ジョージ・ツィアハナスは、Archive360のコンプライアンス担当副社長およびアソシエイトジェネラルカウンセルです。ジョージは、複雑なテクノロジー、銀行規制、データガバナンス、リスクマネジメントについて深い理解を持つエグゼクティブリーダーです。また、現在の顧客および潜在的な顧客と密接に協力して、複雑なデータガバナンスおよびコンプライアンス要件を満たすことを保証し、Archive360のソリューションに沿ったものにしています。
2027年の初めに、規制された金融機関が規制当局から照会を受けたとします。規制当局は、単に記録を保持したかどうかを問うのではなく、より具体的で難しい質問をしています。AIシステムは何をしたのか、どのデータを使用したのか、どのポリシーが適用されていたのか、誰が承認したのか。これらの質問に完全で自信を持って答えることは、現在の多くの企業にとって、チーム、システム、_ARCHIVEを越えた混乱になるでしょう。実際、2025年9月のアーンスト・アンド・ヤングの調査によると、「企業の10％だけがAIシステムの監査に完全に準備ができている」ということになります。これは、2026年が規制された業界に直面しているコンプライアンスの現実です。AIの採用は、金融サービス、ヘルスケア、他の高度に規制された業界で急速に進んでいます。ガバナンスのインフラストラクチャは、追いついていません。定義する課題は、単に記録を保持することよりもはるかに大きくなりました。組織は、AIシステムが実際に何をしたのかを証明し、再構築し、守ることができる必要があります。しかし、これらの機能を達成することは、規制上の理由でチェックボックスを付けるための単なる雑用と見なされるべきではありません。強力なAIとデータのガバナンスを可能にすることで、企業はAIの展開を加速するために必要な心の平穏を得ることができます。なぜなら、規制上のリスクを減らし、機密性の高いデータが不適切なAIの使用から保護されるからです。保持から証明へ規制された業界でのガバナンスとは、長年にわたって、保持スケジュール、訴訟保留、記録管理プログラムを意味しました。これらの規律は、静的なドキュメント、デジタル通信、応用データの世界のために特別に設計されました。ファイルは作成され、ファイルされ、定義された期間保持され、最終的に廃棄されました。監査の質問は簡単でした。保持したか、そして必要な時にそれを探し出して提出できるか。AIシステムは、根本的に方程式を変えます。規制当局、裁判所、監査人は、記録の保持についてのみ尋ねるのではなく、説明可能な説明責任の連鎖を求めるようになります。つまり、「何が起こったのか、どのポリシーで、どのデータを使用して、誰の承認で」ということです。これは、従来のガバナンスフレームワークが設計されたものとは根本的に異なる基準です。すでに動き出している規制の信号は、どのように展開するかを示す良い例です。投資顧問のAI使用に関するSECの調査には、モデル入力、出力、当時のポリシーの記録を含む包括的な記録要求が含まれていました。これは、規制当局が企業に、単にコンプライアンスを示すのではなく、要求に応じて証明する能力を示すことを期待していることを示しています。EUのデジタル運用耐性法（DORA）は、2025年1月に完全に発効し、EUの金融機関にデジタル運用上の決定の文書化を義務付けました。ガバナンスインフラストラクチャを防御可能性の原則で設計した組織は、迅速に、正確に、自信を持って対応できるようになります。EUのAI法の段階的義務は、金融サービス、ヘルスケア、雇用など、重要な分野での高リスクAIシステムの要件をさらに強化しています。この問題の核心は、決定の出典と呼ばれるものです。AIは、クレジットの決定、トレーディングシグナル、リスクの分類、不正検出フラグなど、消費者に影響を与える幅広い重要な決定を下します。これらの決定は、従来のコンプライアンスチームが支援することができるほどの粒度で追跡可能である必要があります。出力をキャプチャすることは、出力が生成された条件をキャプチャすることと同じではありません。簡単に言えば、静的なドキュメント用に設計されたガバナンスフレームワークは、AIシステムが生成する動的、リアルタイムの証拠の道筋をキャプチャすることができません。ガバナンスはブレーキではなく、アクセラレータである多くの組織では、ガバナンスをAIの展開のブレーキと見なす傾向があります。コンプライアンスのオーバーヘッドがイノベーションのペースを遅くするという考えです。しかし、証拠は反対の方向を示しています。規制された業界でのAIの採用を妨げている主なボトルネックの1つは、ガバナンスされた、利用可能で、信頼できるデータの欠如です。ガバナンスの問題を最初に解決した組織は、長期的には最も迅速に進むことができます。ガバナンスされたデータ基盤が可能にすることを考えてみましょう。データが統一されたガバナンスレイヤーに従って分類、保持、管理されると、AIおよびアナリティクスプラットフォームのためのアセットになります。ガバナンスにより、データが信頼性の高いものになります。実用的利点はすぐに蓄積されます。ポリシーコントロールがデータとともに埋め込まれている場合、チームは、広範な手動の準備や規制された機密情報の漏洩のリスクなく、AIプラットフォームやアナリティクスツールにAI対応のデータセットを公開できます。以前は数ヶ月かかったデータの準備、セキュリティのレビュー、コンプライアンスの承認が必要だったユースケースは、ガバナンスの基盤作業がすでに整っているため、はるかに短い時間で展開できます。不正検出エージェント、トレーディング監視、臨床試験分析、ワークフォースプランニングツールは、断片化されたソースからのデータではなく、統一されたガバナンスレイヤーからデータを取得できるため、より迅速に展開できます。同じインフラストラクチャが規制上の防御可能性をサポートするだけでなく、AIの展開が高額な方法で失敗するリスクも直接減少させます。データガバナンスコントロールが一貫して適用されると、AIプロセスを介して機密性の高いまたは規制された情報を不注意に公開するリスクは大幅に減少します。企業は、すでに組み込まれているコントロールのおかげで、無期限に遅らせていたAIイニシアチブを進めることができます。ガバナンスは、AIのパイロットプロジェクトをスケーラブルな本番展開に変換します。これには、運用上の側面もあります。なぜなら、このガバナンスモデルは、別のコンプライアンス努力を必要とせずに、AIの使用をカバーするように自然に拡張されるからです。その統合の利点は、各新しいAIの使用例が新しいコンプライアンス負債を生み出すのではなく、既存の防御可能なフレームワークに吸収されることを意味します。防御可能なAIガバナンスの実際の要件ガバナンスインフラストラクチャは、防御可能性を設計要件として構築する必要があります。規制された企業が備えるべき3つの基礎要素があります。最初は、統一された証拠アーキテクチャです。データとAIプラットフォームは、監査トレイルが完全で連続していることを保証する一貫したガバナンスフレームワークの下に接続される必要があります。また、ポリシーコンテキストはデータと決定とともに移動する必要があります。別のシステムに存在する場合、時間と労力が必要な手動の相関付けが必要になります。2つ目は、AI特有の記録保持です。SECの進化する検査フレームワークは、どこへ向かっているかを示しています。規制当局は、モデルが何を生み出したかだけでなく、モデルが動作していたときの状態を知りたいと考えています。現在のアーキテクチャは、自動分類、血統追跡、連鎖的管理の文書化を一貫して適用していないため、これらの詳細レベルを信頼性高く生成することができません。3つ目は、AIライフサイクル全体での規律あるデータ管理です。組織は、データがAIシステムに入力される方法、どのデータが含まれるか、どのデータが除外されるか、そしてなぜ除外されるかについて、文書化された、監査可能なプロセスを示す必要があります。連鎖的管理の質問は、データの取り込みからモデルトレーニング、そして本番運用まで、AIパイプラインのすべての段階で繰り返されます。今後の展望2026年の進化する規制環境で堅実なデータガバナンス慣行を維持する組織は、必ずしもAIを最も迅速に展開する組織ではありません。代わりに、それらは何が起こったのかを再構築し、管理されたことを示し、必要な時に証拠を提示できる組織です。これらの機能は、完全なガバナンスの物語をキャプチャし、保存し、提示するように設計されたインフラストラクチャから生まれます。防御可能性は、AIの採用の制限ではありません。AIの採用を持続可能にします。2026年以降に最も適切に位置する企業は、ガバナンスインフラストラクチャを基盤として、より速く、より自信を持って動ける企業です。なぜなら、必要な時に何が起こったのかを証明できるからです。
AIによる誤った洞察の問題は、企業が生成ツールの使用を増やしているため、緊急の課題となっている。AIの採用に対する広範な熱狂にもかかわらず、批判的な意見も強い。批判的な評論家は、AIの出力における明らかにランダムで予測不可能な不正確さを指摘し、それがAIの価値を損なうだけでなく、ヘルスケアや交通などの分野で人間に実際的な危害をもたらす可能性もあると主張している。これらの不正確さは、AIの「hallucinations」（幻覚）と呼ばれるものに起因することが多い。幻覚とは、AIが「ベストアンサー」を生成する際に、実際の回答と同じ自信を持って回答を出してしまうことを指す。つまり、AIは、自分の知識や能力の限界をユーザーに通知するのではなく、最も可能性の高い回答を生成することになる。幻覚は、最初の目で見ただけでは簡単に発見できないことが多い。データ品質の負債：AIのアキレス腱AIシステムが古くなった、不完全な、または不正確なデータから情報を抽出すると、誤った出力が発生する可能性がある。たとえば、AIに特定の病気の症状を尋ねた場合、最新の研究ではなく50年前の論文に基づいた回答が返される可能性がある。結果は、明らかに間違っているように見えないかもしれないが、初期の信憑性のある外見は、患者のもと以及ヘルスケア提供者にとって実際的なリスクをもたらす。同様のことが、業界全体で起こり得る。AIモデルに古くなった、古くなった、または部分的な情報が含まれている場合、誤った出力のリスクが高くなる。企業がAIをビジネスクリティカルなプロセスに統合するにつれて、不十分なデータ管理から誤った結論を導き出すリスクも増大する。規制当局のための精度これは、日常業務だけでなく、コンプライアンス上の重大な課題でもある。規制要件は、AIの不正確さに関する懸念に対処するために急速に進化している。たとえば、イタリアはChatGPTを一時的に禁止し、EUデータ保護委員会はChatGPTに対する潜在的な措置を調整するための特別タスクフォースを立ち上げた。最も重要な規制変更は、世界初の包括的なAI法規制であるEU AI法の制定である。同法は、AIシステムのリスクレベルに基づいて義務を定め、「受け入れられないリスク」のシステムは禁止され、「高リスク」のシステムは透明性、データ品質、ガバナンス、人間の監視に関する厳格な要件に従う必要がある。EU AI法の重要性は、その雄大な範囲にあり、AIに対するバインディング可能な規則が適用され、組織はAIの採用においてコンプライアンスと透明性をintegralなものとして扱う必要があることを規定している。規制当局は、AIが規制されることを明確にし、組織はAIの使用方法と場所について透明性を保つ必要があることを強調している。同法は、AI開発の多くに影響を及ぼす可能性がある。同法の中心は、AIを安全にし、基本的な権利と価値を尊重することにある。新しい原則に基づくエコシステムでは、AIの不正確さの潜在的な原因、つまりモデルに供給されるデータやデータセット、モデルの不透明性やアクセス、システム設計や使用などを診断する。AIソリューションは、これら3つの要素すべての構成であり、どれか1つの問題が悪影響を及ぼす可能性がある。また、AIの設計、開発、展開、運用に使用されるデータは、ビジネスレコードで構成されることが多く、自己がコンプライアンス要件の対象となる。言い換えれば、AIを取り巻く規制環境は、より厳格化しつつあり、データ入力に対する規制も厳しくなっている。データ出力に対する規制も厳しくなっているが、後者はより多くの注目を集めている。コンプライアントで現在で関連性のあるデータをAIに供給するための5つのステップこの二重の課題、つまりコンプライアントなデータ処理と、高品質の入力による高品質の出力を保証するため、企業はトレーニングデータと推論データの管理を必要とする。残念ながら、これは多くの企業がまだ欠けているものである。少なくとも、組織は、AIイニシアチブに対して、より広範なコンプライアンスおよびガバナンスプログラムを適用する必要がある。組織は、AIモデルに供給されるデータ、モデルの設計、システムの設計、AIを介した決定や生成されたコンテンツについて、適切なレコードを取得し、維持する必要がある。しかし、組織はさらに重要なステップを踏む必要がある。AIの展開に使用される可能性のあるすべてのデータに対する完全な管理を確保する必要がある。つまり、高品質のデータ管理およびストレージ戦略が必要であり、すべての関連データを知的に収集、クリーン、ストア、分類、およびエンティティ化する必要がある。組織は、以下の4つの重要なステップを考慮する必要がある。1. データの血統と出典これには、データの源、起源、所有権、およびメタデータの変更（許可されている場合）の履歴を維持することが含まれる。また、メタデータを豊富に維持し、データが派生した元のドキュメントまたはアーティファクトをすべて維持することも含まれる。2. データの真正性これには、すべてのデータに対する明確な保管責任を維持し、オブジェクトをそのネイティブ形式で保存し、変更がないことを示すために受け取ったオブジェクトをハッシュ化することが含まれる。また、各オブジェクトに対する完全な監査履歴を維持し、すべての変更やイベントに対するアクションを記録することも含まれる。3. データの分類データセットまたはデータの種類の性質を確立することが重要である。組織は、構造化データ、半構造化データ、および構造化データのセットを管理する必要がある。各クラスに一意のスキーマを割り当てることで、組織は柔軟なデータ構造にデータを強制的に適合させることなく、多様なデータセットを管理できる。4. データの正規化メタデータの共通の定義と形式を確立することが重要である。分析およびAIソリューションで使用するために、明確に定義されたスキーマと、関連データの正規化されたビューを維持するためのツールが必要である。5. データのエンティティ化企業は、ユーザーまたはシステムのプロファイルに基づいて、オブジェクトまたはフィールドレベルでグラニュラーなエンティティ化コントロールを必要とする。つまり、ユーザーまたはシステムがアクセスを許可されているデータが利用可能であり、許可されていないユーザーまたはシステムにはアクセスが制限または拒否されることを意味する。これらの重要な要素を整えることで、企業はAIモデルに供給されるデータが高品質でコンプライアントであることを保証することができる。AIは、業界全体で改善と効率性をもたらすが、それが起こるためには、堅実なデータ基盤が不可欠である。
