生成AIの利用ルールの作り方。守れる社内ポリシーを設計する7つの要素

「社内で生成AIを使うルールを作りたい。でも、何をどこまで決めればよくて、どう書けば現場が守ってくれるのかが分からない」という方も多いでしょう。情報システム部門や法務、経営企画で、いま同じ相談が増えています。

ただし、禁止事項を並べただけのルールは現場で読まれず、結局は各自の判断に戻ってしまいます。厳しくしすぎれば使われず、緩すぎれば事故につながる、という板挟みが手を止めさせます。

そこで本記事では、

• なぜ「守れるAI利用ルール」が必要なのか（形骸化とシャドーAIの実態）
• 守れるルールに盛り込む7つの構成要素と、心臓部になるデータ分類の考え方
• 実効性を決める3条件と、最初の30日で書き始める順番

についてわかりやすく解説します。社内の生成AI利用ルール・ポリシーの策定を任されている情報システム・法務・経営企画のご担当者は、ぜひ最後までご覧ください。

自社で守れるAI利用ルールを形にしたいという方は、リベルクラフトへご相談ください。 ⇨リベルクラフトへの無料相談はこちら

生成AIの利用ルールとは。なぜ今「守れるルール」が必要か

生成AIの利用ルールとは、社内で生成AIをどのツールで・どこまで使ってよいか、何を禁止するかを定めた社内ルールを指します。まずは、なぜ「作るだけ」でなく「守れる」形にする必要があるのかを、実態データで整理します。

生成AIはもう業務に定着している

前提として、生成AIはすでに日常の業務ツールになっています。全国の20〜60代3,211名を対象にした2025年の調査では、業務で使う人のうち「利用頻度が増えた」が65.9%を占め、減らす動きはごく一部にとどまりました。

参照：生成AIの業務利用実態調査2025｜トランスコスモス

企業側の調査でも、「メール・議事録・資料作成などの補助」に生成AIを使う企業は46.8%にのぼります。つまり「使うか禁止か」を議論する段階ではなく、すでに使われている前提で、どう安全に統制するかが問いになっています。

参照：令和6年版 情報通信白書｜総務省

ルール整備が追いつかず、空白が「シャドーAI」を生む

利用が広がる一方で、それを統制するルールの整備は遅れています。情報システム部門への調査では、生成AI利用ガイドラインが「未整備」と答えた企業が63%に達しました。未整備の理由は「情報が不足している」「他業務で忙しく手が回らない」というリソース制約で、リスクの軽視ではありません。

参照：生成AIガイドライン整備の実態｜IIJ

この「使われているのにルールがない」空白が、シャドーAIを招きます。シャドーAIとは、会社の許可を得ずに従業員が業務で生成AIを使う状態を指します。ある調査では、シャドーAIの利用者は回答者の34.8%、およそ3人に1人でした。動機は「業務効率・生産性の向上」「新技術の試行」と前向きで、悪意でルールを破っているわけではありません。放置すると、機密情報を無償のAIサービスに入力するといった漏えい・権利侵害のリスクが、管理の外で進んでしまいます。

参照：生成AIに関する調査レポート｜SIGNATE生成AI総研

「怖いから一律禁止」も守られない

では逆に、外部の生成AIを一律で禁止すれば安全かというと、そうはなりません。現場で使える社内標準ツールがなく、申請フローが煩雑だと、担当者は業務を回すために個人アカウントで黙って使ってしまいます。実際、シャドーAI利用者の不満として「社内標準AIの機能不足」「申請フローの煩雑さ」が多く挙がっています。これは過去にクラウドストレージやチャットが「シャドーIT」になったのと同じ構造です。

空白も、過度な一律禁止も、どちらも守られずシャドーAIを生みます。だからこそ、目指すのは「使わせないためのルール」ではなく「安全に使いこなすための、守れるルール」です。次章から、その中身を7つの構成要素に分けて設計していきます。

守れる生成AI利用ルールに必須の7つの構成要素

守られない理由を押さえたところで、ここからは守れるルールの「型」を提示します。ゼロから発想する必要はなく、公開されている雛形と公的ガイドラインを土台にできます。

ルールを7つの「型」に分解する

JDLA（日本ディープラーニング協会）やEQUESの雛形、各社の公開ポリシーを分解すると、必須の構成要素は7つに整理できます。

#	構成要素	定めること
①	適用範囲・目的・定義	何のためのルールか、誰に適用するか、用語の意味
②	許可ツール（ホワイトリスト）	業務で使ってよいAIサービス・プラン・機能
③	データ分類×入力可否	情報区分ごとに入力してよい・だめを明示
④	禁止事項と許可事項	やってはいけない例と、使ってよい例の両方
⑤	承認・申請フローとログ	新規ツールの申請先と承認、利用ログの保存
⑥	教育・研修	誰がいつ学ぶか、どう浸透させるか
⑦	違反時対応・更新	違反時の対応、インシデント手順、見直しの周期

この7要素は、①〜④が「ルールを書く」部分、⑤〜⑦が「ルールを回す（運用する）」部分に分かれます。表だけでは中身が伝わりにくいので、次章以降で1つずつ、書き方の具体例とともに見ていきます。

土台はゼロから作らない

自社ルールは、公開された資料をたたき台にすると早く固まります。JDLAの「生成AIの利用ガイドライン」は2023年5月に無料公開され、各社が改変して使う雛形になっています。禁止例として機密情報・個人情報・第三者著作物の入力、違法コンテンツの生成、出力の無検証利用などが整理されています。

参照：『生成AIの利用ガイドライン』公開のお知らせ｜JDLA

公的な指針としては、経済産業省・総務省の「AI事業者ガイドライン」、IPAの「テキスト生成AIの導入・運用ガイドライン」があります。これらは自社ルールの上位の参照先として押さえておくと、線引きの判断がぶれにくくなります。なお、盛り込む項目とひな形そのものの作り方は、生成AIガイドラインの作り方。社内ルールに盛り込む項目とひな形でも解説しています。本記事は、そこから一歩進んで「作ったルールを守らせる設計」に重心を置きます。

ルールを「書く」要素①〜④

型を提示したので、まずは「書く」4要素を具体化します。ここが文書の本体で、なかでも要素③のデータ分類が本日の心臓部です。

要素① 適用範囲・目的・定義

最初の要素は土台となる適用範囲・目的・定義です。目的は「生成AIを安全かつ有効に活用し、漏えい・権利侵害などのリスクを管理する」と明記します。

適用範囲では、正社員だけでなく派遣・業務委託先・グループ会社の従業員まで含めるか、私物端末や個人アカウントでの業務利用を対象にするかを曖昧にしないことが重要です。ここが抜けると、そのまま抜け道になります。定義では「生成AI」「プロンプト」「出力結果」「許可ツール」「機密情報」「個人情報」の意味を、既存の情報セキュリティ規程や個人情報保護方針と揃えておきます。

要素② 許可ツールのホワイトリスト

2つ目は許可ツールの定義です。何を禁止するかを列挙し続けるより、「業務で使ってよいAIサービス」を具体名で挙げ、それ以外は原則禁止とするホワイトリスト方式が現実的です。

許可ツールには、入力データを学習に使わない法人向けプラン（エンタープライズ版のチャットAI、社内専用AI、情報システム部門が個別に許可したサービス）を指定します。あわせて、全社員が使える・特定部門のみ・管理者権限のみ、といったアクセス権限を区分し、外部投稿やAPI連携などリスクの高い機能を限定します。許可ツールに集約しておくと、後述のログ管理も一元化できます。

要素③ データ分類×入力可否マトリクス

3つ目が心臓部のデータ分類です。「機密情報を入力してはいけない」とだけ書いても、現場は目の前の情報がそれに当たるか判断できません。そこで社内情報を4区分に分け、区分ごとに入力可否を決めます。

• 公開情報：自社サイト掲載情報・プレスリリース
• 社内共有情報：一般的な業務マニュアル・研修資料
• 機密情報：営業秘密・未公表の財務や技術情報・提案書のドラフト
• 個人情報：顧客・従業員・取引先の氏名・連絡先

これを、ツールの種類を横軸に加えて可否マトリクスに落とすと、現場が日々の判断に使える1枚になります。

情報区分＼ツール	無償の外部AI	法人プランの許可AI	社内専用AI
公開情報	可	可	可
社内共有情報	不可	条件付き可	可
機密情報	不可	不可	条件付き可
個人情報	不可	不可	条件付き可

この表から読み取れるのは、「入れてよいか」は情報の機密度だけでなく、使うツールが学習に使わない契約かどうかでも変わる、ということです。抽象的な禁止文より、このマトリクスを1枚配るほうが現場は迷いません。区分の粒度は自社の業種・扱う情報に合わせて調整します。細かすぎると使われず、粗すぎると守りが甘くなるため、線引きには判断が要ります。

要素④ 禁止事項と許可事項の両建て

4つ目は禁止と許可です。禁止事項は、JDLA・EQUESの雛形に共通する代表例として、機密情報・営業秘密の入力、個人情報の入力、第三者の著作物の無断入力、違法・不適切なコンテンツの生成、そして出力をそのまま使う無検証利用が挙がります。生成AIはもっともらしい誤り（ハルシネーション）を出すため、出力は人がファクトチェックし、最終責任は利用者が負うと明記します。抽象語でなく「提案書のドラフトを無償AIに要約させる」といった実例で書くと、現場が自分事として判断できます。

ここで見落とされがちなのが、許可事項（OK例）も書くことです。禁止の羅列だけでは、現場は何ができるのか分からず、使わないか、こっそり使うかに振れます。「公開情報・社内共有情報を使った文章の要約・翻訳、メール文案の作成、議事録のたたき台づくりは、許可ツールを使う限り積極的に使ってよい」と、OK例を明記します。EQUESの解説でも、OK・NGの具体例を示すことが浸透の鍵とされています。

参照：生成AIガイドラインの作り方と必須項目｜EQUES

ルールを「回す」要素⑤〜⑦

書く要素がそろっても、運用しなければルールは形骸化します。ここからは、ルールを回す3要素を、つまずかない形で具体化します。

要素⑤ 承認・申請フローとログ管理

5つ目は承認・申請フローです。申請が一律で重いと、迅速さが求められる現場では使われず、かえってシャドーAIを生みます。要点は、リスクに応じて軽重をつけることです。低リスクの利用（公開情報の要約・翻訳など）は特別な承認なしで許可ツールを使えるようにし、高リスクの利用（顧客向けに公開する生成物、外部公開前提のレポートなど）は所属長や法務・広報のレビューを経る、という形にします。

あわせて、許可ツールの利用ログ（誰が・いつ・どの目的で使ったか）を保存します。万一、機密情報を誤って入力するインシデントが起きたとき、影響範囲の特定と原因究明が素早くできます。ログは監視のためというより、有事に組織を守る保険として説明すると、現場の納得を得やすくなります。無償の外部AIを各自が自由に使っている状態ではログ自体が取れないため、許可ツールへの集約が前提になります。

要素⑥ 教育は「実践型」で3層に分ける

6つ目は教育・研修です。ルールは配るだけでは根づかず、教育で初めて浸透します。禁止事項を読み上げる座学では行動が変わりにくいため、許可ツールを使ってメール文案・議事録要約・アイデア出しを実際に手を動かすワークショップ形式が、非エンジニアにも効きます。

内容は相手に合わせて3層に分けると空回りしません。全社向けの基礎（生成AIの基本・利点とリスク・社内ルールのポイント・OK/NG）、部門別の応用（営業・企画・開発など各部門の使い方と注意点）、推進者・管理職向けの上級（AIガバナンス全体像・公的ガイドライン・運用改善の方法）の3つです。情報システム・法務・経営企画は、主に上級レイヤーを担い、現場展開を設計する立場になります。

要素⑦ 違反時対応・インシデント対応・更新サイクル

7つ目は違反時対応と更新です。ルールに実効性を持たせるには、違反が就業規則上の対応対象になり得ることを明記します。ただし、すべてを一律に厳罰化すると、従業員がインシデントを報告しにくくなり問題が潜在化します。施行初期や軽微・善意の違反は教育・指導を中心にし、悪質な違反や再三の注意に従わない場合に対応を検討する、という段階対応が現実的です。起きた違反は匿名化して「なぜ問題か・どう防ぐか」を社内で共有し、学びに変えます。

インシデント対応は、発見・通報→初動対応→原因分析→影響評価→関係者報告→再発防止、の流れを先に定型化しておきます。その場しのぎで終わらせず、「ルールの不備か・教育不足か・ツール設定の問題か」を分析し、ルールや運用の改善に戻すことが肝心です。そして生成AIは技術も法制度も変化が速いため、年1回の定期レビューに加えて、大きな技術変化・法改正・重大インシデントの際に臨時更新する体制を持ちます。EQUESは半年に1回の見直しを推奨しています。

ここまで7要素について解説しましたが、「自社に合った守れるAI利用ルールを形にし、全社に安全に展開したい」という方は、リベルクラフトへご相談ください。

リベルクラフトでは、AI利用ポリシーのテンプレートをベースに、自社の業種・扱う情報に合わせた守れるルールづくりを支援できます。ただ、ひな形をお渡しするだけでなく、データ分類の粒度や許可ツールの線引きの設計、非エンジニアにも効く実践型の全社展開研修までを一緒に組めるため、作って終わりにしない運用まで見据えた整備が可能です。

以下のリンクからまずは詳細をチェックしてみてください。

⇨リベルクラフトへの無料相談はこちら

「守れるルール」と「守られないルール」を分ける3条件

7要素をそろえても、それだけで実効性が出るわけではありません。ここまでを貫く結論として、守れるルールと守られないルールを分ける3つの条件を整理します。

リスクベース

1つ目はリスクベースです。一律禁止でも一律自由でもなく、機密度・用途で段階的に分けます。要素③のデータ分類マトリクスが、まさにこの考え方の実装です。経済産業省・総務省・IPAの公的ガイドラインも、リスクに応じた管理を共通の原則として挙げています。

現場参画

2つ目は現場参画です。法務・情報システムだけで作ると、実際の業務フローと合わないルールになりがちです。現場の代表を策定に巻き込み、日々の仕事の流れと整合させることで、守れる線引きになります。シャドーAIの動機が「効率化」である以上、現場が使える形にしておくことが、そのまま遵守につながります。

教育とOK例

3つ目は教育とOK例です。禁止の羅列でなく、OK例を示し、実践型の教育でルールの背景まで伝えます。「なぜこの線引きなのか」が腹落ちしていると、現場は迷ったときも趣旨に沿って判断できます。ルールの実効性は、禁止事項の量ではなく、この3条件がそろっているかで決まります。

最初の30日で「守れるルール」を書き始める順番

実効性を決める条件が分かったところで、明日から動くための着手順に落とします。未整備の理由が「情報不足・多忙」である以上、作り込んだ最終版を目指すと、いつまでも着手できません。効く順に置くのがコツです。

許可ツール決定→データ分類→最小ルール→周知

最初の30日は、次の順で動きます。

1. 使ってよいAI（許可ツール）を1〜数個決める（学習に使われない法人プランを選定）
2. データ分類×入力可否マトリクスを作る（最低限「機密・個人情報は入れない、公開情報はOK」を1枚に）
3. この2つを核にした最小限のルール（暫定版）を文書化する（JDLA雛形をベースに）
4. 全社に周知し、許可ツールへの導線を整える

承認フロー・教育・違反対応は、この暫定版を回しながら次の版で肉付けします。「全部を一度に」ではなく、まず「使ってよいAI」と「入れてはいけない情報」の2点を決めるだけでも、現場の判断は大きく楽になります。

作り込みすぎず暫定版で運用改善する

初版は最小限でよく、運用しながら版を重ねて精緻化します。パーソルグループは、初版をスピード重視で保守的に出し、その後の第二版で「社内利用向け」と「プロダクト開発向け」に分けるなど、運用しながら精緻化しています。最初から作り込もうとしないことが、結果的に早く守れるルールに到達する道です。

参照：生成AIガイドライン策定の進め方｜パーソル（unitis）

生成AI利用ルール作りでありがちな失敗と回避策

進め方の裏返しとして、繰り返される失敗を3つ、回避策とセットで押さえます。

• 禁止事項の羅列だけ → OK例と許可ツールを併記し、「何ができるか」を見せる
• 法務・情報システムだけで作り現場不在 → 策定に現場代表を入れ、業務フローと整合させる
• 作って配って終わり → 教育・ログ・違反対応・更新までを運用としてセットで設計する

いずれも特別な技術や予算は要らず、設計の発想を変えるだけで避けられます。多くの「守られないルール」は、この3つのどれかに当たります。

まとめ

本記事の要点を整理します。

• 生成AIはすでに業務に定着し、ルール未整備の空白（63%）も過度な一律禁止も、どちらも守られずシャドーAI（34.8%）を生みます
• 守れる利用ルールには7つの構成要素があり、①〜④が「書く」部分、⑤〜⑦が「回す」部分です
• なかでもデータ分類×入力可否マトリクスが心臓部で、現場が日々の判断に使える1枚にします
• 実効性を決めるのはリスクベース・現場参画・教育とOK例の3条件で、禁止事項の量ではありません
• 作り込みすぎず、許可ツール決定→データ分類→最小ルール→周知の順で、暫定版から運用改善します

目指すのは「使わせないルール」ではなく「安全に使いこなすための、守れるルール」です。ルールが整うと、使ってよい範囲が明確になり、現場はむしろ安心して活用を広げられます。

ウェビナー資料（ホワイトペーパー）のダウンロード

本記事のもとになったウェビナー「社内AI利用ルールの作り方：実例テンプレートで見る『守れるポリシー』の設計」の資料を配布しています。7つの構成要素とデータ分類マトリクスの設計を、スライドでまとめて確認したい方はご活用ください。

⇨ウェビナー資料のダウンロードはこちら

生成AI利用ルールづくりの相談は「リベルクラフト」へ

「社内のAI利用ルールがまだ未整備、または禁止事項だけで止まっている」「データ分類や許可ツールの線引きを自社の業種に合わせて決めたい」「ルールはあるが守られておらず、教育・運用を立て直したい」という方は、リベルクラフトにご相談ください。

リベルクラフトでは、AI利用ポリシーのテンプレートをベースにした自社版づくりから、データ分類・許可ツールの線引き、非エンジニアにも効く実践型の全社展開研修までを一貫して支援します。まずは小さく、自社の現在地の整理からご一緒できます。

⇨リベルクラフトへの無料相談はこちら