# マンハッタン計画、再び：連邦政府のAI活用とDOEのGenesis Mission

- 番組: [ChinaTalk](https://ai-curator.jp/podcasts/shows/cmv40atya00035j0zak69lt7h)（Jordan Schneider）
- 元のタイトル: The Manhattan Project, Take Two
- 配信日: 2026年10月29日
- 長さ: 45分
- 要約作成日: 2026年10月29日
- トピック: [#AI政策](https://ai-curator.jp/topics/AI%E6%94%BF%E7%AD%96) [#輸出管理](https://ai-curator.jp/topics/%E8%BC%B8%E5%87%BA%E7%AE%A1%E7%90%86) [#エンティティ解決](https://ai-curator.jp/topics/%E3%82%A8%E3%83%B3%E3%83%86%E3%82%A3%E3%83%86%E3%82%A3%E8%A7%A3%E6%B1%BA) [#LLM](https://ai-curator.jp/topics/LLM) [#Genesis Mission](https://ai-curator.jp/topics/Genesis%20Mission) [#データガバナンス](https://ai-curator.jp/topics/%E3%83%87%E3%83%BC%E3%82%BF%E3%82%AC%E3%83%90%E3%83%8A%E3%83%B3%E3%82%B9)
- URL: https://ai-curator.jp/podcasts/cmvtbw5fu00016y115xtv8dms

## 要約

Accenture Federal ServicesのBarnett Koven氏が、連邦政府におけるデータとAIの活用について語った回。輸出管理（BIS）でのエンティティ解決や予測モデル、機密環境でのAI導入リスク、DOEのGenesis Missionにおける「科学研究のバックボーン」構想を扱う。「行動しないこと自体がリスク」という視点や、失敗データの共有の重要性も語られた。

## ポイント

- Koven氏は、外交公電の分析プロジェクトを例に、生成AI以前に6人・半年かかった作業が今なら2人・数週間でできるだろうと述べている。
- 輸出管理では、過去の行動に基づく予測モデルと、複数データを統合するエンティティ解決でダミー会社の網を解きほぐし、PLAの調達部門とのつながりを特定できると説明した。
- 従来型の決定論的AI/MLで解の8〜9割を担い、生成AI・エージェントAIは限定的に足すことで、トークン消費とコストを抑えつつ成果も高まると主張している。
- 「行動しないこと自体がリスク」であり、リスク回避的でない競合国に置いていかれることは確実だという見方を示した。
- 機密環境ではモデルの汚染などへの対策が必要で、防御コストは攻撃側より指数的に増える「矛と盾の競争」だと述べている。
- Genesis Missionでは、研究所間のデータ共有と、失敗結果も含めて検索・活用できる基盤を、RBAC/ABACによる細かなアクセス制御付きで構築しているという。

## 章立て

- [00:00] **Koven氏の経歴と政府AIの現状** — 対反乱研究から政府向けコンサルへ至る経歴と、外交公電のNLPプロジェクト、政府機関ごとのAI受容度の差を語る。
- [05:02] **AIの限界と外交交渉の評価** — モデルは公開データで学習されており、データ品質やメタデータ管理が重要だと指摘。外交判断の評価は人間の担当官との比較が有効で、ミラーイメージングの問題にも触れる。
- [12:42] **BISの輸出管理とデータ活用** — 予測モデルとエンティティ解決でダミー会社網を可視化する手法と、データ整備作業のコストがLLMで下がる点を議論。
- [17:15] **連邦契約企業の役割と予算** — 商用の知見を政府に転用できる利点、トークンを賢く使う設計、AI時代の予算編成の課題を語る。
- [26:06] **機密環境とリスクの考え方** — FedRAMPと機密環境のモデル提供の差、行動しないリスク、モデル汚染と攻守のコスト非対称性。
- [29:17] **Genesis Missionと失敗データの共有** — DOEの取り組みを説明し、学術出版が失敗結果を埋もれさせる問題を対反乱研究の実例で示す。
- [35:43] **科学研究のバックボーンとアクセス制御** — 研究所間の安全な連携基盤、報告書作成の自動化、RBAC/ABAC、データ権利の法的論点を議論。

## 解説記事

ChinaTalkのこの回では、Accenture Federal Services（AFS）でAI・データ部門のマネージングディレクターを務めるBarnett Koven氏が、米連邦政府におけるデータとAI活用の現状を語った。輸出管理から機密環境でのAI利用、エネルギー省（DOE）のGenesis Missionまで、現場に近い視点が示された。

#### 政府のAI活用は「機関による」

Koven氏は対反乱（COIN）研究で博士号を取り、大学教員を経てコンサルティングの道に進んだ。国務省で、1日約3,000通に上る外交公電を自然言語処理で整理・検索可能にするプロジェクトを手がけたという。当時は6人で半年かかったが、現在のツールなら2人で数週間で、同等以上にできると述べている。

政府側の受け止め方は機関によって大きく異なる。法執行機関は証拠価値の低下や情報漏えいといった二次・三次的影響を懸念し、慎重な傾向があるという。一方、民間から来た人や使命感の強い職員は積極的に新技術を試すと説明した。

#### モデルは万能ではない

Koven氏は、AIが政府の課題を自動で解決するようになるとは考えにくいと述べる。理由は、モデルが公開インターネットで学習されており、機微な政府・企業データを持たないこと、そして「ガベージイン・ガベージアウト」の問題が一層深刻になることだ。データの所在や限界を知る組織知識と、整備されたメタデータがLLMの出力品質を大きく左右すると強調した。

外交交渉のような高リスク領域の評価については、ロシア担当官とモデルに同じ問いを与えて比べる方法を挙げた。結論が一致すれば両方が優れているか、同じバイアスを持つかのどちらかであり、食い違えばそこから学べるという。米国人分析官が相手国も自国と同じように動くと仮定する「ミラーイメージング」の問題にも言及した。

#### 輸出管理とトークンの使い方

商務省産業安全保障局（BIS）の輸出管理では、二つのアプローチが挙がった。一つは過去の行動に基づく予測モデルで、高リスクな主体を特定する。財務省のOFACが制裁対象の特定で行ってきた手法と同じ発想だという。もう一つはエンティティ解決で、公開データと政府の独自データ、さらにBloombergやS&Pの企業記録を統合し、無名のダミー会社が複数の企業を介して人民解放軍（PLA）の調達部門とつながっていると突き止められるようにする。ただしこれは生成AIでなく従来型のAI/MLでも可能だとした。

データエンジニアリングが高度なデータサイエンスの作業の8割を占めるという見方は、今も大きくは変わらず、LLMによるETL支援でその作業が3分の1から4分の1のコストでできるようになった点が利点だという。

Koven氏は、トークンを闇雲に投じるのではなく、決定論的な従来型AI/MLで解の8〜9割を担い、生成AIやエージェントAIは従来手法が苦手な部分に限って足すべきだと主張する。総保有コストを抑えつつ結果も良くなるというのが持論だ。初期の実験段階では何でもLLMに投げてよいとも付け加えた。

予算面では、政府の予算は約2年前に決まるため、トークン消費やクラウド費用の予測が難しい。そこで、モデルや用途の間である程度の流用性を認め、省庁単位で集約しつつ、説明責任の仕組みも維持すべきだと述べた。

#### 機密環境と「行動しないリスク」

民間向けFedRAMP環境では最新モデルが公開と同日に提供される例がある一方、機密環境では同じようにはいかない。Koven氏の教え子の研究に基づく「行動しないこと自体がリスク」という洞察を紹介し、リスクを恐れて動かなければ、リスクを取る競合国に確実に後れを取ると語った。

機密環境ではデータ流出、有害な挙動、モデルの汚染といった懸念がある。攻撃側のコストは線形に増えるが防御側は指数的に増えるという「矛と盾の競争」の構図があり、特に注意が必要だという。それでも使わないのは誤りで、より慎重な対応が必要なのだと述べている。

#### Genesis Missionと失敗データ

Genesis Missionは、DOEが生成AIで政府内の主導的役割を担うための取り組みで、26社が参加するという。顧客の一部はマンハッタン計画になぞらえて説明しているとKoven氏は紹介した。

Koven氏は自身の対反乱研究を例に、学術出版が統計的に有意な結果ばかりを載せる問題を挙げる。開発援助が暴力を減らすとした初期研究は、周辺地域への波及を見落としていた。空間加重回帰を使うと、平均的にはむしろ暴力を移転・悪化させる結果が出たという。失敗や無効な結果が共有されず、重複や知見の喪失が起きると指摘した。

AFSが構築中の「科学研究のバックボーン」は、研究所やDOE本部、NNSA、産業界・学術界のパートナー間で安全に連携するための基盤だ。計測機器のデータを取り込み、必要な人に限ってアクセスさせる。報告書作成はAIで8割を自動化できるとし、失敗結果を集めた二次的な出版物の構想にも触れた。アクセス制御にはRBACとABACを使い、行や列の単位まで細かく管理するという。データの共有範囲は助成契約の条件に左右されるとも述べた。

#### まとめ

本回の主張は、AIの価値はモデル性能だけでなく、データ整備、メタデータ、アクセス制御、予算制度といった周辺基盤で決まるという点にある。日本の読者にとっても、決定論的な手法と生成AIの使い分けによるコスト管理や、失敗データを資産として共有する発想は参考になる。なお、語られた内容は受託企業側の視点である点に留意したい。

> この要約・解説記事は、元の音声の文字起こしをもとに AI（Claude）が日本語で作成したものです。出典: ChinaTalk「The Manhattan Project, Take Two」