである。ベンダー管理ワークフローには、標準の契約要件およびレビュー要件としてAIの開示を含めるべきである。

版歴と監査証跡

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、変更を行った人物の識別情報、更新理由とともに記録されるべきである。この監査証跡は、単に望ましい慣行というだけではない。複数の規制枠組みで明示的に要求されており、監査人および監督当局からも期待される。

維持管理こそが、多くのAIインベントリが失敗する局面である。成功する組織は、インベントリを年1回見直す静的文書ではなく、業務ワークフローに組み込まれた生きたシステムとして扱っている。

よくある落とし穴

十分な資源を持つ組織であっても、AIインベントリの構築と維持において予測可能な失敗パターンに直面する。これらの傾向を事前に認識することで、持続可能な成果を得られる可能性は大きく高まる。

AIの定義を狭くしすぎること。 「機械学習モデル」に限定してインベントリを作成する組織は、ルールベースの自動意思決定システム、認知要素を持つロボティック・プロセス・オートメーション、そして事業全体で非公式に利用される生成AIツールを見逃す。インベントリ目的でAIシステムに該当する範囲は、EU AI Actの広範な定義づけ[1]のように、意図的に広く、規制定義に整合させるべきである。

インベントリをITプロジェクトとして扱うこと。 インベントリがITのみの所有物であれば、業務部門におけるAI導入は体系的に過少報告される。逆に、コンプライアンスのみが所有していれば、技術詳細は乏しく信頼性も低くなる。部門横断のオーナーシップは任意ではない。

初回で完璧を求めること。 公開前にすべてのシステムの全項目を埋めることに固執する組織は、永遠にインベントリを公開できない。現実的なアプローチは、初期構築時に部分的な記録を受け入れ、その後のレビューサイクルで欠落を埋める体系的プログラムを実装することである。

ベンダーAIを軽視すること。 組織への影響が最も大きいAIシステムは、第三者が運用していることが少なくない。バックグラウンドスクリーニング事業者のAI、信用スコアリング機関のモデル、クラウドプラットフォームの自動セキュリティツール。これらは、可視性が低いぶん、社内構築システム以上にガバナンス上の注意を要する。

インベントリをアクションにつなげないこと。 スプレッドシートとして存在し、年1回レビューされるだけで、リスク評価、インシデント管理、規制報告プロセスと切り離されたAIインベントリは、ガバナンス価値がほとんどない。インベントリはAIガバナンスプログラムの業務基盤でなければならず、その付録であってはならない。

維持負担を過小評価すること。 多くの組織におけるAI導入速度を踏まえると、今日完成したインベントリは、積極的な維持プロセスがなければ3〜6か月以内に大きく不完全になる。組織は、初期構築だけでなく、継続的な保守にも予算を割くべきである。

AIインベントリがガバナンス価値を生み出すか、それとも埃をかぶるかの違いは、初期台帳の精巧さではない。それを最新に保ち、意思決定と接続し続けるプロセスの厳格さである。

実務上の含意

規制の方向性は明白である。EU AI Act、ISO 42001、NIST AI RMF、そして拡大する業種別の監督上期待はすべて、同じ基盤要件に収束している。すなわち、組織は自社が保有するAI、稼働場所、責任者、そしてもたらすリスクを把握していなければならない。時間が経つほど、この能力を構築するコストは増大する。なぜなら、あらゆる企業内でAIシステムの量は、後追いで台帳化する能力よりも速く増えるからである。

今すぐ着手する組織は、たとえ初回が不完全であっても、規制期限を待って行動を迫られる組織よりも、実質的に有利な立場に立てる。本ガイドで示したテンプレート枠組み、発見手法、プロセス構造は、具体的な出発点を提供する。

AIガバナンス、リスク、コンプライアンスのために特化して構築されたプラットフォーム内でAIインベントリを運用したい組織に対して、Enzaiは発見、分類、継続的保守のための体系的なアプローチを提供する。デモを予約することで、実際の動作をご確認いただける。

参考文献

[1] 欧州議会および欧州連合理事会、「人工知能に関する調和規則を定める規則（EU）2024/1689（人工知能法）」、『欧州連合官報』、2024年8月。

[2] 国際標準化機構、「ISO/IEC 42001:2023 - 情報技術 - 人工知能 - マネジメントシステム」、2023年12月。

[3] 米国国立標準技術研究所、「人工知能リスク管理フレームワーク（AI RMF 1.0）」、NIST AI 100-1、2023年1月。

[4] イングランド銀行、FCA、PRA、PSR、「人工知能と機械学習」、DP5/22、2022年10月；PRA、監督声明SS1/23、2023年。

[5] McKinsey and Company、「2024年初頭におけるAIの現状：生成AIの導入が急増し、価値創出が始まる」、2024年5月。