AIは政策を賢くできても、決定の責任者にはなれない
AIを政策立案に使えば、資料検索、論点整理、効果の検証は速くなる。だが、増税と給付のどちらを優先するか、限られた予算を誰に配るかといった決定に「唯一の正解」を出せるわけではない。
AIが改善できるのは政策判断の材料であり、政治判断そのものではない。 日本で必要なのは、人間の決裁を形式的に残すだけでなく、データ、AIの出力、採用した判断、最終責任者を後から検証できる制度設計である。
この記事で押さえたい点は次の4つだ。
- AIは大量の行政文書や統計を扱い、政策案の見落としを減らせる
- 過去データには既存制度の偏りが含まれ、少数者や新しい危機を捉えにくい
- 給付、課税、規制など権利・負担に関わる決定は、人が理由を説明し、不服申立てを受ける必要がある
- 導入効果は「職員の作業時間」だけでなく、政策の質、誤り、住民への影響まで測らなければならない
政府のAI活用は実証から共通基盤の段階へ進んだ
日本政府は、AIの利用を個々の職員の試行から、府省共通の基盤とガバナンスへ移しつつある。
2025年施行の「人工知能関連技術の研究開発及び活用の推進に関する法律」は、国にAI施策を総合的、計画的に実施する責務を課した。第4条第2項は、行政事務の効率化・高度化のため、国の行政機関におけるAIの積極的な活用を進めるとしている。
その後、2026年7月14日に新たな人工知能基本計画が閣議決定された。AI活用は、単なる業務効率化ではなく、研究開発、産業競争力、安全・安心を含む国全体の政策になっている。
行政実務では、デジタル庁のガバメントAI「源内」が先行する。デジタル庁の公表資料によれば、2025年5月に同庁職員向けの環境を構築し、国会答弁検索AIや法制度調査支援AIなどを提供してきた。2026年度には積極的な府省で大規模実証を進め、2027年度から各府省の予算措置を伴う本格利用へ移る予定だ。
ここで重要なのは、現段階の中心が「政策を自動決定するAI」ではないことだ。主な用途は、行政文書の検索、法制度の調査、文案作成、相談対応の支援などである。
政策決定との距離を整理すると、次のようになる。
- 比較的導入しやすい領域：公開資料の検索、会議録の要約、文案の下書き、既存制度の照会
- 慎重な検証が要る領域：政策効果の予測、予算配分案、対象者の抽出、不正リスクの判定
- AIに委ねるべきでない領域：国民の権利や負担を最終的に決めること、価値の優先順位を確定すること、政治責任を引き受けること
AIで政策立案が良くなる三つの場面
AIの強みは、人間が責任を負う前提で、探索、比較、検証の範囲を広げられる点にある。
行政文書と統計を横断して見落としを減らす
政策担当者は、法令、過去の答弁、審議会資料、予算書、統計、自治体の事例を短期間で確認しなければならない。生成AIと検索技術を組み合わせれば、関連資料の候補を探し、論点ごとに整理する作業を速められる。
これは単なる時短ではない。担当者が知っている資料だけで政策案を組み立てる危険を減らし、他府省の制度や過去の失敗事例を早い段階で発見できる可能性がある。
ただし、AIの要約を原典の代わりにしてはいけない。存在しない条文や数字を生成する場合があるため、重要な記述は原資料、対象時点、定義まで人が確認する必要がある。
複数の政策案を同じ条件で比較する
たとえば、子育て支援に同じ予算を使う場合でも、現金給付、保育サービス、税控除では受益者と効果が異なる。AIは条件をそろえ、次のような比較表や試算案を作る補助に向く。
- 所得層、世帯構成、地域ごとの対象人数
- 初年度と平年度の財政負担
- 申請が必要な制度で生じる利用漏れ
- 自治体や事業者に発生する事務負担
- 制度変更で利益を得る層と負担が増す層
従来の案に加え、条件を変えた代替案を短時間で並べられれば、政策論争は「賛成か反対か」から「どの条件なら副作用を抑えられるか」へ進みやすい。
実施後の検証を継続する
内閣府は、EBPMを「政策目的を明確化したうえで合理的根拠に基づく政策立案」と位置付けている。2026年度の内閣府の取組方針でも、政策目的までの因果関係を整理し、客観的なデータを政策の立案や見直しに使う方針が示されている。
AIは、事業の実施後に各地域や対象群の結果を比較し、想定と異なる動きを探す作業にも使える。補助金の執行額だけでなく、雇用、生産性、所得など本来の目標が改善したかを追いやすくなる。
もっとも、相関関係を見つけることと、政策の効果を証明することは別だ。景気、人口移動、別の支援策などが同時に影響するため、因果関係の検証には比較対象の設計や専門家による評価が欠かせない。
ここがポイント: AIは「答えを決める装置」ではなく、見落としていた資料、代替案、想定外の結果を人間に示す装置として使うとき、政策立案を最も改善しやすい。
データが多くても、公平な政策になるとは限らない
過去を詳しく学習したAIほど、過去の制度が生んだ偏りを再現することがある。
行政データは社会の全体像ではない
行政が保有するデータには、制度を利用した人や窓口に相談した人が記録される。一方、制度を知らなかった人、日本語やデジタル手続きが壁になった人、申請を諦めた人は見えにくい。
そのデータだけで「支援を必要とする人」を予測すると、既に行政と接点がある人を重視し、最も届きにくい人をさらに見落とす恐れがある。地方の小規模事業者、希少疾患の患者、少数の職種など、データ件数が少ない集団も不利になりやすい。
必要なのは、データ量を増やすことだけではない。
- 誰の情報が入っており、誰が欠けているかを確認する
- 申請件数ではなく、潜在的な対象人口との隔たりを見る
- 全国平均だけでなく、年齢、所得、地域などで結果を分ける
- 定量データに、現場職員や当事者への調査を組み合わせる
予測の精度と政策の正当性は別問題である
AIが「この人は失業しやすい」「この地域は災害時の避難が遅れやすい」と高い精度で予測できたとしても、誰を優先するかは自動的には決まらない。
限られた予算を危険度の高い人に集中するのか、広く薄く配るのか。本人の努力では変えにくい条件をどこまで考慮するのか。これは統計上の問題ではなく、法律、権利、公平性、国会や自治体議会での合意に関わる判断だ。
AIの予測値を「科学的な結論」として扱うと、本来は政治が説明すべき価値判断が数式の中に隠れる。精度が高いことは有用性の条件にはなっても、民主的な正当性の代わりにはならない。
個人情報は「役立つから」という理由だけでは転用できない
行政データには、所得、健康、家族、相談歴など生活に深く関わる情報が含まれる。個人情報保護委員会の行政機関等向けガイドラインは、個人情報を利用目的の範囲内で扱うことを原則とし、目的変更も従前の目的と相当の関連性がある範囲に限っている。
したがって、別の行政目的で集めた情報を、便利だからという理由だけで政策予測やAI学習へ回せるわけではない。法的根拠、必要性、本人への影響、目的外利用の条件を個別に確認する必要がある。
政治責任をAIに隠さないための境界線
最終決裁に人の名前があるだけでは、責任あるAI利用とはいえない。 担当者がAIの結論を追認するだけなら、実質的な自動決定になり得るからだ。
権利や負担に関わる判断には説明と救済を残す
給付の対象、税や保険料、許認可、行政処分、監査対象の選定は、生活や事業を直接左右する。この領域でAIを使う場合、少なくとも次の仕組みが必要になる。
- AIを使った事実と、その用途を対象者に示す
- 判断に使った主なデータと基準を記録する
- 職員が出力を覆せる権限と時間を確保する
- 本人が訂正や再審査を求められる窓口を設ける
- 誤判定率を全体平均だけでなく属性や地域別に監査する
- 最終判断をした行政機関と責任者を明確にする
特に注意したいのは、「AIは参考情報にすぎない」という説明で済ませないことだ。現場でAIの点数が事実上の足切り基準になっていれば、名称にかかわらず住民への影響を検証しなければならない。
大臣、議員、官僚、事業者の責任を分ける
政策AIには複数の主体が関わる。それぞれが負うべき責任は同じではない。
- 大臣・議員：誰を優先し、どの負担を受け入れるかという政策目的を説明する
- 行政機関：データの適法性、業務手順、職員の確認、異議申立てを整備する
- AIの開発・提供事業者：性能、既知の限界、更新履歴、障害や安全対策に関する情報を提供する
- 第三者監査や専門家：偏り、セキュリティ、評価方法を独立した立場で点検する
外部事業者のシステムを調達しても、行政は政策責任を委託できない。逆に、事業者だけに説明を求めても、どの価値を優先したかという政治判断は説明できない。
2026年6月に改定された政府の生成AI調達・利活用ガイドライン第2.0版は、各府省庁のAI統括責任者、いわゆるCAIOを軸とするガバナンスを示している。これは必要な土台だが、個別政策について国民に説明する責任までCAIOへ集約するものではない。情報管理はCAIO、政策判断は所管大臣や行政機関というように、責任の線を切らずにつなぐ必要がある。
財源と調達を見れば「AIなら安い」とは限らない
AI導入の費用は利用料だけではなく、データ整備、検証、人材、監査まで含めて評価すべきだ。
行政文書の形式が統一されていなければ、検索AIを導入しても正しい資料へたどり着けない。古い制度名、重複資料、更新日の不明なデータを整理する作業には、人手と予算がかかる。
さらに、継続的な運用には次の費用が発生する。
- 安全な計算環境とアクセス管理
- 行政文書や統計の整備、更新
- 出力を検証できる職員と専門家
- 性能低下、偏り、情報漏えいを調べる監査
- モデル変更時の再評価
- 障害時に業務を続ける代替手順
短期的には、職員が自分で行った方が安い業務もある。一方、複数府省が同じ検索基盤や評価手順を共同利用できれば、重複投資を抑えられる。ガバメントAIには、この共通化によって調達力と安全性を高める意味がある。
ただし、一社の技術や独自形式への依存が強まれば、価格改定やサービス停止への交渉力を失う。機密性に応じて複数のモデルを使い分けられる設計、データを移行できる契約、利用記録を行政側で保持する仕組みが必要だ。国内モデルの活用も選択肢になるが、国産であることだけで性能や安全性が保証されるわけではない。
生活者への効果は「早くなった」だけで測れない
住民にとっての成果は、職員の作業時間ではなく、必要なサービスが公平に届き、誤りを直せるかで決まる。
AIが申請書の確認や相談内容の整理を支援すれば、審査期間が短くなり、窓口の待ち時間も減る可能性がある。制度を分かりやすい言葉で案内できれば、利用漏れの減少も期待できる。
一方、誤った案内が大量に出れば、効率化の利益は失われる。利用者がAIと話していることを知らされず、人間の担当者へ切り替える方法もなければ、複雑な事情を抱える人ほど不利益を受ける。
政策AIの評価指標には、少なくとも次を含めたい。
- 処理時間と行政コストがどれだけ変わったか
- 誤案内、誤判定、再審査が何件あったか
- 制度の利用率が地域や所得層ごとにどう変化したか
- 職員がAI出力を修正・却下した割合と理由
- 利用者が人間による説明や再判断を受けられたか
効率と公平性が衝突した場合、どちらを優先したかを政治が説明する。それが、AI時代にも残る責任の中核である。
「人間が決める」だけでは不十分という反論
AIを厳しく制限すれば安全になるとは限らず、人間の経験や勘にも偏りはある。
担当者ごとに判断がばらつく審査では、基準を明示したAIが一貫性を高める場合がある。膨大な資料を人間だけで読むより、AIに見落としの候補を挙げさせた方が安全な場面もある。人口減少で行政職員の確保が難しくなるなか、利用そのものを避ければ公共サービスを維持できない可能性もある。
この反論には根拠がある。だから必要なのは、AIか人間かという二択ではない。
- 人間だけの判断を基準にせず、AI利用前後の誤りを比較する
- AIと担当者が同じ方向に誤る可能性を調べる
- 高リスク案件には複数人の確認や外部監査を追加する
- 効果が確認できなければ、縮小や停止ができる契約にする
AIを使わない現状にも費用と不公平がある。導入側には効果を示す責任があり、反対側にも現行制度の問題を放置しない代替策が求められる。
今後の焦点は「導入件数」から「検証可能性」へ移る
2026年度以降に見るべきなのは、何人がAIを使ったかではなく、政策と行政サービスが実際に改善したかである。
ガバメントAI「源内」は、2026年度に府省での大規模実証を進め、2027年度から本格利用へ移る計画だ。この過程で、国会と政府が確認すべき論点は明確である。
公開すべき情報
- どの府省が、どの業務でAIを使用したか
- 判断支援と自動処理の境界をどこに置いたか
- 導入前後で時間、費用、誤りがどう変わったか
- 重大な事故や利用停止があった場合、どう是正したか
- 外部事業者と行政の責任分担を契約でどう定めたか
制度上の分岐点
今後は、用途によって対応を分ける必要がある。
- 文書検索や下書き支援が中心なら、職員教育と情報管理を整え、利用を広げやすい
- 政策効果の予測に使うなら、データの代表性、因果関係、代替案との比較を公開する必要がある
- 個人の給付や処分に影響するなら、法的根拠、説明、異議申立て、外部監査を導入条件にすべきだ
- 安全保障や機密情報を扱うなら、供給網、国外移転、モデル更新、障害時の継続性まで審査する必要がある
まとめ――AIに任せる範囲より、責任を追える範囲を決める
AIは政策立案を良くできる。ただし、それは資料を広く探し、代替案を比較し、実施結果を検証する補助として使った場合である。
事実として、日本政府はAI基本法、人工知能基本計画、政府向けガイドライン、ガバメントAIを通じて利用基盤を整えている。見解として重要なのは、導入速度よりも、AIの出力から最終決定までを検証できる記録と救済手段である。
次に注目すべきなのは、2026年度の府省実証で公表される成果指標だ。作業時間の短縮だけでなく、誤り、利用漏れ、属性・地域別の差、職員が出力を覆した事例まで示されるか。そこまで確認できて初めて、AIが行政を速くしただけなのか、政策を本当に良くしたのかを判断できる。