DHS、FOIA処理向けAIを拡大へ――ただし真の試練は人によるレビュー
米国土安全保障省（DHS）は、2025会計年度末時点で245,572件の未処理請求を抱えたことを受け、AI支援によるFOIA処理の拡大を計画している。同省は、自動化によって事務作業を減らし、増加する公的記録請求への対応を職員が進めやすくなるとしている。対立点は明快だ。処理の高速化に価値があるのは、その結果として行われる検索、分類、マスキングが正確であり続ける場合に限られる。
DHSはこの会計年度中に100万件を超える情報自由法（Freedom of Information Act）請求を受け付けた。ほぼ同数を処理したものの、未処理件数は年度初めの221,068件からなお増加した。同省によれば、正式な滞留件数は受理請求件数の16％に相当した。
これらの数字は、連邦機関が自動化を単なる実験以上のものと捉える理由を示している。しかしDHSは、人々が受け取る記録の内容に影響する判断にAIを活用しようとしている。したがって、この計画は単なる業務近代化プロジェクトではなく、説明責任の試金石となる。
同省はすでに、機微な内容の特定とマスキングを目的とする導入前のユースケースを公表している。税関・国境警備局（CBP）も、レビュー担当者から学習し、記録の関連性を分類できる文書レビューソフトウェアを利用している。市民的自由の擁護団体は、こうしたシステムが過剰なマスキングという既存の傾向を再現し、慎重な人間のレビューに割ける余地を狭めかねないと警告する。
DHSはFOIAワークフローのより深い部分にAIを導入している
重要な変化は、DHSがソフトウェアを使っていることではなく、AIが重大な影響を及ぼすレビュー判断に近づいていることだ。
DHSは長年にわたり、請求の受け付け、案件管理、ファイル共有、重複の除去、記録の提供に電子ツールを使用してきた。こうした機能は、人々が何を閲覧できるかを必ずしも決定せずに、手作業を置き換えるものだ。新しいユースケースは、文書の特定とマスキングにより深く踏み込む。
同省の年次FOIA報告書によると、Privacy Officeは請求処理のための新技術の開発と導入を継続している。DHSは今後1年以内に追加の自動化ツールを稼働させる見込みだ。その目的を、効率の向上と反復的な事務作業の削減と説明している。
この説明には、幅広い機能が含まれ得る。自動化システムは、案件フィールドの入力、重複ファイルの検出、スキャン済みページの検索可能なテキストへの変換、適切な部署への記録の振り分けなどを行える。いずれの機能も、法的判断を置き換えずに時間を節約できる。
文書の関連性判断は、より慎重さを要する。関連記録とは、後に一部の情報を非開示にする必要がある場合でも、請求者の検索対象の範囲に含まれる記録を指す。システムがその記録を誤って無関係と分類すれば、請求者はその存在を知る機会すら得られない可能性がある。
マスキングは、さらに別のリスクを生む。FOIAでは、国家安全保障、法執行、個人のプライバシーに関する保護を含む、特定の法定免除規定に基づいて情報を非開示にすることが認められている。これらの免除規定の適用には、しばしば文脈、法的解釈、予見可能な損害についての判断が必要となる。
DHSは、機微な資料の特定とマスキングを効率化することを目的としたAIユースケースを特定している。同省の公開インベントリーによると、同省はこの計画中の用途を高影響ではないと分類した。連邦AI政策の下では、高影響システムにより強いリスク管理上の期待が課されるため、この分類は重要だ。
このインベントリーでは、システムは導入前の段階にあると説明されている。つまり、DHSがどの程度広範にこれを利用するのか、どのコンポーネントが関与するのか、職員がその提案の何％を採用するのかについて、公開記録はまだ明らかにしていない。
別のツールもすでにこの状況の一部を担っている。DHSはRelativityOneを、知識検索向けの商用AIシステムとして挙げている。CBPのプライバシー分析は、その役割をより具体的に説明しており、FOIA請求への迅速な対応を支援する機能も含まれる。
CBPのFOIA部門では、このプラットフォームがレビュー担当者の判断から学習し、文書を関連ありまたは関連なしとしてタグ付けできる。この手法は一般にテクノロジー支援レビューと呼ばれ、人がラベル付けした例をソフトウェアが利用し、より大規模な文書群の優先順位付けや分類を行うことを意味する。
テクノロジー支援レビューは、常に自律的な公開判断を意味するわけではない。レビュー担当者は予測を使って文書を並べ替え、重複の可能性が高い文書を特定し、不確実な分類に注意を集中させることができる。公開文書には、職員がいつタグを検証しなければならないのか、DHSがどのように誤りを測定するのかなど、重要な詳細が明らかにされていない。
この隔たりが中心的な緊張を生み出す。DHSはAIを業務過多の職員を支援するものとして提示しているが、一部の文書化された機能は、どの記録がそうした職員に届くかに影響し得る。効率化は手作業の工程を減らすことに依存する。一方、説明責任は、どの工程を安全に省略できないかを把握することに依存する。
請求件数がDHSの自動化を後押ししている
人員面の圧力を考慮する前でさえ、DHSは自動化を魅力的にするほど大きな業務量の問題に直面している。
同省は2025会計年度の開始時点で、221,068件の未処理FOIA請求を抱えていた。その後、100万件を超える新規請求を受理し、ほぼ同数を処理した。それでもDHSは年度末に245,572件の未処理請求を抱え、年間で24,504件増加した。
未処理請求と正式な滞留案件は同一ではない。該当する法定の回答期限を過ぎても未解決の請求は、滞留案件となる。DHSによると、正式な滞留案件は受理請求件数の16％を占めた一方、未処理請求全体は245,000件を超えた。
この区別は有用だが、業務上の課題が小さいことを意味しない。未処理の案件はすべて、追跡、連絡、検索、レビュー、または提供を必要とする。複雑な請求には、大量のメール、移民関係のファイル、法執行記録、動画、あるいは複数の部門に保管された資料が含まれる場合がある。
DHSは長年にわたり、連邦政府全体のFOIA業務量の中でも特に大きな比率を抱えてきた。その傘下には、税関・国境警備局、移民税関捜査局、連邦緊急事態管理庁、運輸保安庁、米国市民権・移民局が含まれる。
これらの部門のいくつかは、人々が直接的な個人的または法的理由で必要とする記録を保有している。移民関連の請求には、個人の公的ファイルが含まれることがある。災害関連の請求は、緊急事態後の政府判断に関わる可能性がある。ジャーナリストや監視団体は、政策記録、契約、通信、執行データを求める。
したがって、迅速さの必要性は利便性を超える。記録の遅延は、訴訟、報道、移民手続き、歴史研究、または進行中の政策に対する公的監視に影響を及ぼし得る。
連邦職員の変化も圧力を加えている。初報で引用されたデータによると、第2次トランプ政権発足後、600人を超える政府情報専門職が連邦公務を離れた。そのうちDHSからの離職者は約100人だった。
政府情報専門職には、FOIA請求を処理する職員が多数含まれる。職務内容はさまざまであるため、離職がFOIA処理能力の同等の減少に直接結び付くわけではない。それでも、連邦職員データは、すでに記録業務量の増加に直面していた機関に影響する、より広範な人員縮小を示している。
経験豊富なレビュー担当者の減少は、難しい循環を生む。残る職員にはより多くの案件が割り当てられ、管理者はより迅速なツールを求め、レビュー担当者が自動化の結果を検査する時間は短くなる。圧力を和らげるはずの技術が、適切な監督を行ううえでかえって難しくなる可能性がある。
この動きはDHSだけのものではない。米国立公文書館の政府情報サービス局は、回答した機関の18.6％がFOIA処理にAIまたは機械学習を使用していると報告した。この結果は導入が進行中であることを示すが、大半の機関は依然としてこれらのツールの使用を報告していない。
ほかの省庁も同様の機能を検討している。米国保健福祉省は、自動化ワークフロー機能、文書探索プラットフォーム、AIの概念実証に関する取り組みを説明している。国防当局も、FOIA業務向けにエージェント型、生成型、予測型AIを検討してきた。
これは、需要の増加と人員の制約に対する政府全体の対応になりつつある。DHSが際立つのは、その処理量、機微な記録、そして執行上の責任のためだ。この環境での誤りは、個々の請求者と、より広範な公的監視の双方に影響を及ぼし得る。
本質的なトレードオフは、スピードとレビュー可能な判断の間にある
AIは文書発見を加速できるが、FOIAの判断に必要な法的判断力を持つわけではない。
一部の作業には、比較的明確に自動化を導入できる。光学文字認識は、スキャン済みページを検索可能なテキストに変換できる。重複検出は、レビュー担当者が同じメールスレッドを繰り返し読むことを防げる。言語識別やファイル変換は、記録をレビュー向けに準備できる。
検索支援は、限定的なキーワード検索では見落とされかねない記録を職員が見つける助けにもなる。機械学習システムは、関連する概念を特定し、関連性が高そうな文書に順位を付け、類似した資料をグループ化できる。案件に数千のファイルが含まれる場合、こうした機能には価値がある。
米国自由人権協会（ACLU）のシニアスタッフ弁護士であるCody Venzke氏は、初報でこの可能性を認めた。同氏は、AIが文書発見を迅速化し、広範な請求で関連記録が見落とされる可能性を減らせるかもしれないと述べた。
同氏の警告は、その次に起きることに関するものだ。マスキングは、単なるパターン照合の作業ではない。レビュー担当者は法的な免除規定を特定し、それを特定の資料に適用し、開示が予見可能な損害を生むかどうかを検討しなければならない。
文脈によって答えは変わる。ある記録では保護すべき氏名が、別の記録ではすでに公になっている場合がある。審議内容を説明する文章には、なお公開すべき分離可能な事実情報が含まれているかもしれない。法執行の手法は、ある時点では機微でも、その後広く知られるようになる可能性がある。
モデルは過去の事例に基づいてラベルを付与できるが、過去のラベルが必ず正しいとは限らない。機関の回答には、法的解釈、リスク選好、訴訟の経緯、レビュー担当者の習慣が反映される。こうした回答を学習に使うと、同じ傾向がより大きな規模で再現される可能性がある。
この懸念は、機関が記録を過度にマスキングしているとしばしば非難されるため、特に重要だ。慎重すぎる人間のレビュー担当者は、一つの案件であまりに多くの情報を隠してしまうことがある。何千もの慎重な判断で訓練されたシステムは、その振る舞いを何千もの案件に適用しかねない。
Electronic Privacy Information Centerの法律フェローであるAbigail Kunkler氏は、既存の回答で訓練された自動化は、既存のマスキング傾向を反映すると主張した。同氏の懸念は、AIモデルが時折失敗することだけではない。そのシステムが、情報を非開示にする制度上の選好を標準化してしまうことにある。
逆方向の誤りも重要だ。モデルが個人データ、セキュリティ情報、または法的に保護された詳細を認識できない可能性がある。それにより、個人が危険にさらされたり、捜査に支障が生じたりすることがある。したがって、機関にはシステムを慎重な方向に調整する合理的な理由がある。
しかし、慎重さを重視した調整は、誤りを非開示の方向へと偏らせる。請求者は、分類器が審査前に除外した記録を容易には検知できない。目に見える墨塗りには異議を申し立てられるが、受け取っておらず、その存在すら知らなかった文書に異議を申し立てることはできない。
この非対称性により、応答性の分類はとりわけ重大な意味を持つ。偽陽性は無関係な文書を審査担当者に送り、時間を消費する。偽陰性は、応答性のある記録を手続きから気付かれないまま除外し得る。
DHSには、この違いを反映する評価指標が必要だ。単一の正確性スコアでは、有害な失敗パターンが隠れてしまう可能性がある。同省は、見落とされた応答性のある記録、不必要な審査、誤った墨塗り提案、露出した機微情報をそれぞれ追跡すべきだ。
テストにも現実的なデータが必要である。きれいなサンプル文書で評価されたシステムは、スキャンしたページ、手書きメモ、メールのスレッド、添付ファイル、音声文字起こし、複数言語を含む記録では異なる性能を示す可能性がある。DHSは、各構成機関を通じてこれらすべての形式を処理している。
AIを最も有効に活用するには、システムを支援的な役割にとどめるべきだ。文書を順位付けし、墨塗りを提案し、どのパターンが推奨のきっかけとなったかを説明することはできる。訓練を受けた職員が、記録の応答性を確認し、最終的な不開示判断を下す。
この構造は人間の権限を維持するが、それは審査が実質的なものである場合に限られる。職員に承認ボタンを押させるだけでは、有意義な監督にはならない。審査担当者には、推奨に異議を唱えるための十分な時間、訓練、システム情報が必要である。
DHSはその保護措置について十分に説明していない
公開インベントリはAIの機能を示しているが、その統制を判断するための十分な根拠は提供していない。
DHSは、計画中の機微コンテンツ識別・墨塗りユースケースを高影響ではないと分類した。この判断により、同システムに関連するリスク管理要件は限定される。しかし、公開情報は、そのユースケースがなぜその分類を受けたのかを十分には説明していない。
ここでは連邦政策上の定義が重要になる。システムは、給付、警察活動、または個人の自由に関する決定を下さなくても、政府情報へのアクセスに影響を及ぼし得る。このより限定的な役割であれば、正式な高影響カテゴリの対象外となる可能性がある。
それでも、正式な分類が低いからといって、公共アカウンタビリティ上のリスクが低いことを意味するわけではない。FOIAは、行政府機関を検証する主要な法的仕組みの一つである。検索や墨塗りを変えるツールは、ジャーナリスト、訴訟当事者、研究者、市民が政府活動について何を知るかを左右し得る。
DHSの説明間の食い違いには注意を払うべきだ。一般商用インベントリはRelativityOneを知識検索システムとして分類している。一方、CBPのプライバシー分析は、審査担当者から学習し、関連性に基づいて文書へ独自にタグ付けする機能を説明している。
どちらの説明も技術的には正確であり得る。知識検索には、文書の発見と分類が含まれる。しかし、このより広いラベルでは、記録を追加審査から除外することの重要性が伝わらない。
Cato InstituteのシニアフェローであるPatrick Eddingtonは、この違いが、より厳格な審査を正当化する可能性が最も高い機能を曖昧にしていると主張した。彼の批判は、インベントリ設計の問題を示している。一般的なカテゴリは、運用上の判断を説明せずとも開示要件を満たせてしまう。
DHSは、各ツールが各段階で果たす役割を公表すべきだ。説明では、検索、優先順位付け、応答性分類、墨塗り推奨、最終承認、品質保証を区別すべきである。これらの機能を「処理」という言葉の下にまとめると、有意義な評価が妨げられる。
同省は人間による審査の基準も説明すべきだ。無関係とのタグはすべて検証されるのか、それとも一部のサンプルだけか。ソフトウェアは、行ごとの承認なしに墨塗り済み文書を公開できるのか。モデルが低い確信度を示した場合、何が起きるのか。
監査記録も、もう一つ欠けている要素である。説明可能なシステムは、モデルのバージョン、入力コレクション、分類、審査担当者による変更、最終結果を保存すべきだ。こうした記録は、DHSが誤りを調査し、行政上の不服申立てや訴訟に対応する助けとなる。
不服申立て手続きは、自動化による支援を考慮しなければならない。不十分な検索に異議を唱える請求者は、機関が機械学習を使用したかどうかを知る必要がある。その検索の妥当性を検討する裁判所には、システムがどのように設定・監督されたかについての証拠が必要である。
調達はさらに不確実性を加える。DHSは、AI機能を備えたカスタムFOIAソフトウェアについて、Deloitteに契約を発注する意向通知を掲載した。意向通知は同省が予定する購買経路を示すものであり、導入完了や性能測定の証明ではない。
計画中のソフトウェアは、約40社のベンダーが参加した連邦FOIA技術ショーケースに続くものだ。イベント概要によれば、ほぼ85％がAI機能を強調した。これには、音声マスキング、墨塗り、関連性スキャン、項目入力、一般向けチャットボットが含まれていた。
ベンダーの関心は、DHSに選択肢があることを示している。しかし、それらのツールが共通の正確性、安全性、説明可能性の基準を満たしていることを示すものではない。製品デモが、争いのある請求で見られる文書品質や法的曖昧さを再現することはめったにない。
契約条件は、保護措置を執行可能な要件へと変えられる。DHSは、代表性のある記録によるテスト、モデル変更の開示、インシデント報告、監査ログの保持、アクセシビリティ、政府データの二次利用の制限を要求できる。
同省はまた、より広範な導入前に独立評価を要求できる。テストには、市民的自由の専門家、経験豊富なFOIA専門職員、記録担当者、セキュリティ担当者、頻繁に請求を行う人々の代表者を含めるべきだ。
こうした詳細がなければ、一般市民は短いインベントリの説明と調達通知から保護措置を推測するほかない。透明性に関する法律を支援することを意図したシステムとしては、それでは不十分である。
AIによるFOIA墨塗りには測定可能な人間の監督が必要
人間による審査が信頼に足るものとなるのは、DHSが人々がシステムの誤りを発見しているかを測定する場合に限られる。
政府機関は、AIへの懸念に対し、人間が引き続きプロセスに関与していると答えることが多い。この表現は安心感を与えるが、非常に異なる多くの運用モデルを指し得る。審査担当者がすべての文書を確認する場合もあれば、小規模なサンプルだけを確認する場合、あるいはシステムが不確実性を示した後にのみ介入する場合もある。
DHSは、各機能の審査モデルを定義すべきだ。行政事務の自動化は、定期的な品質チェックで運用できる。偽陰性は記録を隠し得るため、応答性分類にはより強力な検証が必要である。墨塗り提案には、公開前の法的審査が必要だ。
サンプリングは品質保証を支援できるが、サンプルはリスクを反映しなければならない。ランダムな確認では、重要な応答性資料を含むまれな文書を見落とす可能性がある。DHSは、低確信度の予測、異例の形式、機微なテーマ、幅広い公益に関わる案件を過剰抽出すべきだ。
機関にはベースラインも必要である。支援付き審査を確立された人間の手続きと比較しなければ、改善を示すことはできない。指標には、処理時間、審査担当者の負荷、見落とされた記録、撤回された墨塗り、不服申立ての結果、訴訟上の認定を含めるべきだ。
速度だけでは誤解を招く結果になる。より多くの文書を除外することで案件を早く終えるシステムは、開示を減らしながら効率的に見えるかもしれない。DHSには、迅速性と完全性の両方を示す組み合わせの指標が必要である。
墨塗りの正確性には、ページ上の黒塗り部分を数える以上のことが必要だ。同省は、各不開示に有効な免除規定があるか、免除対象でない情報が合理的に分離されたか、機関が予見可能な害の基準を適用したかを検証すべきである。
審査担当者の行動も測定すべきだ。自動化バイアスは、人々がシステムの提案に過度な重みを置くときに生じる。審査担当者の負荷が高い場合や、ソフトウェアがすでに難しい分析を完了していると考える場合に、その傾向は強まる可能性がある。
インターフェース設計は、そのリスクを低減できる。システムは、結論が確定したかのように提示することなく、裏付けとなる文章と確信度情報を示すべきだ。審査担当者は、機微な推奨を受け入れた、または拒否した理由を記録すべきである。
研修も同様に重要だ。職員は、モデルが何を評価するのか、どこで性能が低下するのか、元資料の変化が結果にどのように影響するのかを理解する必要がある。法務研修だけでは、機械学習の失敗モードを説明できない。
DHSは2024年、FOIA処理センターの約500人の職員をバーチャル研修プログラムに招いた。セッションには、FOIA処理におけるAIと機械学習に関する議論が含まれていた。これは有用な出発点だが、導入には継続的かつツール固有の準備が必要である。
独立した監督は、統制が運用上の圧力に耐えられるかを検証できる。監察総監、National ArchivesのFOIAオンブズマン、議会委員会、裁判所はいずれも、政府機関の透明性を評価するうえで異なる役割を担う。
請求者も証拠を提供する。記録の欠落、一貫性のない墨塗り、異常に狭い検索のパターンは、集計された性能データでは見逃される問題を明らかにし得る。DHSには、こうした苦情をシステム評価へ結び付けるプロセスが必要である。
同省は重大なインシデントを開示すべきだ。モデルが応答性のある記録を省略したり、保護対象情報を露出させたりした場合、DHSはその範囲、是正、再発防止の変更を記録すべきである。一件の請求を静かに修正しても、根底にあるリスクは残る。
公開報告は、機微な記録やプロプライエタリなコードの公開を必要としない。DHSは、テスト手法、集計結果、審査要件、エラー分類を公表できる。こうした開示により、外部の人々は運用上の機密を露出させずにガバナンスを評価できるようになる。
より広い教訓はFOIAを超えて当てはまる。政府機関は、自動化の後に承認ステップを置くだけで、熟練した職員の減少を補うことはできない。有意義な監督には、時間、権限、訓練、証拠を持つ人々が必要である。
3つのシグナルが、この計画がアクセスを改善するかを示す
次の検証点は、DHSが追加のAIツールを発表するかではなく、運用上の証拠を公表するかどうかだ。
第一のシグナルは、より詳細なAIインベントリである。DHSは、どの構成機関が各システムを使用するのか、どの処理段階で自動化を採用するのか、どの判断に人間の確認を必要とするのかを明示すべきだ。また、影響分類の根拠も説明すべきである。
より明確な開示は、同省の効率性に関する主張を強化する。それにより、DHSが低リスクの事務作業と、記録へのアクセスに影響する判断を分けていることが示される。「知識検索」に関するもう一つの一般的な説明は、信頼を弱めるだろう。
第二のシグナルは、Deloitteの調達と、それに伴うタスクオーダーの構造である。調達通知は、正確性テスト、監査証跡、人間による審査、モデル変更、データ保護、インシデント報告を対象とする要件につながるべきだ。
測定可能な統制を含む契約は、公開された約束をベンダーの義務へと変える。主に処理量と導入速度に焦点を当てた契約は、リスクをFOIA職員と請求者へ移すことになる。
第三のシグナルは、今後の報告サイクルにおける実績である。DHSは、処理品質を安定させたまま、保留中のインベントリが245,572件から減少したかを開示すべきだ。不服申立てでの覆り、訴訟上の認定、裏付けのある検索に関する苦情は、終結件数に対する重要な対抗指標となり得る。
バックログの縮小は、自動化がアクセスを改善する場合に限り、DHSの主張を支えることになる。より広範な墨塗りや記録の欠落を伴う迅速な回答は、透明性の強化を伴わない行政上の進展を意味する。
一般市民は、人員配置にも目を配るべきだ。FOIA Ombudsman reportは、AI導入が各政府機関に広がっていることを示している。ただし、ソフトウェアが経験豊富な記録管理専門家の代わりになれることを裏付けるものではない。
専門家の離職が続けば、DHSはその保護措置が前提とする審査を十分に行えなくなるおそれがある。一方、同省が訓練を受けたチームを維持し、準備や優先順位付けに自動化を活用するなら、ツールによって反復作業を安全に削減できる可能性は高まる。
最も信頼できる成果は、完全自動化されたFOIAオフィスではない。より多くの関連記録を見つけ、定型処理を減らし、職員が法的分析により多くの時間を割けるようにする仕組みだ。そのうえでDHSは、外部の人々がその成果を検証できるだけの証拠を公開すべきである。
FOIAの自動化が精査に値するのは、まさにこの技術が透明性を支えるプロセスの内部で使われるからだ。見えないところで起きたミスが、どの政府の行動が非公開のままになるかを左右しかねない。だからこそ監査可能性は、任意のコンプライアンス層ではなく中核機能である。
DHSには今、AI支援による公的記録処理の実用的なモデルを確立する機会がある。同省は人間の権限を明確に定義し、現実的な失敗モードを検証し、単なる処理速度を超えた結果を報告すべきだ。
導入が進むにつれ、請求者、ジャーナリスト、監視団体は3つの問いを投げかけるべきである。AIはどの判断に影響を与えるのか、誰がその判断を確認するのか、そして確認が機能していることを示す証拠は何か。DHSが遅延を減らすのか、それとも非開示を自動化するだけなのかは、その答えによって決まる。
