AIモデルが実際には正であるインスタンスに対して誤って負のクラスを予測する場合（タイプIIエラー）。
これは、モデルが実際に該当するケースを見逃した場合に発生し、不正、セキュリティ、または医療診断の領域では重大なリスクとなります。偽陰性は、脅威の未検知や必要な介入の機会損失につながる可能性があります。ガバナンスにおいては、再現率を継続的に監視し、許容可能なリスク水準を定義するとともに、見逃し事象を捕捉するための二次的なチェックや監視（例：異常検知）を実装することが不可欠です。
がん検診AIにおいて、偽陰性率が2%であるということは、100件の腫瘍のうち2件が検出されないことを意味します。ある病院では、信頼度の低いスキャンに対して手動のダブルリード（2名読影）プロセスを導入し、モデルの判定しきい値を引き下げることで、偽陽性がわずかに増加する代わりに、偽陰性率を1%まで低減しました。その後、この調整の有効性を検証するために、患者アウトカムの追跡を行っています。
