社内ローカルAIに入力するデータの分類基準と機密情報フィルタリングのフロー設計

「社内のAIに何でも入力していいのか分からない」「どのデータを入れてはいけないか、社内ルールが決まっていない」

こうした声は、情報を外に出さない社内専用AI（ローカルLLM）を導入した中小企業の経営者や情シス担当者から多く聞かれます。

この記事では、社内専用AIへの入力データを4段階に分類する基準と、機密情報が誤って入力されるのを防ぐフロー設計の方法を解説します。「何を入れていい・何を入れてはいけないか」が一覧で把握できるチェックリストも提供します。

社内専用AIへのデータ入力で起きるリスクを整理する

社内専用AIはネットワーク外にデータを送らないため、クラウドサービスに比べて情報漏洩リスクは格段に低くなります。しかし「外に出ない＝何でも入れていい」という解釈は危険です。

リスクは「外部への漏洩」だけではありません。以下の3つのリスクが社内でも発生します。

・内部での不正参照リスク: AIへの入力履歴がログとして残る場合、権限のない社員が間接的に他部署の機密情報を閲覧できる状態になります。
・回答精度の低下リスク: 不整合なデータや古い情報が蓄積されると、AIの回答が誤った方向に引っ張られます。法的判断や財務試算を補助するAI用途では特に注意が必要です。
・監査対応リスク: 個人情報保護法の改正や顧客との秘密保持契約（NDA）において、「どのデータがAIに入力されたか」の記録を求められるケースが増えています。入力ログが整理されていないと、監査時に対応できません。

これらのリスクを防ぐ最初の一手が「入力データの分類基準を作ること」です。分類基準がなければ、フィルタリングルールも設計できません。

ある税理士事務所の事例があります。社内専用AIを導入した初月、担当者が顧客の申告書データをそのままコピー＆ペーストしてAIに質問していました。外部には漏れていないものの、後日そのAIにアクセスできる別の担当者がログを参照し、守秘義務の問題が発覚しました。「社内専用AIだから安全」という思い込みが招いた典型的な失敗例です。

また製造業の2代目経営者からは「図面データも気軽に入れていた」という話を聞くことがあります。競合他社に渡れば数千万円規模の損失につながる技術情報を、社内専用AIだからという理由だけで無分別に入力していたケースです。機密情報の管理は「外に出るか出ないか」だけでなく、「誰がいつアクセスできる状態にあるか」という観点で設計する必要があります。

まず「分類」から始め、次に「フィルタリングフロー」を設計する。この順番が重要です。

入力データの4段階分類基準

入力データを4段階に分けることで、各分類に応じた取り扱いルールを設定できます。以下の分類体系を基本形として使ってください。

第1分類：公開情報（GREEN）

自社サイトに掲載している情報、プレスリリース、公開済みの業務マニュアルなど、すでに外部公開されているデータです。社内専用AIへの入力に制限はなく、RAG（検索拡張生成）のナレッジベースとして積極的に活用できます。

Before: 過去の業務マニュアルが複数バージョン混在し、担当者が毎回確認しながら作業
After: GREENデータとして社内専用AIに登録し、担当者が自然言語で最新手順を即時参照可能

工数試算として、既存の公開マニュアル50件を社内専用AIに登録するのに約4時間。その後、週10件以上の問い合わせが自己解決に変わった例があります。

第2分類：社内限定情報（YELLOW）

社内向けの議事録、部門間連絡、プロジェクト計画書など、外部公開はしていないが機密性は高くないデータです。入力は認められますが、アクセス権限を「関連部門のみ」に絞ることを推奨します。具体的には、AIシステムのユーザー権限設定で「ファイルグループ単位」のアクセス制限を設ける形です。

第3分類：要管理情報（ORANGE）

顧客との契約書、個人情報（氏名・住所・マイナンバー等）、財務データ、特許・技術ノウハウが含まれるドキュメントです。入力自体は可能ですが、「入力前の匿名化・マスキング処理」が必須です。

たとえば「田中太郎様の2025年度税務申告書」を社内専用AIに入れる際は、「顧客ID：A-0042の2025年度税務申告書」に置き換えてから入力します。この処理を手動で行うか、自動マスキングツールで対応するかをフロー設計時に決めておく必要があります。

マスキング処理が適切に機能した場合のBefore/After比較を示します。Before: 担当者がマスキングなしで顧客情報を入力→ログに個人情報が蓄積→異動後も他社員が参照可能。After: マスキング処理後の匿名化データのみ入力→ログに個人情報なし→監査でも問題なし。

第4分類：禁止情報（RED）

守秘義務の対象となる法的文書（未締結の契約書交渉内容等）、役員報酬・株主情報、業務委託先のNDA締結情報などです。いかなる形でも社内専用AIへの入力を禁止し、物理的に隔離されたシステムでのみ取り扱います。

この4分類をドキュメントに落とし、全社員への周知と理解確認を行うことが第一歩です。分類基準が書面化されていなければ、後述するフィルタリングフローは機能しません。分類基準ドキュメントの作成自体は、慣れた担当者なら3～4時間程度で完成します。

機密情報フィルタリングフローの設計と実装手順

分類基準が決まったら、次はフィルタリングフローを設計します。フローは「人的チェック」と「技術的チェック」の2層構造が基本です。

1. 入力前の人的チェック（第1層）

担当者が入力前に「この情報は何分類か」を自己確認するための判断フローを設計します。以下の3ステップが基本の構造です。

Step 1: 入力しようとしているデータに「人名・顧客ID・契約番号・財務数値」のいずれかが含まれているか確認
→ Yes → Step 2へ／No → GREENまたはYELLOWとして入力可

Step 2: そのデータは顧客・取引先から取得したものか
→ Yes → ORANGE（マスキング処理後に入力）／No → YELLOWとして部門内確認後に入力

Step 3: マスキング処理後も「この情報がAIに入ること」に問題はないか
→ 問題あり → RED（入力禁止・上長エスカレーション）／問題なし → 処理済みデータとして入力可

このフローをA4一枚のフロー図にまとめ、社内専用AIのログイン画面または入力UIの近くに掲示することを推奨します。フロー図の作成工数は1～2時間です。

2. 技術的チェック（第2層）

人的チェックだけでは「うっかり入力」を防げません。技術的チェックとして以下の手段を組み合わせます。

・キーワードフィルタ: 「マイナンバー」「パスポート番号」「口座番号」など禁止データを示すキーワードをリストに登録し、入力テキストに含まれていた場合にアラートを出すか入力をブロックする仕組みを実装します。多くの社内専用AIシステムはプロキシ層でのフィルタリングが対応可能です。
・正規表現マッチング: マイナンバー（12桁数字）、電話番号（0X0-XXXX-XXXX形式）、メールアドレスなどはパターンマッチングで自動検出できます。オープンソースの匿名化ライブラリを活用すると検出精度が上がります。
・入力ログの記録と定期監査: 誰が・いつ・何を入力したかのログを90日間保存し、月1回の監査担当者レビューを実施します。ログはAIシステムとは独立したストレージに保管することで、改ざんリスクを下げます。

3. フロー設計の実装例（Before/After）

Before: 担当者が顧客の問い合わせ内容（氏名・住所を含む）をそのままコピーしてAIに投入→AIが回答→ログに個人情報が残存→担当者異動後も参照可能な状態が継続

After: 入力前フローで「氏名→顧客ID」「住所→地域コード」に自動置換→AIへの入力は匿名化済みデータのみ→ログにも個人情報は残らない→月次監査で確認完了

このBefore/Afterの差を経営者が理解することが、フロー設計への投資判断の根拠です。フィルタリング体制の構築は「万一のインシデント対応コスト」と比較すると、圧倒的に安価な予防措置です。顧客情報の漏洩が発覚した場合、謝罪対応・調査費用・顧客離れを合算すると中小企業でも数百万円規模の損失が発生するケースがあります。初期工数10～20時間の投資はその予防保険です。

フィルタリングあり・なしの運用リスク比較

比較項目	フィルタリングなし	フィルタリングあり
情報漏洩リスク（社内）	高（ログ経由で横断参照可能）	低（匿名化後のみ記録）
個人情報保護法対応	対応困難（入力証跡なし）	対応可能（ログ＋監査体制）
NDA違反リスク	高（担当者の判断次第）	低（RED分類で物理的ブロック）
AI回答の精度	不安定（汚染データ混入の可能性）	安定（分類済みデータのみ）
監査・コンプライアンス対応	困難（記録が散在）	容易（90日ログ＋月次監査）
初期構築工数	ゼロ（ルールなし）	10～20時間（フロー設計＋周知）
月次運用負担	低（ただしリスク放置）	月2～4時間（監査・更新）
インシデント発生時の対応コスト	数百万円規模（対応・謝罪・調査）	軽微（証跡が整備済み）

フィルタリングなしで運用した場合、初期の工数ゼロに見えても、万一のインシデント対応・監査対応・顧客への説明コストは数十倍になります。フィルタリング体制を構築すれば初期10～20時間の投資で「何かあったときの証跡」が常に確保された状態を維持できます。

また、AI回答精度の差も見逃せません。分類基準のないまま各担当者が思い思いのデータを投入すると、古い情報・不整合な情報がナレッジベースに蓄積され、回答がぶれる原因になります。「社内専用AIの精度が低い」と感じている場合、入力データ管理の問題が根本にあるケースが多くあります。

よくある質問

Q1. 社内専用AIはクラウドと違って社外に出ないので、分類は不要ではないですか？

外部漏洩だけでなく、社内での横断参照・ログ参照・監査時の説明責任という3つのリスクが残ります。特に守秘義務を負う士業・医療・法律関係の業務では、「社内でも見せてはいけない情報」が多くあります。社外に出ない＝何でも入れていい、という解釈は誤りです。

Q2. マスキング処理は自動でできますか？専門知識が必要ですか？

オープンソースの匿名化ツールを利用すれば、プログラミングの専門知識なしでも導入できる製品が増えています。最も手軽な方法は、入力フォームに「氏名・住所・口座番号を入力しないでください」と警告を表示するだけでも一定の抑止効果があります。段階的に技術的フィルタを追加していく方法を当社ではお勧めしています。

Q3. 何分類かの判断に迷ったとき、どうすればいいですか？

原則として「迷ったら上の分類に倒す」ルールを設定してください。YELLOWかORANGEか迷えばORANGE（マスキング後入力）、ORANGEかREDか迷えばRED（入力禁止）を選びます。過剰に見えても、一度確立した分類ルールを下方修正することは容易です。迷ったときの判断で下方修正してインシデントが起きた場合は対応が困難です。

Q4. 中小企業でも月次監査を実施できますか？工数が心配です。

月次監査は1人で実施する場合、慣れれば月2～3時間程度です。「先月のログから10件をランダムサンプリングしてマスキングが適切に行われているか確認する」だけでも十分な抑止力になります。専任の情シスがいない場合は、管理部長が兼任するケースが現実的な運用です。

Q5. フィルタリングフローを導入するにあたって、何から始めればいいですか？

まず「今、社員が社内専用AIにどんなデータを入力しているか」を把握することです。既存ログを1週間分確認し、RED・ORANGEに相当するものが混在していないか確認してください。次に、本記事の4段階分類を自社のデータ種別に当てはめ、禁止リストを1枚のドキュメントにまとめます。この2ステップが最初のアクションです。

Q6. 分類基準はどのくらいの頻度で見直すべきですか？

最低でも年1回の見直しを推奨します。個人情報保護法の改正内容、新しい顧客との守秘義務契約、新業務の追加などにより、分類すべきデータの種類が変わるためです。社内専用AIの活用範囲が広がるほど、分類基準の更新頻度も高めることが望ましい状態です。

運用開始前チェックリスト

社内専用AIのデータ管理フローを立ち上げる前に、以下の項目を確認してください。

・分類基準の文書化: 4段階分類（GREEN/YELLOW/ORANGE/RED）を自社の業務データに当てはめた社内規程が存在するか
・全社員への周知: 分類基準と入力禁止リストを全員に配布し、理解確認（サイン等）が完了しているか
・入力前フロー図の掲示: 「これは何分類か」を判断するフロー図がAI入力UIの近くに表示・掲示されているか
・技術的フィルタの設定: キーワードフィルタまたは正規表現マッチングによる禁止ワード検出が設定されているか
・ログ保管期間の設定: 入力ログが90日以上保管され、AIシステムとは独立したストレージに記録されているか
・月次監査担当者の設定: 月1回のログ抜き取りチェックを担当する社員（または管理職）が決まっているか
・エスカレーションルートの設定: RED分類のデータを誤入力した場合の報告先・対応フローが書面化されているか
・マスキング処理手順の標準化: ORANGE分類データを入力する際の匿名化手順が手順書として整備されているか
・分類基準の年次見直し予定: 次回の見直し日程が担当者のスケジュールに登録されているか

9項目すべてにチェックが入った状態で運用開始することが理想です。4項目以下の場合は先に分類基準の文書化と周知から進めてください。

本記事のまとめ

社内専用AIへのデータ入力管理は、「外部に出ないから安全」という認識を改め、社内リスクに対応したフロー設計が必要です。

本記事で解説した内容を整理します。

・入力データの4段階分類（GREEN/YELLOW/ORANGE/RED）: データ種別ごとに取り扱いルールを決める出発点。作成工数は3～4時間程度。
・人的チェック（第1層）: 担当者が自己判断できるフロー図を作成・掲示する。フロー図の作成工数は1～2時間。
・技術的チェック（第2層）: キーワードフィルタ・正規表現・ログ監査を組み合わせて機械的に防ぐ。
・フィルタリングあり・なしの比較: 初期工数10～20時間の投資で、監査対応・NDAリスク・社内漏洩リスクを大幅に低減できる。
・月次監査: 月2～3時間のログ抜き取りチェックで継続的なコンプライアンス維持が可能。
・年次見直し: 法改正・業務変化に合わせて分類基準を更新し、形骸化を防ぐ。

社内専用AIの活用価値は「安全に、使える情報の範囲を正しく広げること」にあります。そのための基盤が、入力データの分類基準とフィルタリングフローです。分類基準のない社内専用AIは、使えば使うほどリスクが蓄積するシステムになりかねません。本記事のチェックリストを起点に、まず自社の現状を確認することをお勧めします。

社内専用AIのデータ管理体制の構築やフロー設計についてお困りの際は、当社では個別のご相談を承っています。

社内専用AIの導入・データ管理体制についてご相談はこちら