本番システムでAIを信用しないシステム管理者がいまだに多い理由
2年間にわたるベンダーの「自動パッチ適用インフラ」への約束は、現実の壁にぶつかりました。実際に本番システムを運用する担当者たちは、AIにコントロールを任せることを依然として許可していません。IT管理者を対象とした新たな調査によると、2026年に予測された自動化—AIによるパッチ管理、脆弱性の優先順位付け、システム監視、インシデント対応の推進—は、ほとんどの現場で実現していません。2024年にシステム管理者が期待したことと、実際に今許可できることとのギャップこそが本質的な問題です。それはAIの能力ではなく、信頼・説明責任・ガバナンスの問題です。
Action1の「2026年調査レポート：AIがシステム管理者に与える影響」は、本番インフラに最も近い現場担当者にAIの実際の利用状況を尋ねており、その回答は2024年以降ITベンダーのマーケティングで支配的だった自動化のストーリーとは異なるものでした。現在、パッチ管理や脆弱性の優先順位付けにAIを利用しているシステム管理者は5人に1人未満。約4分の1は、業務でAIを一度も使ったことがありません。また、AIに人間の監視なしで本番システムへパッチを適用させることを許可するかという質問には、大多数が「NO」と回答しています。
この慎重さは、単なる技術への抵抗ではありません。未解決の課題に対する合理的な反応です。自律的なシステムが本番インフラや機密ファイル、ID情報に触れ、何か問題が発生した場合、その損害の責任は誰が負うのか？調査ではこの問いに明確な答えが出ておらず、これは今まさにあらゆる企業のAIガバナンス議論の根底にある問題です。AIがサーバーのパッチを適用する場合でも、顧客データベースを照会する場合でも同じです。
主なポイント
- 2024年の自動化予測は実現しなかった。 Action1の2026年調査によれば、現在パッチ管理や脆弱性の優先順位付けにAIを利用しているシステム管理者は5人に1人未満で、23%は業務でAIを一度も使ったことがありません。
- 自律性よりも監督がデフォルト。 AIに人間の監督なしで本番環境にパッチを適用させることを許可するのはわずか14%。53%は監督を必須とし、少数はどんな状況でもAIによるパッチ適用を許可しません。
- ポリシーの上書きは信頼が完全に崩壊するポイント。 既存のパッチ適用ポリシーをAIが上書きすることを許可するシステム管理者は11%のみ。40%は絶対に許可しないと回答しており、定義済みルール外でAIが動作することへの強い抵抗が示されています。
- 説明責任の問題は未解決のまま。 回答者の半数以上が、AI主導のアクションによる可視性やコントロールの喪失を懸念。ファイルやID管理タスクでAIが誤った場合、その責任の所在が曖昧であることも調査で指摘されています。
- 解決策は「ガバナンスされたアクセス」。 リクエストごとのアクセス制御と、すべての人間およびAIアクションの統一監査記録を維持することで、組織は説明責任の証跡を確保できます。アクセスガバナンスとIT運用自動化は異なる課題を解決しますが、どちらも不可欠です。
2024年の予測と2026年の現実のギャップ
2024年、ベンダー各社が生成AIをIT運用の次なる飛躍と位置づけた際、システム管理者は2026年までに大きな自動化の進展を予測していました。AIによる定型的なパッチ管理、実際のリスクに基づく脆弱性の優先順位付け、24時間体制のシステム監視、インシデント対応の迅速化などです。Action1のフォローアップ調査は、実際にどれだけ実現したかを測定し、市場が期待された全面的な自動化ではなく、慎重かつ部分的にAIを導入している現状を明らかにしました。
現在、パッチ管理や脆弱性の優先順位付けにAIを利用しているシステム管理者は5人に1人未満。これらはAI自動化に最も適しているとされた繰り返し作業であり、データ量も多く、パターン認識や優先順位付けモデルに最適なはずのタスクです。さらに注目すべきは、回答者の23%が業務でAIを一度も使ったことがないと答えている点です。つまり、予測から2年経っても、約4分の1のシステム管理者はAIツールを業務フローに統合していません。
AIがこれらのテストに失敗しているわけではありません。システム管理者が「鍵」を渡さない選択をしているのは、能力ではなく信頼やガバナンスの問題です。これはKiteworksがAIデータガバナンス全般で追跡してきた傾向と一致します。導入が進まないのは、AIの行動を可視化・可逆化・証跡化するためのコントロールが組織に不足しているためであり、モデルの能力不足が原因ではありません。
なぜシステム管理者はAIによる無監督パッチ適用を許可しないのか
Action1のデータで最も明確なのは、システム管理者への直接的な質問への回答です。「AIに人間の監督なしで本番システムにパッチを適用させますか？」53%が「NO」と答え、AIによるパッチ適用には必ず人間の監督を要求しています。許可するのはわずか14%。AIをアシスタントとして受け入れる許容度と、自律的なオペレーターとして受け入れる許容度の間には大きなギャップがあり、これは他の業務でAIツールを日常的に使う担当者でも同様です。
パッチ適用は、リスクが具体的かつ即時に現れるため、テストケースとして最適です。不適切なパッチが本番環境に適用されれば、サービス停止や依存関係の破壊、新たな脆弱性の発生など、数時間以内に目に見える結果が生じます。日々このリスクを管理するシステム管理者は、パッチ適用の判断には自動化システムが持ち得ない判断力が必要だと理解しています。たとえば、適切なメンテナンスウィンドウか、未記載の依存関係がないか、ビジネス上の理由で遅延すべきかなどです。AIによるパッチの特定や準備を拒否しているのではなく、「最終判断と実行」を人間のチェックなしでAIに任せることを拒否しているのです。
この抵抗は、「監督付き適用」から「ポリシー上書き」への質問になるとさらに強まります。AIによる既存パッチ適用ポリシーの上書きを許可するのは11%のみ。40%はどんな状況でも絶対に許可しないと回答しています。これは監督の質問よりもはるかに厳しい線引きであり、重要な示唆を与えます。システム管理者は、既に自分たちが定義したガードレール内でAIが動作することには比較的安心感を持っていますが、AIがガードレールそのものを無効化できる権限を持つことには強い抵抗を示しています。自動化システムによって黙って上書きされるルールは、もはやルールではなく「提案」に過ぎません。
IT運用チームは、ベンダーのマーケティング資料よりもこの違いをよく理解しています。
AIが機密システムで動作する際の説明責任の空白
調査対象のシステム管理者の半数以上が、AI主導のアクションによるコントロールや可視性の喪失を懸念しています。この懸念は、パッチ適用の質問と、Action1レポートが浮き彫りにしたより広範な課題をつなぐものです。AIがファイルやID管理タスクで誤りを犯した場合、その損害の責任の所在が未解決のまま残されるという問題です。
この説明責任のギャップは、AIシステムが本番データ、認証情報、インフラに恒常的にアクセスするあらゆる業務で現れます。たとえば、ファイル管理権限を持つAIエージェントが誤って文書を削除・移動・公開した場合、事後検証では「何にアクセスできたのか、なぜ、誰が承認したのか」という基本的な問いへの答えが必要です。ID管理権限を持つAIシステムがアカウントを誤って作成・変更した場合も同様です。AIが何に触れ、何をしたのかの記録がなければ、「AIがミスをした」という説明では誰も対応できません。
これは行き止まりです。
まさにこの信頼と説明責任のギャップこそが、KiteworksのシャドーAIおよびAIガバナンスの中心課題です。AIシステムが広範かつ不明確なアクセス権を持ち、一貫した監査ログが存在しない場合、インシデント発生後に何が起きたかを再構築することができず、根本原因分析も説明責任の追及もほぼ不可能になります。システム管理者は運用側からこの問題を指摘し、セキュリティやコンプライアンスチームはデータアクセス側から同じ問題を指摘しています。根本は同じギャップです。
シャドーAIとより広範なガバナンス課題
Action1の調査結果は、企業が直面しているより大きなパターンの一部です。AIツールが部門横断的に急速に拡大し、ガバナンスフレームワークが追いつかない状況です。IT運用は比較的可視化され、コントロールされた環境です。システム管理者は本番リスクへの感度が高い職種ですが、そうした担当者ですらAIに無監督の権限を与えないのであれば、ITの可視性外でAIツールが非公式に導入され、アクセスレビューもない部門では、さらに監督が行き届いていないことが推測できます。
これがシャドーAI問題の核心です。従業員や自律エージェントが、組織による評価・範囲設定・ログ取得がなされていないAIツールを使って、システムやファイル、データストアに接続しているのです。審査済みAIツールですら本番環境で無監督の操作を許可しないシステム管理者は、少なくともそのツールについてポリシー議論をしています。一方、企業内の多くのAI利用は、そうした議論すらありません。IT運用チームがパッチ管理で適用しているデータガバナンスの規律は、AIが機密コンテンツにアクセスできるすべてのシステム—ファイルリポジトリ、セキュアメール、マネージドファイル転送パイプライン、IDシステムなど—に拡張される必要があります。
KiteworksコントロールプレーンにおけるガバナンスされたAIアクセスとは
Action1の調査は問題を明確に示しています。システム管理者は、コントロールや可視性、問題発生時の説明責任を失うことなくAIの支援を受けたいのです。そのためには、人間ユーザーに適用しているガバナンス規律を、機密システムに触れるすべての主体—人間・AI問わず—に一貫して適用する必要があります。
Kiteworksは、Kiteworksコントロールプレーンを通じて、データアクセス・利用・交換を要求するすべてのID（人間のログインでもAIエージェントのAPIコールでも）に対しガバナンスを実施します。AIシステムがコンテンツを読み取る、取得する、操作するリクエストは、定義済みRBACやABACポリシーに基づき、その都度評価されます。これが、「このAIツールは信頼できる」から「このAIツールが、いつ、どのポリシーで、どのワークフローのために、何にアクセスしたかを正確に検証できる」への違いです。
この調査が示した信頼ギャップに直接関係する機能が2つあります。Kiteworks Compliant AIは、AIシステムがデータを要求する時点で、定義済みポリシーに基づきAIモデルやエージェントが取得できる範囲をフィルタリング・制限し、モデル自身の判断に委ねません。Secure MCP Serverは、Model Context Protocol経由で接続するAIエージェントにも同じポリシー適用を行い、AIのリクエストも人間ユーザーのリクエストと同じアクセス制御と統一監査ログに記録します。どちらも、Action1レポートでシステム管理者が「足りない」と指摘した、AIシステムが許可されたこと・実際に行ったことを人間が検証できる、特定のポリシーとIDに紐づいた証跡を生み出します。
アクセスガバナンスの限界：解決できること・できないこと
Action1の調査は、コンテンツアクセスガバナンスが実際に解決する課題と隣接しつつも異なる側面を測定しています。システム管理者は、AIによるパッチ適用や脆弱性の優先順位付け、IT運用タスクの実行について質問されており、これはインフラスタックのパッチ管理・構成レイヤーの話であり、Kiteworksのようなガバナンスプラットフォームが制御する「コンテンツ・認証情報アクセスレイヤー」とは異なります。
データポリシーエンジンがAIエージェントのリクエストにRBACやABACを適用することで、そのエージェントがファイルを読めるか、レコードを取得できるか、認証情報を操作できるかを制御し、実行を記録します。しかし、特定のパッチが本番サーバーに安全に適用できるかどうかは判断しませんし、システム管理者が求めるパッチ管理・変更管理・監視ツールの代替にもなりません。両者は「AIが自律的に動作した際の説明責任の曖昧さ」という共通の根本原因を持ちますが、必要なコントロールは異なります。IT運用側の信頼ギャップを解決するには、承認ワークフローやロールバック機能を備えたパッチ管理プラットフォームが必要です。コンテンツ・ファイル・IDアクセス側の課題には、AIが触れるすべてのシステムでのガバナンスされたアクセスと監査ログが必要です。多くの組織は両方を必要とし、どちらも代替にはなりません。
また、アクセスガバナンスの強度は組織が設定するポリシー次第です。RBACやABACはセキュリティチームが定義したルールを強制しますが、特定の役割やワークフローにとって「安全」なAIアクセス範囲を自律的に決めるわけではありません。Action1の回答者が求める説明責任は、組織が事前に「誰が、何に、どの条件でアクセスできるか」を定義し、その定義に基づいて一貫して強制・記録することに依存しています。
IT運用における「ガバナンス・ファースト」なAI導入への道
この調査に登場するシステム管理者は、AI導入の失敗ではなく、「可視性・可逆性・明確な説明責任」という合理的な条件を提示しています。AIによる機密コンテンツやシステムへのアクセスに関して同じギャップを埋めようとする企業は、「一律許可」や「一律禁止」ではなく、この3つの条件から出発すべきです。
つまり、すべてのAIエージェントやAI連携ワークフローを、人間ユーザーと同じアクセスポリシー、リスク評価、監査要件の対象となるIDとして扱うことです。「モデルだから」という理由で例外扱いしないこと。AIの行動を「何に、いつ、どの認可でアクセスしたか」を後からフォレンジック調査せずとも答えられる粒度で記録すること。そして、誰が何をしたかに関係なく、すべてのアクションが検証可能となるようなアクセス制御と監査インフラを構築することです。
これを正しく実践できる組織は、AIの役割をIT運用・コンテンツワークフローの両面で、証拠に基づき計画的に拡大できるようになります。一方で、Action1の多くの回答者が現状で自認しているような、「一律禁止」と「無監督の自律性」の間で板挟みになる状況から脱却できます。
機密コンテンツへのAIエージェントアクセスを統合コントロールプレーンでガバナンスする方法について、カスタムデモを今すぐご予約ください。
よくある質問
Action1の「2026年調査レポート：AIがシステム管理者に与える影響」によると、IT管理者が2024年に予測したパッチ管理、脆弱性の優先順位付け、システム監視、インシデント対応といった自動化は、2026年時点でもほとんど実現していません。現在、パッチ管理や脆弱性の優先順位付けにAIを利用しているシステム管理者は5人に1人未満で、23%は業務でAIを一度も使ったことがありません。これらの結果は、KiteworksがAIデータガバナンス全体で追跡しているより広範な傾向—導入がAIの能力ではなく、信頼やコントロールによって制約されている—を反映しています。
調査では、システム管理者の53%がAIによる本番システムへのパッチ適用を人間の監督なしで許可しないと回答し、無監督で許可するのは14%にとどまりました。この慎重さの中心には「説明責任」があります。パッチ適用の判断には自動化システムが持ち得ない文脈が関与し、不適切な適用は即座に目に見える重大な影響をもたらします。これは、企業が機密システムでAIによる高リスクなアクションに対し、アクセス制御を適用し、人間によるレビューを必須とする理由と一致しています。
説明責任のギャップとは、AIがファイルやID管理タスクで誤りを犯し損害を与えた場合、その責任が誰にあるのかが未解決であることを指します。調査対象のシステム管理者の半数以上が、AI主導のアクションによるコントロールや可視性の喪失を懸念しています。このギャップを埋めるには、すべてのAIアクションに対し、特定のIDとポリシーに紐づいた監査証跡を人間ユーザーと同様に確保する必要があります。
アクセスガバナンスツールは、この信頼ギャップの「コンテンツ・認証情報アクセス」側面を解決します。AIエージェントが何を読み取れるか、何を操作できるかについて、RBACやABACポリシーを適用し、人間ユーザーと同じKiteworksコントロールプレーンで管理、すべてのリクエストを同一の監査証跡に記録します。ただし、パッチ適用自体の管理や変更管理など、IT運用タスクを制御するパッチ管理ツールの代替にはなりません。多くの企業には両レイヤーでのガバナンスが必要です。
シャドーAIとは、ITやセキュリティによるレビュー、アクセス範囲の制限、ログ取得がないまま組織内で動作するAIツールやエージェントを指します。これが説明責任の問題を解決できない根本原因です。一方、ガバナンスされたAIアクセスとは、AIによる機密コンテンツやシステムへのすべてのリクエストが定義済みポリシーで評価され、統一監査ログに記録されることを意味します。Secure MCP Serverは、Model Context Protocol経由で接続するAIエージェントにもこのガバナンスを拡張する方法の一つです。
追加リソース
- ブログ記事
ゼロトラスト戦略で実現する手頃なAIプライバシー保護 - 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年に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に - 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ポリシーがあるか」の質問を終えた。今求められるのは「機能している証拠」