AI活用によるDI対応とAI時代に求められる監査証跡　―GMPデータインテグリティの実務ポイント―

記事の概要

この記事では、GMPデータインテグリティにおけるAI活用の現実的な使い方、AI利用によって発生する新しいDIリスク、そして監査時に説明できるAI監査証跡の残し方を解説します。

AIを品質判断の代替手段としてではなく、記録レビューとリスク検知を支援する仕組みとして位置づけることがポイントです。

はじめに

GMP領域において、データインテグリティ、いわゆるDI対応は品質保証の中心的なテーマです。紙記録から電子記録へ、さらに各種システムの連携へと業務が変化するなかで、確認すべきデータ量は増え続けています。その一方で、監査証跡レビュー、逸脱記録の確認、変更管理やCAPAとの整合性確認など、多くの作業は依然として人の目に大きく依存しています。

ここにAI活用の余地があります。

ただし、GMP領域でAIを使う場合、「AIで効率化できるか」だけでは不十分です。

AIを使った結果、誰が、何を、どのように確認し、最終的にどの判断をしたのかを説明できなければ、AI利用そのものが新たなDIリスクになります。

本記事では、AIをDI対応に活用する際の可能性と、AI時代に求められる監査証跡の考え方を整理します。製薬企業の品質保証部門、製造部門、QC部門、CSV担当者が、AIをデータインテグリティ対応に取り入れる際の実務的な論点を想定しています。

特に、監査証跡レビューの効率化、逸脱管理やCAPA記録の確認、電子記録の整合性確認、AI利用ログの保存といった検索意図に答えられるように構成しています。

DI対応は「記録を残すこと」だけではない

DI対応というと、記録の保存や改ざん防止を思い浮かべる方が多いかもしれません。もちろん、記録が残っていることは重要です。しかし、GMPにおけるDI対応は、単にデータを保存することではありません。

そのデータが誰によって作成され、いつ記録され、原本性があり、正確で、完全で、一貫性があり、必要な期間にわたって利用可能であることが求められます。

いわゆるALCOA+の考え方です。現場では、製造記録、試験記録、逸脱報告、変更管理、CAPA、教育記録、システムログなど、多様な記録が発生します。それぞれの記録が単独で正しいだけでなく、関連する記録同士に矛盾がないことも重要です。

たとえば、逸脱報告では発生時刻が記載されているのに、製造記録やシステムログの時刻と整合しない場合、説明が必要になります。こうした確認をすべて人手で行うことは可能ですが、対象が増えるほどレビュー負荷は高まり、見落としのリスクも増えます。

AIが支援できるDI対応の領域

AIは、DI対応における人の判断を置き換えるものではありません。

むしろ、膨大な記録の中から確認すべき箇所を抽出し、人が判断しやすい形に整理する支援ツールとして有効です。

たとえば、監査証跡レビューでは、すべてのログを同じ粒度で確認するのではなく、異常な修正、通常と異なる時刻の操作、短時間に繰り返された入力、削除や再入力の集中などをAIが検出し、レビュー対象の優先順位を付けることが考えられます。

逸脱管理では、過去の類似事例を検索し、今回の事象と共通する要因や、過去に有効だったCAPAを提示することができます。また、逸脱調査報告書や変更管理記録の記載内容について、原因、影響評価、是正措置、予防措置のつながりが弱い箇所を示すことも可能です。

SOPや報告書のドラフトレビューにおいても、用語の不統一、手順間の矛盾、必須項目の抜け漏れを検出する用途が考えられます。重要なのは、AIが「合格」「不合格」を最終判断するのではなく、人が判断すべき論点を見つけやすくすることです。

AI活用によって新たに発生するDIリスク

AIを使えばDI対応が楽になる、という単純な話ではありません。AIを業務に組み込むことで、新しいリスクも生まれます。代表的なリスクは、AIの出力を十分に確認しないまま採用してしまうことです。

生成AIは自然な文章を作成できるため、一見すると妥当な説明に見えます。しかし、その内容が実際の記録、手順、GMP要件、製品特性と一致しているとは限りません。また、AIに入力した情報が記録として残らない場合、後から判断の経緯を説明できなくなります。

どのデータをAIに読み込ませたのか、どのようなプロンプトを入力したのか、AIが何を返したのかが不明であれば、レビューや監査の場で説明が困難になります。

さらに、AIモデルのバージョン変更も注意点です。同じ入力をしても、モデルや設定が変われば出力が変わる可能性があります。これは、従来のコンピュータ化システムにおける変更管理や構成管理と同様に考える必要があります。

AIは便利なツールですが、使用方法を管理しなければ、DI対応を支援するどころか、DI上の説明困難な領域を増やしてしまう可能性があります。

AI時代に求められる監査証跡とは

AI活用における監査証跡では、AIが出した結果だけを保存すればよいわけではありません。むしろ重要なのは、AIの出力に対して人がどのように関与したかです。監査証跡として残すべき情報には、以下のようなものがあります。

• 使用者・使用日時
• 対象業務
• 入力情報、参照した文書やデータ
• AIモデル名やバージョン
• 出力内容
• 人による確認結果、修正内容
• 採用または却下の理由
• 最終判断者

特にGMP領域では、「AIがそう言ったから」では説明になりません。

AIの提案を人が確認し、妥当と判断した理由を残す必要があります。

たとえば、AIが逸脱原因の候補を提示した場合、その候補を採用したのか、参考情報にとどめたのか、あるいは誤りとして却下したのかを記録します。

採用した場合でも、根拠となる製造記録、試験結果、現場確認、過去事例などと結びつけて説明できることが重要です。AIの監査証跡とは、単なるログ保存ではありません。人の判断の透明性を高めるための記録です。

監査に耐えるAI利用ルールの作り方

AIをDI対応に活用するには、利用ルールをあらかじめ定める必要があります。

最初に行うべきことは、AIを使ってよい業務範囲と、使ってはいけない業務範囲を明確にすることです。

たとえば、報告書の表現改善や過去事例の検索支援には使えるが、最終的な品質判定や出荷可否判断には使わない、といった線引きが必要です。

次に、入力してよい情報の範囲を定めます。機密情報、個人情報、未公開の品質情報、規制上慎重に扱うべき情報を外部AIサービスに入力してよいかは、企業ごとに慎重な判断が必要です。さらに、出力結果の確認手順を標準化します。

AI出力を利用する場合には、必ず原記録や承認済み文書と照合し、必要に応じて専門部門やQAが確認する流れを設けます。ログの保管期間、レビュー頻度、教育訓練、ベンダー管理、モデル変更時の影響評価も忘れてはいけません。AIは単独の便利ツールではなく、品質システムの一部として管理する対象になります。

DI対応におけるAI活用の現実的な始め方

最初からクリティカルな判断にAIを組み込む必要はありません。むしろ、GMPへの直接影響が比較的小さい支援業務から始める方が現実的です。たとえば、過去の逸脱事例の検索、監査証跡レビューの観点整理、SOP改訂時の影響範囲抽出、教育資料のたたき台作成などです。

これらの業務では、AIの出力をそのまま承認記録にするのではなく、人が確認し、必要に応じて修正したうえで使用します。この段階で、プロンプト、出力、レビュー結果、採否理由を残す運用を試行しておくことが重要です。小さなユースケースで監査証跡の取り方を確立できれば、より重要な業務へ展開する際の基盤になります。

よくある質問：AIによるDI対応と監査証跡

Q1：AIを使えば監査証跡レビューを自動化できますか

AIは監査証跡レビューを効率化できますが、完全な自動化を前提にするべきではありません。GMP領域では、AIが抽出した異常ログや修正履歴を人が確認し、品質影響や手順逸脱の有無を判断する必要があります。そのため、AIはレビュー対象の優先順位付けや見落とし防止に使い、最終判断は教育訓練を受けた担当者が行う設計が現実的です。

Q2：AIの出力結果はGMP記録として保存すべきですか

AIの出力をGMP業務の判断材料として使う場合は、保存対象として扱うべきです。入力したプロンプト、参照データ、AIの出力、人による確認結果、採用または却下の理由を残すことで、後から判断の経緯を説明できます。

Q3：生成AIをDI対応に使う際の最大の注意点は何ですか

最大の注意点は、生成AIの自然な文章を正しい根拠と誤認しないことです。AIが作成した説明は、必ず原記録、承認済みSOP、試験結果、変更管理記録、逸脱調査記録などと照合する必要があります。

まとめ：AI活用の価値は「説明できる運用」で決まる

AIは、DI対応を効率化し、高度化する大きな可能性を持っています。膨大な記録の中から異常や矛盾を見つけ、レビュー対象を絞り込み、人が判断すべき論点を提示することができます。

しかし、GMP領域では、AIの出力そのものよりも、その出力を人がどのように確認し、なぜ採用したのかを説明できることが重要です。

AIを使うほど、監査証跡の重要性は高まります。

これからのDI対応では、AIを使うかどうかだけでなく、AI利用の記録をどのように残し、人の判断をどのように証明するかが問われます。

AI時代のDI対応に必要なのは、単なる自動化ではありません。説明できる運用、記録に残る判断、そして品質システムに組み込まれたAI管理がこれからの製薬業界では必要になるのではないでしょうか。

ここまで解説してきた製薬企業における生成AI導入を力強くサポートするのが、私たち株式会社EQUESです。

・東京大学松尾研究室出身のAIの専門家のメンバーを中心に設立

・ISO/IEC 27001:2022認証取得：国際的な基準で安心のセキュリティ体制

私たちは単に技術を提供するだけでなく、お客様の隣で一緒に走り続ける「伴走型技術開発」を最も大切にしています。

課題発見から内製化まで一貫してサポート

弊社の強みは、戦略立案から開発、そして最終的な内製化まで、AIプロジェクトの全フェーズを一気通貫でご支援できる点にあります。

・AI×DX寺子屋：

「社内に専門家がいない」というお悩みに応えるサービスです。月額20万円から、東大出身のAI専門家集団にチャットでいつでも相談し放題。ベンダー選定のセカンドオピニオンとしてもご活用いただけます。

・ココロミ（PoCサービス）：

「まずは小さく試したい」というニーズに応え、月々250万円から本格的なPoC（概念実証）を実施。リスクを抑えながらAI導入の第一歩を踏み出せます。

・製薬SaaS QAI Generator：

特に弊社の強みである製薬分野では、品質保証（GMP）の文書作成業務を効率化するSaaSも提供。GENIACにも採択されるなど、高い評価をいただいています。

AI導入のパートナー選びで迷われているなら、ぜひ一度、私たちEQUESにご相談ください。お客様の課題に真摯に寄り添い、最適な解決策をご提案します。