多くの AI プロジェクトは、よく似た道筋をたどります。POC の段階では参加者も投資額も少なく、チームはまず効果の有無を確認したいため、正式な管理制度によって進行が遅れることを望みません。しかし、POC で成果が出て、顧客データや ERP、決済、社外への回答などを扱う本格的な展開に移ろうとした途端、プロジェクトが進まなくなります。その理由はたいてい明快です。必要な権限を取得できず、経営層も承認を出せないからです。
多くの場合、問題はガバナンス体制がツールの導入と並行して整備されていないことにあります。当初は AI で何ができるかを実証することだけに注力し、正式稼働の段階になって初めて、誰が責任を負うのか、どのデータを使用できるのか、問題発生時にどう追跡するのかについて、明確な答えがないことに気づきます。これが、POC に成功しても本番環境へ移行できないプロジェクトが多い理由です。
リスクは見えていても、承認条件が整っていない
Gartner は2025年9月、IT アプリケーション部門の責任者360人を対象に調査を実施しました。その結果、74%が AI Agent は新たなサイバー攻撃の経路になると考えている一方、自社に適切なガバナンス体制があると強く確信している回答者はわずか13%でした。ガバナンスの整備が追いついていない状況では、完全自律型 AI Agent の検討、試行、導入に前向きな責任者も15%にとどまっています。
Cloud Security Alliance（CSA）が2026年4月に発表した調査では、企業から418件の回答を集め、同様のギャップが確認されました。82%の企業が、自社の IT 環境内で把握していない AI Agent が稼働していると認め、65%が過去12カ月以内に AI Agent 関連のインシデントを経験しています。しかし、正式な停止プロセスを整備している企業はわずか21%でした。
経営層の立場から見れば、こうした懸念は理解しやすいものです。AI Agent の役割がデータ整理や提案の提供にとどまっている間は、リスクを比較的コントロールしやすいでしょう。しかし、本番システムへのアクセス、データの書き込み、社外に向けたアクションが可能になれば、管理者は問題発生時に追跡できるのか、停止できるのか、そして誰が責任を負うのかを把握しておく必要があります。
経営層が承認する前に確認する5つのこと
AI Agent に正式な業務を任せるかどうかを判断する前に、経営層は通常、次の5つを確認します。現在、社内で何体の AI Agent が稼働しているのか。どれだけの費用がかかっているのか。データはどこへ送られているのか。どこまで権限が付与されているのか。品質は誰が管理しているのか。
いずれも基本的な質問に聞こえますが、実際の現場では、多くの企業が十分に回答できていません。チームは特定の POC の機能を説明できても、それが現在も稼働しているのか、どのデータを使用しているのか、誰が停止する権限を持っているのかを明確に説明できないことがあります。
1つ目の不明確：実際に何体の AI Agent が稼働しているのか
企業は購入したライセンス数を把握していても、現在どの自動化タスクが実行されているのか、誰が担当しているのか、最後に検証したのはいつなのかまでは把握していない場合があります。ライセンス数は購買記録ですが、稼働中の AI Agent は継続的な管理が必要な資産です。この2つを混同してはいけません。
各 AI Agent について、少なくとも用途、所属部門、保守担当者、データソース、実行可能なアクション、現在の状態を記録する必要があります。本番データにアクセスするもの、スケジュールに従って自動実行されるもの、ほかのユーザーに公開されているものは、すべて登録して管理対象にしなければなりません。長期にわたり担当者が不在の場合は、停止審査の対象とし、そのまま環境内で稼働を続けさせてはいけません。
2つ目の不明確：費用がどこで発生しているのか
同じ AI Agent プラットフォームが、複数の部門で利用されることは珍しくありません。費用を全体の請求額でしか把握していなければ、どの用途を継続すべきか判断できず、どのタスクによって支出が急増したのかも分かりません。費用は部門、タスク、モデルごとに分け、予算上限に近づいた時点で通知する必要があります。
正式稼働するタスクには、予算管理の責任者を指定します。実行のたびに、費用をどの部門に計上するのか、処理が成功したのか、手作業によるやり直しが発生したのかも記録しなければなりません。コストが基準値を超えた場合は、実行頻度を下げる、より安価なモデルへ切り替える、一時的に手作業へ戻すといった対応が可能です。月末に請求書を受け取ってから調査を始める事態を避けられます。
3つ目の不明確：データはどこへ送られたのか
入力、出力、データの送信先、記録の保存期間がシステムに残されていなければ、監査やインシデント調査の際、データがどこへ送られたのかを従業員の記憶に頼って説明するしかありません。担当者が変われば、それまで把握されていた詳細も失われる可能性があります。
ガバナンスルールでは、少なくとも4つの事項を明確にする必要があります。何を機密データと定義するのか、どのモデルを使用できるのか、記録をどのように保存するのか、どのような情報の入力を禁止するのかです。各タスクを本番稼働させる前に、データソース、処理サービス、出力先を図示しなければなりません。ベンダーやモデルを変更した場合は、改めて確認が必要です。監査担当者がタスク番号を基に、影響を受けたすべての実行記録を特定できるようにする必要もあります。
4つ目の不明確：AI Agent にどこまで権限が付与されているのか
AI Agent は大量のデータを高速で読み取り、システムを繰り返し呼び出し、データへ直接書き込むこともできます。こうした動作は、人が一件ずつ操作する方法とは異なります。権限を過剰に付与すると、影響範囲も急速に拡大します。各 AI Agent には独立した ID を持たせ、タスクの遂行に必要な最小限の権限のみを付与しなければなりません。
CSA が2026年に実施した別の調査では、回答組織の68%が、人によるアクションと AI Agent によるアクションを明確に区別できていませんでした。また、74%が、AI Agent には必要以上の権限が付与されることが多いと回答しています。
実務では、読み取り、作成、変更、削除、外部送信の権限を分けて管理する必要があります。削除、決済、外部公開といった取り消しのできない操作は、指定された担当者の承認を必須とし、認証情報にも短い有効期限を設定します。同時に、システムには、どの操作が行われ、誰が承認したのかを明確に示す記録を残し、後から追跡できるようにしなければなりません。
5つ目の不明確：品質に問題があった場合、誰が管理するのか
同じデータについて翌日に改めて質問すると、AI から異なる回答が返ってくることがあります。規定が更新された後も、AI Agent が旧版を参照し続ける可能性があります。また、人が誤りを修正しても、その修正結果が必ずしもシステムへ反映されるとは限りません。定期的な検証方法と記録方法がなければ、現在のバージョンを本当に本番稼働させてよいのか、チームは判断できません。
各本番タスクには、代表的なテストケース、許容基準、失敗記録、バージョン、通知先を用意する必要があります。タスク責任者は、通常ケースと高リスクの例外ケースを一式保管しなければなりません。プロンプトの変更、モデルの切り替え、ナレッジベースの更新、権限の調整を行うたびに、テストを再実施する必要があります。
新しいバージョンが基準を満たしていなければ、本番には投入しません。人が修正した内容も失敗記録としてシステムへ反映し、問題がどこで発生したのかをチームが把握できるようにします。これによって、次のバージョンで何を改善すべきかが明確になります。
本当に不足しているのは、5つの管理基盤
この5つの問いをまとめて見ると、企業に不足しているのはモデルの能力ではなく、資産台帳、コストの帰属、データフロー、権限の境界、品質記録という5つの管理基盤であることが分かります。いずれか1つでも不明確なままであれば、経営層が AI Agent の役割を「提案の提供」から「自律的な実行」へ進めることを承認するのは困難です。
ガバナンスの目的は、企業がより多くの業務を安心して AI Agent に任せられるようにすることです。そのためには、AI Agent プラットフォームの管理者が、次の情報をいつでも確認できなければなりません。現在、何体の Agent が稼働し、それぞれがどの段階にあるのか。利用量レポートを部門別・用途別に分け、費用を確認できるのか。どの Agent がインターネットへ接続でき、どのドメインへアクセスするのか。どのデータベースを読み取ることができ、誰が読み取ったのか。
こうした問いにどこまで詳細に答えられるかが、企業のガバナンスの成熟度を示します。経営層が対象範囲を把握でき、記録を追跡でき、いつ停止すべきかを判断できて初めて、AI Agent は POC から本番運用へ移行できるのです。
本記事は、智慧方案の『Agent-Ready：台湾製造業向け AI 活用ホワイトペーパー』から抜粋したものです。本ホワイトペーパーでは、ガバナンス承認、プロセス連携、組織的な推進の方法を詳しく解説するとともに、12項目の自己評価チェックリストを掲載しています。そのうち3項目は、ガバナンスの準備状況を確認するためのものです。