섀도우AIとは?リスク・検出方法とAIガバナンス管理チェックリスト
主な回答: 섀도ウAI(Shadow AI)とは、企業が承認または管理していないAIツール・モデル・機能を従業員が業務で使用することを指します。個人アカウントのチャットボット、ブラウザAI拡張機能、PCにダウンロードされたローカルLLM、SaaS内で新たに有効化されたAI機能などがすべて該当します。主なリスクは、プロンプトやアップロードファイルを介した機密情報・個人情報の漏洩であり、無条件に禁止するよりも「可視化し、承認された代替手段を提供し、経路で保護および記録する」という方法で管理することが現実的です。
- 検出します:ネットワーク・DNSログ、SaaS検出、エンドポイント検査、ブラウザ拡張機能リスト、法人カード・サブスクリプション履歴から実際の使用状況を把握します。
- 定義します:許可・条件付き許可・禁止リストと入力禁止情報基準を使用ポリシーとして文書化します。
- 代替手段を提供します:承認された社内AI経路を提供することで、迂回使用が減少します。
- 制御します:ゲートウェイ・ガードレールで機密情報をマスキングし、プロンプト単位のログを記録します。
- ガバナンスに組み込みます:責任者、AI資産リスト、リスク評価、定期的な再確認をAIガバナンス体制に組み込みます。
最終更新日:2026年11月
섀도우AIとは?意味とシャドーITとの違い
섀도ウAIは、セキュリティ・IT部門が認識しないまま業務で使用されるAIであり、シャドーITの一種ですが、「入力された内容自体が外部に送信される」という点でリスクの性質が異なります。
シャドーITは、承認されていないクラウドストレージ、メッセンジャー、SaaSなどのソフトウェア・サービスの使用を指します。섀도ウAIも承認なしで使用するという点では同じですが、ユーザーが文書要約・コードレビュー・メール作成のように業務データをそのまま貼り付けて使用するため、すべてのリクエストがデータ送信となります。また、すでに承認されているSaaS内にAI機能がアップデートで追加された場合、ツールは承認されているものの、AI機能だけが未確認の状態が生じる可能性があります。
| 区分 | シャドーIT | 섀도ウAI |
|---|---|---|
| 対象 | 承認されていないSaaS、クラウドストレージ、メッセンジャー、個人デバイス | 承認されていないチャットボット、AI拡張機能、ローカルLLM、SaaS内のAI機能、コーディングアシスタント |
| データフロー | ファイルの保存・共有が中心 | プロンプト・アップロード・対話記録により、リクエストごとにデータ送信 |
| 追加リスク | アクセス制御・バックアップの欠如 | 入力データの学習利用可能性、誤った回答(ハルシネーション)、著作権・ライセンス問題 |
| 可視性 | ドメイン・アプリ単位で比較的識別可能 | 承認済みアプリの内部機能、ローカル実行モデルはネットワークだけでは把握が困難 |
| 管理主体 | IT・セキュリティ部門 | IT・セキュリティ + 個人情報・法務・現場が共同で関与 |
AIエージェントがユーザーに代わってツールを呼び出す場合まで考えると、その範囲はさらに広がります。エージェントの構造とリスクについては、AIエージェントとは?意味・種類・活用事例と企業導入時のセキュリティリスクで別途まとめました。
섀도우AIはなぜ発生するのでしょうか?
섀도ウAIは、ほとんどが悪意からではなく、「業務を早く終わらせたいが、承認された手段がないか不便である」という理由で発生します。
- 承認された代替手段の不在:企業が使用可能なAIを提供しない場合、従業員は個人アカウントで公開サービスを使用します。
- 低い参入障壁:ブラウザ拡張機能や無料プランは、インストール・決済承認手続きなしで直接使用できます。
- 既存ツールのAI機能追加:文書・コラボレーション・メールツールにAI機能がデフォルトで有効化されることで、ユーザーは新しいツールを使用しているという認識がありません。
- ローカルLLMの普及:オープンソースモデルをPCで直接実行する場合、外部送信がないため安全だと誤解しやすいですが、モデルの出所・ライセンス・結果の品質は検証されていません。
- ポリシーの曖昧さ:「AI使用注意」レベルの通知だけでは、何が許可されるのか分からず、各自で判断することになります。
섀도우AIのリスク:何が問題なのでしょうか?
最大のリスクは、プロンプト・アップロードを介した情報漏洩であり、これに著作権・ライセンス、規制違反、誤った回答への依存が加わります。
OWASPは、LLMアプリケーションの10大リスク2025年版において、LLM02:2025 機密情報漏洩(Sensitive Information Disclosure)を取り上げ、個人情報・金融情報・健康情報・機密業務データ・セキュリティ認証情報がLLMとそのアプリケーションを通じて漏洩する可能性があると説明しています。対策としては、データサニタイズ(sanitization)、最小権限のアクセス制御、機密性の高い入力を避けるためのユーザー教育、学習利用拒否(オプトアウト)の提供などを提示しています。国家情報院の「ChatGPTなどの生成AI活用セキュリティガイドライン」を扱った報道も、個人情報を含む機関内の機密情報の入力を避け、プラグイン・拡張プログラムを適切に使用・管理するよう紹介しています。
| リスクの種類 | 例 | 対応 |
|---|---|---|
| 機密情報・個人情報の漏洩 | 顧客リスト、契約書、ソースコード、障害ログを個人アカウントのチャットボットに貼り付けたり、ファイルとしてアップロードする | 入力禁止情報基準、送信前のマスキング、アップロード検査、承認経路の一元化 |
| 学習・保管ポリシーの不明確さ | 無料プランで対話記録がサービス改善に利用されるか確認しない | 承認サービスごとの学習利用・保管期間の確認、オプトアウト設定の確認 |
| 著作権・ライセンス | AIが生成したコード・画像を、出所確認なしで製品に含める、ライセンス条件を知らないローカルモデルの使用 | 生成物のレビュー手順、モデル・ツールのライセンス確認、使用用途の制限 |
| 規制・契約違反 | 情報主体の同意範囲を超える個人情報処理、顧客との秘密保持契約違反 | 個人情報・法務部門のレビュー、処理目的・委託関係の確認、ログの保存 |
| 誤った回答への依存 | 検証なしにAIの回答をレポート・法務・セキュリティ判断に使用する | 人間のレビューの義務化、高リスク用途の禁止リスト |
| ローカルLLM・拡張機能・Copilot | 出所不明のモデルファイルの実行、ページ全体を読み取るブラウザAI拡張機能、ストレージ全体にアクセスするコーディングアシスタント | エンドポイント検出、拡張機能許可リスト、ストレージアクセス範囲の制限 |
섀도우AI検出方法:どこでどのように見つけるか?
一つの方法だけでは全体像が見えないため、ネットワーク・SaaS・エンドポイント・ブラウザ・コストのデータを重ねて見ることで、섀도ウAIの状況が明らかになります。
ネットワークベースの検出は、既知のAIサービスドメインを見つけるのに有効ですが、承認されたSaaS内部のAI機能やPCで実行されるローカルモデルは見落としがちです。逆に、エンドポイント検査はローカルモデルと拡張機能を見つけることができますが、管理対象外の個人デバイスは検出できません。
n| 検出方法 | 検出範囲 | 限界 |
|---|---|---|
| ネットワーク・プロキシ・DNSログ | AIサービスドメインへのアクセス、アクセスユーザー・頻度、アップロード容量 | 新しいサービスはドメインリスト更新まで見落とし、暗号化トラフィックの内容は別途検査が必要、社外ネットワーク・個人デバイスは含まれない |
| CASB・SaaS検出 | 使用中のSaaSリスト、リスクレベル、企業アカウント連携アプリ | 承認済みSaaS内部のAI機能の有効化状況は別途確認が必要 |
| エンドポイント検出 | インストールされたAIアプリ、ローカルLLM実行、ブラウザAI使用、クリップボード・アップロード行為 | エージェントをインストールした管理デバイスに限定、運用負担 |
| ブラウザ拡張機能リスト | インストールされたAI拡張機能と要求権限(ページ読み取りなど) | ブラウザ管理ポリシーが適用されたデバイスのみ収集可能 |
| コスト・サブスクリプション履歴 | 法人カード・経費で決済されたAIサブスクリプション、部署ごとの使用規模 | 無料プランと個人決済は検出できない |
| アンケート・インタビュー | 使用目的、必要な機能、不便な点 | 自己申告のため見落としの可能性あり、他の方法の補完用 |
エンドポイント領域を例にとると、KYRA AI PCは、PCごとに使用されるAIツールを検出・分類する機能(ローカルLLM検出、ブラウザAI監視、섀도ウAI識別、使用履歴記録)と、使用状況ダッシュボードを提供しています。ネットワーク・SaaS検出と組み合わせて使用することで、「どの部署がどのようなAIをどのような方法で使用しているか」を一覧で整理するのに役立ちます。
섀도우AI管理方法:遮断するか、許可するか?
섀도ウAI管理は、全面的な遮断ではなく、「承認された代替手段の提供 + 危険な使用のみ段階的に遮断 + 経路でのマスキングとログ」の組み合わせでアプローチすることが効果的です。
1. 使用ポリシーと承認リスト
ツールを許可、条件付き許可(例:企業アカウント・学習不活用設定必須)、禁止に分類し、入力してはならない情報(個人情報、顧客機密、ソースコード、認証情報、未公開財務情報など)を具体的な例とともに記載します。ポリシー文書の項目構成は、生成AI活用ガイドラインとセキュリティでチェックリストとしてまとめました。
2. 承認された社内AIという代替手段
遮断だけでは、ユーザーは個人デバイスや社外ネットワークに移行し、検出すら困難になります。業務に必要な要約・翻訳・下書き作成機能を承認された経路で提供し、申請から承認までの手続きを短縮することが、迂回を減らす最も直接的な方法です。
3. ゲートウェイ・ガードレールによるマスキングとログ
承認経路には、ユーザーとLLMの間に制御ポイントを設けます。KYRA AI Guardrailは、ユーザー・エージェントとLLMの間に位置するゲートウェイとして、住民登録番号・口座・カード・連絡先・メールアドレスなどの情報をマスキングした上で送信し、プロンプトインジェクション防御、応答範囲制限、ツール呼び出し制御を適用し、プロンプト単位の監査ログをSIEMに送信できます。マスキング基準を設定する方法は、個人情報マスキング基準と方法:LLM・生成AI適用ガイドをご参照ください。
エンドポイントでは、ネットワーク接続がない場合でもPCでポリシーを適用する方法が必要になる場合があります。KYRA AI PCは、AI使用の文脈に合わせたDLP(機密情報遮断、リアルタイムマスキング、クリップボード制御、アップロード検査)をデバイスで適用する方法です。
4. 教育
個人情報保護委員会が2026年5月に発行した「生成AIサービス利用者のための個人情報保護ガイド」は、入力内容の学習利用の有無、業務資料入力時の注意事項、学習利用拒否(オプトアウト)と対話記録の保存・削除設定などを利用者視点から案内しています。社内教育資料を作成する際は、このような公式資料を出発点とし、企業ポリシーの許可・禁止例を付け加える方法が適切です。
5. 段階的な遮断と許可
- 観測フェーズ:遮断せずにログのみを収集し、実際の使用パターンを把握します。
- 警告フェーズ:未承認サービスへのアクセスや機密情報入力時に警告とともに承認経路を案内します。
- 制御フェーズ:高リスク行為(大量アップロード、個人情報を含む入力、出所不明の拡張機能)から遮断します。
- 再検討:例外申請と遮断ログを確認し、承認リストを定期的に更新します。
AIガバナンスの中で섀도ウAIをどのように扱うか?
섀도ウAI管理は、AIガバナンスの第一段階である「何が使われているかを把握すること」に該当し、責任者・資産リスト・リスク評価・継続的な確認と連携して継続されます。
米国NISTは、2023年1月26日にAIリスク管理フレームワーク(AI RMF 1.0)を公開し、Govern(ガバナンス)、Map(コンテキスト把握)、Measure(測定)、Manage(管理)の4つの機能で構成されています。2024年7月26日には、生成AIに適用するプロファイル(NIST AI 600-1)も発表しました。国内では、個人情報保護委員会が2025年8月6日に公開した「生成型人工知能(AI)開発・活用に関する個人情報処理ガイドライン」が商用LLMサービスを活用する事業者も対象とし、個人情報保護責任者(CPO)を中心としたガバナンス構築案を提示しています。国家情報院は、2023年のガイドラインを改訂した「AIセキュリティガイドブック」を2025年12月に公共機関などに配布しました。
| ガバナンス要素 | 섀도ウAIの観点からのタスク | 主担当 |
|---|---|---|
| 役割・責任 | AI使用承認者、例外承認手続き、インシデント報告経路の指定 | 経営陣、CISO、CPO |
| AI資産リスト | 検出結果をツール・モデル・部署・データタイプ別にリストで管理 | IT・セキュリティ |
| リスク評価 | ツールごとのデータ処理場所、学習利用、保管期間、ライセンスの確認 | セキュリティ、個人情報、法務 |
| 制御適用 | マスキング、アップロード検査、拡張機能許可リスト、アクセス権限 | セキュリティ |
| モニタリング・監査 | プロンプトログ、遮断・警告履歴、定期的な再確認 | セキュリティ監視、監査 |
AI基本法に基づく事業者義務との関係は、AI基本法施行内容と企業義務チェックリストで、運用段階のガバナンス体制は、AIガバナンスとLLMOpsチェックリスト(AX 5編)で引き続きご覧いただけます。
섀도ウAI管理 30-60-90日実行計画
最初の30日間は現状把握、60日目まではポリシーと代替手段の提供、90日目までは制御とガバナンスの定着に集中します。
1~30日:可視化する
- 責任者(セキュリティ・個人情報・IT・現場代表)を指名します。
- プロキシ・DNSログからAIサービスアクセス状況を抽出します。
- CASB・SaaSリストからAI機能を持つアプリを表示します。
- 管理PCのAIアプリ・ローカルLLM・ブラウザAI拡張機能の状況を収集します。
- 法人カード・経費履歴からAIサブスクリプションを見つけます。
- 部署ごとの使用目的を簡単なアンケートで確認します。
31~60日:ポリシーと代替手段
- 許可・条件付き許可・禁止リストと入力禁止情報基準を確定します。
- 使用頻度の高い用途から承認された社内AI経路を提供します。
- 承認サービスの学習利用・保管設定を確認します。
- 例外申請手続きを作成し、処理期限を定めます。
- 全従業員を対象とした教育を実施します。
61~90日:制御と定着
- 承認経路にマスキング・プロンプトログを適用し、SIEMと連携させます。
- エンドポイントでアップロード・クリップボード制御を警告モードから開始し、段階的に遮断に移行します。
- 未承認の拡張機能と高リスクサービスから遮断します。
- AI資産リストとリスク評価結果をガバナンス文書に反映します。
- 四半期ごとの再確認スケジュールを定めます。
ひと目でわかるまとめ
- 섀도ウAIとは:企業が承認・管理していないAIツール・機能を業務で使用することです。
- シャドーITとの違い:すべてのリクエストがデータ送信であり、承認されたアプリ内のAI機能やローカルモデルのように見えにくいケースが多いです。
- 主なリスク:プロンプト・アップロードを介した漏洩、著作権・ライセンス、規制・契約違反、誤った回答への依存です。
- 検出:ネットワーク・SaaS・エンドポイント・ブラウザ・コストのデータを重ねて見ます。
- 管理:ポリシーと承認リスト、承認された代替手段、マスキングとログ、教育、段階的な遮断を組み合わせて使用します。
- ガバナンス:責任者、AI資産リスト、リスク評価、モニタリングと連携して継続します。
よくある質問
섀도ウAIを全面的に遮断すればよいですか?
全面的な遮断だけでは解決しないケースが多いです。業務ニーズが残っていれば、ユーザーは個人デバイスや社外ネットワークに移行し、企業は逆に使用状況を把握できなくなります。承認された代替手段をまず提供し、機密情報入力や出所不明の拡張機能など、リスクの高い行為から段階的に遮断する方法が現実的です。
AIガバナンスとは何ですか?
AIガバナンスは、組織がAIを導入・使用・運用する際に、誰が決定し、どのようなリスクをどのように評価し、どのような制御と監査を適用するかを定めた体制です。NIST AI RMFはこれをGovern・Map・Measure・Manageの4つの機能で説明しています。섀도ウAI検出はそのうちAI資産リストを作成する出発点です。
섀도ウAIとシャドーITは同じものですか?
섀도ウAIはシャドーITの一種と見なせますが、使用方法自体が業務データを外部モデルに入力するものであるため、情報漏洩リスクがより直接的です。また、承認されたSaaS内のAI機能やローカルモデルのように、従来のシャドーIT検出では把握しにくいケースがあります。
ローカルLLMは外部にデータが送信されないので安全ですか?
外部送信リスクは減少する可能性がありますが、モデルファイルの出所と完全性、ライセンス条件、回答品質は別途検証する必要があります。また、ローカルモデルが企業文書にアクセスするように構成されている場合、そのPCのアクセス制御がデータ保護レベルに直結します。承認リストに含めて管理することが推奨されます。
どのような情報を生成AIに入力してはいけませんか?
一般的に、個人情報、顧客・取引先の機密情報、ソースコード、認証情報(パスワード・APIキー)、未公開の財務・人事情報が代表的な入力禁止対象です。国家情報院のガイドラインを扱った報道も、個人情報を含む機関内の機密情報の入力を避けるよう紹介しています。実際の基準は企業ポリシーに例とともに明示する必要があります。
섀도ウAIの検出はどこから始めればよいですか?
すでに保有しているデータから始めます。プロキシ・DNSログと法人カードのサブスクリプション履歴だけでも、主要なAIサービスの使用状況を迅速に把握できます。その後、エンドポイントとブラウザ拡張機能の検査で、ローカルモデルや拡張機能のようにネットワークに現れにくい使用状況を補完します。
参考資料
- OWASP GenAI Security Project, "LLM02:2025 Sensitive Information Disclosure": https://genai.owasp.org/llmrisk/llm022025-sensitive-information-disclosure/
- NIST, "AI Risk Management Framework" (AI RMF 1.0, 2023年1月26日; NIST AI 600-1, 2024年7月26日): https://www.nist.gov/itl/ai-risk-management-framework
- 個人情報保護委員会, 「生成AIサービス利用者のための個人情報保護ガイド」発行報道資料 (2026年5月19日): https://www.pipc.go.kr/np/cop/bbs/selectBoardArticle.do?bbsId=BS074&mCode=C020010000&nttId=12084
- 個人情報保護委員会, 「生成型人工知能(AI)開発・活用に関する個人情報処理ガイドライン」公開報道資料 (2025年8月6日): https://www.pipc.go.kr/np/cop/bbs/selectBoardArticle.do?bbsId=BS074&mCode=C020010000&nttId=11410
- セキュリティニュース, 「ChatGPTなどの生成AIの影?ガイドラインから見たセキュリティ脅威」(2023年8月6日, 国家情報院ガイドライン紹介): https://www.boannews.com/news/articleView.html?idxno=120359
- CIO Korea, 国家情報院「AIセキュリティガイドブック」配布記事 (2025年12月10日): https://www.cio.com/article/4103809/







