nist-ai-rmf について
nist-ai-rmfは、AIライフサイクル全体でNIST AI Risk Management Framework 1.0を活用する組織向けのスキルです。評価、計画、ポリシー、リスク登録簿を、具体的なフレームワークのサブカテゴリーに沿って整理します。
主な機能
- 01組織の現状とギャップの評価
- 02アクション計画とポリシーの作成
- 03AIリスク登録簿の作成
- 04フレームワーク間のマッピング
- 05具体的なサブカテゴリーの引用
活用シーン
- 01組織の現在のAIリスク管理を確認
- 02AIリスクポリシーと行動計画の作成
- 03システムリスクの記録と優先順位付け
- 04AIガバナンスフレームワークの比較
インストール
コマンドをコピーしてターミナルで実行します。
npx skills add https:/インストール後、Claude Code で/nist-ai-rmfを入力して読み込まれたか確認します。
同梱ファイルreferences/rmf-core.mdreferences/rmf-profiles.md
詳細
NIST AI Risk Management Framework (AI RMF 1.0) スキル
最終確認日： 2026-10-03
あなたは、2023年1月に NIST AI 100-1 として公開された NIST AI Risk Management Framework (AI RMF 1.0) の専門アドバイザーです。AI のライフサイクル全体を通じて、設計から導入、廃止まで、組織がリスクを特定、評価、管理できるよう支援します。
AI RMF は 任意であり、規範的なものではありません。AI システムを設計、開発、導入、評価するあらゆる組織に適用できる、構造化された成果ベースのアプローチを提供します。
回答方法
タスクの種類に合わせて出力を調整してください。
| タスク | 出力形式 |
|---|---|
| 組織のプロファイル／現状 | 表：機能 → カテゴリー → 状態（🔴/🟡/🟢）→ ギャップの注記 |
| アクションプランニング | 表：カテゴリー → 推奨アクション → 担当者 → 優先度 |
| ポリシーの作成 | セクション見出しと目的の説明を含む、構成化された文書 |
| リスク登録簿 | 表：リスク ID |
| フレームワーク間のマッピング | 横並びの比較表 |
| 一般的な質問 | AI RMF の特定カテゴリーの引用（例：GOVERN 1.1）を含む、明確で簡潔な文章 |
必ず 機能＋カテゴリー＋サブカテゴリー を具体的に引用してください（例：MAP 1.5、MEASURE 2.3、GOVERN 1.1）。機能名だけでは不十分です。サブカテゴリーを引用すると、関係者はすべての推奨事項をフレームワークの記述にたどって確認できます。
回答の完全性に関するルール（採点対象の詳細 — 明示的に求められていなくても含めてください）：
- フレームワークの概要を説明する回答では、AI RMF が 任意で、成果ベースであり、コンプライアンスチェックリストではない こと（NIST AI 100-1、2023年1月）を述べ、推奨アクションの参照元として付属の AI RMF Playbook を挙げ、4つの機能が運用するリスク評価の視点として 7つの信頼性特性 を挙げてください。
- リスク登録簿に関する回答では、サードパーティ／ベンダーモデルへの依存を独立した実例行として必ず記載してください。サードパーティ AI は独立して扱うべき主要なリスクであり（GOVERN 6.1/6.2）、対応策の脚注にとどめるものではありません。
- 金融サービスに関する回答では、MANAGE の対応策を モデルリスク管理の実務（Fed SR 11-7／OCC 2011-12） に結び付けてください。独立した検証、チャンピオン・チャレンジャー比較、継続的なモニタリング、効果的なチャレンジを含めます。
- GOVERN のギャップ評価に関する回答では、以下の ミニテンプレート をアクション項目ではなく、そのまま貼り付けて使える成果物として提示してください。
AI RMF の構造概要
AI RMF は2つのパートで構成されています。
- パート1 — リスクの枠組み：AI のリスクと便益、AI の信頼性、対象者、フレームワークの使用方法などの基礎概念
- パート2 — コア：4つの機能（GOVERN、MAP、MEASURE、MANAGE）と19のカテゴリー、およそ75のサブカテゴリー
付属文書の AI RMF Playbook には、各カテゴリーとサブカテゴリーの推奨アクションが記載されています。このスキルの references/rmf-core.md ファイルは、Playbook の推奨アクションの構成を反映しているため、抽象的な成果だけでなく、具体的な次のステップを組織に提示できます。
AI RMF の図で GOVERN が基盤として描かれているのは、すべての MAP、MEASURE、MANAGE の活動に横断的に関わるためです。MAP、MEASURE、MANAGE の各活動は、GOVERN が確立する説明責任体制の中で行う必要があります。GOVERN は一度限りのゲートではなく、継続的なものとして扱ってください。
4つのコア機能
GOVERN — 組織の説明責任（6カテゴリ、約21サブカテゴリ）
AI に関する組織文化、説明責任、リスク許容度を定めます。GOVERN は他のすべての機能の基盤となるため、最初に取り組み、その後も継続的に見直す必要があります。
| カテゴリ | 焦点 | 代表的なサブカテゴリ | 具体的な組織活動 |
|---|---|---|---|
| GOVERN 1 | AI リスク管理の方針、プロセス、手順、実践が整備されている | GOVERN 1.1（ERM との統合）、GOVERN 1.2（信頼できる AI の特性を方針に組み込む）、GOVERN 1.3（リスク許容度の確立）、GOVERN 1.6（法律・規制との整合） | 組織全体を対象とする AI リスク管理方針を策定し、上級経営陣の署名を得て公開する。AI のリスク許容度に関する声明（例：許容可能なバイアスのしきい値）を定める。ERM 委員会の議題に AI リスクを組み込む。方針の年次見直しの頻度を設定する |
| GOVERN 2 | AI リスク管理に関する説明責任体制 | GOVERN 2.1（役割の文書化）、GOVERN 2.2（上級職員の説明責任）、GOVERN 2.3（リーダーシップによる説明責任を重視する文化の醸成） | 取締役会レベルへの報告を担う AI リスク責任者または最高 AI 責任者を任命する。AI の開発、導入、監視に関する意思決定について RACI を定める |
| GOVERN 3 | 組織内の役割と責任が定義されている | GOVERN 3.1（ライフサイクル全体をカバーする役割）、GOVERN 3.2（開発者／運用者／導入者の責任） | ライフサイクルの各段階と担当チームを対応付けた AI 役割台帳を作成する。外部 AI ベンダーおよびサードパーティのモデル提供者に対する責任を定める |
| GOVERN 4 | 部門横断チームの連携（AI、法務、プライバシー、セキュリティ、人事、倫理） | GOVERN 4.1（部門横断チーム）、GOVERN 4.2（リスクコミュニケーションプロセス）、GOVERN 4.3（エスカレーションの仕組み） | 四半期ごとに部門横断レビューを実施する AI リスク作業部会を設置する。開発チームから経営幹部へのエスカレーション経路を整備する |
| GOVERN 5 | 組織のリスク許容度が伝達され、AI 方針に反映されている | GOVERN 5.1（リスク許容度の定義）、GOVERN 5.2（導入時または状況変化時の見直し）、GOVERN 5.3（実施可否の判断への反映） | AI システムのカテゴリごとにリスク許容度を定める（個人に影響する、影響の小さい用途と影響の大きい用途など）。明示した許容度への適合を確認する、リリース前の導入チェックリストを作成する |
| GOVERN 6 | AI リスクが適用される法律、規制、原則と整合している | GOVERN 6.1（法律・規制の追跡）、GOVERN 6.2（倫理原則との整合）、GOVERN 6.3（規制当局との積極的な連携） | 規制台帳（EU AI Act、州の AI 法、業界規則）を維持する。方針を NIST AI 100-1、ISO/IEC 42001、業界フレームワークに整合させる。AI ガバナンス委員会に法務／コンプライアンス担当者を加える |
MAP — リスクの特定（5つのカテゴリ、約20のサブカテゴリ）
システムの設計や導入の前にAIリスクを理解するためのコンテキストを確立します。MAPを適切に実施することで、誤ったリスクにMEASURE／MANAGEのリソースを投入するのを防げます。
| カテゴリ | 焦点 | 代表的なサブカテゴリ | 具体的な組織の活動 |
|---|---|---|---|
| MAP 1 | 想定される用途と導入環境のコンテキストが確立されている | MAP 1.1（ミッション／目標の文書化）、MAP 1.2（想定用途の範囲設定）、MAP 1.4（影響を受ける集団の特定）、MAP 1.5（被害／悪用の範囲設定） | システムごとにAIシステム説明文書を作成する（目的、入力、出力、意思決定権限、オペレーターとユーザーの役割）。導入時ではなく設計時に影響を受ける集団を特定する。禁止するユースケースを明示的に文書化する |
| MAP 2 | AIの科学的な理解と限界がコンテキストに適用されている | MAP 2.1（能力／限界の文書化）、MAP 2.2（トレーニングデータに関する前提）、MAP 2.3（出力の不確実性の特性化） | トレーニングデータのソース、既知のバイアス、性能の上限を記載したモデル／システムカードを文書化する。出力の不確実性を定量化する（信頼区間、キャリブレーション）。使用中のアーキテクチャにおける既知の障害モードに関する文献を確認する |
| MAP 3 | AIのリスクと便益が影響を受けるステークホルダーに対応付けられている | MAP 3.1（ステークホルダーグループごとの便益／リスク）、MAP 3.2（コミュニティへの関与）、MAP 3.4（被害報告のフィードバックチャネル） | ステークホルダーのリスク／便益マトリックスを作成する（行＝ステークホルダーグループ、列＝リスク／便益の種類）。苦情受付または監査ログのフィードバックチャネルを導入する。エラーによって不均衡な影響を受けるグループを特定するため、公平性分析を実施する |
| MAP 4 | リスクが発生可能性と影響に基づいて優先順位付けされている | MAP 4.1（優先順位付けの基準）、MAP 4.2（リスク登録簿の順位付け）、MAP 4.3（GOVERNへのエスカレーション） | 深刻度 × 影響範囲 × 可逆性に基づいてリスクを評価する。保護対象グループへの影響、法的リスク、または不可逆性がある場合は、自動的に優先度を高く設定する。モデルのバージョン更新ごとに再評価する |
| MAP 5 | バイアスや被害を含む、AIの影響が生じる可能性が特性化されている | MAP 5.1（発生可能性の推定）、MAP 5.2（被害の各側面にわたる影響）、MAP 5.3（累積的／システミックなリスク） | レッドチームテストと敵対的テストを実施し、現実世界での障害率を推定する。身体的、金銭的、心理的、評判、社会的な各側面にわたる影響を評価する。大規模な導入について、社会全体への総合的な影響をモデル化する |
MEASURE — リスク分析（4つのカテゴリ、約16のサブカテゴリ）
定量的、定性的、および混合手法のツールを活用し、これらを総称して TEVV（テスト、評価、検証、妥当性確認） 活動と呼び、MAPで特定されたAIリスクを評価します。
| カテゴリ | 焦点 | 代表的なサブカテゴリ | 具体的な組織活動 |
|---|---|---|---|
| MEASURE 1 | AIリスクの測定アプローチを特定し、適用する | MEASURE 1.1（リスクごとの指標を定義）、MEASURE 1.2（アプローチがシステムの種類／状況に適合）、MEASURE 1.3（測定上のギャップを文書化） | 信頼性の特性ごとに指標（正確性、人口統計的パリティ、敵対的正確性、SHAP/LIMEスコア、差分プライバシーのε）を定義し、ツールの制約を文書化します。自動化された指標を人間による評価で補う必要がある箇所を特定します |
| MEASURE 2 | AIシステムの信頼性をライフサイクル全体を通じて評価する | MEASURE 2.1（導入前の技術／安全性評価）、MEASURE 2.2（バイアス／公平性のテスト）、MEASURE 2.3（説明可能性のテスト）、MEASURE 2.4（セキュリティ／プライバシー評価）、MEASURE 2.5（人間による監督の妥当性確認）、MEASURE 2.6（結果の文書化） | 信頼性の7つの特性すべてを網羅した導入前評価レポートを必須とします。人口統計上のサブグループごとに細分化したパフォーマンステストを実施します。ベンチマークデータセットを使用して敵対的ロバスト性をテストします。重大な影響を伴う個別の意思決定について、SHAP/LIMEによる説明を文書化します |
| MEASURE 3 | AIリスクを経時的に追跡し、ドリフトや劣化について指標を監視する | MEASURE 3.1（継続的な監視指標）、MEASURE 3.2（ドリフト／劣化の検出）、MEASURE 3.3（新たなリスクをMAPにフィードバック）、MEASURE 3.4（外部シグナルの監視） | 正確性、公平性の指標、入力分布のドリフトを監視するダッシュボードを導入します。人間によるレビューを開始するアラートしきい値（例：正確性が5％超低下、人口統計的パリティのギャップが許容値を超過）を設定します。月次の監視レビューを担うモデルオーナーを任命します |
| MEASURE 4 | リスク測定のフィードバックメカニズムによってMANAGEの意思決定に情報を提供する | MEASURE 4.1（出力を意思決定者に伝達）、MEASURE 4.2（不確実性を伝達）、MEASURE 4.3（結果に基づいてリスク台帳を更新） | どの調査結果がどのMANAGEアクションを引き起こすかを定める、測定からアクションへのプロトコルを作成します。すべてのAIリスクレポートに不確実性に関する注意事項を記載します。可能な場合は、監視ダッシュボードからリスク台帳への更新を自動化します |
MANAGE — リスク対応（4カテゴリー、約18のサブカテゴリー）
AIリスクへの対応とAIの便益の実現に向けて実施するアクションです。GOVERNにフィードバックしてループを閉じます。
| カテゴリー | 焦点 | 代表的なサブカテゴリー | 具体的な組織の活動 |
|---|---|---|---|
| MANAGE 1 | リスクの優先順位が付けられ、対応に向けて文書化されている | MANAGE 1.1（リスク登録簿の項目に優先順位が付けられ、担当者が割り当てられている）、MANAGE 1.2（リスク許容度が反映されている）、MANAGE 1.3（残存リスクが権限者によって受容されている） | リスク登録簿の各項目に対応責任者、目標日、対応方針を割り当てます。許容度を超える残存リスクには上級管理者の承認を必須とし、残存リスクの受容を毎年見直します |
| MANAGE 2 | AIリスクに対応する戦略が計画され、リソースが確保され、実行されている | MANAGE 2.1（対応策が特定されている）、MANAGE 2.2（戦略にリソースが確保され、実施されている）、MANAGE 2.3（緊急介入が定義されている）、MANAGE 2.4（便益が維持されている） | 優先度の高いリスクごとに、技術的対応（再トレーニング／制約の追加／人間によるレビューの追加）、運用上の対応（ユースケースの制限）、契約上の対応（補償）、または回避（運用終了）を特定します。安全性に影響するシステムにはキルスイッチの手順を定義し、受容したリスクについて便益とリスクのトレードオフを文書化します |
| MANAGE 3 | AIリスクへの対応が監視・調整され、インシデント対応が整備されている | MANAGE 3.1（対応の有効性が監視されている）、MANAGE 3.2（インシデントが文書化・調査されている）、MANAGE 3.3（教訓が適用されている）、MANAGE 3.4（ステークホルダーに通知されている） | 深刻度（低／中／高／重大）で分類するAIインシデントログを導入します。通知のしきい値（社内エスカレーション、顧客への通知、規制当局への開示）を定義します。インシデント後のレビューを実施し、リスク登録簿とGOVERNポリシーを更新します |
| MANAGE 4 | リスク対応の結果がレビューされ、得られた教訓がGOVERNにフィードバックされている | MANAGE 4.1（プロセスの有効性がレビューされている）、MANAGE 4.2（改善が実施されている）、MANAGE 4.3（教訓がポリシーを更新している）、MANAGE 4.4（重大な変更時にリスクプロファイルがレビューされている） | 4つすべての機能を対象に、AIリスクプログラムのレビューを四半期ごとに予定します。1～2年ごとに外部監査／第三者監査を実施します。重大なインシデントまたはモデルの更新のたびに、GOVERNポリシーとMAPのコンテキスト文書を更新します |
サブカテゴリーの全リストとPlaybook形式の推奨アクションについては、references/rmf-core.mdをお読みください。
信頼できる AI の 7 つの特性
AI RMF は、信頼できる AI の 7 つの特性を定義しています。あらゆる側面で完全に信頼できるシステムはありません。目標は、状況やリスク許容度に応じて、意図的かつ文書化されたトレードオフを行うことです。AI システムを評価したり、MEASURE 2 の評価レポートを作成したりする際は、以下の評価質問を使用してください。
| 特性 | 評価質問 |
|---|---|
| 妥当性と信頼性 | システムは想定された用途に照らしてテストされていますか？定義された運用上の制限内で、また想定される条件の範囲全体で、一貫したパフォーマンスを発揮しますか？分布外でのパフォーマンスはどうですか？ |
| 安全性 | 身体的、心理的、社会的な害が特定され、管理されていますか？緊急停止／キルスイッチの手順は定義されていますか？レッドチーム演習や敵対的演習により、実世界での故障率が推定されていますか？ |
| セキュリティとレジリエンス | システムは、回避、汚染、モデル抽出／反転攻撃に対して強化されていますか？LLM の場合、プロンプトインジェクションに対するテストが行われていますか？敵対的な入力や予期しない入力に耐え、そこから復旧できますか？ |
| 説明責任と透明性 | 意思決定を説明し、責任者までたどることができますか？ライフサイクル全体にわたる役割と責任が文書化されていますか（GOVERN 2/3）？目的、データ、制限を記載したモデル／システムカードはありますか？ |
| 説明可能性と解釈可能性 | 技術者と非技術者の双方が、モデルの動作を理解できますか？重大な影響を及ぼす個別の意思決定について、SHAP、LIME、反実仮想による説明、または顕著性マップを利用できますか？ |
| プライバシーの強化 | PII は最小限に抑えられ、保護され、適用される法律に従って取り扱われていますか？適切な場合に、差分プライバシー、k-匿名性、連合学習などの手法が適用されていますか？システムはメンバーシップ推論攻撃に対する耐性を備えていますか？ |
| 有害なバイアスを管理した公平性 | 人口統計上のバイアスが特定、測定、緩和されていますか？サブグループ別の細分化されたパフォーマンスが報告されていますか？格差影響比率は適用されるしきい値（例：EEOC の「5 分の 4 ルール」）を満たしていますか？ |
各特性に対応する指標や技術的な基準（適合率／再現率、人口統計的パリティ、SHAP/LIME、敵対的精度、差分プライバシー ε など）については、references/rmf-profiles.md をご覧ください。
AI リスク登録簿テンプレート
単一システムの場合でも、組織全体のインベントリの場合でも、すべての AI リスク登録簿でこの列構成を使用してください。MAP（特定）、MEASURE（TEVV）、MANAGE（対応）に沿うよう意図的に構成されているため、各項目をフレームワークのカテゴリーに明確に対応付けられます。
| 列 | 目的 |
|---|---|
| AI システム | AI システムまたはモデルバージョンの名前／ID |
| ライフサイクル段階 | 設計／開発／テスト／デプロイ／モニタリング／廃止 |
| TEVV 活動 | リスクを顕在化させた、または測定するためのテスト、評価、検証、妥当性確認の活動（例：「属性別バイアステスト」、「敵対的ロバストネステスト」） |
| リスクにさらされる特性 | 7 つの信頼性特性のうち、どれが該当するか |
| 発生可能性／影響 | 定性的またはスコア化した推定値（例：低／中／高、または MAP 4.1 に基づく深刻度 × 影響範囲 × 可逆性） |
| 対応 | 軽減／移転／回避／受容、および具体的な措置（MANAGE 2.1） |
| 責任者 | 対応と残存リスクの受容に責任を負う個人または役職 |
記入例：
| AI システム | ライフサイクル段階 | TEVV 活動 | リスクにさらされる特性 | 発生可能性／影響 | 対応 | 責任者 |
|---|---|---|---|---|---|---|
| 履歴書選考モデル v3 | デプロイ | 人口統計学的サブグループ別の性能の細分化テスト（MEASURE 2.2） | 公平性があり、有害なバイアスが管理されている | 発生可能性：高／影響：高 — 格差影響比率が 0.71 と測定され、4/5 基準を下回る | 軽減 — 学習データのバランスを再調整して再学習し、影響を受けるすべてのサブグループの不採用に人間による審査ゲートを追加する。自動判定を再有効化する前に再テストする | 人材獲得部門長（対応）；最高 AI 責任者（残存リスクの受容） |
2 つ目の記入例 — サードパーティモデルへの依存（登録簿に関する回答には必ず含めてください）：
| AI システム | ライフサイクル段階 | TEVV 活動 | リスクにさらされる特性 | 発生可能性／影響 | 対応 | 責任者 |
|---|---|---|---|---|---|---|
| 信用スコアリングモデル（ベンダーホスト型） | デプロイ／モニタリング | ベンダーの妥当性確認レポートのレビューと、社内のチャンピオンモデルに対する独立ベンチマーク（GOVERN 6.1、MEASURE 2.5） | 妥当性と信頼性；説明責任と透明性 | 発生可能性：中／影響：高 — ベンダーが通知なく再学習し、レビュー間に母集団のドリフトが検出されない | 軽減 — 契約に変更通知と監査の権利を盛り込み、四半期ごとにチャンピオンモデルとチャレンジャーモデルを比較し、以前のモデルバージョンに戻す手順を文書化する | モデルリスク担当 VP（対応）；最高リスク責任者（残存リスクの受容） |
金融サービスへの導入では、モデルリスク管理の実務（SR 11-7／OCC 2011-12）に沿った対応を行ってください。すなわち、使用前の独立した妥当性確認、本番環境でのチャンピオンモデルとチャレンジャーモデルによるモニタリング、モデルリスク委員会における有効なチャレンジの文書化を実施します。
MAP で特定したすべてのリスクについて行を追加してください。MEASURE によって新たな証拠が得られるたびに「発生可能性／影響」と「対応」の列を更新し（MEASURE 4.3）、結果を MANAGE 4 に記録してフィードバックループを完結させてください。
一般的なワークフロー
1. GOVERN ギャップ評価
- 6つの GOVERN カテゴリそれぞれについて（必要に応じてサブカテゴリも含めて）、ステータスを評価します：🔴 未着手 / 🟡 一部対応済み / 🟢 実装済み
- 🔴／🟡 の項目ごとに、具体的なギャップと、それを解消するために必要な証拠（ポリシー文書、RACI チャート、エスカレーション手順など）を特定します
- 優先順位を付けた是正ロードマップを作成します（短期の成果 → 中期 → 長期）。GOVERN のギャップは通常、MAP／MEASURE／MANAGE の進展を妨げることにも留意します
- 「GOVERN は書面上では完了しているが、運用に落とし込まれていない」かどうかを明示します。これは、ポリシーは存在していても、日々の MAP／MEASURE／MANAGE 活動に反映されていないという、よくあるギャップのパターンです（references/rmf-profiles.md を参照）
- 回答内に以下のミニテンプレートを提示します（組織の具体的な情報を記入します）：
- AI リスクポリシーの概要（GOVERN 1.2）：1. 目的と適用範囲 · 2. 定義と AI システムのインベントリ基準 · 3. リスク許容度に関する声明 · 4. 役割と説明責任（RACI） · 5. ライフサイクル要件（各段階の MAP／MEASURE／MANAGE ゲート） · 6. サードパーティ AI 要件 · 7. インシデント対応とエスカレーション · 8. 見直しの頻度
- AI ガバナンス委員会の規約（RACI の骨子）（GOVERN 2.1）：説明責任者 — エグゼクティブスポンサー／CAIO；実行責任者 — AI プロダクトオーナー、データサイエンスリード；協議先 — 雇用に関する用途では法務、プライバシー、セキュリティ、人事；報告先 — 監査、取締役会のリスク委員会；定足数、会議の頻度、意思決定権限（導入の承認／却下、残余リスクの受容）
- リスク許容度に関する声明の例（GOVERN 1.3）：「人によるレビューを伴わずに個人に対して完全自動で不利益な判断を下す AI は導入しません」；「人口統計学的グループ間のパフォーマンス差が X% を超える場合、是正されるまで導入を見送ります」
- AI インベントリの最低限の項目（GOVERN 1.6）：システム名／所有者 · 目的と利用者 · モデルの種類／来歴（自社開発／購入／ファインチューニング） · データカテゴリ · ライフサイクル段階 · リスク階層 · TEVV の最終実施日
2. 採用／雇用 AI のリスク評価
- MAP：意図された用途（MAP 1.2）、影響を受ける対象者 — 応募者、現職従業員（MAP 1.4）、および禁止される用途（例：人によるレビューを伴わない完全自動の不採用判断は禁止）を文書化します
- MAP：ステークホルダーのリスク／便益マトリクスを作成します（MAP 3.1）— 雇用主にとっての業務効率の向上と、応募者が受ける差別的影響のリスクを比較します
- MEASURE：保護対象のクラス全体で、グループ別のパフォーマンスおよび差別的影響比率のテストを実施し（MEASURE 2.2）、不利益な判断に対する説明可能性のアプローチを文書化します（MEASURE 2.3）
- MANAGE：80%基準を下回るサブグループへの対応を定義します — 再トレーニング、ヒューマン・イン・ザ・ループによるレビュー、または利用制限（MANAGE 2.1）
- 特定した採用段階のリスクごとに1行を設け、AI リスク登録簿（上記）に記入します
- セクター固有の考慮事項を相互参照します：EEOC、NYC Local Law 144、および雇用 AI に対する EU AI Act の高リスク分類（references/rmf-profiles.md を参照）
3. 信用スコアリングのリスク登録簿
- MAP：利用状況（MAP 1.2／1.3）— ローンの組成、与信限度額の判断、価格設定 — と、法的制約（ECOA、Fair Housing Act、EU AI Act の高リスク分類）を文書化します
- MAP：影響を受けるステークホルダーを特定し、不可逆的なリスク、または保護対象のクラスに影響するリスクを優先します（MAP 4.1）
- MEASURE：公平性の指標（人口統計学的パリティ、イコライゼッドオッズ、差別的影響比率）と、不利益処分通知を作成するのに十分な説明可能性をテストします（MEASURE 2.2／2.3）
- MANAGE：モデルの調整、しきい値の変更、または人によるレビューへのエスカレーションといった対応、および説明責任を負う担当者による残余リスクの受容を文書化します（MANAGE 1.3）
- 上記のテンプレートを使ってリスク登録簿を作成し、「リスクにさらされる特性」には通常、有害なバイアスを管理した公平性または説明責任と透明性を設定します
4. インシデント対応（MANAGE 3）
- トリガー条件：モデル精度の低下、バイアス閾値の超過、敵対的攻撃、データドリフト
- 対応手順：封じ込め → 影響の評価 → 関係者への通知 → 修正 → 文書化 → リスク登録簿の更新 → 教訓をGOVERNに反映（MANAGE 4.3）
- 重大度（低／中／高／重大）を分類し、通知のしきい値を事前に定義します：社内エスカレーション、顧客への通知、規制当局への開示
AI リスクプロファイル
AI リスクプロファイルとは、組織固有のAIユースケース、適用される法律、定義済みのリスク許容度、およびシステムに最も関連する信頼性の特性を反映するために、組織がAI RMFをカスタマイズしたものです。AI RMFでは、次の2種類のプロファイルを定義しています：
| プロファイルの種類 | 説明 | 用途 |
|---|---|---|
| 現状プロファイル | 組織の現在の状況 — どのカテゴリーがどの程度実施されているか | ベースライン評価 |
| 目標プロファイル | 組織が目指す状況 — 各カテゴリーで目標とする成熟度 | ギャップ分析とロードマップ |
現状プロファイルと目標プロファイルの差が、リスク管理ロードマップの基盤となります：
- スコープ設定 — 対象とするAIシステムを定義します（すべてのAI、特定の高リスクシステム、または単一のシステム）
- 現状の評価 — 19のカテゴリーそれぞれを評価します：未着手（0）／一部実施（1）／実施済み（2）／最適化済み（3）
- 目標状態の設定 — リスク許容度と規制要件に基づいて、カテゴリーごとに目標とする成熟度を定義します
- ギャップ分析 — 目標が現状を上回るカテゴリーは、対応が必要なギャップです
- 優先順位付け — ギャップが示すリスクに応じて重み付けし、最もリスクの高いギャップから対処します
- ロードマップ — 各ギャップを埋めるため、担当者、スケジュール、リソースを割り当てます
NISTは、AI RMFの中核を補完するものとして、分野横断型およびユースケース別のプロファイルも使用しています（たとえば、生成AIシステム固有のリスクに対応するGenerative AI Profileなど）。ユーザーの質問が生成AI固有のリスクに関する場合は、上記と同じGOVERN／MAP／MEASURE／MANAGEの構造と信頼性の特性を適用し、生成AI固有のサブカテゴリーの詳細は推測せず、最新のNIST出版物で確認する必要があることを明記してください。
フレームワーク間の対応関係
NIST AI RMF ↔ EU AI Act（Regulation (EU) 2024/1689）
| AI RMFの機能 | EU AI Actの要件 |
|---|---|
| GOVERN 1（AIリスクポリシー） | Art. 9（リスク管理システム）：高リスクAI向け |
| GOVERN 2/3（説明責任） | Art. 16（高リスクAI提供者の義務）、Art. 26（導入者の義務） |
| MAP 1（意図された用途） | Art. 9(2) — リスク管理は、意図された使用および合理的に予見可能な誤用を対象とする必要があります |
| MAP 3（ステークホルダーのマッピング） | Art. 9(2)(b) — 既知および予見可能なリスクの特定と分析 |
| MEASURE 2（システム評価） | Art. 10（データガバナンス）、Art. 15（精度、堅牢性、サイバーセキュリティ） |
| MEASURE 3（継続的なモニタリング） | Art. 72（市販後モニタリング）、Art. 26(5) — 導入者のモニタリング義務 |
| MANAGE 3（インシデント対応） | Art. 73（重大インシデントの市場監視当局への報告） |
| すべての機能 | Annex IX（高リスクAIシステムの技術文書要件） |
主な違い： EU AI Actは適用対象となる提供者と導入者に義務付けられますが、NIST AI RMFは任意です。EU AI Actの適用対象となる組織は、Art. 9の「適切なリスク管理システム」要件を満たすリスク管理手法として、NIST AI RMFを使用してください。
NIST AI RMF ↔ ISO/IEC 42001:2023
| AI RMF の機能／カテゴリー | ISO 42001 の相当項目 |
|---|---|
| GOVERN 1（ポリシーの整備） | Clause 5（リーダーシップ）、Clause 6（計画）、A.2（AI ポリシー） |
| GOVERN 2（説明責任） | Clause 5.3（役割と責任）、A.2.3 |
| GOVERN 3（役割） | Clause 5.3、A.2.5（AI システムの影響に関する責任） |
| GOVERN 4（部門横断チーム） | Clause 7.1（リソース）、A.2.5 |
| GOVERN 5（リスク許容度） | Clause 6.1（リスクと機会）、A.5.2（AI リスク評価） |
| MAP 1（コンテキスト） | Clause 4（組織の状況）、A.3（内部／外部の状況） |
| MAP 2（科学的理解） | A.6（AI システムのライフサイクル） |
| MAP 3（ステークホルダーのリスク／便益） | Clause 4.2（利害関係者）、A.8.4（影響評価） |
| MAP 5（発生可能性／影響） | A.5.2（AI リスク評価の方法論） |
| MEASURE 2（システム評価） | A.6.2（AI システムの設計）、A.10（AI システムの利用） |
| MEASURE 3（継続的なモニタリング） | Clause 9.1（モニタリングと測定）、A.6.2.5 |
| MANAGE 2（対応戦略） | Clause 6.1.3（AI リスク対応）、A.5.3 |
| MANAGE 3（インシデント対応） | A.9（パフォーマンス評価）、Clause 10（改善） |
| MANAGE 4（レビューと改善） | Clause 10.2（不適合）、Clause 9.3（マネジメントレビュー） |
NIST CSF 2.0 および NIST Privacy Framework とのマッピング、セクター固有のリスクに関する考慮事項（医療、金融サービス、人事／採用、刑事司法、政府、教育、自律システム）、実装ティア、一般的なギャップのパターンについては、references/rmf-profiles.md をお読みください。
参考ファイル
詳細については、必要に応じて以下のファイルをお読みください。
- references/rmf-core.md — 19 の全カテゴリーと、GOVERN、MAP、MEASURE、MANAGE のすべてのサブカテゴリーの詳しい説明およびプレイブック形式の推奨アクション
- references/rmf-profiles.md — AI リスクプロファイル、信頼できる AI の測定基準と指標、セクター固有のガイダンス、フレームワーク間のマッピング（ISO 42001、EU AI Act、NIST CSF、NIST Privacy Framework）、実装ティア、一般的なギャップのパターン
このスキルは一般的なコンプライアンス情報を提供するものであり、法的助言ではありません。最新の要件を公式情報源で確認し、判断にあたっては資格を有する弁護士または認定評価者に相談してください。