AIガバナンスとは？AI事業者ガイドラインとAI倫理の論点を解説

どーも、りけーこっとんです。

「AIガバナンスって、具体的に何をすればいいの？」「AIのガイドラインがたくさんあって、どれが何だか分からない」

このような、G検定のAI倫理の範囲で迷っている方はいないでしょうか？

この記事では、AIを安心して使うためのルールと、その運用の仕方を解説します。

国内外のガイドラインと、ハードロー・ソフトロー、リスクベースアプローチといった考え方、透明性・環境・労働・軍事利用などのAI倫理の論点、そして倫理アセスメントや監査といった、会社で行うAIガバナンスの実践まで整理しました。

（2026年10月更新：G検定の現行シラバス（2024年第6回から適用）に合わせて内容を見直しました。）

この記事の要点

• AI倫理はAIを使うときに守るべき考え方、AIガバナンスはそれを組織で実践するための仕組み
• 日本は「人間中心のAI社会原則」や「AI事業者ガイドライン」などのソフトロー、EUは「AI法」というハードローが中心
• リスクベースアプローチは、AIのリスクの大きさに合わせて、ルールの厳しさを変える考え方
• AIガバナンスの実践には、AIポリシー、倫理アセスメント、人間の関与、モニタリング、監査などがある

手元に公式テキストが1冊あると、この記事で扱う用語をシラバスの言葉づかいのまま確かめられます。

この記事は、現行シラバスでは第10章「国内外のガイドライン」「透明性」「環境保護」「労働政策」「その他の重要な価値」「AIガバナンス」の範囲です（シラバスはJDLAの公式ページで確認できます）。G検定の範囲全体を一覧で見たい方はG検定チートシートもどうぞ。

この記事では、文字の装飾を次の3段階にそろえています。試験直前は赤太字だけ拾い読みしても要点がつかめます。

• 赤太字（超重要）：試験で正解を決める決め手。年号・人物・数字・違いのポイント
• 青色マーカー＋太字（重要）：用語の定義。「〇〇とは」の一文
• 太字（覚えておきたい）：あわせて覚えたい関連用語や覚え方

AI倫理とAIガバナンスとは

AI倫理とは、AIを研究・開発して社会で使うときに、人として守るべき考え方や価値のことです。

例えば「AIで人を差別しない」「プライバシーを守る」「AIの判断を説明できるようにする」といったことですね。

AIガバナンスとは、AI倫理などの考え方を守りながらAIを使えるように、組織の中でルールや体制を作って、管理・運用していくことです。

AIの扱い方は、社会全体で「どう扱おうか？」と悩んでいる最中です。
新しいルールが次々に生まれていて、ルールを破ってしまうと、罰則や信頼の低下につながります。

AI倫理という「考え方」を、AIガバナンスという「仕組み」で実際の行動に落とし込む、というイメージで覚えておきましょう。

会社全体を正しく経営するための仕組みとしては、もともと次の2つがあります。

• コーポレートガバナンス：企業の経営を監視する仕組み。「会社は経営者のものではなく、資本を出している株主のもの」という考え方に基づき、社外取締役や社外監査役などが不祥事を防ぐ
• 内部統制：企業がきちんと機能するように作られた社内の仕組みやルール。AIやDXの状況は日々変わるので、それに合わせて内部統制の更新をしていくことが大切

AIガバナンスは、こうした会社の仕組みの中に、AIならではのリスクへの対応を組み込んでいくものなんですね。

国内外のガイドライン

AIを扱う会社・個人・政府には、よりどころとなる原則や指針が必要です。

前もって決めた指針がなければ、問題が起きたときに対応が追いつかず、炎上して信頼を落とすことにもなりかねません。主なガイドラインを見てみましょう。

名前	作ったところ	ポイント
人間中心のAI社会原則	日本政府（内閣府、2019年3月）	人間中心など7つの原則。公平性・説明責任・透明性（FAT）を含む
OECD AI原則	OECD（2019年5月）	各国の政府が合意した初めてのAIの国際的な原則
AI事業者ガイドライン	総務省・経済産業省（2024年4月）	AIの開発者・提供者・利用者がそれぞれ取り組むことをまとめたもの
広島AIプロセス	G7（2023年）	生成AIのルール作りについての国際的な枠組み
AI法（AI Act）	EU（2024年8月発効）	リスクの大きさでAIを分けて規制する、世界初の包括的な法律

AI事業者ガイドラインは、それまで分かれていたAIの開発や利用に関するガイドラインを1つにまとめたもので、2025年3月に第1.1版に更新されています。

また日本では、2025年にAIの研究開発と活用を進めるためのAI推進法が成立しました。

企業の取り組みとしては、Partnership on AIがあります。

AIのよい使い方（ベストプラクティス）を作って共有するための非営利団体で、2016年に、Amazon・Facebook・Google・IBM・Microsoftの5社で立ち上げられました。

公平性・透明性・説明責任のあるAIのガイドライン作りなどに取り組んでいます。

価値原則とは

価値原則とは、AIを開発・利用するときに大切にすべき価値を、原則としてまとめたものです。

国や団体によって表現は少しずつ違いますが、多くのガイドラインに共通しているのは、人間中心・公平性・透明性・説明責任・プライバシー・安全性・セキュリティなどです。

特に、公平性（Fairness）・説明責任（Accountability）・透明性（Transparency）の3つは、頭文字を取ってFATと呼ばれ、G検定でもよく出てきます。

ハードローとソフトロー

ハードローとは、守らなければ罰則があるなど、法的な拘束力を持つルールのことです。

法律がこれに当たります。

ソフトローとは、法的な拘束力はないけれど、守ることが望ましいとされるルールのことです。

ガイドラインや業界の自主ルールがこれに当たります。

比べるところ	ハードロー	ソフトロー
拘束力	ある（違反すると罰則など）	ない（自主的に守る）
変化への対応	法律を変えるのに時間がかかる	技術の変化に合わせて柔軟に変えやすい
例	EUのAI法	日本のAI事業者ガイドライン

AIの技術はとても速く進むので、日本はソフトローを中心に、柔軟にルールを作っていく方針をとっています。

一方、EUはAI法というハードローで、はっきりした規制をかけているんですね。

リスクベースアプローチとは

リスクベースアプローチとは、AIがもたらすリスクの大きさに合わせて、ルールの厳しさや対策の度合いを変える考え方のことです。

すべてのAIを同じように厳しく規制すると、リスクの小さいAIの開発まで止まってしまいますよね。

そこで、リスクが大きいAIほど厳しく、小さいAIほどゆるやかにします。EUのAI法では、AIを次の4つのレベルに分けています。

リスクのレベル	例	ルール
許容できないリスク	人の行動を操作するAI、国による社会的な信用スコア	禁止
高リスク	採用の選考、医療機器、重要なインフラに使うAI	厳しい義務（リスク管理、記録、人による監視など）
限定的なリスク	チャットボット、ディープフェイク	AIであることを知らせる義務
最小のリスク	迷惑メールのフィルター、ゲームのAI	特になし

EUのAI法は、2025年2月から禁止のルールが、2025年8月から汎用AIモデルのルールが適用されています。

高リスクのAIのルールについては、適用を遅らせる見直しが議論されているので、最新の情報を確認しておきましょう。

透明性｜説明可能性・ブラックボックス・データの来歴

透明性とは、AIがどのようなデータや仕組みで、どのように判断しているのかを、利用者や社会に分かるようにしておくことです。

ディープラーニングのモデルは、内部の計算がとても複雑で、なぜその判断をしたのかを人が理解しにくいですよね。このような状態をブラックボックスと言います。

そこで、AIの判断の理由を人が理解できるように示すこと（説明可能性）が求められています。説明可能性を高める技術（XAI）はXAIの記事で解説しています。

また、学習に使ったデータが、どこから、どのように集められ、どう加工されたのかという記録（データの来歴）を残しておくことも、透明性のために大切です。

会社が利用者のデータをどのように集めて使っているかを公開することも、透明性を確保する取り組みの1つです。

これを実施状況の公開と言います。社会に対して説明責任を果たすことで、炎上を防ぐことにもつながります。

透明性レポートとは、企業が利用者のデータをどのように集めて使っているか、政府などからデータの開示を求められた件数などを公開する報告書のことです。

実施状況の公開を、具体的な報告書の形にしたものと覚えておきましょう。
日本でもサイボウズなどの企業が公開しています。

環境保護｜気候変動とモデル学習の電力消費

モデル学習の電力消費とは、AIのモデルを学習させたり動かしたりするときに、コンピュータが大量の電気を使うことです。

大規模言語モデルのような巨大なAIは、たくさんのGPUを何週間も動かして学習させます。

例えば、GPT-3の学習には、数百世帯の1年分の電力が使われたと試算されています。

電気を作るときには二酸化炭素が出るので、AIの開発が気候変動を進めてしまうことが心配されているんですね。

一方で、AIは気象の予測や、電力の使い方の最適化などで、気候変動への対策にも役立ちます。

小さくて効率のよいモデルを使う（モデルの軽量化の記事で解説しています）、再生可能エネルギーを使ったデータセンターを選ぶ、といった工夫も大切です。

AIはもう大人だけのものではありません。お子さんと一緒に、生成AIの正しい使い方から学べる講座もあります。

労働政策｜AIとの協働・スキルの喪失・労働力不足

AIが広まると、人の働き方も変わります。

AIとの協働とは、人の仕事をAIに置きかえるのではなく、人とAIがそれぞれの得意なことを分担して、一緒に仕事を進めることです。

例えば、AIが大量のデータから候補を出し、人が最終的に判断する、といった形ですね。

スキルの喪失とは、AIに仕事を任せすぎることで、人がもともと持っていた技能や判断力が失われてしまうことです。

AIが使えなくなったときや、AIが間違えたときに、人が気づけなくなるおそれがあります。

日本では、少子高齢化で働く人が減っていく労働力不足が大きな課題です。

AIには、こうした人手不足を補う役割も期待されています。AIによってなくなる仕事、新しく生まれる仕事があるので、学び直し（リスキリング）の支援も大切ですね。

その他の重要な価値｜インクルージョン・軍事利用

インクルージョン

インクルージョンとは、年齢・性別・障がいの有無・国籍などにかかわらず、誰も取り残さずに、すべての人がAIの恩恵を受けられるようにすることです。

例えば、目の不自由な人のために画像の内容を音声で説明するAIなど、AIはインクルージョンを進める力も持っています。

軍事利用とは（AIと安全保障）

AIの軍事利用とは、AIを安全保障や軍事の技術に使うことで、使ってよいかどうか、どこまで使ってよいかについて、今も活発に議論されています。

想定されているのは、軍事作戦での人の意思決定の補助、情報処理の能力の向上、サイバー分野での利用などです。G検定では、次の2つの言葉がよく出てきます。

• DARPA（ダーパ）：アメリカ国防高等研究計画局。軍事に使うための最新の技術を開発する組織で、XAIの研究の発端にもなった
• LAWS（ローズ）：自律型致死兵器システム。人が操作しなくても、自分で判断して攻撃する兵器のこと。定義はまだあいまいで、国連などで規制が話し合われている

死者への敬意

死者への敬意とは、亡くなった人の声や姿をAIで再現するときに、その人の尊厳や本人・家族の気持ちを大切にすることです。

2019年には、亡くなった歌手の歌声と姿をAIで再現した例が話題になり、「本人の同意なく再現してよいのか」という議論が起きました。

人間の自律性

人間の自律性とは、人が自分のことを自分で考えて決められることで、AIがそれを損なわないようにすることが求められています。

AIのおすすめや判断に頼りすぎたり、AIに気づかないうちに行動を誘導されたりすると、人が自分で決める力が弱まってしまいます。

大事な判断は、最終的に人が行うことが大切です。

AIガバナンスの実践

ここからは、会社がAIガバナンスを実際にどう進めるかを見ていきましょう。

AIポリシーと倫理アセスメント

AIポリシーとは、会社がAIを開発・利用するときの基本的な方針やルールを、会社全体で決めて示したものです。

「人間中心」「公平性」など、会社として大切にする価値を宣言し、社内外に公開することも多いです。

倫理アセスメントとは、AIを開発したり使い始めたりする前に、そのAIが倫理的・法的・社会的にどんな影響やリスクを持つかを調べて評価することです。

差別につながらないか、プライバシーを侵害しないかなどを、使う前に確認するわけですね。

AIのプロジェクトでは、計画の段階から、関係者（ステークホルダー）、セキュリティ、データセットの品質、法律や倫理の問題、透明性や説明責任などを考えておくこと（プロジェクトの計画への反映）が大切です。

人間の関与とモニタリング

人間の関与とは、AIの判断をそのまま使うのではなく、人が確認したり、最終的な判断をしたりする仕組みを入れておくことです。

Human in the Loop（ヒューマン・イン・ザ・ループ）とも言います。

モニタリングとは、AIを使い始めたあとも、精度や判断にかたよりが出ていないかを継続的に見守ることです。

AIは一度作ったら終わりではありません。

データの傾向が変われば精度が落ちていくので、運用の改善やシステムの改修を行い、新しいデータを集めて次の開発につなげていく（次への開発と循環）ことが大切です。

AIに対する監査・再現性・トレーサビリティ

AIに対する監査とは、AIが決められたルールや方針どおりに開発・運用されているかを、社内の別の部署や外部の専門家がチェックすることです。

監査をするためには、次の2つが欠かせません。

• 再現性：同じデータと同じ手順で学習すると、同じ結果が得られること
• トレーサビリティ：どのデータを使い、どのような手順でモデルを作り、いつ何を変えたかを、後からたどれるように記録しておくこと

問題が起きたときに、原因を後からたどれるようにしておくのが目的ですね。

ダイバーシティと炎上対策

ダイバーシティとは、性別・年齢・人種・国籍・障がいの有無・働き方など、さまざまな属性の人が互いに認め合い、共存している状態のことです。

AIを開発するチームのメンバーがかたよっていると、データの偏りや、特定の人への配慮の足りなさに気づきにくくなります。

ダイバーシティへの配慮が足りない表現や発信は、炎上の原因にもなりますよね。

炎上対策のためにも、多様なメンバーでチェックすることが大切です（データの偏りによるバイアスはアルゴリズムバイアスの記事で解説しています）。

社員の教育では、シリアス・ゲームが使われることもあります。

シリアス・ゲームとは、教育や医療など、社会の問題の解決を主な目的としたコンピュータゲームのことです。

新型コロナウイルスの対策を学べる「Short Sims」や、貧困が生まれる仕組みを学べる「3rd World Farmer」などがあります。

G検定での問われ方｜AI倫理とAIガバナンスの早見表

現行シラバスの「国内外のガイドライン」から「AIガバナンス」までのキーワードは、次の表で確認できます。

用語	一言でいうと	詳しい解説
AI倫理	AIを開発・利用するうえで守るべき価値や行動の考え方	この記事
AIガバナンス	AIのリスクを管理し、倫理の原則を組織の実践に落とし込む仕組み	この記事
価値原則	人間中心、公平性、透明性、安全性など、各国のガイドラインに共通する原則	この記事
ハードロー	法律のように、法的な拘束力があるルール	この記事
ソフトロー	ガイドラインのように、法的な拘束力はないが守ることが期待されるルール	この記事
リスクベースアプローチ	AIのリスクの大きさに応じて、規制や対策の強さを変える考え方	この記事
データの来歴	データがどこから来て、どう加工されたかの記録	この記事
説明可能性	AIの判断の理由を人に説明できること	この記事
ブラックボックス	内部の判断過程が人には分からない状態。ディープラーニングはこうなりやすい	この記事
気候変動	AIの計算に使う電力が増えることで、温室効果ガスの排出につながるという論点	この記事
モデル学習の電力消費	大規模モデルの学習や運用には膨大な電力が必要になるという問題	この記事
AIとの協働	AIに仕事を任せきるのではなく、人とAIが役割分担して働くこと	この記事
スキルの喪失	AIに任せた仕事のスキルを、人が失ってしまうおそれ	この記事
労働力不足	少子高齢化で働き手が足りない分を、AIで補えるという期待	この記事
インクルージョン	障害の有無や年齢などにかかわらず、誰もがAIの恩恵を受けられるようにすること	この記事
軍事利用	AIを兵器などに使うこと。自律型致死兵器システム（LAWS）の規制が議論されている	この記事
死者への敬意	亡くなった人の声や姿をAIで再現するときに、本人や遺族の尊厳に配慮すること	この記事
人間の自律性	AIに頼りすぎず、人間が自分で判断・決定できる状態を保つこと	この記事
AIポリシー	組織としてAIをどう開発・利用するかの基本方針	この記事
ダイバーシティ	開発チームの多様性。偏った判断を防ぐのに役立つ	この記事
AIに対する監査	AIが方針やルールどおりに開発・運用されているかを、第三者などが確認すること	この記事
倫理アセスメント	AIの開発・導入の前に、倫理的なリスクを洗い出して評価すること	この記事
人間の関与	AIの判断に人間が確認・介入できるようにしておくこと（Human-in-the-Loop）	この記事
モニタリング	運用中のAIの性能や挙動を継続的に監視すること	この記事
再現性	同じ条件で同じ結果を再び得られること。問題が起きたときの原因調査に必要	この記事
トレーサビリティ	データやモデルがどう作られ、どう判断したかを後から追跡できること	この記事

よくある質問

Q. ハードローとソフトローの違いは？

ハードローは、法律のように守らないと罰則があるなど、法的な拘束力を持つルールです。

ソフトローは、ガイドラインのように拘束力はないけれど、守ることが望ましいルールです。

EUのAI法はハードロー、日本のAI事業者ガイドラインはソフトローの例です。

Q. リスクベースアプローチとは？

AIのリスクの大きさに合わせて、ルールの厳しさを変える考え方です。

EUのAI法では、AIを「許容できないリスク」「高リスク」「限定的なリスク」「最小のリスク」の4つに分け、許容できないリスクのAIは禁止しています。

Q. 倫理アセスメントとは？

AIを開発したり使い始めたりする前に、そのAIが差別やプライバシーの侵害などの倫理的・法的・社会的なリスクを持っていないかを調べて評価することです。

よくある質問の内容までスラスラ答えられたら、次は問題形式で解いてみるのがおすすめです。選択肢を見比べると、どこで引っかけられるのかが分かってきます。

まとめ

• AI倫理はAIで守るべき考え方、AIガバナンスはそれを組織で実践する仕組み
• 日本は人間中心のAI社会原則・AI事業者ガイドラインなどソフトローが中心、EUはAI法というハードロー
• リスクベースアプローチは、リスクの大きさに合わせてルールの厳しさを変える考え方
• 透明性、環境保護、労働政策、インクルージョン・軍事利用・死者への敬意・人間の自律性がAI倫理の主な論点
• AIガバナンスの実践は、AIポリシー、倫理アセスメント、人間の関与、モニタリング、監査、再現性、トレーサビリティ、ダイバーシティ

次回は、G検定の最後の分野「数理・統計」として、尺度水準やベイズの定理を数理・統計の記事で解説していきます。

G検定の試験範囲をまとめて見直したい方は、シラバスの全キーワードを一行でまとめたG検定チートシートをどうぞ。分野ごとに読み進めたい方はG検定の解説記事一覧からどうぞ。

G検定に合格したあと、その資格をどう使うかまで考えておくと勉強のモチベーションが続きます。AI・データ系の求人では、こうした基礎知識を持っていることが評価される場面も増えています。どんな求人があるのか眺めておくだけでも、学ぶ内容の優先順位が見えてきますよ。

20代で未経験からIT職を目指す方は、若手向けの就職・転職サービスを使うと、書類作成から面接まで相談できます。