AIで不正アクセス検知・企業対策の実務：1177万件漏えいが示す課題

公開日：2026年10月23日文：クリスタルメソッド編集部監修：河合継（代表取締役）

2026年10月、カプコンで1177万件超の顧客情報が漏えい――何が起きたか

2026年10月22日、ゲーム大手カプコンは、オンライン共通アカウントサービス「CAPCOM ID」が不正アクセスを受け、全世界で1177万4247件の顧客情報が漏えいしたと発表した（ascii.jp・読売新聞）。漏えいした情報はメールアドレス・アカウント作成日時・最終ログイン日時・ログイン回数・最終ログイン時のIPアドレスで、このうち43件については生年月日・性別・国や地域・ニックネームも含まれる。196件ではログインパスワードが不正に変更されており、カプコンはすでに該当アカウントのパスワードをリセットし、対象者へ個別通知する予定であると公表した（読売新聞）。クレジットカード情報の漏えいは確認されておらず、意図しない課金申し込みなどの二次被害は現時点で確認されていない（ascii.jp）。

被害に遭われた利用者への配慮として、漏えいしたメールアドレスを悪用したフィッシングメールへの注意が呼びかけられている。不審なメールを受け取った場合は、リンクを踏まず公式サイトから直接ログインする習慣が改めて重要になる。

同じような情報漏えいが他社でも起きているかは、日本・世界の主な被害一覧で説明しています。

関連記事AIによる情報漏洩とは？原因・事例と企業の対策

なぜ大規模漏えいは繰り返されるのか――検知の遅れと監視の手薄さという構造的課題

今回の事案で注目すべきは、不正アクセスがカプコンに確認されたのが10月19日であるにもかかわらず、発表は10月22日だった点だ。196件ものパスワード不正変更が行われるまでリアルタイムでの検知・遮断がどの程度機能していたかは、カプコンが「公表できない」と説明しており、外部から断定はできない（読売新聞）。ただしこの構造——多数のアカウントを持つサービスで異常なログイン試行や設定変更がリアルタイムに捕捉されにくい状況——は、同種のサービスに広く共通する課題である。

具体的には次の三点が、大規模なオンラインサービスにおける典型的な弱点として挙げられる。

ログの量が多すぎて人手での監視が追いつかない：会員が数百万規模のサービスでは、ログイン試行ログだけで1日あたり膨大な行数に及ぶ。正常なログインと不審なログインを人手で区別するのは現実的でない。
IPアドレスの変化や地理的異常が見落とされやすい：海外からの突然のアクセス、短時間での大量ログイン試行（クレデンシャルスタッフィング）は、固定の閾値ルールだけでは検出漏れが生じやすい。
パスワード変更など設定変更イベントへのアラートが甘い場合がある：アカウント乗っ取りの典型的な行動であるパスワード変更・メールアドレス変更について、発生後に気づく体制では手遅れになりやすい。

図：固定ルール頼みの従来監視ではルール外の手口を見逃しやすいのに対し、AI活用の監視フローでは機械学習モデルがリアルタイムで異常スコアリングを行い、早期遮断へつなぐ。ただし最終判断は人が担う設計が重要である。

次に読む：AIセキュリティ対策とは？企業のリスクと対策

AIセキュリティ対策とは？企業が知るべきリスクと今すぐできる対策【2026年】

AIによる企業の不正アクセス対策：未然防止・早期発見・被害縮小の三段構え

未然に防ぐ：クレデンシャルスタッフィングをAIで遮断する

不正アクセスの主要な入口のひとつが、他のサービスから流出したID・パスワードの組み合わせをそのまま試すクレデンシャルスタッフィングだ。対策として有効なのが、機械学習ベースのBot検知である。通常のユーザーと自動化ツールによるアクセスでは、マウスの動き・打鍵速度・リクエスト間隔・User-Agentのパターンなどに統計的な差異が生じやすい。この差異をモデルに学習させることで、固定ルールでは捕捉できない新しいBotの挙動にも対応できる。CloudflareやGoogleをはじめ、Bot管理機能をSaaSとして提供するサービスは既存のWebアプリケーションに比較的組み込みやすい構成を持っている。

また、多要素認証（MFA）の強制は、パスワードが漏えいしても不正ログインを防ぐ有力な手段のひとつだ。特にリスクベース認証——海外IPからのログインや初回デバイスからのアクセス時だけMFAを追加で要求するといった制御——は、機械学習モデルによってリスクスコアを動的に算出することで、ユーザー体験と安全性のバランスを取りやすくする。

早く見つける：異常ログイン検知とリアルタイム監視

ユーザー・エンティティ行動分析（UEBA: User and Entity Behavior Analytics）は、通常時の行動ベースラインを個々のアカウントごとに構築し、逸脱を検知するアプローチだ。「このアカウントは通常日本からログインするが、突然別の地域のIPから深夜にログインした」「短時間に多数のパスワード変更リクエストが発生した」といった異常をスコアとして算出し、閾値を超えたアカウントをアラートに上げる。MicrosoftのMicrosoft SentinelやSplunk、IBMのQRadarなどがこの機能を実装した製品として広く知られている。

機械学習モデルの種類としては、教師なし学習（クラスタリング・異常検知）が不正アクセス検知に適している。正常なアクセスパターンのみで訓練し、そこから外れた挙動を異常として検出するため、未知の攻撃手口に対しても一定の検出能力を持つ。ただし、正常パターンが変動しやすい環境（大型セール・サービス改修直後など）では誤検知が増えやすい点に注意が必要だ。

被害を小さくする：インシデント発生時の影響範囲の自動特定

侵害が発生した際、人手で「何件のアカウントが影響を受けたか」「どのデータにアクセスがあったか」を調べるには時間がかかる。大量のアクセスログ・操作ログに対して自然言語処理や異常検知モデルを適用することで、攻撃者の動線を時系列で再構成し、影響を受けたアカウントや操作の範囲を短時間で絞り込める。

カプコンのケースでは、漏えい規模が1177万件超と確定されるまでに発見から数日を要した。影響範囲の特定にかかる時間を短縮することが、被害者への早期通知・二次被害防止に直結する。

AIによる不正アクセス対策が役立つ企業・組織の具体的な場面

AIを使った不正アクセス検知の実装が特に現実的な恩恵をもたらしやすいのは、次のような組織・場面だ。

AIによる不正アクセス対策が有効な組織類型と主な用途
組織類型	主な保護対象	AIが特に役立つ場面	検討すべき製品カテゴリ
会員アカウントを持つゲーム・エンタメ企業	ゲームアカウント・仮想アイテム・課金情報	クレデンシャルスタッフィング、アカウント乗っ取り	Bot管理SaaS、リスクベース認証
ECサイト・ポイントプログラム運営企業	ポイント残高・決済情報・購入履歴	ポイント不正交換・不正購入の早期検知	不正検知専用エンジン（Fraud Detection）
金融機関・Fintech企業	口座・取引データ・本人確認情報	異常送金・なりすましログインのリアルタイム検知	UEBA、リアルタイムスコアリングAPI
医療機関・自治体	電子カルテ・個人番号・住民情報	内部不正・外部侵入の両面での異常行動検知	SIEM＋UEBA、ゼロトラスト認証
中規模SaaS企業	テナントデータ・APIキー	APIへの異常アクセス・テナント間越境の検知	APIゲートウェイの異常検知機能

自社サービスのアカウント規模がまだ小さい段階でも、クラウドの管理コンソール（AWS・Azure・GCPなど）への不審なログインは同様の手口で行われる。クラウドプロバイダーが提供するIAM（Identity and Access Management）ツールの異常ログインアラートは、中小企業でも比較的容易に導入できる入口として有効だ。

AIで企業が不正アクセス検知を導入する際の注意点と限界

AIによる不正アクセス検知は強力な手段だが、万能ではない。現場で必ず意識すべき限界と注意点を以下に整理する。

誤検知（False Positive）と見逃し（False Negative）のトレードオフ：モデルの感度を上げると誤検知が増え、正規ユーザーがロックアウトされるリスクが高まる。逆に感度を下げると攻撃を見逃しやすくなる。このバランスは、サービスの性質・ユーザー属性・許容するリスクに応じて継続的なチューニングが必要だ。「AIが出したアラートは全て正しい」という前提での運用は危険である。

最終判断は人が行う：AIモデルはスコアリングや候補の絞り込みを担うが、アカウントの強制停止・通知の発送・当局への報告といった意思決定は必ず人間のセキュリティ担当者が行う体制が求められる。特に大量の影響者が出るインシデントでは、AIの判断を鵜呑みにして誤った対象に通知を送ることが二次被害につながるリスクがある。

訓練データの陳腐化：攻撃者は検知システムを観察して手口を変える。一度訓練したモデルを更新せずに使い続けると、新しい攻撃パターンへの対応が低下する。定期的な再学習と性能評価が運用上の継続的な義務となる。

プライバシーと監視の過剰化：ユーザーの行動を詳細にプロファイリングする仕組みは、プライバシー保護の観点からリスクを伴う。収集するデータの種類・保存期間・利用目的をプライバシーポリシーに明記し、個人情報保護法や各国のデータ保護規制への準拠を確認することが不可欠だ。

コストと専門人材：SIEMやUEBAを本格導入する場合、ライセンス費用・インフラ費用のほか、アラートを適切にトリアージできる専門人材が必要だ。ツール導入だけでは機能せず、運用体制の整備が伴わなければ形骸化する。

AIは侵害をゼロにしない：どれだけ高度な検知システムを導入しても、未知の手口・ゼロデイ脆弱性・内部不正など、モデルが想定しない経路での侵害は起きうる。検知とあわせて、侵害を前提とした被害局限（最小権限の原則・データの暗号化・迅速な通知体制）を並行して整備することが現実的なアプローチだ。

明日から取れる実務的な一歩――AIを使った不正アクセス対策の始め方

大掛かりなSIEM導入の前に、現状の監視ギャップを把握することが先決だ。次の手順から着手できる。

ステップ1：ログイン・設定変更イベントのアラートを有効化する。AWSであればCloudTrailとGuardDuty、Azure Active DirectoryであればサインインリスクアラートがAIを使った異常検知として即日有効化できる設定項目として存在する。既存のクラウド環境に対してまずこれらを確認し、未設定であれば有効化するだけでも検知の網が広がる。

ステップ2：パスワード変更・メールアドレス変更のイベントを優先監視対象に設定する。今回のカプコン事案でも196件のパスワード不正変更が発生した。設定変更イベントを最高優先度のアラートとして扱い、発生時に即座に担当者へ通知が届く体制を確認する。

ステップ3：クレデンシャルスタッフィング対策をWebレイヤで導入する。Bot管理やリスクベース認証のSaaSは、多くがAPIやリバースプロキシ形式でWebアプリケーションの前段に挿入できる構成を持つ。まず無料トライアルで自サービスへのBotトラフィック比率を計測することから始められる。

ステップ4：インシデント対応手順を文書化する。AIが異常を検知した後、誰が何を決定し、いつ利用者に通知するかのフローが未整備であれば、ツールの効果は半減する。個人情報保護委員会への報告義務（個人情報保護法第72条）を含む対応フローを1ページで整理しておくことが、いざというときの被害局限に直結する。