Moonlit共同創業者兼CEO、Roderick Lucas – インタビューシリーズ

Roderick LucasはMoonlitの共同創業者兼CEOで、人工知能、データサイエンス、リーガルテックの分野で経験を積んできました。Deloitteに約10年間在籍し、人工知能部門の責任者を務めたほか、Vrije Universiteit Amsterdam and Tilburg Universityでテクノロジー関連の講義も担当してきました。構造化データ、検証可能な情報源、AIを活用し、法律調査をより利用しやすくすることに取り組んでいます。

Moonlitは、欧州各国の法域における公式法令、裁判所の判決、規制情報をつなぐ法律データ基盤と調査ツールを提供しています。同社のプラットフォーム、Data API、MCPサーバーを通じて、研究者やAIアシスタントは構造化された法律情報源を利用できます。また、Commentariesライブラリでは、AIが生成した分析を、氏名を明記した法律専門家が審査しています。このインタビューでLucasは、法律分野におけるハルシネーション、国境を越えた調査、専門家による検証、信頼できる法律情報へのアクセスについて語ります。

Deloitteに約10年間在籍し、最終的には人工知能部門の責任者を務める一方、Vrije Universiteit Amsterdam and Tilburg Universityでテクノロジー関連の講義も担当していました。Moonlitは当初、Deloitte社内のプロジェクトとして始まり、2024年に独立した企業となりました。プラットフォームの開発に着手したきっかけは何ですか。また、法律調査には根本的に異なるアプローチが必要だと確信したのはなぜですか？

Moonlitは、問題がまさに目の前にあったことから、Deloitte社内で生まれました。欧州では、重要な法律上または税務上の問題は、いずれかの時点で国境を越えます。しかし、必要な情報源は数十の各国ポータルに散在しており、それぞれ形式も言語も引用スタイルも異なります。専門家は調査時間の大半を資料の収集と、必要な情報に漏れがないかの確認に費やしています。一方、専門家を支援するために作られたツールは、国境を越えた業務には効果的ではありません。国ごとにユーザー単位で課金され、異なる法域が同じ問題をどのように扱っているかを比較するだけでも、別々にログインする必要があります。

大規模言語モデルが登場すると、二つのことが一度に明らかになりました。モデルは誰もが予想していた以上に法律文書を適切に推論できる一方で、推論の対象となる信頼できる情報がありませんでした。公開されている裁判所のポータルから直接テキストを抽出すると、データは不統一で扱いにくくなります。一方、民間の法律情報出版社は、ライセンス上の制約によって自動アクセスを制限しています。リーガルテックには共通の基盤が欠けていました。つまり、複数の法域にわたる公式情報源を、同じ明確なデータ構造に標準化し、相互に関連付け、毎日更新する基盤です。

私たちが構築を目指したのは、まさにその基盤となるレイヤーです。それが、Moonlitが一つの法律事務所向けのツールにとどまらず、2024年に企業となった理由です。このような基盤は、利用して情報を読み取り、貢献する人やシステムが増えるほど価値が高まります。根底にある信念は変わっていません。法律は誰もが利用できるものであり、法律を遵守しなければならないすべての人が、その法律に基づく知識を無理なく利用できるべきです。

Moonlitは、法律知識へのアクセスが正義の実現に不可欠であるという信念のもとに設立されました。法令や裁判所の判決は公開されていることが多い一方、その意味を解説する専門家の論考は、高額なペイウォールの向こうに残されている場合が少なくありません。Moonlitは、この解釈を担うレイヤーへのアクセスをどのように広く開こうとしていますか。また、信頼性の高い法律AIの開発にとって、それが特に重要なのはなぜですか？

オランダでは、稼いだ1ユーロのうち約40セントが国に納められ、その一部は公立大学や法制度の運営に充てられます。法律を解説する論考の多くは、公的給与を受け取る大学研究者が執筆しています。Wolters KluwerやThomson Reutersなどの商業出版社は、そうした分析を商品化し、必要とする裁判所、官庁、大学、実務家に販売しています。解説書の購読料は、ユーザー1人あたり月に数百ユーロに上ります。こうした購読料によって、一般の人々は従わなければならない法律のために、事実上二重に費用を負担しています。公正な法制度の利用にかかる月額費用が、Netflixのサブスクリプションより高くなるべきではありません。

私たちは、誰でも無料のMoonlitアカウントで利用できる、法律分析を条文ごとにまとめたライブラリとして、Commentariesを公開しました。各解説は、AIモデルを用いて一次資料から生成し、公開前に法律専門家の審査を受けています。引用はすべて検証済みで、政府や裁判所の公式記録に直接リンクしています。読者が見落とされた微妙な点や最近の動向に気づいた場合は、ページ上のフォームから編集を提案し、編集部の審査を依頼できます。編集者は内容を確認したうえで再公開できます。私たちの知る限り、こうした仕組みを組み合わせて提供する出版社はほかにありません。公開時に利用できる解説は間接税（VAT）を対象としており、データ保護に関する解説も準備中です。

この解釈を担うレイヤーは、法律AIにとっても同じように不可欠です。モデルは公開されている法令や裁判所の判決を取り込めますが、規則が実務でどのように運用されるのか、どのような例外があるのかを説明する二次的な解説を読むことはできません。こうした背景情報がなければ、モデルは推論を広げすぎ、信頼性の低い回答を生成してしまいます。Commentariesは、すべての記述が、それを解釈する条項と根拠となる判決に明確に結び付くよう設計しました。実務家はワンクリックで情報源を確認でき、AIワークフローはMoonlit Data APIとMCPコネクターを通じて、信頼できるデータに基づく推論を行えます。

AIが生成する法的な幻覚（ハルシネーション）は深刻化しており、弁護士や裁判所が、存在しない判例の引用や法律の不正確な解釈に直面しています。高度な大規模言語モデルでさえ、なぜ法的な正確性を確保するのが難しいのでしょうか。また、構造化され、検証済みの法的コンテキストを与えることで、こうした限界にどう対処できるのでしょうか。

言語モデルが法律を扱うのに苦労するのは、知能とはほとんど関係のない理由からです。法的な推論は、検証可能な根拠に全面的に依存します。結論の妥当性は、それが基づく条文や裁定の確かさに左右されます。しかし、モデルは事件番号や法令の引用を、信頼できるデータベースの記録ではなく、確率的なテキストパターンとして扱います。実際の文書を確認したからではなく、引用がどのような形式であるべきかを予測するため、もっともらしく見える参照情報を出力します。これは現実に深刻な結果を招いています。執筆時点で、AIの幻覚に関係する裁判所の決定が2,100件を超えて記録されており、そのうち800件以上は法律実務家が直接関与したものでした。

法律も絶えず変化します。モデルが持つ知識は学習データの締め切り時点で止まる一方、税務上の裁定や控訴審の判決は毎週更新されます。ルールの意味を解説する注釈が出版社の有料壁の向こうにあると、モデルが参照できるのは条文そのものだけで、実務上の文脈は得られません。そのため、モデルはその隔たりを埋めようとして、もっともらしい説明を作り出してしまいます。

構造化され、検証済みのコンテキストは、根本的にタスクのあり方を変えます。Moonlitでは、モデルが記憶から法律を思い出そうとするのではなく、法律を検索し、公式記録を直接参照します。検索すると、公式情報源の文書が引用情報とリンクとともに表示されます。参照グラフからは、ある裁定が何を引用しているか、また後のどの文書がその裁定を引用しているかが分かります。引用先が当社のリポジトリにある真正な文書でなければ、その引用は表示されません。これにより、架空の引用を排除できます。ただし、データが整っているだけでは誤読を防げません。そのためCommentariesでは、草稿と読者の間に、氏名を明記した法律専門家が入ります。

Moonlitは、数十の法域にわたる法令、裁判所の判決、規制情報を集約し、広範な参照グラフを通じて法律文書を相互に結び付けています。基盤となるAIとデータのアーキテクチャ、特に、プラットフォームが法的情報源間の関係をどのように特定し、異なる言語や法制度をどのように調整し、AIモデルがこの情報を利用できるようにしているのか、詳しく説明していただけますか。

公式な公表から検証済みの引用に至るまで、途切れることのない一連の流れとして捉えてください。

あらゆる法域で、立法公報、裁判所のデータベース、規制当局のポータル、EU法のEUR-Lexなど、公式ポータルに直接接続しています。ポータルごとに固有の仕様や形式があり、予告なく変更されることもあるため、エンジニアリング業務のかなりの部分を、ポータルごとの監視と自動復旧に充てています。取り込んだすべての文書には出典情報が保持され、政府の公式記録に戻る恒久的なリンクが付与されます。このリンクが、ほかのすべての基盤となります。

法域をまたぐ法令、判例、議会文書、当局の決定、ガイダンスなど、あらゆる情報を単一のモデルに取り込みます。法令は個々の条文単位に分割されるため、各条文を正確に検索し、引用できます。オランダの判決とドイツの裁定には、それぞれの国内制度で必要とされる固有の項目を保持しつつ、国境を越えて文書を識別、分類、関連付ける方法は標準化しています。

法律文書は互いを頻繁に引用します。判決は適用する条文や先例とする判決を引用し、法律はほかの法令を参照します。当社のエンジンは、法域によって形式が大きく異なるこうした引用を認識し、Data Layer内の真正な文書と照合したうえで、双方向のリンクとして保存します。法律分野のエンジニアが抽出パターンを検証しています。その結果、数億件のリンクを含む参照グラフが構築され、どの文書についても、それが何を引用し、何から引用されているかを確認できます。

言語については、原文書に手を加えないことで対応しています。一次資料の本文は翻訳しません。ベルギーの裁定はフランス語またはオランダ語のまま保持され、検索も原文の言語で行われます。キーワード検索と意味検索を組み合わせ、検索結果を再ランキングしたうえで、各クエリの対象を該当する法域に限定します。当社のリサーチアシスタントであるLunaは、基礎となる各情報源をその原文の言語で検索しながら、質問された言語で回答します。

Moonlitのプラットフォーム、当社のData API、MCPサーバーは、すべて同じData Layerを参照します。APIを通じて、当社の各種検索機能、参照グラフ、全文検索をプログラムから利用できます。一方、MCPサーバーは、外部のAIアシスタントが利用できる読み取り専用ツールを9つ提供します。基盤となるデータを改善すると、その効果はすべてのインターフェースに一斉に反映されます。

Moonlitは、氏名を明記した法律専門家がレビューする、AI生成の法律解説を導入しました。自動で草稿を作成し、人間が検証する仕組みです。このプロセスは実務上どのように機能するのでしょうか。また、AIが生成する解釈の正確性、透明性、権威ある法的情報源への追跡可能性を確保するため、どのような安全策を講じていますか。

解説は法律そのものから始まります。当社のエンジンは、Data Layer内の一次資料をもとに草案を作成します。一次資料には、立法、判例、指令に加え、規定の立法過程に関する議会記録も含まれます。当社が保有する文書のみを引用できるため、すべての主張は、それが解釈する規定と、その裏付けとなる資料に紐づけられています。たとえば、公開時に掲載した解説の一つは、検証済みの165件の資料にリンクしています。

解説を公開する前に、その分野の法律専門家が草案を一次資料と照らし合わせて確認します。当社の編集者は、報酬を得て執筆に携わる研究者や実務家です。公開時の執筆陣は、大学、裁判所、政府機関、アドバイザリー会社、法律事務所から集まっています。彼らは草案を修正し、不要な部分を削り、不足している内容を加えます。ページには執筆者の名前が明記されています。

検証済みレビューのバッジは、編集者が確認した箇所を示すため、どのセクションを人間の専門家が保証しているのかが常に明確です。

各解説には、記述の対象となる法律の正確な時点を示すため、基準日も記載されています。Data Layerは毎日更新され、関連する新たな判決を編集者に知らせます。編集者はそれを受けて本文を改訂し、基準日を更新します。

これらすべてを支える安全策は、リンクです。結論の根拠となる判決にクリックして移動できなければ、読者はそれを信じるよう求められているにすぎません。Commentariesは、誰もそうする必要がないように構築しました。

Model Context Protocol（MCP）との連携により、Moonlitは法律情報をChatGPT、Claude、Microsoft CopilotなどのAIアシスタントに直接取り込めます。このアーキテクチャによって、従来の検索拡張生成（RAG）システムでは難しいどのようなことが可能になりますか。また、これらのアシスタントが取得した法律情報を責任ある形で利用するよう、どのように担保していますか？

従来のRAGでは、一部の文書を切り取ってスナップショットを作成し、それを小さな断片に分割して埋め込み表現に変換したうえで、類似度スコアが最も高いものをモデルに渡します。法律分野では、この方法には3つの問題があります。スナップショットが古くなります。類似度だけでは、正確な条文番号や事件番号を十分な信頼性で見つけられません。また、断片だけでは、その文書が何を引用しているのか、後の判決によってどのような扱いを受けたのかがわかりません。

MCPサーバーを使うと、アシスタント自身が調査を行います。意味や、ブール演算子を用いた正確な語句・引用箇所で検索し、文書間の参照をたどり、全文を読み、法律の個々の条文を取得できます。また、どの法域や公式ポータルが利用可能かも確認できます。モデルは必要な情報を判断し、返された内容を読み、回答の妥当性が確かめられるまで再び検索します。この反復こそが違いを生みます。Lunaも9月に同じMCPサーバーへ移行し、回答の速度と質が同時に向上しました。データも常に最新です。アシスタントは、その時点のData Layerを読み取ります。

責任ある利用は、明確な制限を設けることから始まります。当社のツールは読み取り専用で、検索結果は公式資料にリンクされています。また、アシスタントが従える簡潔な調査手順も公開しています。そこでは、資料の原文の言語で検索すること、引用前に該当箇所を確認すること、バージョンを検証すること、利用可能な資料に不足がある場合はその旨を明確にすることを説明しています。

アシスタントによって推論の示し方は異なり、そこは当社が管理できるものではありません。当社にできるのは、情報源を簡単に確認できるようにすることです。引用はすべて文書にたどり着き、文書はすべて公式の公開資料にたどり着きます。

新たな判決の公表、規制の改正、既存の先例への異議申し立てなどにより、法律情報は絶えず変化しています。Moonlitの自動監視インフラは、こうした動向をどのように検出して取り込みますか。また、古くなった法令や効力を失った法解釈にAIシステムが依拠しないよう、プラットフォームではどのように防いでいますか？

AIや調査担当者が誤った法令に依拠するのを防ぐ鍵は、文書間のつながりにあります。新たな判決や法改正がシステムに登録されるとすぐに、参照グラフが、その判決や改正が引用する以前の規定や事件と結びつけます。控訴裁判所が以前の判決を覆したり、その適用範囲を狭めたりした場合、その動向は、元の判決を引用する判決として直接紐づけられます。グラフをたどるモデルは、古くなった先例を今も有効な法として扱うのではなく、その後の判断による扱いを即座に把握できます。プラットフォームでは、ユーザーは同じ新着情報の流れを利用して、追跡対象の特定の法令、裁判所、またはトピックについて、アクティブなMonitorsを設定できます。

解説の最新性を保つことは、従来、大きな見落としが生じやすい分野でした。商業的な解説シリーズは、年に1回か2回しか更新内容を確認しないことがよくあります。間接税やデータ保護のように変化の速い分野では、こうした遅れが深刻なコンプライアンスリスクを招きます。当社のData Layerは、入ってくる公表資料を解説と毎日照合するため、新たな判決があれば、執筆を担当する編集者にただちに通知されます。編集者が分析を更新し、基準日を改めることで、実務家もAIモデルも、12か月前の見解ではなく、現時点の法律に基づいて作業できます。

国境を越えた法律調査では、文書の翻訳にとどまらない複雑さが生じます。特に、各国が類似の規制を異なる形で解釈または実施している場合はその傾向が顕著です。MoonlitのAIは、こうした法域ごとの差異をどのように見分けますか。また、権威ある法律資料同士が矛盾しているように見える場合、どのように対応しますか？

EU指令と、それを国内法に反映した法律は別個の文書であり、一方が他方を引用している場合には相互に関連付けられています。また、欧州司法裁判所の判決を適用する国内裁判所の判決も、その判決に関連付けられています。CommentariesがVATから始まるのもそのためです。規則の大部分はEUレベルで調和が図られたうえで、各加盟国で解釈されています。

法律の世界では矛盾は珍しくなく、私たちはそれを隠しません。権威ある二つの情報源の内容が食い違っているように見える場合、読者には両方を提示します。そのうえで、優先順位が大きな役割を果たします。後の判決は先の判決に優先し、EU法に関する問題では欧州司法裁判所が国内裁判所に優先します。また、付託日現在の規定が適用されます。Commentariesでは、編集者がその判断を明示し、根拠となる情報源も併せて掲載しています。

オランダ最高裁判所やDeloitteをはじめとする法務機関・公的機関が、Moonlitのテクノロジーを利用しています。このプラットフォームによって法務調査のワークフローがどのように変わったのか、実例を教えていただけますか。また、従来の方法と比べて、調査の正確性、網羅性、効率性がどのように向上したかを、どのように測定していますか？

たとえばフィンテック分野では、Quantoz Paymentsの法務チームがMoonlit MCPサーバーをClaudeに接続し、国境を越える決済規制に対応した独自のワークフローと組み合わせました。これによって置き換えられるのは、欧州全域で従来標準とされてきたワークフローです。通常、弁護士は複数の国のポータルを開き、複数の言語で検索し、引用情報をメモに転記したうえで、重要な国内判例を見落としていないことを願うしかありません。現在では、この仕組みが複数の法域を同時に検索し、引用関係をたどり、公式な出典へのリンクとともに一次資料を提示します。社内法務チームにとって、その効果は明らかです。国外の判決を見落とすリスクをなくし、機械的な情報収集に費やしていた時間を、実際の法的分析やリスク評価に振り向けられます。

開発の現場では、これとはまったく異なる形で効率化が実感できます。法務AI製品を開発するチームは、エンジニアリングにかかる期間を何か月分削減できたかで改善を測ります。法務AI企業のEudiaは、自社製品を支える構造化された欧州の法務データを必要としていました。同社のプロダクトマネージャーによると、当社のData APIを利用することで、わずか数日で欧州全域を網羅する完全なコーパスを得られました。基盤となるデータインフラがなければ、各国のポータル向けに独自のスクレイパーを構築し、無期限に保守し続ける必要があります。SagaやLegal Mindなどの他のプラットフォームも同じ基盤を利用しており、現在では検証済みのCommentariesを自社のエンドユーザーに直接提供できるようになっています。

今後、基盤モデルの能力がさらに高まり、AIエージェントがより高度な法務調査を担うようになるなかで、汎用AIモデルと専門的な法務データインフラの関係はどのように変化していくとお考えですか？また、特に大手法律事務所や機関にとどまらず、信頼できる法務情報を利用できるようにすることについて、Moonlitの長期的なビジョンをお聞かせください。

より高性能なモデルは、与えられた情報源をもとに、より優れた推論を行えます。しかし、信頼できる一次記録を何もないところから生み出すことはできません。基盤モデルの能力が向上するほど、検証済みのデータレイヤーの価値はむしろ高まります。推論が広く普及すれば、真のボトルネックはデータの品質へと移ります。エージェントが機能するには、依然として正確で構造化された法令情報が必要だからです。

汎用モデルと自律型エージェントが、文書の作成、情報の統合、対話を担うようになります。その土台となる難しいデータの課題には、Moonlitのような専門インフラが対応します。法令情報を最新かつ構造化された検証可能な状態に保ち、エージェントが使用するあらゆるプロトコルを通じて直接提供します。私たちはこの変化を早くから見据えて準備してきました。当社のアシスタントは、外部エージェントが接続するものとまったく同じMCPサーバー上で動作しており、すでに各チームがその上で独自のエージェントを運用しています。

このアーキテクチャは、私たちの長期的なビジョンの中核でもあります。信頼できる国境を越えた法務情報は、従来、高額な複数国のサブスクリプション契約を結べる大手法律事務所や多国籍企業だけが利用できる、ぜいたく品のような存在でした。Commentariesを無料で閲覧できるようにし、最新のAPIやコネクターを通じて、あらゆる開発者にデータレイヤーを開放することで、私たちはその格差を解消したいと考えています。国境を越えて事業を行う企業に助言する一人で活動する弁護士も、設立間もない企業の社内弁護士も、グローバルなアドバイザリーファームとまったく同じ精度の調査結果と検証済みの引用情報を利用できるべきです。

素晴らしいインタビューをありがとうございました。検証済みの法務データやAIを活用した国境を越える調査に関心のある読者は、Moonlitをご覧ください。