電気・ガス・熱供給・水道業では、設備の監視や計測、遠隔操作のデジタル化がすでに進んでいます。

▶ あわせて読みたい：AI導入は何から始める？最初に選ぶ業務の見極め方【業務棚卸し・優先順位表】

発電・送配電設備、ガス導管、熱源設備、浄水場、配水設備などでは、センサーや監視システムを使って、設備状態や流量、圧力、温度、水質、電力使用量などが継続的に計測されています。

電力分野では、家庭や事業所の使用電力量を30分ごとに計測できる通信機能付きスマートメーターが、原則としてすべての需要家に設置されています。今後は、より細かなデータ取得や仕様統一、データ活用を想定した次世代スマートメーターへの移行も進められています。

そのため、これらの業界における次の課題は、単に紙の記録を電子化したり、設備を遠隔監視できるようにしたりすることではありません。

今後重要になるのは、設備、拠点、部門ごとに蓄積されているデータを関連付け、AI活用につなげることです。

• 複数設備を横断した予知保全
• センサーデータを使った異常検知
• 電力・ガス・熱・水の需要予測
• 顧客データや問い合わせ履歴の分析
• 保全記録や技術文書の検索・要約
• 運転計画や点検計画の判断支援

ただし、電気・ガス・水道は社会生活を支える重要インフラです。

一般企業の事務業務で生成AIを使う場合と、設備の運転や供給判断にAIを使う場合では、失敗したときの影響が大きく異なります。

AIの誤判定が、設備停止、供給障害、水質異常、安全事故などにつながる可能性もあります。そのため、AIの精度や便利さだけではなく、サイバーセキュリティ、モデル検証、人間による確認、誤作動時の責任分担まで含めて設計しなければなりません。

この記事では、電気・ガス・熱供給・水道業で次に検討したいAI活用と、重要インフラだからこそ必要になる安全対策を解説します。

電気・ガス・水道業のAI活用は「監視の次」へ進んでいる

電気・ガス・熱供給・水道業では、多くの設備がすでにデジタルデータを出力しています。一方で、データを取得できていることと、AIで活用できる状態になっていることは同じではありません。

設備監視や遠隔監視はすでに普及している

重要インフラでは、設備を安定的に稼働させるため、従来から監視制御システムが利用されてきました。代表的な仕組みが、SCADAです。

SCADAとは、設備やプラントからセンサーデータを収集し、監視や制御を行うシステムです。電圧、電流、温度、流量、圧力、水位、水質などの情報を中央監視室などで確認できます。

これらの仕組みにより、設備の状態をリアルタイムまたは一定間隔で把握できるようになっています。水道分野でも、センサーやIoT、データ活用によって、インフラ運営の効率化や高付加価値化を進める考え方が示されています。

次の課題はデータを横断的に活用すること

設備監視システムが導入されていても、データが個別システムの中に閉じている場合があります。例えば、次の情報がそれぞれ別の場所に保存されている状態です。

• センサーの時系列データはSCADA
• 設備台帳は設備管理システム
• 点検予定は保全管理システム
• 作業報告書はExcelやPDF
• 故障原因は紙の日報
• 部品交換履歴は別の管理表
• 顧客の使用量は顧客管理システム
• 問い合わせ履歴はコールセンターシステム

この状態では、設備の温度が通常より上昇していることは分かっても、過去に同じ兆候が出たときにどの部品が故障したのか、どのような点検をしたのかまでは自動的に結び付きません。

AIによる予知保全や異常検知を進めるには、単一のセンサーデータだけではなく、設備属性、運転条件、点検履歴、故障履歴、環境条件などを関連付ける必要があります。

AI導入より先にデータの関係性を整える

AI活用の前提となるのは、データ量の多さだけではありません。どのデータが、どの設備、部品、拠点、作業、故障に関係しているのかを追跡できることが重要です。

• 設備番号
• 設置拠点
• 設備の型式
• 使用開始日
• 構成部品
• センサー番号
• 点検項目
• 作業番号
• 故障コード
• 交換部品
• 作業担当者
• 運転条件

設備名が「第一ポンプ」「1号ポンプ」「P-01」のようにシステムごとに異なっていると、データを自動的に結び付けることが難しくなります。AI導入前には、表記の統一、設備IDの整理、故障分類の標準化、記録様式の統一などが必要です。

電気・ガス・水道業で次に検討したい5つのAI活用

設備監視や計測の基盤が整っている事業者では、次の5つがAI活用の有力な候補になります。

1．設備横断の予知保全

予知保全とは、設備が故障してから修理するのではなく、センサーデータなどから故障の兆候を把握し、故障前に点検や部品交換を行う考え方です。

従来の予防保全では、使用期間や稼働時間に基づいて一定の周期で点検や交換を行います。一方、AIを使った予知保全では、次のような情報を組み合わせます。

• 温度
• 振動
• 圧力
• 流量
• 電流値
• 稼働時間
• 起動・停止回数
• 過去の故障履歴
• 部品交換履歴
• 外気温や湿度
• 運転負荷

これにより、単一の設備だけでなく、同じ種類の設備や複数拠点の設備を比較し、通常とは異なる劣化傾向を見つけられる可能性があります。

例えば、同型のポンプ10台のうち、1台だけ電流値と振動の組み合わせが異なっていれば、単純な上限値を超えていなくても異常の兆候として確認できます。

ただし、AIが「3日後に必ず故障する」と正確に断定できるわけではありません。実務では、AIに故障時期を決めさせるのではなく、点検の優先順位を決める判断材料として利用することが現実的です。

2．センサーデータを使った異常検知

従来の監視では、温度が一定値を超えた場合や、圧力が設定範囲を外れた場合にアラートを出すルールベース方式が一般的です。

ルールベース方式は分かりやすい一方で、複数のデータが少しずつ変化する異常を捉えにくい場合があります。AIによる異常検知では、正常時のデータの動きを学習し、通常と異なるパターンを検出します。

誤検知と見逃しを分けて評価する：誤検知は正常な状態を異常と判定すること、見逃しは本当に異常な状態を正常と判定することです。どちらか一方だけでなく、重大異常の見逃し率、アラート件数、現場の確認負担を含めて評価します。

3．需要予測と運用計画の高度化

電力、ガス、熱、水の需要は、季節、天候、時間帯、曜日、地域特性、施設の利用状況などによって変動します。AIによる需要予測では、次のようなデータを組み合わせます。

• 過去の需要実績
• 気温
• 湿度
• 天候
• 曜日
• 祝日
• 時間帯
• 地域の人口
• 建物の用途
• イベント情報
• 工場や大型施設の稼働状況

需要予測の結果は、発電・調達計画、設備の運転計画、ポンプの運転計画、貯水や貯蔵量の管理、点検時期の調整、ピーク時間帯への対応、人員配置などの判断に活用できます。

ただし、需要予測AIの出力をそのまま運転命令に変えるのではなく、担当者が予測根拠や誤差範囲を確認できるようにする必要があります。

4．顧客データと問い合わせ履歴の活用

電気・ガス・水道業のAI活用は、設備分野だけではありません。比較的リスクが低く、導入しやすい領域として、顧客対応があります。

• 問い合わせ内容の自動分類
• よくある質問の抽出
• 応対記録の要約
• 過去の類似問い合わせ検索
• 使用量の変化に応じた案内
• FAQやWebサイトの改善
• 対応漏れの検出
• 解約や契約変更の兆候分析

ただし、使用量データや契約情報は個人情報と結び付く場合があります。顧客データをAIへ入力するときは、利用目的、アクセス権限、保存場所、外部提供の有無を確認しなければなりません。

5．保全記録・技術文書の高度化

生成AIを比較的導入しやすいのが、保全記録や技術文書を扱う業務です。

• 点検報告書の要約
• 作業日報の整理
• 故障報告の分類
• 類似故障の検索
• 過去の修理方法の検索
• マニュアルや手順書の横断検索
• 引き継ぎ資料の作成
• 会議記録の整理
• 報告書の下書き

これらは、生成AIが設備を直接操作するのではなく、人間が情報を探したり、判断したりする作業を支援する用途です。回答には参照元の文書名や該当箇所を表示し、担当者が原文を確認できる仕組みにすることが重要です。

電力・ガス・熱供給・水道で異なるAI活用の重点

電力分野ではスマートメーターデータと設備データの統合が鍵

電力分野では、発電、送電、変電、配電、需要家の各段階で大量のデータが発生します。特にスマートメーターは、家庭や事業所の消費電力量を30分ごとに計測できるため、従来より細かな需要の変化を把握できます。

• 地域別・時間帯別の需要予測
• 配電設備の負荷予測
• 再生可能エネルギーの出力変動への対応
• 需要ピークの把握
• 停電や異常の早期把握
• 設備更新計画の優先順位付け

需要家単位の詳細なデータは、生活パターンや事業活動を推測できる可能性があります。データを分析するときは、集計単位、匿名化、利用目的、提供先を明確にする必要があります。

ガス分野では漏えい兆候と設備劣化の把握が重要

ガス分野では、導管、整圧器、バルブ、供給設備などの状態を安定的に管理する必要があります。AI活用では、圧力、流量、温度、ガス濃度、設備の設置年、材質、過去の漏えい履歴、点検結果、地盤や周辺工事の情報などを組み合わせます。

圧力や流量の微細な変化から、漏えいの候補箇所を絞り込んだり、点検の優先順位を付けたりする用途が考えられます。ただし、AIによる候補表示だけで漏えいの有無を確定せず、現場確認や既存の安全手順と組み合わせる必要があります。

熱供給分野では需要変動と設備運転の最適化が中心

地域熱供給や建物向け熱供給では、気温や建物利用状況によって需要が大きく変わります。外気温、湿度、天候、時刻、曜日、建物用途、入居率、過去の熱需要、熱源設備の効率、蓄熱設備の状態などを用いて需要を予測します。

AIの予測結果を使って、熱源機器の起動時刻や運転台数を検討することで、安定供給とエネルギー効率の両立を支援できます。ただし、快適性や供給安定性を損なわないように、AIが変更できる運転範囲をあらかじめ制限しておくことが重要です。

水道分野では漏水・水質・ポンプ設備の監視高度化が重要

水道分野では、安全な水を安定的に供給することが最優先です。水道の重要システムには、施設の監視システムや制御システムが含まれます。情報システムの障害によって、断水、減水、水質異常などが生じないよう、事業継続性や情報セキュリティを確保する必要があります。

• 流量と圧力による漏水検知
• 水質データの異常検知
• ポンプの予知保全
• 配水量の需要予測
• 修繕優先順位の決定支援
• 管路更新計画の支援
• 点検記録の検索・要約

特に水質に関わる判断では、AIだけに判定を任せるのではなく、法令や運用基準に基づく検査、人間による確認を維持する必要があります。

生成AIを制御系へ直接接続してはいけない理由

生成AIは、文章の作成、要約、検索、分類などには有効です。一方で、設備の制御を直接任せる用途には慎重な検討が必要です。

生成AIは確率的に回答を生成する

従来の制御システムは、設定された条件やルールに基づいて動作します。例えば、「圧力が設定値を超えた場合はバルブを閉じる」という制御では、同じ入力条件なら原則として同じ処理が実行されます。

一方、生成AIは入力された文章や情報に基づき、確率的に回答を生成します。そのため、事実と異なる回答、存在しない手順、指示の誤解釈、入力表現による回答変化などが起こる可能性があります。

誤作動の影響が社会インフラ全体へ広がる

• 電力やガスの供給停止
• 圧力や流量の異常
• 水質への影響
• 設備の損傷
• 作業員や利用者の安全への影響
• 周辺設備への連鎖的な影響
• 復旧作業の長期化

そのため、「AIが便利だから接続する」のではなく、誤作動した場合の最大影響から逆算して、利用可能な範囲を決めなければなりません。

生成AIは判断支援・検索・要約から始める

• 技術文書の検索
• 過去の故障事例の検索
• 点検記録の要約
• 報告書の下書き
• 問い合わせの分類
• 会議記録の整理
• 作業前チェック項目の提示
• 異常発生時の関連資料提示

導入初期は、AIを「決める仕組み」ではなく、「探す、まとめる、候補を出す仕組み」と位置付けるのが適切です。

制御系と情報系の境界を明確にする

• 生成AIや分析AIが情報を提示する層
• 人間が確認・承認する層
• 既存の制御システムが実行する層

生成AIが設備を操作するのではなく、担当者へ提案を表示し、承認された操作だけを既存の制御システムで実行します。また、AIシステムに障害や不正アクセスが発生した場合に備えて、制御ネットワークから切り離せる構成にしておく必要があります。

AI異常検知と予知保全を導入する際の注意点

正常データだけでは十分な検証ができない

重要設備は、故障しないように保守されています。そのため、正常時のデータは大量にあっても、重大故障時のデータが少ない場合があります。異常データが少ないと、AIがどの程度重大異常を検知できるのか十分に評価できません。

• 設備が更新されている
• センサーが交換されている
• 運転条件が変わっている
• 点検方法が変更されている
• 記録の粒度が時期によって異なる
• 故障原因が自由記述で統一されていない

誤検知率だけでなく見逃し率も評価する

AIモデルの評価では、正解率だけを見ると誤解が生じます。異常が全体の1％しかないデータで、すべてを正常と回答するAIでも、正解率は99％になります。しかし、このAIはすべての異常を見逃しています。

• 異常を正しく検知できた割合
• 正常を誤って異常とした割合
• 重大異常を見逃した件数
• 1日当たりのアラート件数
• 担当者が確認に要する時間
• 点検につながったアラートの割合

設備ごとに正常範囲が異なる

同じ型式の設備であっても、設置場所や運転条件が異なれば、正常時のデータも異なります。外気温、湿度、配管の長さ、高低差、使用頻度、稼働時間、負荷、設置年、周辺設備の構成などの差を考慮します。

モデルの劣化を継続的に監視する

設備の更新、運転条件の変化、季節変動、センサー交換などによって、データの傾向は変わります。この変化によりAIの精度が低下することを、モデルドリフトと呼びます。

• 誤検知件数の増減
• 見逃しの有無
• 設備ごとの精度差
• センサー欠損の増加
• データ分布の変化
• 設備更新の影響
• 再学習の必要性

現場が判定理由を確認できるようにする

• 異常と判断した設備
• 影響したセンサー
• 通常時との差
• 変化が始まった時刻
• 類似する過去事例
• 推奨される確認項目
• AIの確信度
• データ欠損の有無

重要インフラのAI活用で必要なサイバーセキュリティ

OTとITを同じ考え方で接続しない

OTとは、設備や機械を監視・制御するための技術領域です。一般的な社内システムと同じ感覚で、制御システムをクラウドや外部AIへ接続してはいけません。

• 制御ネットワークと情報ネットワークの分離
• 接続経路の限定
• 中継領域の設置
• 一方向通信の利用
• 不要な外部接続の禁止
• 遠隔接続時の多要素認証
• 接続端末の管理
• 通信ログの保存

AI用データ連携経路を攻撃対象として考える

保護すべきデータ経路：センサー → 制御・監視システム → データ収集基盤 → データベース → AIモデル → 分析画面 → 担当者

このどこかでデータが改ざんされると、AIが誤った判断をする可能性があります。AIモデル自体だけでなく、データの取得元、通信経路、保存先、表示画面まで含めて保護する必要があります。

権限を最小化し操作履歴を残す

• データの閲覧
• データの追加
• データの修正
• AI分析の実行
• モデルの変更
• 設定変更
• 提案の承認
• 設備操作

技術文書を検索するAIに、設備操作の権限は必要ありません。また、誰が、いつ、どのデータを確認し、どの提案を承認したのかをログとして保存します。

外部AIサービスへ送信する情報を制限する

• 設備の詳細構成
• 制御ネットワークの構成
• セキュリティ上の弱点
• 認証情報
• 緊急時の操作手順
• 顧客の個人情報
• 未公開の事故情報
• 保安上重要な情報

障害時にAIを切り離せる構成にする

• AIサーバーが停止した
• クラウドへ接続できない
• センサーデータが欠損した
• AIが大量の誤警報を出した
• アカウントが不正利用された
• モデルが改ざんされた
• 分析結果が表示されない

このような場合に、従来の監視方法へ戻せるようにします。AIを停止できない、AIがなければ現場が何も判断できないという構成は避けなければなりません。

AIモデルの検証で確認すべき項目

精度だけでなく業務上の影響を評価する

通常時・異常時・通信障害時を分けて試験する

• 通常運転時
• 高負荷時
• 低負荷時
• 起動・停止時
• 設備故障時
• センサー欠損時
• 異常値混入時
• 通信遅延時
• 通信停止時
• データ更新が遅れた場合
• AIサーバー停止時
• 複数の異常が同時に起きた場合

本番前にシャドーモードで検証する

シャドーモードとは、AIに実際のデータを分析させるものの、その結果を設備制御や現場指示へ直接反映しない運用です。AIの判定、既存システムの判定、現場担当者の判断、実際に発生した事象を比較します。

第三者による検証も検討する

• セキュリティ専門会社
• 設備保安の専門家
• AIモデル検証の専門家
• システム監査担当
• 社内の独立した品質保証部門

誤作動時の責任分担を導入前に決める

AIの提案者と最終判断者を分ける

データ品質の責任範囲を決める

• センサーの保守
• 欠損データの監視
• 設備台帳の更新
• 故障コードの登録
• 点検記録の確認
• 誤入力の修正
• データ形式の変更管理

モデル開発・運用・監視の担当を分ける

• データ更新
• 精度監視
• モデル更新
• 再学習
• バージョン管理
• 障害対応
• 脆弱性対応
• ログ確認

契約書に障害対応と責任範囲を明記する

• システムの利用目的
• AIが実行できる範囲
• 最終判断者
• データ管理者
• 障害通知の方法
• 対応時間
• 復旧目標
• ログの保存期間
• モデル更新の手順
• 再学習の費用
• セキュリティ事故時の対応
• 損害賠償の範囲
• 契約終了時のデータ返却・削除
• 委託先や再委託先の管理

AI活用を進める7つの導入ステップ

ステップ1｜対象業務を重要度で分類する

ステップ2｜データの所在と品質を確認する

• どのシステムに保存されているか
• どの期間のデータがあるか
• 取得間隔は一定か
• 欠損はあるか
• 設備IDが統一されているか
• 故障原因が分類されているか
• 自由記述が多すぎないか
• データ利用に制限があるか
• 個人情報が含まれるか
• 外部提供できるか

ステップ3｜設備・記録を共通IDで関連付ける

• 設備属性
• センサー履歴
• 点検履歴
• 故障履歴
• 交換部品
• 作業担当者
• マニュアル
• 図面
• 運転条件

ステップ4｜低リスクの判断支援業務から始める

• 点検記録の要約
• 類似故障の検索
• 技術文書の検索
• 問い合わせ分類
• 報告書の下書き
• 点検対象設備の候補提示
• 需要予測の参考値表示

ステップ5｜PoCの評価基準を決める

• 異常検知の再現率
• 重大異常の見逃し件数
• 1日当たりの誤警報件数
• 点検対象の絞り込み率
• 文書検索時間の短縮
• 報告書作成時間の短縮
• 現場担当者の評価
• AI停止時の業務継続
• セキュリティ要件の達成

ステップ6｜シャドーモードで運用する

AIの判定を本番データで確認しながら、既存の運用を維持します。シャドーモード中はAIの結果を自動実行へつなげず、現場の判断と比較し、誤検知、見逃し、設備ごとのばらつきを確認します。

ステップ7｜段階的に対象範囲を拡大する

• 一つの記録業務
• 一つの設備
• 同型設備
• 一つの拠点
• 複数拠点
• 関連する判断業務
• 限定された自動化

中小規模事業者がAI導入を進める方法

大規模なデータ基盤構築から始めなくてもよい

• 故障が多いポンプ設備だけ
• 特定地域の流量・圧力だけ
• 一つの熱源設備だけ
• 過去3年分の点検記録だけ
• 顧客問い合わせだけ

保全記録の標準化は比較的始めやすい

• 設備番号
• 異常の種類
• 発生箇所
• 原因
• 実施した処置
• 交換部品
• 復旧時間
• 再発の有無

記録が整理されれば、集計や検索がしやすくなり、将来のAI学習データとしても利用しやすくなります。

共同利用やクラウドサービスも検討する

• データの保存場所
• 契約終了時のデータ返却
• 障害時の対応
• 他社データとの分離
• アクセス権限
• ログ取得
• セキュリティ認証
• 制御系との接続方法

外部支援は専門領域ごとに選ぶ

• 設備・保全の専門家
• データ基盤の専門会社
• AIモデル開発会社
• OTセキュリティ会社
• システムインテグレーター
• AIモデル検証会社
• 法務・契約の専門家
• ガバナンス設計の支援会社

外部支援会社を選ぶ際の比較ポイント

重要インフラや設備業務の理解があるか

設備監視、保全、運転管理、安全管理の経験があるかを確認します。単にAIモデルを作れるだけでなく、設備停止や誤作動がどのような影響を与えるか理解していることが重要です。

既存システムとデータ基盤を設計できるか

SCADA、設備管理、保全管理、顧客管理、データベース、文書管理、認証、ログ管理との連携を設計できるか確認します。

サイバーセキュリティを導入計画に含めているか

ネットワーク分離、外部接続、権限設計、ログ管理、脆弱性対応、インシデント対応、AI停止時の切替まで確認します。

モデル検証と継続監視を支援できるか

PoCで精度を出すだけでなく、再学習、モデル更新、設備追加、精度低下調査、障害対応、定期報告まで対応できるか確認します。

責任分担と運用ルールを文書化できるか

運用手順書、権限一覧、承認フロー、障害対応手順、AI停止手順、データ管理規程、責任分担表などを整備できる会社が望ましいです。

電気・ガス・水道業のAI活用に関するよくある質問

生成AIを設備制御に使用できますか

技術的に接続できる場合はありますが、重要インフラでは慎重な設計が必要です。まずは、技術文書検索、記録要約、異常候補の提示など、人間が最終確認できる判断支援から始めるのが適切です。

設備データが少なくても異常検知はできますか

対象設備や手法によっては可能です。ただし、重大な異常データが少ない場合、検知性能を十分に評価できないことがあります。正常時のデータから通常と異なる動きを検出する方法もありますが、誤検知や見逃しを本番運用前に確認する必要があります。

既存のSCADAを入れ替える必要がありますか

必ずしも入れ替える必要はありません。既存のSCADAから必要なデータを安全に取り出し、別のデータ基盤や分析環境でAIを利用する方法があります。

中小規模事業者でもAIを活用できますか

対象業務を限定すれば活用できます。点検記録の標準化、技術文書検索、報告書の要約、特定設備の異常検知などから始める方法があります。

外部クラウドへ設備データを送ってもよいですか

データの内容、重要度、契約条件、ネットワーク構成によって判断が異なります。保存場所、暗号化、アクセス権限、学習利用の有無、削除方法、障害時の対応も確認する必要があります。

まとめ｜AIを直接制御へ使う前にデータ・検証・責任を整える

電気・ガス・熱供給・水道業では、SCADA、スマートメーター、センサー、遠隔監視などのデジタル化が進んでいます。次の段階では、個別に蓄積された設備データ、保全記録、需要データ、顧客データを横断的に活用することが重要です。

• 設備横断の予知保全
• センサーデータを使った異常検知
• 需要予測と運用計画の高度化
• 顧客データや問い合わせ履歴の活用
• 保全記録・技術文書の検索と要約

ただし、重要インフラでは、AIの便利さや精度だけを見て導入を決めてはいけません。生成AIを制御系へ直接接続すると、誤った出力が設備操作につながる危険があります。まずは、検索、要約、異常候補の提示、需要予測など、人間が確認できる判断支援から始めることが適切です。

• 設備IDと記録様式の統一
• データ品質と欠損の確認
• 制御系と情報系の分離
• 権限と操作ログの管理
• 誤検知・見逃しを含むモデル検証
• シャドーモードでの試験
• AI停止時の代替運用
• 事業者とベンダーの責任分担

AI導入の成否は、どのAI製品を選ぶかだけで決まりません。設備、データ、業務、セキュリティ、人間の判断を一体として設計できるかが重要です。自社の設備データや保全記録がどの程度整理されているか、どの業務なら安全にAIを試せるかを確認し、小さな範囲から段階的に進めましょう。

自社の設備データをAI活用へつなげられるか確認しませんか。設備監視や計測のデジタル化が進んでいても、データが設備、拠点、部門ごとに分かれていると、予知保全や需要予測へ活用することは困難です。重要インフラのAI活用では、ツールを選ぶ前に、制御系との分離、モデル検証、サイバーセキュリティ、誤作動時の責任分担を整理する必要があります。

参考資料

• 資源エネルギー庁「スマートメーター」
• 経済産業省「次世代スマートメーター制度検討会」資料
• 厚生労働省「水道分野におけるデジタル化・IoT活用」関連資料
• 厚生労働省「水道分野における情報セキュリティガイドライン」関連資料
• 独立行政法人情報処理推進機構（IPA）「制御システムのセキュリティ」
• 経済産業省・総務省「AI事業者ガイドライン」

※制度、ガイドライン、技術仕様は変更される場合があります。実際の導入時は、最新の法令、所管省庁のガイドライン、事業者ごとの保安規程、契約条件を確認してください。

ご相談はこちら：AI導入支援サービス／お問い合わせ