生成AIの著作権リスクとは？学習・生成・公開の論点と企業の実務対応

生成AIの著作権はどの場面で問題になる？

生成AIの著作権論点は「学習」「生成」「公開」の三段階に分かれ、適用される条文も実務対応も段階ごとに異なります。

議論が噛み合わないときは、たいてい三つの段階が混ざっています。「AIに学習させてよいか」という問いと「出てきた成果物を広告に使ってよいか」という問いは、参照する条文も、責任を負う主体も別物です。まずこの整理を共通言語にすることが、AX推進の実務では最初の一歩になります。

学習・生成・公開で適用される条文が変わる

学習段階は著作権法第30条の4、生成・公開段階は複製権や翻案権という、まったく別の枠組みで判断されます。

日本の著作権法では、AIモデルの開発・学習のためのデータ利用は2018年改正で新設された第30条の4（2019年1月1日施行）が軸になります。一方、生成された文章や画像が既存の著作物に似ている場合は、第21条（複製権）や第27条（翻案権）の侵害に当たるかが問われます。両者は連続しておらず、「学習が適法だったから出力も適法」とは言えません。文化庁の文化審議会著作権分科会法制度小委員会が2024年3月に取りまとめた「AIと著作権に関する考え方について」も、この段階分けを前提に整理しています。

責任の所在は利用形態で変わる

開発事業者・提供事業者・業務利用者で負う責任は異なり、出力を世に出す企業が最終的な責任を負いやすい構図です。

企業がOpenAIのChatGPTやMicrosoftのCopilot、GoogleのGemini、AnthropicのClaudeといった既製の生成AIサービスを使う場合、学習データの適法性を自社で完全に検証することは現実的ではありません。しかし、生成された成果物を自社サイトや広告として公開した時点で、その複製・公衆送信の主体は自社です。現場で相談を受けていて最も誤解が多いのはここで、「ベンダーのAIを使っただけ」という説明は、公開行為の責任を免れる理由にはなりにくいと考えておくほうが安全でしょう。

画像・コード・文章でリスクの重みが違う

画像生成は類似性が視覚的に判定されやすく、ソースコードはライセンス継承、文章は事実と表現の切り分けが焦点になります。

画像は「見て似ている」と判断されやすいため、キャラクターやロゴを含む領域では特に慎重な運用が求められます。ソースコードでは、著作権侵害そのものよりGPLなどのコピーレフト型ライセンスの継承条件が実務上の争点になりがちです。文章は、事実やアイデアが著作権の保護対象外であるため、リスクはゼロではないものの、表現をそのまま長文で再現しない限り相対的に低いと整理できます。

AIの学習データ利用は著作権法第30条の4でどこまで認められる？

非享受目的の利用は原則として許諾なく認められますが、ただし書きに当たる場合や享受目的が併存する場合は別の扱いになります。

第30条の4が認める「非享受目的」の範囲

著作物に表現された思想・感情を人が享受することを目的としない利用であれば、必要と認められる限度で許諾なく行えます。

第30条の4は、情報解析（多数の著作物から言語・音・影像などの要素を抽出・比較・分類する解析）を明示的に例示しており、AIの学習はこの典型例とされています。条文上「いずれの方法によるかを問わず」利用できるため、著作物を複製してデータセット化する行為自体は広く許容されます。この条文は、諸外国のテキスト・データマイニング（TDM）規定と比べても適用範囲が広いと評価されることが多く、日本が生成AI開発に取り組みやすい法制度とされる根拠になっています。

ただし書きに該当する典型的な場面

「著作権者の利益を不当に害することとなる場合」は例外扱いとなり、学習利用であっても許諾が必要になります。

文化庁の「考え方」が挙げる代表例は、情報解析用に販売されているデータベース著作物を、購入せずに学習に使うケースです。また、特定のクリエイターの作品のみを意図的に追加学習させ、その表現を出力させることを目的とする場合は、享受目的が併存するとして第30条の4の対象外になり得るとされています。海賊版であることを知りながら収集する行為も、条文の適否とは別に、法的・レピュテーション両面で大きなリスクを抱えます。

RAGや検索連携は別の条文も関わる

RAG（検索拡張生成）では生成のたびに既存著作物を参照・複製するため、第47条の5の軽微利用の枠組みも検討対象になります。

社内文書を対象としたRAGであれば、自社が権利を持つか利用許諾を得ている範囲で完結するため論点は小さくなります。問題は外部のニュース記事や有料レポートを取り込む場合で、出力に本文が長く引用されるような設計は、軽微利用の範囲を超えていると判断される余地があります。AX推進の現場では、RAGの参照元を「自社データ＋ライセンス取得済みデータ」に限定し、外部Webの直接取り込みは段階的に判断する、という設計が現実的な落としどころになっているように見えます。

EUと米国では前提が異なる

EUはオプトアウト付きのTDM例外、米国はフェアユースという判例法での判断となり、日本の第30条の4とは枠組みが違います。

EUでは2019年のDSM著作権指令第4条により、権利者が機械可読な形で留保（オプトアウト）を表明した場合、商用TDMは認められません。さらにEU AI Actは2024年8月1日に発効し、汎用AI（GPAI）モデルの提供者に対する義務が2025年8月2日から適用されています。学習データの概要公表やEU著作権法の遵守方針の整備が求められる点は、グローバル展開する企業には無視できません。米国では、Bartz v. Anthropic のように学習行為自体をフェアユースと認めつつ、違法入手データの扱いは別問題とする判断が示され、2025年に多額の和解が成立した例もあります。訴訟の帰趨はなお流動的で、確定した基準として扱うべきではありません。

生成物が著作権侵害と判断される基準は？

侵害の成否は、既存著作物との「類似性」と、それに依拠して作られたかという「依拠性」の二要件で判断されます。

類似性は「表現上の本質的な特徴」で見る

既存の著作物の表現上の本質的な特徴を直接感じ取れるかどうかが基準で、作風やアイデアの共通性だけでは侵害になりません。

この判断枠組みは生成AI固有のものではなく、従来の著作権侵害訴訟と同じです。画風・作風・アイデア・事実・ありふれた表現は著作権の保護対象外であり、「〇〇風のイラスト」という指示自体が直ちに違法になるわけではありません。ただし、特定のキャラクターの造形など、作風と表現の境界が曖昧な領域では、実務的には避けたほうが無難です。

依拠性はAI特有の難しさがある

学習データに既存著作物が含まれていれば依拠性が認められやすく、利用者が認識していなくても侵害が成立し得ます。

文化庁の「考え方」では、AI利用者が既存著作物を認識していなかった場合でも、当該著作物が学習データに含まれていれば依拠性が肯定され得るという整理が示されています。逆に、学習データに含まれておらず、偶然似ただけであれば依拠性は否定される余地があります。企業実務としては、特定の作品名やキャラクター名をプロンプトに入れる行為は、依拠性を自ら裏づける材料になりかねない、という点を運用ルールに落とし込むのが効果的です。

侵害が疑われたときに何が起きるか

差止請求と損害賠償請求が主な帰結で、公開済みコンテンツの回収や広告の停止といった事業上の損失も伴います。

現場感覚として言えば、企業が本当に痛手を負うのは賠償額そのものより、公開済みコンテンツの全点棚卸しと差し替えに要する工数です。これは事後対応のコストが事前チェックのコストを大きく上回る典型例だと考えています。

生成AIがつくった成果物の著作権は誰に帰属する？

人間の創作的寄与が認められる範囲でAI生成物は著作物となり、その場合の権利は原則として利用者側に帰属します。

人間の創作的寄与をどう評価するか

プロンプトの具体性、試行回数、複数の生成結果からの選択、生成後の加筆・修正などを総合的に考慮して判断されます。

著作権法第2条1項1号は、著作物を「思想又は感情を創作的に表現したもの」と定義しています。AIが自律的に生成しただけの出力は、この定義を満たさず著作物にならないと整理されるのが一般的です。ただし実務では、短い指示で一発生成した画像と、構図・配色・要素を細かく指定して数十回試行し、さらに人が大幅に加筆した画像とでは、評価が変わり得ます。社内で著作物性を主張したい成果物については、指示内容と修正過程の記録を残しておく運用が有効です。

利用規約上の権利の扱いを確認する

主要な生成AIサービスは出力の権利を利用者に帰属させる規約を採用していますが、著作権が発生するかは別問題です。

OpenAI、Microsoft、Google、Anthropicなどの事業者は、利用規約で出力物に関する権利を利用者に移転・付与する形をとるのが一般的です。ただしこれは事業者と利用者の間の契約上の取り決めであり、「その出力に著作権が発生し、第三者の模倣を止められる」ことまでは保証しません。ロゴやキャラクターなど独占が前提の資産をAI単独生成でまかなうと、他社に類似物を使われても差止められない、という事態が起こり得ます。

米国の登録実務との違いに注意する

米国著作権局は人間の著作者性を要件としており、AI生成部分を除外した形での登録を求める運用をとっています。

米国では、Midjourneyで生成した画像を含むコミック作品「Zarya of the Dawn」について、2023年に画像部分の著作権登録が認められませんでした。AIのみを著作者とする登録を認めなかったThaler v. Perlmutterでは、2025年に控訴審でも人間の著作者性の必要性が支持されています。米国著作権局は2025年に著作物性に関する報告書を公表し、AI支援作品でも人間の創作的寄与がある部分は保護され得るとの立場を示しています。海外展開するコンテンツでは、日本国内の整理だけで判断しないことが重要です。

企業は生成AIの著作権リスクをどう管理する？

用途別のリスク評価、ツール選定と契約確認、出力チェックと記録という三層で管理するのが実務の基本形です。

用途を層別してルールを変える

社内利用・対外公開・商用素材で求められる確認レベルを分け、すべてに同じ厳格さを適用しない設計が現実的です。

生成AIの活用が進まない企業の多くは、一律に厳しいルールを敷いた結果、現場が使わなくなるか、逆にシャドーAI化するかのどちらかに陥っています。用途別に段階を切るほうが、統制も浸透も両立しやすいというのが現場での実感です。

契約と補償条項を確認する

主要ベンダーは著作権侵害クレームに対する補償プログラムを提供していますが、適用条件と除外事由の確認が欠かせません。

MicrosoftのCopilot Copyright Commitment、OpenAIのCopyright Shield、Google Cloudの生成AI向け補償など、2023年以降に主要事業者が補償の枠組みを整備しました。ただし多くの場合、ガードレール機能を無効化していないこと、侵害を意図したプロンプトを使っていないことなどが条件になります。補償があるから何をしてもよい、という読み方は成り立ちません。調達段階で、補償対象範囲・上限・除外事由の三点を必ず確認してください。

出力チェックと記録を運用に組み込む

生成物の類似性確認、出典の追跡、プロンプトと修正履歴の保存を、業務プロセスに標準工程として埋め込みます。

具体的には、次の手順が最小構成になります。

1. 生成前：機密情報・第三者著作物の入力可否を判定する
2. 生成時：使用ツール、モデル名、日時、プロンプトを記録する
3. 生成後：文章は検索エンジンや類似度チェックで既存表現との重複を確認する
4. 公開前：画像・ロゴは商標・意匠の観点も含めて確認する
5. 公開時：人による編集・確認の記録を残し、必要に応じて監修者名を明示する

すべてを人手でやると回らないため、L1の用途はチェックを省き、L2以上にだけ工程を適用する運用が定着しやすい印象です。

ガイドライン整備と教育を並走させる

社内ガイドラインは禁止事項の列挙ではなく、判断基準と相談窓口を示す形にすると現場で機能します。

総務省・経済産業省が2024年に公表した「AI事業者ガイドライン」は、AI開発者・提供者・利用者それぞれの立場での留意点を整理しており、社内規程を作る際の出発点として使えます。加えて、法改正や裁判例の動きが速い領域であるため、ガイドラインは年1回程度の見直しを前提に設計しておくべきです。禁止リストだけを配るとグレーゾーンの判断が現場任せになり、結局使われなくなります。「迷ったらここに聞く」という窓口を明示することのほうが、実効性は高いと考えています。

※本稿は日本の著作権法および文化庁「AIと著作権に関する考え方について」（2024年3月）等の公開資料に基づく一般的な解説であり、個別案件の法的助言ではありません。具体的な判断にあたっては、弁護士など専門家への相談を推奨します。

姉妹メディアの関連記事