「NIST AI RMF が国際標準として参照されると聞くが、英語で100ページ近くあって手が出ない」「フレームワークの全体像は分かったが、自社の何に対応させればよいのか落とせない」「AI事業者ガイドラインや ISO/IEC 42001 と何がどう違い、どう併用すればよいのか」——AIリスクマネジメントを本格化させようとする企業が、NIST AI RMF を前にして止まる典型的なポイントである。

潮目が変わったのは、AIセーフティ・インスティテュート（AISI）が NIST AI RMF 本体とプレイブック（Playbook）の公式日本語訳 を公開したことだ。これにより、日本企業も一次情報を日本語で読み、自社の実務に落とせるようになった。本稿では、この日本語訳に沿って、NIST AI RMF の4つの機能（GOVERN・MAP・MEASURE・MANAGE）と、それを実装に変えるプレイブックの使い方を、「72のサブカテゴリーを自社の成果物にどう翻訳するか」という実装視点で整理する。

なお、AIリスクの全体像（リスク分類学・アセスメント手順・リスクレジスター）はAIリスクマネジメントの実務で、国内の規制・ガイドラインの読み方は経済産業省のAIガバナンスを読み解くで扱っている。本稿はその中で、NIST AI RMF という具体的なフレームワークの実装 に焦点を絞る。

NIST AI RMF とは — 任意・権利保護・分野横断

NIST AI RMF（AI Risk Management Framework 1.0、文書番号 NIST AI 100-1）は、米国国立標準技術研究所（NIST）が2023年1月26日に公表した、AIリスクマネジメントのためのフレームワークである。その性格は、互いに補い合う3つの言葉に集約される。第一に任意適用（voluntary）であること——法的な強制力を持たず、組織が自主的に採用する設計になっている。第二に権利保護（rights-preserving）であること——個人の権利・自由を守ることを前提に置き、リスク低減と人権配慮を切り離さない。そして第三に分野横断・ユースケース非依存（non-sector-specific, use-case agnostic）であること——特定の業界に縛られず、あらゆるAIシステムに当てはめられる。この「強制しない・権利を守る・どこにでも使える」という三点が一体で効くからこそ、業界や規模を問わず参照される共通言語になり得ている。

NIST はこのフレームワークを「リビング・ドキュメント（living document）」と位置づけ、技術と知見の進展に応じて更新していくとしている。変更はバージョン番号・変更日・変更内容を記録する2段階のバージョン管理で追跡される。「一度作って固定する規制」ではなく、回しながら育てる枠組み だという思想は、日本のアジャイル・ガバナンスとも通じる。

そして実務上の最大の前提が、AISI による公式日本語訳の存在である。フレームワーク本体に加え、後述するプレイブック（具体的な推奨アクション集）まで日本語で参照できることで、英語の壁を理由に着手を見送る必要がなくなった。

全体像 — 「信頼できるAIの7特性」と4つの機能

NIST AI RMF は大きく2部構成になっている。第1部が基礎（AIリスクとは何か、どう測定するか、信頼できるAIの特性とは何か）、第2部がコア（4つの機能）である。

信頼できる（トラストワージな）AIの7特性

フレームワークは、目指すべき「信頼できるAI」の状態を7つの特性で定義する。これは、後述の MEASURE 機能で「何を測るか」の評価軸にもなる。

特性 意味
妥当性と信頼性 意図したとおりに、正確かつ確実に機能する
安全性 人命・健康・財産・環境を危険にさらさない
セキュリティとレジリエンス 攻撃や予期せぬ事象に耐え、回復できる
アカウンタビリティと透明性 情報が適切に開示され、責任の所在が明確である
説明可能性と解釈可能性 仕組みと出力の意味が理解できる
プライバシー強化 個人の自律・アイデンティティ・尊厳を守る
公平性（有害なバイアスのマネジメント） 有害なバイアスを管理し、公平性を確保する

NIST はこれらを並列ではなく、構造を持つもの として描いている（フレームワークの図4）。「妥当性と信頼性」は他のすべての特性の前提となる必要条件であり、「アカウンタビリティと透明性」は他のすべての特性に横断的に関わる。つまり、まず正確に動くこと（妥当性と信頼性）を土台に、透明性と説明責任を全体に通しながら、安全性・セキュリティ・プライバシー・公平性を積み上げる、という構造である。

4つのコア機能

第2部のコアは、AIリスクマネジメント活動を最上位で組織化する4つの機能で構成される。中心に据わるのが GOVERN（統治）で、体制・文化・方針を司り、他の3機能に情報を供給しながら全体に浸透する横断的な役割を持つ。残りの3つは、その土台の上でAIシステムに直接働きかける一連の流れになっている。MAP（マップ）がAIシステムのコンテクストを把握してリスクを枠組みし、MEASURE（測定）がそのリスクを定量・定性の両面で分析・評価・追跡し、MANAGE（マネジメント）が結果を受けてリスクに優先順位をつけ、対応し、運用へ落とす。MAP で枠を決め、MEASURE で測り、MANAGE で手当てするという順番には、後段が前段の出力を入力として受け取る依存関係がある。

この4機能が、さらに 19のカテゴリーと72のサブカテゴリーへと細分化される。両者の適用範囲には明確な違いがあり、GOVERN が AIリスクマネジメントのプロセス全段階に常時かかるのに対し、MAP・MEASURE・MANAGE は個々のAIシステム固有のコンテクストやライフサイクルの各段階に局所的に適用される。以下、機能ごとに、カテゴリーがどんな論理で並んでいるのかを見ていく。

GOVERN — 横断的な土台をつくる

GOVERN は、他のすべての機能を支える土台であり、AIリスクマネジメント全体に浸透する横断的な機能で、6つのカテゴリー（19サブカテゴリー）に分かれている。残り3機能が個別のAIシステムに向けられるのに対し、GOVERN だけはプロセスの全段階を貫く「縦串」だと捉えるとわかりやすい。

その6カテゴリーは、土台を内側から外側へと積み上げる順序で読める。まず GOVERN 1 が、法的・規制的要件の理解、信頼できるAIの特性を方針・手順へ反映すること、組織のリスク許容度に基づいてリスクマネジメント活動を設計すること、透明性のある方針と継続的なモニタリング、そしてAIシステムの棚卸しの仕組みまでを、組織のポリシーと手順の層に据える。続く GOVERN 2 は、その方針を「誰が動かすのか」へ落とし込む層で、MAP・MEASURE・MANAGE に関わる役割と責任の割り当て、要員への権限付与、エグゼクティブ・リーダーシップの説明責任といったアカウンタビリティ構造を扱う。GOVERN 3 と GOVERN 4 は、その構造を人と文化で機能させる層にあたり、前者が人材の多様性・公平性・包摂と、人間とAIの構成・監督に関する役割分担を、後者が批判的思考と安全第一を尊重する組織文化、そしてインシデントを特定して情報共有できる仕組みを問う。最後に GOVERN 5 と GOVERN 6 が組織の外側へ目を向け、影響を受ける個人・コミュニティを含む関連AIアクターとのエンゲージメント、サードパーティの知的財産権・データ・AIシステムに伴うリスクの管理を求める。内側の方針から、責任、文化、外部との関係へと同心円状に広がっていく構造になっている。

実務でこの6カテゴリーのうち最初に効いてくるのは、たいてい GOVERN 1.6 の「AIシステムの棚卸し」 である。自社でどのAIがどこで何のために使われているかを一覧化する仕組みがないまま、リスク管理を語ることはできない。シャドーAI（現場が勝手に使い始めたツール）が把握できていない状態では、MAP 以降のすべてが「見えている範囲」だけの作業になってしまうからだ。だからこそ NIST は GOVERN を「やることリスト」ではなく、経営層が関与し、文化・方針・体制として組み込むべき前提条件として位置づけている。ここを技術部門だけに任せると、方針もリスク許容度も現場の判断に依存し、結局は属人化する。

MAP — コンテクストを把握し、リスクを枠組みする

MAP は、AIシステムに関連するリスクを枠組みするためのコンテクストを確立する機能で、5つのカテゴリーに分かれる。GOVERN が組織全体の縦串だったのに対し、MAP からは個々のAIシステムに視点が降りてくる。

5カテゴリーは、文脈を広く取ってから具体へ絞り込み、最後にもう一度社会へ広げる流れで並んでいる。出発点の MAP 1 では、意図された目的・便益・コンテクストを確立し、学際的なAIアクターを関与させ、組織のミッションとの整合を確かめたうえで、リスク許容度の決定と文書化、システム要件の定義までを行う。ここで文脈の枠が決まると、MAP 2 が一段具体に降り、そのAIがサポートする具体的なタスクと実装方法を分類し、システムの知識の限界と出力の使われ方を見定める。MAP 3 はそこに損得と失敗の見通しを重ねる層で、想定される便益とコスト、予期されるエラーや機能不全、そしてヒューマンオーバーサイト（人間による監督）の置きどころを設計する。残る MAP 4 と MAP 5 は再び外側へ目を向け、前者がサードパーティの知的財産権その他の権利侵害リスクや外部構成要素に伴うリスクを、後者が個人・グループ・社会・地球環境へのインパクトの特性評価を扱う。

MAP の要点は、リスクを「項目として列挙する」前に、そのAIがどんな文脈で、何のために、誰に影響するのかを先に確定することにある。順序を逆にしてリスク一覧から始めると、汎用的なリスク辞書を写経しただけの、自社にとっての軽重がわからないシートができあがる。たとえば社内文書要約のAIと、与信判断を補助するAIでは、同じ「誤り」でも社会的インパクトの重みがまるで違う——その差は MAP 5 の影響評価を先に通さなければ見えてこない。MAP で集めた文脈情報が、そのまま次の MEASURE で「何を測るか」、MANAGE で「どこから手当てするか」の基礎になる。

MEASURE — 信頼できるAIの特性を測る

MEASURE は、MAP で枠組みしたリスクを適切な方法・指標で分析・評価・追跡する機能で、4つのカテゴリーで構成される。ここで MAP の文脈が初めて「数字や判定」に変わるため、4機能のなかで最も技術部門の関与が濃くなる。

4カテゴリーは「測る道具を選ぶ → 実際に測る → 残りを追う → 測り方そのものを疑う」という、一つの測定サイクルそのものになっている。まず MEASURE 1 で、リスクに見合った測定方法と測定基準を選び、TEVV（テスト・評価・検証・妥当性確認）の体制を整える。次の MEASURE 2 が分量的にも実務的にも中核で、冒頭で挙げた信頼できるAIの7特性をそれぞれ評価する——安全性（2.6）、セキュリティとレジリエンス（2.7）、透明性とアカウンタビリティ（2.8）、説明可能性（2.9）、プライバシー（2.10）、公平性とバイアス（2.11）、環境負荷（2.12）というように、特性ごとに専用のサブカテゴリーがひもづく。測ったあとを引き受けるのが MEASURE 3 で、特定されたリスクを継続的に追跡し、現行技術では評価が難しいリスクをどう扱うかを決め、エンドユーザやコミュニティからのフィードバックを回路に組み込む。そして MEASURE 4 が、測定アプローチ自体の有効性を検証する——指標が現実のリスクをとらえ続けているかを、メタな視点で問い直す層である。

要するに MEASURE は、「信頼できるAIの7特性」という抽象的な理念が、初めて具体的な評価項目として手元に落ちてくる場所だといえる。AIの出力品質を評価する具体的な設計はAI評価フレームの実装論で、ハルシネーションの測定・抑制はAIハルシネーション対策の実装論で踏み込んでいる。ただ注意したいのは、NIST 自身が、AIリスクの測定には本質的な難しさ——実験環境と現実環境の乖離、ライフサイクル段階による差、不可解さ（説明可能性の限界）——が伴うと率直に認めている点だ。MEASURE 4 がわざわざ「測り方を疑う」層として独立しているのは、この限界への自覚の表れであり、「測れたから安全」という短絡を制度的に戒めている。

MANAGE — リスクに優先順位をつけ、対応する

MANAGE は、評価したリスクに優先順位をつけ、対応し、運用する機能で、こちらも4つのカテゴリーからなる。MEASURE が「現状を映す鏡」だとすれば、MANAGE は「その鏡を見て手を動かす」段階にあたる。

4カテゴリーは、意思決定から運用、そして継続改善へと時間軸に沿って並ぶ。起点の MANAGE 1 は、MAP・MEASURE の結果をもとにリスクを優先順位づけして処置を選ぶ層で、対応するのか、回避するのか、低減するのか、あるいは受容するのか——限られた資源のなかでの取捨選択そのものを扱う。決めたあとを運用へ移すのが MANAGE 2 で、便益を最大化するためのリソース配分、価値を維持する仕組み、未知のリスクが特定された場合の対応、そして想定外の挙動を示すシステムを停止・無効化する手立てまでを含む。外部に依存する部分を切り分けるのが MANAGE 3 で、サードパーティのリソースや事前学習済みモデルに伴うリスクとベネフィットを管理する。最後の MANAGE 4 が運用を閉じたループにする層で、ユーザ等からのインプットに基づく継続的な改善と、インシデントやエラーへの対応とコミュニケーションを担う。

この4カテゴリーのなかでも、MANAGE 2.4 が定める「想定と異なる挙動を示すAIシステムを停止・無効化できること」は、自律型AIエージェントを業務に組み込む企業にとって特に重い要件になる。エージェントが自分でツールを呼び、連鎖的に行動するほど、「止める術がある」という設計上の保証が安全弁として効いてくるからだ（AIエージェント業務導入の設計論）。逆にこのキルスイッチを後付けで考えると、運用が始まってから設計をやり直す羽目になりやすい。

【AX Boost独自フレーム】4機能 × 自社の実装成果物マッピング

NIST AI RMF を「読んで終わり」にしないために有効なのが、4つの機能を自社の具体的な会議体・成果物・オーナーに対応させることである。機能を抽象概念のままにせず、既存の組織運営に紐づけることで、実装が動き出す。

機能 対応する自社の成果物 想定オーナー
GOVERN AIポリシー、リスク許容度の定義、AIシステム棚卸し台帳、役割分担表、経営報告の枠組み 経営層・AI推進責任者（CAIO等）
MAP ユースケースごとのコンテクスト記述、リスク特定シート、影響評価（誰に影響するか） 推進部門・事業部門
MEASURE 評価指標・テスト計画、7特性チェック結果、モニタリングダッシュボード 技術部門・品質保証
MANAGE リスクレジスター（優先順位・対応・残存リスク）、インシデント対応手順、改善ログ 情報セキュリティ・運用部門

このマッピングを最初に作っておくと、プレイブックの推奨アクションを読んだときに「これは自社のどの成果物に反映すべきか」が即座に判断できる。GOVERN から着手するのが定石である。MAP でリスクを並べることから始めたくなるが、土台となる方針・体制・棚卸し（GOVERN）がないと、特定したリスクの受け皿がなく、評価も対応も宙に浮く。組織体制としての CAIO・CoE の設計はAI Center of Excellence (CoE)の組成と運用を参照されたい。

プレイブックの使い方 — 「推奨アクション」を成果物に翻訳する

フレームワーク本体は「何を達成すべきか（What）」を示すが、「どう実現するか（How）」を補うのがプレイブック（Playbook）であり、AISI 日本語訳（Rev. 1.0.0）も公開されている。

プレイブックは、72のサブカテゴリーそれぞれに対して、抽象的な達成目標を実務へ橋渡しする三層の情報を添えている。中心は推奨されるアクションで、そのサブカテゴリーの成果を達成するための具体的な行動が提案される。それに透明性と文書化の層が重なり、組織が文書化しておくべき事項と、自らに問うべき問い（たとえば「規制環境をどの程度まで定義・文書化しているか」といった自己点検の問い）が示される。さらに参考文献として、関連する標準・研究等への参照が紐づけられ、深掘りしたいときの入口になる。アクション・自己点検・参照という三層がセットになっているため、「何をやり、何を記録し、根拠をどこに求めるか」を一気通貫で追える。

重要なのは、プレイブックを上から順に全部こなすチェックリストとして使わないことだ。NIST 自身、すべてのサブカテゴリーに対応する必要はなく、組織のリソース・リスクプロファイルに応じて取捨選択すべきだとしている。実務では、前述の「4機能×成果物マッピング」を起点に、自社にとって重要なサブカテゴリーを選び、その推奨アクションを自社の成果物（ポリシー、リスクシート、評価計画等）の記述に翻訳する、という使い方が現実的である。

たとえば GOVERN 1.1（法的・規制的要件の理解とマネジメント）の推奨アクションと「透明性と文書化」の問いを、自社のAIポリシーの「適用法令」セクションと、その定期見直しプロセスに落とし込む。こうして、抽象的なサブカテゴリーが、具体的な文書・運用に変換されていく。

GenAI Profile で生成AI固有リスクを上乗せする

NIST AI RMF 本体は、伝統的AIと生成AIの双方を対象とする汎用的なフレームワークである。生成AIに固有のリスクを補うのが、2024年7月26日に公表された Generative AI Profile（NIST AI 600-1） である。これは、コンファビュレーション（ハルシネーション）、データプライバシー、有害バイアス・均質化、情報の完全性、情報セキュリティ、知的財産、CBRN情報、価値連鎖・コンポーネント統合など12のリスクカテゴリーを特定し、200を超える推奨アクションを、4機能の枠組みに沿って示している。

生成AIを業務に使う企業は、本体の4機能を土台にしつつ、リスク特定（MAP）と対応（MANAGE）の網羅性をこの GenAI Profile の12カテゴリーで点検する、という重ね方をするとよい。

AI事業者ガイドライン・ISO/IEC 42001 との使い分け

NIST AI RMF は単独で使うものではなく、国内のガイドラインや国際規格と組み合わせて初めて実務に効く。

枠組み 性格 役割
AI事業者ガイドライン（経産省・総務省） 国内ソフトロー 国内コンプライアンスの土台
NIST AI RMF（＋プレイブック） 任意のフレームワーク リスク特定・測定・管理の柔軟な実装手順
ISO/IEC 42001:2023 認証可能なマネジメントシステム規格 監査可能な仕組み・第三者認証

日本企業にとって心強いのは、AISI が AI事業者ガイドラインと NIST AI RMF の対応関係を整理した「クロスウォーク」 を公開している点である（第1版2024年4月、第2版2024年9月）。両者の「信頼できるAIの特性」の類似性や、章ごとの対応関係が整理されているため、国内ガイドラインに準拠しながら NIST AI RMF の実装手順を借りる、という併用が無理なくできる。

現実的な順序としては、(1) AI事業者ガイドラインで国内コンプライアンスの土台を固め、(2) NIST AI RMF の4機能とプレイブックでリスク特定・測定・対応の手順を具体化し、(3) 必要に応じて ISO/IEC 42001 認証で監査可能な仕組みへと固める、という三層構成が、国際的なベストプラクティスに沿う。各標準の全体像はAIリスクマネジメントの実務、国内ガイドラインの詳細は経済産業省のAIガバナンスを読み解くを併読されたい。

限界と誤解 — 「任意」ゆえの落とし穴

NIST AI RMF を導入する際に意識すべき限界は、いずれも「任意・柔軟・分野横断」という長所の裏返しから生じる。

まず、強制力がないことは着手のしやすさである一方で、形骸化の温床にもなる。導入したものの回っていない、という状態に陥りやすく、GOVERN（体制・文化・モニタリング）を疎かにすれば、フレームワークは棚に飾られるだけで終わる。次に、72サブカテゴリーという網羅性が、かえって着手の壁になることがある。全体像に圧倒されて動けなくなるか、逆に全項目を機械的に埋めようとして疲弊するか——どちらもよくある躓きで、だからこそリスクプロファイルに応じた取捨選択が大前提になる。三つめは測定そのものの難しさで、これは MEASURE の節でも触れたとおり、実験環境と現実の乖離、評価指標のゲーミング、不可解さといった本質的な困難を NIST 自身が認めている。「測れたから安全」と読み替えない節度が要る。そして見落とされがちなのが、これが米国発のフレームワークだという点だ。NIST AI RMF に準拠したからといって、日本の個人情報保護法・著作権法や EU AI Act への対応が自動的に満たされるわけではない。あくまでリスクマネジメントの手順を与えるフレームワークであって、各法域の遵守はそれぞれ別途必要になる。

これらは欠陥というより、設計思想が引き受けたトレードオフである。だからこそ実装の巧拙が成果を分ける。フレームワークは共通の見取り図を与えてくれるが、自社の文脈に合わせて取捨選択し、体制と文化に組み込んで回し続ける作業は、結局のところ各社が自ら担うほかない。

まとめ — フレームワークを「自社の成果物」に変える

NIST AI RMF は、AISI の公式日本語訳（本体＋プレイブック）の登場により、日本企業にとっても実践可能な枠組みになった。鍵は、4つの機能（GOVERN・MAP・MEASURE・MANAGE）と72のサブカテゴリーを、抽象概念のままにせず、自社の会議体・成果物・オーナーに翻訳することである。GOVERN を土台に体制と文化をつくり、MAP で文脈とリスクを枠組みし、MEASURE で信頼できるAIの7特性を測り、MANAGE で優先順位をつけて対応・運用する——この循環を、プレイブックの推奨アクションを手がかりに、自社の文書と運用へ落とし込んでいく。

そして、NIST AI RMF を単独で使うのではなく、AI事業者ガイドライン（国内の土台）、ISO/IEC 42001（監査可能な仕組み）と組み合わせ、AISI のクロスウォークで国内基準と接続することで、国内対応と国際対応を一本の線でつなげる。

リスクマネジメントは、それ自体が目的ではない。安全に任せられる範囲が広がれば、人手で抱えてきた確認・監視・例外対応の一部をAIへ移し、空いた工数を判断や対人業務といった価値の高い仕事へ再配置できる。ガバナンスは、その再配置を安心して進めるための土台にあたる。

AX Boostでは、こうしたフレームワークの「翻訳」と「実装」を、技術導入と一体で進めるFDE型コンサルティングを提供している。NIST AI RMF の4機能を自社の成果物にマッピングし、プレイブックの推奨アクションを現場の運用に落とし、PoCから本番運用への移行と同じ速度でリスクマネジメントを内製化していくことで、「フレームワークは導入したが回らない」状態を構造的に回避する支援を行っている。リスク管理の体制づくりに迷っている段階でも、自社のAI活用の現在地を一緒に棚卸しするところから着手できる。

用語の補足

  • TEVV: Test, Evaluation, Verification and Validation（テスト・評価・検証・妥当性確認）。AIシステムの品質・信頼性を確かめる一連の活動。
  • ヒューマンオーバーサイト: 人間がAIの判断を監督し、必要に応じて介入・停止できる仕組み。Human-in-the-Loop と関連する。
  • サブカテゴリー: 各機能の最小単位の達成目標。72個あり、プレイブックの推奨アクションはこの単位で記述される。

主要参照ソース

関連記事: