【2026年】k8s-aibomのAI部品表|監査に出せる台帳にする

【2026年】k8s-aibomのAI部品表|監査に出せる台帳にする

「AIの台帳は作ったが、本番で何が動いているかと本当に一致しているのか自信がない」「監査で『この推論サーバーはどのモデルか』と聞かれたら、担当者に聞き回るしかない」——AIの利用規程を整えた企業の情シスや監査対応の担当者から、2026年に入って増えている声です。2026年7月13日、Google は Kubernetes 上で動いているAIを見つけて部品表を自動で作るOSSを公開し、10月には第1.6版まで更新が進みました。けれども、部品表が自動で出てくることと、それを監査に出せる台帳として扱えることは、別の話です。確度の低い行を誰が確かめ、部品表を誰が持ち、どこまで外に出すかは、ツールを入れただけでは決まりません。この記事では、公式ブログと公式GitHubの記述をもとに、実行中のAIを部品表として残す運用を社内に根付かせるために決めることを整理します。


カメ先生カメ先生

AIの台帳は、申告してもらえばそろうと思われがちなんだ。でも本当は、申告されたものと実際に動いているものは、時間がたつほどずれていくんだよ。


カメ子カメ子

台帳に書いてあることと、本番で動いているものが違ってくる、ということですか。


カメ先生カメ先生

そう。だから実際に動いているものを機械で拾う道具が出てきた。ただし、拾えるのは決まった場所の決まった形だけだし、拾った結果には「確か」と「たぶん」が混ざる。そこを人が読み分けないと、監査には出せないんだ。


カメ子カメ子

自動で作れる部分と、人が確かめる部分を分けて考えるんですね。


この記事のポイント
  • Google が公開したOSSは、Kubernetes 上で実際に動く推論・エージェント・RAG・学習・評価を見つけ、CycloneDX 1.6 形式の部品表を根拠と確度付きで自動で作る
  • 申告の台帳を置き換えるものではない。確度が「推定」「未解決」の行を誰が確かめ、どの台帳に反映するかを先に決めてから広げる
  • 部品表は社内の運用上の機密として扱い、読める人と外に出す範囲を絞る。Kubernetes の外にあるAIは映らないので、別の台帳で補う

あなたのWebサイトは、AIによる攻撃に耐えられますか?

AIを活用してWebサイト・Webサービスの脆弱性を診断し、発見した問題と推奨する修正方法をご報告します。

目次

本ツールとは:Kubernetes で動いているAIを部品表にするOSS

ここで扱うのは、Google が GitHub 上の Google Cloud の組織で公開しているOSSで、名前はタイトルのとおりです(以下、本ツール)。公式の説明では、Kubernetes のクラスターの中で実際に動いているAIの仕組みを見つけ、部品表(AIBOM)を自動で作る制御用のプログラムです。出力は、部品表の業界標準である CycloneDX の第1.6版が定める、機械学習向けの部品表(ML-BOM)の形式に沿っています。利用許諾は Apache 2.0 です。

ソフトウェアの部品表(SBOM)は、作る側が「この製品には何が入っているか」を書いて渡す書類です。AIの部品表はそれをAI向けに広げたもので、どのモデル、どの実行環境、どの外部のAIサービス、どのベクトルデータベースを使っているかを並べます。部品表そのものの読み方は別の記事で整理しているので、ここではこのツールで自社の部品表を自動で作るとき、社内で何を決めるかに絞ります。

最初に押さえておきたいのは提供の条件です。公式GitHubの説明には、Google の正式なサポート対象の製品ではないと明記され、Google のOSS向け脆弱性報奨の対象外ともされています。現状については「重要でない観察の用途であれば本番でも使える」という書き方です。サポート契約のあるクラウドの機能ではなく、Google が公開して開発を続けているOSSとして扱うのが正確です。

2026年の動き:7月の公開から月1回の更新へ

公表は、2026年7月13日の Google Cloud 公式ブログです。開発者が正式な登録をせずに動かしたAIは従来のセキュリティの検査をすり抜けやすい、という問題意識が書かれています。国内では8月19日に @IT が紹介しました。正式な第1.0版が出たのは8月17日で、そこから9日間で5回の版を重ね、8月25日に第1.4版まで進んでいます。

その後、8月26日に、機能を足す版は月1回までという方針が定められました。9月22日の第1.5版では、モデルの署名を暗号的に確かめて「検証済み」と記録する段階が加わり、10月19日から22日にかけて第1.6.0〜1.6.2版が出ています。第1.6版は、NVIDIA の推論基盤など扱える種類を広げ、一つの仕事に一つの部品表とする束ね方を入れた版です。公式の予定では、次の第1.7版は11月24日に、部品表の形を CycloneDX の慣例に合わせて一度だけ変えるとしています。部品表を受け取る仕組みを作るなら、この変更を見込んでおく必要があります。

  • 8月17日 第1.0版/8月25日 第1.4版:正式版の公開から9日間で5回の版。下流の配布元の確認で見つかった点を順に直した
  • 9月22日 第1.5版:信頼する署名者を決めた場合に、モデルの署名を確かめて「検証済み」と記録する段階を追加
  • 10月19日〜22日 第1.6.0〜1.6.2版:扱える仕事の種類を広げ、一つの仕事に一つの部品表として束ねる形に
  • 11月24日 第1.7版(予定):部品表の形を CycloneDX の慣例に合わせて一度だけ変える。読む側の仕組みは事前に確認が要る

採用の広がりとしては、NVIDIA が配布する GPU クラスター向けの構成一式が、本ツールを部品として組み込み、GKE 上の推論向けの標準構成では既定で入るようになっています。vLLM の本番向け構成などでも任意の部品として選べるようになりました。一方で、公式の採用企業の一覧に、自社のクラスターで使っていると名乗り出た企業の行はまだありません。

誤解:部品表を自動で作れば、AIの台帳はいらなくなる

よくある思い込みは、「実際に動いているものを自動で拾えるなら、申告の台帳は廃止してよい」というものです。公式の説明は逆で、作る時点の部品表(意図したもの)と実行中の部品表(実際に動いているもの)は両方要るとし、本ツールを既存の道具を置き換えるものではなく補うものと位置づけています。

申告の台帳が答えるのは、「このAIは何の目的で、誰の責任で、どのデータを使ってよいか」です。本ツールが答えるのは、「今このクラスターで、どの実行環境が、どのモデル名を名乗って動いているか」です。目的や責任者や利用者への説明は、コンテナの設定をいくら読んでも出てきません。台帳は「あるべき姿」、部品表は「実際の姿」で、両者の食い違いを見つけることに価値があると考えると、役割が整理できます。

もう一つの思い込みは、「規制の要件を満たす道具だ」というものです。公式は、EU のAI法の記録義務(第12条)と透明性の義務(第50条)、NIST のAIリスク管理の枠組み、ISO/IEC 42001 の台帳の要求に合わせて設計したと説明しつつ、どの枠組みへの適合も証明するものではなく、適合の手続きに使う根拠の材料を作るものだと明記しています。適合したかを判断するのは、あくまで社内の責任者と監査人です。

何を見つけ、何を見つけないか:5つの種類

公式の説明では、本ツールが見つけるのは5つの種類です。推論の仕組み(vLLM、NVIDIA の推論サーバー、Ollama などの実行環境と、名乗っているモデル名)、エージェントの仕組み(LangChain、CrewAI などの枠組み)、ベクトルデータベースとRAGの基盤、学習と追加学習の仕事、評価の仕事です。見分け方は、コンテナの画像の名前、環境変数、起動時の引数との照合で、中身のプログラムを解析するわけではありません。

拾わないものも、公式ははっきり書いています。エージェントの枠組みは名前を記録しても版は記録しません。ベクトルデータベースは種類を記録しても、中の集まりや設定は読みません。学習の仕事は、決まった名前で付けられたデータの置き場を記録するだけで、学習データの中身は見ません。外部のAIサービスは、OpenAI・Anthropic・Gemini などの鍵の環境変数の名前から「呼んでいる」と記録しますが、鍵の値は記録しない設計です。

種類記録するもの記録しないもの
推論実行環境、コンテナの画像と識別値、名乗っているモデル名モデルの重みの中身、実際の応答
エージェント枠組みの名前、呼んでいる外部のAIサービスの種類枠組みの版、鍵の値、会話の内容
ベクトルデータベース・RAGデータベースの種類、コンテナの画像中の集まりや設定、格納された文書
学習・追加学習枠組みの名前、データの置き場の位置学習データの中身、枠組みの版
評価評価の枠組み、データの置き場の位置評価の問題集や引数

つまり、部品表は「何が、どこで、何を名乗って動いているか」の一覧であって、モデルが何を学んだか、どんな答えを返しているかの記録ではありません。モデルの出どころや学習データの権利を確かめる作業は、部品表の外に残ります。

確度の4段階:宣言・検証済み・推定・未解決

本ツールの特徴は、部品表の項目ごとに確度と根拠の場所が付くことです。公式は、これが役に立つ部品表と誤解を招く部品表の違いだと説明しています。段階は4つで、宣言は利用者が設定に自分で書いたもの(起動時の引数で指定したモデル名など)、検証済みは宣言されたモデルの署名を暗号的に確かめられたもの(第1.5版から)、推定は照合の規則から導いたもの、未解決は確かに決められなかったものです。

注意したいのは、宣言でも「正しい」とは限らないことです。宣言は「書いた人がそう書いた」という意味で、モデル名を書き間違えていればそのまま記録されます。逆に、慣習的な環境変数から読んだモデル名は、多くの人がそう使っているだけの約束事なので推定に分類されます。確度は「どれだけ確からしいか」ではなく「どこから来た情報か」の区別として読むと、取り違えが減ります。

検証済みの段階は、運用する側があらかじめ信頼する署名者を決めておかないと使えません。公式の説明では、信頼の起点だけを決めて署名者の条件を決めない場合、署名が正しいという事実は記録されても段階は上がりません。誰の署名なら信じるかは、ツールではなく社内が決めることです。

確度の低い行を確かめる:当番を決めて流れにする

Google のブログは、未解決と判定された仕事はセキュリティの確認に回すべき印になると書いています。ここで決めておかないと、未解決や推定の行が積み上がるだけになります。公式も、検出は慎重な側に倒しており、作り話の「宣言」を出すより、正直に「未解決」と書くほうを選ぶと説明しています。未解決の行が出るのは故障ではなく、確かめる仕事が人に回ってきたという合図です。

STEP1
未解決と推定の行を週に一度まとめて抜き出す

部品表は仕事ごとに作られるので、全体から確度が「未解決」「推定」の行だけを抜き出す作業を週次の当番に入れます。新しく現れた仕事と、前回から中身が変わった仕事を先に見ます。

STEP2
仕事の持ち主に、名乗っているモデル名と目的を確かめる

名前空間や仕事の持ち主を手がかりに、開発の担当者へ「このモデルで合っているか」「何の業務で使っているか」を確かめます。AIに推測で埋めさせず、持ち主の回答を根拠として残します。

STEP3
設定に宣言を書き足してもらう

確かめた結果は、仕事の設定に注釈として書いてもらい、次回から「宣言」として拾えるようにします。人が台帳だけを直すと、部品表と台帳がまたずれます。

STEP4
申告の台帳と突き合わせ、載っていないAIを起票する

部品表にあって台帳に無いものは、未登録のAIとして利用申請の手続きに回します。止めるかどうかの判断は、規程に沿って責任者が行います。

この流れの要は、部品表の行を書き換えるのはツールで、人は設定と台帳を直すという分担です。部品表は同じ入力から同じ中身がバイト単位で出ると公式が説明しているため、設定を直せば翌回の部品表に反映され、差分で確かめられます。

見つからない=無い、ではない:映らない範囲

公式の説明で最も重要な一文は、検索して0件でも「無い」証拠にはならない、というものです。映らない理由として挙げられているのは三つで、部品表を作る対象として登録していない名前空間、照合の一覧に無い画像、まだ識別値が決まっていない画像です。導入した直後は、どの名前空間も対象になっておらず、何も記録しません。

さらに大きいのは、Kubernetes の外が一切映らないことです。社員がブラウザで使う生成AI、業務用のクラウドサービスに組み込まれたAI機能、Kubernetes を使わずに仮想サーバーや関数で動かしているAI、外部委託先が自社の環境で動かしているAIは、どれも部品表に出てきません。外部のAIサービスを呼んでいることも、鍵の環境変数の名前が決まった形のときにだけ拾えます。部品表が網羅するのは「自社の Kubernetes の、登録した名前空間で、照合できた形」だけだと、監査の資料にも書いておくべきです。

  • 部品表に載っていないことを根拠に「当社の本番ではAIは使われていない」と監査に回答する
  • 導入しただけで名前空間を登録せず、何も記録されていない状態を「AIは無い」と読み違える
  • 社員のブラウザでの生成AIの利用や、クラウドの業務サービスに組み込まれたAIまで部品表で把握できたことにする
  • 照合の一覧に無い自作の推論サーバーを、拾えないまま放置する

データはどこに残るか:既定はクラスターの中だけ

公式の説明では、部品表は仕事ごとに一つ作られる専用の資源の状態欄に書き込まれ、既定では、データはクラスターの外に出ないとされています。256KBを超える部品表だけは外部の保存先に置かれ、状態欄にはその場所が書かれます。外部の保存先は任意で、Google Cloud の保存領域と、利用者が指定するHTTPSの受け口の二つが用意されています。

保存領域を使う場合、本ツールに与える権限は新しい物を書き込む権限だけで、読む権限や管理の権限は持たせません。さらに、同じ場所への二度目の書き込みは必ず失敗する条件を付けて書くため、一度書いた部品表は、乗っ取られたAIの仕事からも黙って上書きされないと公式は説明しています。受け口に送る場合も、平文の通信での鍵の送信は拒否されます。外部の保存先の鍵を読む権限は、既定では無効です。

置き場所外に出るか残る期間社内で決めること
クラスター内の専用の資源(既定)出ない元の仕事が消えるまで読める役割をどこまで絞るか
Google Cloud の保存領域(任意)自社の保存領域へ保存領域の持ち主が決める保存期間の方針と、閲覧の権限
HTTPSの受け口(任意)指定した受け口へ受け取る側が決める受け取る仕組みの持ち主と、転送先の範囲

クラウドへの依存について、公式は「Google に依存するのは任意の保存領域だけ」とし、GKE のほか Amazon・Azure の Kubernetes や自社運用のクラスターでも同じように動くと説明しています。ただし、版ごとの実地の確認は GKE で行い、他の環境は自動テスト用の小さなクラスターで確かめている、という書き方です。GKE 以外で使うなら、自社の環境での動作確認は自分たちで行う前提になります。

部品表そのものが機密:読む人を絞る

部品表は監査のための書類ですが、同時に、どのモデル、どの枠組み、どの外部のAIサービスがどこで動いているかを一覧にしたものでもあります。公式は、部品表を「慎重に扱うべき運用上の情報」として扱い、読む人は基盤・セキュリティ・コンプライアンスの担当に限るよう勧め、一般の開発者の役割には一覧を読む権限を与えないことを推奨しています。外部の保存先の閲覧権限も同じ考え方です。

もう一つ、公式が自ら開示している点があります。本ツールはクラスター全体の仕事の設定を見張っており、登録していない名前空間の設定や環境変数の値も、いったんメモリには読み込まれるという点です。部品表や記録に書き出すことはなく、鍵の値も出力しないとしていますが、登録の有無は「何を報告するか」を決めるだけで、「何を読むか」を決めるものではありません。セキュリティの審査では、この点を前提に権限を評価してください。

出力の側には、鍵の形をした文字列や、署名付きの共有リンクの一部などを伏せる仕組みがあり、伏せた項目には伏せた旨の印が残ると説明されています。それでも、部品表を社外に渡す前に、人が中身を一度読む工程は省かないほうが安全です。

監査と取引先にどこまで出すか

部品表は、出す相手によって中身を変える必要があります。社内の監査やISO/IEC 42001 の内部監査には、部品表そのものと確度の内訳、未解決の行の処理記録まで出せます。一方、取引先や顧客から「AIの部品表を出してほしい」と求められたときに、社内の部品表をそのまま渡すと、自社の構成と外部サービスの利用状況が丸ごと伝わることになります。

取引先向けには、対象の製品やサービスに関わる仕事だけを選び、名前空間や内部の名前は伏せ、確度の段階を残したまま渡す形が現実的です。確度を消して「すべて確か」に見せるのは避けるべきです。何を出し、何を伏せたかを記録し、出す判断は法務と情報管理の責任者が持つようにします。

出す前の確認で使えるのが、部品表が同じ入力から同じ中身で出るという性質です。前回渡した版との差分だけを読めば、どこが変わったかを短時間で確かめられます。AIに差分の要約を下書きさせる場合でも、要約ではなく元の差分を根拠として添え、人が読んでから出す線は守ります。

目的単位の台帳との役割分担

AIの台帳には、モデル単位、ツール単位、業務の目的単位など、いくつかの単位があります。本ツールの部品表は、明確に「動いている仕事」単位です。一つの推論サーバーが複数の業務に使われていても一行で、一つの業務が複数の仕事にまたがっていれば複数の部品表になります。

このため、目的単位の台帳とは結び付けの鍵を決めておく必要があります。たとえば、仕事の設定に業務の識別番号を注釈として書いてもらい、台帳の側にも同じ番号を持たせれば、部品表から台帳の行をたどれます。部品表は「実際に動いている証拠」、台帳は「目的と責任者の記録」として、片方だけで監査に答えようとしないのが基本です。

役割を分けると、点検の仕方も分かれます。部品表の側は、新しく現れた仕事と変わった仕事を当番が見る。台帳の側は、目的の変更や責任者の異動を規程の担当が直す。突き合わせの結果、台帳にしか無い行は「止まったのに台帳に残っている」可能性があり、こちらも整理の対象になります。

社内に根付かせる順番:一つの名前空間から

いきなり全クラスターに広げるより、AIの仕事が集まっている名前空間を一つ選んで始めるのが安全です。公式の手順でも、導入した時点では何も記録せず、名前空間に印を付けて初めて対象になる設計です。まず一つの名前空間で、部品表の出方、未解決の行の割合、当番の負担を確かめます。

  1. AIの仕事が多い名前空間を一つ選び、持ち主の開発チームと当番の担当を決める
  2. 部品表を読める役割を基盤・セキュリティ・コンプライアンスの担当に絞る
  3. 未解決と推定の行の確かめ方(前述の4工程)を2〜4週間回し、設定への宣言の書き足しを依頼する
  4. 目的単位の台帳との結び付けの鍵(業務の識別番号)を決め、突き合わせの結果を記録する
  5. 外部の保存先を使うかを決め、使うなら保存期間と閲覧権限を保存領域の持ち主と合意する
  6. 対象の名前空間を広げ、映らない範囲(Kubernetes の外)を補う手段を規程に書く

広げる基準は、未解決の行が当番の手で処理しきれる量に収まっているかです。処理しきれない量が出ているうちに広げると、確かめていない行だらけの部品表が監査の資料として独り歩きします。

費用と手間:本体は無料、かかるのは人と保存先

本ツールは Apache 2.0 のOSSで、利用料はかかりません。動作の負荷も小さく、公式が公表した GKE での計測では、1,001件の仕事を見張る定常状態で、CPU は1〜2ミリコア、メモリは平均約61MiBでした。標準の設定は、これより十分に余裕のある値で確保するようになっています。

実際の費用は、人の手間と周辺の仕組みに出ます。未解決の行を確かめる当番の時間、設定に宣言を書き足す開発者の時間、台帳との突き合わせの時間が、対象の名前空間を広げるほど増えます。外部の保存先を使えば、保存領域の容量と保存期間に応じた料金がかかり、受け取る仕組みを別に作るならその運用も加わります。

もう一つの手間は版の追従です。機能を足す版は月1回まで、と方針が決まっていますが、第1.7版では部品表の形が一度変わる予定です。部品表を読む側の仕組みを自作するなら、版を上げる前に読む側を確かめる手順を当番の作業に入れておきます。正式版の公開には、改ざんされていないことを確かめるための署名と来歴の情報が付いているので、導入の際にそれを確かめる手順も決めておくと安心です。

やめるときに残るもの・止め方

本ツールをアンインストールしても、作られた部品表は消えません。公式の説明では、部品表は本ツールではなく元の仕事にひも付いているため、本ツールを外しても部品表は残り、元の仕事が消えたときに一緒に消えます。資源の定義そのものを消すと、部品表はすべて消えます。再び入れれば、残っている部品表を引き継いで更新を再開します。

外部の保存先に書いた部品表は、上書きできない形で残り、保存期間は保存領域の持ち主の方針で決まります。監査の証拠として残すつもりなら、やめる前に保存期間と消す手順を決めておく必要があります。逆に、試しに入れただけなら、保存領域ごと消す判断を誰がするかを決めておきます。

一時的に止めたいときは、名前空間の印を外せば、その名前空間は報告の対象から外れます。ただし先に述べたとおり、印を外しても設定がメモリに読み込まれること自体は変わりません。完全に止めるなら本ツールの削除まで行う、という区別を手順書に書いておきます。

よくある質問

GKE を使っていなくても使えますか

公式の説明では、Amazon・Azure の Kubernetes、自社運用のクラスター、手元の検証用クラスターでも同じ手順で動くとしています。Google に依存するのは、任意の外部の保存先として Google Cloud の保存領域を選んだ場合だけです。ただし版ごとの実地の確認は GKE で行われているので、他の環境では自社で動作を確かめてください。

社員が使っている生成AIのサービスも見つかりますか

見つかりません。見えるのは自社の Kubernetes の中で動く仕事だけです。社員のブラウザでの利用やクラウドの業務サービスに組み込まれたAIは、通信の記録や利用申請など別の手段で把握する必要があります。

部品表があれば、EU のAI法などへの対応は済みますか

済みません。公式は、適合を証明するものではなく、適合の手続きに使う根拠の材料を作るものだと明記しています。目的、リスクの評価、利用者への説明などは、別の台帳と社内の判断で整える必要があります。

Google のサポートは受けられますか

公式GitHubには、Google の正式なサポート対象の製品ではないと明記されています。不具合や要望は、GitHub の課題として報告する形です。重要な監査の唯一の根拠にするのではなく、観察の道具として位置づけるのが現実的です。

まとめ

Google が2026年7月に公開した本ツールは、Kubernetes 上で実際に動いている推論・エージェント・RAG・学習・評価を見つけ、根拠と確度の付いたAIの部品表を自動で残せる点で、申告の台帳だけでは見えなかった「実際の姿」を補います。一方で、確度が推定や未解決の行は人が確かめる必要があり、Kubernetes の外にあるAIは映らず、部品表そのものが社内の機密になります。AIに判断させず、確度の低い行は持ち主に確かめて設定に宣言を書き足してもらう。部品表は目的単位の台帳と結び付け、読む人と外に出す範囲を絞る。一つの名前空間から始め、当番が処理しきれる量を確かめながら広げる。この順番で進めれば、自動で出てくる部品表を、監査に出せる台帳の根拠として使えるようになります。

※本記事にはAIが活用されています。編集者が確認・編集し、可能な限り正確で最新の情報を提供するよう努めておりますが、情報の完全性、正確性、最新性、有用性等について保証するものではありません。本記事の内容に基づいて行動を取る場合は、読者ご自身の責任で行っていただくようお願いいたします。

あなたのWebサイトは、AIによる攻撃に耐えられますか?

AIを活用してWebサイト・Webサービスの脆弱性を診断し、発見した問題と推奨する修正方法をご報告します。

運営会社:株式会社デボノ

目次