シャドーAI（シャドー人工知能）は、すでにすべての主要な大企業に潜んでいます。今この瞬間も、社内のどこかで従業員が機密性の高い契約書の文面をChatGPTに貼り付けていたり、プロダクトマネージャーが顧客データをAI要約ツールに投入していたり、財務アナリストがIT部門が承認も、トレーニングも、存在の把握すらしていないCopilotのプラグインを使用していたりします。これらは決して仮定の話ではありません。Salesforceによる2024年の調査では、職場での生成AI利用者の半数以上が、雇用主によって承認されていないツールを使用していることが明らかになりました [1]。非認可の利用はその性質上、実態の測定が困難であることを考えると、実際の数値ははるかに高いと見積もる見方もあります。

従業員がIT、セキュリティ、コンプライアンス部門の目の届かない場所でAIツールを採用するこの現象は、その前身となった問題から名を取って「シャドーAI」と呼ばれています。この呼び名は馴染みのある「シャドーIT」の概念を想起させますが、そこから生じるリスクの本質は大きく異なり、法的規制によるリスクも大きく、ガバナンスを適切に構築するための猶予は急速に失われつつあります。

シャドーAIの具体的な実装形態

シャドーAIを管理する上での最初の課題は、それがいかに普及し、多様化しているかを認識することです。最も顕著な形態は、消費者向けのAIサービス（ChatGPT、Google Gemini、AnthropicのClaude、Perplexity、その他多数の小規模なツール）の直接利用です。従業員は個人のメールアドレスで登録し、無料枠を利用して、数分以内に業務データの処理を開始します。調達プロセスが実行されることも、セキュリティ審査が行われることもありません。

しかし、直接の利用は氷山の一角に過ぎません。現在、組織がすでに費用を支払っているツールの中にも、自動的に、あるいはワンクリックで起動するAI機能が組み込まれています。Notion、Canva、Grammarly、Slack、Zoom、Microsoft 365、Google Workspaceはすべて、AI機能を搭載しています。マーケティングチームのメンバーがCanvaのAI画像生成機能を使用したり、営業担当者がZoomの通話録音で「AI要約」をクリックしたりするとき、彼らは企業のデータを用いてAIモデルを呼び出しています。多くの場合、それがAIの利用に該当することさえ自覚していません。

第三のレイヤーは、ブラウザの拡張機能やプラグインです。Chromeウェブストアなどのマーケットプレイスには、執筆支援、メールの下書き、データ抽出、コード生成を目的とした、AI搭載の拡張機能が数多く存在します。これらの拡張機能は、ページ内容を読み取り、フォームデータをインターセプトして、外部サーバーに情報を送信することができます。ほとんどの組織は、従業員がどのような拡張機能をインストールしているかを把握していません。

これらの効果が積み重なった結果、組織のガバナンス、リスク、コンプライアンスを管轄する部門が関知できず、評価も制御もできない数十、あるいは数百ものAIシステムが稼働することになります。

シャドーAIが、単なる別の呼び名の「シャドーIT」ではない理由

シャドーAIを、セキュリティチームが長年対処してきたシャドーIT問題のサブカテゴリーとして処理したくなるかもしれません。確かに「従業員がガバナンスの追いつかない速度で技術を採用する」というパターンは同様です。しかし、リスクプロファイルはいくつかの重要な点で大きく異なります。

データの永続性とモデルのトレーニング

従業員が未承認のファイル共有サービスに文書をアップロードした場合、データのリスクは「封じ込め」にあります（誰がそのファイルにアクセスできるか、また削除可能か）。しかし、多くのAIサービスでは、リスクはそれ以上に及びます。プロバイダーの利用規約や、従業員が使用している特定のプランによっては、入力データがモデルのトレーニングやファインチューニングに使用される可能性があります [2]。ひとたびデータがトレーニングのパイプラインに入ると、それを取り出す仕組みはありません。その情報はモデルのパラメータの一部となり、数十億ものウェイトの中に拡散します。従来のデータ損失防止（DLP）のアプローチは、データを特定して削除できることを前提としています。AIのトレーニングデータとして取り込まれた場合、その前提は崩壊します。

出力リスク

シャドーITは通常、データの保存、移動、表示を行うツールに関わります。一方、AIツールは新しいコンテンツを生成し、そのコンテンツが誤っている可能性があります。従業員が未認可のAIツールを使用して、規制当局への提出文書の下書きを作成したり、法的契約書を要約したり、財務予測を生成したりした場合、ハルシネーション（誤出力）が正式なビジネス意思決定に紛れ込むおそれがあります。組織は、AIが生成したとは知らなかった出力や、存在すら知らなかったツールによって作成された出力に対して責任を負うことになるのです。

バイアスと差別への露出

AIシステムは、法的に保護された特性に基づいて識別・差別的な出力を生成することがあります。人事チームが未承認のAIツールを使用して履歴書の審査や求人票の下書きを作成している場合、組織は監査証跡のないまま採用決定にバイアスを持ち込んでいる可能性があります。そのツールを誰かが承認したかどうかにかかわらず、法的責任は組織に帰属します。

導入スピードの驚異的な速さ

従来のシャドーITは、ソフトウェアのダウンロードやアカウント作成のペースで普及しました。一方、シャドーAIはブラウザのタブを開く速さで普及します。多くのAIツールは、インストールも、アカウント登録も、支払いも必要ありません。従業員は、興味を抱いてから60秒未満で機密データの処理を開始することができます。

シャドーAIは単にシャドーIT問題を拡張するだけではありません。独自のガバナンス対応を必要とする、質的に異なるカテゴリーのリスクをもたらします。

可視化を求める規制面からの論理

未評価のテクノロジーのリスクをある程度許容している組織であっても、現在の規制がより高い基準のAI可視化を要求していることに気づき始めています。

2024年から段階的に適用が開始された「EU AI法（EU AI Act）」は、AIシステムのプロバイダーとデプロイヤー（展開者）の両方に義務を課しています [3]。プロバイダーはシステムをリスク層によって分類し、高リスクシステムについては第9条から第15条への準拠を確保しなければなりません。高リスクAIシステムのデプロイヤーは、プロバイダーの指示に従ったシステムの利用、人間による監視の割り当て、ログの保持、インシデントの報告など、第26条に基づく独自の義務を負います。低リスクシステムのデプロイヤーであっても、第50条に基づく透明性確保の義務に直面します。これらの義務は、組織の関知しないところで稼働しているシステムに対しては果たすことができません。

AI管理システムの国際規格であるISO/IEC 42001は、AIインベントリの策定を根本的な要件としています [4]。特定、評価、文書化されていないAIシステムを運用しながら、規格への適合を主張することはできません。

米国においては、NIST（米国国立標準技術研究所）の「AIリスクマネジメントフレームワーク（AI RMF 1.0）」が、AIリスクを管理するための前提条件としてAIシステムを「マッピング」する必要性を同様に強調しています [5]。金融サービス、ヘルスケア、政府調達の規制当局からの大統領令やセクター別のガイダンスも、すべて「組織は自信が使用しているAIを把握しなければならない」という同様の期待に収束しつつあります。

規制の論理は極めて明快です。発見なくしてリスク分類は成り立ちません。不可視のシステムにコンプライアンス義務を適用することは不可能です。自社のAI利用インベントリを提示できない組織は、不十分なガバナンス状態にあるのではなく、ガバナンスが不可能な状態にあります。Enzaiのようなプラットフォームは、まさにこのギャップを埋め、現在の規制が求める継続的な発見と分類の機能を提供するために存在しています。

未知の領域を明らかにする

シャドーAIにガバナンスが必要であることを受け入れるのは容易ですが、それを「発見」することのほうが困難です。単一の技術で完全な可視性を得ることはできないため、効果的な発見には、複数の補完的な手法が必要となります。

ネットワークトラフィックとDNS分析

AIサービスは、特徴的なネットワークトラフィックのパターンを生成します。DNSクエリやHTTP/HTTPSトラフィックを監視し、既知のAIサービスのドメイン（api.openai.com、generativelanguage.googleapis.com、api.anthropic.comなど）への接続を監視することで、従業員がどのサービスにアクセスしているかの基本情報を得ることができます。この方法は、消費者向けAIの直接利用には効果的ですが、承認済みSaaSツールに組み込まれたAIには効果が薄い場合があります（API呼び出しがサーバー側で行われる可能性があるため）。

SSOと認証ログの分析

多くのAIサービスはシングルサインオン（SSO）をサポートしています。従業員が個人のアカウントを使用している場合でも、IDプロバイダーの認証ログから、AIサービスへのOAuth同意授与を検出できます。Google WorkspaceやMicrosoft Entra IDを通じて付与されたOAuthアプリケーションの権限を確認することで、従業員が社内アカウントに紐づけたAIツールを特定できることがよくあります。

調達および経費監査

一部のシャドーAIの利用は、財務的な痕跡を残します。従業員や部門の予算管理者がAIツールのサブスクリプションを経費精算したり、コーポレートカードで有料プランを購入したり、AIサービスの請求書を提出したりすることがあります。既知のAIベンダー名を特定して経費レポートや調達記録を詳細に確認することで、正規の調達ルートを回避した有料利用を特定できます。

従業員による申告プログラム

技術的な発見手法には常に死角が存在します。ペナルティを課さないことを前提に、従業員が業務で使用しているAIツールを自発的に報告する「自己申告プログラム」は、監視技術では届かない隙間を埋めてくれます。このプログラムの設計においては、従業員が処分を恐れるような状況にすると、申告率はゼロに近くなります。取り締まりではなく、あくまで「棚卸し」の取り組みとして文脈を提示することで、より優れた成果が得られます。

ブラウザ拡張機能の監査

管理対象デバイスやエンドポイント管理プラットフォームを使用している組織では、インストールされているブラウザの拡張機能を監査することで、AI搭載プラグインを可視化できます。多くのエンドポイント検出・対応（EDR）ツールは、拡張機能をリスト化できます。インストールされている拡張機能を、既知のAI搭載ツールのデータベースと照合することで、AI関連ドメインへの分かりやすいネットワークトラフィックを発生させないシャドー利用を特定できます。

APIトラフィックとデータフロー分析

より洗練された組織では、APIゲートウェイやデータ損失防止（DLP）ツールを導入し、AIサービスの利用と一致するパターン（外部エンドポイントに送信される大量のテキストペイロード、生成コンテンツのマーカーを含むレスポンス、主要なAIプロバイダーに関連するIPレンジへのトラフィックなど）を検出できます。このアプローチには投資が必要ですが、よりシンプルな手法では見落とされる利用を捉えることができます。

いかなる発見プログラムも、単一の手段に依存すべきではありません。最も効果的なアプローチは、複数の技術を何層にも重ね合わせ、発見を一限的な監査ではなく「継続的なプロセス」として扱うことです。EnzaiのようなAIガバナンスプラットフォームは、この多層的な発見を自動化し、ネットワーク、アイデンティティ、調達、エンドポイントデータにわたるシグナルを相互に関連付けることで、生きたインベントリ（台帳）を維持します。

「禁止」に頼らない、シャドーAIのガバナンス

発見は必要ですが、それだけでは十分ではありません。次に出てくる問いは、「見つかったものをどう扱うか」ですが、ここで多くの組織が戦略的な誤りを犯します。未認可のAI利用の規模に圧倒され、本能的に「禁止」に走ってしまうのです（ドメインのブロック、アクセスの取り消し、全面的な禁止令の立ち上げなど）。このアプローチが失敗する理由は3つあります。

第1に、禁止は利用をさらに地下へと追いやります。AIツールが本当に役立つと知っている従業員は、個人のデバイス、モバイルホットスポット、自宅のネットワークなどを使って回避策を見つけます。結果として得られるのは、利用の減少ではなく、可視性のさらなる低下です。

第2に、全面的な禁止は競争上のコストを伴います。従業員のAIツールの使用を妨げる組織は、競合他社が享受している生産性の向上を放棄することになります。McKinseyは2023年に、生成AIが世界の様々な業界における企業の利益を年間2.6兆〜4.4兆ドル押し上げる可能性があると推定しました [6]。その価値を放棄すること自体が大きなリスクと言えます。

第3に、禁止することは従業員に対し、組織がAIを「能力」ではなく「脅威」として捉えているというメッセージを発信することになり、長期的かつ責任あるAI導入に必要な企業文化の土台を静かに損なうことになります。

これに代わるアプローチが、AIの利用を遮断するのではなく、あるべき方向へ誘導する「構造化されたガバナンス」です。

申告期間の設定とベースラインの構築

効果的な出発点は、期間を限定した申告（アムネスティ）期間を設けることです。この期間中、従業員は、一切の規律上の処罰を受けないという明示的な保証のもとで、現在使用しているすべてのAIツールを申告するよう促されます。これにより、技術的な発見だけではカバーしきれない包括的なベースライン（現状把握）が確立されます。この猶予措置は、期間後の未申告の利用についてはポリシー違反として扱うという明確なアナウンスとセットで行われるべきです。

利用許諾方針（AUP：Acceptable Use Policy）

「承認」か「禁止」かの二者択一ではなく、先進的な組織では、AI利用のカテゴリーを定義した利用許諾方針を策定しています。そこには、どのデータ分類レベルであればAIツールで処理できるか、どの種類の出力であれば人間による確認が必須となるか、そしてAI生成コンテンツを正式な成果物に使用する際にどのような開示義務が発生するか、などが規定されます。

承認済みツールリストと「舗装された道路（Paved Road）」の提供

プラットフォームエンジニアリングから借用した「舗装された道路（Paved Road）」の概念は、シャドーAIのガバナンスにおいて特に効果的です。障壁を築く代わりに、組織は「進むべき、整備されて歩きやすい道」を構築します。これは、セキュリティとコンプライアンスの要件を満たし、適切なデータ取り扱い設定が事前構成され、社内のID管理と統合され、トレーニングやドキュメントによるサポート体制が整った、承認済みのAIツールを提供することを意味します。公認された選択肢が十分に使いやすいものであれば、非公認の代替手段を探そうとする動機は自然と薄れていきます。

サンドボックス環境

まだ承認リストにない新しいAIツールや機能を試験的に使用するために、組織は、従業員が合成データや非機密データを用いてツールをテストできる「サンドボックス（検証）環境」を提供できます。これにより、データの漏洩リスクを封じ込めつつ、探索によるイノベーションのメリットを維持できます。

継続的なレビューとフィードバック

静的なまま変化しないガバナンスフレームワークは、やがてただの障害物になります。承認ツールリストを定期的に見直し・更新するサイクルを確立し、従業員のフィードバックを反映させ、新しいツールを評価していくことで、ガバナンスの枠組みがAI開発の目まぐるしい進歩と同じようなスピードで進化し続けるようにします。

目標は、AI利用に伴うあらゆるリスクを完全に排除することではなく、管理されたルートを明らかに優れた状態にすることで、管理外の利用を不要にすることです。

持続可能なディスカバリー（発見）プロセスの構築

一回限りの発見の取り組みでは、一時点のスナップショットしか得られません。シャドーAIは、毎週のように新しいツールが登場し、既存のツールにAI機能が追加され、従業員が役割を変えて新しいワークフローを採用する、継続的な現象です。持続可能な発見プロセスは、継続的であり、かつ組織全体のプロセスに統合されていなければなりません。

調達プロセスとの連携

AIの発見は、調達ワークフローに組み込まれるべきです。新しいSaaSツールを評価する際には、組み込まれているAI機能、AI機能におけるデータ処理方針、モデルのトレーニング方針の評価を必ず含める必要があります。調達チームは適切な質問を投げかけるためのトレーニングとチェックリストを必要とします。なぜなら、ベンダーは自社の販売資料でAI機能を必ずしも前面に出しているとは限らないからです。

オンボーディングと人事異動への統合

新入社員は、前職でのAIの使用習慣を持ち込みます。オンボーディング（入社時研修など）プロセスには、AI利用の自己申告ステップと、組織のAIガバナンスフレームワークおよび承認済みツールの紹介を含めるべきです。同様に、従業員が異動して新しいデータ分類にアクセスできるようになる際には、その従業員に対するAIツールの承認状況を再確認する必要があります。

コンプライアンスだけでなく、チェンジマネジメント（変革管理）の実践

持続可能なシャドーAIガバナンスには、単なるポリシーの執行ではなく、企業文化の変革が必要です。従業員は、なぜAIガバナンスが存在するのかを理解する必要があります。それは官僚的なオーバーヘッドではなく、組織、顧客、そして従業員自身を守るためのものです。トレーニングプログラムは、実用的でシナリオ重視の、進化するツールの状況を反映して定期的に更新されるものであるべきです。

メトリクス（指標）と分析報告

測定できるものだけが管理できます。組織は、検知されたシャドーAIの発見率の推移、新しく発見されたツールがガバナンス下に置かれるまでの時間、承認済みツールに対する従業員の満足度、ポリシーの例外申請数などを追跡する必要があります。これらの指標は、ガバナンスが現場の導入スピードに遅れを取っている時や、承認済みツールが従業員のニーズを満たせていない時に、早期警告を発してくれます。

経営陣による執行責任

シャドーAIのガバナンスは、IT部門や情報セキュリティ部門だけで完結できるものではありません。最高AI責任者（CAIO）やそれに準ずる役職など、経営陣による強力な後援（スポンサーシップ）と、AIインベントリの網羅性およびガバナンス浸透に対する明確な責任体制が必要です。リスクを真摯に受け止める組織の間では、取締役会レベルへのAIガバナンス状況の報告が標準的な実務となっています。

継続的で、統合され、測定可能で、経営陣の後援を得た発見プロセスがあれば、一過性の監査で見落としていたものを捉え、次の四半期のAIの動向にも適応できます。

実務的な示唆

シャドーAIは、自然に解決する問題ではありません。対処を怠れば、さらなるツールの増加、さらなるデータ露出、さらなる規制リスク、そして検証されていないAIの出力に基づいたさらなる意思決定というように、リスクは複利的に増大します。この状況をうまく管理できる組織は、発見を一限的なプロジェクトではなく「継続的な業務能力」として扱い、禁止ではなく支援を通じて統治し、その両方を維持するために組織文化と業務プロセスのインフラに投資する組織です。

今後の実質的な道筋は明確です。多層的なプロセスを通じて可視性を確立すること。従業員が自発的に従いたくなるようなガバナンスを構築すること。調達、オンボーディング、チェンジマネジメントの業務サイクルにAI監視を統合すること。そして進捗を測定し、リーダーシップ層に説明責任を持たせることです。

その場しのぎの対応から脱却し、構造化されたシャドーAIガバナンスの構築へ進む準備ができている組織に向けて、Enzaiは、非認可のAIの利用をコントロール下へと移行させるプラットフォームを提供します。継続的な発見から、インベントリ構築、ポリシー管理、コンプライアンスレポートまでをお手伝いします。実務においてどのように機能するか、ぜひデモをご予約のうえご確認ください。

Enzaiは、組織が抽象的なポリシーから具体的な運用の可視化へと移行できるよう支援する、業界最先端のエンタープライズ向けAIガバナンスプラットフォームです。弊社のAIリスク管理プラットフォームは、エージェンティックAIのガバナンスを管理し、包括的なAIインベントリを維持し、さらにEU AI法コンプライアンスを確実にするために必要な専門のインフラを提供します。複雑なワークフローを自動化することで、EnzaiはISO 42001やNISTなどのグローバルスタンダードとの整合性を維持しながら、企業が自信を持ってAIの導入規模を拡大できるよう支援します。

参考文献

[1] Salesforce, "The Promises and Pitfalls of AI at Work," Salesforce Research, 2024.

[2] OpenAI, "How your data is used to improve model performance," OpenAI Help Centre, updated 2025.

[3] European Parliament and Council, Regulation (EU) 2024/1689 laying down harmonised rules on artificial intelligence (EU AI Act), 2024.

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

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

[6] McKinsey Global Institute, "The economic potential of generative AI: The next productivity frontier," McKinsey & Company, June 2023.