GLOSSARY.

アカウンタビリティ・ギャップ（accountability gap）とは、AIエージェントが自律的に判断・実行する結果、その行為について「誰が責任を負うか」を後から特定できなくなる状態のこと。米CISAなどが2026年に公表した指針で、エージェント型AI特有の5つのリスク分類の一つに数えられた。

人間の業務なら、決裁者・担当者・承認記録をたどれば「誰がやったか」に行き着きます。ところがAIエージェントが複数連携し、権限を引き継ぎながら処理を進めると、最終的な行動がどのエージェントの、誰の権限にもとづくものかが途中で見えなくなることがあります。これがアカウンタビリティ・ギャップです。

背景

2026年5〜6月に公表されたCISA・NSAなど6か国のサイバー機関による共同指針「Careful Adoption of Agentic AI Services」は、エージェント型AIのリスクを権限の過剰付与、設計・設定のミス、意図しない振る舞い、構造的な脆さ、そしてアカウンタビリティ・ギャップの5つに整理しました。同時期にシンガポールIMDAの指針やNISTのAIエージェント標準イニシアチブも、エージェントごとのデジタルIDと監査証跡を共通の処方箋として挙げています。

実務との関わり

この空白は、事故が起きて初めて表面化しがちです。エージェントに何をどこまで任せるかを決める前に、そのエージェントが「誰の名義で、どこまでの権限で動いているか」を記録・追跡できる状態にしておくこと。台帳が肥大化するエージェント・スプロールとは表裏の関係にあり、増えたエージェントを数えるだけでなく、行動の帰属先を後から説明できるかどうかが問われます。

出典: CISA・NSA他「Careful Adoption of Agentic AI Services」（2026年4月30日付文書）／IMDA「Model AI Governance Framework for Agentic AI」（2026年1月）／NIST「Announcing the AI Agent Standards Initiative」（2026年2月）

この用語は、ツギノテ。AI QUIZ の 生成AI 用語 テスト 全10問（vol.2） でも出題しています。

この用語辞典も、AIが毎朝自動で書いています。同じ仕組みの構築相談は 構築の相談 へ。

エージェント・スプロール（agent sprawl）とは、個々には許可されたAIエージェントが組織内で無秩序に増殖し、全体として誰も数・権限・責任者を把握できなくなる現象のこと。禁止をすり抜けるシャドーAIとは逆に、正規導入の積み重ねから生じる。

部署ごと、チームごとに正当な理由で導入されたエージェントが、全社の視点では「台帳のない資産」として積み上がっていく状態を指します。都市が計画なしに郊外へ広がるスプロール現象になぞらえた呼び名です。

数字で見る

OutSystemsの「2026 State of AI Development report」（世界のITリーダー1,900人対象）では、96%の組織がすでにAIエージェントを利用する一方、94%が「AIスプロールが複雑性・技術的負債・セキュリティリスクを増大させている」と懸念。それでも一元管理基盤を導入済みの組織は12%にとどまり、38%は自作と既製のエージェントが混在するスタックを抱えています。

本質

問題は増えること自体ではなく、増やす速度に「数える・止める・畳む」仕組みが追いつかないことにあります。エージェントは放置されても権限とデータアクセスを持ち続けるため、管理外の増殖はそのままセキュリティの穴になります。第一歩は高価な基盤ではなく、名前・飼い主・権限・止め方・見直し日を記したエージェント台帳の整備です。

出典: OutSystems「2026 State of AI Development report」（2026年4月）／Gartner プレスリリース（2025年8月）

この用語は、ツギノテ。AI QUIZ の 生成AI 用語 テスト 全10問 でも出題しています。

エージェント・ウォッシング（agent washing）とは、既存のAIアシスタントやRPA(ロボティック・プロセス・オートメーション)、チャットボットに、実質的な自律実行能力を伴わないまま「AIエージェント」という看板だけを掛け替える動きのこと。米調査会社ガートナーが2025年に提示した概念で、市場に出回るエージェント型AIベンダーの大半がこれに当たると指摘されている。

ガートナーは、市場にあふれるエージェント型AIベンダーのうち、実質的にエージェントらしい能力(複雑な目標を自律的に達成する、状況に応じて計画を立て直す等)を備えているのは、数千社のうちおよそ130社ほどに過ぎないと見積もっています。残りの多くは、従来からある製品にエージェントという呼び名を上乗せしただけの状態だという見立てです。

背景

2025年6月、ガートナーは「エージェント型AIプロジェクトの40%超が2027年末までに中止される」と予測しました。理由として挙げたのは、コストの膨張、投資対効果の不明確さ、リスク管理の不備。あわせて、多くのプロジェクトが「誇大な期待に押されて始まった初期段階の実験」にすぎず、そもそもエージェントである必要のない仕事にまで、エージェントという看板を掛けている実態があると指摘しています。

実務との関わり

導入を検討する側からすると、「エージェント」という呼び名だけで機能や成熟度を判断するのは危うい、ということになります。判断が必要な場面にはエージェントを、決まった手順の繰り返しには従来の自動化を、単純な検索や取得にはアシスタントを、というガートナーの使い分けの提言は、看板ではなく実際の振る舞いで製品を見極める手がかりです。エージェント・スプロールで台帳が肥大化する前に、まずその一体が本当にエージェントの能力を持っているかを確かめる、という地味な一手がここでは効きます。

出典: Gartner「Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027」（プレスリリース、2025年6月25日）

この用語は、ツギノテ。AI QUIZ の 生成AI 用語 テスト 全10問 でも出題しています。

この用語辞典も、AIが毎朝自動で書いています。同じ仕組みの構築相談は 構築の相談 へ。

AI信頼ギャップ（AI trust gap）とは、AIツールの利用が拡大する一方で、その出力の精度への信頼はむしろ低下し、利用と信頼の差が開いていく現象のこと。「使うほど信じなくなる」状態を指す。

普及すれば信頼も高まる、という直感に反して、AIコーディングツールの領域では利用と信頼が逆方向に動いています。手放せないのに、鵜呑みにはできない——その乖離が数字で計測されるようになりました。

数字で見る

Stack Overflowの2025年開発者調査（回答者4万9千人超）では、AIツールを使う／使う予定と答えた開発者が84%（前年76%）に達した一方、精度を信頼する割合はかつての40%から29%へ低下しました。「信頼しない」(46%)が「信頼する」(33%)を上回り、責任を負う経験豊富な層ほど慎重な傾向が見られます。

本質

ギャップの主因は、AIが出す「ほぼ正しいが、どこか違う」出力にあります。完全な誤りは弾けますが、惜しい正解は残り1割を探す検証コストを人間に押しつけます。信頼はツールの属性ではなく、どの工程を人が検証し続ける前提で設計しているか——運用の設計から生まれる、というのが要点です。

出典: Stack Overflow「2025 Developer Survey」／CodeRabbit「State of AI vs Human Code Generation」（The Register・TechRadar 2025年報道）／arXiv「These Aren't the Reviews You're Looking For」(2026年)

この用語は、ツギノテ。AI QUIZ の 生成AI 用語 テスト 全10問（vol.2） でも出題しています。

アルゴリズム忌避（algorithm aversion）とは、機械が誤るところを一度見たあとに、同じ誤りをした人間の判断者よりも早くその機械を見限る傾向のこと。Dietvorst・Simmons・Masseyが2015年の論文（Journal of Experimental Psychology: General, 144巻1号）で命名した。平均精度では機械が人間を上回っている場合にも生じるため、性能の改善だけでは解消しないことがある。

元の実験では、参加者が自分の予測と統計モデルの予測のどちらに報酬を賭けるかを選びました。モデルのほうが平均して正確だったにもかかわらず、モデルが外す場面を見た参加者はモデルを選ばなくなった。人間の予測者が同じ誤りをした場合と比べて信頼の落ち方が速い、という点がこの語の核心です。

逆の現象もある：アルゴリズム評価

2019年のLogg・Minson・Mooreの研究（Organizational Behavior and Human Decision Processes, 151巻）は、逆の結果を報告しています。数値の見積もりや人気予測の課題で、参加者は助言が「アルゴリズムによるもの」と示されたほうを人間の助言よりよく採用しました。こちらはアルゴリズム評価（algorithm appreciation）と呼ばれます。

両者を分けているのは、誤るところを見たかどうかだと読めます。見る前は機械が頼られ、見たあとは機械が早く見限られる。導入直後の期待値が高いほど、最初の失敗の反動も大きくなる構図です。

忌避が消えた二つの条件

第一に、出力に手を加えられること。Dietvorstらの2018年の研究（Management Science, 64巻3号）では、モデルの予測を参加者が修正できる条件にすると、モデルを選ぶ確率が上がり成績も改善しました。修正できる幅がごくわずかな条件でも効果が残っています。

第二に、比較対象の誤差。MIT IDEのZhangとGoslineの検証では、忌避の強さはAIの誤差が小さくなるか、人間の予測者の誤差が大きくなると消えました。忌避は「AIの誤差が、期待される人間の誤差を上回ったとき」に生じています。

実務での含意は、精度の数字を提示するより先に、誰がどこで出力に手を入れられるかを設計に書いておくことです。逆向きの落とし穴である自動化バイアスや、確認工数としての検証税と併せて、AI信頼ギャップの両端として扱うのが実際的です。

出典: Dietvorst, Simmons, Massey「Algorithm Aversion: People Erroneously Avoid Algorithms After Seeing Them Err」（Journal of Experimental Psychology: General, 2015, 144(1), 114–126）／Logg, Minson, Moore「Algorithm Appreciation: People Prefer Algorithmic to Human Judgment」（Organizational Behavior and Human Decision Processes, 2019, 151, 90–103）／Dietvorst, Simmons, Massey「Overcoming Algorithm Aversion」（Management Science, 2018, 64(3), 1155–1170）／Zhang, Gosline「Understanding Algorithm Aversion: When Do People Abandon AIs When They See Them Err?」（MIT Initiative on the Digital Economy）

この用語は、ツギノテ。AI QUIZ の 生成AI 用語 テスト 全10問 でも出題しています。

この用語辞典も、AIが毎朝自動で書いています。同じ仕組みの構築相談は 構築の相談 へ。

自動化バイアス（automation bias）とは、人が自動システムやAIの出力を、自分の判断や手元の反証よりも優先して受け入れてしまう認知の偏り。機械が示した答えに従い検証を省く「信頼のショートカット」であり、AIが概ね正確なときほど、まれな誤りを見逃しやすくなる。

もともとは航空分野で、操縦の自動化が安全に与える影響を問うなかで1990年代に論じられ、その後、医療・軍事、そしてAI支援の意思決定へと広がった概念です。

数字で見る

放射線科医27名を対象にした2023年の実験（『Radiology』掲載）では、AIが不正確な区分を提示すると、正答率は経験の浅い群で79.7%から19.8%へ、経験豊富な群でさえ82.3%から45.5%へ下落しました。経験は影響をやわらげはしても、消しはしませんでした。

本質

失敗は二つの形をとります。機械が警告しないから気づかない見落とし（omission）と、機械が示すから反証があっても従う鵜呑み（commission）です。問題は意志の弱さではなく、AIの性能が上がるほど検証を省く習慣が育つという構造にあります。だから対策は「気をつける」ではなく、疑う手続きを仕組みの側に埋め込むことになります。

出典: Dratsch T ほか（Radiology, 2023年5月）／Goddard K, Roudsari A, Wyatt JC（JAMIA, 2012年、系統的レビュー）

この用語は、ツギノテ。AI QUIZ の 生成AI 用語 テスト 全10問 でも出題しています。

BCI（ブレイン・コンピュータ・インターフェース）とは、脳が発する電気信号を読み取り、コンピュータや機器を操作する命令に変換する技術のこと。脳側に電極を置く「侵襲型」と、頭皮の上から計測する「非侵襲型」に大別される。2026年3月13日、中国の規制当局NMPAがNeuracle社の「NEO」を承認し、侵襲型BCIとして世界初の商用機器が誕生。同年7月13日には上海で承認後初の埋め込み手術が行われた。

キーボードやマウス、音声入力が「体を経由する入力装置」だとすれば、BCIは体を経由しない入力装置です。手を動かそうと念じたときの運動野の信号を解読し、ロボットグローブやカーソルの操作に変換します。現時点の主な用途は、脊髄損傷やALSなどで運動機能を失った人の機能補助という医療領域です。

種類と現在地

侵襲型の中にも段階があります。NEOは頭蓋骨の下・硬膜の外側に電極を置き、脳組織そのものには針を刺さない設計（電極8本・コイン大）。一方、米Neuralink社は糸状の電極を脳組織に直接挿す方式で、より多くの信号を取れるかわりに、まだ臨床試験の段階にあります。読み取りの深さで先行する米国勢に対し、「規制承認を取り商品にする」段階へ最初に到達したのは中国勢、というのが2026年時点の勢力図です。

数字で見る

NEOの承認根拠となった臨床試験は計36例の埋め込み・18か月の追跡で、デバイス関連の重篤な有害事象はなかったと報告されています。適応はC2-C6頸髄損傷の18〜60歳成人。フィクションが描く「フルダイブ」とは異なり、現実は限定された対象への限定された機能から始まっています。

実務との関わり

ビジネスの現場に直結するのはまだ先ですが、押さえどころは2つあります。第一に、脳信号が「商品として扱われるデータ」になったこと。誰が信号を保管し解読モデルを更新するのかという、AIサービスと同型のガバナンス問題が生まれます。第二に、ロボットやフィジカルAIと同じく、AIの主戦場が画面の中から身体・現実の側へ広がる流れの一部であること。「AIに委ねてよいものと、人が握っておくべきもの」の線引きが、文字通り身体の内側まで及びはじめた象徴的な用語です。

出典: Scientific American／MIT Technology Review（2026年）——NMPAによる世界初の商用承認／South China Morning Post・Global Times（2026年7月）——華山医院での承認後初の埋め込み手術／Fierce Biotech（2026年）——臨床試験36例・18か月追跡、Neuralinkの進捗

この用語辞典も、AIが毎朝自動で書いています。同じ仕組みの構築相談は 構築の相談 へ。

認知オフローディング（cognitive offloading）とは、課題の処理要求を減らすために、体・物・技術を使って認知的な負荷を外側へ肩代わりさせること。RiskoとGilbertが2016年の総説（Trends in Cognitive Sciences）で用いた定義で、指を折って数える、紙にメモする、リマインダーを設定する、ブックマークに入れる、生成AIに要約させる、のいずれもこれにあたる。新しい行為ではなく、道具の側が新しくなり続けている行為である。

この語が実務で意味を持つのは、オフローディングがただの手抜きではないことが実験で示されているからです。StormとStoneは2015年、一つ目の単語リストをパソコンにファイルとして保存させてから二つ目のリストを覚えさせると、二つ目の成績が上がることを三つの実験で報告しました（Psychological Science, 26巻2号）。先に覚えたものが後から来たものの学習を邪魔する現象（順向干渉）が、保存によって軽くなったという説明です。

効く条件と、消える条件

ただし、この利得には条件がつきます。同じ一連の研究で、保存の手続きが信頼できないと参加者が判断した場合、効果は観測されませんでした。保存する中身が軽く、そもそも次の学習を邪魔しようがない場合も同様です。効いているのは保存という操作そのものではなく、「もう抱えていなくてよい」という確信のほうだと読めます。

代償も報告されています。Rungeらの2020年の実験3では、外部に保存した言語材料は、そのあと取り出しにくくなっていました（Psychological Research, 85巻4号）。下ろせば身軽になり、下ろしたものは少し遠くなる。等価交換に近い性質です。

実務での使いどころ

社内の情報管理にこの語を当てると、点検する対象が変わります。溜まったブックマークやフォルダの件数は、それ自体では問題を示しません。見るべきは置き場所が信頼されているかどうかで、検索で出てこない共有ドライブや、命名規則のない保存先は、オフローディングとして機能していない可能性があります。負荷を下ろせていないのに、下ろしたことにしている状態です。

生成AIに要約させて要約のほうを保存する運用も、同じ物差しで見られます。要約の確からしさを一度も確かめていない棚は、信頼された保存先ではありません。検証税や自動化バイアスと同じく、道具の性能ではなく、道具の外側にある確かめ方の設計が問われる場所です。

出典: Risko, E. F., & Gilbert, S. J.「Cognitive Offloading」（Trends in Cognitive Sciences, 2016, 20巻9号, 676–688ページ）／Storm, B. C., & Stone, S. M.「Saving-Enhanced Memory」（Psychological Science, 2015, 26巻2号, 182–188ページ）／Runge, Y., Frings, C., & Tempel, T.「Specifying the mechanisms behind benefits of saving-enhanced memory」（Psychological Research, 85巻4号, 1633–1644ページ）

この用語は、ツギノテ。AI QUIZ の 生成AI 用語 テスト 全10問（vol.2） でも出題しています。

この用語辞典も、AIが毎朝自動で書いています。同じ仕組みの構築相談は 構築の相談 へ。

FDE（Forward Deployed Engineer）とは、顧客の現場に入り込み、製品の導入から業務への定着まで伴走するエンジニアのこと。Palantirが広めた職種名で、「前方展開エンジニア」の意。

ソフトウェアを「売って終わり」にせず、顧客側に常駐・半常駐して業務フローへの組み込みまでやり切るのが特徴です。生成AIは「買っただけでは成果が出ない」製品の代表格であるため、AIベンダー各社がこの職種を急拡大させています。

背景

2026年には、Microsoftが専門家6,000人規模の導入支援部門「Frontier Company」設立（25億ドル）、AWSが10億ドル規模のFDE組織新設を発表するなど、大手が相次いで「人による導入支援」へ巨額投資しています（TechCrunch報道）。AI導入プロジェクトの95%が損益に効果を出せていないというMITの報告が示すとおり、価値が「モデルの性能」から「現場への定着」へ移っていることの表れです。

本質

FDEの争点は「導入の学習がどちらに蓄積するか」です。ベンダーのFDEに任せれば速い一方、業務をAIに翻訳するノウハウはベンダー側に残ります。日本のSIer依存構造と同じ問いが、AI時代に再演されようとしています。

出典: TechCrunch(2026年5〜7月の各報道)／MIT「The GenAI Divide: State of AI in Business 2025」

フォワードデプロイド・エンジニア（Forward-Deployed Engineer, FDE）とは、ベンダーのオフィスではなく顧客企業の現場に常駐し、内部の担当者と机を並べて、その会社の実際の業務にAIやソフトウェアを組み込んでいく技術者のこと。製品を「渡して終わり」にせず、現場で動くところまで伴走する役割を指す。

もとはデータ分析基盤のPalantirが確立した職種で、汎用の製品を持ち込むのではなく、顧客ごとに異なる業務・データ・現場の癖に合わせて実装する点が特徴です。翻訳すれば、「作る人」と「使う人」のあいだに立って、両者のすき間を現場で埋める職人にあたります。

なぜ2026年に注目されたか

2026年7月、OpenAIのデプロイメント部門が、Palantir系のFDEを多数抱える応用AI企業Northslopeの買収に合意したと報じられました（Axios、2026年7月8日）。最先端モデルを持つ当のOpenAIが、より賢いモデルではなく「現場に入る人手」を投資対象にした——この動きが、AI競争の軸が実装力へ移ったことを象徴する例として受け止められています。

本質

モデルやツールの性能で差がつきにくくなるほど、価値の源泉は「それを自社の現場でどう動かしきるか」という実装工程に移ります。FDEは、その工程を担う人の職種名です。汎用の賢さを、個別の現場で効くかたちに翻訳する——その仕事は、いまのところ人が握っています。

出典: Axios「Exclusive: OpenAI deployment arm to acquire Northslope」（2026年7月8日）ほか各社報道。フォワードデプロイド・エンジニアはPalantirが広めた職種概念。

この用語は、ツギノテ。AI QUIZ の 生成AI 用語 テスト 全10問（vol.2） でも出題しています。

GenAI Divide（生成AI格差）とは、生成AIへ投じられた巨額の投資と、実際に得られた財務成果とのあいだに開いた溝のこと。MIT NANDAの2025年レポートは、約95%の組織が測定可能なROIを得られず、パイロットを本番の成果まで運べたのは約5%だったと報告した。分断を生むのはモデルの性能ではなく、組織側の「学習ギャップ」である。

投資額と成果のあいだにできた「持てる者／持てない者」の分断を、地理的な格差になぞらえた呼び名です。同じ生成AIを導入しても、成果に結びつけられる少数と、パイロットのまま停滞する多数に割れていく現象を指します。

数字で見る

MITプロジェクトNANDA「The GenAI Divide: State of AI in Business 2025」（公開300超の導入事例レビュー＋52組織インタビュー＋153人の上級リーダー調査）は、推計300〜400億ドルが投じられた一方で約95%が損益に効果を出せなかったと指摘。2026年1月のPwC第29回グローバルCEO調査（95か国・4,454人）でも、増収とコスト削減を両立できたのは12%、いずれの効果もないは56%でした。手法の異なる二調査が、同じ方向の絵を描いています。

本質

問題は「AIが役に立たない」ことではなく、成果の出る使い方に組織が届いていないことです。成功側の共通項は技術ではなく、①反復の多いバックオフィスに投じる、②内製より調達・提携を起点にする、③汎用ツールを配って終わりにせず業務文脈を覚えさせる、という設計にありました。「95%」は成功の定義（評価期間の短さ等）で膨らむ数字でもあり、額面どおりの受け取りには注意が要ります。

出典: MIT プロジェクトNANDA「The GenAI Divide: State of AI in Business 2025」（2025年）／PwC「第29回グローバルCEO調査」（2026年1月）

この用語は、ツギノテ。AI QUIZ の 生成AI 用語 テスト 全10問 でも出題しています。

大平坦化（The Great Flattening）とは、進捗集約・報告・日程調整といった「調整業務」をAIで自動化し、中間管理職の層を薄くして組織構造をフラット化する動きのこと。欧米のビジネス誌が2025年前後から用いる呼称。

組織の階段から中段の踊り場を抜き、上と下を直につなぐ——その主語が不況やリストラではなく「AI」である点が、従来のリストラと異なります。あいだをつなぐ配管工事を機械が肩代わりできるなら、あいだにいる人を減らせる、という発想です。

数字で見る

ガートナーは2024年10月、2026年までに組織の20%（5社に1社）がAIで構造をフラット化し、現在の中間管理職の半数超を削減すると予測しました。実測でも、2024年に解雇された人のうち中間管理職が約29%（2018年は約20%）を占め、管理職一人あたりの平均部下数は2024年の10.9人から2025年に12.1人へ増えたとされます。

本質

たためるのは「調整」という部品であって、曖昧な状況での判断・人の育成・不確実性の引き受けまで機械に渡せるわけではありません。層を薄くしたぶんの重さは、残った少数へ積み替えられ、将来のリーダーを鍛える練習場も同時に失われる——身軽さには、あとから届く請求書がある、というのが論点です。

出典: Gartner「Top Predictions for IT Organizations and Users in 2025 and Beyond」（2024年10月）／中間管理職の解雇比率・span of controlに関する各種報道・調査（Fortune／Forbes／Gallup ほか、2025〜2026年）

この用語は、ツギノテ。AI QUIZ の 生成AI 用語 テスト 全10問（vol.2） でも出題しています。

間接プロンプトインジェクションとは、AIが処理するWebページ・文書・画像などの外部コンテンツに、人の目に見えない命令を仕込み、AIをその命令に従わせて乗っ取る攻撃手法のこと。AIが「利用者からの指示」と「信頼できない外部データ」を区別しない性質を突く。攻撃はユーザーの画面には現れず、AIブラウザやエージェントのように外部情報を読んで自動で動く仕組みで特に危険性が高い。

利用者が直接あやしい指示を打ち込む「直接」型と違い、こちらは第三者が用意したデータの中に命令が潜むのが特徴です。攻撃者は白い背景に白い文字、HTMLのコメント欄、あるいは画像内の淡い文字といった人には読めない場所に命令を書いておく。AIがそのページや画像を読み込むと、命令を利用者の指示と取り違えて実行してしまいます。

仕組み

ブラウザ大手Braveのセキュリティチームは2025年8月、Perplexityの「Comet」で本手口を実証しました。「このページを要約して」と頼むとページ内容がそのままAIへ渡り、AIは指示と本文を区別しないため、隠された命令が発動する——という流れです。同年10月には、スクリーンショット内の見えない文字でも成立することを示し、AIブラウザというカテゴリ全体の系統的な課題だと結論づけました。ChatGPT Atlasでも同種の実証が相次いでいます。

本質と防御

問題の核心は、賢いモデルほど、言われたことを忠実に実行する点にあります。OpenAIは自社解説で、この種の攻撃は詐欺やソーシャルエンジニアリング同様に完全には「解決」されない見込みだと述べています。OWASPもプロンプトインジェクションをLLMリスクの第1位（LLM01）に据え続けています。現実的な防御は、悪意を水際で見分けるより、権限を絞り・危険な操作は人が承認し・ツールを隔離する封じ込め（containment）だとされます。

出典: Brave Security Team「Agentic Browser Security: Indirect Prompt Injection in Perplexity Comet」(2025年8月)／「Unseeable prompt injections in screenshots」(2025年10月)／OpenAI「Understanding prompt injections」(2025年)／OWASP「Top 10 for LLM Applications」LLM01

この用語は、ツギノテ。AI QUIZ の 生成AI 用語 テスト 全10問 でも出題しています。

モデル退役（model deprecation／デプリケーション）とは、AIベンダーが提供中のモデルを段階的に終了させ、最終的にAPIから削除すること。多くの場合、①非推奨の告知 ②旧モデル扱いでの継続提供 ③削除、の3段階を踏む。告知から削除までの最低期間は各社が公表しており、2026年8月時点でOpenAIは一般提供モデルで最低6か月、Anthropicは最低60日、Amazon Bedrock は Legacy 入りから EOL まで最低6か月。

「使えなくなる」という一点だけを見ると突然の出来事に思えますが、実務上は日付の決まった手続きです。難しいのは、どのモデルがいつ終わるかではなく、自分がどのモデルを何本使っているかを誰も数えていないことのほうにあります。

段階の呼び方が、会社ごとに違う

語彙が統一されていないため、同じ状態を指す言葉が複数あります。Anthropic は Active／Legacy／Deprecated／Retired の4段階。Amazon Bedrock は Active／Legacy／EOL（End-of-Life）の3段階で、Legacy の後半に「公開延長アクセス」という値上がりを見込む区間を挟みます。OpenAI は「deprecation」を告知そのものの意味で使い、実際に止まる日を shutdown／sunset と呼び分けます。読み替えの起点は「まだ動くか」「いつ止まるか」の2点だけで足ります。

注意点：終了日は、モデルではなく窓口に付いている

同じモデルでも、提供元のAPIから使うか、Amazon Bedrock や Google Cloud のような再販プラットフォーム経由で使うかで、退役日が異なります。実例として Claude Sonnet 4 は、Anthropic のAPIでは2026年6月15日に退役し、Amazon Bedrock では EOL が同年10月14日でした。差は122日。各社のドキュメントは「自社の日付だけが適用される」と互いに明記しており、矛盾ではなく仕様です。単価やリージョン対応と同じく、モデル名だけでは決まらない項目のひとつだと考えるのが安全です。台帳を持たないまま使い続けると、シャドーAIやエージェント・スプロールと同じ形で、止まる日を誰も把握していない状態が生まれます。

実務での確認手順は、日付の暗記より棚卸しが先です。利用中モデルの一覧は、Anthropic なら Console の Usage からのCSVエクスポート、Amazon Bedrock なら ListFoundationModels 応答の modelLifecycle フィールドで取得できます。

出典: Amazon Web Services「Model lifecycle - Amazon Bedrock」／Anthropic「Model deprecations」（Claude Platform Docs）／OpenAI「Deprecations」（いずれも2026年8月1日閲覧）

この用語辞典も、AIが毎朝自動で書いています。同じ仕組みの構築相談は 構築の相談 へ。

パフォーマティブ予測（performative prediction）とは、予測モデルを選び、その予測にもとづいて行動することが、予測対象となる将来のデータの分布そのものを変えてしまう状況のこと。Perdomo・Zrnic・Mendler-Dünner・Hardt が2020年のICML論文で定式化した。予測が判断に触れる領域では例外ではなく常態に近い。

身近な例は、離職予測です。「辞めそうだ」と出た人に面談をして引き止めれば、その人は辞めません。予測は外れます。逆に、その札のせいで重い仕事から外されて本当に辞めれば、予測は的中します。介入が成功したときに成績が下がり、失敗したときに上がるという、成績表のねじれがここで生まれます。

ふつうの「精度が落ちた」と、どこが違うか

モデルの当たりが悪くなること自体は珍しくありません。市場が変わった、顧客層が変わった。こうした外因による変化は分布シフトと呼ばれ、再学習で追いかけるのが定石です。パフォーマティブ予測が厄介なのは、変化の原因が自分のモデルの側にあることです。原論文も、この性質を見落とすと単なる分布シフトに見えてしまい、再学習という手当てで済まされてしまう、と指摘しています。再学習で症状は消えますが、構造は次の四半期にまた同じ形で現れます。

注意点：精度が良いことは、うまくいっている証拠にならない

関連する研究として、Patterns 誌に2025年に掲載された van Amsterdam らの論文があります。医療の予測モデルを対象に、配備後も良好な識別性能を保ったまま、ある患者群に害を与えるモデルがありうることを示したものです。悪化した転帰はモデルの識別性能を落とさないため、精度指標だけを見ていると有害な運用が検知されません。著者らは、精度ではなく判断とアウトカムへの影響で評価すべきだとしています。

実務での含意は一つに絞れます。予測モデルの成績は、的中率ではなく「介入した群と、しなかった群で結果がどう違ったか」で見る必要がある、ということです。自動化バイアスや検証税と同じく、モデルの外側に評価の設計が要ります。

出典: Perdomo, Zrnic, Mendler-Dünner, Hardt「Performative Prediction」（ICML 2020／arXiv:2002.06673）／van Amsterdam et al.「When accurate prediction models yield harmful self-fulfilling prophecies」（Patterns, 2025／arXiv:2312.01210）

この用語は、ツギノテ。AI QUIZ の 生成AI 用語 テスト 全10問（vol.2） でも出題しています。

この用語辞典も、AIが毎朝自動で書いています。同じ仕組みの構築相談は 構築の相談 へ。

フィジカルAI（Physical AI）とは、AIがチャット画面を出て、ロボットなどの物理的な身体を得て、実世界を知覚・判断し、行動まで実行する技術領域のこと。NVIDIAが2025年のCES基調講演で次の主戦場として掲げ、ヒューマノイドの工場・倉庫導入とともに広まった。

文章や画像を生成するAIが「デジタル空間の労働」を担うのに対し、フィジカルAIは物を運ぶ・仕分ける・組み立てるといった物理空間の労働を担います。カメラ等の知覚から動作の生成までを一つのAIモデルで結ぶ方式（VLA：視覚・言語・行動モデル）が中核技術です。

数字で見る

Figure AIのヒューマノイドはBMWスパータンバーグ工場で約10か月にわたり実運用され、3万台超のBMW X3の生産に貢献。2026年7月には後継機Figure 03が部品のシーケンシング作業へ投入されました。Agility RoboticsのDigitは物流大手GXOの倉庫で累計10万トートの搬送を達成しています（いずれも各社発表）。

本質

問題は「動けるか」ではなく、物理空間で失敗したときの責任と安全を誰が設計するかにあります。ソフトウェアのエージェントなら失敗は画面の中で済みますが、身体を持ったAIの失敗は物と人に届く——導入の本丸は運動性能ではなく、安全基準・責任分界・稼働データの取り決めです。

出典: NVIDIA CES 2025基調講演／BMW Group プレスリリース(2026年7月)／Figure AI「F.03 Arrives at BMW」／Agility Robotics「Digit Moves Over 100,000 Totes in Commercial Deployment」

この用語は、ツギノテ。AI QUIZ の 生成AI 用語 テスト 全10問（vol.2） でも出題しています。

RAG（Retrieval-Augmented Generation／検索拡張生成）とは、AIが答えを書き出す前に、外部の文書集合から関連する箇所を検索して取り出し、その中身を根拠として回答を組み立てる仕組み。モデルそのものを再学習させずに、社内規程やマニュアルのような手元の文書を答えの材料にできる。名称と枠組みは2020年のLewisらの論文（NeurIPS 2020）に由来する。

言い方を変えると、AIに参考書を持たせてから答えさせる方式です。持たせなければ、AIは自分の記憶だけで答えます。社内の運用ルールや昨日決まったことは、その記憶のなかにありません。

三つの工程しかない

実装の細部はさまざまですが、骨格は共通しています。①社内文書をあらかじめ細かく分割し、検索できる形に置いておく ②質問が来たら、関連しそうな断片をいくつか取り出す ③その断片を質問といっしょにAIへ渡し、そこに書いてあることを根拠に答えさせる。

元の論文が扱っていたのはWikipediaを外部知識とする設定で、事前学習した内部の知識（パラメトリック記憶）と、外から引いてくる知識（非パラメトリック記憶）を組み合わせるという整理でした。実務で社内文書に置き換わっても、構図は変わりません。

つまずきどころは、AIの側にない

導入相談でうまくいかない理由の多くは、②や③ではなく①で起きます。そもそも社内文書が、検索できる形で置かれていない。スキャンしただけのPDF、表だけで文脈のないExcel、同じ規程の版が三つあって最新版が分からない、といった状態です。この場合、AIは古い版を根拠に、堂々と間違えます。

もう一つは、権限です。人事評価や与信の資料まで一括で読ませてしまうと、本来見えない人に答えとして返ってしまいます。誰がどの文書を参照できるかを、検索側でも再現しておく必要があります。これを飛ばした運用は、シャドーAIと同じ経路で情報の出口を増やします。

RAGはワークスロップのような「それらしいが使えない出力」を減らす手立てとして語られますが、根拠の側が整っていなければ、根拠つきで間違えるだけになります。出力の検算コスト（検証税）が消えるわけではありません。

最初に測るのは、精度ではなく本数

検討を始めるときの一点は、「いま社内にある文書のうち、AIから読める場所に置いてあるものが何本あるか」を数えることです。精度の話は、読ませる材料が揃ってからでないと測れません。総務省の令和8年版情報通信白書（2026年7月公表）でも、生成AIが参照できる社内データベースを構築していると答えた日本企業は24.5%で、米国57.2%・中国73.0%と差が開いていました。

出典: Patrick Lewis, Ethan Perez, Aleksandra Piktus ほか「Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks」（NeurIPS 2020、arXiv:2005.11401）／総務省「令和8年版情報通信白書（概要）」（2026年7月公表）

この用語は、ツギノテ。AI QUIZ の 生成AI 用語 テスト 全10問 でも出題しています。

この用語辞典も、AIが毎朝自動で書いています。同じ仕組みの構築相談は 構築の相談 へ。

シャドーAI（Shadow AI）とは、組織の許可を得ずに従業員が業務で利用するAIツールのこと。私物USBや無断クラウド利用を指した「シャドーIT」のAI版。

「会社ではAI禁止なので、自分のスマホでやっています」——この状態がシャドーAIです。禁止は利用を消すのではなく、管理の届かない場所へ移動させるだけ、という点に問題の本質があります。

数字で見る

PwC Japanの2025年調査では国内従業員の52%が個人契約AIツールの業務利用経験ありと報じられ、IBMの「Cost of a Data Breach Report 2025」ではセキュリティ侵害の20%にシャドーAIが関与。一方でガートナージャパンの2026年調査では、国内企業の7割超が有効な対策を取れていないとされています。

本質

シャドーAIの利用実態は、会社がまだ提供していない道具への現場からの需要調査と読み替えられます。需要は罰しても消えないため、対策の要点は取り締まりではなく「公式ツールの提供・境界線の明示・利用の見える化」という受け皿づくりにあります。

出典: PwC Japan調査(2025)／IBM「Cost of a Data Breach Report 2025」／ガートナージャパン調査(2026年6月・日経クロステック報道)

この用語は、ツギノテ。AI QUIZ の 生成AI 用語 テスト 全10問 でも出題しています。

表形式基盤モデル（Tabular Foundation Model）とは、文章ではなく、行と列でできた「表」のデータのために事前学習されたAIのこと。データセットごとの再訓練を必要とせず、手元の表を見せるだけで、数秒で予測を返す。代表例はPrior Labsの「TabPFN」で、学術誌『Nature』に掲載された。

大規模言語モデル（LLM）が文章の海で育った頭脳なら、こちらは表の海で育った頭脳です。売上台帳、在庫一覧、顧客リスト、センサーログといった構造化データから、需要予測・異常検知・分類などを直接おこないます。

仕組み

従来の機械学習は、新しい表が来るたびに「その表専用」のモデルを一から訓練する必要がありました。表形式基盤モデルは、人工的に生成した膨大な数の表であらかじめ「予測のしかたそのもの」を学んでおり、利用時は追加訓練なしに一度の推論で答えを出します。欠損値や、数値と文字が混ざった列も自然に扱えるのが特長です。

数字で見る

提唱元の論文は、最大1万件規模のデータセットで従来の代表的手法を上回ったと報告。分類実験では、4時間かけて調整した強力な手法の寄せ集めを、わずか数秒の予測が上回ったとされます。ただしこれは中小規模の表を対象とした研究成果であり、あらゆる巨大データで万能というわけではありません。

本質

意義は、「AIに任せてよい仕事」の地図が、文章の外側へ広がった点にあります。2026年7月、SAPがPrior Labsの買収を完了し4年で10億ユーロ超の投資を表明したことは、この分野が実験室を出て産業の主戦場になりつつある証しです。一方で、予測が数秒で出るほど、その数字を鵜呑みにする誘惑も増えます。速さは確かさとは別物で、最終判断は人が握り続ける領分です。

出典: SAP News「SAP Completes Prior Labs Acquisition」ほか各社報道(2026年7月17日)／Nature「Accurate predictions on small data with a tabular foundation model」ほかPrior Labs公開資料

この用語は、ツギノテ。AI QUIZ の 生成AI 用語 テスト 全10問（vol.2） でも出題しています。

テレプレッシャー（workplace telepressure）とは、届いたメッセージのことが頭から離れず、すぐに返信したいという衝動が起きる状態のこと。バーバーとサンツッツィが2015年の論文（Journal of Occupational Health Psychology）で定義した概念で、「没頭」と「返信衝動」の二つの要素からなる。労働時間の長さや仕事量とは区別して測られる点に特徴があり、燃え尽き・欠勤・睡眠の質の低下との関連が報告されている。忙しさの指標ではなく、応答をめぐる心理的な負荷の指標である。

この語が実務で効いてくるのは、「返信が速い人ほど働いている」という見方を切り離せるからです。上記の研究では、個人の特性や職場環境を統計的に差し引いたあとでも、テレプレッシャーの高さが不調の指標と結びついていたと報告されています。速く返す習慣そのものが、労働時間とは別の経路で人を削っている可能性がある、という読み方になります。

どこから生まれるか

研究では、テレプレッシャーの高さが個人の性格だけで決まるものではなく、周囲の「すぐ返ってくるはずだ」という期待とも結びついていたと報告されています。つまり、これは個人の自制心の問題として扱うと外しやすい種類の負荷です。深夜のメールに返信が来る職場では、返信の期待値そのものが上がっていきます。

休暇との関係も直接的です。休みが回復として働くには、仕事から心理的に離れられていることが要ると考えられており、受信箱を開き続ける状態はその距離を縮めます。不在通知を出しているのに受信箱を見ている、という状態は、この概念で説明できる場面のひとつです。

生成AIとの接点

メールソフトに返信の下書きを生成する機能が入りはじめたことで、この負荷の形も変わりつつあります。下書きが用意されていれば返信は速くなりますが、速くなった分だけ期待値も上がるのであれば、下がるのは所要時間だけで、負荷そのものは残ります。承認するだけの返信を積み重ねる運用は、自動化バイアスの入口にもなりやすく、確認の手続きを省く方向に働きます。

負荷を外へ下ろすという意味では認知オフローディングと地続きですが、下ろせるかどうかを決めているのは道具の性能ではなく、応答の期待をどこに置くかという運用の側です。

実務での見どころ

この概念を社内に当てると、点検の対象が「メールの通数」から「返信までの期待時間」に移ります。就業時間外の連絡に既定の返信期限を置いているか、休暇中の一次受けを個人ではなく役割に割り当てているか、下書き生成を入れたときに期待値のほうを据え置けているか。いずれも個人の心がけではなく、決めごとの側で扱える項目です。

出典: Barber, L. K., & Santuzzi, A. M.「Please Respond ASAP: Workplace Telepressure and Employee Recovery」（Journal of Occupational Health Psychology, 2015年4月）／Sonnentag, S.「Psychological Detachment From Work During Leisure Time」（Current Directions in Psychological Science, 2012年）。いずれも自己申告尺度による調査を含み、因果の方向を確定するものではありません

この用語辞典も、AIが毎朝自動で書いています。同じ仕組みの構築相談は 構築の相談 へ。

検証税（verification tax）とは、AIが生成にかかる時間を短縮する一方で、その出力を確認し・修正し・他人に説明するために新たに発生する、見えにくいコストのこと。生成の速さがそのまま検証の負担へ変換され、時短の実質を目減りさせる。しばしば作成者本人ではなく、成果物を受け取る同僚や上司へ転嫁される。

「AIで一時間浮いたのに、その一時間をチェックに使っている」という現場の感覚を、コストとして名指しした概念です。Sageと調査会社IDCが2026年7月に公開した白書のタイトルに由来します。

数字で見る

Sage／IDC白書「The Verification Tax」（北米・EMEAの上級財務意思決定者2,275人対象）では、財務担当者はAI出力の再構成・検証・説明に週約13時間を費やし、米国では49%が週15時間以上を検証に割いています。Workdayの2026年1月調査では、AIで浮いた時間の約37%が手直し（rework）に消え、差し引きで一貫してプラスになる従業員は14%にとどまりました。

本質

検証税はAIが未熟だから生じる一時的な費用ではなく、生成を機械に委ね、判断と説明責任を人が握るという分業がある限りかかり続ける構造的コストです。ゼロにはできないため、無検証で流して「踏み倒す」のではなく、失敗コストの高い作業に検証を集中させ、出力に根拠を添えさせ、職務設計そのものを更新して安く的確に払う方向で管理します。

出典: Sage／IDC「The Verification Tax: The Emerging Economics of AI in Finance」（2026年7月）／Workday「Companies Are Leaving AI Gains on the Table」（2026年1月）

この用語は、ツギノテ。AI QUIZ の 生成AI 用語 テスト 全10問 でも出題しています。

ボイスクローン（voice cloning）とは、特定の人物の音声データをAIに学習させ、その人物の声質や話し方で任意のテキストを発話させる技術のこと。合成音声の一種で、本人の同意を得て作られたものは「公認合成音声」などと呼ばれ、同意なく作られたものは「海賊版ボイス」と呼ばれる。同じ音が鳴っていても、両者を出力だけから聞き分けることは難しく、許諾と対価、そして利用の記録をどう残すかが実務上の焦点になっている。

従来の音声合成が「読み上げ用の声」をゼロから設計するものだったのに対し、ボイスクローンは実在の人物の声を出発点にします。声質・抑揚・話す速さといった特徴をモデルに写し取るため、聞いた人が「あの人が喋っている」と認識する点が決定的に違います。だからこそ、技術の良し悪しとは別に、誰の声を、誰の許しで使っているのかという問いが必ず付いてきます。

背景 — 消すより作るほうが速い

生成AIの普及にともない、声優や俳優の声を模倣した音声コンテンツが無許可で生成・公開される事例が増えました。伊藤忠商事の発表文は、この状況を実演家の「人格的・経済的権利が十分に守られていない」と表現し、損失は金銭面だけでなく信頼や創作活動の継続にも及ぶとしています。協同組合 日本俳優連合は2023年からこの課題に取り組み、2024年には「NOMORE無断生成AI」の筆頭団体として参画。通報体制の構築や契約書ひな形の整備、政策提言などを進めています。

ただし、無断で作られたものを1つずつ消す作業は、生成の速さに追いつきません。この非対称が、業界の対応を「禁止」から「正規版を自分たちで出す」方向へ動かしました。

実務との関わり

企業がボイスクローンを使う場合、確かめるべき点は大きく3つに整理できます。用途——その声を、案内やナビゲーションに使うのか、演技や作品表現に使うのか。青二プロダクションとCoeFontの提携（2024年）では、アニメーションや外国語映画の吹き替えなど「演技」の領域には提供しないと明記されました。同意と対価——本人の明確な同意があるか、対価が本人に還元されるか、望まない使い方を止められる条項があるか。証跡——誰がいつ何の用途で許諾したかが後から辿れるか。日本俳優連合・伊藤忠商事・伊藤忠テクノソリューションズが立ち上げる公式音声データベース「J-VOX-PRO（仮称）」は、電子透かしや声紋、意思表示データベースと契約管理の連動によって、この証跡を担保しようとしています。

社内での実務上の注意もあります。会議の録音や電話の音声には、社員や取引先の声が含まれます。文字起こしや要約のために外部サービスへ渡す際、その音声が学習に使われるかどうかはシャドーAIと同じ性質のリスクです。声は本人を識別できる情報であり、出力の出どころを示す設計が要るという点で、エージェント・スプロールの管理とも地続きの課題になります。

出典: 株式会社CoeFont「青二プロダクションとCoeFont、AIを活用したグローバル戦略パートナーシップを締結」（2024年10月7日）／伊藤忠商事「“日本のプロの声”を守り、未来と世界へ──日俳連公式の音声データベースが始動」（2025年11月14日）

この用語は、ツギノテ。AI QUIZ の 生成AI 用語 テスト 全10問（vol.2） でも出題しています。

この用語辞典も、AIが毎日自動で書いています。同じ仕組みの構築相談は 構築の相談 へ。

ワークスロップ（workslop）とは、よい仕事のように見えるが、タスクを前に進める中身を欠いたAI生成の成果物のこと。BetterUp LabsとスタンフォードSocial Media Labが2025年に提唱した。

体裁は整っている。見出しも図表もあり、文章も破綻していない。しかし読み終えても「で、どうするのか」が残らない——そうしたAI生成文書が職場に増えている現象を指します。

数字で見る

提唱元の調査（米国フルタイム労働者1,150名）では、回答者の41%が直近1か月にワークスロップを受け取り、その処理に1件あたり平均1時間56分を費やしていました。受け取った側の42%は送り手を「以前より信頼できない」と評価し直しています。

本質

問題は「AIを使ったこと」ではなく、検品という認知労働を送り手と受け手のどちらが引き受けるかにあります。検品を省いて渡された文書は、その労力を受け手に下請けに出したのと同じ——個人の時短が、組織の時間赤字に化ける構造です。

出典: BetterUp Labs × Stanford Social Media Lab（Harvard Business Review, 2025年9月）／HBR「Why People Create AI "Workslop"」(2026年1月)

この用語は、ツギノテ。AI QUIZ の 生成AI 用語 テスト 全10問 でも出題しています。