AI時代のサイバー攻撃、根本原因はAIなのか?

Author

AI時代の今、大規模な情報漏えいが起きるたびに、決まって同じ疑問が投げかけられます。「AIが関わっていたのではないか？」

AIは本来、人間の仕事のスピード、規模、品質を高めるために生まれた技術であり、社会に害を与えることを目的としたものではありません。しかし、AIを手にした悪意あるハッカー（ブラックハットハッカー）は、セキュリティ上の隙を突いて金銭的利益を得ようとします。多くの事例を検証すると、これは表裏一体の問題であることが分かります。セキュリティの隙そのものを早い段階で解消していれば、サイバー攻撃はそもそも起こり得なかったのです。
 

1. ハッカーがAIを使ったサイバー攻撃で悪用するセキュリティの隙

1.1 既知でありながら未対応の脆弱性（最大のリスク）

課題：

現在、侵害全体の36%で初期侵入経路となっているのが脆弱性の悪用であり、フィッシング（16%）や認証情報の不正利用（13%）を上回って第1位となりました。また、Verizonは2025年3月から2026年2月にかけて、攻撃者がAIをどのように利用したかをAnthropicと共同で調査しています。

Verizonの研究者によると、攻撃者はAIを使って脆弱性の悪用を加速させており、防御側に残された猶予は数か月から数時間にまで縮まっています。その一方で、パッチ適用完了までの日数の中央値は、前年の32日から2025年には43日へと延びました。この攻撃のスピードとパッチ適用のスピードの差こそが、セキュリティの隙なのです。

学術研究もこれを裏付けています。イリノイ大学の研究では、CVEの説明文のみを与えられたGPT-4ベースのエージェントが、実在するワンデイ脆弱性15件からなるベンチマークのうち87%の悪用に成功しました。説明文を与えなかった場合、成功率は7%まで低下しています。つまりAIは、新たな脆弱性を発見するよりも、公開済みの欠陥を悪用することのほうがはるかに得意だということです。だからこそ、既知でありながら未対応の脆弱性がリスクとなるのです。なお、この論文は2024年のもので、検証対象も少数のため、具体的な数値は最新のものではなく、あくまで目安として捉えてください。

対策：

深刻度スコアだけでなく、悪用リスクに基づいて優先順位を付ける。米国CISA（サイバーセキュリティ・インフラストラクチャセキュリティ庁）の拘束的運用指令BOD 22-01がその模範です。悪用が確認された既知の脆弱性（KEV）をカタログ化し、連邦政府機関に対して修正期限を義務付けています。CISAは、あらゆる組織に対してこのカタログ掲載の脆弱性の修正を優先するよう強く推奨しています。
メンテナンスを事前に計画する。米国NIST（国立標準技術研究所）のSP 800-40 Rev. 4は、リスクシナリオごとにスケジュールを定めたメンテナンスグループの設定を推奨しています。これにより、緊急パッチの適用が関係者間の調整待ちで遅れることを防げます。
5つの管理策を活用する。リスクベースのSLA、責任者の明確化、経営層向けダッシュボード、事前に合意したダウンタイム枠、正式なリスク受容プロセス。これらはいずれも、43日というパッチ適用の遅れを解消することを狙いとしています。
AIを防御に活用する。後述するとおり、AIはどの脆弱性から先にパッチを適用すべきかの優先順位付けに役立ちます。

1.2 ソーシャルエンジニアリングとなりすまし

課題：

LLMが悪用された初期侵入手法の中で最も多かったのはフィッシング（44%）で、脆弱性の悪用（32%）、認証情報の不正利用（21%）がそれに続きます。

侵害の62%には人的要因が関わっていました。Verizonはさらに、Teamsでのなりすまし、音声通話、メール爆撃、リモートサポートの悪用などを含む「プリテキスティング（口実を用いた詐欺）」を、主要な初期侵入経路として新たに挙げています。

Arup社の事例は、この手口がどこまで巧妙になり得るかを示しています。発端はCFO（最高財務責任者）を装ったフィッシングメールで、その後のビデオ会議では、被害に遭った社員以外の参加者全員がAIで生成されたディープフェイクでした。その結果、約2,500万ドルの損失が発生しました。不正が発覚したのは、社員が本社に改めて確認を取ったときでした。このケースの隙は、別経路での確認（アウトオブバンド認証）の手順が欠けていたことにあります。

対策：

リスクの高い依頼には、独立した経路での確認を義務付ける。音声、ビデオ、メールで送金、アクセス権、振込先口座の変更などを依頼された場合は、対応する前に、別途把握している連絡手段で必ず確認を取ります。これは公的な基準の引用ではなく、Arup社の詐欺が発覚した経緯を踏まえた当社の推奨です。
従業員教育を定期的に実施する。CISA、NSA、FBI、MS-ISACの共同ガイダンスでは、ソーシャルエンジニアリングとフィッシングに関する定期的な利用者教育を推奨しています。
シングルサインオン（SSO）と耐フィッシング性の高い多要素認証（MFA）を導入する。同じ共同ガイダンスによれば、SSOは利用者が認証情報を詐取されるリスクを低減でき、特にMFAと組み合わせることで効果が高まります。
既知の悪性インフラを遮断する。メールゲートウェイでブロックリストを活用し、既知の悪性ドメイン、URL、IPアドレスを遮断します。
インシデント対応計画を文書化しておく。「だまされたかもしれない」と感じたときに取るべき行動も、計画に盛り込んでおく必要があります。

1.3 他の弱点と組み合わされる認証情報の悪用

課題：

認証情報の不正利用が初期侵入経路となったのは侵害全体の13%にとどまりますが、攻撃の過程のどこかで使われたケースは39%に上ります。攻撃者は盗んだID情報を脆弱性の悪用や権限昇格と連鎖させるため、アクセス管理が弱いと、他の隙の被害が何倍にも膨らみます。

対策：

耐フィッシング性の高いMFAへ移行する。CISAはFIDO/WebAuthnを「ゴールドスタンダード」と位置付け、広く普及している唯一の耐フィッシング性を備えた選択肢としています。SMSや音声によるMFAは、最後の手段とすべきです。
段階的に導入する。まずはメール、ファイルサーバー、リモートアクセスといった重要度の高い対象と、管理者アカウントや特権アカウントから着手します。
すぐに移行できない場合は、番号照合を利用する。プッシュ通知型のMFAについて、CISAはMFA疲労攻撃への暫定対策として番号照合方式を推奨しています。
検知して、アカウントを保護する。不審な挙動や悪意あるログイン試行の繰り返しを検知した際にはアカウントをロックし、攻撃者によるMFAの突破を防ぎます。
最小権限の原則を適用する。盗まれたログイン情報でアクセスできる範囲を限定することで、前述の「連鎖」の問題に対応できます。ひとつのID情報が盗まれただけで、すべてにアクセスできる状態にしてはなりません。これは上記の出典によるものではなく、一般的なベストプラクティスです。

1.4 組織内で管理されていないAI

課題：

IBMの調査では、回答者の20%が、許可されていない「シャドーAI」が原因で侵害が発生したと回答しており、平均損失額は約67万ドル上乗せされています。

AIモデルやAIアプリケーションの侵害を報告した組織のうち、97%は適切なAIアクセス制御を備えていませんでした。ただしIBMは、AI関連の侵害は調査対象全体に占める割合としてはまだ小さいと指摘しています。

AIを管理するポリシーやシャドーAIを検知する仕組みを持つ組織は、わずか37%にとどまります。

対策：

対策の核心は、ツールよりも先にガバナンスを整えることです。IBMの調査をもとにした報道では、AIモデルの利用とデータ入力に関する管理、社内でのAIツール利用状況の監視、そして許容される利用方法についての従業員教育が推奨されています。

実務に落とし込むと、次のようになります。

利用状況を棚卸しする。従業員が実際にどのAIツール、プラグイン、既存ソフトウェアに組み込まれたAI機能を使っているかを把握します。見えていないものは管理できません。
明確なAI利用ポリシーを策定する。どの種類のデータ（顧客データ、ソースコード、契約書、個人情報など）を、どのツールに入力してよいかを具体的に定めます。
承認済みの代替手段を提供する。従業員がシャドーAIに頼るのは、それが業務に役立つからです。適切な契約とデータ保護を備えた公認ツールを提供すれば、ルールを回避する理由は少なくなります。この点は上記の調査に基づくものではなく、当社独自の推奨です。
アクセス制御とデータ保護を適用する。AIツールにもシングルサインオン、ロールベースのアクセス制御、データ損失防止（DLP）ルールを適用します。IBMの調査で、侵害を受けた組織の大半が適切なAIアクセス制御を欠いていたことが明らかになっているためです。
監視と教育を行う。許可されていないAIの通信を監視し、何が危険でなぜ危険なのかを従業員に教育します。
責任者を任命する。AIガバナンスについて説明責任を負う担当者を1名明確にします。前述の「責任者の明確化」と同じ考え方です。

1.5 AIアプリケーション自体の弱点

課題：

OWASPが2025年に公開したLLMアプリケーション向けのリストは、専門家の視点を示しています。第1位はプロンプトインジェクションです。ある実務家は、これはLLMの設計そのものを突く攻撃であるため、単純にパッチで修正することはできないと指摘しています。また、エージェントがタスクに必要以上のツールや権限を持つ「過剰なエージェンシー（過剰な権限委譲）」の項目は、大幅に拡充されました。こうしたリスクは、AIアシスタントがメール、データベース、APIと連携するほど大きくなります。

対策：

インシデントの種類ごとに、実務上の主な対策は次のとおりです。

プロンプトインジェクション：入力検証、出力フィルタリング、権限の制限、そして機密性の高い操作における人間による確認（ヒューマン・イン・ザ・ループ）を組み合わせます。モデルの出力は信頼できない入力として扱い、プロンプトの内容にかかわらず、重要な管理策はモデルの外側で実施します。
過剰なエージェンシー：エージェントの権限を各タスクに必要な範囲に限定し、影響の大きい操作には人間の承認を必須とし、エージェントの操作には強固なID・アクセス管理を適用します。
プロンプトに機密情報を含めない：機密データをプロンプトから切り離します。外部ツールへのアクセスは、モデルに直接権限を渡すのではなく、アプリケーション側のコードで、範囲を限定した専用の認証情報を使って処理します。
連携先システム側で制御する：何が許可されているかの判断をモデルに任せるのではなく、AIが接続するシステム側で確認する仕組みにします。
ログを記録し、監査する：改ざんできないログを保管し、あらゆるプロンプトや操作をユーザーまで追跡できるようにします。

2. AI for Good：AIを活用してサイバー攻撃から企業を守る

リスクの高い操作には、引き続き人間による承認と、検証済みの対応手順（プレイブック）が欠かせません。AIが反復的で大量の作業を担うことで、セキュリティ担当者は思考と判断が求められる業務に時間を充てられるようになります。AIが力を発揮できる主な領域は次のとおりです。

2.1 検知の迅速化とアラートノイズの削減

機械学習モデルは、通信、ログインイベント、エンドポイントの挙動をベースラインと照らし合わせてスコアリングし、固定ルールでは見逃してしまう異常を浮かび上がらせることで、アナリストが処理するアラート件数を削減します。2026年のあるガイドでは、防御面での活用例として、アラートの要約、EDR/XDRの相関分析、フィッシング検知、IDのリスクスコアリング、インシデント対応報告書の下書き作成などが挙げられています。

2.2 より賢いパッチ適用の優先順位付け

多くの組織は、迅速に修正できる数を上回る脆弱性を抱えています。AIは深刻度スコアだけでなく、実際の悪用可能性や資産の重要度を踏まえて脆弱性に優先順位を付けることができます。ある実務家向けの情報源は、その目的を「リスクを最も効果的に下げるには、何から先にパッチを適用すべきか」に答えることだと説明しています。AIは優先順位付けの補助であり、未来を見通す水晶玉ではありません。

2.3 フィッシングと詐欺の検知

AIは不審なメールを分析し、攻撃キャンペーンのパターンを人手による確認よりも速く見つけ出せます。フィッシング対策ベンダーは、AIが大量の処理を担い、影響の大きい脅威や未知の脅威はアナリストが検証するという、AIを組み込んだSOC（セキュリティオペレーションセンター）の運用を推奨しています。

2.4 対応の迅速化とコスト削減

IBMの2025年版データ侵害レポートによると、セキュリティ運用にAIと自動化を幅広く活用している組織は、侵害1件あたり平均190万ドルのコストを削減し、侵害のライフサイクル（発生から封じ込めまでの期間）を平均80日短縮していました。

3. まとめ：企業が今すべきこと、特に日本企業にとって

AIによって基本対策の緊急性は高まりますが、AIが基本対策に取って代わるわけではありません。防御にAIを取り入れ、自社のAI利用を統制し、迅速な脆弱性対応を、IT部門だけの仕事ではなく経営の責任として位置付けることが重要です。
既知の弱点への対応を早める。脆弱性の悪用は今や侵害の最大の侵入経路であり、パッチ適用はそのスピードに追いついていません。複雑なサプライチェーンやレガシーシステムを抱える企業にとって、まず投資すべき領域です。
サイバーセキュリティを経営課題として扱う。日本にはすでにそのための枠組みがあります。経済産業省とIPA（情報処理推進機構）の「サイバーセキュリティ経営ガイドライン Ver 3.0」は、企業の経営者に向けて作成されたものです。責任者の明確化、経営層向けダッシュボード、正式なリスク受容プロセスは、このガイドラインを実践に移すための具体的な手段となります。
AIの活用を広げる前に、AI利用のガバナンスを整える。2026年3月31日に公表された経済産業省・総務省の「AI事業者ガイドライン（第1.2版）」では、AIエージェントも対象に含まれるようになりました。このガイドラインは法的拘束力のないソフトローですが、拘束力がないことはリスクが低いことを意味しません。IBMのデータが示すとおり、シャドーAIは侵害コストを押し上げ、侵害を受けた組織の大半はAIアクセス制御を欠いていました。
新たな報告義務に備える。2025年5月に成立した日本の能動的サイバー防御関連法は、2026年から2027年にかけて段階的に施行され、基幹インフラ事業者とそのサプライチェーンに報告・協力義務が課されます。自社にどの規定が適用されるかは、法律の専門家や政府の公式情報で確認してください。
人間が主導権を持ったうえで、AIを防御に活用する。アラートのトリアージ、パッチ適用の優先順位付け、フィッシング検知にはAIを活用しつつ、リスクの高い操作には人間の承認を残します。また、AIが穴を埋めてくれることを前提に、アナリストの体制を縮小してはなりません。
この時代を乗り越える企業は、最も多くのAIを導入した企業ではありません。既知の隙を迅速に塞ぎ、リスクごとの責任者を明確にし、自社が使うAIを適切に統制できる企業です。

参考文献

Abnormal AI. (2026, June 4). 62% of breaches involved the human element: Key takeaways from Verizon 2026 DBIR. Abnormal AI. Retrieved November 3, 2026, from https://abnormal.ai/blog/blog-verizon-2026-dbir-key-takeaways

Adaptive Security. (n.d.). Arup’s $25M deepfake loss: Anatomy of an AI-powered scam. Adaptive Security. Retrieved November 3, 2026, from https://adaptivesecurity.com/blog/arup-deepfake-scam-attack

Aembit. (n.d.). The OWASP Top 10 for LLM applications (2025) explained. Aembit. Retrieved November 3, 2026, from https://aembit.io/blog/owasp-top-10-llm-risks-explained/

Construction Briefing. (2024, May 21). Arup employee falls victim to US$25 million deepfake video call scam. Construction Briefing. Retrieved November 3, 2026, from https://www.constructionbriefing.com/news/arup-employee-falls-victim-to-us-25-million-deepfake-video-call-scam/8037338.article

CXO Digital Pulse. (n.d.). Verizon DBIR 2026: Vulnerability exploitation becomes the leading cause of data breaches. CXO Digital Pulse. Retrieved November 3, 2026, from https://www.cxodigitalpulse.com/?p=54284

Fang, R., Bindu, R., Gupta, A., & Kang, D. (2024, April 17). LLM agents can autonomously exploit one-day vulnerabilities (arXiv:2404.08144v2). arXiv. Retrieved November 3, 2026, from https://arxiv.org/html/2404.08144v2

Help Net Security. (2025, August 4). Average global data breach cost now $4.44 million. Help Net Security. Retrieved November 3, 2026, from https://helpnetsecurity.com/2025/08/04/ibm-cost-data-breach-report-2025

IBM. (2025). 2025 cost of a data breach report: Navigating the AI rush without sidelining security. IBM. Retrieved November 3, 2026, from https://www.ibm.com/think/x-force/2025-cost-of-a-data-breach-navigating-ai

SC World. (n.d.). Verizon DBIR 2026: Vulnerability exploits top initial access as patching coverage falls. SC World. Retrieved November 3, 2026, from https://www.scworld.com/news/verizon-dbir-2026-vulnerability-exploits-top-initial-access-as-patching-coverage-falls

SecurityWeek. (n.d.). Verizon DBIR 2026: Vulnerability exploitation overtakes credential theft as top breach vector. SecurityWeek. Retrieved November 3, 2026, from https://www.securityweek.com/verizon-dbir-2026-vulnerability-exploitation-overtakes-credential-theft-as-top-breach-vector/

TechRepublic. (n.d.). IBM report: Shadow AI and poor governance linked to costlier breaches in 2025. TechRepublic. Retrieved November 3, 2026, from https://www.techrepublic.com/article/news-ai-breach-risks-rise-as-governance-lags/

theCUBE Research. (n.d.). Verizon’s 2026 DBIR and the gap between risk and response. theCUBE Research. Retrieved November 3, 2026, from https://thecuberesearch.com/?p=322049

CISA. (2021, November 3). CISA releases directive on reducing the significant risk of known exploited vulnerabilities [Press release]. Cybersecurity and Infrastructure Security Agency. Retrieved November 3, 2026, from https://www.cisa.gov/news/2021/11/03/cisa-releases-directive-reducing-significant-risk-known-exploited-vulnerabilities

BNN CPA. (n.d.). What bank leaders should be asking about cybersecurity risk governance. BNN CPA. Retrieved November 3, 2026, from https://www.bnncpa.com/resources/what-bank-leaders-should-be-asking-about-cybersecurity-risk-governance/

National Institute of Standards and Technology. (2024). NIST CSF 2.0 implementation examples. NIST. Retrieved November 3, 2026, from https://www.nist.gov/document/csf-20-implementations-pdf

Nomios. (n.d.). Governance and the NIST Cybersecurity Framework. Nomios. Retrieved November 3, 2026, from https://www.nomios.nl/en/news-blog/governance-nist-cybersecurity-framework-nis2/

OODA Loop. (n.d.). Federal deadlines for updates to known exploited vulnerabilities and zero-days patches. OODA Loop. Retrieved November 3, 2026, from https://oodaloop.com/analysis/archive/federal-deadlines-for-updates-to-known-exploited-vulnerabilities-and-zero-days-patches/

PDQ. (n.d.). How to build a patch management plan. PDQ. Retrieved November 3, 2026, from https://www.pdq.com/blog/how-to-build-a-patch-management-plan/

Souppaya, M., & Scarfone, K. (2022, April). Guide to enterprise patch management planning: Preventive maintenance for technology (NIST Special Publication 800-40 Rev. 4). National Institute of Standards and Technology. Retrieved November 3, 2026, from https://nvlpubs.nist.gov/nistpubs/SpecialPublications/NIST.SP.800-40r4.pdf

NIST. (2022). NIST highlights enterprise patch management in latest guidance. National Institute of Standards and Technology. Retrieved November 3, 2026, from https://www.nist.gov/node/1700231

Chambers and Partners. (2026). Cybersecurity 2026: Japan. Chambers and Partners. Retrieved November 3, 2026, from https://gpg-pdf.chambers.com/cybersecurity-2026/238/

Eastgate Software. (n.d.). IEC 62443 Japan industrial cybersecurity: 2026 engineering guide. Eastgate Software. Retrieved November 3, 2026, from https://eastgate-software.com/insights/japan-iec-62443-cybersecurity

Global Law Experts. (2026). Japan 2026: Active Cyber Defense Law (ACD), practical compliance guide for businesses. Global Law Experts. Retrieved November 3, 2026, from https://globallawexperts.com/active-cyber-defense-law-japan/

Hamamoto, R. (2026, May 20). ¥1 trillion and AI agents: Japan’s AI Promotion Act and Business Guidelines v1.2. TIMEWELL. Retrieved November 3, 2026, from https://timewell.jp/en/columns/japan-ai-promotion-act-business-guidelines-v1-2

Ministry of Economy, Trade and Industry, & Information-technology Promotion Agency, Japan. (2023, March 24). Cybersecurity management guidelines for Japanese enterprise executives, Ver. 3.0. METI. Retrieved November 3, 2026, from https://www.meti.go.jp/policy/netsecurity/downloadfiles/CSM_Guideline_v3.0_en.pdf

Aembit. (n.d.). The OWASP Top 10 for LLM applications (2025) explained. Aembit. Retrieved November 3, 2026, from https://aembit.io/blog/owasp-top-10-llm-risks-explained/

AppSecEngineer. (2026, February 17). Understanding prompt injection: A guide to AI’s top security threat (LLM01). AppSecEngineer. Retrieved November 3, 2026, from https://www.appsecengineer.com/blog/understanding-prompt-injection-a-guide-to-ais-top-security-threat-llm01

Reco. (n.d.). OWASP Top 10 for LLM applications. Reco. Retrieved November 3, 2026, from https://www.reco.ai/blog/owasp-top-10-for-llm-applications

Unique. (n.d.). OWASP Top 10 for LLM applications 2025. Unique. Retrieved November 3, 2026, from https://docs.unique.ai/security-and-compliance/it-security/owasp-top-10-for-llm-applications-2025

Cybersecurity Dive. (2022). CISA calls phishing-resistant MFA the “gold standard”. Cybersecurity Dive. Retrieved November 3, 2026, from https://cybersecuritydive.com/news/cisa-phishing-resistant-mfa/635763

CISA. (2022, October). Implementing phishing-resistant MFA [Fact sheet]. Cybersecurity and Infrastructure Security Agency. Retrieved November 3, 2026, from https://cisa.gov/sites/default/files/publications/fact-sheet-implementing-phishing-resistant-mfa-508c.pdf

CISA, NSA, FBI, & MS-ISAC. (n.d.). Phishing guidance: Stopping the attack cycle at phase one. Retrieved November 3, 2026, from https://www.scribd.com/document/680013648/Phishing-Guidance

カテゴリーとタグ

AI サイバー攻撃サイバー攻撃対策脆弱性対策情報漏えい対策,

AI時代のサイバー攻撃、根本原因はAIなのか?

Author

AI時代の今、大規模な情報漏えいが起きるたびに、決まって同じ疑問が投げかけられます。「AIが関わっていたのではないか？」

AIは本来、人間の仕事のスピード、規模、品質を高めるために生まれた技術であり、社会に害を与えることを目的としたものではありません。しかし、AIを手にした悪意あるハッカー（ブラックハットハッカー）は、セキュリティ上の隙を突いて金銭的利益を得ようとします。多くの事例を検証すると、これは表裏一体の問題であることが分かります。セキュリティの隙そのものを早い段階で解消していれば、サイバー攻撃はそもそも起こり得なかったのです。
 

1. ハッカーがAIを使ったサイバー攻撃で悪用するセキュリティの隙

1.1 既知でありながら未対応の脆弱性（最大のリスク）

課題：

現在、侵害全体の36%で初期侵入経路となっているのが脆弱性の悪用であり、フィッシング（16%）や認証情報の不正利用（13%）を上回って第1位となりました。また、Verizonは2025年3月から2026年2月にかけて、攻撃者がAIをどのように利用したかをAnthropicと共同で調査しています。

Verizonの研究者によると、攻撃者はAIを使って脆弱性の悪用を加速させており、防御側に残された猶予は数か月から数時間にまで縮まっています。その一方で、パッチ適用完了までの日数の中央値は、前年の32日から2025年には43日へと延びました。この攻撃のスピードとパッチ適用のスピードの差こそが、セキュリティの隙なのです。

学術研究もこれを裏付けています。イリノイ大学の研究では、CVEの説明文のみを与えられたGPT-4ベースのエージェントが、実在するワンデイ脆弱性15件からなるベンチマークのうち87%の悪用に成功しました。説明文を与えなかった場合、成功率は7%まで低下しています。つまりAIは、新たな脆弱性を発見するよりも、公開済みの欠陥を悪用することのほうがはるかに得意だということです。だからこそ、既知でありながら未対応の脆弱性がリスクとなるのです。なお、この論文は2024年のもので、検証対象も少数のため、具体的な数値は最新のものではなく、あくまで目安として捉えてください。

対策：

深刻度スコアだけでなく、悪用リスクに基づいて優先順位を付ける。米国CISA（サイバーセキュリティ・インフラストラクチャセキュリティ庁）の拘束的運用指令BOD 22-01がその模範です。悪用が確認された既知の脆弱性（KEV）をカタログ化し、連邦政府機関に対して修正期限を義務付けています。CISAは、あらゆる組織に対してこのカタログ掲載の脆弱性の修正を優先するよう強く推奨しています。
メンテナンスを事前に計画する。米国NIST（国立標準技術研究所）のSP 800-40 Rev. 4は、リスクシナリオごとにスケジュールを定めたメンテナンスグループの設定を推奨しています。これにより、緊急パッチの適用が関係者間の調整待ちで遅れることを防げます。
5つの管理策を活用する。リスクベースのSLA、責任者の明確化、経営層向けダッシュボード、事前に合意したダウンタイム枠、正式なリスク受容プロセス。これらはいずれも、43日というパッチ適用の遅れを解消することを狙いとしています。
AIを防御に活用する。後述するとおり、AIはどの脆弱性から先にパッチを適用すべきかの優先順位付けに役立ちます。

1.2 ソーシャルエンジニアリングとなりすまし

課題：

LLMが悪用された初期侵入手法の中で最も多かったのはフィッシング（44%）で、脆弱性の悪用（32%）、認証情報の不正利用（21%）がそれに続きます。

侵害の62%には人的要因が関わっていました。Verizonはさらに、Teamsでのなりすまし、音声通話、メール爆撃、リモートサポートの悪用などを含む「プリテキスティング（口実を用いた詐欺）」を、主要な初期侵入経路として新たに挙げています。

Arup社の事例は、この手口がどこまで巧妙になり得るかを示しています。発端はCFO（最高財務責任者）を装ったフィッシングメールで、その後のビデオ会議では、被害に遭った社員以外の参加者全員がAIで生成されたディープフェイクでした。その結果、約2,500万ドルの損失が発生しました。不正が発覚したのは、社員が本社に改めて確認を取ったときでした。このケースの隙は、別経路での確認（アウトオブバンド認証）の手順が欠けていたことにあります。

対策：

リスクの高い依頼には、独立した経路での確認を義務付ける。音声、ビデオ、メールで送金、アクセス権、振込先口座の変更などを依頼された場合は、対応する前に、別途把握している連絡手段で必ず確認を取ります。これは公的な基準の引用ではなく、Arup社の詐欺が発覚した経緯を踏まえた当社の推奨です。
従業員教育を定期的に実施する。CISA、NSA、FBI、MS-ISACの共同ガイダンスでは、ソーシャルエンジニアリングとフィッシングに関する定期的な利用者教育を推奨しています。
シングルサインオン（SSO）と耐フィッシング性の高い多要素認証（MFA）を導入する。同じ共同ガイダンスによれば、SSOは利用者が認証情報を詐取されるリスクを低減でき、特にMFAと組み合わせることで効果が高まります。
既知の悪性インフラを遮断する。メールゲートウェイでブロックリストを活用し、既知の悪性ドメイン、URL、IPアドレスを遮断します。
インシデント対応計画を文書化しておく。「だまされたかもしれない」と感じたときに取るべき行動も、計画に盛り込んでおく必要があります。

1.3 他の弱点と組み合わされる認証情報の悪用

課題：

認証情報の不正利用が初期侵入経路となったのは侵害全体の13%にとどまりますが、攻撃の過程のどこかで使われたケースは39%に上ります。攻撃者は盗んだID情報を脆弱性の悪用や権限昇格と連鎖させるため、アクセス管理が弱いと、他の隙の被害が何倍にも膨らみます。

対策：

耐フィッシング性の高いMFAへ移行する。CISAはFIDO/WebAuthnを「ゴールドスタンダード」と位置付け、広く普及している唯一の耐フィッシング性を備えた選択肢としています。SMSや音声によるMFAは、最後の手段とすべきです。
段階的に導入する。まずはメール、ファイルサーバー、リモートアクセスといった重要度の高い対象と、管理者アカウントや特権アカウントから着手します。
すぐに移行できない場合は、番号照合を利用する。プッシュ通知型のMFAについて、CISAはMFA疲労攻撃への暫定対策として番号照合方式を推奨しています。
検知して、アカウントを保護する。不審な挙動や悪意あるログイン試行の繰り返しを検知した際にはアカウントをロックし、攻撃者によるMFAの突破を防ぎます。
最小権限の原則を適用する。盗まれたログイン情報でアクセスできる範囲を限定することで、前述の「連鎖」の問題に対応できます。ひとつのID情報が盗まれただけで、すべてにアクセスできる状態にしてはなりません。これは上記の出典によるものではなく、一般的なベストプラクティスです。

1.4 組織内で管理されていないAI

課題：

IBMの調査では、回答者の20%が、許可されていない「シャドーAI」が原因で侵害が発生したと回答しており、平均損失額は約67万ドル上乗せされています。

AIモデルやAIアプリケーションの侵害を報告した組織のうち、97%は適切なAIアクセス制御を備えていませんでした。ただしIBMは、AI関連の侵害は調査対象全体に占める割合としてはまだ小さいと指摘しています。

AIを管理するポリシーやシャドーAIを検知する仕組みを持つ組織は、わずか37%にとどまります。

対策：

対策の核心は、ツールよりも先にガバナンスを整えることです。IBMの調査をもとにした報道では、AIモデルの利用とデータ入力に関する管理、社内でのAIツール利用状況の監視、そして許容される利用方法についての従業員教育が推奨されています。

実務に落とし込むと、次のようになります。

利用状況を棚卸しする。従業員が実際にどのAIツール、プラグイン、既存ソフトウェアに組み込まれたAI機能を使っているかを把握します。見えていないものは管理できません。
明確なAI利用ポリシーを策定する。どの種類のデータ（顧客データ、ソースコード、契約書、個人情報など）を、どのツールに入力してよいかを具体的に定めます。
承認済みの代替手段を提供する。従業員がシャドーAIに頼るのは、それが業務に役立つからです。適切な契約とデータ保護を備えた公認ツールを提供すれば、ルールを回避する理由は少なくなります。この点は上記の調査に基づくものではなく、当社独自の推奨です。
アクセス制御とデータ保護を適用する。AIツールにもシングルサインオン、ロールベースのアクセス制御、データ損失防止（DLP）ルールを適用します。IBMの調査で、侵害を受けた組織の大半が適切なAIアクセス制御を欠いていたことが明らかになっているためです。
監視と教育を行う。許可されていないAIの通信を監視し、何が危険でなぜ危険なのかを従業員に教育します。
責任者を任命する。AIガバナンスについて説明責任を負う担当者を1名明確にします。前述の「責任者の明確化」と同じ考え方です。

1.5 AIアプリケーション自体の弱点

課題：

OWASPが2025年に公開したLLMアプリケーション向けのリストは、専門家の視点を示しています。第1位はプロンプトインジェクションです。ある実務家は、これはLLMの設計そのものを突く攻撃であるため、単純にパッチで修正することはできないと指摘しています。また、エージェントがタスクに必要以上のツールや権限を持つ「過剰なエージェンシー（過剰な権限委譲）」の項目は、大幅に拡充されました。こうしたリスクは、AIアシスタントがメール、データベース、APIと連携するほど大きくなります。

対策：

インシデントの種類ごとに、実務上の主な対策は次のとおりです。

プロンプトインジェクション：入力検証、出力フィルタリング、権限の制限、そして機密性の高い操作における人間による確認（ヒューマン・イン・ザ・ループ）を組み合わせます。モデルの出力は信頼できない入力として扱い、プロンプトの内容にかかわらず、重要な管理策はモデルの外側で実施します。
過剰なエージェンシー：エージェントの権限を各タスクに必要な範囲に限定し、影響の大きい操作には人間の承認を必須とし、エージェントの操作には強固なID・アクセス管理を適用します。
プロンプトに機密情報を含めない：機密データをプロンプトから切り離します。外部ツールへのアクセスは、モデルに直接権限を渡すのではなく、アプリケーション側のコードで、範囲を限定した専用の認証情報を使って処理します。
連携先システム側で制御する：何が許可されているかの判断をモデルに任せるのではなく、AIが接続するシステム側で確認する仕組みにします。
ログを記録し、監査する：改ざんできないログを保管し、あらゆるプロンプトや操作をユーザーまで追跡できるようにします。

2. AI for Good：AIを活用してサイバー攻撃から企業を守る

リスクの高い操作には、引き続き人間による承認と、検証済みの対応手順（プレイブック）が欠かせません。AIが反復的で大量の作業を担うことで、セキュリティ担当者は思考と判断が求められる業務に時間を充てられるようになります。AIが力を発揮できる主な領域は次のとおりです。

2.1 検知の迅速化とアラートノイズの削減

機械学習モデルは、通信、ログインイベント、エンドポイントの挙動をベースラインと照らし合わせてスコアリングし、固定ルールでは見逃してしまう異常を浮かび上がらせることで、アナリストが処理するアラート件数を削減します。2026年のあるガイドでは、防御面での活用例として、アラートの要約、EDR/XDRの相関分析、フィッシング検知、IDのリスクスコアリング、インシデント対応報告書の下書き作成などが挙げられています。

2.2 より賢いパッチ適用の優先順位付け

多くの組織は、迅速に修正できる数を上回る脆弱性を抱えています。AIは深刻度スコアだけでなく、実際の悪用可能性や資産の重要度を踏まえて脆弱性に優先順位を付けることができます。ある実務家向けの情報源は、その目的を「リスクを最も効果的に下げるには、何から先にパッチを適用すべきか」に答えることだと説明しています。AIは優先順位付けの補助であり、未来を見通す水晶玉ではありません。

2.3 フィッシングと詐欺の検知

AIは不審なメールを分析し、攻撃キャンペーンのパターンを人手による確認よりも速く見つけ出せます。フィッシング対策ベンダーは、AIが大量の処理を担い、影響の大きい脅威や未知の脅威はアナリストが検証するという、AIを組み込んだSOC（セキュリティオペレーションセンター）の運用を推奨しています。

2.4 対応の迅速化とコスト削減

IBMの2025年版データ侵害レポートによると、セキュリティ運用にAIと自動化を幅広く活用している組織は、侵害1件あたり平均190万ドルのコストを削減し、侵害のライフサイクル（発生から封じ込めまでの期間）を平均80日短縮していました。

3. まとめ：企業が今すべきこと、特に日本企業にとって

AIによって基本対策の緊急性は高まりますが、AIが基本対策に取って代わるわけではありません。防御にAIを取り入れ、自社のAI利用を統制し、迅速な脆弱性対応を、IT部門だけの仕事ではなく経営の責任として位置付けることが重要です。
既知の弱点への対応を早める。脆弱性の悪用は今や侵害の最大の侵入経路であり、パッチ適用はそのスピードに追いついていません。複雑なサプライチェーンやレガシーシステムを抱える企業にとって、まず投資すべき領域です。
サイバーセキュリティを経営課題として扱う。日本にはすでにそのための枠組みがあります。経済産業省とIPA（情報処理推進機構）の「サイバーセキュリティ経営ガイドライン Ver 3.0」は、企業の経営者に向けて作成されたものです。責任者の明確化、経営層向けダッシュボード、正式なリスク受容プロセスは、このガイドラインを実践に移すための具体的な手段となります。
AIの活用を広げる前に、AI利用のガバナンスを整える。2026年3月31日に公表された経済産業省・総務省の「AI事業者ガイドライン（第1.2版）」では、AIエージェントも対象に含まれるようになりました。このガイドラインは法的拘束力のないソフトローですが、拘束力がないことはリスクが低いことを意味しません。IBMのデータが示すとおり、シャドーAIは侵害コストを押し上げ、侵害を受けた組織の大半はAIアクセス制御を欠いていました。
新たな報告義務に備える。2025年5月に成立した日本の能動的サイバー防御関連法は、2026年から2027年にかけて段階的に施行され、基幹インフラ事業者とそのサプライチェーンに報告・協力義務が課されます。自社にどの規定が適用されるかは、法律の専門家や政府の公式情報で確認してください。
人間が主導権を持ったうえで、AIを防御に活用する。アラートのトリアージ、パッチ適用の優先順位付け、フィッシング検知にはAIを活用しつつ、リスクの高い操作には人間の承認を残します。また、AIが穴を埋めてくれることを前提に、アナリストの体制を縮小してはなりません。
この時代を乗り越える企業は、最も多くのAIを導入した企業ではありません。既知の隙を迅速に塞ぎ、リスクごとの責任者を明確にし、自社が使うAIを適切に統制できる企業です。

参考文献

Abnormal AI. (2026, June 4). 62% of breaches involved the human element: Key takeaways from Verizon 2026 DBIR. Abnormal AI. Retrieved November 3, 2026, from https://abnormal.ai/blog/blog-verizon-2026-dbir-key-takeaways

Adaptive Security. (n.d.). Arup’s $25M deepfake loss: Anatomy of an AI-powered scam. Adaptive Security. Retrieved November 3, 2026, from https://adaptivesecurity.com/blog/arup-deepfake-scam-attack

Aembit. (n.d.). The OWASP Top 10 for LLM applications (2025) explained. Aembit. Retrieved November 3, 2026, from https://aembit.io/blog/owasp-top-10-llm-risks-explained/

Construction Briefing. (2024, May 21). Arup employee falls victim to US$25 million deepfake video call scam. Construction Briefing. Retrieved November 3, 2026, from https://www.constructionbriefing.com/news/arup-employee-falls-victim-to-us-25-million-deepfake-video-call-scam/8037338.article

CXO Digital Pulse. (n.d.). Verizon DBIR 2026: Vulnerability exploitation becomes the leading cause of data breaches. CXO Digital Pulse. Retrieved November 3, 2026, from https://www.cxodigitalpulse.com/?p=54284

Fang, R., Bindu, R., Gupta, A., & Kang, D. (2024, April 17). LLM agents can autonomously exploit one-day vulnerabilities (arXiv:2404.08144v2). arXiv. Retrieved November 3, 2026, from https://arxiv.org/html/2404.08144v2

Help Net Security. (2025, August 4). Average global data breach cost now $4.44 million. Help Net Security. Retrieved November 3, 2026, from https://helpnetsecurity.com/2025/08/04/ibm-cost-data-breach-report-2025

IBM. (2025). 2025 cost of a data breach report: Navigating the AI rush without sidelining security. IBM. Retrieved November 3, 2026, from https://www.ibm.com/think/x-force/2025-cost-of-a-data-breach-navigating-ai

SC World. (n.d.). Verizon DBIR 2026: Vulnerability exploits top initial access as patching coverage falls. SC World. Retrieved November 3, 2026, from https://www.scworld.com/news/verizon-dbir-2026-vulnerability-exploits-top-initial-access-as-patching-coverage-falls

SecurityWeek. (n.d.). Verizon DBIR 2026: Vulnerability exploitation overtakes credential theft as top breach vector. SecurityWeek. Retrieved November 3, 2026, from https://www.securityweek.com/verizon-dbir-2026-vulnerability-exploitation-overtakes-credential-theft-as-top-breach-vector/

TechRepublic. (n.d.). IBM report: Shadow AI and poor governance linked to costlier breaches in 2025. TechRepublic. Retrieved November 3, 2026, from https://www.techrepublic.com/article/news-ai-breach-risks-rise-as-governance-lags/

theCUBE Research. (n.d.). Verizon’s 2026 DBIR and the gap between risk and response. theCUBE Research. Retrieved November 3, 2026, from https://thecuberesearch.com/?p=322049

CISA. (2021, November 3). CISA releases directive on reducing the significant risk of known exploited vulnerabilities [Press release]. Cybersecurity and Infrastructure Security Agency. Retrieved November 3, 2026, from https://www.cisa.gov/news/2021/11/03/cisa-releases-directive-reducing-significant-risk-known-exploited-vulnerabilities

BNN CPA. (n.d.). What bank leaders should be asking about cybersecurity risk governance. BNN CPA. Retrieved November 3, 2026, from https://www.bnncpa.com/resources/what-bank-leaders-should-be-asking-about-cybersecurity-risk-governance/

National Institute of Standards and Technology. (2024). NIST CSF 2.0 implementation examples. NIST. Retrieved November 3, 2026, from https://www.nist.gov/document/csf-20-implementations-pdf

Nomios. (n.d.). Governance and the NIST Cybersecurity Framework. Nomios. Retrieved November 3, 2026, from https://www.nomios.nl/en/news-blog/governance-nist-cybersecurity-framework-nis2/

OODA Loop. (n.d.). Federal deadlines for updates to known exploited vulnerabilities and zero-days patches. OODA Loop. Retrieved November 3, 2026, from https://oodaloop.com/analysis/archive/federal-deadlines-for-updates-to-known-exploited-vulnerabilities-and-zero-days-patches/

PDQ. (n.d.). How to build a patch management plan. PDQ. Retrieved November 3, 2026, from https://www.pdq.com/blog/how-to-build-a-patch-management-plan/

Souppaya, M., & Scarfone, K. (2022, April). Guide to enterprise patch management planning: Preventive maintenance for technology (NIST Special Publication 800-40 Rev. 4). National Institute of Standards and Technology. Retrieved November 3, 2026, from https://nvlpubs.nist.gov/nistpubs/SpecialPublications/NIST.SP.800-40r4.pdf

NIST. (2022). NIST highlights enterprise patch management in latest guidance. National Institute of Standards and Technology. Retrieved November 3, 2026, from https://www.nist.gov/node/1700231

Chambers and Partners. (2026). Cybersecurity 2026: Japan. Chambers and Partners. Retrieved November 3, 2026, from https://gpg-pdf.chambers.com/cybersecurity-2026/238/

Eastgate Software. (n.d.). IEC 62443 Japan industrial cybersecurity: 2026 engineering guide. Eastgate Software. Retrieved November 3, 2026, from https://eastgate-software.com/insights/japan-iec-62443-cybersecurity

Global Law Experts. (2026). Japan 2026: Active Cyber Defense Law (ACD), practical compliance guide for businesses. Global Law Experts. Retrieved November 3, 2026, from https://globallawexperts.com/active-cyber-defense-law-japan/

Hamamoto, R. (2026, May 20). ¥1 trillion and AI agents: Japan’s AI Promotion Act and Business Guidelines v1.2. TIMEWELL. Retrieved November 3, 2026, from https://timewell.jp/en/columns/japan-ai-promotion-act-business-guidelines-v1-2

Ministry of Economy, Trade and Industry, & Information-technology Promotion Agency, Japan. (2023, March 24). Cybersecurity management guidelines for Japanese enterprise executives, Ver. 3.0. METI. Retrieved November 3, 2026, from https://www.meti.go.jp/policy/netsecurity/downloadfiles/CSM_Guideline_v3.0_en.pdf

Aembit. (n.d.). The OWASP Top 10 for LLM applications (2025) explained. Aembit. Retrieved November 3, 2026, from https://aembit.io/blog/owasp-top-10-llm-risks-explained/

AppSecEngineer. (2026, February 17). Understanding prompt injection: A guide to AI’s top security threat (LLM01). AppSecEngineer. Retrieved November 3, 2026, from https://www.appsecengineer.com/blog/understanding-prompt-injection-a-guide-to-ais-top-security-threat-llm01

Reco. (n.d.). OWASP Top 10 for LLM applications. Reco. Retrieved November 3, 2026, from https://www.reco.ai/blog/owasp-top-10-for-llm-applications

Unique. (n.d.). OWASP Top 10 for LLM applications 2025. Unique. Retrieved November 3, 2026, from https://docs.unique.ai/security-and-compliance/it-security/owasp-top-10-for-llm-applications-2025

Cybersecurity Dive. (2022). CISA calls phishing-resistant MFA the “gold standard”. Cybersecurity Dive. Retrieved November 3, 2026, from https://cybersecuritydive.com/news/cisa-phishing-resistant-mfa/635763

CISA. (2022, October). Implementing phishing-resistant MFA [Fact sheet]. Cybersecurity and Infrastructure Security Agency. Retrieved November 3, 2026, from https://cisa.gov/sites/default/files/publications/fact-sheet-implementing-phishing-resistant-mfa-508c.pdf

CISA, NSA, FBI, & MS-ISAC. (n.d.). Phishing guidance: Stopping the attack cycle at phase one. Retrieved November 3, 2026, from https://www.scribd.com/document/680013648/Phishing-Guidance

カテゴリーとタグ

AI サイバー攻撃サイバー攻撃対策脆弱性対策情報漏えい対策,

AI時代のサイバー攻撃、根本原因はAIなのか?

Author

1. ハッカーがAIを使ったサイバー攻撃で悪用するセキュリティの隙

1.1 既知でありながら未対応の脆弱性（最大のリスク）

1.2 ソーシャルエンジニアリングとなりすまし

1.3 他の弱点と組み合わされる認証情報の悪用

1.4 組織内で管理されていないAI

1.5 AIアプリケーション自体の弱点

2. AI for Good：AIを活用してサイバー攻撃から企業を守る

2.1 検知の迅速化とアラートノイズの削減

2.2 より賢いパッチ適用の優先順位付け

2.3 フィッシングと詐欺の検知

2.4 対応の迅速化とコスト削減

3. まとめ：企業が今すべきこと、特に日本企業にとって

参考文献

カテゴリーとタグ

Techter アシスタント

AI時代のサイバー攻撃、根本原因はAIなのか?

Author

1. ハッカーがAIを使ったサイバー攻撃で悪用するセキュリティの隙

1.1 既知でありながら未対応の脆弱性（最大のリスク）

1.2 ソーシャルエンジニアリングとなりすまし

1.3 他の弱点と組み合わされる認証情報の悪用

1.4 組織内で管理されていないAI

1.5 AIアプリケーション自体の弱点

2. AI for Good：AIを活用してサイバー攻撃から企業を守る

2.1 検知の迅速化とアラートノイズの削減

2.2 より賢いパッチ適用の優先順位付け

2.3 フィッシングと詐欺の検知

2.4 対応の迅速化とコスト削減

3. まとめ：企業が今すべきこと、特に日本企業にとって

参考文献

カテゴリーとタグ

TECHVIFY Team