AIウォッシングとは？発注前に見抜くチェックポイント9項目

「AI活用」「機械学習搭載」——ベンダー提案書に並ぶこうした言葉に、どこか腑に落ちない違和感を覚えたことはないでしょうか。3社4社と提案を並べても、どれも同じ表現でAIをうたい、費用対効果の根拠は曖昧なまま。それでも週次会議は迫り、経営層への説明責任は自分にのしかかっています。

近年、こうしたベンダー選定の現場を揺るがす問題として「AIウォッシング（AI washing）」が注目されています。これは、実際にはAI技術が搭載されていない、あるいはごく限定的にしか使われていない製品・サービスを、あたかも本格的なAIであるかのように喧伝する行為です。米国ではSECやFTCが摘発に乗り出し、大手ベンチャーの創業者が詐欺罪で起訴される事件も起きています。

しかし、発注担当者の悩みは「AIウォッシングという概念を知ること」ではありません。本当に困っているのは、目の前の提案書を横並びで採点し、「なぜこのベンダーを選び、なぜこのベンダーを外したか」を上司・稟議・法務に説明できる客観的な根拠を作ることです。技術に詳しくない発注担当者が、限られた時間と予算のなかで偽物を排除しなければならない——この構造こそが、多くの現場で共通するペインポイントです。

本記事では、AIウォッシングの定義と3つの類型を整理したうえで、発注前に見抜くための実務チェックポイントを9項目のリストとして提示します。さらに、PoC設計で「本物」を検証する4つの観点、経済産業省が公表している契約チェックリストに基づいて押さえるべき5条項まで、RFP・PoC・契約の3フェーズを縦断する形で解説します。読み終えたときには、明日のベンダーヒアリングと稟議書に転用できる採点シートが手元に残る構成にしています。

—Free Download / 資料ダウンロード

はじめての AI 導入ガイド――中小企業が失敗しないための7ステップ

この資料でわかること

AI導入を検討しているが「何から始めればよいか分からない」中小企業の意思決定者に対し、導入プロジェクトの全体像を一気通貫で提示し、「自社でも着手できる」という確信と具体的な行動計画を持ってもらうこと。

こんな方におすすめです

• AI導入を検討しているが、何から始めればよいか分からない
• ベンダーの選び方や費用感がつかめず、判断できない
• 社内でAI導入の稟議を通すための資料が必要

詳しく見る

フォームから無料ダウンロード

お名前必須

会社名必須

メールアドレス必須

電話番号任意

ご質問・ご要望任意

プライバシーポリシーに同意の上、送信します。ダウンロードする

入力いただいたメールアドレスにPDFをお送りします。

AIウォッシングとは何か

AIウォッシング（AI washing）は、実際にはAI技術を使っていない、あるいは限定的にしか使っていない製品・サービスを、あたかも本格的なAIであるかのように広告・宣伝・投資家説明する行為を指します。まずは定義と背景を整理し、発注担当者が最初に押さえるべき「3つの類型」を確認します。

AIウォッシングの定義と語源

「ウォッシング（washing）」という接尾語は、環境問題における「グリーンウォッシング（実態のない環境配慮を装う行為）」を語源としており、実態のない訴求で消費者・投資家・取引先を誤認させる行為全般に用いられています。AIウォッシングは、この構造をAI分野に応用した造語です。

この問題は日本でも同様に懸念されており、報道でも「AI活用と言っているが中身が伴わない製品が増えている」との指摘が出ています。発注担当者の立場では、提案書のキャッチコピーだけを見て判断すると、後から「実は普通のルールベース処理でした」「AI要素はごく一部でした」と発覚するリスクを抱えることになります。

近年は、AIウォッシングの派生形として「AIエージェントウォッシング」という言葉も広がっています。これは、生成AIと自動化ツールを組み合わせただけの製品を「自律的に判断・行動するAIエージェント」として売り込む行為を指します。Forbes JAPAN は「自動化と自律性の混同」がAIエージェントウォッシングの本質だと整理し（AIエージェントウォッシングとは何か、そしてなぜそれが蔓延しているのか？（Forbes JAPAN、2025年））、国内のマーケティング解説でも「事前に定義したフローを実行するだけの仕組みをエージェントと称するケースが増えている」との指摘があります（AIエージェントウォッシングの仕組み｜本物と偽物の境界線（IMデジタルマーケティング））。発注担当者は、AIウォッシング全般だけでなく、この「エージェント文脈」の誇大表現にも警戒する必要があります。

3つの類型（非AI偽称／人手代替／性能誇大）

AIウォッシングを「単なる誇大広告」の一言で片づけると、実際の提案書を評価する際に判定が曖昧になります。実務では、次の3類型に分解して考えると、目の前のベンダー提案がどこに該当するかを整理しやすくなります。

類型1: 非AI技術をAIと偽称する

ルールベースのIF-THEN処理、単なる統計処理、既存の業務システムの検索機能などを「AI」と呼び替えているケースです。技術的にはAI(機械学習・深層学習・生成AI)ではなく、10〜20年前から存在する業務システムの延長線上にあります。RPAツールに簡単な条件分岐を追加しただけで「AIエージェント」と称する例も、この類型に近いといえます。

類型2: 実装はあるが人手が大半を担っている

AIモデルは存在するものの、実際の処理の大半を人間のオペレーターが手動で行っているケースです。米国のスタートアップNate社の事件では、AIによる自動購入と説明していたショッピングアプリの実態がフィリピンのコールセンターでの人手対応であったとされ、創業者が証券詐欺・電信詐欺で起訴されています（Nate CEO is charged with fraud over fake AI claims（Digital Commerce 360、2025年4月））。発注担当者にとっては、「デモは魔法のように動いたが、実運用時はスループットが極端に低下する」といった形で顕在化します。

類型3: 技術的には正しいが性能主張が過大

AIモデルの実装自体は事実だが、精度・自動化率・処理能力について実測値と大きく乖離する主張をしているケースです。SECは2024年3月、投資助言業者のDelphiaとGlobal Predictionsに対し、AIの利用に関する虚偽・誤解を招く記述を理由にそれぞれ22.5万ドル・17.5万ドルの民事制裁金を科しました（Two investment advisers agree to pay $400,000 to resolve SEC AI washing allegations（ABA Banking Journal、2024年4月））。この類型は「嘘ではないが誇張」であるため、後述する精度指標・検証データの開示要求で見抜くことになります。

発注担当者は、提案書を眺めながら「このベンダーは3類型のどれに近いか」を意識するだけでも、次に確認すべき質問の焦点が定まります。

なぜ 2025〜2026 年に急拡大しているのか

AIウォッシングが近年拡大している背景には、供給側・需要側・投資家側の3つの圧力があります。

供給側では、生成AIブームによって「AIをうたわないと選ばれない」という差別化圧力が働いています。従来型のSaaSベンダーも、機能の一部にLLMを組み込んでは「AI搭載」と表示するケースが増えました。

需要側では、経営層が「AIで業務効率化」を号令し、現場が短期間で導入判断を迫られる構造ができています。時間がないため、提案書を精査せず、キャッチコピーとデモ動画で選定してしまう場面が発生します。

投資家側では、スタートアップの資金調達においてAI関連であることが企業価値を押し上げる傾向があり、実態が伴わないまま「AIファースト」を掲げる動機が強まっています。米国FTCは2024年9月、AIをうたって消費者や小規模事業者を欺いた5件の摘発を含む「Operation AI Comply」を発表し、AIに関する誇大な訴求への規制姿勢を強めています（FTC Announces Crackdown on Deceptive AI Claims and Schemes（FTC、2024年9月））。

この3つの圧力が重なっている以上、発注担当者は「多くのベンダー提案にウォッシング要素が混ざり得る」という前提で選定プロセスを設計する必要があります。

発注企業が被る具体的リスク

「なぜ発注前に見抜く必要があるのか」を、経営層と自分自身の立場から言語化しておくと、社内会議での説明が楽になります。ここでは投資回収・規制・意思決定責任の3側面で整理します。

投資回収に届かない技術的リスク

もっとも直接的なリスクは、投資したAIシステムが期待した業務効果を生まないことです。ルールベースをAIと偽称したシステムでは、業務パターンが少し変わっただけで対応できず、追加のカスタマイズ費用が膨らみます。人手代替型では、契約時に想定した処理能力が実運用のピーク時に破綻します。性能誇大型では、精度が実測で提案書の値を大きく下回り、業務プロセスの再設計を余儀なくされます。

いずれのケースでも、初期導入費用だけでなく、業務停止による機会損失・現場の混乱・追加開発費用が発生します。数百万円規模の投資が、結果として数千万円の負債に膨らむこともあります。

規制・レピュテーションリスク

日本国内では、消費者庁が景品表示法（優良誤認表示・有利誤認表示）の観点でAI関連の広告表現に注視しており、実態を伴わない「AI搭載」訴求はリスクがあります。B2B取引でも、自社が「AI搭載製品」として顧客に再販・組み込み提供した場合、下流の顧客に対する説明責任が生じます。

海外ではより明確な摘発が進んでいます。SECは前述の投資助言業者2社に加え、AIに関する情報開示の適正性を継続的に問題視しています。FTCはOperation AI Complyで、AIをうたった消費者向けサービスへの取り締まりを開始しました。日本企業が海外市場に展開する場合、これらの規制動向は他人事ではありません。

自社製品にウォッシング疑義のあるAIコンポーネントを組み込んで販売した後、顧客からクレームが発生した場合、責任の切り分けは容易ではありません。ベンダー選定の段階でリスクを排除しておくことが、下流のトラブル回避につながります。

発注担当者個人が被る意思決定責任

多くの発注担当者にとって、もっとも切実なのは個人の意思決定責任です。「なぜこのベンダーを選んだのか」を上司・経営層・監査に問われたとき、キャッチコピーとデモ動画だけで説明すると、投資が失敗した場合に「なぜ疑わなかったのか」を突かれます。

一方、9項目のチェックポイントを用いて客観的に採点し、その記録を稟議書に添付していれば、仮に想定通りの成果が出なかった場合でも「判定プロセスは適切だった」ことが記録に残ります。これは意思決定者としての自衛の意味でも重要で、選定プロセスを標準化することで責任の分散が可能になります。

このセクションで整理したリスクは、そのまま社内会議の冒頭で説明する材料にできます。次のセクションでは、リスクを回避するための具体的なチェックポイントに入ります。

発注前に見抜くチェックポイント9項目

ここからが本記事の核です。RFP・提案書レビュー段階でベンダーに確認すべき項目を9つに整理しました。各項目はそのまま質問文として使え、稟議書の添付資料としても転用できる粒度で設計しています。RFP そのものの書き方や評価軸を体系的に整理したい場合は、RFPでのベンダー評価も併せて参照してください。

曖昧語ブラックリストと「翻訳質問」の型

まず、提案書の中に頻出する曖昧語をリスト化し、それぞれについて「具体的には何を指すか」を翻訳質問で確認します。

代表的な曖昧語は次のとおりです。

• 「インテリジェントに処理する」
• 「高度なAIで自動化する」
• 「最先端の機械学習を活用する」
• 「AIエージェントが判断する」
• 「ディープラーニングで精度向上」

これらの語が出てきたときの翻訳質問の型は次の3つです。

• 「そのAIは具体的にどの技術（ルールベース・機械学習・深層学習・LLM）で構成されていますか」
• 「AIが処理する範囲と、人間・既存システムが処理する範囲を業務フロー図で示してもらえますか」
• 「その『インテリジェント』は、実装時にどのアルゴリズムに落とし込まれますか」

回答が「独自技術のため詳細は開示できない」に終始する場合は要注意です。営業秘密の保護は理解しますが、少なくとも技術カテゴリ（機械学習か生成AIか等）は開示できるはずです。

モデル・データ・精度指標の3点確認

技術的な実体を確認するための3点セットです。専門家でなくても、次の質問を投げることで判定材料が得られます。

モデルの確認

「使用するモデル・アルゴリズムの名称を教えてください。GPT系のような汎用LLMなのか、独自に学習した専用モデルなのか、あるいは複数の組み合わせなのかを整理してください」

汎用LLM（GPT・Claude・Gemini等）を使うこと自体は問題ではありません。ただし「独自AI」と称して実態が汎用LLMのAPI呼び出しだけである場合、外部サービスの価格改定や仕様変更のリスクを自社が丸ごと負うことになります。この情報は契約リスク評価にも直結します。

データの確認

「学習・チューニングに使用したデータの出所と量を教えてください。事前学習モデルをそのまま使うのか、自社データで追加学習するのか、業界固有のデータセットを使うのか」

自社の業務データで再学習する場合、データの前処理・アノテーション作業の負荷が誰の責任範囲かも合わせて確認します。

精度指標の確認

「精度を示す指標として、Precision（適合率）・Recall（再現率）・F値のいずれを、どのような検証データセットで測定しているかを教えてください。実運用データで測定した最新の値も併せて共有してもらえますか」

「精度90%」とだけ書かれた提案書は、母集団と測定条件が不明のため信頼できません。指標名と測定条件がセットで開示されて初めて意味を持ちます。

実績・第三者評価・アップデート方針の確認

技術面の3点に加えて、実装・運用の観点で3点を確認します。ここで整理する観点は、AI以外のシステム発注にも応用可能な選定基準です。汎用的な採点軸を先に押さえておきたい場合は、ベンダー選定基準を参照するとフレームワーク全体を俯瞰できます。

類似案件での稼働実績

「自社と同規模・同業種での導入実績を、匿名でも構わないので3件以上共有してください。特に、想定業務量・稼働期間・精度の実測値を含めた実績を確認します」

業種が同じでも規模が違うと、モデルの挙動が変わることがあります。中小企業向けにチューニングされたモデルが大企業のデータ量で破綻するケース、その逆もあります。

第三者評価・監査の有無

「AIモデルの性能・公平性・セキュリティについて、第三者機関による評価・監査を受けていますか。ISO/IEC 42001（AIマネジメントシステム）等の認証取得予定はありますか」

第三者評価は必須ではありませんが、ある場合は判断の裏付けになります。ない場合でも「なぜ受けていないか」の説明があれば、成熟度の理解が進みます。

モデルアップデート方針

「モデルはどの頻度で更新されますか。更新時の互換性・後方性能保証はどう扱われますか。想定外の性能低下が発生した場合のロールバック手順はありますか」

生成AI領域では、モデル更新で挙動が変わる「バージョン差分の影響」が大きなリスクです。契約前にアップデート方針を確認しておくことで、後の運用トラブルを予防できます。

チェックリスト表（9項目のNG/OK回答例まとめ）

以上の9項目を、稟議書の添付資料として使える形にまとめました。

この表を提案書レビュー時に埋めていくだけで、複数ベンダーの横並び比較が可能になります。「なぜこのベンダーを選び、なぜあのベンダーを外したか」を稟議書で説明する際、この表の抜粋を添付するだけで説得力が大きく変わります。

PoC で「本物」を検証する設計

提案書レビューでベンダーを2〜3社に絞ったら、次はPoC（Proof of Concept）で実地検証します。ただし、通常のPoC設計では「業務適合性」が主眼になりやすく、AIウォッシングの見抜きには不十分です。ウォッシング検出に特化した検証観点を組み込む必要があります。

提案書だけで判定しきれない理由

提案書で開示できる情報には限界があります。ベンダー側の営業担当者が善意で回答していても、実装の詳細を営業が正確に把握していないことは多々あります。特に「実装はあるが人手が大半を担っている」類型は、提案書の記述だけでは判別困難です。

また、性能誇大型（類型3）では、ベンダーが用意したデモデータでは想定通り動作するものの、発注側の実データを流し込むと精度が大きく低下することがあります。この乖離は、PoCで実データを使うことでしか検出できません。

つまりPoCは「業務に使えるかの確認」だけでなく、「提案書の主張が本物かの検証」でもあると位置づけ直す必要があります。

PoCに埋め込む4つの検証観点

ウォッシング検出のためにPoCに組み込むべき観点は次の4つです。

観点1: ダミーデータ・エッジケースでの再現性

正常系のデータに加えて、意図的に難易度の高いエッジケース（データ欠損・想定外の入力・矛盾する情報）を混ぜて検証します。ルールベース偽称の場合、想定シナリオから外れた入力で挙動が破綻するため、この観点で判別できます。

観点2: 推論時間・スループット

処理速度を実測します。人手代替型では、AIによる自動処理と主張しているにもかかわらず、実質的に人間が介在しているために処理時間が想定より大幅に長くなります。ピーク時の同時処理件数・レスポンスタイムのバラつきを見ることで、人手介在の可能性を推測できます。

観点3: モデル差し替え・微調整の妥当性

PoC期間中に、モデルパラメータや前処理の変更をリクエストしてみます。本物のAI実装であれば、変更内容と挙動変化の因果関係を技術的に説明できます。偽称の場合、変更しても挙動が変わらない、あるいは説明が支離滅裂になります。

観点4: バックエンドで人が処理していないかの検証

深夜や早朝など、コールセンターの営業時間外に大量の処理をリクエストして応答速度をチェックする、正解が明らかに人間判断に依存するようなトリッキーな入力に対する反応を見る、といった手法で人手介在の有無を推測できます。倫理的に問題のない範囲で「意地悪な検証」を組み込む価値があります。

PoC 結果の読み方（合格基準の設定）

PoC開始前に、合格基準を明文化しておきます。基準がないまま進めると、ベンダー側の主張ペースに引きずられて「なんとなく良さそう」で通してしまいがちです。

推奨する合格基準の枠組みは次の3層です。

• 必須条件（Must）: 提案書に記載された精度指標を、PoC実データで達成すること。乖離が10%以上ある場合は不合格
• 重要条件（Should）: エッジケースでの挙動が説明可能であること。想定外の入力で破綻せず、破綻する場合も事前に想定される
• 希望条件（Want）: モデル変更時の挙動説明が技術的に整合していること。運用フェーズでのアップデート方針が現実的であること

この3層を数値化しておくと、複数ベンダーのPoC結果を横並びで比較でき、社内合意も取りやすくなります。

契約書で押さえるべき条項

PoCを通過したベンダーとの契約段階では、AIウォッシング対策として押さえるべき条項があります。経済産業省は2025年2月に「AIの利用・開発に関する契約チェックリスト」を公表しており、これはユーザー・ベンダー間の契約における留意点を12項目に整理した実務向けのガイドです（「AIの利用・開発に関する契約チェックリスト」を取りまとめました（経済産業省、2025年2月））。

経産省チェックリストとAIウォッシング対策の関係

経済産業省のチェックリストは、AI関連サービスの契約を「利用型（汎用的AIサービス利用型）」と「開発型（カスタマイズ型・新規開発型）」に大別したうえで、それぞれの契約条項の留意点を解説しています。社内法務・顧問弁護士だけでなく、ビジネス部門担当者が初期検討する場面も想定した構成です（AIの利用・開発に関する契約チェックリスト 令和7年2月（経済産業省））。

このチェックリスト自体はAIウォッシング対策を主目的としたものではありませんが、記載されている条項の多くは、実は「後から実態が違うと分かったときのリスク配分」に関わっています。発注担当者は、契約チェックリストの各項目を「実態と主張が乖離した場合の防御線」という観点で読み直すと、AIウォッシング対策の契約要件が見えてきます。

押さえるべき5条項

契約書レビュー時に、特に確認したい条項を5つに整理しました。

条項1: 使用モデル・アルゴリズムの開示義務

契約書に、使用するモデル・アルゴリズム・外部APIの技術構成を別紙で明記させます。「独自技術のため非開示」で通してしまうと、後から実態と主張の食い違いが発覚しても契約違反として問えなくなります。少なくとも技術カテゴリと外部API依存の有無は書面に残します。

条項2: 性能保証と免責条項の書き分け

「AIの精度は100%を保証するものではない」等の免責条項は一般的ですが、その範囲を明確にする必要があります。提案書で示された精度指標を契約上の目標値として明記し、大幅に下回った場合の対応（再チューニング・追加コスト負担・返金）を規定します。免責を無限定にすると、性能誇大型のウォッシング対策として機能しなくなります。

条項3: 学習データの出所と権利

自社データを追加学習に使う場合、そのデータの所有権・利用範囲・契約終了後の削除義務を明記します。ベンダー側が他社サービスの改善に自社データを再利用するリスクを回避する条項も必要です。この観点は経済産業省のチェックリストでも重点項目のひとつです。

条項4: モデル変更時の事前通知義務

生成AI領域では、モデルバージョンが更新されると挙動が変わることがあります。ベンダーが基盤モデルをアップデートする場合、事前通知と検証期間を保証する条項を入れます。通知なしのアップデートで業務に影響が出た場合の責任分担も規定します。

条項5: SLA と再委託先の明示

処理能力・応答時間・稼働率のSLAを数値で規定します。加えて、実際の処理を第三者に再委託している場合はそれを開示させ、再委託先の変更時の通知義務を課します。人手代替型のウォッシングは、多くの場合この「再委託先の透明化」を通じて検出できます。

これら5条項は、稟議書で「なぜこの契約条件で締結するか」を説明する材料にもなります。

契約後にウォッシングが発覚した場合の初動対応

契約段階でここまで押さえていても、運用開始後に実態と主張の乖離が発覚することはあり得ます。その場合の初動を事前に決めておくと、被害を最小化できます。

第一歩は、乖離の実態を客観データで記録することです。提案書・契約書に記載された性能指標と、実運用での測定値を並べたエビデンスを作成します。第二歩は、ベンダーへの是正要求です。契約書に基づく通知を書面で行い、対応期限を設定します。第三歩は、社内の意思決定者への報告です。契約解除・訴訟・継続再交渉のいずれを選ぶかは経営判断となるため、状況を整理して選択肢を提示します。

この初動プロセスを社内で標準化しておくと、担当者個人が抱え込まずに済み、意思決定の遅れによる損失拡大を防げます。

まとめ — 発注前チェックの型を社内標準化する

AIウォッシングは、生成AIブームと経営層からの導入圧力が重なる現代の発注現場で、多くの担当者が直面する実務課題です。本記事では、3類型による問題の分解、9項目のチェックポイント、PoCの4つの検証観点、経済産業省の契約チェックリストに基づく5条項という順で、RFP・PoC・契約の3フェーズを縦断する採点フレームを示しました。

ここで重要なのは、このフレームを一度きりのベンダー選定で終わらせず、社内標準として運用に落とし込むことです。今回選んだベンダーだけでなく、次のプロジェクト・別部門の導入・数年後のリプレイス検討でも、同じチェックリストを再利用できる形で残しておくことに大きな価値があります。ベンダー選定を組織的な業務プロセスとして標準化する進め方はベンダー選定ガイドで詳しく解説しているので、AIウォッシング対策と併せて参照してください。

具体的には、今回のベンダー選定で作成したチェックリスト（9項目採点表）と選定理由を、部門のナレッジベースに残します。次回以降の発注担当者は、この採点シートをテンプレートとしてスタートでき、選定プロセスの品質を担保できます。属人的な判定ではなく、組織のナレッジとして選定基準を継承していくことが、AIウォッシングに対する持続的な防御線になります。

「なぜこのベンダーを選んだのか」を、いつでも客観的に説明できる状態を作ること。それが、限られた予算と時間のなかで発注判断を任された担当者にとって、もっとも確実な自衛であり、組織のAI投資の質を守る基盤でもあります。

—Free Download / 資料ダウンロード

はじめての AI 導入ガイド――中小企業が失敗しないための7ステップ

この資料でわかること

AI導入を検討しているが「何から始めればよいか分からない」中小企業の意思決定者に対し、導入プロジェクトの全体像を一気通貫で提示し、「自社でも着手できる」という確信と具体的な行動計画を持ってもらうこと。

こんな方におすすめです

• AI導入を検討しているが、何から始めればよいか分からない
• ベンダーの選び方や費用感がつかめず、判断できない
• 社内でAI導入の稟議を通すための資料が必要

詳しく見る

フォームから無料ダウンロード

お名前必須

会社名必須

メールアドレス必須

電話番号任意

ご質問・ご要望任意

プライバシーポリシーに同意の上、送信します。ダウンロードする

入力いただいたメールアドレスにPDFをお送りします。