原発不正防止にAIを使う——電力会社の内部監査で異常を早期発見する方法

公開日：2026年10月29日更新日：2026年10月30日文：クリスタルメソッド編集部監修：河合継（代表取締役）

中部電力をめぐる不正の報道——何が起き、何が問われているか

日本経済新聞は、経済産業省が中部電力に対し、電気事業法に基づく業務改善命令を11月上旬にも出す方向で調整に入ったと報じた（有料記事のため、詳細は確認できていない。命令はこの時点では正式には出ていない）。背景として、中部電力をめぐっては、浜岡原発の安全性向上対策工事に関する取引先との長期間の未精算事案、重大事故対策データの改ざん、廃炉作業をめぐる架空・不当請求などが相次いで明らかになったと報じられている（www.j-cast.com、2026年9月）。経済産業省は2025年11月と2026年1月に電気事業法に基づく報告徴収を行っている。

2026年9月には、約500万件・総額約12億円の電気料金の過大徴収が約2年半にわたって生じていたことが9月10日に発表され、9月14日には勝野哲会長・林欣吾社長ら歴代3社長が引責辞任し、浜岡原発の再稼働審査申請も取り下げられた（いずれも同年9月のj-cast.comの報道による）。これとは別に、2026年7月3日のNHKの報道では、規制当局から説明を求められた後もデータの不正操作が続いていたことが伝えられ、赤澤経産相は同日、「誠に遺憾で極めて重く受け止めている」と発言した（NHKニュース）。

本稿は、同様の事案を防ぐための内部監査の実務的な考え方を、AIの活用という観点から整理する。

今回の事案は個別企業の問題にとどまらない。電力・インフラ業界のコンプライアンス担当者や経営層にとって、「同様の不正を自社でどう未然に防ぐか」という実務的な問いを突きつけている。原発の不正防止とAIを活用した内部監査の組み合わせは、その答えの一つとして考えられる。

金融機関では内部監査にAIをどう使っているのかは、金融不正検知AIが変える内部監査で解説しています。

関連記事AI企業の内部不正の死角はどこ？

なぜ不正は長期間見落とされるのか——監査の構造的な死角

電力・インフラ業界における不正が発覚まで長期化しやすい背景には、いくつかの構造的な要因がある。これらはこの事案固有の原因の断定ではなく、同種の組織に共通して見られるパターンだ。

第一に、データ量と専門性の非対称性がある。原子力発電所の安全管理記録、工事契約、設備点検データは膨大であり、内部監査チームが手作業で全量を精査するのは現実的でない。確認すべき場所を人間が事前に決めるしかなく、その外側に異常が潜みやすい。

第二に、報告者と承認者の同質性の問題がある。現場と管理層が同一組織文化・人間関係の中に閉じているとき、不都合な情報は上に上がりにくい。報告書は「見せるために整えられる」ものになりがちで、矛盾が蓄積しても表面化しない。

第三に、時系列の分断が監査の目をかいくぐる。単一の書類に不正が現れることは少なく、工事記録と支払い記録、点検報告と実績データなど、複数の台帳をまたいで突き合わせて初めて乖離が見える。台帳の数が増えるほど手作業のコストは跳ね上がる。

これらの課題はいずれも、AIが本来得意とする「大量データの高速突き合わせ」「パターン逸脱の検出」「時系列の一貫性検証」と直接対応している。原発の不正防止という観点から、AIによる内部監査の自動化はこの構造的死角を補う有力な手段として位置づけられる。

次に読む：内部不正対策で退職者の情報持ち出しを防ぐには？

内部不正対策とは？基本5原則と、退職者の情報持ち出しを防ぐ進め方【2026年】

原発・電力インフラの内部監査にAIを使う——3つの具体的なアプローチ

未然に防ぐ：リスクスコアリングと契約異常検知

不正が起きやすいのは、特定の取引先・担当者・工事区分が集中するタイミングや、予算消化末期・検査直前などの時期だ。機械学習を用いたリスクスコアリングは、過去の契約データ・支払い履歴・工事台帳をインプットとして、統計的に「通常と異なる」取引を自動で浮かび上がらせる。

代表的な手法がベンフォードの法則分析だ。自然に発生した数値は先頭桁の出現頻度が特定の分布（1が最も多く、9に向かって単調減少）に従う傾向があり、架空請求や改ざんされた数値はこの分布から逸脱しやすい。会計監査の分野では既に実績のある手法であり、電力会社の工事費用データにも適用できる。ExcelやPythonで実装できるため、大規模なシステム投資なしに試せる点が現場にとっての利点だ。

また、グラフ分析による関係者ネットワークの可視化も有効な手段だ。発注者・受注者・下請け・担当者の関係をグラフ構造として表現し、利益相反が疑われるパターン（例：元社員が役員を務める取引先への発注集中）を自動検出できる。グラフ構造の分析は専用ツールが必要になるが、まず関係者一覧をスプレッドシートで整理するところから始めることができる。

AIを活用した内部監査の4ステップ。AIは大量データから異常候補を絞り込む役割を担い、最終判断と対応措置は必ず監査担当者（人）が行う。複数の台帳をまたいだ突き合わせが自動化できる点が、手作業との最大の違いだ。

早く見つける：NLPによる報告書の矛盾検出

「報告書として整えられた異常」を早期発見するためには、テキスト分析が力を発揮する。自然言語処理（NLP）を用いると、複数時点の点検報告書・安全管理報告書を比較し、記述の変化・矛盾・削除箇所を自動で検出できる。

例えば、ある設備の前回報告書では「異常なし」と記録されていたのに、同時期の保守作業ログには部品交換の記録がある、というような矛盾は、人間が全量を読み比べるのは困難だが、テキストマイニングの手法なら処理できる。

さらに、LLM（大規模言語モデル）を用いた整合性チェックも試みられている。報告書の各段落を構造化し、「主張と根拠が対応しているか」「前の報告と論理的に矛盾しないか」をモデルに問うことで、審査担当者が着目すべき箇所を絞り込める。ただし、LLMは文脈の誤解や「もっともらしい誤り」を生成するリスクがあるため、検出結果はあくまでも監査担当者のスクリーニング補助として位置づけ、機械の出力を最終判断に直結させてはならない。

被害を小さくする：異常検知による早期アラート

不正が完全に防げない場合でも、発見を早めることで被害を抑えやすくなる。IoTセンサーデータと設備点検記録の統合監視では、センサーの実測値と報告書の記録値を自動で照合し、乖離が閾値を超えた時点でアラートを発することができる。

2026年7月のNHKの報道にあった「規制当局から説明を求められた後もデータの不正操作が続いていた」という状況は、人手の監査だけでは発見の遅れが生じやすいことを示す例といえる（NHKニュース）。センサーデータと報告書の自動突き合わせが運用に組み込まれていれば、乖離が発生したタイミングで社内の別部門や外部監査法人へ自動通知する仕組みを設けることができる。

電力会社・インフラ企業の監査部門が参考にできる手法比較

内部監査の手法比較（電力・インフラ企業向け）
手法	主な用途	導入難易度	検出できること	検出しにくいこと
ベンフォードの法則分析	架空請求・数値改ざんの検出	低〜中（表計算ツールでも可）	統計的に不自然な金額分布	手口が洗練されている場合
グラフ分析（関係者ネットワーク）	利益相反・不正な発注関係の可視化	中（専用ツールが必要）	特定取引先への集中・元社員関係	関係者が意図的に分散させた場合
NLP・テキストマイニング	報告書の矛盾・変更箇所の検出	中（データ整備コスト要）	複数時点の記述の不整合	一貫して虚偽を維持した文書
センサーデータ vs 報告書の自動突き合わせ	実測値と記録の乖離検出	高（システム統合が必要）	データ改ざん・点検不履行	センサー自体が操作されている場合
LLMによる整合性チェック	報告書の論理矛盾スクリーニング	中〜高（プロンプト設計が重要）	文脈レベルの矛盾・論理的飛躍	技術的専門文書の深い誤り

AI内部監査の注意点と限界——万能ではない

最終判断は必ず人が行う。AIが検出した「異常候補」はあくまでも優先的に確認すべきリストであり、不正の証明ではない。誤検知（正常な取引を不正と誤判定）と見逃し（巧妙な不正を検出できない）の両方が必ず発生する。検出結果をそのまま処分や訴追の根拠にしてはならない。

データの品質がアウトプットを規定する。入力データに欠損・重複・不統一な形式が混在していると、異常検知の精度は大幅に低下する。電力・インフラ企業では複数の古いシステムにデータが分散していることが多く、統合・クレンジングのコストが導入の最大のハードルになりやすい。

組織文化の問題はAIでは解決できない。不正の根本には、問題を報告しにくい組織文化、過大なプレッシャー、外部から見えにくい意思決定構造がある。AIは「乖離」を検出できても、その背景にある人間の判断や組織の力学には介入できない。内部通報制度や外部監査との組み合わせが不可欠だ。

個人情報・プライバシーのリスク。担当者の行動ログや通信記録を監視対象に含める場合、労働法・個人情報保護法の観点から適切な範囲の設計と本人への説明が求められる。監視の範囲を広げすぎると、現場の信頼や士気に悪影響を与えるおそれがある。

規制・認証要件との整合。原子力施設の安全管理記録は、原子炉等規制法や電気事業法などに基づく保存・提出の義務に関わる場合がある。AI処理を経たデータが規制当局の要求する監査証跡の要件を満たすかどうか、法令専門家と事前に確認する必要がある。

今日から始める実務の一歩

大規模なシステム投資を始める前に、現在手元にあるデータで試せることがある。

まず、既存の工事請求データをExcelまたはPythonでベンフォード分析にかけることは、追加コストほぼゼロで始められる。先頭桁の分布グラフを作成し、理論値からの乖離が大きい金額帯を確認するだけでも、これまで見えていなかったパターンが浮かぶことがある。Pythonでの実装はオープンソースのライブラリで対応できるため、データ分析の基礎知識があれば試せる範囲だ。

次に、複数部門にまたがる報告書を一か所に集約し、変更履歴を記録する運用を設けることが基盤整備として重要だ。AIによる矛盾検出の前提は、比較可能な形でデータが存在することであり、この整備なしにはいかなるツールも機能しない。バージョン管理の仕組みをドキュメント管理に導入するだけでも、「いつ、誰が、何を変えたか」が追跡可能になる。

そのうえで、NLPによる文書分析の小規模な試行を監査対象の一部（例：特定の工事区分の点検報告書）に限定して行い、人手による確認と組み合わせて精度を評価するのが現実的な進め方だ。小さな範囲で始めて検出率と誤検知率を実測し、運用に耐えるかどうかを判断してから拡張する順序が、現場の負担を抑えながら定着させるうえで重要になる。

原発の不正防止を「仕組み」として組み込むことは、今回の報道から考えられる課題の一つだ。電力会社に限らず、長期契約・複雑な工事管理・規制対応を抱えるインフラ企業にとって、AIを活用した内部監査の整備は、コンプライアンス対応の実務的な選択肢として具体性を帯びてきている。