あるYouTuberが「Mac mini × 脆弱性」をテーマに語っていました。主張を短くまとめると、次の3点です。
- 情報はもう漏れている前提で考えるべき。 楽天関連の漏えい報道を見て「自分の情報もどこかに出ている」と腹をくくった。
- AIで攻めてくる相手に、人間が24時間張り付く保守では勝てない。 守る側もAIで検知し、AIで修正案を出す「AI対AI」の体制にするしかない。そのための仕組みとして、社内のマシン(例えばMac mini)で動かすローカルAIが有効ではないか。
- そもそも個人情報を持たない設計にすることが、いちばん効くリスクヘッジになる。
どれも現場の感覚としてはうなずける話です。ただ、動画の中でも「これは私の意見なので専門家の意見も聞きたい」と言われていました。そこでこの記事では、2026年11月時点で公開されている報道・レポートと突き合わせながら、どこまでが事実で、どこに補足が必要かを整理し、実際に組むならどんな構成になるかを図解します。
事実確認:楽天証券で何が起きたのか
動画で語られていた「楽天証券の情報が1000万件ぐらい漏れた」は、2026年11月17日の楽天証券の発表とおおむね一致します。さらにその半月前には、委託先経由の別の漏えいも公表されていました。性質の違う2つの件を分けて整理します(いずれも2026年11月19日時点の公表・報道に基づきます)。
① 自社のテスト環境から、最大約1,572万口座分(2026年11月17日発表)
- 経緯: 11月16日に一部システムへの不正アクセスの可能性を検知し、アクセスを遮断。その後の調査で、テスト環境で管理していた情報の一部が11月11日に外部へ漏えいしたおそれが判明しました。検知までに5日かかっています。
- 漏えいのおそれがある情報: 2つの区分があり、重複はないとされています。退会した人の情報も含まれます。
| 区分 | 口座数(最大) | 主な項目 |
|---|---|---|
| 区分1 | 約447万 | 氏名、生年月日、住所、電話番号、メールアドレス、勤務先、出金先の銀行口座、申告した年収・金融資産、商品別の資産残高、ログインIDなど |
| 区分2 | 約1,125万 | 部店・お客様コード、ログインID |
- 含まれないとされるもの: ログインパスワードと取引用の暗証番号。公表時点で、この件が原因とみられる不正取引は確認されていません。
- なぜテスト環境に本物の顧客情報があったのか: 社内システムのアップグレードを検証するため、本番の顧客情報を一時的にテスト環境へ移していたと説明されています。普段はダミーデータだけで、社内の承認手続きも経ていたものの、それでも第三者に入られた、ということです。侵入経路は調査中です。
- 利用者への対応: 影響がある顧客には個別に連絡し、パスキー認証の設定を呼びかけています。
② 委託先経由で、社債購入者の情報 延べ362件(2026年10月31日発表)
- NTTデータの社債特典サービス「STdirectServices」が使う、委託先Securitize JapanのSaaSが10月29日に不正アクセスを受けました。認証機能の脆弱性を突かれて管理者権限を奪われ、システム内の情報が持ち出されたとされています。
- 楽天証券の分は、カゴメ・JR西日本・近鉄グループHDの社債を買った一部の客の延べ362件です。野村證券やSBI証券、社債を発行した企業も、相次いで影響を公表しました。
参考:楽天会員「1億100万件」の販売主張(2026年10月)
サイバー犯罪フォーラムに楽天の会員データを売るという投稿もありましたが、楽天からの公式発表はなく、真正性も未確認です。上記①②とは別の話として扱う必要があります。
数字で見る「漏えいは日常」
個人情報保護委員会への民間事業者の漏えい等報告は、2024年度に過去最多の1万9,056件、2025年度も1万7,139件でした。またIPA「情報セキュリティ10大脅威 2026」(組織編)では、1位がランサム攻撃、2位がサプライチェーンや委託先を狙った攻撃、そして「AIの利用をめぐるサイバーリスク」が初登場で3位に入っています。
ポイント: わずか半月のうちに、「委託先から漏れる」と「自社のテスト環境から漏れる」という、2026年らしい二つの型が同じ会社の周りで起きました。どちらも、守りを固めた本番システムそのものではなく、その周りに置かれた情報が狙われています。「自分の情報はどこかに出ている前提で備える」という動画の結論は、まさにその通りだと言えます。
攻撃側はすでにAIで動いている
「向こうもAIを使ってきているのは間違いない」という動画の見立ては、公開レポートでも裏付けられています。
- Anthropic(2025年11月): 中国の国家支援とみられるグループ「GTG-1002」が、Claude Codeを操って約30の組織(テック企業、金融機関、化学メーカー、政府機関)を攻撃した事例を公表。偵察から脆弱性の発見、認証情報の窃取、データ持ち出しまで、攻撃作業の80〜90%をAIが自律的にこなし、人間にはありえない速度で大量のリクエストを連続実行していました。
- Google脅威インテリジェンスグループ(2026年5月): AIで開発されたとみられるゼロデイ攻撃コードを使う攻撃グループを初めて特定。従来のスキャンツールでは見つからない脆弱性が突かれていたと報告しています。
- KELA(2026年中間レポート): AIによる脆弱性の自動発見と悪用が進み、「脆弱性の公開から悪用までの猶予(パッチを当てる時間)」が消えつつあると警告。安全制限を外せるオープンソースモデルの自前運用も懸念点に挙げています。
つまり、攻撃は「人間のハッカーが夜中に手作業で」ではなく、機械の速度で、休まず、並列にやってくるのが前提になりました。
「24時間人が見張る保守」の限界
従来の保守契約は「人がログやアラートを見張り、異常があれば人が直す」という前提で組まれていました。しかし攻撃が機械の速度で来る以上、「人が気づくまで」と「人が直し終わるまで」の時間がそのまま弱点になります。アラートの数も人がさばける量を超えつつあり、SOC(セキュリティ監視センター)の世界でも「自律型SOC」への移行が話題です。

ただし、ここは動画の「人間の保守は意味がない」という表現より、一歩細かく考えた方が安全です。
- Gartnerは、AI SOCエージェントが人間の専門知識を完全に代替するという見方を「幻想」とし、実態は人とAIの協働だと整理しています。
- 前述のAnthropicの報告でも、攻撃に使われたAIは成果を誇張したり、データを捏造したりすることがあったとされています。守る側のAIも同じで、誤検知やもっともらしい誤修正を出します。
- 逆に言えば、AIによる攻撃は大量のノイズを出すので、しっかりした監視があれば見つけやすいという指摘もあります。監視をやめるのではなく、監視をAIに任せるのが筋です。
結論として、人の役割が「張り付いて見張る」から「承認して責任を持つ」へ変わる、と捉えるのが現実的です。
ローカルAIで作る「社内常駐の保守基盤」
動画の提案の核は、「異常を検知したら、常駐しているAIがすぐ修正案を出して報告する」仕組みを、外に出さず社内で回すことでした。ここではMac miniという機材の話から一歩広げて、\*\社内で動かすローカルAI(ローカルLLM)\\*を中心に据えて整理します。Mac miniは、その器の選択肢のひとつという位置づけです。
なぜ「ローカル」なのか
- ログそのものが機密だから。 監視するログには、IPアドレスやメールアドレス、エラーに紛れた個人情報、APIキーの断片まで含まれがちです。これをそのまま外部のAIサービスに送れば、守るための仕組みが新しい漏えい経路になりかねません。ローカルAIなら、データは社内から出ません。
- オープンなモデルが実用レベルに来たから。 2026年4月に公開されたQwen 3.6 27Bは、ソフトウェア修正のベンチマーク(SWE-bench Verified)で77.2%を記録したと報告されています。GPUメモリ24GBならQwen3-Coder 30B、16GBならgpt-oss-20bが定番の選択肢です。
- 道具がそろったから。 Ollama、LM Studio、vLLM、llama.cppといった実行環境が事実上の標準になり、Claude CodeやCodexのようなコーディングエージェントをローカルLLMにつないで動かす使い方も広がっています。
- 攻撃側もローカルで動かしているから。 前述のKELAの報告では、安全制限を外したオープンモデルを犯罪グループが自前で運用することが懸念されています。守る側も同じ土俵に立つ必要があります。
どのマシンで動かすか
| 規模 | 機材の例 | 向いている使い方 |
|---|---|---|
| 小さく始める | Mac mini、GPUメモリ16〜24GBのPC | ログの要約、異常の一次判定、小さな修正案 |
| 本格運用 | Mac Studio、NVIDIA DGX Spark、Ryzen AI Max+搭載機などメモリ128GB級 | 大きめのモデルで原因調査からコード修正まで |
| 複数サービスを見る | GPUサーバー+vLLM | 複数の監視対象を並列に処理 |
128GB級のマシンは数十万〜100万円前後になり、クラウドAIの利用料と比べてどちらが得かは利用量次第です。また小さめのモデルは、扱う文章が長くなると処理が遅くなります。最初は「人が作業している間に、AIがレビューや一次調査を並行して進める」くらいの役割から始めるのが現実的です。

ローカルAIならではの注意点
- 精度はクラウドの最上位モデルに及ばないことがある。 だからこそ、テストと人の承認を必ず通します。誤った修正案を見抜く仕組みが、ローカルAI運用のいちばんの肝です。
- AIサーバーが新しい「金庫」になる。 ログもリポジトリも鍵も集まるので、攻撃者から見れば最優先の標的です。2026年には、管理用アカウントの認証情報を盗まれ、そこから侵入された事案も報じられています。AIサーバーには本番への書き込み権限を持たせず、読み取り専用のログとPR作成権限だけを渡すのが基本です。
- AIの道具自体にも脆弱性がある。 実際にClaude Codeでも、細工したリポジトリで信頼確認を回避できる問題などが見つかり、修正版が出ています。エージェント、モデル、実行環境(Ollama等)のどれもが、アップデートし続ける対象です。
- 自動で本番に入れない。 修正はロールバックできる状態で、承認済みのものだけを反映します。
クラウドAIとの使い分け
ローカルかクラウドかの二者択一ではなく、扱うデータで分けるのが現実的です。
- ログや顧客データに触れる常時監視は、ローカルAIで行う。
- コードだけを見る深いセキュリティレビューは、社内のルールが許すなら、クラウドの専用ツールも併用する。2026年2月にはAnthropicの「Claude Code Security」(修正の適用には人の承認が必須)、3月にはOpenAIの「Codex Security」(疑わしい箇所を隔離環境で再現してから修正案を出す)が登場しています。
- クラウド基盤(AWSやGCP)の標準の監視機能は、そのまま使う。実際の漏えいは委託先、盗まれた認証情報、設定ミスが起点になることが多く、「クラウドだから漏れる」わけではありません。
SMART AI WATCHER(SAW)と組み合わせると何が良くなるか
ここまでの仕組みは、主にサーバーとアプリを守る話でした。しかし実際の侵入口は、社員のPCや、そこに入っている外部ソフトの脆弱性であることも少なくありません。そこで、エンドポイント(端末)を統制する「SMART AI WATCHER(SAW)」と組み合わせ、端末側とサーバー側の両面を見張る形にすると、守りの穴が大きく減ります。

SAWが担うところ
- 端末の利用状況と操作ログの把握(Mac版・Linux版にも対応。Microsoft IntuneのMDM APIとの連携も仕様に含む)
- 外部ソフトの脆弱性評価(NVDを使った評価は実装済み。JVN iPedia、実際に悪用されている脆弱性の一覧(KEV)、悪用される確率の指標(EPSS)による強化を予定)
- 生成AIの利用ログの監視(社員が外部のAIに何を入力したかも追える)
- インシデント後の追跡(何が起きたかをログでさかのぼれる)
組み合わせることの共通のメリット
- 端末とサーバーの「つなぎ目」が見える。 攻撃は「社員のPCから入り、管理者の認証情報を盗んでサーバーへ」という経路をたどることが多くあります。SAWの端末ログとサーバーのログを並べて見れば、どちらか片方だけでは気づけない動きを拾いやすくなります。
- 脆弱性の「見つけた」から「直した」までが短くなる。 SAWが出した「どの端末のどのソフトが危ないか」をローカルAIに渡せば、更新手順や設定変更案、関連するサーバー側の修正案までを下書きできます。人はそれを確認して承認するだけです。
- 「守るAI」が情報漏えいの穴にならない。 SAWの生成AIログ監視で、社員が外部AIに機密を入力していないかを確かめつつ、分析そのものは社内のローカルAIで行えます。
- 事故が起きたときの調査が速い。 SAWの追跡ログをローカルAIに読ませれば、「いつ、どの端末から、どこまで影響があったか」の整理を早く始められます。個人情報保護委員会への報告や本人への通知に必要な事実確認を支えます。
オンプレミス版(ローカル版)と組み合わせるメリット
- 検知から分析・修正案までを、すべて社内で完結できる。 端末ログもサーバーログも、AIによる分析結果も社外に出ません。本記事の「ローカルAIで守る」考え方ともっとも相性がよい形です。
- 機密性の高い業界に向く。 医療・金融・自治体など、データを外部に出せない、または出すたびに説明が必要な組織でも導入しやすくなります。
- 委託先・外部サービス経由の漏えいリスクを増やさない。 楽天証券の件のような「委託先から漏れる」経路を、監視の仕組み自体が生まないようにできます。
クラウド版と組み合わせるメリット
- 自社サーバーを用意せずに始められる。 情シス担当者が少ない会社や、前述の「小さく始めるサービス」でも導入のハードルが低くなります。
- 社外にある端末もまとめて管理しやすい。 テレワークや複数拠点の端末を、同じ画面で見張れます。
- 機密の分析だけはローカルAIに残せる。 端末の管理はクラウド版で手軽に行いつつ、顧客データを含むサーバーログの分析や修正案づくりは社内のローカルAIで行う、という役割分担ができます。
どちらを選ぶかの目安
| 会社の状況 | おすすめの組み合わせ |
|---|---|
| 個人情報や機密を多く扱い、データを社外に出せない | オンプレミス版SAW+ローカルAI(すべて社内で完結) |
| 情シス担当者が少なく、端末が社外にも散らばっている | クラウド版SAW+サーバー側の分析はローカルAI |
| まずは小さく試したい | クラウド版SAWで端末の見える化から始め、ローカルAIは後から足す |
いちばん効くのは「そもそも持たない」設計
動画の後半で語られていた「個人情報をなるべく持たないシステム設計」は、実はもっとも確実な対策です。持っていない情報は、どんなに優秀なAIに攻められても漏れません。
一方で動画でも指摘されていたように、購入履歴や顧客情報が命の業界では「一切持たない」は現実的ではありません。そこで、次の3段階で考えると整理しやすくなります。

- ① 持たない: その項目は本当にサービスに必要かを問い直します。生年月日は「成人かどうか」だけで足りないか、住所は発送が終わったら消せないか、といった具合です。クレジットカード情報は自社で持たず、決済代行会社に任せるのがすでに業界の標準です。
- ② 分けて持つ: 持つと決めた情報は、アプリ本体とは別のDBや別アカウントに分離し、暗号化と鍵の別管理で「1か所破られても全部は出ない」構造にします。楽天証券の件が委託先経由だったように、外部サービスに渡す項目を最小限にすることもここに含まれます。
- ③ 見張って直す: 前の章のローカルAI構成は、この3つ目の柱にあたります。①②ができていれば、万一破られても被害は小さく済みます。
動画の「情報を持つか持たないかを考えるのが、結局システム屋の仕事になる」という指摘は、まさにこの①②の設計力のことです。AIで誰でもコードが書ける時代だからこそ、「何を持たせないか」を決められることが開発会社の価値になっていきます。
小さなサービスはどこまでやるべきか
動画では「小さく始めたサービスがわざわざ狙われることは少ない、びびりすぎると開発のハードルが上がりすぎる」とも語られていました。これは半分正しく、半分は注意が必要です。人間が狙いを定める標的型攻撃は確かに大きな獲物に向きますが、AIで攻撃のコストが下がると、インターネット上のサービスを端から自動で試す攻撃は規模を問わず飛んできます。
そこで、小さなサービスでも「ここまではやっておく」最低ラインを置きます。どれもお金より手順の問題です。
- [ ] 管理画面・サーバー・クラウドのログインに、多要素認証かパスキーを設定した
- [ ] OS・フレームワーク・ライブラリの更新と、依存関係の脆弱性通知を自動化した
- [ ] 取得している個人情報の項目と保存場所を一覧にした(委託先・外部SaaSも含む)
- [ ] ログを残し、異常時に担当者へ通知が飛ぶようにした
- [ ] コードの変更時に、AIによるセキュリティレビューを通すようにした
- [ ] バックアップを別の場所に取り、復元できることを一度試した
- [ ] 漏えい時の手順(個人情報保護委員会への報告と本人通知は法律上の義務)を決めた
「保守料金」は何に払うべきか
動画のもうひとつの問題提起は、「高い保守料金を払っているなら見直すべき」という点でした。ここも「保守は不要」ではなく、保守で買うものが変わると考えると発注側・受注側ともに納得しやすくなります。
| 観点 | 従来の保守契約 | これからの保守契約 |
|---|---|---|
| 払う対象 | 人が待機・監視する時間 | 検知から修正案までの仕組みと、その速さ |
| 人の役割 | ログを見て、手で直す | AIの修正案を判断し、承認し、責任を持つ |
| 約束すること | 「24時間体制」 | 検知・通知・修正案提示までの目標時間、復旧手順 |
| 報告 | 障害があったときだけ | 定期的な脆弱性スキャン結果と対応履歴 |
| 設計への関与 | あまりない | 「持たない・分けて持つ」の見直し提案を含む |
発注側は、見積もりに「何人が待機するか」ではなく、\\「異常が起きてから何分で気づき、誰が承認して、どう戻せるのか」\*\*が書かれているかを確かめるとよいでしょう。
まとめ
- 漏えいは日常になった。 楽天証券の件は委託先経由で、件数は印象より小さいものの、「自分の情報はどこかで出ている」前提で備えるのは妥当です。
- 攻撃はすでにAIで自動化されている。 人が張り付くだけの保守では速度で負けます。
- 守りもAIで。ただし最後は人が決める。 データを社外に出さないローカルAIに「検知→修正案→検証」を任せ、本番への反映は人が承認します。AIサーバー自体の守りも忘れずに。
- 端末側はSAWで見張る。 サーバーだけでなく端末と外部ソフトの脆弱性まで含めて見ることで、守りの穴が減ります。データを社外に出せないならオンプレミス版、手軽に始めたいならクラウド版が向いています。
- いちばん効くのは「持たない」設計。 何を持たせないかを決める力が、これからの開発会社の価値になります。
参考資料
- 楽天証券で延べ362件、社債購入者の情報が漏えいか(ビジネス+IT、2026年11月)
- 楽天証券の情報漏えいの可能性 対象と確かめること
- ハッカーが楽天会員1億100万件の販売を主張、真正性は未確認(セキュリティ対策Lab)
- 民間事業者の個人データ漏えい等 1万7,139件(令和7年度年次報告)
- IPA「情報セキュリティ10大脅威 2026」の解説(NTTドコモビジネス)
- Disrupting the first reported AI-orchestrated cyber espionage campaign(Anthropic)
- 未知の脆弱性をAIが暴き出す Googleが警告する完全自律型サイバー攻撃時代(@IT)
- KELA 2026年中間AI脅威レポート(Unite.AI)
- AIエージェントはセキュリティ運用の未来をどうけん引するか(Gartner、@IT)
- Anthropic「Claude Code Security」提供開始(ITmedia)
- OpenAI「Codex Security」を発表(GIGAZINE)
- Claude Security・Codex Security・GitHub Code Security比較
- ローカルLLM完全ガイド2026:Ollama・LM Studio・vLLMで構築する社内AI
- 2026年のローカルLLM事情を整理してみた(クラスメソッド)
- ローカルLLMは本当に手元で動くのか? ハードウェアとモデルの現実的な選び方(@IT)
- Qwen 3.6 27B — ローカル開発の最適解
- 2026年8月、コーディングに最適なローカルLLM(VRAM別)
- Claude Codeの脆弱性情報(JVNDB-2026-015410)
