OTセキュリティ×ホワイトハッカー育成にAIを活かす実践的アプローチ

産学連携が照らしたOTセキュリティ教育の現在地

2026年9月、フォーティネットジャパン本社で開催された最終発表会に、全国18チームのホワイトハッカー候補が集まった。滋慶学園COMグループとフォーティネットジャパンが2025年に始動した産学連携OTセキュリティ講座は、2026年度に2日間のハイブリッド基礎講義から最終課題・発表会へと進む形式で実施された（出典：ascii.jp）。

1位を受賞した京都デザイン＆テクノロジー専門学校「Passion」チームのシナリオは、退職者がマルウェア入りUSBを後輩に渡し、保守端末経由で制御系に侵入、接着剤の配合条件を改ざんするというものだった。FortiNAC・FortiGate・FortiSwitch・FortiNDR・FortiEDRの多層防御を提案し、フォーティネットジャパンの担当者から「学生の丁寧な説明から再発見があった」との言葉が返った（出典：Yahoo!ニュース）。フォーティネットジャパン小泉和也氏は「OTとITセキュリティは地続き」と述べ、継続的な人材育成の必要性を強調した（出典：Yahoo!ニュース）。

大西貫士氏（教務運営部長）が「セキュリティベンダーとの産学連携は初めて」と語るように、この枠組み自体がまだ希少だ（出典：ascii.jp）。OTセキュリティを学べる場が限られている現状で、AIはその構造的な制約をどこまで緩和できるか——それがこの記事の問いだ。

関連記事AIセキュリティのリスクと対策は？ ／ AIによる情報漏洩の原因と対策は？

OTセキュリティ人材育成が難しい三つの構造的障壁

OT（Operational Technology）教育の困難さは、三層の構造的障壁に由来する。

第一は環境調達コストだ。PLC・産業用スイッチ・SCADA端末を揃えた実習環境は一式で数百万円規模になり、専門学校が単独で整備するには壁が高い。稼働中の設備を止めてペネトレーションテスト演習を行うことはほぼ不可能であり、攻撃者視点の訓練機会が構造的に制限される。

第二は知識更新の困難さだ。OT固有のプロトコル（Modbus、DNP3、IEC 61850など）や産業機器の脆弱性情報は、専門データベースへのアクセスを持たない教育機関には届きにくい。日立ソリューションズのセキュリティコラムが指摘するように、制御システムへの攻撃はIT系の手法を応用したものが増えており（出典：日立ソリューションズの5分でわかるセキュリティコラム）、両領域を横断できる教育者自体が少ない。

第三は教員・講師リソースの希少性だ。OTとITの双方に精通した専門家を確保できる教育機関は一部に限られ、産学連携の枠組みを持てた学校がなお例外的な存在であることが、今回のニュースからも読み取れる。

こうした三層の障壁に対して、AIは「準備工程の効率化ツール」として一定の役割を担える。ただしAIが人材育成の主役になれるわけではない。以下では確立した技術の範囲で、AIが有効に機能する工程を整理する。

AIがOTセキュリティ演習で具体的にできること

現時点で確立した技術の範囲で、AIは次の三工程に有効に機能する。

攻撃シナリオの多様化と教材生成

今回の優勝シナリオ「退職者による内部脅威→制御系侵入→配合条件改ざん」は、教員が一から設計した課題だ。LLMを活用すれば、産業分野・侵入経路・攻撃目的の組み合わせを変えた複数シナリオを短時間で生成し、チームごとに異なる課題を与える差別化演習が可能になる。たとえば「水処理施設のModbus機器を標的にした外部からの遠隔操作シナリオ」「食品工場の温度管理PLCへのランサムウェア感染シナリオ」など、実際の産業設備を想定した具体的な文脈を与えると、より実務感のある演習材料を引き出しやすい。

ただし生成されたシナリオはそのまま教材に転用できない。架空の技術的詳細や存在しないプロトコル動作が混入するリスクがあり、OT専門知識を持つ教員による検証と修正が必須だ。生成→確認→修正のサイクルを省略すると、学習者に誤った知識が定着するおそれがある。

仮想OT環境のコスト圧縮

GNS3のようなネットワークシミュレーターにスクリプトを組み合わせ、PLCの振る舞いを模したソフトウェア環境を構築するアプローチは以前から存在する。ここにLLMをコード生成の補助として活用すると、Modbusプロトコルを模したサービスや、ステートフルな攻撃応答ロジックの実装を加速できる。実機を揃えられない予算制約のある学校でも、一定水準の体験型学習環境を用意しやすくなる。

ただしソフトウェアシミュレーションは、実機特有のタイミング特性や物理信号の振る舞いを再現しきれない。仮想環境で身に付けたスキルと実機操作の間には必ずギャップが生じることを、カリキュラム設計の前提に組み込む必要がある。

脆弱性情報の収集・要約支援

米国CISA（サイバーセキュリティ・インフラセキュリティ庁）が公開するICS向けアドバイザリは英語が中心で量も多い。RAG（検索拡張生成）構成のLLMを使えば、更新された脆弱性情報を日本語で要約し、該当機器・影響範囲・推奨対策を抽出するワークフローを構築できる。研修担当者の情報収集コストを抑えながら、演習問題の素材としても活用しやすくなる。ただしLLMが要約した内容は必ず原典で照合する運用が不可欠で、要約の誤りが学習者に誤った知識を定着させるリスクを常に意識しなければならない。

この活用が有効に機能する具体的な場面

最も直接的に恩恵を受けられるのは、情報セキュリティ専攻・情報工学系学科を持つ専門学校・高専・大学の教員だ。産業界との連携交渉や実機調達に時間がかかる段階でも、シミュレーター＋LLM構成で演習カリキュラムの設計を前倒しできる。シナリオ多様化のブレインストーミングにLLMを使い、その結果をOT担当者とITセキュリティ担当者が合同でレビューする場を作ることで、両者の認識合わせにもなる。

製造業・プラント・電力・水道などインフラ事業者の社内研修担当者にとっても、LLMを活用して自社設備の構成に合わせた演習素材を作成するアプローチは有効だ。汎用テキストをそのまま渡すより、実際の設備名・ネットワーク構成・運用手順を踏まえた課題の方が実務への定着を促しやすい。ただしその過程で実際の設備情報を外部の商用LLMサービスに送信することは情報漏洩リスクを生む。オンプレミス型またはプライベートAPI環境の利用を原則とすべき場面がある。

地方の中小製造業では、セキュリティ専任担当者を置けないケースが多い。自治体や産業支援機関が主導する研修で、AI支援による教材生成を取り入れると、講師リソースを抑えながら研修頻度を上げる余地が生まれる。デジタルツールに不慣れな受講者への対応として、AI生成教材はあくまで補助教材に位置づけ、対面フォローと組み合わせることが重要だ。

OTセキュリティ人材育成のフェーズ別AI活用整理

工程	AIの役割	有効度	必要な人間の関与
攻撃シナリオ設計	多様な組み合わせ案の生成・下書き	高	OT専門知識による検証・修正
演習環境構築	シミュレーター用スクリプト生成補助	中	実機との差異把握・補完
脆弱性情報収集	英語アドバイザリの要約・分類	高	原典照合による誤り排除
受講者評価	回答テキストの採点補助・傾向分析	中	専門家による最終判定
脅威判断・対策設計	参考事例の提示補助のみ	低	専門家の判断が不可欠

AIに依存しすぎることの限界と注意点

AIが演習の準備工程を補助できる範囲は確かに存在するが、ホワイトハッカー育成の核心はAIで代替できない。実機の操作感、ハードウェアの物理的な反応、緊急時の判断圧力——これらは仮想環境では再現しきれない。フォーティネットジャパンとの産学連携が価値を持ったのは、実際の製品群を前にした発表という緊張感と、現場経験を持つ専門家との直接対話があったからだ。

LLMが生成する攻撃シナリオや脆弱性解説は、学習目的で正確に使われる限りは有益だが、検証なしに教材へ転用すると、誤った手順や存在しない技術的詳細が混入するおそれがある。教育機関が責任を持って検証する体制を持たずにAIを導入することは、学習品質を下げるリスクがある。

費用面でも現実的な評価が必要だ。商用LLM APIの継続利用にはランニングコストが生じ、RAG構成の構築・維持には技術人材が必要になる。小規模な教育機関が単独で整備するには初期障壁が高く、文部科学省や経済産業省が推進するサイバーセキュリティ人材育成の枠組みを活用し、複数校・複数機関でリソースを共有するアプローチが現実的だ。

AIの恩恵が届かない層への配慮も欠かせない。デジタルツールに不慣れな受講者や、地方の小規模事業者では、AI支援の演習プラットフォームへのアクセス自体に格差が生じる可能性がある。AIを道具として使いこなせる人材だけが高度な訓練を受けられる構造は、セキュリティ人材の地域・規模格差を拡大するリスクをはらむ。

明日から試せる実務的な一歩

まず試せることは、既存の研修カリキュラムの中に「シナリオ設計のブレインストーミング補助」としてLLMを導入することだ。「水処理施設のネットワーク構成を前提に、内部脅威から制御系への侵入シナリオを5パターン挙げてほしい」という形で入力し、生成結果をOT担当者とIT担当者が共同でレビューする。シナリオの妥当性を議論する場として機能し、両者の視点のすり合わせにもなる。

次に、CISAのICS-CERTアドバイザリを定期的にLLMで要約し、社内チャンネルへ配信する簡易ワークフローの構築を検討したい。研修担当者の情報収集工数を下げながら、OT担当者の日常的なセキュリティ感度を継続的に高める仕組みになる。ただしワークフロー構築の際は、送信データの範囲を限定し、機密性の高い設備情報が含まれないよう入力を設計する必要がある。

OTセキュリティは、AIを補助的な道具として使いこなしながら、「何を脅威とみなすか」を判断する専門的眼力を自ら育てた人材でなければ、現場では機能しない。ツールの習熟より先に、その判断力を養う教育設計が土台にある。

機械学習の基礎的な仕組みの理解には機械学習の概要（crystal-method.com）も関連する。

参考文献

• ascii.jp　https://ascii.jp/elem/000/004/445/4445863/?rss=
• Yahoo!ニュース　https://news.yahoo.co.jp/articles/5083f8fb7db44e24f7c0ffe0ac43277572e38510
• 日立ソリューションズの5分でわかるセキュリティコラム　https://www.hitachi-solutions.co.jp/security/sp/column/security/06.html