2026年最新版｜AIガバナンスとモデルカード運用の全貌―EU AI Act時代に企業が信頼を勝ち取る方法

生成AIや基盤モデルの社会実装が一気に進んだ今、ビジネスパーソンや専門家の間で「AIの透明性」をどう確保するかが大きな関心事になっています。特に2025年後半から本格施行されたEU AI Actは、モデルカードを単なる説明資料ではなく、事業継続に直結する必須ドキュメントへと押し上げました。

しかし、何をどこまで書けば十分なのか、海外規制と日本のガイドラインをどう両立させるのか、悩んでいる方も多いのではないでしょうか。表面的なテンプレート対応では、規制リスクだけでなく顧客や社会からの信頼も失いかねません。

本記事では、2026年時点で求められるAIガバナンスとモデルカード運用の最新像を整理し、規制要件、技術トレンド、企業事例を横断的に読み解きます。読み終えたとき、モデルカードが単なる義務ではなく、競争力と信頼を生む戦略資産であることが明確になるはずです。

2026年に起きたAI透明性のパラダイムシフト

2026年は、AI透明性の概念そのものが質的に転換した年として記憶されるはずです。モデルカードはもはや倫理的配慮を示す任意資料ではなく、事業継続に直結する法的・経営的インフラへと変貌しました。背景にあるのが、EU AI ActによるGPAI規制の本格施行です。2025年8月から汎用AIモデルに透明性義務が課され、2026年には制裁リスクを前提とした実務対応が現実となりました。

この変化の本質は、透明性が「説明」から「証明」へ移行した点にあります。Googleの研究者が2018年に提唱した初期のモデルカードは、性能や制限を簡潔に示す栄養成分表示の比喩で語られていました。しかし現在は、トレーニングデータの権利関係、計算資源やエネルギー消費、敵対的テスト結果までを含む包括的な技術文書として再定義されています。EUの附属書XIが求めるFLOPSや電力消費の開示は、環境負荷に対する説明責任をAIに初めて法的に組み込んだ例です。

特に注目すべきは、透明性がバリューチェーン全体に拡張された点です。附属書XIIに基づく下流事業者向け情報は、API仕様や利用制限を明示し、責任の所在を事前に線引きします。これは、NISTのAIリスクマネジメントフレームワークが強調してきた「共有責任モデル」とも整合します。モデルカードは単体で完結する文書ではなく、統合指示書として機能し始めています。

観点	従来	2026年
位置づけ	自主的開示	法的義務
内容	性能・制限	データ権利・環境負荷・リスク
役割	説明資料	責任分界の証拠

この潮流は欧州にとどまりません。日本でも経済産業省と総務省のAI事業者ガイドラインが公共調達要件と結びつき、透明性文書の整備が市場参入の前提条件になりつつあります。専門家の間では、これを「ソフトローのハードロー化」と表現します。罰則の有無ではなく、実務上の拘束力が企業行動を規定する段階に入ったという意味です。

結果として、2026年のパラダイムシフトとは、透明性がコストではなく信頼資本として評価され始めた転換点だと言えます。規制対応を超えて、透明性の質そのものが企業価値や取引可否を左右する指標となり、AIは初めて社会的説明責任を内包した技術へと進化しました。

EU AI Actが企業に突きつけたモデルカードの法的責任

EU AI Actの施行により、モデルカードは単なる説明資料ではなく、企業の法的責任を左右する公式文書へと位置づけが変わりました。特に汎用AI（GPAI）を提供する企業にとって、モデルカードに何を、どこまで、どの精度で記載するかは、制裁金リスクや訴訟対応に直結します。

EU AI Actでは、附属書XIおよびXIIに基づき、モデルプロバイダーは当局および下流事業者に対して技術文書を提供する義務を負います。ここで作成される文書群の中核が、実質的に拡張されたモデルカードです。欧州委員会やAIオフィスによれば、これらの記載内容は、事後的な監査やインシデント調査における一次証拠として扱われます。

重要なのは、モデルカードが「説明責任を果たした証明」になる一方で、「過失を立証する材料」にもなり得る点です。たとえば、トレーニングデータの出所や著作権対応について抽象的な表現に留めていた場合、後に権利侵害が指摘されると、「適切な措置を講じていなかった」と評価されるリスクがあります。Clifford Chanceなどの国際法律事務所も、モデルカードの曖昧な記載が企業側に不利に働く可能性を繰り返し指摘しています。

記載項目	法的意味合い	リスク例
トレーニングデータの概要	著作権・個人情報対応の証明	不十分な開示による過失認定
意図された用途・禁止用途	責任分界点の明確化	用途逸脱時の責任追及
既知の制限・リスク	予見可能性の開示	未記載リスクによる重過失評価

また、体系的リスクを持つGPAIモデルでは、レッドチーミング結果やインシデント報告体制までが文書化の対象となります。ここでモデルカードと実態に乖離がある場合、単なる記載ミスでは済まず、EU AI Act上の義務違反として、全世界売上高に基づく制裁金の算定対象になり得ます。

実務上、多くの企業が直面しているのが「どこまで書けば安全か」という判断です。欧州委員会が公表したトレーニングコンテンツ要約テンプレートは、詳細すぎず、しかし検証可能性を残す設計になっており、モデルカードは“すべてを語る文書”ではなく、“責任を果たしたことを示す設計図”であるという考え方が共有されつつあります。

2026年現在、モデルカードは法務、コンプライアンス、技術部門が共同で作成・承認する文書へと進化しています。もはや開発者だけの成果物ではなく、企業としての説明責任とリスク管理能力を外部に示す、法的インターフェースだと理解することが、EU市場でAIを展開するための前提条件になっています。

日本におけるAIガバナンスの現実とソフトローの実効性

日本におけるAIガバナンスの最大の特徴は、2026年時点でも包括的な罰則付き法律が存在しない一方で、ソフトローが事実上の強制力を持ち始めている点にあります。経済産業省と総務省が策定したAI事業者ガイドラインは、法的拘束力こそありませんが、企業実務においては無視できない現実的な規範として機能しています。

特に転換点となったのが公共調達です。デジタル庁が2025年に示した生成AIの調達・利用ガイドラインでは、透明性確保とリスク管理プロセスの文書化が明示的に求められました。これにより、政府や自治体向けにAIを提供する企業は、モデルカードやシステムカードを整備していなければ入札段階で排除される可能性が生じています。市場アクセスを左右する条件としてソフトローが作用している点が、日本的ガバナンスの核心です。

AI事業者ガイドラインが提示する三層構造のドキュメントは、実務面でも評価されています。モデル単体ではなく、データの来歴や運用状況まで含めて説明責任を果たす設計は、NISTのAIリスクマネジメントフレームワークやEUの技術文書思想とも整合的です。専門家の間では、経産省のガイドラインは「企業が自主的に実装可能なレベルまで具体化されている」との評価が定着しています。

観点	日本のソフトロー運用	実務への影響
拘束力	法的罰則なし	公共調達・取引条件で実質的に担保
文書要件	モデル・データ・システムカードを推奨	EU AI Act対応の下地として活用可能
更新頻度	継続的改善を前提	運用プロセス整備が競争力に直結

一方で、ソフトローの限界も明確になっています。遵守状況を外部から検証する仕組みが弱く、対応レベルには企業間で大きなばらつきがあります。学術研究や業界調査でも、形式的なモデルカードは整備されているものの、リスクや制限事項の記述が抽象的に留まる例が多いと指摘されています。罰則がないことが情報開示の深度に影響しているのは否定できません。

それでも、日本のソフトローは単なる努力義務では終わっていません。金融、通信、製造といった規制産業では、ガイドライン遵守が取引先選定や監査評価に組み込まれつつあります。結果として、ガバナンス対応が遅れた企業ほど事業機会を失う構図が生まれています。日本のAIガバナンスは、法ではなく市場と行政運用によって実効性を獲得しつつあると言えます。

2026年に審議が進むAI基本法の動向次第では、このソフトロー環境が一部ハードロー化する可能性もあります。しかし現時点では、柔軟性と実務適合性を重視した日本型アプローチが、企業にとって現実的な行動変容を促していることは確かです。

2026年版モデルカードに必須となった記載項目とは

2026年版モデルカードにおいて必須となった記載項目は、単なる技術説明を超え、法規制対応・リスク管理・事業判断を同時に支える実務文書として再定義されています。EU AI Actの附属書XI・XIIを軸に、NISTのAIリスクマネジメントフレームワークや日本のAI事業者ガイドラインが交差することで、国際的にほぼ共通した記載水準が形成されました。

まず不可欠なのが、モデルの来歴と識別性です。モデル名、バージョン、リリース日、想定サポート期間に加え、配布形態やライセンス条件まで明示することが求められます。EUの解釈指針によれば、オープンソースかAPI提供かの違いは義務範囲に直結するため、曖昧な表現はコンプライアンスリスクそのものになります。

次に中核をなすのがトレーニングデータに関する開示です。2025年に欧州委員会が導入したトレーニングコンテンツ要約テンプレートの影響で、データソースはモダリティ別に分類し、公開データ、独自データ、購入データ、合成データの割合を説明することが事実上の必須事項となりました。特にウェブスクレイピングに関しては、著作権指令に基づくオプトアウト対応の有無を記すことが、後の紛争時に重要な証拠となります。

項目領域	必須記載の観点	実務上の意味
モデル基本情報	バージョン、配布形態、ライセンス	責任範囲と義務適用の確定
データガバナンス	データ種別、著作権対応、PII処理	法的リスクと説明責任の低減
リスク・制限	既知の弱点、誤用可能性	下流事業者の安全設計支援

2026年の特徴的な追加要素として、環境負荷の記載があります。Annex XIでは、トレーニングに使用した計算資源量やエネルギー消費量の既知または推定値の開示が求められました。Nature Climate Changeなどの研究で、基盤モデルの炭素排出が無視できない水準にあることが指摘されたことも背景にあり、モデルカードはESG文脈の資料としても読まれるようになっています。

さらに重要なのが、リスク評価と既知の制限事項です。性能指標だけでなく、公平性指標、毒性評価、レッドチーミングの概要結果を含めることが国際的な慣行となりました。GoogleやMicrosoftのモデルカードでは、特定言語や文化圏で性能が低下する点を明示することで、利用者側の過信を防ぐ設計が採られています。これはNISTが強調する「誤用可能性の低減」と整合的です。

最後に、意図された用途と禁止事項の明確化が必須です。医療診断や法的助言など高リスク領域を対象外とする記述は、単なる注意書きではなく、製造物責任や規制上の防波堤として機能します。専門家の間では、モデルカードのこのセクションこそが、下流事業者のリスク評価を最も左右する部分だと指摘されています。

このように2026年時点の必須記載項目は、技術・法務・経営の交点に位置しており、書き方次第で企業の信頼コストが大きく変わることを強く意識する必要があります。

トレーニングデータと著作権・個人情報開示の最前線

2026年において、AIモデルの信頼性を左右する最大の論点の一つが、トレーニングデータを巡る著作権と個人情報の開示です。EU AI Actの本格施行以降、学習データの出自はもはやブラックボックスとして許容されず、法的・社会的説明責任の中心に位置付けられています。特に汎用AIモデルでは、どのような種類のデータを、どの程度の規模で利用したのかを要約して公開することが義務化され、透明性は競争条件そのものになりつつあります。

欧州委員会が2025年に公表したトレーニングコンテンツ要約テンプレートは、その象徴的な仕組みです。この枠組みでは、テキスト、画像、音声、動画といったモダリティ別にデータソースを分類し、公開データ、購入データ、独自データ、スクレイピングデータの構成比を記載することが求められています。**重要なのは、完全なデータ一覧の開示ではなく、権利者が合理的に判断できる粒度での説明が法的に十分とされている点**です。

論点	開示が求められる内容	実務上の意味
著作権	主要データソースの類型、オプトアウト対応	適切な措置を講じた証拠となる
個人情報	PII含有の有無、匿名化手法	GDPR等との整合性を示す
スクレイピング	robots.txt遵守状況	違法収集リスクの低減

著作権対応で特に注目されているのが、EU著作権指令に基づくオプトアウトの尊重です。robots.txtやメタタグによる権利留保を技術的に検知し、学習対象から除外しているかどうかは、後の紛争時にモデル提供者を守る決定的な要素になります。国際法律事務所Clifford Chanceの分析によれば、この記述は単なる説明ではなく、訴訟リスク管理のための防御資料として機能するとされています。

一方、個人情報の扱いも厳格化しています。モデルカードには、学習データに個人情報が含まれる可能性、その削除やマスキングの方法、再識別リスクへの対応方針を明記することが一般的になりました。**「個人データは含まれない」と断言するよりも、「含まれ得る前提でどう制御しているか」を説明する方が、規制当局からの評価は高い**と、NISTや欧州の監督機関は示唆しています。

この領域で先進的なのが、データカードとの連携です。モデルカードでは全体像を示し、個別データセットの詳細はデータカードに委ねる構造にすることで、透明性と営業機密のバランスを取ります。結果として、トレーニングデータの開示は「どこまで見せるか」ではなく、「どのように説明責任を果たすか」という質的な競争へと移行しています。

環境負荷・公平性評価がモデルカードに組み込まれる理由

2026年において、環境負荷と公平性評価がモデルカードに組み込まれる最大の理由は、AIがもはや純粋な技術資産ではなく、社会的インフラとして扱われ始めた点にあります。高性能化の裏側で消費される膨大な計算資源や、意思決定への影響力が、企業の説明責任として可視化を求められる段階に入ったのです。

特に環境負荷については、EU AI Act附属書XIが転機となりました。トレーニング時に使用した計算量やエネルギー消費量、さらにはCO2排出量の既知または推定値の報告が義務化され、モデルカードは技術仕様書であると同時に、環境報告書の役割も担うようになりました。これは、AI開発が企業のESG評価やサステナビリティ戦略と直結することを意味しています。

実際、国際エネルギー機関（IEA）やGoogleのサステナビリティレポートによれば、大規模モデルの単回トレーニングが数百MWh規模の電力を消費する事例も珍しくありません。こうした数値を開示することで、再生可能エネルギー比率の高いデータセンター利用や、計算効率改善への投資が、企業価値向上に結び付く構造が生まれています。

評価観点	従来	2026年モデルカード
環境負荷	ほぼ非公開	エネルギー消費量・CO2排出量を記載
公平性	定性的説明が中心	人口統計別指標や差分を定量開示

一方、公平性評価が必須項目となった背景には、AIが人事、金融、公共サービスなど、差別や不利益が許されない領域に深く入り込んだ現実があります。NISTのAIリスクマネジメントフレームワークでも指摘されている通り、平均精度が高くても、特定の人口統計グループで性能が著しく低下するモデルは、実運用上「高リスク」と見なされます。

モデルカードに公平性指標を明示することは、開発者自身がリスクを認識し、利用者が適切な用途判断を行うための共通言語を提供する行為です。ソニーAIがFHIBEデータセットを評価専用として提供し、その制約を明確にデータカードへ記載している事例は、評価の透明性が信頼構築に直結する好例と言えるでしょう。

環境負荷と公平性は、どちらもモデルの「外部不経済」を可視化する指標です。モデルカードにこれらを組み込む理由は、規制対応にとどまらず、AIが社会に与える影響を数値と言葉で説明し、責任ある選択を可能にする基盤を整えることにあります。結果として、透明性そのものが競争力となる時代が到来しているのです。

Agentic Workflowによるモデルカード自動更新の仕組み

Agentic Workflowによるモデルカード自動更新の仕組みは、2026年のAIガバナンス運用において中核的な役割を担っています。最大の特徴は、モデルカードを人手で「書く」対象から、AIエージェントが継続的に「維持・進化させる」対象へと転換した点にあります。これにより、モデルの実態と文書の乖離という長年の課題が構造的に解消されつつあります。

この仕組みの基盤となっているのが、Model Context Protocol（MCP）を介したシステム横断的な接続です。ドキュメンテーション専用のAIエージェントは、コードリポジトリ、実験管理ツール、データカタログと常時接続され、アーキテクチャ変更、再学習、評価指標の更新をリアルタイムで検知します。**モデルに変更が加わった瞬間に、モデルカードの該当セクションが自動で更新候補として生成される**ため、更新漏れが発生しにくくなります。

Google CloudやMicrosoftの公式ドキュメントによれば、この自動更新は単なるテキスト生成ではありません。MLflowやWeights & Biasesから取得した実測メトリクス、Unity Catalogで追跡されたデータリネージ情報など、一次情報のみを根拠として反映する設計が採用されています。そのため、規制当局や監査人が求める再現性と検証可能性を担保できます。

エージェント種別	役割	モデルカードへの影響
執筆エージェント	技術ログや評価結果の要約	性能・制限事項セクションを即時更新
監査エージェント	EU AI Act Annex XI/XIIとの整合確認	必須記載項目の欠落を自動検出
批評エージェント	可読性と過度な専門用語の検証	下流事業者向け説明の品質向上

特に注目すべきは、マルチエージェントによる相互レビューです。Auditor Agentが規制要件を満たしているかを機械的にチェックし、Critic Agentが利用者視点での理解容易性を評価します。**人間は最終承認に集中でき、作業時間を大幅に削減しながら品質を向上させる**という運用モデルが確立されました。

このようなAgentic Workflowは、Document360やNIST AI RMFの実務解説でも「継続的コンプライアンス」を実現する唯一の現実解として位置付けられています。モデルカードは静的な説明書ではなく、モデルのライフサイクルそのものを反映する動的ドキュメントへと進化しました。結果として、透明性は事後対応ではなく、開発プロセスに組み込まれた常時稼働の機能へと変貌しています。

主要MLOpsプラットフォームに見るモデルカード標準化

2026年時点でモデルカードの実務運用を大きく変えているのが、主要MLOpsプラットフォームにおける標準化の進展です。かつてモデルカードはMarkdownやPDFで個別管理される補助資料でしたが、現在はモデルのライフサイクルそのものに組み込まれた中核的アーティファクトとして扱われています。これはEU AI Actの技術文書要件や、NISTのAIリスクマネジメントフレームワークにおいて、文書と実装の乖離がリスクと見なされるようになったことが背景にあります。

Google Cloud、Microsoft、Databricksといった主要プラットフォームは、モデル登録、評価、デプロイの各段階でモデルカードを自動生成・更新する仕組みを標準装備しました。例えばGoogle Cloud Vertex AIでは、Model Registryに登録されたモデルごとにモデルカードが紐づき、ハイパーパラメータや評価指標の変更が発生するとカードの該当箇所が自動更新されます。GoogleのModel Card Toolkitは、研究論文で提唱されたカード構造を踏襲しつつ、Pythonベースで検証可能な形式を提供しており、研究と実務の断絶を埋めています。

MicrosoftのAzure AI Foundryでは、Responsible AI Dashboardとモデルカードが連動している点が特徴です。公平性指標、エラー分析、説明可能性の結果がダッシュボード上で算出され、その要約がカードに反映されます。マイクロソフトによれば、これにより「評価結果を後から文章化する」という人的作業が大幅に削減され、監査対応に要する時間が短縮されたと報告されています。

プラットフォーム	モデルカードの位置づけ	標準化の強み
Google Vertex AI	Model Registryの必須メタデータ	研究標準に基づく構造と自動検証
Azure AI Foundry	Responsible AI評価の要約文書	公平性・解釈性指標との自動連携
Databricks	データ・モデルの統合ドキュメント	リネージに基づく出自の可視化

Databricks Unity Catalogが示すのは、モデルカードを「説明書」ではなく「証跡」として扱う方向性です。どのテーブルから学習し、誰がそのデータを作成・変更したのかというリネージ情報が自動的にカードへ反映されます。これはEU AI Act附属書XIが求めるトレーニングデータの来歴説明と高い親和性を持ち、監査可能性を技術的に担保する試みといえます。

さらに見逃せないのが、Hugging Faceに代表されるコミュニティ主導の標準化です。YAML形式のメタデータを用いたモデルカードは、商用プラットフォームとは異なり、研究者・開発者間での相互運用性を重視しています。ACMやAAAIの研究者は、この軽量な標準が企業プラットフォームに吸収されることで、事実上のグローバル標準になる可能性を指摘しています。

このように2026年のMLOps環境では、モデルカードは単なる倫理的配慮の表明ではなく、規制対応、品質保証、そして組織横断の意思決定を支える共通言語として再定義されています。標準化が進むほど、形式的な記載ではなく、どれだけ実態と結びついた情報を継続的に更新できるかが、企業の信頼性を左右する要因となっています。

日本企業に学ぶAIガバナンスとモデルカード運用事例

日本企業におけるAIガバナンスとモデルカード運用は、単なる海外規制対応にとどまらず、組織文化や事業特性を反映した実践知として成熟しつつあります。2026年時点では、経済産業省・総務省のAI事業者ガイドラインが事実上の共通言語となり、モデルカードは研究部門だけでなく、法務、調達、営業を横断するガバナンス基盤として位置付けられています。

特徴的なのは、モデルカードを「説明資料」ではなく「意思決定の証跡」として運用している点です。公共調達や大企業間取引では、モデルカードの有無や更新履歴そのものがリスク管理能力の評価対象となり、透明性が競争力に直結しています。

企業	ガバナンス上の特徴	モデルカード運用のポイント
ソニー	倫理委員会と事業部門の二層統制	データカードと連動し同意・用途制限を明示
ソフトバンク	リスクレベル別の承認プロセス	高リスクほど記載粒度と審査を強化
富士通	技術ツールによる倫理の内製化	評価結果を自動反映し更新負荷を低減
NEC	第三者視点を含む監査重視	実運用データと整合する記述を検証

ソニーの事例では、FHIBEデータセットに代表されるように、データカードとモデルカードを明確に分離しつつ相互参照させる設計が採られています。これは、EU AI Act附属書の要求を見据えた構造であり、将来の規制強化を前提にした先行投資と評価されています。外部研究者からも、同意取得や用途制限を文書化した点が高く評価されています。

一方、ソフトバンクはスピードを重視する企業文化の中で、リスクベース・アプローチを徹底しています。モデルカードの内容は一律ではなく、用途リスクに応じて可変とされており、88社に及ぶグループ展開でも統制が崩れない設計です。これはNISTのAIリスクマネジメントフレームワークに近い考え方だと専門家は指摘しています。

富士通とNECに共通するのは、モデルカードを人手作業に依存させない姿勢です。評価ツールや内部監査プロセスと接続することで、記載内容と実態の乖離を防ぎ、更新され続ける生きたガバナンス文書として運用しています。日本企業のこれらの実践は、規制適合と信頼構築を同時に達成する現実解として、国際的にも参照され始めています。

透明性の形骸化と中小企業が直面する新たな課題

AIガバナンスが制度として定着した2026年、透明性は量的には大きく前進しましたが、その一方で「透明性の形骸化」という新たな問題が顕在化しています。AAAIやACM系の研究コミュニティで共有された分析によれば、公開されている多数のモデルカードのうち、実質的なリスク情報を含むものは限定的で、定型文に近い記述が多いことが指摘されています。透明性が「書類上は存在するが、意思決定には使えない」状態に陥る現象は、Transparency Mirageと呼ばれています。

この形骸化は、大企業よりもむしろ中小企業に深刻な影響を与えます。リソースに限りがある中小企業では、モデルカードがリスク対話のツールではなく、規制チェックを通過するための最低限の成果物として扱われがちです。その結果、失敗事例や限界、運用上の注意点といった本来価値の高い情報が削ぎ落とされ、透明性が実務から乖離していきます。

加えて、コスト構造の問題も無視できません。EU AI Actや日本の公共調達要件に対応するためには、技術文書整備、リスク評価、継続的な更新体制が求められます。専門家の試算では、高リスクAIに該当する場合、初期対応だけで数十万ユーロ規模の投資が必要になるケースもあります。

企業規模	初期対応コスト（推定）	年間維持コスト（推定）
従業員50〜100名	約20〜28万ユーロ	約8〜10万ユーロ
従業員100〜250名	約28〜38万ユーロ	約10〜12.5万ユーロ

この負担感は、結果として「最低限書けばよい」というインセンティブを生み、透明性の質をさらに低下させます。つまり、規制強化が逆説的に透明性の空洞化を招くという構図です。スタンフォード大学やNIST関係者も、文書量の多さと信頼性は比例しないと警鐘を鳴らしています。

中小企業が直面するもう一つの課題は、監査可能性です。モデルカードに記載した内容が正しいことを、外部から検証する仕組みを自社だけで整えるのは現実的ではありません。API提供型モデルを利用する場合、上流モデルの情報に依存せざるを得ず、責任の所在が曖昧になります。この不確実性が、過度に保守的な記述や抽象表現を助長しています。

こうした状況下で重要なのは、透明性を「完全性」ではなく「対話性」として再定義する視点です。すべてを詳細に書くことよりも、何が分かっていて、何が分かっていないのかを明示する姿勢こそが信頼につながります。中小企業にとっては、等身大の透明性をどう設計するかが、2026年以降の競争力を左右する現実的な課題となっています。

参考文献

• EU Artificial Intelligence Act：Overview of Guidelines for GPAI Models
• European Commission：Explanatory Notice and Template for the Public Summary of Training Content for general-purpose AI models
• Google：Google Model Cards
• Digital Agency Japan：行政における生成AIの調達・利用に関するガイドライン
• Clifford Chance：AI Regulation: Europe – EU AI Act
• Hugging Face：Model Cards Documentation