AIコード生成のセキュリティリスクと対策―Veracode調査が示す38%の現実

AIコード生成のセキュリティリスク：1年ぶりの改善が示す「まだ任せられない」現実

Veracodeは2026年10月29日、「2026 GenAI Code Security Report」を公開した。18モデルをPython・C#・JavaScript・Javaの4言語でテストした結果、セキュリティ平均合格率は56%から62%へ上昇し、脆弱性発生率は44%から38%へ低下した。同社が定期レポートを開始した2025年7月以降、有意な改善が確認されたのはこれが初めてだ（出典：TechRadar techradar.com；CyberSecMedia cybrsecmedia.com）。

改善の実態を数字で確認すると、60%超の合格率を達成したモデルは前回4件から今回10件に増加している。モデル全体の底上げが進んでいることは事実だ。しかし首位に並ぶClaude Opus 5.5とGPT-6-Solでも合格率は73%にとどまり、25%を超えるセキュリティタスクで失敗が残っている（出典：CyberSecMedia）。

「合格率が上がった」という事実と「38%が依然として不合格」という事実は、同時に成立する。この非対称な読み方ができるかどうかが、日本企業のAI活用における意思決定の質を分ける。

AIが生成したコードの脆弱性が実際に招いた被害は、AIハッキングの主な被害一覧で解説しています。

関連記事生成AIの情報漏洩の原因・事例は？

なぜ「動くコード」がセキュリティリスクになるか―AIコード生成特有の構造的問題

Veracodeの調査が指摘する最も重要な事実の一つが、構文的正確性はほぼ全モデルで100%近くを維持しているという点だ（出典：CyberSecMedia）。これは一見、良いことに見える。しかし実際には、リスクを増幅させる逆説として機能する。

エラーが出ないコード、コンパイルが通るコード、テストが通るコードを開発者がレビューなしにコミットする確率は、明白なエラーを含むコードよりはるかに高い。開発スピードが求められる現場では、「とりあえず動く」状態を確認した時点でレビューが形骸化しやすい。AIが生成した脆弱性は、こうして静かにコードベースに混入する。

改善が乏しいとされるログインジェクションは、この構造問題を象徴する。複雑なデータフロー推論を要する脆弱性はAIが苦手とする領域であり（出典：CyberSecMedia）、かつ検出にも専門知識を要する。対して、今回最も改善が顕著だったXSSは、型化した対策パターンが存在するためAIも学習しやすい。AIが得意な脆弱性と苦手な脆弱性の非対称性が、一律のレビュー省略を危険にする根拠だ。

日本においては、情報処理推進機構（IPA）が毎年公開する「情報セキュリティ10大脅威」でソフトウェアサプライチェーンリスクが継続的に注目課題として取り上げられている。AIが生成したコードは、そのサプライチェーンに確率的に脆弱性を混入させる新しい変数として位置づけられる。

AIコード生成セキュリティリスク対策：組織が整備すべき4つの層

Veracodeの共同創設者でChief Security EvangelistのChris Wysopal氏は、組織がAI出力のみに依存せず、独立したセキュリティテストと継続的な検証を実施することの重要性を指摘している（出典：SC Media scworld.com）。この指摘を日本の開発現場に照らすと、整備が必要な対策は技術・プロセス・人材・ガバナンスの4層に整理できる。

第1層：CI/CDへのSAST/DAST統合

静的アプリケーションセキュリティテスト（SAST）と動的テスト（DAST）をCI/CDパイプラインに組み込み、AIコードの出力をゲート管理に含める。AIが生成したコードを人手レビューだけで捌こうとするアプローチは、開発速度が上がるほど破綻するため、自動スキャンを人手レビューの前段に置く構造が必要だ。

第2層：利用ツール・モデルの定期評価

今回の調査では、60%超の合格率を達成したモデルが4件から10件に増加し、トップ2は前回最高の68%を73%まで更新した（出典：CyberSecMedia）。モデル間の性能差は大きく、半年前の評価が現時点のリスク水準を反映しない可能性がある。自社が採用しているAIコーディングツールのモデルバージョンと第三者評価の最新値を照合する仕組みを設けることが、コスト最小でリスクを下げる実務的な施策になる。

第3層：脆弱性カテゴリ別の優先順位設定

ログインジェクションのようにAIが依然として苦手とする脆弱性には、人手レビューと専門ツールによる補完を厚くする。XSSのように改善が進んでいる領域は、自動テストで効率化できる余地が広がっている。一律の管理コストをかけるより、脆弱性カテゴリ別に管理水準を分けることが費用対効果を高める。

第4層：開発者教育とガバナンスポリシーの整備

「AIが書いたから安全」という思い込みを防ぐための研修と、AIコーディングツールの利用ポリシー（対象業務・禁止コンテキスト・レビュー必須要件）を文書化しておくことが、インシデント発生時の責任所在の明確化に直結する。技術的対策がどれほど整備されていても、開発者がAIコードの限界を理解していなければ組織のセキュリティ水準は下げ止まらない。

改善点と残存リスクを並べて見る―意思決定者のための比較整理

今回の調査結果を、導入・運用判断に資する形で改善点と残存リスクの対比として整理する。

Veracode 2026 GenAI Code Security Report：AIコード生成セキュリティの改善点と残存リスク

項目	改善・前進した点	残存リスク・注意点
全体合格率	56% → 62%（+6ポイント、1年以上ぶりの有意な改善）	38%が依然として不合格。脆弱性混入は確率的に発生する前提での設計が必要
上位モデルの性能	首位2モデルが73%を達成（前回最高68%を更新）	首位モデルでも25%超のタスクで失敗。「最良のモデルを使えば安全」は誤り
モデルの裾野	60%超達成モデルが4件から10件へ増加	モデル間格差は依然大きく、ツール選定と定期評価が必要
XSS対策	今回最も改善が顕著なカテゴリ	完全排除には至らず。依然として自動スキャンとの併用が必要
ログインジェクション対策	改善の兆しなし	複雑なデータフロー推論を要するためAIが苦手とする領域のまま。人的補完が不可欠
構文的正確性	ほぼ全モデルで100%近くを維持	「動く」と「安全」は別命題。無批判採用リスクをむしろ高める
継続的な評価体制	Veracodeが定期レポートを発行し、業界の比較基準が整いつつある	レポートの評価結果と自社採用ツールの対応が自動で連動するわけではない

出典：Veracode「2026 GenAI Code Security Report」（CyberSecMedia cybrsecmedia.com；TechRadar techradar.com；SC Media scworld.com）

日本の経営・意思決定者が今すぐ確認すべき実務上の要点

合格率62%という数字は、残り38%に脆弱性が潜在する確率を意味する。この38%を「例外的な失敗」ではなく「確率的に発生するもの」として扱う体制設計が、経営レベルで問われる。AIコーディングツールの導入コストだけでなく、セキュリティテスト基盤の維持・更新コストをセットで予算化することが、現時点での合理的な意思決定だ。

開発スピードを優先する現場とセキュリティ要件を担うチームの分断が深い組織ほど、AIコードの脆弱性は見過ごされる構造的リスクを抱えている。Veracodeの指摘通り、AI出力のみに依存せず独立したセキュリティテストと継続的な検証を組織的に確保することが、現状における最低限の要件だ（出典：SC Media）。

AIが得意とする脆弱性対策（XSSなど型化した対策）は自動化で効率化し、苦手とする脆弱性（ログインジェクションなどデータフロー依存の問題）は人的レビューと専門ツールで補完するという役割分担が、現時点での最も費用対効果の高いリスク構造と考えられる。全否定でも過信でもなく、確率と構造を踏まえた管理が問われる段階に、AIコード生成は入ってきた。

---

参考文献

• SC Media「AI-generated code security shows first significant improvement in a year」（2026年10月29日）— https://www.scworld.com/
• TechRadar — Veracode 2026 GenAI Code Security Report関連報道 — https://www.techradar.com/
• CyberSecMedia — Veracode GenAI Code Security Report 2026 — https://cybrsecmedia.com/
• Veracode「2026 GenAI Code Security Report」（2026年10月29日公開）