グローバルビジネスと人権:「責任あるAIガバナンス」ニュースレター　第1号: AIの仕組みとガバナンスの地図を描く ——技術理解からはじめる、なぜ複数の規範が併存するのか  

「グローバルビジネスと人権:「責任あるAIガバナンス」ニュースレター　第1号:AIの仕組みとガバナンスの地図を描くー技術理解からはじめる、なぜ複数の規範が併存するのか」 についてニューズレターを発行いたしました。こちらの内容は以下のPDFからもご覧いただけます。
→グローバルビジネスと人権:「責任あるAIガバナンス」ニュースレター　第1号:AIの仕組みとガバナンスの地図を描く

グローバルビジネスと人権:
「責任あるAIガバナンス」ニュースレター　
第1号:AIの仕組みとガバナンスの地図を描くー技術理解からはじめる、なぜ複数の規範が併存するのか

2026年7月
One Asia Lawyers Group
コンプライアンス・ニューズレター
アジアESG/SDGsプラクティスグループ

はじめに——なぜ技術理解から始めるのか

「責任あるAIガバナンス」シリーズの第1号は、あえて法律の話から始めない。多くのAIガバナンス論は規制の名称や条文番号から入り、統治の対象である技術そのものの説明を後回しにしがちである。しかし、規範の射程や妥当性を評価する作業は、「その規範が何を統治しようとしているのか」という技術的実体の理解と切り離せない。例えば「学習データ」と一言でいっても、著作物を含むか、個人情報を含むかによって適用される法令は変わる。「モデルの重みを公開する」という一つの経営判断は、検証可能性・安全性・競争政策・輸出管理という互いに異質な論点へ同時に波及する(第4号で詳述する)。技術の解像度が低いままでは、規制の解像度も上がらない——これが本シリーズを技術理解から始める理由である。本号は、実務判断に必要な最低限の技術的語彙を提供したうえで、AIガバナンスの全体構造を一枚の地図として提示する。

第1部　生成AIはどう動いているのか

1. 学習(トレーニング)と推論(インファレンス)

現在主流の生成AI(大規模言語モデル)は、大きく分けて2つの工程で動いている。第一が学習(トレーニング)であり、インターネット上の文章や書籍など、膨大な量のテキストデータを読み込ませ、「ある単語列の次に、どのような単語が来やすいか」という統計的な規則性をモデルに反映させる工程である。第二が推論(インファレンス)であり、学習を終えたモデルが、利用者からの入力(プロンプト)を受け取り、学習した規則性に基づいて、確率的に最も自然な続きの単語を一つずつ生成していく工程である。
比喩的に言えば、学習は「大量の文章を読み込んで言葉の使い方の感覚を身につける」段階、推論は「その感覚をもとに、その場で文章を組み立てる」段階にあたる。AIが時として事実と異なる内容をもっともらしく生成してしまう現象(いわゆるハルシネーション)は、この仕組みの故障ではなく帰結である——モデルは事実を「記憶」して取り出しているのではなく、統計的にもっともらしい続きを生成しているに過ぎない。この点を押さえておくと、多くの規範がAIの出力を「無検証で信頼してよい情報源」ではなく「人間による確認を前提とした支援ツール」として位置づけている理由が、技術の側から自然に理解できる。

2. パラメータ・重みとは何か

学習の結果としてモデルの内部に蓄積される、大量の数値の集合を「パラメータ」または「重み(ウェイト)」と呼ぶ。現在の最先端モデルは、数千億から1兆を超える規模のパラメータを持つものもある。パラメータの数が多いほど、より複雑な言語パターンを表現できる可能性が高まるが、同時に学習・運用に必要な計算資源(コンピューティングリソース)も増大する。
重要なのは、この重みの集合自体には、人間が読んで理解できるような明示的なルールや説明が書き込まれているわけではないという点である。「なぜこの出力が生成されたのか」を、個々のパラメータの値から人間が直接読み解くことは事実上できない。これが、AIシステムが「ブラックボックス」と呼ばれる所以であり、EU AI Actの透明性要求やNIST AI RMFの説明可能性に関する議論など、多くの規範が「説明可能性」「透明性」を重視する技術的な背景でもある。

3. オープンウェイトモデルとクローズドモデル

AI開発企業が、学習済みモデルの重みそのものを一般に公開し、誰でもダウンロード・改変・自社運用できるようにする方式を「オープンウェイト」と呼ぶ。これに対し、重みを非公開とし、API(アプリケーション・プログラミング・インタフェース)等を通じてのみ利用させる方式を「クローズドモデル」と呼ぶ。
この違いは、単なる技術選択にとどまらず、統治構造上の意味を持つ。オープンウェイトモデルは、第三者が独自に安全性を検証したり、特定用途向けに改変(ファインチューニング)したりすることを可能にする一方、ひとたび公開されると提供者側が事後的に利用を制限することが事実上困難になる。クローズドモデルは、提供者が利用状況をある程度把握・制御できる一方、検証可能性は提供者の自己申告や開示姿勢に依存する。中国発のオープンウェイトモデルの急速な台頭は、この力学を世界規模で可視化させた象徴的な出来事であり、詳細は第4号で扱う。

第2部　AIガバナンスの地図を描く

1. AIガバナンスとは何か——リスクベース・アプローチという共通言語

AIガバナンスとは、AIの開発・提供・利用に伴うリスクを管理しつつ、その便益を最大限に引き出すための制度・体制・実務の総体を指す。その基底にあるのが「リスクベース・アプローチ」——すべてのAIを一律の強度で規制するのではなく、想定されるリスクの大きさに応じて規制と対応の強度を変えるという発想——であり、この点では世界の主要な規範は珍しく一致している。ただし後述のとおり、その「リスク」を誰が・いつ・どう評価するかという設計になると、法域ごとの違いが一気に表面化する。共通言語は入口だけであり、中身は同床異夢である。

2. 規範の5類型

AIガバナンスを構成する規範は、性質に応じて大きく5つに類型化できる。

1. 条約・国際原則——OECD AI原則、G7広島AIプロセス国際指針・国際行動規範など、法的拘束力を持たないが国際的な合意を形成する文書群。
2. 国内法(ハードロー)——国会で制定され、法的拘束力と(多くの場合)罰則を伴う法律。EU AI Actが典型例。
3. 政府ガイドライン(ソフトロー)——法的拘束力はないが、行政が事業者の行動指針として示すもの。日本のAI事業者ガイドラインが典型例。
4. 国際規格(認証可能な基準)——ISO/IEC 42001のように、第三者認証の対象となりうる管理システム規格。
5. 企業独自の自主基準——個々のAI開発企業が任意に公表する安全性ポリシー等。法的拘束力はないが、市場や投資家からの評価対象となる。

3. なぜ国によってハードローとソフトローの配合比率が異なるのか

同じ「AIガバナンス」という言葉を使っていても、各国・地域が採用する規範の組み合わせは大きく異なる。この違いは偶然ではなく、少なくとも3つの構造的な要因から説明できる。第一に、法文化の違いである。包括的な立法によって事前にルールを固める大陸法的な伝統を持つ法域は成文のハードローに向かいやすく、判例と個別執行を重ねる英米法的な伝統や、行政指導を通じた柔軟な調整を好む法域はソフトローや既存法の運用に向かいやすい。第二に、自国のAI産業の位置取りである。規制の名宛人となる大手AI開発企業を自国内に抱える国は、イノベーション阻害への警戒から拘束的な規制に慎重になりやすく、主として域外企業のAIを「利用する側」に立つ法域は、厳格な事前規制を課すことへの国内的な抵抗が相対的に小さい。第三に、規制を域外に輸出する意思と能力の差である。EUが単一のハードローを選んだ背景には、GDPRで実証された「自域内の市場規模を梃子に自らの規制を事実上の世界標準に押し上げる」という戦略(いわゆるブリュッセル効果)の再現を狙う面があり、この戦略は巨大な単一市場と一元的な立法機構を持つ主体にしか採り得ない。つまり各法域の規範の配合比率は、その国の法文化・産業構造・国際戦略を映す鏡であり、だからこそ簡単には収斂しない。

日本のAI法は、2025年5月28日に成立、6月4日に公布され、AI基本計画・AI戦略本部に関する規定を含め同年9月1日に全面施行された。同法は、企業に直接的な義務を課す条項を実質的に第7条(活用事業者の責務)に限定しており、欧州のような網羅的な義務・罰則体系とは異なる「基本法＋理念法」としての性格を持つ。この構造の詳細は第2号で扱う。

4. 「リスクベース」という言葉の多義性

「リスクベース・アプローチ」という言葉自体は、EU・米国・日本のいずれの規範体系でも用いられているが、その内実は同じではない。EU AI Actのリスクベースは、AIシステムの用途をあらかじめ「許容できないリスク」「高リスク」「限定的リスク」「最小リスク」の4区分に分類し、区分ごとに異なる法的義務を課すという、いわば静的・分類的なリスクベースである。これに対しNIST AI RMFのリスクベースは、Govern(統治)・Map(特定)・Measure(評価)・Manage(対応)という4つの機能を継続的に循環させる、動的・プロセス的なリスクマネジメントの考え方に近い。両者を同じ「リスクベース」という言葉で語ると、議論がかみ合わなくなることがあるため、この違いを意識する必要がある。

5. グローバル展開企業のための規制環境クイックマップ——米国・欧州・中国・インド・東南アジア

本ニューズレターの読者の多くは、日本国内にとどまらず、米国・欧州・中国・インド・東南アジアなど複数の法域で事業を展開する企業の関係者であろう。前節で見たとおり、各法域の規範の配合比率はその国の法文化・産業構造・国際戦略を反映して異なり、しかも2026年に入ってからも目まぐるしく動いている。とはいえ、個々の法令を暗記する必要はない。「規範の拘束力は強いか弱いか」「規律主体は一元的か分散的か」——この2つの問いを立てるだけで、世界の主要な規制環境の「型」はおおむね見分けられる。以下の表と図1は、この2軸を物差しとして、本号執筆時点(2026年6月)における各法域の現在地を整理したものである。比較の基準点として、第2号で詳述する日本も図中に位置づけた。詳細な制度比較は今後の号で改めて取り上げる。

図1　6法域の規制環境クイックマップ(2026年6月時点)。縦軸＝規律主体の集中度(一元的か分散的か)、横軸＝規範の拘束力(弱いか強いか)。右上に近いほどEU型の統一ハードロー、左下に近いほど自主性依存型。比較の基準点として日本も併置した。

図1を2軸で読み直すと、各法域の性格は一層はっきりする。右上(一元的×ハード)にはEUと中国が並ぶが、両者の「ハード」の中身は異なる——EUは議会立法による単一規則と司法的執行、中国は行政機関(CAC)による弁法の積層と届出制・内容統制であり、企業から見た対応の要点も、EUでは事前の適合性確保、中国では当局との継続的な関係管理へと変わる。右下(分散的×ハード)の米国は、拘束力の強い州法が乱立するという意味で、単一のハードローよりもかえって対応コストが高くつき得る象限である。左側(ソフト寄り)のインド・ASEANも一様ではなく、非拘束の看板の下でコンテンツ規律の実質的強化(インド)やEU型への先行移行(ベトナム)が進む。そして日本は、罰則を持たない基本法とガイドラインを組み合わせる設計により、拘束力軸のちょうど境界線上に立つ。この見取り図から導かれる実務的な結論は一つである——グローバルに事業を展開する企業は、本社所在地の規制水準を基準にコンプライアンス体制を設計することはできず、進出法域ごとに「型」を見極めたうえで、最も要求水準の高い法域に耐える共通基盤と、法域固有の上乗せ対応とを切り分けて設計する必要がある。この点は、第4号(米国・中国・グローバルサウスの動向)で改めて掘り下げる。

本シリーズの読み方ガイド

第2号以降は、本号で示した地図の上に各規範を位置づけながら読み進めていただきたい。第2号は日本のAI法制(基本法＋ソフトローの二層構造)、第3号はEU AI Act(ハードロー・リスク分類の典型)、第4号は米国・中国・グローバルサウスの動向(ハードロー/ソフトローの分裂と、オープンウェイトモデルが地政学に与える影響)を扱う。第5号・第6号では視点を転換し、AIを「利用する側」ではなく「開発する側」企業自身の企業統治を扱う。第7号以降は、人権・ESG・知的財産・プライバシー・専門職倫理という実体的な論点に進み、第12号で全社的なガバナンス体制の構築という形に統合する。

参照すべき一次情報源・規範

• OECD AI原則(2019年採択、2024年改訂)
• G7広島AIプロセス国際指針・国際行動規範(2023年)
• NIST AI Risk Management Framework(Govern/Map/Measure/Manage)
• ISO/IEC 42001:2023(AIマネジメントシステム)
• AI事業者ガイドライン(総務省・経済産業省、2026年6月時点の最新版は第2版)
• 人工知能関連技術の研究開発及び活用の推進に関する法律(令和7年法律第53号)
• EU AI Act(Regulation(EU)2024/1689)

信頼できる文献・解説リソース

6. Vaswani et al., “Attention Is All You Need”(2017年)——現在の生成AIの基盤であるTransformerアーキテクチャを提示した原論文。技術的な大本を確認したい読者向けの一次文献。
7. Stanford HAI, “AI Index Report”(年次)——AI技術・投資・規制動向を定量的に整理した報告書。技術と政策の橋渡しとして信頼性が高い。
8. 内閣府AI戦略会議公表資料(中間とりまとめ、AI法案概要等)——日本のAI法制定過程の一次資料として、立法趣旨を正確に把握するのに有用。
9. AI Policy Observatory——各国のAI政策・規制を横断的に検索できる公的データベース。

社内ガイドライン化のポイント

本号で示した技術理解の枠組みと規範の5類型は、社内ガイドラインの「序章・適用範囲」セクションの骨格としてそのまま転用できる。新しい規制・基準やモデルの方式(オープン/クローズド)が登場した際に、まずこの地図上のどこに位置するかを判定する社内手続(規範マッピングプロセス)を定めることを提案する。具体的には、①対象規範がハードローかソフトローか、②静的分類か動的プロセスか、③技術のどの部分を対象とするか、という本号で示した3つの問いを、社内のAIガバナンス委員会(第12号で詳述)が新規規範を評価する際の標準チェック項目として採用することが考えられる。

現時点(2026年)で反映すべき最新動向

2025年9月に全面施行された日本のAI法は、罰則を持たない基本法・理念法であり、AI事業者ガイドライン等のソフトローと組み合わさって機能する「基本法＋ガイドライン」モデルである点を、地図上の典型例として本号で提示した。同法に基づくAI基本計画は2025年12月23日に閣議決定済みであり、その内容(3原則・4つの基本的な方針)は第2号で詳述する。あわせて、中国発オープンウェイトモデルの普及(詳細は第4号)が、欧米のクローズドモデル中心の競争構造そのものに与えている影響にも触れ、第4号への橋渡しとした。

【注記】本稿の執筆にあたり、AI（Claude, Anthropic）を草稿作成・校正に活用しています。これはAIの強みを執筆のプロセスに組み入れることで、論考の質を高めることを目指した積極的な選択です。当然ながら、内容・法的分析・文責はすべて著者に帰属します。