ローカルLLMのセキュリティ｜情報漏洩を防ぐ設計と運用10項目

ローカルLLMのセキュリティ｜情報漏洩を防ぐ設計と運用10項目

記事の要約

  • ローカルLLMのセキュリティとは、自社で動かすLLMから外部送信以外の経路でも情報が漏れない状態を保つことです。ローカル化で防げるのは外部送信と学習への二次利用です。
  • 権限外閲覧、プロンプトインジェクション、悪意あるモデル、推論サーバの外部公開、ツールの脆弱性、ログからの漏洩はローカルでも残り、うち3つは実例が報告されています。
  • 対策は、設計でネットワーク・アクセス制御・ログを固め、運用でモデルの入手元確認とツールの更新、プロンプトインジェクションの多層対策、攻撃者視点の検査を回す二段構えです。

「ローカルLLMなら情報漏洩は起きない」。この前提のまま導入を進めると、セキュリティ審査や法務確認で説明に詰まりかねません。ローカルLLMのセキュリティ対策は、外部送信を止めた後にも残ります。

本記事では、防げるリスクと防げないリスクの対比表、公開調査の実例、設計と運用の対策、10項目のチェックリストを示します。

総務省のガイドラインやセキュリティ企業の調査に、東京大学松尾研発のAIスタートアップとしてローカルLLM開発を手がける弊社の視点を交えます。

ローカルLLMのセキュリティとは？防げるリスクと防げないリスク

ローカルLLMのセキュリティとは？防げるリスクと防げないリスクの解説図

ローカルLLM（＝自社のサーバやPCの中で動かす大規模言語モデル）のセキュリティとは、外部送信以外の経路も含めて、情報が漏れない状態を保つことです。前提として、AIの脆弱性（＝攻撃に悪用されうる欠陥）はなくしきれません（AI事業者ガイドライン第1.2版）。

社内向けRAG（検索拡張生成。＝社内文書を検索し、その内容を根拠に答えさせる仕組み）でも、組織内の利用者が攻撃者になる場面を想定しておきます（総務省の技術ガイドラインの想定事例）。主な手口はプロンプトインジェクション（＝細工した指示文でAIに不正な出力をさせる攻撃）です。

リスクローカル化で主な対策
外部AIサービスへの送信防げるクラウド機能の無効化
入力の学習への二次利用防げる送信停止で解消
社内の権限外閲覧防げない参照権限を元文書と揃える
プロンプトインジェクション防げない入出力の検証と権限の絞り込み
悪意あるモデルファイル防げない入手元と形式の確認
サーバの外部公開防げない社内網に閉じ、利用者を確認
ログからの漏洩防げない保存期間と閲覧者の限定
実行ツールの脆弱性防げないソフトの更新

「防げない」項目に共通するのは、漏れる経路が社内の仕組みにある点です。モデルは質問者の権限を知らず、読める文書は誰にでも答え、文書に紛れた指示にも従います。だから審査では、置き場所より何を読ませ誰に使わせるかを見ます。

「防げる」2項目にも条件があります。代表的な実行ツール（＝手元のPCやサーバでLLMを動かすソフト）のOllamaはクラウド上のモデルやWeb検索も使え、その場合は入力が外部で処理されます。ローカル専用の設定にすれば、誤って外部に送る経路を断てます。

ローカルLLMの動く仕組みと必要なスペックは「ローカルLLMとは？仕組みとメリット・必要なPCスペック2026」で解説しています。

参照元：総務省・経済産業省「AI事業者ガイドライン（第1.2版）」（2026年3月）、総務省「AIのセキュリティ確保のための技術的対策に係るガイドライン」（2026年3月）、Ollama「FAQ」（2026年10月12日確認）

ローカルLLMで実際に起きているセキュリティ問題3選

ローカルLLMで実際に起きているセキュリティ問題3選のイメージ図

表の「防げない」リスクは、すでに現実に起きています。セキュリティ企業の公開調査から3つを取り上げます。

クラウドの生成AIで起きた漏洩事例は「生成AIで機密情報を扱うリスクとは？漏洩事例と安全な導入対策を徹底解説」で扱っています。

1. 推論サーバの外部公開：誰でも使えるOllama

推論サーバ（＝モデルを動かし、質問に答える処理を担うサーバ）の設定ミスは多発しています。Cisco Talosは2025年9月、インターネットに公開されたOllamaを1,139件見つけ、うち214件はモデルが稼働し誰でも使える状態でした。

SentinelOneとCensysは、293日間の観測で130か国・175,108台の公開Ollamaを確認しました。

通常のインストールでは自分のPCからしか接続できず（Docker版は初期状態で外部から接続できます）、外部への公開は設定を1つ変えるだけで起きます。自社で確かめるなら、社外の回線から接続を試すのが確実です。

2. 悪意あるモデルファイル：読み込むだけでコードが動く

JFrogは2024年2月、AIモデルの共有サイトHugging Face上で、実害のある処理を仕込んだモデルを約100件特定しました。分析例はpickle（＝読み込み時にコードを実行できるPythonの保存形式）を悪用し、読み込んだ端末を攻撃者が操作できる状態にするものでした。

配布サイトの自動検査にも見落としはありうるため（Hugging Face公式の注記）、検査の通過は安全の証明にはなりません。

3. 実行ツールの脆弱性：OllamaのCVE-2024-37032

Wizは2024年6月、Ollamaに遠隔からコードを実行できる脆弱性（CVE-2024-37032）を公表し、修正版0.1.34以降への更新を呼びかけました。CVE（＝公開された脆弱性に付く共通の識別番号）が付いた欠陥は、更新しない限り残ります。

その後も2026年5月に、0.17.1未満のOllamaで認証なしにメモリの内容が漏れうる脆弱性（CVE-2026-7482）が公表されました。修正版の番号は随時変わるため、公式のリリース情報で最新版を確かめます。

Wizは当時、Ollamaに標準の認証（＝利用者が本人かを確かめる仕組み）機能がない点も指摘しました。脆弱性と外部公開が重なると被害が広がるため、次章の設計で入口を断ちます。

参照元：Cisco「Detecting Exposed LLM Servers: Shodan Case Study on Ollama」（2025年9月）、SentinelOne「Silent Brothers」（2026年3月更新）、JFrog「Examining Malicious Hugging Face ML Models with Silent Backdoor」（2024年2月）、Hugging Face「Pickle Scanning」（2026年10月12日確認）、Wiz「Probllama: Ollama Remote Code Execution Vulnerability」（2024年6月）、CVE Program「CVE-2026-7482」（2026年5月）

ローカルLLMのセキュリティ設計：ネットワーク・アクセス制御・ログ

ローカルLLMのセキュリティ設計：ネットワーク・アクセス制御・ログの解説図

設計の要点は、外から入れない・中でも見せすぎない・後から追えるの3つです。LLM特有の対策だけでなく、監査ログ（＝誰がいつ何をしたかを後から確かめる記録）の保存や開発者の権限管理といった情報システムの基本対策も欠かせません（総務省の技術ガイドライン）。

ネットワーク：推論サーバを閉域網の内側に置く

推論サーバは閉域網（＝インターネットから切り離した社内専用のネットワーク）の内側に置き、インターネットから到達できないことを確かめます。公開範囲を広げる設定変更は、申請と承認の対象にします。

複数人で使うなら、API（＝ソフト同士がやり取りする窓口）の手前に認証を担う中継サーバを置き、外向きの通信も必要な宛先だけに絞ります。

アクセス制御：RAGの参照権限を元文書と揃える

RAGの参照権限は、元文書の閲覧権限と揃えます。全社の文書を1つの検索対象にまとめると、人事評価や契約書のように一部の人しか見られない情報も、質問次第で他部署にも回答されかねません。

参照権限は利用者や役割ごとに設定し、AIが操作できる範囲も必要最小限に絞ります（総務省の技術ガイドラインの対策例）。AIに書き込み権限を渡すなら、人の承認を挟むのが安全です。

ログ：残す項目・期間・閲覧者を決める

ログは追跡の手段であると同時に、新たな漏洩源です。利用者が入力したプロンプト（＝AIへの指示や質問の文章）には、顧客名や未公開の数値がそのまま含まれうるためです。

誰がいつ何を参照したかは監査ログとして残し、プロンプト本文は保存期間を区切って閲覧者を限定します。ログの保存可否や閲覧範囲は用途ごとに決める事項なので、法務と社内規程をすり合わせておきます。

ローカルLLMの運用で回す3つのセキュリティ対策

ローカルLLMの運用で回す3つのセキュリティ対策の解説図

設計を固めても、導入後にモデルや実行ツールは更新され、攻撃の手口も日々変わります。対策は一度で終わらず、モデルを入れ替えたときや自社データで学び直させたときに見直します（総務省の技術ガイドライン）。見直しの頻度は一律ではなく、用途とコストに応じて決めます。

1. モデルと実行ツールの入手元・更新を管理する

モデルは公式の配布元から入手し、形式とハッシュ値を記録します。ハッシュ値（＝ファイルの改ざんを見分ける固有の値）や電子署名を照合すれば、差し替えに気づけます。

形式はsafetensors（＝モデルの本体である重みだけを保存し、コードを含まない形式）を優先します。pickle形式は読み込み時にコードが走り、開く操作そのものが攻撃の入口になるためです。

実行ツールの更新は、担当者と頻度を決めて回します。閉域網のサーバは自動更新されにくく、修正版が出ても古い版が残りやすいためです。

2. プロンプトインジェクションに多層で備える

プロンプトインジェクションは、1つの対策では防ぎきれない前提で備えます。モデルは指示と資料を区別せず同じ文章として読むため、資料に書かれた指示にも従いかねないからです。攻撃の文を言い換えられると検査をすり抜けるため、入力の検査だけでは閉じません。

RAGや追加学習（＝既存のモデルに自社データを追加で学ばせること）を取り入れても、この攻撃のリスクは残ります。

OWASP（＝ソフトウェアの安全性向上に取り組む国際的な非営利団体）の「Top 10 for LLM Applications 2025」でも、プロンプトインジェクションは10リスクの筆頭に置かれています。

対策は、入力・参照文書・出力の検証と、システムプロンプト（＝AIに事前に与える設定の指示文）に機密を書かないことです。三か所に分けるのは、1か所を抜けられても次で止め、被害をAIの権限の範囲に限るためです。

3. レッドチーミングで定期的に試す

本番前と大きな変更の後には、攻撃者の立場で弱点を試します。この検査をレッドチーミング（＝攻撃役を立てて防御の穴を探す検査）と呼びます。飛ばすと、対策が書類の上で揃っていても、抜けられるかを確かめないまま本番に進みます。

手順は、国のAI安全性の専門機関であるAIセーフティ・インスティテュートのレッドチーミング手法ガイド（第1.10版）が参考になります。

参照元：OWASP「Top 10 for LLM Applications 2025」（2024年11月）、AIセーフティ・インスティテュート「AIセーフティに関するレッドチーミング手法ガイド」（第1.10版・2025年3月）

ローカルLLMのセキュリティチェックリスト10項目

ローカルLLMのセキュリティチェックリスト10項目の解説図

導入前と定期点検で使える10項目にまとめます。1つでも未確認があれば、本番利用の前に埋めることをおすすめします。

  • 推論サーバが閉域網の内側だけにあるか
  • APIに認証をかけ、外向きの通信を絞ったか
  • 実行ツールのクラウド機能を無効にしたか
  • RAGの参照権限を元文書の閲覧権限と揃えたか
  • AIが操作できるシステムと権限を最小限にしたか
  • ログの保存項目・保存期間・閲覧者を決めたか
  • モデルの入手元・形式・ハッシュ値を記録したか
  • 更新を確認する担当と頻度を決めたか
  • 入出力の検証を入れ、システムプロンプトに機密を書いていないか
  • 本番前と変更後にレッドチーミングを行うか

項目は入口（閉域網・認証・クラウド機能）、中身（権限とログ）、運用の順です。入口が開いていれば権限設定は意味を失い、権限が緩ければ漏洩そのものは止められず、ログで後から追うだけになります。だから上から順に確かめます。

構築の進め方と費用の考え方は、「ローカルLLM構築の進め方・費用と失敗しない注意点【事業責任者向け】」で詳しく解説しています。

ローカルLLMのセキュリティは設計と運用をまたぎ、情シスだけでは判断しにくい論点が残ります。弊社は、AI・DXの疑問を東大出身の専門家にチャットで相談できる「AI×DX寺子屋」（プランA＝月額20万円・税抜で相談し放題）を提供しています。

安全な構成を自社データで小さく確かめたい段階なら、AI PoC（＝本番開発の前に小さく行う技術検証）サービス「ココロミ」でご一緒できます。

ココロミ の詳細はこちら

ローカルLLMのセキュリティに関するよくある質問

ローカルLLMのセキュリティに関するよくある質問
ローカルLLMなら情報漏洩は起きませんか？

外部送信と学習への二次利用は防げますが、権限外閲覧、プロンプトインジェクション、ログ、サーバの外部公開は残ります。

インターネットから切り離せば、追加の対策は不要ですか？

外部公開と外部送信は防げますが、社内の利用者による攻撃や権限外閲覧は残ります。切り離すと更新も止まりやすいため、持ち込む手順を決めておきます。

Hugging Faceで公開されているモデルは安全ですか？

公開されているだけでは安全とはいえません。開発元の公式アカウントから入手し、safetensors形式を選び、ハッシュ値を記録してください。改変版や再配布版（＝開発元以外が配り直したモデル）は出所を確かめてから使います。

法務の立場では、何を確認すればよいですか？

ログに残る情報の範囲・保存期間・閲覧者と、社内規程との整合を確認します。対策と管理の記録は、法的な備えにもなります。

秘密情報を適切に管理していれば、漏洩しても営業秘密の秘密管理性（＝秘密として管理されていたと認められること）を満たしうると考えられます（総務省の技術ガイドライン）。営業秘密と認められるには、有用性と非公知性（＝一般に知られていないこと）の要件も満たす必要があります。

まとめ

まとめ

ローカルLLMのセキュリティ対策は、外部送信を止めた後に残るリスクを、設計と運用で埋める作業です。ローカル化は対策の出発点であり、終点ではありません。

  • 防げるのは外部送信と学習への二次利用で、権限外閲覧・攻撃・モデル・ログは残る
  • 設計では推論サーバを閉域網と認証の内側に置き、RAGの権限とログの範囲を決める
  • 運用ではモデルの入手元確認と更新、多層の攻撃対策、レッドチーミングを回す

迷われている段階でも、お気軽にご相談ください。最後までお読みいただき、ありがとうございました。

執筆：株式会社EQUES（東京大学松尾研発のAIスタートアップ。製薬・製造業のAI開発と、AI PoC「ココロミ」・AI相談「AI×DX寺子屋」を提供）

ローカルLLMの安全な構成を相談しませんか

AI×DX寺子屋では、セキュリティ設計や運用の疑問を東大出身のAI専門家にチャットで相談できます。まずは無料相談からどうぞ。

無料で相談する
AI×DX寺子屋を見る
一覧に戻る

関連記事

生成AI研修のカリキュラム例｜階層別の内容と社内設計の5ステップ
DX・業務改善

生成AI研修のカリキュラム例｜階層別の内容と社内設計の5ステップ

2026.10.19

記事の要約 生成AI研修のカリキュラムとは、対象者ごとに目的・内容・時間・演習・到達目標を定めた学習計画のことです。経営層・管理職・現場・推進担当の4階層に分けて組みます。 国のデジタルスキル標準も全員向けと推進人材向けの2層です。現場にはプロンプト（＝AIへの指示文）と入力禁止の情報を、推進担当には業務設計と社内講師の技法を割り当てます。 設計は研修後に変えたい業務成果から逆算し、自社業務を使った演習と小規模な試行を経て、反応・学習・行動・成果の4段階で効果を測ります。 「全社員に同じ生成AI研修を受けさせたが、管理職は部下の使い方を判断できず、現場は何を入力してよいか迷っている」。人事やDX推進の担当者から、弊社がよく伺う悩みです。 弊社の経験では、原因の多くは講義の質ではなく、対象者を分けずにカリキュラムを組んでいることです。本記事では、生成AI研修のカリキュラム例を4階層で示し、効果測定や外部研修の使い方まで設計の手順を解説します。 東京大学松尾研発のAIスタートアップとして企業の生成AI研修や活用支援を手がける弊社の経験と、国の公表資料をもとにまとめました。 生成AI研修のカリキュラムとは？階層別に設計する理由 生成AI研修のカリキュラムとは、誰に・何を・何時間で・どの水準まで教えるかを定めた学習計画です。操作説明会と違い、業務のどこを生成AIに任せ、どこを人が判断するかを身につけます。 階層を分けるのは、立場ごとに生成AIで下す判断が違うためです。全員に同じ内容を教えると操作説明に寄り、管理職は確認の基準を持たず、現場は入力してよい情報の線引きが分からないまま利用が止まります。 国の基準も、全員向けの土台と推進人材の専門性を分けて定めています。経済産業省とIPA（情報処理推進機構）のデジタルスキル標準はDXリテラシー標準とDX推進スキル標準の2本立てで、2023年8月に生成AIの記載が加わりました。 経営層を含めるのは、生成AI活用を後押しする経営層の関与が世界平均より低いためです（経済産業省、2024年6月）。方針と予算を決める層が動かないと、現場は使ってよい範囲を判断できず、覚えた操作を職場で試せません。 社員教育は企業に期待される取り組みでもあり、AI事業者ガイドライン第1.2版（2026年3月）は共通の指針に「教育・リテラシー」を含めています。 参照元：IPA「DXリテラシー標準（DSS-L）概要」（2026年4月更新）／経済産業省「生成AI時代のDX推進に必要な人材・スキルの考え方2024」（2024年6月）／総務省・経済産業省「AI事業者ガイドライン（第1.2版）」（2026年3月） 階層別の生成AI研修カリキュラム例【4階層の比較表】 時間は本記事で示す設計の一例で、公的な基準ではありません。業務量と受講者の経験に合わせて調整してください。 階層目的主な内容時間の例演習の例到達目標経営層投資と方針を決めるできること・できないこと、他社動向、リスクとガバナンス（＝AI利用の管理体制）2〜3時間優先する業務を3つ選び、方針を書く方針・予算・体制を決められる管理職チームの業務に組み込む業務の切り出し、出力の確認方法、部下への指導3〜4時間チームの業務からAIに任せる工程を選ぶ部下の成果物を確認して承認できる現場（全社員）日常業務で安全に使う基本操作、プロンプト、入力禁止の情報、著作権基礎2〜3時間＋演習2時間自分の資料で要約・メール・議事録を作る社内ルールの範囲で毎週使える推進担当部署に展開する業務設計、RAG（＝社内文書を検索して答えさせる仕組み）の基礎、効果の評価、社内講師の技法計10〜20時間部署の課題で検証計画を作る部署の相談に答え、改善案を出せる 表の4階層は、学ぶ内容で2つに分かれます。判断する層に操作を教えても職場で使う場面が少なく、使う層に方針だけを教えても手が動きません。だから経営層と管理職は判断の基準、現場と推進担当は業務での使い方を演習の題材にします。 経営層と管理職は「判断の基準」を学ぶ 経営層の研修は、操作より「何に投資し、何を禁止するか」を決める材料に絞ります。方針が文章になって初めて管理職と現場に教える許可範囲が決まるため、最後に自社の方針を書く演習を置きます。 管理職の研修で最も重要なのは、部下が作った生成AIの出力を確認する基準です。ハルシネーション（＝AIがもっともらしい誤りを出力する現象）を見抜く手順と、AIに任せる工程の判断を、チームの実際の業務で練習します。 基準がないと、部下の出力をそのまま通すか作り直すかの二択になり、時間が減りません。 現場と推進担当は「業務での使い方」を学ぶ 現場向けは、社内ルールの範囲で毎週使える状態を到達目標にします。前半で入力してはいけない情報と出力の確認方法を学び、後半は自分の業務資料でメールや議事録を作ります。 演習用のプロンプトの型は「プロンプトエンジニアリングの例10選｜コツと手法を徹底解説」にまとめています。 推進担当は、各部署の相談役と社内講師を兼ねる人材です。部署の課題を1つ選び、検証計画まで作る演習を通じて、業務への組み込みと社内展開の進め方を学びます。 生成AIの社員教育を階層・役割別に進める企業の事例 大手4社の公式発表から、段階や役割で分ける例を整理します（効果の数値がない企業は実施の事実のみ）。 企業（公表時期）取り組みの内容LINEヤフー（2025年7月）全従業員約11,000人にリスク管理とプロンプト技術の必須eラーニングを実施し、試験合格を利用条件に設定。活用推進者を全部署に設置NTTデータグループ（2025年10月）人財レベルを4段階で定義。基礎研修でリテラシーとガバナンスを教え、実践研修の修了者は7万人以上（2025年10月時点）野村ホールディングス（2025年9月）約5,000名が履修した社内のデジタル人材育成プログラムに、全社員の生成AI活用を推進する育成プログラムを新設日立製作所（2025年1月）業務変革を率いる「GenAIアンバサダー」を新設し、ITとOT（制御・運用技術）の専門家16名を任命 LINEヤフーとNTTデータグループは、全員向けの基礎と、推進役や上位段階の育成を分けています。野村は既存の社内教育への組み込み、日立は推進役の職位化の例です。 この型の事例で詰まりやすいのは、基礎研修の受講と利用開始が別々に進み、受講しただけで終わる点です。試験合格を利用の条件にする、部署ごとに推進役を置くなど、受講と利用を一本の流れにすると行動に変わります。 自社では、基礎研修と利用開始の順序と推進役を置く部署の範囲を先に決めます。推進役のいない部署では相談先がなく、利用が個人の工夫で止まるためです。 参照元：LINEヤフー「全従業員約11,000人を対象に「生成AI活用の義務化」を前提とした新しい働き方を開始」（2025年7月）／NTTデータグループ「実践的な生成AI人財育成を2027年度までにグローバル全社員へ拡大」（2025年10月）／野村ホールディングス「全社員の生成AI活用を推進するための人材育成プログラムを新設」（2025年9月）／日立製作所「生成AI開発・活用のエキスパートを「GenAIアンバサダー」に任命」（2025年1月） 生成AI研修を社内で設計する5ステップ 社内で生成AI研修を設計するときは、講義内容から考えず、研修後に変えたい業務の成果から逆算します。手順は次の5つです。 研修後に変えたい業務成果を決める 受講者の現状を測り、クラスを分ける 時間配分と教材・演習を決める 一部の部署で試行して教材を直す 効果を測り、内容を更新する 1. 成果目標の設定 最初に、研修の後に変わってほしい業務と指標を決めます。「議事録の作成時間を半分にする」「問い合わせ回答の下書きをAIで作る」のように、対象業務と数値で書きます。 指標が決まると、教える内容の優先順位も自然に決まります。成果を決めずに始めると内容が操作の網羅に寄り、受講者は研修後に何を変えればよいか分からないまま職場に戻ります。 2. 受講者の現状把握とクラス分け 次に、受講者が生成AIをどの程度使っているかを簡単なアンケートで把握します。同じ役職でも利用経験には差があるため、役職に加えて経験で入門と応用のクラスを分けると、演習の密度を保てます。 あわせて、対象業務の現在の所要時間も測っておきます。研修後の数値と比べる基準になり、効果測定で何が変わったかを示せます。 3. 時間配分と教材・演習の決定 時間配分は、研修時間の半分程度を演習にあてるのが弊社のおすすめです。演習には受講者が持ち込んだ実際の業務資料を使い、汎用の教材に自社の利用ルールと業務例を足して教材を作ります。講義だけでは自分の業務でどの指示を書くかまで届かず、職場で最初の一歩が出ないためです。 著作権の章は、文化審議会著作権分科会の法制度小委員会が取りまとめ、文化庁が公表した「AIと著作権に関する考え方について」（2024年3月）を土台にします。 入力ルールが未整備なら「生成AIガイドラインの作り方｜企業の事例11選と必須項目2026」を参考に並行して整えます。 4. 小規模な試行と改善 全社展開の前に、まず1〜2部署で試行します。演習の課題が業務に合っているか、時間が足りるかを受講者アンケートと講師の観察で確かめ、教材を直します。 試行に参加した受講者は次の回で講師の補助役を担えるため、試行の場は推進担当の候補を見つける機会にもなります。 5. 効果測定と内容の更新 研修後は、ステップ1で決めた指標を測り直します。ツールも社内ルールも変化が速いため、教材は半年に1回を目安に見直すことをおすすめします。OJT（＝職場で実務を通じて行う指導）で出た質問を教材に足すと、内容が業務に近づきます。 参照元：文化庁「AIと著作権について」（「AIと著作権に関する考え方について」2024年3月） 生成AI研修の効果測定と外部研修の使い分け 研修の効果は、受講者の満足度だけでは判断できません。カークパトリックモデル（＝反応・学習・行動・成果の4段階で研修効果を測る考え方）を使うと、どの段階で止まっているかが分かります。 段階測るもの生成AI研修での指標例時期の目安（例）反応役立つと感じたか業務との関連度の5段階評価研修直後学習知識と技能が身についたか確認テスト、ルーブリック（＝観点と水準を表にした採点基準）による課題評価研修直後行動職場で使っているか利用ログ（利用履歴）、週あたりの利用回数研修直後〜3か月後成果業務が変わったか対象業務の作成時間・処理件数3〜6か月後 弊社の経験では、生成AI研修で見落とされやすいのは3段階目の「行動」です。部署別の利用状況を見ると、受講したが使っていない部署が分かり、管理職への追加研修の対象を絞れます。 外部研修は、最新動向・技術の基礎・社内講師の育成のように社内で作りにくい部分に使い、自社ルールと業務演習は社内で持つのが効率的です。すべてを任せると演習が汎用的になりがちです。 到達水準の外部基準には資格が使えます。生成AI活用普及協会（GUGA）の生成AIパスポートは仕組みからリスク予防、活用事例までの5章構成（2027年2月試験から適用）、日本ディープラーニング協会（JDLA）のG検定はAIの基礎と事業活用の知識を問う検定です。 研修会社の比較と助成金の使い方は「【2026年】生成AI研修おすすめ15選と失敗しない選び方・助成金活用法」にまとめています。 参照元：Kirkpatrick Partners「The Kirkpatrick Model」／生成AI活用普及協会「生成AIパスポート、2027年試験のシラバスを大幅改訂」（2026年10月1日）・「シラバス」／日本ディープラーニング協会「G検定とは」（2026年10月確認） このように、生成AI研修は自社の業務とルールに合わせるほど効果が出やすくなります。こうした研修設計の相談先として、弊社は「AI×DX寺子屋」を提供しています。 AI・DXの困りごとを東大出身のAI専門家集団にチャットで相談でき、プランA（月額20万円・税抜）は相談し放題と月1回60分のオンラインコンサルティング、プランB（応相談）ではAI人材研修の実施などにも対応します。 現場の学習には、1回約10分の動画と確認テスト、プロンプトテンプレートを備えた「AI×DX寺子屋 learning」も使えます（業界別の教材は現在、製薬業界のGMP（＝医薬品の製造・品質管理の基準）・MR（＝医薬情報担当者）向けを公開）。 弊社は東北電力の事業創出部門で1Day研修を行いました。ロート製薬では品質統括部が寺子屋の提案を決め手に、製品スペック作成の自動化から小さく始めています。 参照元：株式会社EQUES「東北電力 導入事例」「ロート製薬株式会社 導入事例」「AI×DX寺子屋 Learning、GCI（東京大学寄附講座）向けコース開始のお知らせ」（2026年8月） AI×DX寺子屋 の詳細はこちら 生成AI研修のカリキュラムに関するよくある質問 全社員向けの生成AI研修は何時間必要ですか？ 本記事の例では基礎2〜3時間と業務演習2時間の計4〜5時間です。 経営層向けの研修は必要ですか？ 必要です。利用方針と予算を決めるのは経営層で、方針がないまま現場だけを研修しても利用は広がりにくくなります。 社内講師だけで研修を回せますか？ 自社ルールと業務演習は社内講師が適しています。技術の基礎や最新動向は変化が速く社内講師の負担が大きいため、その部分だけ外部の教材や専門家を使うのが現実的です。 研修の効果はいつ測ればよいですか？ 満足度と確認テストは研修直後、利用状況は研修直後から3か月後まで追います。業務成果は3〜6か月後に測ります。 まとめ 生成AI研修のカリキュラムは、4階層に分け、業務成果から逆算して設計することで機能します。 階層ごとに目的・内容・時間・演習・到達目標を定めた学習計画を作る 経営層と管理職は判断の基準、現場と推進担当は業務での使い方を演習で学ぶ 成果から逆算する5ステップで設計し、反応・学習・行動・成果の4段階で測る 最後までお読みいただき、ありがとうございました。 執筆：株式会社EQUES（東京大学松尾研発のAIスタートアップ。製薬・製造業のAI開発と、AI PoC「ココロミ」・AI相談「AI×DX寺子屋」を提供） 自社向けの研修設計を相談しませんか AI×DX寺子屋では、研修の設計や定着の疑問を東大出身のAI専門家にチャットで相談できます。まずは無料相談からどうぞ。 無料で相談する AI×DX寺子屋を見る

中小製造業のAI導入事例6選｜費用・補助金2026と始め方
DX・業務改善

中小製造業のAI導入事例6選｜費用・補助金2026と始め方

2026.10.19

記事の要約 中小製造業のAI導入とは、従業員300人以下などの製造業が検査や見積もりなどの業務にAIを組み込むことで、中小製造業の導入率は16.4％にとどまります。 公表事例では、従業員22名の工場がセンサーと画面のシステムを50万円で自社開発して稼働を見える化し、染色加工の企業は約1,000万円で熟練者の色の判断をAIに学ばせています。 2026年度はIT導入補助金がデジタル化・AI導入補助金に改称されるなど制度が変わっており、締切と対象範囲は公募回（＝申請受付の回）ごとに公式サイトで確認が必要です。 「AIは大企業の話で、うちの規模では費用も人も足りない」。従業員数十人から数百人の工場で、よく耳にする声です。 本記事では、中小製造業のAI導入事例6件を一覧で示し、費用の内訳、2026年10月時点の補助金の条件、着手の順番を解説します。 東京大学松尾研発のAIスタートアップとして製薬・製造業のAI開発を手がける弊社の経験も踏まえました。 中小製造業のAI導入とは？導入率16.4％の現状と使われ方 中小製造業のAI導入とは、従業員300人以下または資本金3億円以下の製造業がAIを業務に組み込むことです。外観検査（＝製品の傷や異物を目で確かめる検査）や見積もりなど人の経験に頼る判断を、画像認識や生成AIで補うのが典型です。 AIを導入済みの中小企業は20.4％で、製造業に限ると16.4％にとどまります（中小企業基盤整備機構、2026年3月）。 AIを導入済みの中小企業（全業種）でも、製造・生産部門で活用している割合は34.9％と、総務・管理部門（68.3％）の約半分です。製造部門のない業種も含む数字ですが、工場の工程でのAI活用は事務部門ほど広がっていない様子がうかがえます。差が出る理由は、AIが学ぶ材料にあります。 事務の文書は会社が違っても形が似ていて、多くの場合は既製の生成AIで足りますが、工場の良否の判断は製品や設備ごとに違い、自社のデータで学ばせないと動きません。 AIを業務で使っていない理由の最多は「活用する業務がイメージできていない」でした（2026年版中小企業白書）。近い規模の事例を知ることが最初の一歩になります。 参照元：中小企業基盤整備機構「中小企業のAI等の利活用に係る実態調査」（2026年3月・報告書）／中小企業庁「2026年版中小企業白書」（2026年4月）、「中小企業者の定義」 中小製造業のAI導入事例6選｜規模・用途・費用・支援策の一覧 公的機関や経済団体の事例集、白書から、従業員300人以下の製造業6社を選びました。従業員数は各原典の掲載時点です。 企業（所在地・従業員数）用途費用・体制使った支援策錦城護謨（大阪府・275名）外観検査記載なし（共同開発）大阪産業局の補助金、大阪府の助成金枚岡合金工具（大阪府・22名）設備の稼働監視自社開発・3か月・50万円記載なし艶金（岐阜県・134名）技能伝承（色の判定）共同開発・1年・約1,000万円記載なしIBUKI（山形県・63名）見積もりグループ企業と開発・2年・非公開記載なし樋口製作所（岐阜県・279名）図面解析・技能伝承自社開発・費用は記載なし記載なし岡田研磨（石川県・85名）生成AIでの業務アプリ作成内製・AIの月額利用料のみ記載なし 大企業を含む事例は「製造業のAI・生成AI活用事例｜失敗しない導入とROIの考え方」で紹介しています。 1. 錦城護謨：0.1平方ミリの異物を見つけるAI検査機を開発 大阪府八尾市のゴム製品メーカー、錦城護謨は、ベンチャー企業と0.1平方ミリの異物を瞬時に検出するAI検査機を共同開発し、2023年3月に量産1号機を完成させました。この型では、目視の見逃しが人と時間帯で変わるため、基準を機械にそろえる価値があります。 ただし異形・多色の製品では汎用化に限界があり、1色1形状の専用機になった点は、開発を進める中で得た教訓です。この型の画像AIは、多くの場合、正常な見え方を覚えて差を探すため、形や色が変わると基準も変わり、学び直しが要るからです。 2. 枚岡合金工具：稼働の見える化で機械稼働率を15％向上 大阪市生野区で金型を作る枚岡合金工具は、NC自動機（＝数値制御の工作機械）にセンサーを、人が操作する汎用機にAIで画像を解析するカメラを付けて、機械の停止時間を見える化しました。この型では、止まった時間が記録に残らず、改善の手がかりが無いところで詰まります。 センサーと画面のシステムは自社開発で、開発コストは50万円でした（画像解析はテクノアのAI）。判明したロスを工程の見直しで減らし、稼働率を15％高めています（2021年9月時点）。止まった時間を測るだけでも効果が出るため、典型的には費用を抑えやすい用途です。 3. 艶金：熟練者の色の合否判断をAIが補助し、確認を1分に 岐阜県大垣市の染色加工会社、艶金は、熟練職員の色の合否判断を過去2,000件分学ばせ、若手の判断を補助するAIをソフト会社と開発しました。この型では、熟練者の感覚を過去の合否の記録に置き換えられるかが分かれ目です。 一部の判断では確認時間が5〜10分から1分に短縮した一方、精度は熟練者の水準に届いていないと公表しています（2022年1月時点）。学ばせた記録に無い微妙な判断までは、多くの場合届かないためです。 4. IBUKI：AIによる見積もりで作成時間を3時間から30分に 山形県河北町で射出成形（＝溶かした樹脂を型に流して固める成形法）用金型を作るIBUKIは、工場長1人が担っていた見積もりの思考手順をAIに学ばせ、自動作成の仕組みをグループ企業と開発しました（2016年から2年間）。この型では、頭の中の手順を言葉にする作業で詰まります。 その結果、見積もりの作成時間は3時間から30分に縮み、見積もりを作れる担当者も5名に増えました。 5. 樋口製作所：3D図面からプレス加工の可否を判別するAIを開発 岐阜県各務原市の金属プレスメーカー、樋口製作所は、技術伝承の対策として3D図面からプレス加工の可否を判別する「Hawk AI」を開発し、属人化していたノウハウの共有を図っています。この型では、即答できる人が限られ、不在のとき図面の判断が止まるところで詰まります。 生産や保全の注意点を担当者に伝えるAI「Lai-ser」も開発し、経済産業省の「DXセレクション2025」で優良事例に選ばれています。 6. 岡田研磨：生成AIで業務アプリを内製し、月530時間を削減 石川県金沢市で機械部品を加工する岡田研磨は、専務が生成AIと対話しながら約30種のアプリを備えた管理システムを自作し、月530時間程度の労働時間削減につなげました。現場の困りごとを知る人が自分で作るため、要件を外部に伝える手間と費用が消える型です。 外注なら約8,000万円とされる開発を、AIの月額利用料のみで実現しています。ただし作った人にしか直せなくなりやすく、引き継ぎの記録を残せるかが続ける条件です。 6件を当てはめるなら、成果の数字より「AIに何を学ばせたか」を見てください。記録が残っているかで、期間と費用の見込みが変わるからです。 参照元：大阪府「ものづくりイノベーション支援助成金の活用事例」（錦城護謨）／関西経済連合会「ICT・IoT・AI等活用事例集」（枚岡合金工具、艶金、IBUKI）／経済産業省「DXセレクション2025選定企業レポート」（2025年3月）／中小企業庁「2026年版中小企業白書」（2026年4月） 中小製造業のAI導入にかかる費用の目安と内訳 中小製造業のAI導入費用は、用途と作り方で数十万円から数千万円規模まで開きます。差を生む主な内訳は次のとおりです。 費用の項目主な中身金額が膨らむ条件データ整備記録の電子化、良否の正解付け判断基準が人の頭の中にしかないPoC（＝本番前の小さな技術検証）精度と効果の確認対象の工程を絞れていない開発・ツール既製ツールの利用料、個別開発費自社専用の判定や他システム連携機器カメラ、照明、センサーラインへの組み込み運用利用料、保守、再学習（＝新データでの学び直し）製品や条件が頻繁に変わる 見落としやすいのは運用費です。AI導入の阻害要因の最多は「導入にあたっての高コスト」（46.9％）で、導入後の課題もランニングコストの高さが4割台でした（同調査）。製品の切り替えが多いほど再学習が繰り返されるため、初期費用と年間の運用費を合わせて見積もることが欠かせません。 自動化設備の費用相場は「製造業の自動化を成功に導く！AI導入のメリットと費用・補助金まで徹底解説」で整理しています。 参照元：中小企業基盤整備機構「中小企業のAI等の利活用に係る実態調査 報告書」（2026年3月） 中小製造業のAI導入に使える補助金2026｜最新の公募条件 2026年度に中小製造業が検討しやすい国の補助金は、デジタル化・AI導入補助金、省力化投資補助金、新事業進出・ものづくり商業サービス補助金の3つです。補助率（＝経費のうち補助される割合）や締切は公募回ごとに変わるため、下表は2026年10月18日時点の条件です。 補助金主な対象補助上限・補助率直近の締切デジタル化・AI導入補助金（通常枠）登録済みのAIツール・クラウド450万円・1/210月30日17時（6次）省力化投資補助金（一般型）現場に合わせた設備・システム従業員数に応じ750万〜8,000万円・1/2（小規模事業者は2/3）12月下旬（第9回・予定）省力化投資補助金（カタログ注文型）カタログ掲載の省力化製品200万〜1,000万円（賃上げで最大1,500万円）・1/2以下随時新事業進出・ものづくり商業サービス補助金新製品・新サービスの開発従業員数に応じ750万〜2,500万円・1/2（革新的新製品・サービス枠）10月30日（第1回） 3つに分かれるのは、ツールの普及、人手不足を補う設備投資、新製品の開発と目的が違うためで、同じAI検査でもソフトを入れるのか装置ごと入れるのかで対象経費と候補が変わります。 工程の改善には表の上3行、AIを組み込んだ新製品の開発には4行目の補助金が候補です。 自治体の制度もあります。大阪府豊中市の「令和8年度AI促進補助金」は、AIツールの利用料や開発委託費を上限10万円・補助率1/2で補助します（市と商工会議所が派遣するAIコンシェルジュの提案が条件）。本社所在地の自治体の制度も確認しておくと選択肢が広がります。 デジタル化・AI導入補助金：旧IT導入補助金でAIツールが対象 デジタル化・AI導入補助金は、2026年からIT導入補助金が名称を変えた制度です。通常枠では、ソフトウェア購入費やクラウド利用料（最大2年分）、導入設定や研修の費用が補助されます。見積書の作成や受発注の記録を既製の生成AIツールに任せる投資が、この枠の候補です。 申請は登録されたIT導入支援事業者と共同で行い、GビズIDプライム（＝行政手続き用の法人ID）は、書類申請だと審査に最大1か月かかります。第7次公募からは1人当たり給与支給総額の向上要件も加わります。 省力化投資補助金：設備と一体のAIは一般型が候補 中小企業省力化投資補助金は、省力化投資（＝少ない人手で同じ仕事を回すための投資）を支援します。一般型は現場に合わせた設備やシステムが対象で、上限は従業員数に応じ750万〜8,000万円です（大幅賃上げ特例で最大1億円）。検査や搬送に人を張り付けている工程を装置で置き換える投資に効きます。 一般型の第8回は10月16日に締め切られ、第9回は11月上旬に公募開始の予定です。外観検査装置のように設備と一体で入れるAIは一般型が候補になるため、公募要領（＝補助金ごとの対象や条件を定めた文書）で対象経費を確認してください。 新事業進出・ものづくり商業サービス補助金：工程改善だけのAIは対象外 従来のものづくり補助金は23次締切分の採択結果が2026年8月に公表され、新制度「新事業進出・ものづくり商業サービス補助金」の第1回公募が10月30日18時まで行われています。 革新的新製品・サービス枠では、既存製品の生産工程を改善するだけの事業は対象外です。AIを使った新製品の開発なら、補助上限は従業員数に応じ最大2,500万円（賃上げ特例で3,500万円）です。検査や見積もりを速くするだけの投資は当てはまらず、AI入りの製品や新サービスを売る計画のときの候補です。 要件には付加価値額（＝営業利益・人件費・減価償却費の合計）の年4.0％以上・1人当たり給与支給総額の年3.5％以上の増加などがあり、給与などの目標が未達だと返還を求められる場合があります。 参照元：中小企業庁「補助金の公募・採択」「デジタル化・AI導入補助金2026」／デジタル化・AI導入補助金事務局「通常枠」「制度変更のお知らせ」／「省力化投資補助金（一般型）」「同（カタログ注文型）」／「新事業進出・ものづくり商業サービス補助金」／「ものづくり補助金総合サイト」／豊中市「令和8年度AI促進補助金」（2026年10月12日確認） 中小製造業がAI導入で失敗を減らす始め方4ステップ 紹介した6件のうち4件は、異物検査・稼働監視・色の判定・見積もりのように、対象を1つの業務に絞って導入したAIです。弊社がご相談を受ける場面でも、次の順で進めると手戻りが減ります。 ステップ1：困っている業務を1つ選び、作業時間や不良率を測る ステップ2：使えるデータと熟練者の判断基準を棚卸しする ステップ3：既製ツールで足りるかを確かめ、足りなければPoCで検証する ステップ4：補助金の締切から逆算して本導入を計画する ステップ1を飛ばすと導入後に効果を示せず、ステップ2を飛ばすと開発の途中で記録の不足が分かります。ステップ3を飛ばすと既製で足りる業務に開発費を払い、ステップ4を飛ばすと締切に合わず自己資金で賄います。 弊社の経験では、時間がかかりやすいのはステップ2のデータ棚卸しです。熟練者の判断は言葉になっておらず、聞き取って基準に直し、記録に正解を付けてようやくAIが学べるためです。全体の進め方は「AI導入の第一歩｜中小企業向けの事例と始め方」もご覧ください。 弊社は、東大出身のAI専門家集団にチャットで相談できる「AI×DX寺子屋」（プランA＝月額20万円・税抜で相談し放題）と、AI PoCサービス「ココロミ」（スリムプラン月々99万円〜・スタンダードプラン月々250万円〜）を提供しています。 AI×DX寺子屋 の詳細はこちら 中小製造業のAI導入に関するよくある質問 従業員が数十人の工場でもAIは導入できますか？ 導入できます。本文の枚岡合金工具のように、業務を1つに絞れば小さな投資から始める道があります。 IT導入補助金は2026年もAIの導入に使えますか？ 使えます。名称がデジタル化・AI導入補助金に変わり、AIを含むITツールの導入が対象です。 外観検査のAIにはどの補助金が合いますか？ 設備と一体なら省力化投資補助金の一般型、登録済みのソフトウェアならデジタル化・AI導入補助金が候補です。 AIに詳しい社員がいなくても始められますか？ 始められます。外部と組む道があり、社内では困りごとと判断基準を言葉にできる担当者を決めることが先決です。 まとめ 中小製造業のAI導入率は16.4％で、22〜279名の企業が検査・設備・見積もり・技能伝承・業務アプリ作成にAIを使っている 費用は公表事例で50万円から約1,000万円と幅があり、データ整備と運用費まで含めて見積もる 2026年度はデジタル化・AI導入補助金などが候補で、締切と対象範囲を公募回ごとに確認する 最後までお読みいただき、ありがとうございました。 執筆：株式会社EQUES（東京大学松尾研発のAIスタートアップ。製薬・製造業のAI開発と、AI PoC「ココロミ」・AI相談「AI×DX寺子屋」を提供） 小さく始めるAI導入を相談しませんか AI×DX寺子屋では、対象業務の絞り込みやデータ棚卸しの疑問を東大出身のAI専門家にチャットで相談できます。まずは無料相談からどうぞ。 無料で相談する ココロミを見る

GMP文書をAIで作成する方法｜SOP・記録の5ステップと注意点
DX・業務改善

GMP文書をAIで作成する方法｜SOP・記録の5ステップと注意点

2026.10.19

記事の要約 GMP文書のAI作成とは、SOP（＝作業の手順を定めた文書）や記録の草案・転記・照合をAIに任せ、判断と承認は人が担う分業のことです。 AIでの作成を禁じる規制は確認できません。EUのAI付属書案は生成AIを重要なGMP用途から外しています（見直しを議論中）。FDAは警告書でAI作成文書の確認不足を指摘しました。 AIで作った文書は作成者・日時・モデルの版、プロンプト（＝AIへの指示文）と出力、レビュー記録を残し、ALCOA+（＝記録の信頼性を保つための原則）で説明できる状態にします。 変更申請書の作成やSOPの改訂に追われ、本来の判断業務に時間が回らない。製薬の品質保証や製造の現場でよく聞く悩みです。生成AIで草案を作れば早くなりそうでも、査察（＝規制当局が製造所の管理状況を確かめる立ち入り調査）で説明できるのかという不安が先に立ちます。 本記事では、GMP文書をAIで作成する手順と、任せる作業の切り分け、規制の現在地、記録の注意点、他社事例を解説します。 東京大学松尾研発のAIスタートアップとして製薬企業の品質保証業務のAI化を手がける弊社の経験も踏まえています。 GMP文書のAI作成とは？AIに任せる作業と人が担保する点 GMP文書とは、GMP省令（＝医薬品の製造管理と品質管理の基準を定めた省令）に基づく品質保証のための手順書や記録の総称です。 種類と管理の基本は「GMP文書とは？AIで作成・管理を効率化する製薬品質保証の新しい方法」に譲ります。 AIで作成するときの原則は、AIは草案を書き、責任を負うのは人という分業です。AIは文章化・転記・照合・要約・翻訳を担い、判断と承認・署名は品質保証部門が担います。 対象になりやすいのは、SOP、製造・試験の記録、逸脱（＝定めた手順や基準から外れた事象）の報告書とCAPA（是正措置・予防措置）、変更管理の申請書です。 文書の種類AIに任せやすい作業人が担保すべき点注意点SOP（手順書）改訂案の作成、旧版との差分整理、英訳自社設備・検証済み条件との一致、承認一般論の手順が混じる製造記録・試験記録様式の作成、転記、記載漏れの確認原データとの一致、記録者の署名値をAIに生成させない逸脱報告書・CAPA経緯の整理、類似事例の検索、下書き原因の特定、重大性の判定、対策の決定推測が事実のように書かれる変更申請書様式への記入、関連文書の洗い出し品質と承認事項への影響評価、承認関連文書の漏れを人が確認製品標準書・承認書関連文書間の齟齬候補の抽出、要約齟齬の正誤判断と修正候補は判断材料にとどめる 記録の値そのものをAIに作らせないことが最も重要な線引きです。製造記録の数値は現場で測った原データが正です。 線引きが要るのは、生成AIが学習した文例から文章を組み立てる道具だからです。自社の条件を与えなければ一般論で空白を埋め、値を求めればもっともらしい数値を作り、自然な文章に紛れ込ませます。 現場では、自社にない設備名や温度条件が違和感のない文で書かれます。だから草案は、固有の条件が参照文書から来ているかを先に見ます。 GMP文書をAIで作成する5ステップ AIで作った文書も既存の承認の流れに乗せるのが全体の前提です。AIで短縮した時間は、後半の確認に充てるよう人員と期限を設計します。 1. 対象文書とAIの用途を決める AIを使う文書と作業を一覧にし、品質への影響が小さく定型性の高い文書から始めます。変更申請書や教育資料の草案は入口に向き、出荷判定に関わる文書は後回しにします。 切り分けを飛ばして影響の大きい文書から試すと、一度の誤りで信頼を失い、定型文書の効率化まで止まります。確認する人と段階も決め、社内の手順書に書いておきます。 2. テンプレートと参照文書を固定する 自社の様式と、現行版の製品標準書・承認書・関連SOPを版番号を指定した参照文書として登録します。 参照先を固定しないと、旧版や一般論から書かれた草案が混じります。AIは与えた文書と学習済みの知識を区別せずに文章を組み立て、参照が曖昧な箇所を知識側で埋めるからです。入力してよい情報の範囲もここで決めます。 3. 事実を入力し、AIに草案を作らせる 草案の生成では、変更の内容・理由・対象設備など判断に必要な事実は人が入力し、AIは文章化と転記を担います。事実を省いて頼むと、AIは理由や影響範囲を推測で補い、それが事実の顔をして残ります。 プロンプト（＝AIへの指示文）に、根拠とした文書名と条項を出力へ書かせる指示を入れると、根拠の無い文がひと目で分かりレビューが速くなります。 4. 担当者がレビューし、修正を記録する レビューでは、草案を原データ・承認書・現行SOPと突き合わせ、数値・工程・用語を確認します。生成AIはハルシネーション（＝もっともらしい誤りを出力する現象）を避けられないため、流暢な文章ほど慎重に読みます。 流暢なほど危ないのは、生成AIが文のつながりの自然さを優先して語を選び、誤った数値や工程も文脈になじんで出てくるからです。文の流れで正しさを判断すると見逃します。直した差分を残すと、テンプレートの改善にも使えます。 5. 承認・署名し、版管理と教育訓練に載せる 通常のGMP文書と同じく、品質保証部門の承認と署名を経て版管理に載せます。改訂したSOPは、関係者の教育訓練を済ませてから運用に入ります。教育を飛ばすと、文書だけ新しく作業は旧手順のままという不整合が、逸脱の形で表に出ます。 保管と配付は既存の文書管理システムに任せるのが現実的で、選び方は「GMP文書管理システムの選び方｜必須機能と主要7製品比較2026」で解説しています。 GMP文書のAI作成をめぐる規制の現在地【2026年10月時点】 2026年10月時点で生成AIによるGMP文書の作成を禁じる規制は確認できず、既存のGMPと記録の信頼性の要件がそのまま適用されます。不整合をなくす義務は作成の手段を問わず、AIの草案をそのまま運用した不整合の責任は承認した企業に残ります。 規制・文書発行元・時期ステータスGMP文書のAI作成への意味改正GMP省令厚生労働省・2021年8月施行施行中手順書と記録の欠落・不正確・不整合をなくす（第20条第2項）コンピュータ化システム適正管理ガイドライン厚生労働省・2010年10月適用中GMP業務に使うシステムを開発から廃棄まで検証・管理PIC/S PI 041-1PIC/S（各国GMP査察当局の協力枠組み）・2021年7月発効済みデータのライフサイクル全体でALCOA+を確保EU GMP第4章（文書化）・Annex 11（コンピュータ化システム）改訂案、Annex 22（AI）案欧州委員会・2025年7月案（意見募集は2025年10月に終了）生成AIは重要なGMP用途に使わず、他は有資格者が出力を確認（生成AIの扱いは見直しを議論中）FDA AIドラフトガイダンス米国FDA・2025年1月ドラフト安全性や品質に影響しない申請書の下書きなどは対象外 EUの第4章改訂案は、AIで作成・処理した文書や記録の信頼性に対する責任を企業側に置いています。Annex 22（＝EU GMPガイドラインのAIに関する付属書）の案は、生成AIを重要なGMP用途から外しています。 ただし、2026年6〜7月のワークショップの報告（欧州医薬品庁・10月公開）では、リスクに基づく管理を条件に生成AIも対象に含めるよう範囲の見直しが議論されています。確定版で扱いが変わりえます。 米国では、FDAが2026年4月2日付の警告書（＝FDAが違反を指摘し是正を求める公式文書）で、AIで製品規格・手順書・マスター製造記録（＝製造指図の原本）を作りながら、その正確性とCGMP（＝米国の医薬品の製造・品質管理の規則）への適合を確認していなかった企業を指摘しました。 根拠は品質部門の責任を定めた規則で、違反とされたのはAIの利用そのものではなく、確認しなかったことです。警告書は、AIへの過度の依存も指摘しています。 作成が速くなった分だけ確認が省かれると、この型の指摘を受けやすくなります。整えるべきは、AIの選定より、確認した事実が承認の記録に残る仕組みです。 参照元：厚生労働省「GMP省令」（2021年8月改正施行）、「コンピュータ化システム適正管理ガイドライン」（2010年10月）／PIC/S「PI 041-1」（2021年7月）／欧州委員会「EU GMP第4章・Annex 11・Annex 22の意見募集」（2025年7月）／EMA「Annex 22ワークショップ」（2026年6〜7月開催・報告書は2026年10月公開）／FDA「警告書320-26-58」（2026年4月）、「AIに関するドラフトガイダンス」（2025年1月） データインテグリティ上の注意：AI生成物をALCOA+で記録する AIで作った文書も、データインテグリティ（＝記録が完全・正確で改ざんのない状態）の対象です。査察では「誰が、いつ、何に基づいて作ったか」を問われます。 AIの草案は人の手書きと違い、作成者の名前だけでは成り立ちを再現できません。残るのが最終版だけならAIがどこまで書き人がどこを直したかを査察で示せず、プロンプトと修正前の出力があって初めて説明できます。通常の承認記録に加えてALCOA+の観点で残すべき記録は次の4つです。 帰属性・同時性：草案を作った担当者、生成日時、モデル名と版、テンプレートの版 原本性・完全性：入力したプロンプト、参照文書、修正前のAIの出力 正確性・一貫性：レビューで確認した項目、修正の差分、レビュー者 判読性・永続性・利用可能性：上記を承認済み文書に紐づけ、保存期間中に読める形で取り出せる状態 AIツール自体もCSV（コンピュータ化システムバリデーション。＝業務に使うシステムが意図どおり動くことの検証）の対象になりえます。ただし生成AIは同じ入力でも出力が変わりうるため、出力を毎回人が確認する運用を前提に検証範囲を絞るのが現実的です。 モデルの更新で出力の傾向が変わることもあるため、版を変えるときは変更管理の対象にします。 各原則と監査証跡（＝誰がいつ何を変えたかの自動記録）は「データインテグリティとは？意味・ALCOA＋原則・製薬GMPでの対応方法を解説」で解説しています。 GMP文書・規制文書の作成に生成AIを使う他社事例3選 製薬企業による生成AIの文書作成のうち、公表資料で内容を確認できた3件を紹介します。効果の数字は試験・検証・目標の段階のもので、本番運用の実績ではありません。 1. GSK：逸脱調査報告書の作成支援ツールを試作 英製薬大手GSKのシンガポール・ジュロン工場は、同国の政府機関とGoogle Cloudによる共同プログラムで、手順書を検索するGMPアシスタントと、逸脱調査報告書の取りまとめを速めるツールを試作しました。 試験では、報告書作成ツールで年5,000人日、アシスタントで450人日の削減が示されました。 この型では、逸脱の経緯が担当者ごとの記録に散らばり、報告書にまとめる段階で時間を食います。AIが経緯を時系列に整え、人は原因と対策の判断に集中する分担にすると動きます。 2. 塩野義製薬・日立製作所：治験の規制関連文書の初稿を生成 塩野義製薬が保有し、日立製作所との業務提携のもとで開発してきた生成AIのソリューションは、日英が混在する治験情報から要点を抽出し、治験総括報告書（＝治験の結果をまとめた報告書）などの初稿を作成します。2026年2月からは、ライセンスを受けた日立が国内で提供しています。 塩野義のPoC（＝本番開発の前に小さく行う技術検証）では、治験総括報告書の作成時間を約50％削減し（過去の報告書の再現）、治験実施計画書（＝治験の目的や方法を定めた計画書）は約20％の削減でした（新規試験）。 報告書と計画書で削減率が違う背景には、過去の報告書の再現と新規の作成という検証条件の差があります。数字を自社に当てはめるときは、同じ条件かを先に見ます。 3. 韓米薬品：約4,000件の品質文書を最新の規制と照合 韓国の韓米薬品では2026年9月、クラウド事業者のMegazoneCloudによる品質保証向けAIエージェント（＝目的に沿って自律的に作業を進めるAI）の構築が始まりました。約4,000件の品質文書を検索・要約し、最新の規制と照合して不適合箇所を見つける仕組みです。 規制の改訂のたびに約4,000件を人が読み直すのは難しく、この型の運用では、改訂を知らないまま査察で指摘される形で詰まりがちです。規制との相違を査察後に直す運用から、予防型の管理への転換を狙います。関連業務の時間を40％超削減することが目標で、効果は検証を待つ段階です。 参照元：シンガポール経済開発庁「AI Trailblazers」（2024年4月）／日立製作所「塩野義製薬との協創」（2026年2月）／MegazoneCloud「韓米薬品の品質保証AIエージェント構築」（2026年9月） 他社でもAIは草案の作成や文書の照合を担っています。弊社は製薬の品質保証に特化した「QAI Generator」を提供しており、AIが変更申請書などのQA文書を生成します。 料金は初期導入費用に加えて月額10万円からで、2週間の無料トライアルがあります。万協製薬株式会社の導入事例として、変更申請書を含むGMP文書で70％の業務効率化をLP（＝製品の紹介用Webページ）に掲載しています。 承認書や製造手順書の齟齬を段落単位で検出する「QAI Checker」と組み合わせれば、レビューの確認漏れも減らせる見込みです。 参照元：株式会社EQUES「QAI Generator 導入事例・料金」 QAI Generator の詳細はこちら GMP文書のAI作成に関するよくある質問 AIで作成したSOPをそのまま承認してよいですか？ 品質部門が正確性を確認し、確認者と修正内容を記録してから、通常の承認の流れに乗せてください。 汎用の生成AIサービスでGMP文書を作ってもよいですか？ 規制上の禁止は確認できません。未公開の製法などを入力するなら、学習に使われない契約と保存先の確認が前提です。ログと出力を保存でき、モデルの版を把握できる環境を選びます。 どの文書から始めるのが現実的ですか？ 変更申請書や教育資料など、定型性が高く品質への影響が小さい文書が向きます。着手前に作成時間を実測すると、効果を数字で判定できます。 まとめ GMP文書のAI作成の核心は、AIに草案・転記・照合を任せ、判断・承認・署名を人が担う分業を、手順と記録で裏づけることです。 AIに任せるのは文章化と照合で、記録の値と品質の判断はAIに作らせない 用途の決定から承認・版管理までの5段階で、既存の承認の流れに乗せる 作成者・日時・モデルの版、プロンプトと出力、レビュー記録をALCOA+の観点で残す どの文書から始めるか迷われている段階でも、お気軽にご相談ください。最後までお読みいただき、ありがとうございました。 執筆：株式会社EQUES（東京大学松尾研発のAIスタートアップ。製薬・製造業のAI開発と、AI PoC「ココロミ」・AI相談「AI×DX寺子屋」を提供） GMP文書の草案作成をAIで始めませんか QAI Generatorは2週間の無料トライアルが可能です。文書の齟齬を検出するQAI Checkerとの組み合わせもご相談いただけます。 無料で相談する QAI Checkerを見る

contact us

お問い合わせはこちら

まずはお気軽にご相談ください

お問い合わせはこちら