未公開特許・研究データを外部に出さない「完全閉域RAG」の選定基準と投資対効果
研究開発(R&D)部門や知財部門が保有する未公開特許、設計図面、製造アルゴリズム、創薬データといったトレードシークレットに生成AIを連携させる際、情報システム部門が最初に直面する課題は「データの外部流出およびモデル再学習への利用を構造的に遮断すること」です。
本記事では、パブリッククラウドの論理的閉域網にRAG(検索拡張生成)の構成要素を封じ込める「完全閉域RAG」について、3大クラウドの公式仕様、完全オンプレミスやSaaS型エンタープライズAIとの投資対効果(ROI)比較、および経済産業省・IPA・NISTの公的指針に基づく秘密管理性の実装要件を解説します。
[!IMPORTANT] 要点サマリー
- 閉域化の定義: 推論エンドポイント・ベクトルDB・ストレージ間の通信をPrivate Endpoint / PrivateLink / VPC Service Controls等でインターネットから遮断するだけでは不十分であり、「ZDR(データ保持ゼロ)設定」と「ドキュメント単位の権限境界(ACL/RBAC)」の3点が揃って初めて完全閉域RAGが成立します。
- TCOとROIの分岐点: 汎用業務の効率化はSaaS型AIが優位ですが、数十万件の特許・実験データへの高度な検索や秘密管理性が求められるR&D領域では、クラウド閉域RAG+キャパシティ予約(PTU/MU/PT)のROIが上回ります。
- 法務・内部不正対策: 経済産業省『営業秘密管理指針』はクラウド利用下でもアクセス制御と暗号化により秘密管理性を維持できると明記する一方、IPA『組織における内部不正防止ガイドライン』は営業秘密漏えいの36.3%が中途退職者によるものとしており、特権IDや大量検索の監査統制が不可欠です。
1. 3大クラウドにおける「完全閉域RAG」の標準構成とネットワーク境界
R&Dデータを扱うRAGでは、LLM推論エンドポイント、ベクトルデータベース、ドキュメントストレージ、オーケストレーション層のすべてがプライベートIP空間で完結し、パブリックインターネットを経由しない構成が求められます。主要3クラウドの一次仕様における要件は以下のとおりです。
| クラウド基盤 | 閉域通信の中核技術 | ベクトルDB・ストレージの封じ込め要件 | ドキュメント権限境界(ACL/RBAC) |
|---|---|---|---|
| Microsoft Azure | Azure VNet + Private Endpoint + Private DNS Zone | BYO(Bring Your Own)リソースとしてAzure Storage / AI Search / Cosmos DBを自テナントに構築し、パブリックアクセスを「Disabled」に設定 (VNetインジェクション時は Microsoft.App/environments 委任サブネット /24 以上を推奨) | Azure AI Searchに groups / oids フィールドを定義し、Entra ID認証後のクレームを用いて search.in() フィルタを強制適用 |
| AWS | Amazon VPC + AWS PrivateLink(VPCエンドポイント) | OpenSearch Serverlessのネットワークポリシーで AllowFromPublic: false を指定し、SourceServices を bedrock.amazonaws.com に限定IAMデータアクセスポリシーで最小権限を強制 | Knowledge Basesの「ACL Awareness」またはAmazon KendraのRBACにより、元データソースのACLに連動した検索結果フィルタリングを実施 |
| Google Cloud | Private Service Connect (PSC) + VPC Service Controls (VPC SC) | 取り込み(Ingestion)とサービング(Serving)を分離し、関連プロジェクトを「VPC SCペリメーター」内に収容して境界外へのデータ持ち出しを強制遮断 Cloud KMS(CMEK)暗号化とSensitive Data Protectionによる前処理を推奨 | IAM最小権限ガバナンスと連携し、Cloud Storage〜Embedding〜Vertex AI Vector Search間をすべてGoogleプライベートバックボーン内で処理 |
各クラウドの公式設計ガイドラインの詳細は以下を参照してください。
- Set up private networking for Foundry Agent Service(Microsoft Learn)
- Get started with chat document security filtering(Microsoft Learn)
- Protect your data using Amazon VPC and AWS PrivateLink(AWS Documentation)
- Access Control Lists awareness enablement - Amazon Bedrock(AWS Documentation)
- RAG 対応生成 AI アプリケーションのプライベート接続(Google Cloud Documentation)
導入現場で陥りやすい落とし穴:ネットワーク閉域化によるACL欠落
SaaS型の検索・AI基盤から自社の閉域クラウド環境へRAGを移行する際、「ネットワークを閉域化したから安全」と判断して元データソース(ファイルサーバーやSaaSドライブ)のアクセス権同期を省略してしまうケースがあります。しかし、閉域網内であっても部署間の閲覧権限が失われれば、営業部門や他研究ラインの社員が未公開の特許・人事情報を検索できてしまう「内部の権限境界崩壊」が発生します。RAGのアクセス権限設計全体については、社内RAGのアクセス権限設計と情報漏洩対策アーキテクチャもあわせて参照してください。
2. 完全オンプレミス(ローカルLLM)とクラウド閉域RAGの選定基準
極秘の研究データを扱う際、「パブリッククラウドではなく自社データセンターにGPUサーバーを置いてローカルLLMを動かす完全オンプレミスにすべきではないか」という議論が必ず発生します。判断の軸は「物理的隔離の法的・契約的必然性」と「モデルの陳腐化速度に対するTCO」です。
| 比較観点 | パブリッククラウド型「完全閉域RAG」 | 完全オンプレミス型(ローカルLLM + GPU) |
|---|---|---|
| 物理的・論理的境界 | VNet / VPC / VPC SCによる論理的境界およびペリメーター防御 | 自社ファシリティ内の物理的隔離(エアギャップ構成が可能) |
| データ保護メカニズム | CMK / CMEK(顧客管理暗号鍵)によりクラウド運用者も平文へアクセス不可 | 暗号鍵・ストレージ・ハードウェアまで完全に自社管理 |
| モデルの高度化と陳腐化 | フロンティアモデル(GPT / Claude / Gemini等)をAPI経由で即座に利用・更新可能 | オープンウェイトモデルに依存し、更新のたびに再検証・計算資源の増強が必要 |
| スケーラビリティとTCO | 需要に応じたスケールおよび予約課金によるコスト最適化 | ピーク負荷に合わせたGPUクラスタの先行投資(CAPEX)と電力・冷却・保守費が固定発生 |
Google Cloudのアーキテクチャ指針が示す通り、顧客管理暗号鍵(CMEK)と論理的境界を組み合わせることで、クラウド運用者からの不可視性を担保しつつ最新モデルの恩恵を受けられます。また、オンプレミスやOSSモデルを閉域環境に導入する場合でも、推論基盤や周辺ライブラリの脆弱性・ライセンス審査(OSSセキュリティ評価)を欠くと、新たな攻撃面を抱え込むことになります。したがって、完全オンプレミスは「国家安全保障上のクリアランス要件」や「製造ラインでのミリ秒単位のエッジ推論」など特殊な制約がある領域に限定し、一般的なR&D知財活用ではクラウド型完全閉域RAGを第一選択とするのが経済的・技術的に合理的です。
3. 盲点になりやすい「Zero Data Retention(ZDR)」とクラウド別仕様
Azure OpenAI、Amazon Bedrock、Google Cloud Vertex AIのエンタープライズ向けAPIは、いずれも「顧客のプロンプトや応答データを基盤モデルの再学習に使用しない」ことをデフォルトで明示しています。しかし、「学習に使われない」ことと「クラウド側の一時ストレージに一切保持されない(ZDR)」ことは同義ではありません。
| クラウドサービス | デフォルトのデータ一時保持仕様 | Zero Data Retention(ZDR)を実現するための要件 |
|---|---|---|
| Azure OpenAI Service | 不正利用監視(Abuse Monitoring)のため、プロンプトと応答を暗号化状態で「最大30日間」保持 | エンタープライズ契約等に基づき「Modified Abuse Monitoring」を申請・承認取得することで、インメモリ処理のみ(保持ゼロ)へ切り替え 参照: Microsoft Learn Q&A(ZDRオプトイン要件) |
| Amazon Bedrock | モデルおよびアカウント設定に依存(標準では学習利用なし) | APIリクエストや設定で data_retention_mode を none に指定することで、ストレージ保存や人手によるレビューを排除可能(一部旧モデル等に例外あり)参照: Data retention - Amazon Bedrock(AWS Documentation) |
知財部門や法務部門の監査では、「モデルの再学習オプトアウト」だけでなく、この「Abuse Monitoring等による30日間一時保持の解除証明(ZDR承認記録)」まで証跡として求められるケースが多く、プロジェクト初期の契約・申請タスクとして組み込む必要があります。
4. 投資対効果(ROI)の分岐点:SaaS型AIとの比較とPTU/MUの活用
「完全閉域RAGを自社構築するか、SaaS型エンタープライズAI(Microsoft 365 Copilot等)で代替するか」は、用途とスループット要件によって明確に答えが分かれます。
4.1 汎用業務はSaaS型、R&D特化データ検索は閉域RAGが優位
メール要約、議事録作成、汎用的なオフィス文書の検索といった全社業務においては、ネットワーク構築やベクトルDBの維持費が不要で、既存の権限基盤とシームレスに連動するSaaS型AIのROIが圧倒的に優れます。
一方で、数十万件の過去実験データ、化学式や設計図面を含む非構造化データ、専門用語が密集する特許文献を対象とする場合、汎用SaaSではチャンク分割・検索精度のチューニングや既存R&Dデータベースとの深い統合に限界が生じます。この場合、初期構築費と月額のインフラ維持費を投じてでも専用の閉域RAGを構築し、「開発リードタイムの短縮」や「特許侵害・重複研究の回避」によって投資回収を図る判断が成立します。
4.2 キャパシティ予約モデル(PTU / MU / PT)によるコスト予測の安定化
R&D部門や生産技術部門で日常的に高負荷な検索・推論を回す場合、従量課金(Pay-as-you-go)のレート制限による業務停止は許容されません。各クラウドは専用スループットを予約する仕組みを提供しており、中長期のROI試算では予約割引の適用が重要になります。
- Azure(PTU: Provisioned Throughput Units): 実消費トークンではなく予約したキャパシティ単位で時間課金され、Azure Reservationsの適用により大幅な単価圧縮が可能です(Provisioned throughput billing and cost management)。
- AWS(MU: Model Units): 1ヶ月または6ヶ月のコミットメント期間を設定して専用推論キャパシティを確保し、時間単価の割引を受けられます(create-provisioned-model-throughput)。
- Google Cloud(PT: Provisioned Throughput): 特定ロケーションでスループットを事前確保し、レイテンシと月額コストを予測可能にします(Throughput quota | Gemini Enterprise Agent Platform)。
5. 公的指針が求める「秘密管理性」と内部不正による持ち出し統制
技術的な閉域化と同時に、不正競争防止法上の「営業秘密」としての法的保護および内部統制の要件を設計段階から組み込む必要があります。
5.1 経済産業省『営業秘密管理指針』『秘密情報の保護ハンドブック』
不正競争防止法上の営業秘密として保護されるためには、①秘密管理性、②有用性、③非公知性の3要件が必要です。令和6年(2024年)改訂の経済産業省『秘密情報の保護ハンドブック』および『営業秘密管理指針』では、外部クラウドや生成AIを利用している場合であっても、適切なアクセス制御(IAM/RBAC)と暗号化が施され、秘密として管理する意思が従業員に明確に示されていれば秘密管理性は失われないと整理されています。また、生成AIを悪用したなりすましやフィッシングへの対策として、多要素認証(MFA)の強制とプロンプトインジェクションへの入出力フィルタリングが求められています。
5.2 経済産業省・総務省『AI事業者ガイドライン(第1.2版)』
自社R&D向けに閉域RAGを構築・運用する場合、企業は「AIシステム利用者」であると同時に、検索パイプラインやプロンプト設計を担う「AIシステム開発者」としての責任も一部負います。同ガイドラインはデータアクセスを管理・制限する機能の導入を求めており、前述のドキュメントレベルACLやVPC SCが直接の技術的回答となります(AI事業者ガイドライン(第1.2版)概要(経済産業省))。
5.3 IPA『組織における内部不正防止ガイドライン』とNISTゼロトラスト
外部攻撃以上に警戒すべきなのが、内部関係者による持ち出しリスクです。IPAの『組織における内部不正防止ガイドライン(第5版)』では、営業秘密漏えいルートの「36.3%が中途退職者」によるものであることが示されています(プレス発表「組織における内部不正防止ガイドライン」第5版(IPA))。
完全閉域RAGにおいても、退職予定者や特権ユーザーが大量の特許データ・実験データを検索・出力する異常なふるまいを検知するため、CloudTrail / Azure Monitor / Cloud Logging等の監査ログをSIEMへ連携し、リアルタイムでアラートを発報する統制が不可欠です。これはNIST SP 800-207(Zero Trust Architecture)の「暗黙の信頼を排除し継続的な検証を行う」原則や、NIST AI 100-1(AI RMF 1.0)が警告する「複数の非機密断片をAIが統合して機密を推論してしまうリスク(Stitching)」への事前フィルタリング対策とも完全に一致します。ガバナンス全体の設計枠組みは生成AIガバナンスと社内規定の策定ガイドも参照してください。
6. 導入判断チェックリスト:情報システム部門が確認すべき5項目
完全閉域RAGの設計・ベンダー選定を進める際は、以下の5項目を要件定義書に明記することを推奨します。
- 通信経路の全閉域化: LLM推論・ベクトルDB・ストレージ・オーケストレーション間のすべての通信がPrivate Endpoint / PrivateLink / PSC経由であり、パブリックアクセスが明示的に無効化されているか。
- ZDR(データ保持ゼロ)の契約・設定: AzureのModified Abuse Monitoring承認、AWSの
data_retention_mode: none設定など、一時保持ログを含めてクラウド側にデータが残らない証跡を確保しているか。 - ドキュメント単位のACL同期: 閉域化と同時に、元ファイルサーバーやSaaSの閲覧権限(Entra IDグループ等)をインデックスへ同期し、検索前の事前フィルタリング(Pre-retrieval filtering)を強制しているか。
- 持ち出し検知と監査証跡: 誰が・いつ・どの機密文書を検索したかのログを取得し、大量検索や退職予定者の異常アクセスを検知する運用が組まれているか。
- ROIとキャパシティ計画: 汎用業務はSaaS型へ切り分け、R&D特化領域に対してPTU/MU/PT等の予約割引を含めた3年間のTCO試算を行っているか。
研究開発・知財保護向け「完全閉域RAG」の設計支援
AI Nexusでは、未公開特許・研究データ・製造ノウハウ等の営業秘密を扱う組織向けに、Azure・AWS・Google Cloudの一次仕様および経済産業省・IPAの秘密管理性要件に準拠した「完全閉域RAGのアーキテクチャ設計・セキュリティ評価」を支援しています。
自社データ規模に対するROI試算、ZDR・VPC SC・ドキュメントACLを含む閉域構成レビュー、あるいはSaaS型AIとの切り分け設計をご検討中の場合は、以下よりご相談ください。
社内RAG・ETLデータ連携 権限境界&間接インジェクション点検シート
ACLメタデータ継承(Fail-Closed)、IdPグループ上限対策、ETL隔離、表データ破損防止、Spotlighting&出力PIIゲートの点検シート。
研究特化型RAG導入伴走(完全閉域・知財保護)
大学・製薬・化学R&D向けオンプレミス/閉域環境
未公開特許や機密研究データを外部に出さず、完全閉域環境で安全にAI活用するための専用アーキテクチャ構築を支援します。