AIに機密ラベルを任せる前に　Gemini版Google Drive自動分類の安全な始め方

Google DriveのファイルをGeminiで自動分類できるようになっても、最初から全社の機密管理を任せるべきではありません。安全な使い方は、AIの判定をそのままアクセス許可にすることではなく、まず限定した範囲で「ラベル候補を付ける仕組み」として試し、誤分類を測り、重要な制御はDLPや共有権限、人による確認と組み合わせることです。

この記事では、2026年8月にオープンベータとして発表されたGoogle DriveのGeminiベースAI分類について、何が自動化されるのか、何は自動化されないのか、どの順番で導入すべきかを整理します。結論を先にまとめると、次の5点が重要です。

ラベルはファイルの説明情報であり、ラベルを付けただけでは情報流出を防げない
「機密」「社外秘」「公開可」の定義を、AIへ渡す前に人が決める
最初は少人数・限定フォルダ・監査中心で試し、いきなり共有禁止や削除へ結び付けない
見逃しと過剰判定を別々に測り、特に機密文書の見逃しを優先して確認する
AI分類の結果だけに依存せず、明確な個人番号や契約番号はDLP、アクセス自体は共有権限で制御する

なぜ今、AIによるファイル分類を扱うのか

Googleは2026年8月28日、Geminiを使ったGoogle Driveのデータ分類をオープンベータとして発表しました。管理者が自然言語で分類条件を記述すると、Geminiがファイルの内容を調べ、指定された分類ラベルを自動適用する仕組みです。発表時点ではEnterprise Plus、Frontline Plus、Google AI Pro for Educationなどが対象とされ、段階的な展開は9月30日までの完了を目標としています。Google Workspace Updatesの発表

従来のAI分類には、組織内の担当者がラベル別の学習用ファイルを用意し、組織専用のカスタムモデルを訓練する方法がありました。新しいGemini方式では、事前の学習データを作らず、「このラベルは何を表すか」「どのような手掛かりで判定するか」「どのような例外があるか」を文章で指示できます。Google Workspace Helpの設定説明

この変更が重要なのは、設定を始めるまでの負担が下がるからです。学習用ファイルを数百件そろえられない組織でも、自動分類を試しやすくなります。一方、導入しやすくなったことと、正しく分類できることは同じではありません。自然言語の指示が曖昧なら、AIはその曖昧さを大規模に反映します。

さらに、Drive内の情報を参照するAIやエージェントが増えるほど、ファイルの分類は単なる整理機能ではなくなります。どの資料を検索対象にするか、外部共有を認めるか、ダウンロードを制限するか、いつ削除するかといった後続の判断へ影響するからです。

ここから先は、Googleが公式に説明している製品仕様と、AI活用ナビが推奨する運用判断を分けて説明します。

確認できた製品仕様と、編集部の判断

一次情報で確認できたこと

Googleの公式ヘルプから確認できた主な仕様は次のとおりです。

Gemini方式は、管理者が書いた自然言語の指示に基づき、ファイル内容を調べて分類ラベルを付ける
学習データを使うカスタムモデル方式とGemini指示方式は併用できるが、作成できるモデルまたは指示は合計5件まで
自動分類の対象は、対応ライセンスを持つユーザーが所有するファイル、または対象となる共有ドライブ内のファイル
新規ファイルだけでなく既存ファイルも対象にできる
ファイルのアップロード時や変更時に再度調べられ、内容が変わればラベルも変わる場合がある
保存済みの既存ファイルを走査するには、Gemini指示方式では休眠ファイルへの適用を明示的に有効にする必要がある
音声と動画は対象外で、テキスト量が少ない文書や文字の少ない画像は分類されない場合がある
ユーザーがAIのラベルを承認または変更すると、そのラベルはユーザー適用扱いとなり、AI分類は以後その値を変更しない
DLPルールによるラベルはAI分類より優先し、AI分類はデフォルト分類より優先する
同じラベルに複数のAI分類結果が競合した場合、ラベル選択肢の一覧で上にある値が使われる
Driveのイベントログから、自動分類されたファイル数や、ユーザーが承認・変更した件数を確認できる
Gemini方式は確率的に判定するため、同一または類似するファイルでも異なるラベルになる可能性がある
一度付いたAI分類ラベルを一括で元に戻す機能はなく、自動適用する選択肢を無効にしても、過去に付いたラベルは残る

特に最後の2点は、導入判断に直結します。分類結果は決定論的なルールではなく、しかも広範囲へ適用した後の取り消しが容易ではありません。Google自身も、小さな対象でテストしてから広げるよう案内しています。AI分類の公式ヘルプ

AI活用ナビの判断

以上の仕様から、編集部はGemini方式を「機密情報を自動で確定する装置」ではなく、「人が定めた分類方針を広いファイル群へ仮適用し、未整理の領域を見つける装置」と位置付けるのが安全だと判断します。

たとえば、機密資料を誤って「公開可」と判定する見逃しは、共有制御が連動していれば情報流出につながります。反対に、公開資料を「機密」と判定する過剰判定は、業務停止や共有の遅れを招きます。どちらも問題ですが、影響は同じではありません。ラベルごとに、どちらの誤りを優先して減らすかを決める必要があります。

また、AI分類を導入しても、既存の共有権限が自動的に整理されるわけではありません。すでに「リンクを知っている全員」に共有されている資料へ機密ラベルが付いても、そのラベルに対応するDLPルールなどを設定していなければ、共有状態は残り得ます。ラベルを付ける工程と、ラベルを使って制御する工程を分けて考える必要があります。

4種類の分類方法を混同しない

Google Driveには、手動ラベル、デフォルト分類、DLPルール、AI分類という複数の方法があります。それぞれが得意とする判断は異なります。

方法	主な判定材料	適した用途	注意点
ユーザーによる手動ラベル	担当者の業務知識	例外の多い案件、最終確定	付け忘れや判断のばらつきがある
デフォルト分類	ファイル所有者の組織部門・グループ	新規ファイルへの初期値	内容は読まず、原則として既存ファイルへ遡及しない
DLPルール	ファイル形式、文字列、定義済み検出器など	個人番号、カード番号、定型的な機密文字列	文脈的な判断や曖昧な表現には限界がある
GeminiによるAI分類	ファイル内容と自然言語の分類指示	契約案、経営資料、公開前資料など文脈依存の分類	確率的で、短文・音声・動画などを分類できない場合がある

DLPは、決まった文字列や形式を検出する用途に向いています。Googleの公式ヘルプでは、DLPによるラベルがAI分類より優先し、AI分類はデフォルト分類より優先すると説明されています。DLPと分類ラベルの公式説明

したがって、「マイナンバーに相当する形式が含まれれば最重要機密」といった明確な条件を、わざわざ生成AIだけへ任せる必要はありません。形式的に判定できる情報はDLP、文書の意味や業務上の位置付けを読む必要がある情報はAI、人しか分からない例外は手動確認、と役割を分ける方が説明しやすくなります。

ラベルを先に設計する

AI分類の成否は、モデル名よりラベルの定義に左右されます。「重要」「秘密」「一般」といった抽象語だけでは、部署によって解釈が変わります。最低でも、各ラベルについて次の4項目を決めます。

何を表すか
何を手掛かりに判定するか
何を除外するか
誤った場合に何が起きるか

たとえば、次のように定義します。

ラベル	含める例	除外する例	誤分類時の主な影響
最重要機密	未公表の買収計画、秘密鍵、認証情報、個人番号一覧	公開済みIR資料、伏せ字化された研修例	見逃すと重大な漏えいにつながる
社外秘	未公開の見積書、契約交渉、顧客別提案、社内人事計画	一般公開された料金表、公開求人票	外部共有で契約・信用上の問題が生じる
社内	社内手順、会議資料、組織内のお知らせ	公式サイト掲載用の確定稿	過剰判定すると社外協業を妨げる
公開可	公開済みプレスリリース、公開マニュアル	公開予定だが承認前の原稿	誤って付けると未公開情報が露出する

「公開可」は特に慎重に扱うべきです。AIが公開可能と判定したことは、広報、法務、契約上の公開承認を意味しません。安全を重視するなら、AIには「最重要機密」「社外秘」の候補だけを自動適用させ、「公開可」は人の承認だけで付ける設計が考えられます。公式仕様上も、管理者は自動適用を許可するラベル選択肢だけを選べます。

また、複数のAI指示が競合した場合は、ラベル選択肢の一覧で上にある値が採用されます。そのため、一覧の順序を見た目だけで決めてはいけません。競合時に安全側へ倒すなら、一般に機密度の高い値を上へ配置する設計が分かりやすいでしょう。ただし、過剰判定による業務影響も試験で確認します。

自然言語の分類指示を書く方法

Googleは、各ラベルについて「何を表すか」「どの手掛かりで見分けるか」「どのような例外があるか」を明確に書くよう案内しています。実務では、次のひな型が使えます。

「社外秘」は、社外へ公開されておらず、外部共有によって顧客、取引先または自社へ不利益が生じる業務情報を表す。未公開の契約条件、顧客固有の価格、交渉経緯、顧客担当者の連絡先、承認前の事業計画を手掛かりとする。ただし、公式サイトですでに公開された料金表、公開済みプレスリリース、匿名化された研修用サンプルは除外する。公開予定であっても、承認日または公開済みであることを本文から確認できなければ社外秘として扱う。

ここで重要なのは、単語ではなく文脈を書くことです。「契約」という語だけを条件にすると、公開されている契約手続きの説明まで社外秘になりかねません。反対に、秘密という語がなくても、顧客別単価や公開前の業績見込みは機密である可能性があります。

指示へ社内規程を丸ごと貼り付けるだけでも不十分です。規程は人向けに書かれており、定義が別紙へ分散していたり、例外承認の手続きだけが記載されていたりします。AIへ渡す分類指示には、判定可能な手掛かりと除外例を具体的に展開します。

安全な導入手順

1. ラベルの目的を一つに絞る

最初から機密度、保存年限、案件種別、法的区分を一つのラベルへ詰め込まないようにします。まずは「外部共有時に確認が必要な文書を見つける」など、測定可能な目的を一つ決めます。

分類の目的が曖昧だと、同じ文書を「重要度では社内」「個人情報では機密」「保存期間では7年」と複数の軸で判断することになり、正解を一つに定められません。

2. 正解付きの試験ファイルを用意する

Gemini方式は事前学習用データを必要としませんが、評価用データは必要です。これはGoogleの必須条件ではなく、AI活用ナビが推奨する運用です。

各ラベルについて、実際の業務を代表する文書、境界事例、誤りやすい文書を用意します。たとえば社外秘の試験なら、未公開見積書だけでなく、公開料金表、匿名化見積書、期限切れ契約、承認前プレスリリース、公開後プレスリリースを含めます。

本物の機密資料を試験環境へ複製する場合は、複製自体が新たなリスクになります。可能なら匿名化した代表例か、管理された共有ドライブ内の既存資料を使い、試験データの保存先と削除期限を決めます。

3. 小さな組織単位で自動適用する

対象を管理部門の一部、特定の共有ドライブ、検証用グループなどへ限定します。公式ヘルプ上、管理者は自動適用するファイル所有者の組織部門またはグループを選択できます。

最初から最上位の組織単位を対象にしないことが重要です。AI分類では一括ロールバックができず、自動適用を止めても既存ラベルが残るためです。検証用の一時ラベルを作り、結果が安定してから正式ラベルへ移行する方法が安全です。

4. まずラベルだけを付ける

初期段階では、AIラベルを削除、外部共有禁止、保存期限到来時の自動削除など、影響の大きい処理へ直結させません。イベントログを見ながら、どのファイルへ何が付いたかを確認します。

DLPルールについても、小さな範囲または監査中心で結果を確認してから広げます。GoogleのDLPヘルプも、広範囲の変更前に小さなサンプルでルールを試すことを勧めています。DLP分類ラベルの公式説明

5. 見逃しと過剰判定を別々に集計する

全体の正解率だけを見ると、危険な見逃しが隠れます。100件中90件が一般文書で、すべてを「一般」と答えるだけでも正解率は90％になるからです。

少なくとも次の値をラベル別に記録します。

本来は機密だが、機密ラベルが付かなかった件数
本来は一般だが、機密ラベルが付いた件数
テキスト不足や非対応形式のため分類されなかった件数
人がAIラベルを承認した件数
人が別のラベルへ変更した件数
同じ内容を再評価したときに結果が変わった件数

「機密文書の見逃しが0件になるまで導入できない」と単純に決めるのも現実的ではありません。分類対象外のファイル、暗号化された資料、画像中心の資料が存在するためです。見逃しをAIだけでゼロにしようとせず、共有権限、DLP、定期棚卸しで補います。

6. 人による変更を定期的に再確認する

AIラベルをユーザーが承認または変更すると、その値はユーザー適用扱いとなり、AI分類は以後変更しません。これは人の判断を優先できる長所である一方、誤った手動変更が固定される可能性も意味します。

変更権限を誰に与えるか、変更理由をどこへ記録するか、重要ラベルを下げた場合に誰が再確認するかを決めます。特に「最重要機密から公開可へ変更」のような操作は、単独の利用者判断で完了させない方が安全です。

7. 基準を満たした後にDLPへ接続する

分類精度と未分類範囲を把握した後、ラベルをDLPルールの条件として利用します。たとえば「最重要機密なら外部共有を禁止」「社外秘なら外部共有時に警告」と段階を分けます。

ダウンロード、印刷、コピーを制限するDLP設定では、GoogleはGeminiもその制限を尊重すると説明しています。ただし、プレビュー画面からの印刷を防げないなど、公式に記載された限界があります。DLPを有効にしただけで、画面撮影、手作業による転記、編集権限者のコピーなど、すべての持ち出し経路が閉じるわけではありません。ダウンロード・印刷・コピー制限の公式説明

導入判断チェックリスト

次の項目へすべて回答できるまでは、全社自動適用や強制制御への接続を保留します。

失敗しやすい設計

「AIが機密と判断しなかったから公開してよい」

これは最も危険な使い方です。分類されなかった理由は、公開可能だからとは限りません。文字数不足、非対応形式、所有者のライセンス、対象範囲の設定、指示の不足などが考えられます。「ラベルなし」は「公開可」ではなく「未判定」と扱います。

一般文書ばかりで精度を測る

実際には少ない機密文書を見つけることが目的なのに、一般文書を大量に含む全体正解率だけを見ても安全性は分かりません。機密ラベル別の見逃し率を確認します。

ラベルと制御を同時に全社展開する

誤分類によって多数のファイルが開けなくなったり、取引先との共同作業が止まったりする恐れがあります。分類結果の観察期間を設け、その後にDLP制御を段階的に加えます。

指示へ秘密の具体例を書きすぎる

分類指示を具体化することは重要ですが、実在する顧客名、秘密鍵、個人番号、未公表案件名を例として列挙する必要はありません。特徴を一般化し、指示そのものが新しい機密情報の集積にならないようにします。

AI生成コンテンツの表示と混同する

今回の「AI分類ラベル」は、組織がファイルの機密度や種類を管理するためのメタデータです。画像などがAI生成されたことを示すContent Credentialsとは目的が異なります。「AIが付けたラベル」と「AIで作られたことを示すラベル」を社内説明で混同しないようにします。

適用しない方がよい条件

次の条件では、Gemini方式を主たる分類手段にしない方が安全です。

音声、動画、スキャン画像が分類対象の中心である
文書が極端に短く、本文だけでは機密性を判断できない
案件名や保管場所など、本文以外の情報が分類の決め手になる
一件の見逃しも直ちに重大事故となり、別の強制制御が存在しない
ラベルの正解を判断できる担当者がいない
誤って付いたラベルを個別に直す運用余力がない
ベータ機能の仕様変更を追跡できない
法令、契約または業界規則が、特定の決定論的な分類・承認手続きや人による判断を要求している

この場合は、アクセス先を分離した共有ドライブ、固定的なDLP検出、作成時の必須ラベル、二者承認などを先に検討します。

データ利用に関して確認すべきこと

Googleは、GeminiのWorkspace機能がWorkspaceコンテンツを回答や処理に使用する一方、許可なくWorkspace外の基盤モデルの訓練・改善には利用しないと説明しています。また、AI分類の公式ヘルプでは、内部のDrive内容と関連する指示は認可されたWorkspace環境内で分離され、Googleのモデル学習には使われないとされています。GoogleによるWorkspaceデータ保護の説明

ただし、この説明だけで自社の利用可否を決めてはいけません。契約しているエディション、管理者設定、データリージョン、委託先管理、保存期間、個人アカウントとの混在、社内規程を確認する必要があります。特に、企業管理下のWorkspace機能と、個人向けGemini Appsや他のGoogleサービスを同じものとして扱わないようにします。

また、「モデル学習に使われない」ことは、「AIがファイルを処理しない」ことを意味しません。自動分類のためにはファイル内容の評価が必要です。機密情報をAI処理へ渡せるかという社内判断は、学習利用の有無だけでなく、処理目的、管理境界、アクセス権、ログ、契約条件を含めて行います。

まとめ

GeminiによるGoogle Driveの自動分類は、学習用データを準備せず自然言語の指示から始められる点で、情報分類の導入負担を下げます。大量の未分類ファイルから、契約書、顧客資料、公開前文書などを見つける補助としては有用です。

一方、分類結果は確率的で、対象外ファイルがあり、一括ロールバックにも制約があります。したがって、AIへ機密管理を丸ごと任せるのではなく、次の順序を守ることが重要です。

人が分類目的とラベル定義を決める
正解付き事例で指示を評価する
限定した範囲へ一時ラベルを適用する
見逃し、過剰判定、未分類を測る
人の変更と監査ログを確認する
十分な結果を得てからDLPや共有制御へ接続する
非対応ファイルと重要な例外は別の統制で補う

AI分類は、情報管理の責任者を置き換える機能ではありません。どこに未整理の情報があるかを発見し、人が決めたルールを継続的に点検するための補助線として使うのが、長く運用しやすい導入方法です。

確認日と主要な一次情報

本記事は2026年9月2日（日本時間）に確認しました。主な一次情報は、2026年8月28日のGoogle Workspace Updatesによるオープンベータ発表、AI分類の管理者向け公式ヘルプ、DLPと分類ラベルの公式ヘルプ、Workspaceデータ保護に関する説明です。オープンベータ中は対象エディション、展開状況、制限、管理画面の名称が変わる可能性があるため、実際の設定前に最新の管理者向けヘルプを再確認してください。

PRIMARY SOURCES