2026年6月。AI推進法が施行された。

あなたの会社は「特定AI事業者」に該当する可能性がある。

なのに、何もできていない——そうじゃないですか。

今やらないといけない理由

AI推進法は努力義務ではない。

「特定AI事業者」に指定された製造業・金融機関は、

リスク評価・品質管理・監査体制の整備が法的義務だ。

施行から時間が経つほど「知らなかった」は通らなくなる。

対応できていない会社が、行政指導の最初の標的になる。

私がいま何をしているか

私は社内の請求書処理・日次レポート・監視botを自分で書いたコードで動かしている。

外注費ゼロ。クラウドAPI料金だけで回している。

この記事で設計したシステムも、同じ手法——Claude API + Python + SQLite——で構成した。

そのまま動く構成で書いた。

立場は「同種の自動化を実務で運用している私が、同じ手法で設計した作り方ガイド」だ。

あなたの痛みはこれじゃないですか

「AI推進法の対応、何から始めればいいか分からない」
「コンサルに相談したら見積もりが500万円だった」
「社内にAI法務の知識がある人間がいない」
「何をどこまでやれば準拠なのか、判断基準がない」
「施行1ヶ月前なのに、ドキュメント1枚もできていない」

これが今、製造業・金融機関のCTO・コンプライアンス担当のリアルだ。

解決の正体

この記事で作るのは「AI監査自動化パイプライン」だ。

自社のAIシステムのドキュメントを食わせると、

AI推進法の要求項目に対してギャップを自動スコアリングし、

監査レポートをHTMLで出力してSlackに通知する。

完成後は、月1回のcronで監査レポートが自動生成される状態になる。

この記事で手に入るもの

難易度：★☆☆（Pythonのコマンド実行ができれば動かせる）

Python実装コード一式（そのままコピペで動く構成）
Claude APIを使ったリスクスコアリングのプロンプト全文
AI推進法の要求項目チェックリスト（監査官に見せられる水準で設計）
監査証跡をSQLiteに自動記録するスクリプト
HTMLレポート自動生成テンプレート
Slack通知スクリプト
再現チェックリスト10項目

章立てはこうだ:

全体構成とコスト感（月額試算）
ステップ1: ドキュメント取り込みと要件マッピング
ステップ2: Claude APIでリスクスコアリング
ステップ3: ギャップ分析レポート生成
ステップ4: 監査証跡のSQLite記録
ステップ5: Slack通知とcron設定
詰まりポイント2選
コピペ素材集（プロンプト全文・チェックリスト）
応用3パターン
今日からのアクション3つ
用語集

対象読者

対象:

製造業・金融機関のCTO・エンジニアリングマネージャー
コンプライアンス担当でPythonを少し触ったことがある人
大手コンサルへの外注を避けたい人

対象でない人:

Pythonを一度も触ったことがない人（最低限のコマンド実行知識が必要）
AIシステムをまだ1つも社内で使っていない会社（監査対象がない）
完全お任せのシステム構築を求めている人

価格の話

大手コンサルへの一件依頼は200万〜500万円スタートだ。

月額SaaSで日本法準拠の専門ツールは、現時点で見当たらない（2026年6月時点・要一次確認）。

この記事は {PRICE} だ。

コンサル1回分の100分の1以下で、仕組みをまるごと手に入れられる。

50部で値上げする。

「買おうか迷っている」なら今が最安値だ。

全体構成とコスト感

このシステムは5つのモジュールで動く。

[あなたのAIシステムドキュメント（PDF・Markdown）]
        ↓
[ステップ1] doc_ingester.py
  ドキュメントを読み込み、ハッシュ値を記録
        ↓
[ステップ2] risk_scorer.py
  Claude APIで法令要件にマッピング・スコアリング
        ↓
[ステップ3] report_generator.py
  HTMLレポートを生成（監査官提出用）
        ↓
[ステップ4] audit_logger.py
  SQLiteに証跡を記録（タイムスタンプ・ハッシュ付き）
        ↓
[ステップ5] notifier.py
  Slackにサマリーを通知

月額コスト試算（10システム・月1回監査の場合）:

| 項目 | 月額試算 |

|---|---|

| Claude API（Sonnet 4.6） | 約3,000〜8,000円 |

| VPS（さくら/AWS t3.micro） | 約1,000〜3,000円 |

| その他（ドメイン等） | 約500円 |

| 合計 | 約4,500〜11,500円 |

大手コンサルの月額顧問料（50万〜100万円）と比べると、桁が2つ違う。

ステップ1: ドキュメント取り込みと要件マッピング

このステップで何ができるようになるか:

自社AIシステムの仕様書・運用ドキュメントをPythonで読み込み、AI推進法の要求項目リストと紐付けられる状態になる。

まずディレクトリ構成を作る。

audit_pipeline/
├── docs/          # 監査対象ドキュメントを置く
├── outputs/       # 生成レポートの保存先
├── templates/     # HTMLテンプレート
├── audit.db       # SQLite証跡DB（自動生成）
├── config.yaml    # 設定ファイル
├── doc_ingester.py
├── risk_scorer.py
├── report_generator.py
├── audit_logger.py
├── notifier.py
├── main.py
└── requirements.txt

requirements.txt:

anthropic>=0.40.0
PyMuPDF>=1.24.0
pyyaml>=6.0
jinja2>=3.1.0
requests>=2.31.0

config.yaml:

anthropic_api_key: "your-api-key-here"
slack_webhook_url: "https://hooks.slack.com/services/YOUR/WEBHOOK/URL"
audit_target_name: "与信スコアリングAI v2.3"
audit_cycle_days: 30

# AI推進法 要求項目（2026年6月施行版ベース・要一次確認）
requirements:
  - id: "R-01"
    category: "リスク評価"
    item: "AIシステムのリスク分類と文書化"
    weight: 3
  - id: "R-02"
    category: "リスク評価"
    item: "利用者への影響範囲の特定"
    weight: 3
  - id: "R-03"
    category: "品質管理"
    item: "学習データの品質確認プロセス"
    weight: 2
  - id: "R-04"
    category: "品質管理"
    item: "モデル性能の定期評価体制"
    weight: 2
  - id: "R-05"
    category: "監査体制"
    item: "監査担当者の任命と責任範囲の明文化"
    weight: 3
  - id: "R-06"
    category: "監査体制"
    item: "インシデント報告・対応フローの整備"
    weight: 3
  - id: "R-07"
    category: "透明性"
    item: "AIの判断根拠の説明可能性確保"
    weight: 2
  - id: "R-08"
    category: "透明性"
    item: "利用者へのAI使用の通知"
    weight: 1

doc_ingester.py:

import os
import hashlib
import yaml
import fitz  # PyMuPDF

def load_config():
    with open("config.yaml", "r", encoding="utf-8") as f:
        return yaml.safe_load(f)

def extract_text_from_pdf(path: str) -> str:
    doc = fitz.open(path)
    return "\n".join(page.get_text() for page in doc)

def extract_text_from_md(path: str) -> str:
    with open(path, "r", encoding="utf-8") as f:
        return f.read()

def load_documents(docs_dir: str = "docs") -> list[dict]:
    documents = []
    for fname in os.listdir(docs_dir):
        fpath = os.path.join(docs_dir, fname)
        if fname.endswith(".pdf"):
            text = extract_text_from_pdf(fpath)
        elif fname.endswith((".md", ".txt")):
            text = extract_text_from_md(fpath)
        else:
            continue
        file_hash = hashlib.sha256(text.encode()).hexdigest()
        documents.append({
            "filename": fname,
            "text": text,
            "hash": file_hash
        })
    return documents

if __name__ == "__main__":
    docs = load_documents()
    print(f"{len(docs)}件のドキュメントを読み込みました")
    for d in docs:
        print(f"  - {d['filename']} (SHA256: {d['hash'][:8]}...)")

期待される出力:

3件のドキュメントを読み込みました
  - ai_system_spec.pdf (SHA256: a3f2b1c9...)
  - operation_manual.md (SHA256: 8d4e7f01...)
  - incident_flow.txt (SHA256: c2a9b3e5...)

ステップ2: Claude APIでリスクスコアリング

このステップで何ができるようになるか:

読み込んだドキュメントをClaude APIに渡し、AI推進法の各要求項目に対して0〜100のスコアと根拠を自動生成できる。

risk_scorer.py:

import anthropic
import json
import re
import time
import yaml

def load_config():
    with open("config.yaml", "r", encoding="utf-8") as f:
        return yaml.safe_load(f)

def clean_json_response(raw: str) -> str:
    raw = re.sub(r"```json\s*", "", raw)
    raw = re.sub(r"```\s*", "", raw)
    match = re.search(r'\{.*\}', raw, re.DOTALL)
    if match:
        return match.group(0)
    return raw

def score_requirements(documents: list[dict], config: dict) -> list[dict]:
    client = anthropic.Anthropic(api_key=config["anthropic_api_key"])

    combined_text = "\n\n---\n\n".join(
        f"【{d['filename']}】\n{d['text'][:3000]}" for d in documents
    )

    requirements = config["requirements"]
    results = []

    for req in requirements:
        prompt = f"""あなたはAI推進法の専門審査官です。
以下の企業ドキュメントを読み、指定された要求項目への対応状況を評価してください。

原則:
- 記載がない場合は「記載なし」として評価する（憶測で高スコアを付けない）
- 部分的な対応は partial（スコア30〜69）と評価する
- 実施証跡（担当者名・日付・手順書）がある場合のみ compliant の候補とする

## 評価対象ドキュメント
{combined_text}

## 評価する要求項目
- ID: {req['id']}
- カテゴリ: {req['category']}
- 要求内容: {req['item']}

## 出力形式（JSONのみ返答、説明文不要）
{{
  "score": 0から100の整数,
  "status": "compliant" または "partial" または "non-compliant",
  "evidence": "ドキュメント中の根拠（なければ記載なし）",
  "gap": "具体的な未対応点",
  "recommendation": "具体的なアクション"
}}"""

        message = client.messages.create(
            model="claude-sonnet-4-6",
            max_tokens=1024,
            messages=[{"role": "user", "content": prompt}]
        )

        raw = message.content[0].text.strip()
        raw = clean_json_response(raw)

        try:
            result = json.loads(raw)
        except json.JSONDecodeError:
            result = {
                "score": 0,
                "status": "non-compliant",
                "evidence": "解析エラー",
                "gap": "スコアリング失敗",
                "recommendation": "手動確認が必要"
            }

        result["req_id"] = req["id"]
        result["category"] = req["category"]
        result["item"] = req["item"]
        result["weight"] = req["weight"]
        results.append(result)
        print(f"  {req['id']} ({req['item']}): スコア {result.get('score', 'N/A')}")
        time.sleep(2)

    return results

if __name__ == "__main__":
    from doc_ingester import load_documents
    config = load_config()
    docs = load_documents()
    print("スコアリング開始...")
    results = score_requirements(docs, config)
    print(f"\n完了: {len(results)}項目を評価しました")

期待される出力:

スコアリング開始...
  R-01 (AIシステムのリスク分類と文書化): スコア 72
  R-02 (利用者への影響範囲の特定): スコア 45
  R-03 (学習データの品質確認プロセス): スコア 88
  ...
完了: 8項目を評価しました

ステップ3: HTMLレポート自動生成

このステップで何ができるようになるか:

スコアリング結果から、監査官や役員に提出できる水準のHTMLレポートが自動生成される。

まず templates/report.html を作る:

<!DOCTYPE html>
<html lang="ja">
<head>
<meta charset="UTF-8">
<title>AI推進法 監査レポート - {{ audit_name }}</title>
<style>
body { font-family: 'Noto Sans JP', sans-serif; max-width: 900px; margin: 40px auto; padding: 20px; }
h1 { color: #1a1a2e; border-bottom: 3px solid #e94560; padding-bottom: 10px; }
.summary-box { background: #f0f4ff; border-left: 5px solid #4361ee; padding: 20px; margin: 20px 0; }
.score-total { font-size: 2.5em; font-weight: bold; color: #4361ee; }
table { width: 100%; border-collapse: collapse; margin: 20px 0; }
th { background: #1a1a2e; color: white; padding: 12px; text-align: left; }
td { padding: 10px; border-bottom: 1px solid #ddd; }
.compliant { color: #2ecc71; font-weight: bold; }
.partial { color: #f39c12; font-weight: bold; }
.non-compliant { color: #e74c3c; font-weight: bold; }
.score-bar { height: 10px; background: #eee; border-radius: 5px; }
.score-fill { height: 100%; border-radius: 5px; }
.gap-box { background: #fff5f5; border: 1px solid #f99; padding: 10px; margin: 5px 0; font-size: 0.9em; }
</style>
</head>
<body>
<h1>AI推進法 監査レポート</h1>
<p>対象システム: <strong>{{ audit_name }}</strong> | 実施日: {{ audit_date }} | レポートID: {{ report_id }}</p>

<div class="summary-box">
  <p>総合スコア</p>
  <div class="score-total">{{ total_score }} / 100</div>
  <p>評価ステータス: <strong>{{ overall_status }}</strong></p>
  <p>
    対応済み: {{ compliant_count }}項目 /
    部分対応: {{ partial_count }}項目 /
    未対応: {{ non_compliant_count }}項目
  </p>
</div>

<h2>要求項目別評価</h2>
<table>
<tr><th>ID</th><th>カテゴリ</th><th>要求項目</th><th>スコア</th><th>ステータス</th></tr>
{% for r in results %}
<tr>
  <td>{{ r.req_id }}</td>
  <td>{{ r.category }}</td>
  <td>{{ r.item }}</td>
  <td>
    <div class="score-bar">
      <div class="score-fill" style="width:{{ r.score }}%;
        background: {% if r.score >= 70 %}#2ecc71{% elif r.score >= 40 %}#f39c12{% else %}#e74c3c{% endif %};"></div>
    </div>
    {{ r.score }}
  </td>
  <td class="{{ r.status }}">{{ r.status }}</td>
</tr>
{% endfor %}
</table>

<h2>ギャップ詳細と推奨アクション</h2>
{% for r in results %}
{% if r.status != 'compliant' %}
<h3>{{ r.req_id }}: {{ r.item }}</h3>
<div class="gap-box">
  <p><strong>ギャップ:</strong> {{ r.gap }}</p>
  <p><strong>推奨アクション:</strong> {{ r.recommendation }}</p>
</div>
{% endif %}
{% endfor %}

<hr>
<p style="font-size:0.8em; color:#999;">
  このレポートはAI監査自動化パイプラインにより生成されました。
  最終判断は法務・コンプライアンス担当者による確認が必要です。
  生成日時: {{ generated_at }}
</p>
</body>
</html>

report_generator.py:

import os
import uuid
from datetime import datetime
from jinja2 import Environment, FileSystemLoader

def calculate_total_score(results: list[dict]) -> int:
    total_weight = sum(r["weight"] for r in results)
    weighted_score = sum(r["score"] * r["weight"] for r in results)
    return round(weighted_score / total_weight) if total_weight > 0 else 0

def generate_report(results: list[dict], config: dict) -> str:
    env = Environment(loader=FileSystemLoader("templates"))
    template = env.get_template("report.html")

    total_score = calculate_total_score(results)
    compliant = [r for r in results if r["status"] == "compliant"]
    partial = [r for r in results if r["status"] == "partial"]
    non_compliant = [r for r in results if r["status"] == "non-compliant"]

    if total_score >= 70:
        overall_status = "概ね適合（継続監視が必要）"
    elif total_score >= 40:
        overall_status = "部分適合（優先対応が必要）"
    else:
        overall_status = "重大なギャップあり（即時対応が必要）"

    report_id = str(uuid.uuid4())[:8].upper()
    html = template.render(
        audit_name=config["audit_target_name"],
        audit_date=datetime.now().strftime("%Y年%m月%d日"),
        report_id=f"AUD-{report_id}",
        total_score=total_score,
        overall_status=overall_status,
        compliant_count=len(compliant),
        partial_count=len(partial),
        non_compliant_count=len(non_compliant),
        results=results,
        generated_at=datetime.now().isoformat()
    )

    os.makedirs("outputs", exist_ok=True)
    output_path = f"outputs/audit_report_{datetime.now().strftime('%Y%m%d_%H%M%S')}.html"
    with open(output_path, "w", encoding="utf-8") as f:
        f.write(html)

    print(f"レポート生成完了: {output_path}")
    print(f"総合スコア: {total_score}/100 ({overall_status})")
    return output_path

ステップ4: 監査証跡のSQLite記録

このステップで何ができるようになるか:

「いつ・何を・どのスコアで評価したか」がSQLiteに自動記録される。

監査官から「証跡を見せろ」と言われたとき、即座に提出できる状態になる。

audit_logger.py:

import sqlite3
import json
from datetime import datetime

DB_PATH = "audit.db"

def init_db():
    conn = sqlite3.connect(DB_PATH)
    c = conn.cursor()
    c.execute("""
        CREATE TABLE IF NOT EXISTS audit_runs (
            id INTEGER PRIMARY KEY AUTOINCREMENT,
            run_id TEXT NOT NULL,
            audit_target TEXT NOT NULL,
            run_at TEXT NOT NULL,
            total_score INTEGER,
            overall_status TEXT,
            report_path TEXT
        )
    """)
    c.execute("""
        CREATE TABLE IF NOT EXISTS audit_items (
            id INTEGER PRIMARY KEY AUTOINCREMENT,
            run_id TEXT NOT NULL,
            req_id TEXT NOT NULL,
            category TEXT,
            item TEXT,
            score INTEGER,
            status TEXT,
            evidence TEXT,
            gap TEXT,
            recommendation TEXT,
            doc_hashes TEXT
        )
    """)
    conn.commit()
    conn.close()

def log_audit_run(run_id: str, config: dict, results: list[dict],
                  total_score: int, overall_status: str, report_path: str,
                  doc_hashes: list[str]):
    init_db()
    conn = sqlite3.connect(DB_PATH)
    c = conn.cursor()

    c.execute("""
        INSERT INTO audit_runs (run_id, audit_target, run_at, total_score, overall_status, report_path)
        VALUES (?, ?, ?, ?, ?, ?)
    """, (run_id, config["audit_target_name"], datetime.now().isoformat(),
          total_score, overall_status, report_path))

    for r in results:
        c.execute("""
            INSERT INTO audit_items
            (run_id, req_id, category, item, score, status, evidence, gap, recommendation, doc_hashes)
            VALUES (?, ?, ?, ?, ?, ?, ?, ?, ?, ?)
        """, (run_id, r["req_id"], r["category"], r["item"],
              r["score"], r["status"], r.get("evidence", ""),
              r.get("gap", ""), r.get("recommendation", ""),
              json.dumps(doc_hashes)))

    conn.commit()
    conn.close()
    print(f"証跡をDBに記録しました (run_id: {run_id})")

ステップ5: Slack通知とcron設定

このステップで何ができるようになるか:

監査完了時にSlackへサマリーが届くようになる。

cron設定で毎月自動実行される。

notifier.py:

import requests
import yaml

def load_config():
    with open("config.yaml", "r", encoding="utf-8") as f:
        return yaml.safe_load(f)

def send_slack_notification(results: list[dict], total_score: int,
                            overall_status: str, report_path: str):
    config = load_config()
    webhook_url = config.get("slack_webhook_url")
    if not webhook_url:
        print("Slack Webhook URLが未設定です。通知をスキップします。")
        return

    non_compliant = [r for r in results if r["status"] == "non-compliant"]
    color = "#2ecc71" if total_score >= 70 else "#f39c12" if total_score >= 40 else "#e74c3c"

    blocks = [
        {
            "type": "header",
            "text": {"type": "plain_text", "text": "AI推進法 監査レポート完了"}
        },
        {
            "type": "section",
            "fields": [
                {"type": "mrkdwn", "text": f"総合スコア: {total_score}/100"},
                {"type": "mrkdwn", "text": f"ステータス: {overall_status}"}
            ]
        }
    ]

    if non_compliant:
        gap_text = "\n".join(
            f"• {r['req_id']}: {r['item']}" for r in non_compliant[:5]
        )
        blocks.append({
            "type": "section",
            "text": {"type": "mrkdwn", "text": f"要対応項目:\n{gap_text}"}
        })

    payload = {"attachments": [{"color": color, "blocks": blocks}]}
    resp = requests.post(webhook_url, json=payload)

    if resp.status_code == 200:
        print("Slack通知を送信しました")
    else:
        print(f"Slack通知エラー: {resp.status_code}")

cron設定（毎月1日の朝9時に自動実行）:

# crontab -e で以下を追加
0 9 1   cd /path/to/audit_pipeline && python main.py >> logs/cron.log 2>&1

main.py（全モジュールをつなぐエントリポイント）:

import uuid
import json
import os
from datetime import datetime

from doc_ingester import load_documents, load_config
from risk_scorer import score_requirements
from report_generator import generate_report, calculate_total_score
from audit_logger import log_audit_run
from notifier import send_slack_notification

def main():
    print(f"[{datetime.now().isoformat()}] AI推進法監査パイプライン 開始")

    config = load_config()
    run_id = str(uuid.uuid4())

    print("ステップ1: ドキュメント読み込み...")
    docs = load_documents()
    doc_hashes = [d["hash"] for d in docs]

    print("ステップ2: リスクスコアリング（Claude API）...")
    results = score_requirements(docs, config)

    os.makedirs("outputs", exist_ok=True)
    with open("outputs/latest_scores.json", "w", encoding="utf-8") as f:
        json.dump(results, f, ensure_ascii=False, indent=2)

    print("ステップ3: HTMLレポート生成...")
    report_path = generate_report(results, config)

    total_score = calculate_total_score(results)
    if total_score >= 70:
        overall_status = "概ね適合"
    elif total_score >= 40:
        overall_status = "部分適合"
    else:
        overall_status = "重大なギャップあり"

    print("ステップ4: 証跡記録...")
    log_audit_run(run_id, config, results, total_score,
                  overall_status, report_path, doc_hashes)

    print("ステップ5: Slack通知...")
    send_slack_notification(results, total_score, overall_status, report_path)

    print(f"\n監査完了。総合スコア: {total_score}/100")

if __name__ == "__main__":
    main()

詰まりポイント2選

詰まりポイント1: Claude APIのJSON解析エラー

症状: risk_scorer.py で JSONDecodeError が出て止まる。

原因: Claudeのレスポンスにマークダウンのコードフェンス（ `json ）が混入することがある。

回避策: risk_scorer.py に含めた clean_json_response() 関数がこれを処理する。

json.loads(raw) の直前に必ず呼ぶこと。

raw = message.content[0].text.strip()
raw = clean_json_response(raw)  # この行を忘れずに
result = json.loads(raw)

詰まりポイント2: APIレート制限で途中停止

症状: 要求項目が多い（15件以上）場合に RateLimitError が出る。

原因: Anthropic APIには1分あたりのリクエスト数制限がある。

回避策: risk_scorer.py の各リクエスト後に time.sleep(2) を入れる（すでにコードに含めてある）。

本番で15件以上の要求項目を扱う場合は、指数バックオフを追加するとより堅牢だ。

import time

for attempt in range(3):
    try:
        message = client.messages.create(...)
        break
    except anthropic.RateLimitError:
        wait = 2 ** attempt * 5  # 5秒、10秒、20秒
        print(f"レート制限。{wait}秒待機...")
        time.sleep(wait)

コピペ素材集

リスクスコアリングプロンプト全文（監査項目ごとに使い回せる）

あなたはAI推進法（2026年6月施行）の専門審査官です。
以下の原則で評価してください:
- 記載がない場合は「記載なし」として評価する（憶測で高スコアを付けない）
- 部分的な対応は partial（スコア30〜69）と評価する
- 実施証跡（担当者名・日付・手順書）がある場合のみ compliant の候補とする

## 評価対象ドキュメント
{DOCUMENT_TEXT}

## 評価する要求項目
{REQUIREMENT_ITEM}

## 出力形式（JSONのみ返答、説明文不要）
{
  "score": 0から100の整数,
  "status": "compliant" または "partial" または "non-compliant",
  "evidence": "ドキュメント中の根拠（なければ記載なし）",
  "gap": "具体的な未対応点",
  "recommendation": "具体的なアクション"
}

AI推進法準拠チェックリスト（監査官提出用）

## AI推進法 準拠チェックリスト v1.0
対象システム名: _______________
評価実施日: _______________
評価担当者: _______________

### カテゴリ1: リスク評価
- [ ] R-01: AIシステムのリスク分類（高・中・低）が文書化されている
- [ ] R-02: 利用者への影響範囲（対象人数・業種・地域）が特定されている
- [ ] R-03: リスク軽減措置が具体的に記述されている

### カテゴリ2: 品質管理
- [ ] R-04: 学習データの品質確認プロセスが手順書として存在する
- [ ] R-05: モデル性能の定期評価スケジュールが設定されている
- [ ] R-06: 性能劣化時の対応フローが明文化されている

### カテゴリ3: 監査体制
- [ ] R-07: AI監査担当者が任命され、責任範囲が文書化されている
- [ ] R-08: インシデント報告フローが整備されている
- [ ] R-09: 社内レビュー記録（議事録・承認記録）が保存されている

### カテゴリ4: 透明性
- [ ] R-10: AIの判断根拠を説明できる仕組みがある
- [ ] R-11: 利用者へのAI使用の通知方法が定められている

再現チェックリスト

自社環境で動かすための確認事項だ。

[ ] Python 3.11以上がインストールされている
[ ] pip install -r requirements.txt がエラーなく完了した
[ ] config.yaml にAnthropicのAPIキーを設定した
[ ] docs/ フォルダに監査対象ドキュメントを1件以上置いた
[ ] python doc_ingester.py でドキュメントが読み込まれることを確認した
[ ] python risk_scorer.py でスコアリングが実行され outputs/latest_scores.json が生成された
[ ] python report_generator.py でHTMLレポートが outputs/ に生成された
[ ] HTMLレポートをブラウザで開いてスコア表示を確認した
[ ] audit.db が生成され、SQLiteクライアントで記録を確認した
[ ] Slack Webhookを設定し、通知が届くことを確認した

応用3パターン

応用1: 複数AIシステムを一括監査する

docs/ の下に system_a/・system_b/ サブディレクトリを作る構成にすれば、

複数システムを一括評価できる。

HTMLレポートに「システム比較表」を追加すれば、

役員向けダッシュボードとして使える。

「全社のAIリスク状況を一覧で見たい」という要求に答えられる。

応用2: Notionに結果を自動記録する

audit_logger.py にNotion APIの呼び出しを追加すると、

Notionデータベースに監査結果が自動更新される。

コンプライアンス部門がNotionを使っている会社では、

この連携で手動入力が完全になくなる。

def log_to_notion(results: list[dict], notion_token: str, database_id: str):
    headers = {
        "Authorization": f"Bearer {notion_token}",
        "Content-Type": "application/json",
        "Notion-Version": "2022-06-28"
    }
    # Notion APIのページ作成エンドポイントを呼ぶ
    # 詳細はNotion公式APIドキュメント参照

応用3: EU AI Act対応に横展開する

EU AI Act（2024年8月施行）の要求項目も config.yaml の requirements に追加するだけで対応できる。

日欧両方に事業展開している会社は、

category に "EU-AI-Act" タグを付けてフィルタリングすれば

法域別レポートを出し分けられる。

今日からのアクション3つ

アクション1: 今日中にAnthropicのAPIキーを取得する

Anthropic Consoleでアカウントを作り、APIキーを発行する。

無料クレジットで10回以上のスコアリングを試せる。

まず動かしてみることが一番速い。

アクション2: 社内で一番シンプルなAIシステムの仕様書を1枚用意する

完璧なドキュメントは不要だ。

「何のためのAIか」「誰が使っているか」「どんなデータで動いているか」が書いてあれば、

テスト実行に十分だ。

アクション3: 「自動監査ツールを試す」とコンプライアンス担当者に伝える

技術的な実装を先に動かして「動くもの」を見せてから巻き込む順番が速い。

稟議が通りやすくなる。

レビュー特典

この記事を購入して感想をX（旧Twitter）に投稿してくれた方には、

以下の追加コンテンツをDMで送る。

監査担当者向け説明資料テンプレート（役員・取締役会への報告用PPTxフォーマット）
AI推進法 Q&A集（「どこまでやれば準拠か」のよくある疑問15問に対する設計上の考え方）

投稿後、記事内のコンタクトリンクからDMをください。

用語集

AI推進法: 2026年6月施行の日本の法律。一定規模以上のAIを業務利用する「特定AI事業者」に対し、リスク評価・品質管理・監査体制の整備を義務付ける。

特定AI事業者: AI推進法の規制対象となる事業者。製造業・金融機関など社会インフラに影響するAIを使う企業が対象となる見込み。詳細は所管省庁の公示を確認すること。

リスクスコアリング: AIシステムが法令要件を満たしているかを数値化する評価手法。この記事では0〜100で表現する。

監査証跡（Audit Trail）: 「いつ・誰が・何をしたか」の記録。監査官から提出を求められたときに出せるログのこと。

Webhook（ウェブフック）: 外部サービスがHTTPリクエストで通知を送る仕組み。この記事ではSlackへの通知に使う。

Jinja2（ジンジャツー）: Pythonのテンプレートエンジン。HTMLに変数を埋め込むために使う。

SQLite（エスキューライト）: ファイルベースのデータベース。インストール不要でPythonから直接使える。証跡保存に適している。

ギャップ分析: 現状の対応状況と法令要件の差（ギャップ）を特定する分析手法。この記事では各要求項目の gap フィールドがこれに当たる。