AIガバナンスの新常識：Covenant Personal Editionが実現する「自己検証可能な機密情報管理」アーキテクチャ概観
本記事は、個人事業主や小規模事業者向けに開発されたAIガバナンス管理アプリ「Covenant Personal Edition」の技術的な設計思想と実装について詳細に解説している。従来のクラウドAI利用における課題として、「機密情報を渡した際、何がどこまで処理されたかを後から検証する手段が乏しい」点が挙げられている。
Covenantはこれに対し、「契約による防御」ではなく「ユーザー自身が管理・検証する」という哲学に基づいたアプローチを提示している。その核となるのは、機密データの処理をローカル端末で完結させる「ローカルファースト」設計である。これにより、プロンプトや添付ファイルなどの機密データはベンダーのサーバーに送信されない。
さらに、本システムは以下の複数の層でガバナンスを実現している：1. **Gate Pipeline**: ユーザーがクラウドAIへデータを送る前に、ローカル環境内で多段階（6段構成）の審査を行う。これにはPIIや機密用語を静的に検知するPrefilterに加え、軽量LLMを用いた「倫理性」と「安全性」の2軸評価（Gate 3）が含まれる。判定不能な状況では安全側に倒す「Fail-Closed原則」を採用している。
2. **DLM (Data Lifecycle Management)**: 機密情報をL1（公開情報）からL4（極秘情報）までの4段階で分類し、データレベルに応じた動的なルーティングを行う。これにより、過去の高機密入力が後の対話に永久的な制限をかける「連鎖伝播問題」を解決している。
3. **audit.jsonl**: 最も重要な差別化要素であり、「何を送ったか・送らなかったか」という監査ログを生成する。このログには、送信されたデータの内容（プロンプト本文）は含まれず、機密レベルラベルやブロック理由のみが記録されるため、ユーザー自身がプライバシーを守りつつ「説明責任の検証可能性」を担保できる。
技術的にはTauri + React + TypeScriptによるフロントエンドと、Pythonサイドカープロセスを用いたローカルLLM連携を採用し、外部リスナーを持たない構造によりSSRFなどの脆弱性を排除している。本製品はβ1版が2026年7〜9月に限定配布予定であり、「自分でポリシーを定義・運用したい」高度なガバナンス意識を持つ層をターゲットとしている。
背景
近年、生成AIの普及に伴い、企業や個人が機密性の高い業務データをクラウド上のLLMに渡すケースが増加した。従来のセキュリティ対策は「契約（DPA）」と「認証」に依存してきましたが、データ漏洩時のトレーサビリティ（追跡可能性）やユーザーによる自己検証が困難という課題が浮上している。
重要用語解説
- ローカルファースト: データをクラウドではなく、利用者の手元の端末で処理・保存することを基本方針とする設計思想。機密性の高い情報を外部に流出させないことを目的とする。
- Gate Pipeline: AIへのデータ送信前に、複数の層（Prefilter, Policy Check, LLM評価など）を設けて多角的に審査を行う仕組み。データの安全性を高めるためのフィルタリング機構である。
- audit.jsonl: システムが実行した全てのデータ処理やルーティングの履歴を記録するログファイル。メッセージ本文ではなく「機密レベル」と「ブロック理由」のみを記録することで、プライバシーを守りつつ説明責任を果たすことを可能にする。
今後の影響
本技術は、AI利用におけるガバナンスの概念を「ベンダーに委ねる」から「ユーザーが自ら検証・管理する」というパラダイムシフトを促す。これにより、特に機密情報を扱う小規模事業者や士業にとって、法的リスク対応とデータ主権の確保という点で大きな選択肢を提供する。今後のAI利用における標準的なセキュリティ要件の一つとなる可能性が高い。