バイアス（差別）の発生メカニズム
AIは過去のデータから「パターン」を学習する。そのため、過去の偏見や社会的格差がそのまま増幅される危険性がある。
経済産業省・総務省「AI事業者ガイドライン（2024年4月）」では、公平性、透明性、説明可能性の確保が強く求められている。
実際のバイアス事例
リクナビDMPフォロー事件（2019年・日本）
学生の内定辞退率をAIで予測し、そのスコアを企業に販売。学生本人への十分な説明や同意がないまま「選別」が行われていた。個人情報保護委員会から勧告を受け、サービス廃止。日本におけるAIガバナンスの象徴的事案。
Amazon：採用AIの性差別問題（米国）
過去10年間の履歴書データ（男性比率が高い）を学習した結果、「女性」という言葉が含まれるだけで減点するAIが生成された。開発中止。
Apple Card：与信枠の格差問題（米国）
夫婦で共通の家計資産を持っていても、AIの判断で夫に妻の数倍の利用枠が設定。性差別の疑いで当局の調査対象に。
法的責任の所在
| 責任の種類 | 責任主体 | 内容 |
|---|---|---|
| 設計の欠陥 | 開発者側 | データ・アルゴリズムの問題 |
| 運用上の過失 | 利用者側 | 使用範囲外の利用、監視不足 |
著作権に関する最新動向（2025年1月）
文化庁ガイドラインでは、生成AIの出力が既存著作物の「本質的特徴」を直接感得できる場合、著作権侵害が成立することが明記された。特定アーティスト名を指定したプロンプトは侵害リスクが極めて高い。
文化庁ガイドラインでは、生成AIの出力が既存著作物の「本質的特徴」を直接感得できる場合、著作権侵害が成立することが明記された。特定アーティスト名を指定したプロンプトは侵害リスクが極めて高い。
各国のアプローチ比較
| 国 | アプローチ | 特徴 |
|---|---|---|
| 中国 | 全監視・管理型 | 防犯カメラ、自動運転データを国が保持 |
| アメリカ | 訴訟任せ型 | 損害賠償を厳格化、リスクを取る企業が早い |
| 日本 | 中庸型 | レピュテーションリスク重視、段階的導入 |
対策のポイント
- AI倫理ガイドラインの策定と公開：公平性、透明性、説明責任を明記
- Human-in-the-loop：重要な決定（採用、昇進、融資）には必ず人間が介在
- アルゴリズム監査の定期実施：特定属性への偏りを検証
- AI専用保険への加入：判断ミスによる損害賠償をカバー
Coach's Note
リクナビ事件は「学生視点の欠如」が本質。AIを導入する際は「誰のためのAIか」を常に問い直すことが重要。危機管理コンサルタントとして、クライアントに「利用範囲の定義と公開」「ログの取得」を提言すべき。