AIとプライバシー問題
解説：AIは「知りすぎる」リスク
AIにおけるプライバシー問題は、単に「氏名や住所が流出すること」だけではありません。
行動履歴や購買データなどの断片的な情報から、AIが個人の内面や将来の行動を高精度に予測（プロファイリング）できてしまう点に本質的な恐ろしさがあります。
法的に「個人情報」に当たらなくても、ユーザーが「気持ち悪い」「不当だ」と感じれば、そのAIサービスは社会的信用を失い、炎上・停止に追い込まれます。
1. 著名な炎上事例（ケーススタディ）
過去に何が問題になったのかを知ることが、最大のリスクヘッジになります。
リクナビ「内定辞退率」予測事件（日本 / 2019年）
就職情報サイトが、学生の閲覧履歴などをAIで分析し、「この学生は内定を辞退する確率が高い」というスコアを算出して企業に販売していた事件です。
- 問題点： 学生の知らないところで「裏の評価（スコア）」が勝手に作られ、採用選考に利用されていたこと。
同意の取り方が不透明だったとして、個人情報保護委員会から是正勧告を受けました。
Target社の「妊婦」予測（米国 / 2012年）
大手スーパーのTargetが、購買データ（無香料のローションやサプリを買ったなど）から、ある女子高生が妊娠していることをAIで予測し、ベビー用品のクーポンを郵送した事例です。
- 問題点： 父親も知らなかった妊娠の事実を、企業が先に知ってしまい、家庭内に波紋を広げたこと。
「予測できてしまうこと」と「それを使ってマーケティングして良いか」は別問題です。
2. 段階別の問題：収集と推論
プライバシー問題は、フェーズによって性質が異なります。
| フェーズ | 主な問題 | 具体例 |
|---|---|---|
| ① データ収集段階 |
「不意打ち」の取得 いつ、どこで、何のために撮られているか分からないことへの不安。 |
街中のカメラ、Webサイトのクッキー、スマホの位置情報など。 |
| ② 推論・利用段階 |
「予期せぬ」紐付け・選別 提供した覚えのない情報を勝手に推測されたり、差別的な扱いに使われたりすること。 |
信用スコアによるローン拒否、人種や性別による広告の出し分け（差別）など。 |
3. 対応策：プライバシー・バイ・デザイン
問題が起きてから対処するのではなく、「企画・設計の段階からプライバシー保護の仕組みを組み込んでおく」という考え方をプライバシー・バイ・デザイン (Privacy by Design: PbD) と呼びます。
- PIA (Privacy Impact Assessment)： プライバシー影響評価。システムを作る前に「どんなリスクがあるか」を評価し、対策を講じること。
- オプトアウト手段の提供： ユーザーが「データを使わないで」と拒否できる仕組みを作ること。
4. カメラ画像利活用ガイドブック
IoT推進コンソーシアム、経産省、総務省が策定した、店舗や街中のカメラ画像をビジネス利用する際のガイドラインです。
たとえ特定の個人を識別しない（個人情報ではない）場合でも、「生活者の不安感」に配慮すべきとしています。
📷 運用の重要ポイント
- 事前の告知（透明性）：
「防犯用」なのか「マーケティング（客層分析）用」なのか。
店舗の入り口など、撮影される前に気づく場所に、利用目的やアイコンを掲示する。 - 問い合わせ窓口：
「自分のデータはどう扱われているのか？」という質問に対応できる窓口を設置する。 - データの加工：
マーケティング分析目的なら、特徴量（性別・年齢層）だけ抽出して、元の画像データは即座に破棄するなどの対策を行う。
G検定対策
出題ポイント
- リクナビ事件：「本人の同意があやふやなまま、不利益になり得る予測スコアを企業に提供した」点が問題となった。
- プライバシー・バイ・デザイン (PbD)：開発の初期段階（上流工程）からプライバシー対策を組み込む思想のこと。
- カメラ画像：「防犯カメラだと思っていたら、勝手にマーケティングに使われていた」というのが一番のトラブルの元。利用目的の明示（ポスター掲示など）が必須対策とされる。
ひっかけ対策
- × 個人情報保護法さえ守っていれば、プライバシー問題は起きない
（解説）法律は「最低限のルール」です。Target社の例のように、法的に合法でも「気持ち悪い」と思われれば社会的にアウトになります（ELSIの観点）。 - × 個人が特定できない画像であれば、何の説明もなく自由に使って良い
（解説）ガイドブックでは、プライバシー（生活者の平穏な生活を送る権利）への配慮として、個人特定ができなくても利用目的の通知や公表を行うことが推奨されています。
