ARTICLE

受託AI開発における顧客データの安全な取り扱いガイド|マスキング3パターン・名寄せ設計・NDA AI条項・3ステップ開発アプローチ【2026年版】

2026/9/16

SHARE

受託AI開発における顧客データの安全な取り扱いガイド|マスキング3パターン・名寄せ設計・NDA AI条項・3ステップ開発アプローチを徹底解説【2026年版】

受託

受託AI開発における顧客データの安全な取り扱いガイド|マスキング3パターン・名寄せ設計・NDA AI条項・3ステップ開発アプローチ【2026年版】

ARTICLE株式会社renue
renue

株式会社renue

2026/9/16 公開

renueについて

renueは、AIで業務を実装する会社です

AIコンサルティングから図面AI・広告運用エージェント・コールセンターAIまで、実際に動いているサービスをご覧いただけます。renueが何をしている会社か、まずはサービス一覧からご確認ください。

顧客データを使う前に取り扱い条件を確認する

受託AI開発で顧客からデータを受領する際、本記事では「個人情報はマスキング処理し、キー項目は仮番号に変換して提供」を開発初期の運用方針とします。AI開発にデータは不可欠ですが、顧客との合意や利用目的・必要な安全管理を確認せず生データを開発環境に入れることは、NDA違反・個人情報保護法違反のリスクを伴います。生データの利用が常に違法という意味ではなく、利用目的の達成に必要な委託の範囲や契約、安全管理措置・委託先の監督等を確認します。(出典:個人情報保護委員会:委託・安全管理)

本記事では、受託AI開発における顧客データの安全な取り扱いを、マスキング設計からNDA条項のAI対応まで実践的に解説します。

データ受領前に合意すべき5項目

項目合意内容具体例
マスキング方針個人情報の処理方法氏名→匿名ID、住所→都道府県のみ
キー項目の変換紐付け用IDの仮番号化個人識別コード→仮番号(顧客側でマッピング保持)
対象期間分析に使うデータの範囲2024年1月1日以上、2026年1月1日未満の24か月分
除外データ使わないデータの明示外部連携チャネルのログなど、他データと紐付けできないものは除外
提供方法データの受け渡し手段暗号化ファイル共有サービス経由

マスキング設計の3パターン

パターン1:匿名化を目的とした加工・集計

氏名等の削除や属性の一般化、必要に応じた集計で、個人を識別する情報を減らします。法令上の匿名加工情報にする場合は所定の加工基準が必要で、氏名等の削除だけで該当するとは限りません。(出典:加工基準・匿名加工情報と統計情報)

  • 適用場面:統計分析・傾向分析など、個人の特定が不要な場合
  • 方法:氏名・住所・電話番号を削除、年代・地域などの属性のみ残す
  • メリット:個人の識別につながる情報を減らせる。匿名加工情報にも公表・識別行為の禁止等の義務があり、法の対象外となる統計情報とは別。統計情報は個人との対応関係が排斥されていることが条件
  • デメリット:集計して個人との対応関係をなくす場合、個人単位のパーソナライズには使えない

パターン2:仮番号変換(推奨)

個人を特定できる情報を仮番号に変換し、マッピングテーブルは顧客側のみが保持します。

  • 適用場面:個人単位の分析が必要だが、開発者が個人を特定する必要がない場合
  • 方法:個人識別コード→仮番号、顧客ID→連番に変換。マッピングは顧客側で管理
  • メリット:仮番号を使って個人単位の分析を続けながら、直接の識別情報へのアクセスを減らせる。ただし対応表を渡さなくても、残る属性や他の情報との照合で識別できる場合がある(出典:他の情報との照合による識別、仮名加工情報の要件)
  • デメリット:マッピング管理が顧客側に必要

パターン3:アクセス制御型

データ自体はマスキングせず、アクセス権限で制御します。

  • 適用場面:実データでの精度検証が必要な最終段階
  • 方法:顧客環境内でのみ生データにアクセス。開発環境にはコピーしない
  • メリット:実データの分布や品質を反映した検証ができる。検証結果の正確さは評価データ・方法等による
  • デメリット:開発の柔軟性が低い

複数アカウント問題の名寄せ設計

顧客データでよくある課題が「1人の人物が複数アカウントを保有している」問題です。

名寄せロジックの設計

  1. キーとなるIDの特定:どのコードで人物を一意に特定するか(例:業務上の識別コード)
  2. 統合ルールの定義:同一人物の複数レコードをどう統合するか
  3. 統合不可能なケースの扱い:自動統合できないケースは手動確認の対象として分離

名寄せの精度問題

名寄せには完璧はありません。初期段階では個人単位のインサイト抽出ではなく、より粗い集団単位での分析に方針を置くことで、名寄せ精度の影響を軽減できます。

AI開発用データセットの設計

ETL(データ整形)の標準工程

  1. 文字コード・日付フォーマットの統一
  2. キー項目による名寄せ(例:業務上の一意な識別コードで対象者を特定)
  3. 複数アカウントの1人への統合
  4. 除外データの排除(例:他データと紐付けできない各種チャネルの連携ログ)
  5. 分析軸の分類(例:属性グループ単位に分類)
  6. 個人情報マスキングの最終確認

データ更新の仕組み設計

デモ段階ではCSVを直接読み込む構成でも動きますが、顧客にアプリを渡した後にデータ更新ができないという問題が発生します。

対策として、以下の仕組みを設計します。

  • 顧客が新データをファイル共有に格納
  • 自動スクリプトが起動し、ETLを経てDBに反映
  • 手動作業不要でデータが更新される

NDA条項のAI対応

AIを使う受託開発では、以下のAI固有の条項を契約上の検討項目とします。サービスの名称だけで安全性を判断せず、対象データ・機能・設定と契約条件を具体化します。例えばOpenAI APIは明示的に共有へ同意しない限り入力等をモデル学習に使わないと説明していますが、不正利用監視ログや機能別のデータ保存は別に定めています。学習不使用と外部送信・保存なしは同じ意味ではありません。(出典:学習利用と保存の条件)

NDAに含めるべきAI条項

条項内容
AI定義「AI」「生成AI」を契約内で精密に定義する
学習禁止機密データをAIモデルの学習・ファインチューニングに使用しない
第三者AIツール第三者のAIツールに機密情報を送信する場合は事前書面承諾を要する
エンタープライズAI対象サービス・機能・送信データ、学習利用、保存場所/期間、再委託、削除等の条件を定め、必要な顧客の承諾を得た企業向け版・プライベートAIツールの使用を許可
違反時の救済第三者AIツール経由の情報漏洩に対する救済措置を明記

AIツール使用時の判断フロー

顧客データをAIに入力したい
  ├ エンタープライズ版(学習不使用等の契約・設定と必要な顧客承諾を確認済み)→ 許可
  ├ パブリックAPI(学習利用・保存条件はサービスと設定ごとに異なる)→ 要確認
  └ 無料版(本記事の運用方針では使用しない)→ 禁止

3ステップ開発アプローチ

顧客データを扱うAI開発は、以下の3ステップで進めます。

  1. 外部DBデモ:マスキング済みデータでプロトタイプを構築。顧客にデモを見せてフィードバック
  2. 社内システム接続:顧客環境内で実データに接続。精度を検証
  3. 運用設計:データ更新の自動化、アクセス権限、監査ログの整備

ステップ1では生データを一切使わず、ステップ2では顧客環境内でのみアクセスし、ステップ3で運用体制を整える——この段階的アプローチにより、データリスクを最小化しながら開発を進められます。

データ分類と保護レベル

分類保護レベル取り扱い
個人識別情報(PII)最高マスキング必須、開発環境に入れない
業務データ(売上等)高NDA範疇、集計値のみ開発環境に可
マスタデータ(コード体系)中仮番号化して開発環境に可
公開情報(業界統計等)低提供元の利用条件、出典表示、第三者の権利等を確認。数値自体など著作権の対象外の情報とは区別する(出典:e-Statの公開情報の利用条件)

まとめ:顧客データ取り扱いチェックリスト

フェーズチェック項目
受領前マスキング方針・キー変換・除外データが合意されているか
受領前NDAにAI条項(学習禁止・第三者ツール制限)が含まれているか
受領時個人情報がマスキング済みであることを確認したか
ETL名寄せ・統合・除外・分類の工程が文書化されているか
開発中AIツールに生データを入力していないか
納品前開発環境にマスキング前のデータが残っていないか
運用データ更新の自動化・アクセス権限・監査ログが整備されているか

顧客データの安全な取り扱いは、受託AI開発の信頼の基盤です。マスキング設計・NDA条項・3ステップ開発の3つを徹底し、データリスクをゼロに近づけてください。

あわせて読みたい

AI活用のご相談はrenueへ

renueは自社開発のAIツールを自社運用する「自社実証型」AIコンサルティングファームです。

→ AIコンサルティングの詳細を見る

関連記事

PMOコンサルティングのご相談はrenueまで。

SHARE

FAQ

よくある質問

利用目的や契約に反する扱い、安全管理の不備は、個人情報保護法違反・漏えい時の賠償・信頼関係の毀損につながるためです。生データの利用そのものが一律に禁止されているわけではありません。利用目的、委託する範囲、契約、安全管理措置と委託先の監督等を確認し、本記事では開発初期にマスキングを行う方針を採ります。出典:https://www.ppc.go.jp/personalinfo/legal/guidelines_tsusoku/

本記事で比較するのは、匿名化を目的とした削除・一般化・集計、仮番号変換(氏名等をA001などのIDに置換)、アクセス制御型(生データは顧客環境内で扱う)の3つです。アクセス制御はデータ加工そのものではありません。また、これらは法令の3区分ではなく、単なるID置換や削除で法令上の仮名加工情報・匿名加工情報になるとは限りません。用途と識別可能性、必要な加工基準・取扱義務に応じて選択します。出典:https://www.ppc.go.jp/personalinfo/legal/guidelines_anonymous/

学習利用を認める範囲、AI生成物に権利が生じる場合の帰属・利用条件、中間データの扱い、開発終了後の削除等を、NDAや開発委託契約・利用規約の関係を整理して明文化するためです。AI生成物に著作権が生じるかは人の創作意図・創作的寄与等の個別事情によって判断され、契約に帰属を書くだけで当然に著作権が発生するわけではありません。第三者の権利侵害の有無も別に確認します。出典:https://www.bunka.go.jp/seisaku/bunkashingikai/chosakuken/pdf/94057901_01.pdf / https://developers.openai.com/api/docs/guides/your-data

Step 1(マスキング済みサンプルデータでPoC)→Step 2(セキュアな開発環境で本番データを使った開発)→Step 3(データ更新の自動化・アクセス権限・監査ログの整備という運用設計)の3段階です。各ステップでデータの取り扱いルールを明確にしてから進めます。

主に、データ取扱契約(DPA)と再委託の可否、保存場所と保存期間、暗号化(保存・転送)、アクセス制御と監査ログ、IPアドレス/IDによる利用制限、データ持ち出し禁止と作業環境の隔離、PII/秘匿情報のマスキング・名寄せ設計、AI学習利用の禁止条項、削除手続と証跡、外部委託先のセキュリティ評価、インシデント対応と通知義務、業界規制(金融・医療・公共)への適合、です。AI開発は便利な反面、機密データの取扱が事業の信頼を直接左右するため、設計初期からプライバシー・バイ・デザインの考え方で組み立てることが、長期的な顧客関係と事業継続性を支える鍵となります。

renueについて

renueは、AIで業務を実装する会社です

AIコンサルティングから図面AI・広告運用エージェント・コールセンターAIまで、実際に動いているサービスをご覧いただけます。renueが何をしている会社か、まずはサービス一覧からご確認ください。

AI導入・DXの悩みをプロに相談してみませんか?

AIやDXに関する悩みがありましたら、お気軽にrenueの無料相談をご利用ください。renueのAI支援実績、コンサルティングの方針や進め方をご紹介します。

無料資料をダウンロード