Thales、企業が身近なサイバー脅威よりAIリスクを恐れていると報告

Thalesは顕著な逆転を明らかにした。調査対象組織の69%が、急速に変化するAIエコシステムを、生成AIに関する最大のセキュリティ懸念として挙げた。マルウェア、フィッシング、ランサムウェアといった身近な脅威は依然として活動しているが、企業はいま、自ら導入しているシステムにも直面している。

この結果は、AIがすでにランサムウェアやマルウェアより多くの侵害を引き起こしていることを意味しない。企業がAI導入をめぐる不確実性を、確立された単一の攻撃手法以上に恐れていることを示している。セキュリティチームはフィッシング対策を理解している。一方で、データにアクセスし、コードを生成し、業務アクションを実行できるシステムには、より低い確信しか持てていない。

この違いは重要である。AIリスクは、既存の複数の境界をまたぐ。サイバーセキュリティ、プライバシー、法的リスク、モデルの信頼性、運用上の統制を組み合わせるものだ。中心的な対立は、もはやAI導入と抵抗の間にはない。事業展開のスピードと、組織がすでに導入したものを管理する能力との間にある。

調査が示す企業の不安の変化

企業は従来のサイバー不安をAIに置き換えているのではない。AIが複数のリスクを同時に増幅し得ることを認識している。

データ脅威レポートは、20カ国・15業界のテクノロジーおよびセキュリティ専門家3,100人以上を対象に調査した。Thalesの委託を受け、S&P Global Market Intelligence 451 Researchが調査を実施した。

回答者のうち69%が、急速に変化するAIエコシステムを、生成AIに関連する最大のセキュリティ懸念として選んだ。モデルの完全性が64%で続き、信頼性は57%でその次に位置した。

「急速に変化するエコシステム」という表現は、モデルのリリースだけを指すものではない。モデルプロバイダー、プラグイン、データサービス、開発フレームワーク、エージェント、そしてそれらをつなぐインフラも含まれる。各コンポーネントは個別に変化し得るため、セキュリティチームが完全には管理できない依存関係の連鎖が生まれる。

これは、よく知られたマルウェアインシデントとは異なる。セキュリティチームは悪意あるファイルを特定し、エンドポイントを隔離し、その経路を調査できる。AIシステムは、マルウェアを含まず、従来型の侵害指標も示さずに誤作動することがある。

ユーザーが未承認のサービスに入力したため、モデルが機密情報を露出させる可能性がある。エージェントが、要求者の意図した範囲を超えてデータを取得することもある。AIが生成したコードは、即座にアラートを出さずに脆弱な依存関係を導入する可能性がある。

こうした結果は、通常のサイバーセキュリティ障害に似ている場合がある。しかし、その原因はしばしば従来のセキュリティオペレーションセンターの外部にある。調達、法務、エンジニアリング、データサイエンス、コンプライアンス、事業部門のすべてがシステムに影響を与える。

調査では、回答者の73%がAI専用のセキュリティツールに投資していることも判明した。新たな予算を得た企業もあれば、既存のセキュリティ支出を振り向けた企業もある。この数字は、懸念がすでに購買や計画の判断に反映されていることを裏付ける。

ただし、追加のソフトウェアによって責任の所在が不明確な問題が自動的に解決されるわけではない。監視製品は、エージェントがどの事業データにアクセスすべきかを決められない。また、すべての顧客、従業員、規制対象ワークフローに対して許容されるモデルの振る舞いを定義することもできない。

同じ調査では、従来の攻撃カテゴリも依然として目立っていた。観測された攻撃タイプではマルウェアが首位を維持し、フィッシングが2位、ランサムウェアが3位となった。

この文脈は見出しの意味を限定する。AIは、生成AI導入をめぐる最大の新興懸念であり、確立された脅威が消えた証拠ではない。企業は、どちらか一方を選ぶのではなく、重なり合う2つの環境を守らなければならない。

それでも、この変化は重要だ。セキュリティリーダーはAIを、単にエンドポイント保護を必要とする別のアプリケーションではなく、企業リスクの領域として扱い始めている。その障害は、承認済みのワークフロー内で発生し、信頼されたアクセスを通じて広がる可能性がある。

AIセキュリティリスクが既存の対策から逃れる理由

AIは、リスクの単位を予測可能なアプリケーションから、指示を解釈してアクションを選択するシステムへと変える。

従来の企業向けアプリケーションは通常、定義された機能を提供する。ユーザーは構造化データを入力し、許可されたアクションを選択し、限定された結果を受け取る。セキュリティチームは、これらの機能をID、権限、データベース、監査記録に対応付けることができる。

生成AIは自由形式の指示を受け付ける。その出力は、プロンプト、取得した情報、モデルの振る舞い、システム構成、接続されたツールに左右される。この連鎖のどこかにわずかな変更があるだけで、異なる結果が生じ得る。

AIエージェントは、さらに別の層を加える。エージェントとは、モデルを用いてタスクを計画し、限定的な人の介入のもとでツールを呼び出すソフトウェアである。これらのツールには、メール、コードリポジトリ、顧客データベース、カレンダー、財務システムなどが含まれる。

このアーキテクチャは、境界防御では対応するよう設計されていないリスクを生み出す。有効な従業員が、承認済みのインターフェースを通じて危険な指示を与えることがある。その後、モデルは認可された接続を意図しない形で利用する可能性がある。

プロンプトインジェクションはこの問題をよく示している。悪意ある指示は、AIシステムが処理する文書、ウェブページ、メッセージの中に現れる可能性がある。その指示は、モデルを本来のタスクから逸らそうとする。

エージェントがすでにアクセス権を持っていれば、盗まれたパスワードは必要ない。攻撃者は代わりに、モデルの解釈層を標的にする。これにより、通常の業務コンテンツが制御チャネルになり得る。

データ取得も同様の課題を生む。検索拡張生成により、モデルは回答を生成する際に選択された組織内情報を利用できる。モデルが元の学習データにその情報を含んでいる必要はない。

しかし、取得の品質は権限とメタデータに依存する。文書単位のアクセスルールを無視する検索インデックスは、ユーザーが直接開けない資料を露出させる可能性がある。応答は自然言語によって、そのアクセス障害を隠してしまう場合がある。

これは、契約書、会議記録、サポートチケット、エンジニアリング文書を対象に社内アシスタントを構築する企業にとって重要である。有用なアシスタントには幅広い文脈が必要だ。追加する情報源の一つひとつが、弱い権限設定による影響も増大させる。

従業員は、組織の承認や監督なしに利用されるAIサービスを意味するシャドーAIを通じても、新たな露出を生み出す。スタッフは時間を節約するため、ソースコード、顧客記録、事業計画を公開ツールに貼り付ける可能性がある。

この行動をポリシーだけで抑えるのは難しい。従業員はAIチャットボックスを、外部のデータ処理事業者ではなく一時的な作業スペースと見なすことが多い。未知のウェブサイトにファイルをアップロードするよりも、インターフェースの危険性が低く感じられる。

AI監督に関する調査結果は、従業員の78%が職場でAIツールを使っていると回答した調査を引用している。そのうち58%は、大規模言語モデルに機密性の高い会社情報を提供したことを認めた。

自己申告の数値は、確認済みのデータ損失を測定するものではない。それでも、AIリスクが外部攻撃者だけでなく、認可されたユーザーから始まる理由を示している。ツールへのアクセスが容易なため、導入は正式なレビューを追い越す可能性がある。

この課題はソフトウェア開発にも及ぶ。AIアシスタントは、チームがレビューできる速度を上回ってコードを提案できる。生成された関数はテストでは動作しても、安全でないデフォルト設定、不十分な検証、古い依存関係を含む可能性がある。

セキュリティスキャナーは既知のパターンを検出できるが、生成されたロジックが事業要件に合致していることを保証することはできない。特にコードが認証、決済、規制対象情報を扱う場合、人によるレビューは依然として必要である。

モデルの出力も完全性リスクを生む。システムは高い確信を伴って誤った内容を生成することがあり、この振る舞いは一般にハルシネーションと呼ばれる。別のアプリケーションがそれを検証済みの入力として扱うと、結果は危険になる。

誤った要約は不便にとどまる。誤ったアクセス判断や財務指示は、運用上の結果をもたらす。同じモデルの振る舞いでも、周囲にあるツールと権限によってリスクは異なる。

だからこそ、AIセキュリティをモデル精度だけに還元することはできない。重要なのは、モデルが誤り、操作され、あるいは過剰なアクセス権を与えられたときに何が起きるかである。

真の対立は、展開スピードと統制の間にある

経営陣はいま測定可能なAIの成果を求める一方、セキュリティチームは権限と障害経路が依然として不明確なシステムを引き継ぐ。

圧力はセキュリティ組織の上層から始まる。取締役会と経営チームは、CIOに対して生産性を高めるAI活用を見つけ、業務上の摩擦を減らし、競合他社に後れを取らないよう求めている。

事業チームは数日でAIパイロットを開始できる。完全な資産台帳、権限モデル、評価プロセス、インシデント計画の構築にはより長い時間がかかる。この時間差が、この記事の主な対立を生み出す。

2026年のLogicalis調査では、4分の1を超えるCIOがAIを重大なリスクと見なしていた。回答者は、CIOセキュリティに関する調査結果によると、AIをマルウェア、ランサムウェア、フィッシングと並ぶリスクとして位置付けた。

同調査では、3分の2がAIリスク管理に関する従業員研修は不十分だと考えていることも分かった。また、CIOの94%がサイバーセキュリティ人材の不足に直面していると報告した。

これらの結果は、単なる技術問題ではなく、対応能力の問題を示している。組織は、既存のセキュリティチームがすでに十分な専門人材を確保できていないなかで、不慣れな種類のシステムを追加している。

責任が分断される可能性もある。CIOは技術戦略を担う一方、CISOはセキュリティを担う。法務チームは知的財産と規制リスクを監督し、データ責任者はガバナンスを管理し、事業部門はユースケースを選定する。

AIの障害は、どの部門にもきれいに収まらないまま、すべてのグループに影響を及ぼし得る。責任の所在が曖昧なままであれば、承認には一貫性がなくなり、インシデント対応は遅くなる。

確立されたサイバーセキュリティプログラムは、有用な対比を提供する。組織は脆弱性管理、エンドポイント保護、ID、バックアップ、復旧のプロセスを定義するために何年も費やしてきた。

これらの統制は依然として不可欠である。AIシステムも、通常のクラウドサービス、アプリケーション、ユーザーアカウント上で動作する。侵害されたIDは、他のソフトウェアと同様にAIワークフローも露出させ得る。

しかしAIは、従来の統制だけでは判断できない決定を加える。ファイアウォールは、生成された推奨内容に許容できないバイアスが含まれるかを判断できない。エンドポイントソフトウェアも、モデルが正しい社内ポリシーを引用したかを評価できない。

これは、孤立したAIガバナンス官僚組織を作る理由にはならない。AIをサイバーセキュリティから完全に切り離せば、統制が重複し、新たな隙間が生まれる。

より強力なアプローチは、既存のID管理、データ分類、ソフトウェアレビュー、インシデント管理から始めることだ。その上で、通常のプロセスでは不十分な箇所にモデル評価とエージェント固有の統制を追加できる。

エージェントは認証情報を通じて行動するため、IDには特に注意が必要である。各エージェントには固有のID、限定された権限、文書化された所有者を持たせるべきだ。共有アカウントでは説明責任が難しくなる。

権限は、割り当てられたタスクに必要な最小限のアクションに合わせるべきである。サポートケースを要約するアシスタントに、記録を削除する権限は不要だ。コーディングエージェントに、無制限の本番環境アクセスは不要である。

組織には、最新のインベントリも必要です。チームは、存在を把握していないモデル、プラグイン、データ接続を統制できません。調達記録だけでは、ブラウザツールや従業員が作成した連携を見落とします。

インベントリには、モデルプロバイダー、事業責任者、データソース、接続済みツール、想定利用者、意思決定権限を記録すべきです。出力が人によるレビューを受けるかどうかも記載する必要があります。

知識集約型の業務では、承認済みシステム内にソース資料を保持することで、企業はリスクを抑えられます。管理されたAI knowledge baseは、チームが関連するコンテキストを取得する助けとなりながら、アクセス境界を維持できます。

この選択によってAIリスクがなくなるわけではありません。ただし、無関係な一般消費者向けサービス間で機密資料をコピーするよりも、データの経路を明確にできます。結果を左右するのは、依然として明確な所有責任と権限の適切な適用です。

目的は、あらゆる実験を阻止することではありません。過度に広範な制限は、従業員を未承認ツールへ向かわせかねません。承認済みの選択肢が有用で利用しやすい状態にある方が、ガバナンスは効果を発揮します。

見出しだけでは証明できないこと

調査で測定される懸念は、AIインシデントの実際の頻度や金銭的影響ではなく、認識されたリスクです。

この見出しは、単純な結論を促します。AIはランサムウェア、マルウェア、フィッシングより危険になったという結論です。しかし、入手可能な証拠はその主張を裏付けていません。

Thalesは回答者に生成AIに関する懸念を尋ね、別途、観測された攻撃カテゴリーを報告しました。これらの測定は異なる問いに答えるものであり、直接的なリスク順位を形成することはできません。

懸念に関する調査は、不確実性、注目度、予想される影響を捉えます。インシデントデータは、組織が検知し分類した事象を測定します。いずれも自動的に総損失を表すものではありません。

回答者がAIを高く位置付けるのは、その境界が依然として不明確だからかもしれません。よく知られた脅威は、より大きな測定可能な損害を引き起こしていても、管理しやすいと感じられることがあります。

新規性も回答に影響します。セキュリティリーダーは、取締役会、顧客、規制当局、従業員からAIについて頻繁に質問を受けます。その注目度は、インシデント件数の多さを示さずとも、認識上のリスクを高める可能性があります。

ベンダーが後援する調査には、さらに慎重な扱いが必要です。Thalesはサイバーセキュリティおよびデータ保護製品を販売しており、AIセキュリティ支出に商業上の利害を持ちます。調査はS&P Global Market Intelligence 451 Researchが実施しましたが、読者はその枠組みも検討すべきです。

これは調査結果を無効にするものではありません。つまり、この割合が裏付けるべき結論は限定的です。企業は高い懸念を報告しており、AI固有のセキュリティにリソースを振り向けています。

データは複数の国や業界から集められています。顧客取引にエージェントを利用する銀行と、社内の文章作成支援ツールを試験利用する製造業では、影響が異なります。

集計された割合は、そうした差異を隠しかねません。リスクは、データの機密性、自動化の度合い、利用者層、規制上の義務、モデルに付与された行動権限に左右されます。

したがって企業は、万能のAIセキュリティチェックリストをそのまま採用すべきではありません。影響の小さい下書き支援ツールに、顧客アカウントを変更するエージェントと同じ統制は必要ありません。

もう一つの不確実性は、インシデントの分類です。攻撃者がAIを使ってフィッシングメッセージを作成した場合でも、組織はその事象をフィッシングとして記録するかもしれません。AIは攻撃を支援していますが、報告上のカテゴリーにはなりません。

逆のケースも起こり得ます。AIアプリケーション内にある従来型の権限設定ミスが、新しいインターフェースによって障害が可視化されたために、AIの問題として扱われる可能性があります。

比較を信頼できるものにするには、研究者に一貫した定義が必要です。AIを利用する攻撃、AIシステムへの攻撃、承認済みAIの利用によって引き起こされた障害を区別しなければなりません。

NISTのagent security analysisでは、基本的なサイバーセキュリティ対策が依然として有効であるとの広範な合意が確認されました。回答者は、それらの対策をエージェントセキュリティ向けに適応させる必要があるとも述べています。

これは、従来のサイバーセキュリティが時代遅れになったと宣言するより有用な枠組みです。AIは既知のインフラリスクを引き継ぐ一方で、指示、アクセス、自律的な行動に関する新たな経路を加えます。

予算を急速に移し替えることにも危険があります。企業には引き続き、パッチ適用、多要素認証、バックアップ、メールセキュリティ、検証済みの復旧計画が必要です。AI統制では、基盤対策の怠りを補えません。

攻撃者は、既知の弱点が依然として有効であるため、頻繁に悪用します。脆弱なID統制の上にAI監視レイヤーを追加しても、基本的なリスクを減らさずに進展しているように見せるだけになりかねません。

経営幹部は、各投資が測定可能な成果をどのように変えるのかを問うべきです。有用な指標には、不正なデータアクセス、高リスクなエージェント行動、ポリシー違反、AI関連インシデントの封じ込めに必要な時間が含まれます。

セキュリティチームは、現実的な条件下でベンダーの主張を検証すべきです。明白なプロンプトインジェクションを検知する製品でも、業務文書に隠された指示や、複数の段階に分散して符号化された指示には対応できない場合があります。

レッドチーム演習は、こうした弱点を明らかにできます。AIレッドチームは、システムが操作、安全でない要求、過剰な権限、予期しないデータにどう応答するかをテストします。

テストには、モデル単体ではなくアプリケーション全体を含めなければなりません。安全なモデルでも、広範なツールに接続されれば危険になり得ます。能力が低いモデルでも、厳しく制限されたワークフロー内では低リスクに保てます。

人によるレビューも万能の解決策ではありません。システムがあまりに多くの判断を生成する場合や、締め切りがスピードを優先させる場合、レビュー担当者は形式的な承認役になりかねません。

適切な統制は、影響の大きさに依存します。低リスクのコンテンツではサンプリングを利用できます。影響の大きい行動には、明示的な承認、独立した検証、または自律実行を防ぐ技術的制限が必要です。

AIガバナンスは取締役会へ移行している

技術的統制だけでは不明確な説明責任や相反する事業上のインセンティブを解決できないため、AIリスクはガバナンスの問題になっています。

公開開示は、この問題がどれほど急速に拡大したかを示しています。The Conference Boardによると、AIリスクに言及したS&P 500企業の割合は、2023年の12%から2025年には83%へ上昇しました。

同団体のgovernance researchでは、58%がサイバーセキュリティとデータ侵害を最も重大なAI関連リスクとして認識していることも分かりました。調査対象の経営幹部のうち、自社がAI規制に完全に備えていると答えたのは10%未満でした。

リスク開示は、インシデントが発生したことを確認するものではありません。企業は提出書類で起こり得る重大な脅威を説明しており、法的な慎重さが幅広い表現を促すこともあります。

それでも、この変化はAIがイノベーションチームの領域を超えたことを示しています。取締役会は今や、監督、エスカレーション、経営陣の説明責任を検討しなければなりません。

取締役会の役割は、個々のモデルを承認することではありません。取締役は、経営陣がAIが製品、業務、従業員、顧客に影響する領域を理解していることを確認する必要があります。

また、どの導入が重大な判断を下し得るかも把握すべきです。社内文書を下書きするアシスタントと、価格を更新し、資金を移動させ、アクセス権限を変更するエージェントは異なります。

経営陣への報告は、技術的なシグナルを事業への影響と結び付けるべきです。システムが支援する判断の説明がなければ、モデルのテストスコアにはほとんど意味がありません。

有用な報告では、機密データにアクセスできるAIシステムの数を示せます。書き込み権限を持つエージェント、未解決の高リスク所見、レビュー待ちの例外を特定することも可能です。

取締役会は集中リスクも検討すべきです。複数の社内アプリケーションが一つのモデルプロバイダー、IDサービス、または検索・取得プラットフォームに依存している可能性があります。その場合、一つの障害が複数の事業機能に影響を及ぼします。

第三者への依存は保証を複雑にします。企業は自社アプリケーションを保護できても、モデルの挙動、保持条件、連携機能を変更するプロバイダーに依存している場合があります。

契約により、通知、監査、データ処理に関する義務を定めることはできます。しかし、あらゆる技術的変更を防ぐことはできません。チームには引き続き、監視と代替計画が必要です。

規制は別の圧力源を加えます。地域によって、AIシステムは用途、分野、潜在的な害に基づいて分類されます。多国籍企業は、プライバシー、サイバーセキュリティ、消費者保護、AI固有の要件が重複して適用される可能性があります。

コンプライアンスを安全性の唯一の定義にしてはなりません。システムは文書化要件を満たしながら、過剰な権限を維持したり、信頼性の低い判断を出したりすることがあります。

逆に、技術チームは、透明性、差別、知的財産に関する法的義務に対処せずとも、直近のセキュリティリスクを低減できる場合があります。

この交差領域が、一部の調査でAIへの恐れが単一の既知の脅威を上回った理由を説明します。リスクは一つの攻撃手法ではありません。技術のライフサイクル全体にまたがるガバナンスの問題です。

組織には導入前の明確なゲートが必要ですが、継続的なレビューも必要です。モデル、データ、利用者、連携は、最初の承認後にも変化します。

監視では、異常なツール呼び出し、不正な情報取得、異常なデータ移動、出力品質の変化を検知すべきです。ログには、どのIDが各行動を開始したか、どのソースがそれに影響したかを示す必要があります。

インシデント計画には、AI固有のシナリオを含めるべきです。チームには、エージェントの無効化、認証情報の無効化、プロンプトの保存、影響を受けたデータの特定に関する手順が必要です。

また、信頼性の低い出力がいつ報告対象のインシデントになるかも判断しなければなりません。この判断には、セキュリティ、プライバシー、法務、業務の責任者が関与する可能性があります。

トレーニングは従業員の役割を反映すべきです。機密データに関する一般的な警告は無視されやすいものです。開発者、営業チーム、アナリスト、経営幹部は、それぞれ異なる障害パターンに直面します。

開発者には、生成コードと依存関係に関する指針が必要です。営業担当者には、顧客データに関するルールが必要です。経営幹部には、ディープフェイクによるなりすましや操作された意思決定資料を認識する必要があります。

したがって、効果的なガバナンスは安全な行動を取りやすくします。承認済みツールは、日常業務において従業員が非公式な代替手段を必要としないだけの価値を提供すべきです。

企業の防御が追いついているかを示す三つのシグナル

次の段階は、エージェント権限、検証済みインシデントデータ、ガバナンスが導入判断を変えている証拠によって測定されます。

第一のシグナルは、より限定されたエージェントアクセスです。企業は、固有のID、限定された権限、重大な行動に対する人による承認を持つAIエージェントの数を報告し始めるべきです。

この指標は、承認済みアプリケーションを数えるだけにとどまりません。企業がソフトウェアに付与している権限を理解しているかを検証します。

組織が共有認証情報や無制限のコネクターを置き換えるとき、進展は明らかになります。エージェントが広範な従業員権限や管理者権限を継承している場合、失敗が表れます。

第二のシグナルは、より良いインシデント分類です。セキュリティ報告では、AI支援型の攻撃、AIシステムへの攻撃、社内でのAI利用によって生じた障害を区別する必要があります。

信頼できるカテゴリーがあれば、企業は頻度、深刻度、統制の有効性を比較できます。また、現在の恐れが観測された被害と一致しているかも検証できます。

報告されるインシデントの増加が、直ちに防御の失敗を意味するわけではありません。検知能力の向上は、損失を減らす前に件数を増加させることがよくあります。

第三のシグナルは、ガバナンスが実際の導入を変えているかどうかです。ポリシーが意味を持つのは、データを制限し、権限を減らし、安全でないリリースを延期し、追加テストを求める場合に限られます。

最も強い証拠は、文書化された適用範囲の変更から得られます。企業は、エージェントからメッセージ送信機能を削除したり、取得元を制限したり、財務上の行動に人による承認を維持したりするかもしれません。

もう一つの弱いシグナルは、運用上の権限を持たない監督委員会が新設されることだ。ローンチ判断を変えられないガバナンスでは、事業上の圧力を抑えるのは難しい。

企業は、サイバー保険会社や規制当局がAI関連インシデントをどのように扱うかにも注意を払うべきだ。より具体的な要件が導入されれば、組織は統制を文書化し、主張と検証済みの能力を区別せざるを得なくなる。

重要な教訓は、AIがサイバーセキュリティを打ち負かしたということではない。企業が、統制の成熟よりも速いペースで、確率的システムを価値の高いデータや信頼された業務ツールに接続しているということだ。

この不均衡が不安を生んでいる。マルウェア、フィッシング、ランサムウェアは危険だが、その運用パターンはよく知られている。AIは、企業が積極的に拡大したいワークフローの内部に不確実性を持ち込む。

セキュリティ責任者は今、基本的なサイバー衛生を維持しながら、モデル評価、エージェントのアイデンティティ、データ統制、部門横断の説明責任を追加する必要がある。どちらか一方を怠れば、回避可能なギャップが生まれる。

テクノロジーの購買担当者、開発者、ナレッジワーカーにとって、実務上の問いは明確だ。AIツールには、そのタスクに必要な情報と権限だけが与えられているだろうか。

次の統合を本番稼働させる前に、その問いを投げかけよう。答えを記録し、境界をテストし、予期しない挙動をした際に誰がシステムを停止できるかを決める。その証拠は、組織がAIを責任ある形で利用しているという、また一つの包括的な約束よりも重要になる。