--- title: "AIリテラシーとは？業務で問われる判断基準と社内ルールへの落とし方" url: "https://www.issoh.co.jp/column/details/17290/" published: 2026-09-04 updated: 2026-09-04 categories: ["AI"] publisher: "株式会社一創" --- # AIリテラシーとは？業務で問われる判断基準と社内ルールへの落とし方 AIリテラシーは、AIの仕組みを説明できるかどうかではなく、目の前の業務でAIを使ってよいかを自分で判断できるかどうかで測られます。経済産業省とIPAのデジタルスキル標準は2026年4月にver.2.0へ改訂され、全てのビジネスパーソン向けのDXリテラシー標準が引き続き置かれています。ところが多くの企業でつまずくのは、標準の理解ではなく「この顧客名簿を貼ってよいか」「この出力をそのまま提案書に載せてよいか」という現場の一手です。この記事では、AIリテラシーの定義を公的基準に紐づけたうえで、入力してよい情報の線引き、出力の検証手順、著作権で問われる論点、そして研修より先に整えるべき社内ルールまでを整理します。 ## まとめ：AIリテラシーの中身と社内で先に決めるべき判断基準 AIリテラシーの実体は、知識の量ではなく判断の再現性です。同じ状況に置かれた社員10人が、同じ結論（入力してよい・確認が要る・使わない）にたどり着けるなら、その組織のAIリテラシーは機能しています。逆に判断が人によって割れるなら、講義を何回開いても事故は止まりません。 先に固めるべきものは3つあります。第一に、AIへ入力してよい情報の線引きを情報の種別ごとに書き下すこと。第二に、出力を社外に出す前の検証手順を、担当者が5分で回せる長さに設計すること。第三に、判断に迷ったときの相談先を1か所に決めることです。この3つを紙1枚にしてから研修を組むと、研修の中身が「AIとは何か」ではなく「自社ではこう判断する」に変わります。 公的な拠りどころは揃っています。デジタルスキル標準ver.2.0（2026年4月公表）が求める水準、総務省・経済産業省のAI事業者ガイドライン第1.2版（2026年3月31日公表）が示す体制、個人情報保護委員会が2023年6月2日に出した注意喚起、文化庁が2024年3月15日にまとめた著作権の考え方。この4点を自社の業務語に翻訳したものが、そのまま社内のAIリテラシー基準になります。 ## AIリテラシーの定義とITリテラシー・データリテラシーとの違い 言葉の定義から入ると抽象論で終わります。ここでは公的基準が何を求めているかを確認したうえで、隣接する2つのリテラシーとの境界を引きます。 ### デジタルスキル標準ver.2.0が全ビジネスパーソンに求める範囲 経済産業省とIPAのデジタルスキル標準は、2026年4月にver.2.0が公表されました（IPAプレス発表は2026年4月16日）。この標準は2種類に分かれ、全てのビジネスパーソンを対象とするDXリテラシー標準（DSS-L）と、専門人材向けのDX推進スキル標準（DSS-P）で構成されます。DSS-LはWhy（DXの背景）・What（データと技術）・How（利用と進め方）・マインド／スタンスの4カテゴリーで整理されており、AIに関する知識はWhatに、それを業務で使う判断はHowとマインド／スタンスに現れます。 ver.2.0の改訂で目立つのは専門人材側です。データサイエンティスト類型にAI実装・運用やAIガバナンスに関するスキルが新設され、データマネジメント類型（データスチュワード、データエンジニア、データアーキテクト）が追加されました。全社員に求められる範囲そのものが跳ね上がったわけではありません。ここを読み違えて全社員にモデルの仕組みを教え込もうとすると、コストだけが膨らみます。全社員に必要なのは、AIが何を得意とし何を保証しないかを知り、自分の業務でその性質が許容できるかを判断できる水準です。 ### ITリテラシーとの決定的な違い＝出力を検証して責任を負う工程 ITリテラシーは「与えられたツールを安全に、決められた手順で使う力」を中心に置きます。パスワードを使い回さない、公衆Wi-Fiで機密を扱わない、不審な添付ファイルを開かない。行動の正解があらかじめ決まっており、覚えれば守れる性質のものです。 AIリテラシーはここに1工程が加わります。出力が正しい保証はどこにもなく、正しさを確かめる責任は使った人に残る、という点です。表計算ソフトの合計値は疑わなくても、生成AIが出した「弊社の主要競合は3社」という一文は疑う必要があります。この差は文章の質ではなく、生成の仕組みそのものに由来するものです。だからAIリテラシーの教育は、操作手順の暗記ではなく「どこまで確かめたら自分の名前で出せるか」という基準づくりになります。責任の所在を曖昧にしたまま導入した組織ほど、誤情報が社外に出てから初めてルールを作り始めます。 ### データリテラシーと重なる領域と、教育を切り分けるときの線引き AIリテラシーとデータリテラシーは、扱う対象が一部重なります。学習データの偏りが出力の偏りを生むという理解は、統計の基本を知らないと腹落ちしません。とはいえ全社員に統計の教育を課すのは過剰です。実務では「データの読み方＝データリテラシー」「AIの出力の扱い方＝AIリテラシー」で切り分け、前者は企画・分析職、後者は全社員という配り方にすると教育コストが収まります。データの側を体系立てて整理したい場合は、[データリテラシーとは？意味・必要とされる理由から組織での高め方まで解説](https://www.issoh.co.jp/column/details/13794/)で扱う指標の読み解き方が土台になります。 切り分けの実務的な目安は、その社員が数字を作る側か、出てきた文章や数字を受け取って判断する側かです。受け取る側にまず必要なのは、出典を尋ねる習慣のほう。分析の手法を教える前に、根拠のない断定を素通りさせない癖をつけるほうが、事故の減り方は大きくなります。 ## 業務でAIに入力してよい情報と入力してはいけない情報の線引き AIリテラシーで最初に問われるのが入力の可否です。ここは感覚で運用すると必ず割れるため、根拠と分類を先に決めます。 ### 個人情報保護委員会の注意喚起が前提とする入力データの取り扱い 個人情報保護委員会は2023年6月2日に「生成AIサービスの利用に関する注意喚起等について」を公表し、同年8月には一般向けのパンフレットも出しています。注意喚起が示した論点は明快で、生成AIへ個人情報を含むプロンプトを入力する行為は、あらかじめ特定した利用目的の範囲を超えていないか、そして入力した情報が事業者側で学習に使われる可能性はないか、という2点に集約されます。 この2点は、社内ルールへ次のように翻訳できます。顧客の氏名・連絡先・購買履歴のような個人データは、利用目的に「AIによる分析」が含まれていなければ入力しない。含まれていても、入力先のサービスが学習に使わない設定になっていることを確認してから入力する。判断が付かないなら入力せず、匿名の記述に置き換えて相談する。難しい法解釈を全社員に求める必要はなく、この3行に落とせば現場は動けます。 ### 契約プランと学習への利用設定で変わる入力できる情報の範囲と限界 「生成AIに機密を入れてはいけない」という一律の禁止は、実態と合わなくなっています。法人向けプランやAPI経由の利用では、入力データを既定で学習に使わないと明示している提供事業者が主流になったためです。一方、個人が無償プランで使う場合は設定次第で学習対象に入ります。同じサービス名でも、契約形態で入力できる範囲が変わる。ここを社員が知らないまま「会社の許可したツールだから安全」と考えるのが、いちばん危ない状態です。 実務では、情シスが承認済みツールの一覧に「学習利用の有無」「データの保存期間」「保存先リージョン」の3列を付けて配るところまでをセットにします。列が埋まらないツールは承認しない。この運用にすると、社員は個別の規約を読まずに済み、判断の材料が一覧に集約されます。ツールを増やすたびに3列を埋める手間はかかりますが、事故が起きてから利用ログを追う手間よりはるかに軽く済みます。 ### 入力の可否を判断する情報の分類表と、現場に配る運用ルールの粒度 線引きは、情報の種別ごとに表にすると迷いが消えます。以下は社内規程の雛形として使える粒度の例です。自社の情報資産区分に合わせて呼び名を差し替えて使います。 | 情報の種別 | 承認済みプラン | 無償・個人プラン | 判断の勘所 | | ----------- | ------- | -------- | ------------ | | 公開済みの自社情報 | 入力可 | 入力可 | 公開済みか要確認 | | 社内の非公開文書 | 条件付きで可 | 不可 | 学習利用の設定を確認 | | 顧客の個人データ | 原則不可 | 不可 | 利用目的の範囲を超える | | 取引先の秘密情報 | 不可 | 不可 | NDAの第三者提供に該当 | | 未公表の財務・人事情報 | 不可 | 不可 | 漏えい時の影響が大きい | 粒度をこれ以上細かくすると、現場は表を読まなくなります。5行から7行に収め、判断に迷う例外は窓口へ集約するのが運用の落としどころです。取引先の秘密情報を不可にしている理由は、多くのNDAが第三者への開示を禁じており、外部のAIサービスへの入力がその開示に当たると解される余地があるためです。ここは法務の確認を一度通してから配布します。 ## AI出力の検証手順とハルシネーションを前提にした確認作業の設計 入力の次に問われるのが、出てきたものをどう扱うかです。検証を「気をつける」で済ませている限り、精度は担当者の性格に依存し続けます。 ### 一次情報との照合を組み込んだ出力チェックの5段階の手順と時間 誤りの混入は、生成の仕組みから避けられません。だから検証は、担当者の注意力ではなく手順で担保します。社外に出す文書に生成物を使う場合、次の順で確認すると5分から10分で回せます。 1. 固有名詞（企業名・製品名・人名）を1つずつ検索して実在を確かめる 2. 数値と日付を、公式サイトか一次資料で1件ずつ突き合わせる 3. 法令・制度への言及は、条番号ではなく所管省庁のページで現行かを確認する 4. 引用や出典として示されたURLを実際に開き、記載内容と一致するかを見る 5. 自社の見解として言い切っている箇所を、社内の判断と合っているか読み返す 時間がかかるのは2と4です。逆に言えば、数値と出典を含まない文章の下書きに生成AIを使う分には、検証負荷はほとんど発生しません。この非対称性を社員が理解すると、AIを使う場面の選び方が自然に変わっていきます。 ### 検証コストが成果に見合わない使い方と、AIに任せない業務の条件 ここは言い切ります。検証に元の作業と同じ時間がかかる業務では、AIを使わないほうが速い。具体的には、社内の非公開データに基づく事実の要約、少人数の専門家しか正誤を判定できない技術仕様の作成、そして誤りが即座に金銭的損失につながる見積の算出です。この3つは、下書きの速さより検証の重さが勝ちます。 反対に、検証コストが小さく効果が出るのは、構成案の列挙、既存文章の言い換え、議事メモの整形、翻訳の下訳といった「元の情報が手元にあり、正誤の判定が読めば済む」作業です。同じツールでも、指示の書き方で検証量は変わります。前提と制約を書き込んで出力の幅を狭める考え方は、[プロンプトエンジニアリングとは？4要素と手法の使い分け・資格までを解説](https://www.issoh.co.jp/column/details/3613/)で扱う手法がそのまま検証コストの削減に効きます。使わない判断も含めて選べる状態が、リテラシーが身についた状態です。 ## 生成物の著作権と権利侵害で判断が分かれる場面と社内の確認基準 著作権は、社員が最も判断に迷い、かつ独学では正解にたどり着きにくい領域です。文化庁の整理を業務の言葉に翻訳しておきます。 ### 生成・利用の段階で問われる類似性と依拠性という2つの判断基準 文化庁の文化審議会著作権分科会法制度小委員会は、2024年3月15日に「AIと著作権に関する考え方について」をまとめました。この文書自体は法的拘束力を持つものではないと明記されていますが、実務の拠りどころとして広く参照されています。整理の骨子は、AIと著作権の問題を開発・学習の段階と生成・利用の段階に分けて考える点にあります。 社員が直面するのは後者です。生成・利用の段階では、既存の著作物との類似性と、その著作物に依拠して作られたかという依拠性の2つが問われます。既存作品を狙って似せる指示を出していれば、生成物が偶然似た場合とは明確に異なる扱いです。したがって社内の確認基準は「特定の作品名・作家名・キャラクター名を指示に入れていないか」「出力が既存の何かに酷似していないか」の2点に絞れます。2024年7月31日には同庁から「AIと著作権に関するチェックリスト＆ガイダンス」も公開されており、社内資料を作る際の下敷きに使えます。 ### 画像生成とコード生成でつまずきやすい社内確認の抜けと、その塞ぎ方 抜けが起きやすいのは、著作権法の議論とは別に、サービスの利用規約が商用利用の条件を定めている点です。生成物の権利関係が法律上グレーでなくても、規約で商用利用が制限されていれば使えません。判断の順序は、規約の確認が先、著作権の検討が後になります。画像の実務判断は[画像生成AIの商用利用はどこまで可能か？著作権・規約・企業導入の判断基準を解説](https://www.issoh.co.jp/column/details/16416/)に条件別で整理しています。 コード生成では別の穴が開きます。生成されたコードが特定のライセンス下のコードと同一だった場合、ライセンス条項の遵守義務が発生し得ます。対策は単純で、生成コードをそのまま本番に入れる前に、既存の依存関係とライセンスを検査する工程を通すこと。この工程はAI以前から存在するはずのもので、AIの導入で新しく作る必要はありません。塞ぎ方の要点は、既存のレビュー工程に生成物を通す一行を足すだけ、という設計にあります。 ## AIリテラシー研修が空回りする組織の条件と先に整えるべきもの ここからは実施の判断です。研修を打つ前に見るべき条件と、順序を間違えたときに起きることを整理します。 ### 研修の前に入力ルールと相談窓口を固めておくべき企業の3つの条件 次の3つのいずれかに当てはまる企業は、研修より先にルールと窓口を作るほうが投資対効果が高くなります。第一に、社員が個人アカウントで生成AIを既に使っている。第二に、承認済みツールの一覧が存在しない、または更新が止まっている。第三に、判断に迷ったときの相談先が「上長」としか決まっていない。 この状態で講義だけ実施すると、社員は「気をつけよう」と思ったまま個人アカウントに戻ります。会社が把握しないまま業務利用が広がる状況は[シャドーAIとは？無断利用が招く情報漏洩リスクと企業の対策を解説【2026年版】](https://www.issoh.co.jp/column/details/13379/)で扱うとおり、教育ではなく可視化と受け皿の問題です。順序としては、承認ツールを配る、入力の分類表を配る、窓口を1か所に決める、そのうえで研修で判断を練習する。この順に組むと、研修の演習に自社の実例を持ち込めるようになります。 ### 全社一律のAIリテラシー研修を見送るべき場面と失敗のパターン 全社一律の研修を見送るべき場面もあります。業務でAIに触れる社員が全体の2割に満たず、しかも触れる部署が特定できている場合です。この状況で全社員を集めても、大半の受講者にとっては自分の業務と接点のない座学になり、判断の練習になりません。対象を絞り、実際に使う部署へ深く入れるほうが定着します。 典型的な失敗は3つあります。ツールの操作説明に時間の大半を使い、判断の練習をしないまま終わるパターン。禁止事項だけを並べて、社員が萎縮して使わなくなるパターン。そして、研修を実施した事実だけが記録に残り、その後のルール更新が止まるパターンです。AI事業者ガイドラインは第1.2版（2026年3月31日公表）まで改訂が続いており、判断の前提は動き続けます。1回で終わる施策として設計した時点で、その研修は陳腐化を織り込めていません。 ### 業務での判断基準に紐づけてリテラシーの到達水準を定義する手順 水準は、資格の有無ではなく業務の判断で定義します。たとえば「顧客名を含む文書をAIに入力してよいか、根拠を挙げて説明できる」「生成した文章を社外に出す前に、どの5項目を確認するか言える」「相談すべき案件かどうかを自分で切り分けられる」。この3つを到達水準にすれば、達成しているかどうかは面談でも簡単な確認テストでも測れます。 階層別に分けるなら、一般社員は判断と相談、管理職はそこに承認の責任が加わり、推進担当はルールの更新まで担います。この設計を自社だけで組み立てるのが難しい場合、階層別のカリキュラム設計から効果測定までを外部に委ねることも選択肢の一つです。[生成AI研修・AI人材育成](https://www.issoh.co.jp/service/ai/training/)では、自社の業務と社内ルールを前提に、判断の練習に重心を置いた研修の設計から支援しています。実施したあとに何を測るかまで決めてから始めると、次の改訂につながります。 ## よくある質問 AIリテラシーの社内展開でよく寄せられる質問を、判断の基準とあわせて整理します。 ### AIリテラシーとITリテラシーはどちらから教えるべきですか？ ITリテラシーが未整備なら、そちらが先です。パスワードの使い回しや私物端末での業務が残っている組織にAIの教育を重ねても、情報が外へ出る経路が塞がっていません。逆に、情報の取り扱いルールが既に機能している組織なら、AIリテラシーから入って問題ありません。判断材料は、直近1年で情報の取り扱いに関するインシデントが発生したかどうか。発生していれば土台の側から手を付けます。 ### 生成AIパスポートやG検定は社内の水準づくりに使えますか？ 共通言語を作る用途では機能します。用語と論点の範囲が定まるため、部署をまたいだ議論の前提が揃います。ただし合格が業務での判断能力を保証するわけではありません。資格取得を目標に置くと、自社固有の判断基準（入力してよい情報の範囲、承認済みツール）が抜け落ちます。外部資格は共通言語、社内基準は判断の実装、と役割を分けて併用するのが現実的な使い方です。 ### AIに入力してよい情報の線引きは誰が決めるべきですか？ 情報資産の管理部門（情シスまたは総務）が原案を作り、法務が個人情報とNDAの観点で確認し、経営が承認する形が回りやすい体制です。現場に決めさせると業務効率を優先した緩い線になり、法務だけに決めさせると使えない厳しさになります。原案は既存の情報資産区分（公開・社外秘・秘）に1列足すだけで作れるため、ゼロから設計する必要はありません。 ### AIリテラシー研修の頻度はどのくらいが妥当ですか？ 新規のカリキュラムを年1回、ルール改訂の周知を随時、という組み合わせが現実的です。AI事業者ガイドラインは2024年4月の策定後、第1.01版、第1.1版、第1.2版と改訂が続いており、社内ルールもそれに合わせて動きます。全社員を集め直すのは年1回として、改訂の告知は社内ポータルと承認ツール一覧の更新で回すと運用が保ちます。 ### 出力をそのまま社外に出してよい業務はありますか？ 固有名詞・数値・出典・法令への言及をいずれも含まない文章に限れば、検証を軽くしても実害が出にくくなります。定型の案内文の言い換えや、社内で確定済みの内容の整形が該当します。それ以外は、本文で挙げた5段階の確認を通してから出す。判断の境目は文章の重要度ではなく、検証が必要な要素を含むかどうかに置くと運用が単純になります。 ## 関連記事 - [生成AI研修とは？階層別カリキュラムの設計・効果測定と外部委託の判断軸](https://www.issoh.co.jp/column/details/15997/)：本記事で定義した到達水準を、実際のカリキュラムへ落とし込む段階で読む記事です。 - [AIセキュリティとは？AI固有のリスクと企業に必要な対策・体制を解説](https://www.issoh.co.jp/column/details/15306/)：入力の線引きを、技術的な防御と体制側から補強する視点をまとめています。 - [プロンプトとは？生成AIへの指示文の意味と書き方・回答精度を上げる設計手法を解説](https://www.issoh.co.jp/column/details/12963/)：出力の検証量を減らす指示の書き方を、基本から確認できます。 - [ハルシネーション（AI）とは？意味・原因・種類・対策を実例で解説](https://www.issoh.co.jp/tech/details/4472/)：なぜ誤りが混入するのか、仕組みの側から理解したい場合の解説です。 --- 出典: [AIリテラシーとは？業務で問われる判断基準と社内ルールへの落とし方]()（株式会社一創）