生成AIがプログラミングや資料作成、データ分析に欠かせないツールになりつつあるいま、多くの企業が「業務効率化」と「機密情報の保護」のあいだで揺れています。使わせたい現場と、漏洩を恐れるセキュリティ担当——その板挟みのなかで、具体的な対策にまで踏み切れていない組織は少なくありません。
この記事では、クラウドAI時代に企業が直面するデータ保護の課題を整理し、製品に依存しない一般的な機能の観点から解決の方向性を示します。後半では、市場にあるソリューションを機能の網羅性で比較した表を掲載し、選定の選択肢として整理します。
参照：個人情報保護委員会「生成AIサービスの利用に関する注意喚起等について」、OWASP「OWASP Top 10 for Large Language Model Applications」、EU「Regulation (EU) 2024/1689（AI Act）」。
「使いたい」と「守りたい」のあいだで揺れる企業
企業は、プログラミング支援や資料作成、データ分析などで生成AIを積極的に活用したいと考えています。一方で、「社員が入力した機密データがAI側に送信され、学習に使われたり外部に漏れたりするのではないか」という不安を抱えています。利便性の追求とセキュリティの確保という二面性のあいだで葛藤しており、まだ具体的な対策を講じていないケースが多いのが実情です。この状態を放置すれば、規制違反やインシデントのリスクが高まる一方で、過度なブロックは業務の足を引っ張ります。まず、企業が置かれている状況と、外から迫るルールを押さえておきましょう。
ルールが追いかける——法規制とガイドラインのいま
グローバルな規制強化
欧州で採択されたAI法（AI Act） では、違反企業に最大3500万ユーロ、または全世界売上高の7%という高額な罰金が科される可能性があります。グローバルに事業を展開する企業にとって、AI利用における説明責任とリスク管理は無視できないテーマです。公式の条文はEUR-Lex（Regulation (EU) 2024/1689）で参照できます。
セキュリティ基準の提示
OWASP（Open Worldwide Application Security Project）からは、大規模言語モデル向けの 「Top 10 for LLM」 が公表されています。プロンプトインジェクション（悪意ある命令によるAIの誤作動誘発）やデータ漏洩など、LLM特有の10のリスクが定義されており、設計・運用のチェックリストとして参照する価値があります（OWASP Top 10 for Large Language Model Applications）。
国内の動向
日本の各省庁からはAIの利活用を推進するガイドラインが出されていますが、セキュリティ面よりも活用に重きが置かれている傾向があります。そのなかで、個人情報保護委員会は、AIへ個人情報を安易に入力しないよう注意喚起を行っています（生成AIサービスの利用に関する注意喚起等について）。機密や個人情報を扱う企業は、この動きを前提にデータ保護の設計を進める必要があります。
AI時代の二つの脅威——シャドーAIとプライベートAIの落とし穴
クラウドAI時代のデータ保護を考えるうえで、二つの脅威を区別して押さえておくと、対策の焦点がはっきりします。
シャドーAI——認可外サービスの業務利用
シャドーAIとは、企業が公式に認可していないパブリックAIサービスを、社員が個人の判断で業務に使ってしまう状態を指します。たとえば、顧客からのメール本文をそのままAIに貼り付けて返信文を考えさせる——このような利用では、メールアドレスや文面に含まれる機密情報が、企業の制御が及ばない外部のAIに送信されてしまいます。便利さと引き換えに、データの所在と取り扱いが可視化されないことがリスクの本質です。
プライベートAI——自社専用環境でも起きる設定不備
自社のパブリッククラウド上に専用のAI環境を構築すれば安全だと考えられがちですが、ここにも落とし穴があります。社内ドキュメントを読み込ませて回答精度を高めるRAG（検索拡張生成） を組む際、AIエージェントへのアクセス権限を誤って設定してしまうケースです。本来アクセスすべきでない人事データや機密データベースまでAIが参照できる状態になると、一般社員がAIに質問しただけで、権限のない機密情報が回答として引き出されてしまう恐れがあります。インフラのポスチャ（設定・態勢）管理の不備が、そのまま情報漏洩に直結するのがプライベートAIのリスクです。
「面」で守る——統合データ保護の考え方
データは、端末・ネットワーク・クラウドと、複数のレイヤーをまたいで存在し、移動します。どこに何があるか把握しきれない課題は、別稿「データは増えた、管理は追いつかない——日本企業のデータ管理の現状と限界を、現場目線でほどく」でも触れています。一つの「点」だけで防御しようとすると、抜け穴が残りがちです。そこで有効なのが、データが存在・移動する経路を「面」で捉え、包括的に保護するアプローチです。
インライン制御——流れるデータをその場で見る
インライン制御は、リアルタイムで行われる通信（Webアクセス、メール送信、生成AIへのプロンプト送信など）を監視し、機密情報の有無を検知・ブロックする仕組みです。ネットワークの経路上やエンドポイントで、「今まさに流れようとしているデータ」を検査します。生成AIへの入力に機密が含まれていないかのチェックも、このレイヤーで実現できます。
アウトオブバンド制御——置いてあるデータを可視化する
アウトオブバンド制御は、通信経路ではなく、APIなどを通じてSaaS（Microsoft 365など）やIaaS（AWS・Azureなど）、オンプレミスのストレージに直接アクセスし、どこにどんな機密データがあり、誰がアクセス権を持っているかを可視化・管理する方式です。データの所在と権限の状態を継続的に把握する**DSPM（Data Security Posture Management）や、AI環境の設定を監査するAI-SPM（AI Security Posture Management）**の考え方は、このレイヤーに位置します。
インラインで「流れ」を止め、アウトオブバンドで「置き場所と権限」を整える——この二つを一つのプラットフォームや運用で統合できるかどうかが、クラウドAI時代のデータ保護の強さを左右します。関連する考え方の違いは、同一筆者の「「関所」から「国勢調査」へ——DSPMとDLPの決定的な違い」でも整理しています。
機密を見極める——高度なデータ分類の技術
「何を機密とするか」を正確に判定できなければ、ブロックしすぎたり見逃したりします。そのため、データ分類（Classification） の技術が重要になります。
従来の手法とその限界
キーワードや正規表現でパターンマッチする方式は、シンプルですが文脈を理解できず、誤検知が多くなりがちです。名簿のような構造化データと完全一致で照合するEDM（完全一致データ照合） や、設計図・ソースコードなどの非構造化データと照合するIDM（インデックス化ドキュメント照合） を使うと、より精度の高い検知が可能です。
文脈を読む——OCRとLLMの活用
画像内の文字を読み取るOCRにより、スクリーンショットやスキャン文書に含まれる機密テキストも検知対象にできます。さらに、LLM（大規模言語モデル）を活用した分類では、文章の意図や文脈を汲み取り、「これは財務文書である」「外部に出してはいけない内容である」といった判定を自動で行うことができます。巧妙化する情報持ち出しに対応するには、こうした文脈理解型の分類が有効です。
業務を止めない——動的承認でセキュリティとスピードを両立する
セキュリティを厳格にしすぎて、正当な業務まで一律ブロックしてしまうのは本末転倒です。動的承認フロー（Just-in-Timeの承認） は、そのジレンマを解くための仕組みです。
機密情報の送信を試みた社員に対して、システムがいったんブロックして警告を出します。社員は「業務上必要な理由」をシステム上で入力して申請し、その申請が直属のマネージャーに通知されます。マネージャーが承認すれば、「5分間だけ送信を許可する」といった一時的な例外が自動で付与されます。システム管理者を介さずに現場の判断で迅速に業務を進めつつ、申請・承認・例外許可のすべてが証跡として残る——こうした設計により、ビジネスのスピードを落とさずにデータを守ることが現実的になります。
どう選ぶ？ 市場のソリューションを機能で比較する
データ保護の課題に対して、市場には境界で止めるタイプとデータの所在・権限を管理するタイプ、さらに生成AI利用に特化した制御を提供するタイプなど、複数のソリューションがあります。ここでは、製品名ではなく機能の観点で整理し、代表的なソリューション類型ごとにどの機能がカバーされるかを一覧にしました。自社の課題（シャドーAI対策か、プライベートAIの設定監査か、既存DLPの強化かなど）に合わせて、必要な機能を満たす組み合わせを選ぶ際の選択肢として参照してください。
| 機能・能力 | SWG／クラウドプロキシ | インラインDLP（メール・Web） | エンドポイントDLP | CASB | DSPM | AI利用可視化・制御（AI Guard系） | AI-SPM（プライベートAI設定監査） | 統合データ保護プラットフォーム |
|---|---|---|---|---|---|---|---|---|
| インライン制御（通信のリアルタイム監視・ブロック） | ○ | ○ | ○ | △〜○ | × | ○ | × | ○ |
| アウトオブバンド制御（API連携・データ可視化） | △ | △ | × | ○ | ○ | △ | ○ | ○ |
| 機密データ分類（キーワード／EDM／IDM／OCR） | △〜○ | ○ | ○ | △〜○ | ○ | △ | △ | ○ |
| LLMによる文脈理解分類 | × | △ | △ | △ | △〜○ | △ | × | ○ |
| 生成AI利用の可視化・プロンプト検査 | △ | △ | △ | △ | × | ○ | × | ○ |
| AI応答内容の監視（出力に含まれる機密の検知） | × | × | △ | × | × | ○ | × | ○ |
| プライベートAIの権限・設定監査 | × | × | × | △ | △ | × | ○ | ○ |
| 仮想ブラウザ／分離閲覧（リスクの高いAIサイトを分離利用） | △ | × | × | △ | × | ○ | × | ○ |
| 動的承認フロー（JIT承認・例外許可のワークフロー） | △ | △ | △ | △ | △ | △〜○ | × | ○ |
| エンドポイント〜クラウド〜SaaSの横断可視化 | △ | × | △ | ○ | ○ | △ | ○ | ○ |
- 凡例: ○＝一般的に強くカバー、△＝製品・構成により対応、×＝通常は対象外。
- 統合データ保護プラットフォームは、インラインとアウトオブバンド、DLPとDSPM／AI-SPM、動的承認などを一つの基盤でまとめて提供する類型を指します。単一ベンダーで揃えるか、ベストオブブリードで組み合わせるかは、予算・既存投資・運用体制に応じて選択できます。
参照：Microsoft「データ損失防止について」、Gartner「Innovation Insight: Data Security Posture Management」。
まとめ——押さえるべき四つの視点
クラウドAI時代のデータ保護を、製品に振り回されずに設計するために、次の四つを押さえておくとよいでしょう。
「点」ではなく「面」での保護
エンドポイント、ネットワーク、クラウド・SaaSのデータリポジトリまで、データが存在・移動する経路を統合的に可視化し、保護するアプローチが有効です。インライン制御とアウトオブバンド制御の両方を、自社のリスクに合わせて組み合わせて検討してください。
プライベートAIの設定監査（AI-SPM）の位置づけ
自社専用のAI環境であっても、アクセス権限やデータ連携の設定ミスは情報漏洩につながります。AIエージェントの権限とデータの状態を継続的に監視・監査するAI-SPMの考え方を、データ保護の選択肢に含めておくことをおすすめします。
文脈を理解する分類技術の活用
キーワードや正規表現だけでは、巧妙な持ち出しや多様なフォーマットに対応しきれません。LLMを活用した意図・文脈理解によるデータ分類は、次世代のデータ保護で差がつく要素の一つです。
一律ブロックからの脱却と動的承認
強固なセキュリティが業務の妨げにならないよう、現場のマネージャー層で迅速に例外許可を出せる動的承認フローを取り入れると、ビジネスのスピードを維持しつつ証跡を残せます。選定時には、そのようなワークフローを備えた製品や運用が可能かも確認するとよいでしょう。
生成AIの利便性を享受しつつ、機密データを守る——その両立は、「どこで何を守るか」を機能の観点で整理し、市場のソリューションを比較表のように選び直すことから始まります。本稿が、その一歩の参考になれば幸いです。
作成日：2026年3月17日