AIガバナンスの信頼格差は、証拠の不足が原因

今やほぼすべての組織がAIガバナンスポリシーを持っていますが、その事実だけでは、規制当局にとって「実際にAIシステムがポリシー通りに運用されたかどうか」はほとんど分かりません。ポリシーは意図の表明であり、証拠は実際に起きたことの記録です。多くの企業は前者（意図）を十分に備えていますが、後者（証拠）は不足しています。

このことが最も明確に示されたのは2026年9月、EYが米国の202人のAI意思決定者を対象に実施したAIリスク＆ガバナンス調査を発表した時でした。EYのレポート「Realizing potential: confidence in AI」によると、98%がAIガバナンスポリシーを持ち、47%が緊急対応のために自らのガバナンスプロセスを迂回したと回答しています。ポリシーを策定した当の経営層が、そのポリシーを回避したことを認めているのです。Compliance Weekもこの「バイパス」事例をコンプライアンスチームへの重要な警告として取り上げました。

CISOやチーフコンプライアンスオフィサーにとって重要なのは、この2つの数字の「距離」です。プレッシャー下でバイパスされるポリシーは、監査対応可能な証拠を生み出せません。なぜなら、バイパスこそが記録が失われる瞬間だからです。本記事では、EYのデータが示すもの、なぜこのギャップが文化的ではなく構造的な問題なのか、そしてKiteworksのセキュアデータ交換のようなデータレイヤーでの運用規律が、ガバナンスを単なる文書から証拠へと変える方法を解説します。

主なポイント

1. ポリシーの普及率はほぼ100%、それ自体が落とし穴

98%の組織がAIガバナンスポリシーを持っており、もはや「持っている」こと自体が備えた企業とそうでない企業を分ける基準にはなりません。

2. バイパスは証拠ギャップの最重要指標

47%が緊急対応のために自らのガバナンスプロセスをスキップしており、スキップされたすべてのステップは「記録の欠落」を意味します。

3. 自律エージェントはギャップを最速で拡大させる

エージェント型AIを利用する組織のうち、85%がリアルタイムの人間関与なしで動作するシステムを運用し、49%はエージェント向けにガバナンスフレームワークを更新していません。

4. 見えないものは証拠化できない

AI意思決定者の41%がAI利用の可視性を欠き、エージェント型AI利用者の26%は未承認エージェントの検知ができていません。

5. 規制当局が規制するのは「データ」であって「モデル」ではない

監査人への防御可能な回答は、AIシステムが規制対象データにアクセスしたすべての記録を、改ざん検知可能な形で、責任者と紐付けて残すことです。

EYは「リスクの所有者」に直接調査

多くのガバナンス調査は、意思決定から1～2段階離れた実務者を対象にしますが、EYはAI導入の最終承認者であり、その結果に責任を持つシニアAI意思決定者に調査を行いました。この選択により、単なる中間管理職の認識問題として片付けられない数字となっています。

調査は2026年5月28日から6月15日まで米国組織のみを対象に実施され、202人の回答者に対し、誤差は±7ポイントとされています。個別の数字はあくまで傾向値ですが、レポート全体のパターンは一貫しています。「書類上の自信は高いが、実際の運用への自信は低い」のです。

調査範囲も重要です。米国限定のサンプルは欧州や湾岸諸国の組織には当てはまりませんし、本記事もそのように扱っています。後半では、他の法域の規制当局も独自のアプローチで同じ期待値に到達しつつあることを示します。

ポリシー普及率はほぼ100% ― それが落とし穴

回答者の98%が何らかのAIガバナンスポリシーを持ち、69%が全社統一のポリシーだと回答しています。一見すると成功例ですが、同じ調査で69%が「自社にはガバナンスコントロールを進化させるための専門知識が不足している」と懸念しています。

この2つの「69%」を並べると、ポリシーは存在し、紙の上では統一されているものの、担当者自身が「現場が追いついていない」と感じている構図が浮かび上がります。つまり、組織の実態よりも先行した文書状態です。

「コントロール完了率」のデータもこの点を裏付けます。EYの回答者は、ガバナンスチームの設置（75%）、定期的なレビュー（73%）、人間の関与要件（72%）、トレーニング（71%）、エスカレーション手順（68%）を整備済みと回答。ベンダー要件は65%、データリネージは64%、正式なフレームワークやAIレジストリは各58%です。これらはすべて「インプット（仕組み）」であり、規制当局が検証できる「アウトプット（証拠）」ではありません。

審査官は「トレーニングプログラムがあるか」ではなく、「特定のAIが特定の規制データにアクセスした際、誰が承認し、どのポリシーが適用され、何が返されたか」を求めます。証拠が伴わない「仕組み重視」のプログラムでは、これらの質問に答えられません。これが「ほぼ全社ポリシー」の落とし穴であり、「備えができている」という錯覚を生むだけで、証拠は生まれません。

バイパスは文化の問題ではなく「処理待ち行列」の問題

47%の組織が緊急対応でガバナンスをバイパスしたと認めている場合、直感的には「規律の欠如」と診断されがちです。スタッフが手順を省略し、リーダーが見逃し、対策は「さらなるトレーニング」となりがちですが、実際の調査結果はもっと本質的な問題を示しています。

OneTrustの2026年AIガバナンスレポート（8市場・1,200人対象、2026年6～7月実施）では、33%の組織が「承認済みの手順が遅すぎるため、従業員が未承認AIを利用した」と回答。さらに31%は「利用開始後に初めてユースケースを把握した」としています。つまり、ビジネスのスピードにプロセスが追いつかないと、人はプロセスを迂回するのです。

こうして「バイパス」は「処理能力の問題」として再定義されます。ガバナンスレビューに数週間かかる一方、現場の締切が数日後なら、レビューは負けます。結果として、紙の上のポリシーと、未レビューの本番運用が同時に存在し、その運用の証拠はゼロから始まります。

だからこそ、「呼びかけ」ではなく「アーキテクチャ」が効くのです。ポリシーバインダーに書かれたコントロールは「従うかどうか」に依存しますが、AIシステムがデータを要求する時点で強制されるコントロールは、締切でも飛ばせません。データの流れにガバナンスを組み込めば、バイパスの動機自体が消えます。承認・ポリシーチェック・ログ記録がリクエスト時に自動で行われ、チケット待ちも不要となり、「承認済みルート」が最速ルートになるのです。

エージェント型AIは「ガバナンスギャップ」を「アクションギャップ」に変える

チャットボットが質問に答えるのは「読み取り操作」であり、人間が結果を確認します。しかし、エージェントがコードを実行したり、注文したり、記録に触れたりするのは別次元です。エージェントは機械のスピードで複数システムを横断して「行動」します。

EYの調査では、91%が何らかのエージェント型AIを利用し、そのうち85%がリアルタイムの人間関与なしで動作するシステムを運用。49%はエージェント型AIリスクに特化したガバナンスフレームワークを未更新、さらに26%は自社内で未承認AIエージェントを検知できていません。

この「26%」が意味するのは、エージェント型AI利用者の約4分の1で、誰も承認していないエージェントがデータにアクセスしていても、組織は気づく手段がないということです。見えないシステムへのガバナンスは「コントロール」ではなく「希望」に過ぎません。

所有権の問題も深刻です。EYによると、56%がAIガバナンスの単一責任者を持たず、39%が自律的な意思決定の責任範囲が未定義と回答。これはエンタープライズAI全般の調査でもよく見られるパターンで、「AIリスクの所有者」が定まらず、実質的な「責任の空白」が生じています。

解決策は、エージェントを謎の新カテゴリとして扱うことではありません。AIエージェントは「人の代理で動くID」であり、その人と同じガバナンスモデルに組み込むべきです。エージェントのすべての行動は、必ず責任者となる人間に紐付け、同じデータポリシーで評価し、同じ監査記録に残すべきです。エージェントと人間が1つのIDモデルを共有すれば、「誰が承認したか？」には必ず答えが出ます。サービスアカウントや匿名トークンで動かせば、答えは「沈黙」です。

可視性は証拠化の前提 ― 41%が未達

EYの回答者の89%が「AIリスクを経験済み」と回答。最も多いのはサイバーセキュリティリスク（52%）、次いで人的リスク（47%）、シャドーAI（46%）。AI関連インシデントの実発生は36%。それでも41%が「AI利用の全体像が見えていない」と答えています。

可視性の欠如こそ、証拠問題が現実化するポイントです。監査証跡は「記録されたもの」しか示せません。管理されていないツールや個人アカウント、レジストリ外で起動されたエージェント経由でAIが使われれば、ログは残らず、規制当局に問われても組織は経緯を再現できません。

Kiteworks独自の調査も同様の傾向を示しています。Kiteworks データセキュリティ＆コンプライアンスリスク：2026年年次調査レポート（2026年7月実施、459人回答）では、65%の組織が自社環境でシャドーAIを発見したと回答。自己申告データなので傾向値ですが、EYの調査結果と一致しています。隠れたAI利用は一般的で、発見は多くの場合「事後」です。

EYのレジストリ関連データも重要です。AIレジストリを「完成済み」とするのは58%、さらに39%が「作成中」と回答。レジストリは「インベントリ（資産台帳）」であり、証拠の出発点です。リストに載っていないシステムには、承認記録を紐付けられません。レジストリ、IDモデル、監査証跡は「何が、誰のために、どのデータに対して動いているか」を把握するための3つの視点です。

CISOにとっての実践的な教訓は、「発見」をゴールにしないことです。シャドーAIの発見は有用ですが、次に問われるのは「規制データへのAIアクセスのたびに、承認・暗号化・記録があったと証明できるか」です。検知は「何かが起きた」ことを示し、証拠は「何が、なぜ許可されたか」を規制当局に説明します。

アシュアランスレビューは「コントロールの静かな失敗」を証明する

EYのレビュー関連データは、ガバナンス問題が「まれ」という思い込みを覆す重要な内容です。正式なAIアシュアランスレビューを実施する組織のうち、92%が何らかの問題を発見。レビュー頻度も高く、98%が年1回以上、80%が月次または四半期ごとに実施し、実際に結果に基づく対応も行われています。過去1年では、64%が「レビュー対象AIの25%以上を大幅修正」、29%が「25%以上を一時停止・再開」、25%が「25%以上を完全停止」と回答。

レビューで最も多く発見された問題は、データ品質（57%）、モデルドリフト（48%）、シャドーAI（39%）であり、3つ中2つはデータレイヤーの問題です。

この点は一面では前向きです。組織は「見て」おり、発見した問題に「対応」しています。しかし同時に、レビューで発見された問題は「レビューまで未管理だった」ことを意味します。定期レビューでしか発見されないコントロールは、その間「静かに失敗していた」コントロールです。

規制当局の視点でタイミングを考えてみましょう。監督機関は「四半期レビューで初めて気づいた」ことを、数か月続いていた問題の説明として認めません。求められるのは「継続的な記録」です。定期的なアシュアランスと継続的な証拠は別の問題を解決し、成熟したプログラムには両方が必要です。レビューは「設計が妥当か」を示し、証拠ストリームは「毎回、すべてのやり取りで実際に運用されたか」を示します。

規制当局が規制するのは「データ」であり「モデル」ではない

コンプライアンス責任者にとって最も強力かつシンプルな考え方は、「規制当局はデータを規制する」ということです。法律は、人間かAIエージェントかを問わず、データにアクセスした事実に紐付きます。HIPAAにアルゴリズムの例外はなく、金融・防衛・個人データを規制するプライバシー・セキュリティ法制も同様です。保護対象記録を読むエージェントは、従業員と同じ義務を負います。

この原則は、複数の法域の現行法にも現れています。具体例を正確に挙げておきます。

ドイツでは、NIS2実施法（NIS2UmsuCG）が2025年12月6日に施行され、改正BSI法第30条で対象組織のリスク管理措置を規定し、第38条でその実施・監督義務を経営層に課しています。経営層は責任を委譲できず、EYの調査で見られる「所有権の空白」と同じ課題です。

EUでは、AIに関するデジタル・オムニバス規則（Regulation (EU) 2026/1744）が2026年7月27日に施行。附属書IIIのハイリスクAI義務の適用日は2027年12月2日、附属書Iのシステムは2028年8月2日へと移行されましたが、透明性義務（第50条）は2026年8月2日から既に適用されています。適用日が遅れたカテゴリがあっても、データ保護・セキュリティ・説明責任の義務は既にデータに課されています。

英国では、サイバーセキュリティ＆レジリエンス法案が2026年6月16日に下院を通過し、10月26日に上院報告段階を終え、11月2日に三読予定です。同時に、UK GDPR第5条(2)の説明責任原則は既に「コンプライアンスの証明」を管理者に求めており、単なる主張では不十分です。この文言こそ、本記事の主張を一文で要約したものです。

EYの回答者も既にプレッシャーを感じています。72%が「新規または今後のAI規制への対応」に不安を抱き、同じく72%が「重要なAI意思決定モデルのデータリネージやインプットの追跡・監査能力」に懸念を示しています。リネージ（データの流れ）は、すなわち「証拠」です。規制当局が「AIアウトプットの出所」を問うのは、その背後のデータアクセスの連鎖を求めているのであり、それを再現できなければ答えられません。

これらはすべて米国以外の法制度であり、EYの調査対象も米国限定なので、同一母集団の測定ではありません。しかし、各法域が「記録を示せ」という一点に収束しつつあることを示しています。

データレイヤーでの運用規律 ― その具体像

ギャップが「証拠ギャップ」なら、解決策は「通常運用の副産物として証拠を生み出す」ことです。監査直前に5つのシステムからログをかき集めて証拠パッケージを作るのは、規制当局のタイムライン（数日）に対して現場の作業が数週間かかる典型パターンです。

実効性ある運用規律は4つの要素からなり、監査人が問う質問に対応しています。

人間責任者に紐付くID：すべてのAIリクエストには、責任者となる人に帰着するIDが必要です。これが「責任の空白」への答えであり、「誰が承認したか？」にサービスアカウントではなく実名で答えます。OAuth 2.0による委任承認が標準的な仕組みで、エージェントと人間が共通のガバナンスIDモデルを持てます。

リクエスト単位でのポリシー評価：アクセス判断は、データ・ユーザー・リクエスト時点の状況に応じて行うべきです。属性ベースアクセス制御（ABAC)はこれらの属性を評価し、たとえば医療従事者の代理エージェントには、その人が見られる範囲しか見せません。データ最小化も実現でき、エージェントが未承認データを受け取ることはありません。

規格に準拠した暗号化：移動中・保存中の規制データは、FIPS 140-3認証済み暗号化で保護し、コントロールが「主張」ではなく「検証可能」になります。

改ざん検知可能な監査記録：すべてのやり取りを監査ログに記録し、セキュリティ情報イベント管理（SIEM）にストリーム化することで、誰かに求められる前に記録が存在します。

これら4つのチェックポイントは、Kiteworks Compliant AIが規制対象コンテンツへのAIアクセスをガバナンスする方法であり、データポリシーエンジンでポリシーを強制します。Secure MCP Serverは、MCP互換AIプラットフォームが同じガバナンス経路でエンタープライズコンテンツにアクセスできるようにし、「承認済みルート＝コンプライアンスルート」となります。エンフォースメントがデータ経路にあるため、どのAIツールを導入しても適用できます。

このレイヤーでのガバナンスは、経営層の会話も変えます。CISOダッシュボードでID・ポリシー・データ分類ごとのAIアクセス状況を可視化すれば、EYのデータが示す「運用効果の測定」を実現できます。さらに、NIST CSFガバナンス機能などのフレームワークにプログラムを合わせたり、サードパーティリスク管理にも同じ規律を拡張できます。EY調査では81%が「サードパーティAIによるサイバー攻撃でAIツールが侵害されるリスク」に懸念を示しています。

これらのコントロールの詳細な組み合わせについては、KiteworksのAIデータガバナンスガイドやゼロトラスト生成AIガイドをご覧ください。

コンプライアンス責任者のための90日スタートプラン

証拠規律の確立に大規模なプログラム再構築は不要です。焦点を絞ったステップを踏めば、多くの組織が四半期で「ポリシーから証拠」へ移行できます。EYのデータが示す「多くの組織がまだ答えられない」問いから始めましょう。

最初の30日でインベントリを作成します。規制データに触れるすべてのAIシステム・モデル・エージェント・サードパーティツールをリスト化し、それぞれに責任者を割り当てます。EYの「完全なAIインベントリを示せるか？」という問いが出発点です。答えが「NO」なら、その先の証拠化は不可能です。

30～60日目は、エンフォースメントをデータ経路に移します。AIによる規制コンテンツアクセスをガバナンスされた経路に通し、ID・ポリシー評価・ログ記録をすべてのリクエストで実施します。これにより、ガバナンスバイパスの動機も排除できます。「承認済みルート＝最速ルート」となれば、47%のバイパス要因である締切プレッシャーも消えます。

60～90日目は、証拠をテストします。たとえば「過去30日間に特定データセットへAIアクセスした全記録と承認者を示せ」という規制当局風リクエストを実施し、回答にかかる時間を計測します。手作業でログをかき集めて数日かかるなら、ギャップは残っています。クエリ1本で出せるなら、運用規律が確立しています。このテストは四半期ごとに繰り返し、レビュー結果とともに取締役会に報告しましょう。

注意点は一貫しています。「計画をまた文書化するだけ」にしないことです。目的は、すべてのコントロールを「第三者が自力で検証できる記録」に変えることです。

AIエージェントによる規制データアクセスの監査対応証拠の作り方について詳しく知りたい方は、カスタムデモを今すぐご予約ください。

追加リソース

• ブログ記事
  ゼロトラストで実現する手頃なAIプライバシー保護戦略
• ブログ記事
  77%の組織がAIデータセキュリティで失敗している理由
• eBook
  AIガバナンスギャップ：2025年、91%の中小企業がデータセキュリティでロシアンルーレット状態
• ブログ記事
  あなたのデータに「–dangerously-skip-permissions」は存在しない
• ブログ記事
  規制当局はAIポリシーの有無を聞くのをやめた。今求められるのは「機能している証拠」