# エンタープライズリスクに向けたAI対応コントロールの構築 ― Hyperproof創業者 Craig Unger 氏との対話 - 番組: [The AI in Business Podcast](https://ai-curator.jp/podcasts/shows/cmv3z5c32001o5o100ot70lmn)（Daniel Faggella） - 元のタイトル: Building AI-Aware Controls for Enterprise Risk - with Craig Unger of Hyperproof - 配信日: 2026年11月6日 - 長さ: 26分 - 要約作成日: 2026年11月6日 - トピック: [#GRC](https://ai-curator.jp/topics/GRC) [#AIガバナンス](https://ai-curator.jp/topics/AI%E3%82%AC%E3%83%90%E3%83%8A%E3%83%B3%E3%82%B9) [#シャドーAI](https://ai-curator.jp/topics/%E3%82%B7%E3%83%A3%E3%83%89%E3%83%BCAI) [#マシンアイデンティティ](https://ai-curator.jp/topics/%E3%83%9E%E3%82%B7%E3%83%B3%E3%82%A2%E3%82%A4%E3%83%87%E3%83%B3%E3%83%86%E3%82%A3%E3%83%86%E3%82%A3) [#継続的コントロールモニタリング](https://ai-curator.jp/topics/%E7%B6%99%E7%B6%9A%E7%9A%84%E3%82%B3%E3%83%B3%E3%83%88%E3%83%AD%E3%83%BC%E3%83%AB%E3%83%A2%E3%83%8B%E3%82%BF%E3%83%AA%E3%83%B3%E3%82%B0) [#サードパーティリスク](https://ai-curator.jp/topics/%E3%82%B5%E3%83%BC%E3%83%89%E3%83%91%E3%83%BC%E3%83%86%E3%82%A3%E3%83%AA%E3%82%B9%E3%82%AF) - URL: https://ai-curator.jp/podcasts/cmw4n52hw00005h12wet0i991 ## 要約 Hyperproof の CEO 兼創業者 Craig Unger 氏が、AI が企業内に持ち込む新たなリスクと、AI をリスク管理に活用する方法を語った回。マシンアイデンティティの急増、シャドーAI、ベンダー経由のAI組み込みが課題として挙げられた。一方で規制変更の監視や全件テスト、ドル建てリスク評価でAIが役立つとし、AI の稼働状況の棚卸し、継続的モニタリング、コントロールのAI対応、ベンダー精査という実践手順を示した。 ## ポイント - Palo Alto Networks の調査として、平均的な企業では人間1人あたり109のマシンアイデンティティが存在すると紹介された。トークンやAPIキーはAIも同じ方式でアクセスに使うため、統制が難しくなる。 - シャドーAIは、意図しないデータへの可視性をユーザーに与えてしまう問題である。データストア側でもリクエスト側でも制御が難しく、複数のプロンプトを組み合わせた利用は単一の取引では検知しにくいと述べた。 - ベンダーのAI組み込みには、利用規約、SOC/ISOレポート、トラストセンター、データ処理契約、質問票、自動スキャンなど複数の手段で確認する。 - AIは意思決定よりも大量データの分析が得意だとし、規制変更のホライズンスキャニング、サンプリングではなく母集団全体のテスト、非構造化データの検証に有効だと説明した。 - コントロールそのものの定義は、セキュリティ専門家など人間が担うべきだという見方を示した。リスクのドル換算は、従来のモンテカルロ型シミュレーションにAIによるデータ連結やシナリオ提案を組み合わせる。 - 実践手順は、AIの棚卸しとガバナンスモデル、継続的コントロールモニタリングの自動化、既存コントロールのAI対応化、ベンダーへの同様の精査の四つ。早く小さく始めることも勧めた。 ## 章立て - [01:05] **AIが変えるGRCと新たなリスク** — AIツールの乱立やベンダーのAI組み込みを背景に、GRC領域の変化が問われる。Craig 氏はAI自体のセキュリティ脅威は別論点とし、ガバナンスとコンプライアンスに焦点を当てると述べた。 - [03:12] **マシンアイデンティティの急増** — トークンやAPIキーなど人間不在のアクセス手段をAIも使うため、統制が難しくなる。Palo Alto Networks の調査で人間1人あたり109のマシンIDという数字が紹介された。 - [05:27] **シャドーAIの難しさ** — データストア側とリクエスト側のどちらでも制御が難しい理由を解説。複数リクエストの組み合わせで想定外のアクセスが生じうる点も指摘した。 - [07:31] **ベンダーのAI利用をどう確認するか** — 利用規約、SOCやISOレポート、データ処理契約、質問票、自動スキャンなどでベンダーのデータ利用を確かめる方法を整理した。 - [09:36] **AIによるリスク可視化と保証の強化** — ホライズンスキャニング、証拠収集、全件テスト、非構造化データの検証、リスク予測の将来像を紹介した。 - [15:15] **コントロール設定とドル建てリスク** — コントロールの定義は人間の専門家が担うべきだとし、ドル建てリスクではAIと従来のシミュレーション手法を組み合わせるアプローチを説明した。 - [18:19] **リーダーが今取るべき手順** — AIの棚卸しとガバナンス、継続的モニタリング、コントロールのAI対応化、ベンダー精査という四つのステップを提示した。 - [24:32] **早く始めることの勧め** — 完全な解決策を待たず、関係者で議論することから始めるよう促した。議論から技術的解決策が見えてくるという。 ## 解説記事 Hyperproof の CEO 兼創業者 Craig Unger 氏が、The AI in Business Podcast に再登場した。テーマは、AI が企業内部のリスクをどう変えるのか、そして AI をリスク管理にどう活かせるのかである。承認済み・未承認のAIツールが混在し、ベンダー製品にもAIが組み込まれ、AIが提案にとどまらず行動も起こす状況を前提に、GRC（ガバナンス・リスク・コンプライアンス）の実務的な論点が語られた。 #### 増え続けるマシンアイデンティティとシャドーAI Unger 氏がまず挙げたのが「アイデンティティの拡散」である。ログインして本人確認を受ける人間のアイデンティティとは別に、APIキーやトークンを提示して人間不在のままシステムにアクセスする形態がある。自動化にはこうした仕組みが不可欠で、止めるべきものではないと同氏は述べる。問題は、AIも同じ方式でシステムにアクセスする点にある。 同氏は Palo Alto Networks の 2026 年のアイデンティティセキュリティ調査を引き、平均的な企業では人間1人あたり109のマシンアイデンティティがあると紹介した。既存のアクセス管理は人間が操作することを前提に作られており、長期間有効なキーやトークンは作成時に目的が明確でないことも多い。そのため統制が難しいという。 これに続くのがシャドーAIである。AIツールやモデルを通じて、管理者が想定していなかった資産にユーザーが到達してしまう問題だ。対策の候補はデータストア側とリクエスト側だが、どちらも簡単ではない。データストア側では、そのAI経由の取引を許可すべきかをアクセス管理システムが判断しにくい。リクエスト側では、ユーザーが何をプロンプトし、AIがそれをどう分解するかが予測できない。単独のプロンプトは問題なくても、5、6個のリクエストを組み合わせると想定外のデータに届く可能性があると同氏は指摘した。 #### ベンダーに組み込まれたAIをどう見極めるか 既存ベンダーがAIを製品に加える場合、自社データがどう扱われるかが課題になる。Unger 氏は単一の答えはないとしたうえで、まず利用規約やライセンス契約を確認すべきだとする。特に欧州ではデータ利用の説明やデータ削除権への要求水準が高いと述べた。 そのほかの手段として、営業段階での直接の質問、トラストセンターの閲覧、SOC や ISO のレポートの取得（相手の基準を満たしていても自社の基準を満たすとは限らない）、GDPR のデータ処理契約のような契約上の義務の追加、自動スキャンツールが挙げられた。質問票も従来からの方法として触れられた。同氏は、侵害の半数以上がベンダー経由で起きるとも述べている。 #### AIがリスク管理を強くする場面 一方で、同じ技術がリスク管理も助ける。Unger 氏は、現在のAIは意思決定そのものよりも、大量データの分析に強いという見方を示した。コンプライアンスとリスクの分野は、大量データへのアクセスと処理に長年苦しんできたため、相性が良いという。 具体例の一つがホライズンスキャニングだ。ウェブ全体から規制の変更を探し出す作業で、各国が新たなプライバシー規則を公表しても探すのは干し草の山から針を探すようなものだと表現した。従来の購読型サービスにも役割はあるが、AIでより即時に変更を把握できるという。 二つ目は証拠収集とテストである。監査の世界では全データの取得が難しかったため、サンプリングが方法論として根付いた。AIなら母集団全体をテストできる可能性がある。さらに、従来は値の比較のような真偽判定型のテストが中心だったが、PDF や Word、HTML などの非構造化データの検証も扱いやすくなった。テスト内容を英語で説明するだけで、コードを書かずに設定できる点も利点とされた。将来的には、データを多角的にモデル化してシミュレーションを走らせるリスク予測にも関心があると語った。 #### 人間が担う領域と、ドル建てリスク コントロール自体をAIが設定するかという問いに対し、Unger 氏は提案はできるとしつつ、最終的には対象データ量が小さいため、セキュリティ専門家が定義すべきだと答えた。医療の例えを用い、AIが診断や処置を担えても、何を問題とし、どんなパラメータで考えるかは専門家の領域だと述べている。AIを出し抜こうとする人間がいる以上、その視点を持つ専門家が何を探すべきかを決めるべきで、AIに任せると自己言及的になりすぎるとも語った。 リスクのドル換算については、既存の主流システムはモンテカルロ型のシミュレーションで、現在のAIとは異なる。同氏は、AIがデータ要素とコントロール・ポリシーを結び付け、攻撃経路やシナリオを提案し、そのうえで従来のドル建て手法と組み合わせる方法に強みがあると述べた。手作業では網羅しきれなかったリスクの範囲をカバーできるようになるという。Hyperproof も、組織の業種や成熟度に応じてユーザーをリスクモデリングへ導く形で製品に組み込む方向を検討している。 #### リーダーが取るべき四つの手順 実践面では次の手順が示された。第一に、AIがどこで何をしているかの棚卸しと、ガバナンスモデルの整備である。最初は手動の一覧と登録プロセスでよいが、すぐに自動検出が必要になるとした。ブラウザ経由とプログラム経由の両方のアクセスを対象にする。第二に、継続的コントロールモニタリングの自動化である。四半期ごとや監査前に行う方式はもう通用しないと述べた。第三に、既存コントロールをAI対応にすることだ。SOC 2 で数百あるコントロールのうち、一部はAIの影響を受けるため、見る範囲を広げて継続監視につなぎ直す。第四に、ベンダーへの同様の精査である。 #### まとめ 本エピソードの要点は、AIは未承認ツール、ベンダー、自律的な行動を通じて新たなリスクを生む一方で、適切に使えばリスクの可視化や低減にも役立つという二面性にある。日本企業にとっても、生成AIの業務利用が広がる中で、まず稼働状況の棚卸しとガバナンスの枠組みづくりから始めるという提案は実行しやすい。ベンダー管理や、AIを前提にしたコントロールの見直しも注目点だ。Unger 氏は、完璧な解決策を待たず、まず関係者が集まって議論を始めることを勧めており、技術的な解決策は議論の後に見えてくるという姿勢は参考になる。 > 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: The AI in Business Podcast「Building AI-Aware Controls for Enterprise Risk - with Craig Unger of Hyperproof」