blog

JPモルガン委託先サイバー攻撃:金融機関がAIで防ぐサプライチェーンリスク

JPモルガン委託先サイバー攻撃:金融機関がAIで防ぐサプライチェーンリスク

JPモルガン委託先攻撃:何が起きたか

2026年11月19日(米国時間)、JPモルガン・チェースは外部委託先へのサイバー攻撃により一部顧客の氏名・メールアドレスが流出した可能性があると公表した(dメニューニュース(NTTドコモ)、Infoseekニュース)。攻撃対象は委託先が保有するマーケティング関連データであり、JPモルガン自身のシステムへの侵害は確認されていない(digitaltoday.co.kr)。

同一事案に関連してVisaおよびMastercardも委託先経由の情報流出を発表。ロイターによるとハッカー集団「n0n」は銀行従業員124件・顧客1万6000件超のメールアドレスを取得したと主張しているが、ロイターはデータの真正性を独自に確認できていないとしている(digitaltoday.co.kr)。3社いずれも決済データ・カード番号への影響は否定している。情報が流出した可能性のある顧客に対し、JPモルガンは個別連絡と信用情報モニタリングサービスの無料提供を案内している(dメニューニュース(NTTドコモ))。

ほかの企業でも同じ情報漏洩が起きているかは、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、2つの経路と企業の対策は?

なぜ委託先経由の情報流出は繰り返されるのか

今回のJPモルガン委託先サイバー攻撃が示す構造的課題は、金融機関に限らず委託先に個人情報を渡すすべての組織に共通する。企業がマーケティング・決済・ITインフラを外部委託することで業務効率は上がる一方、自社のセキュリティ管理が及ばない領域に顧客データが置かれる。

問題の核心は、委託先のセキュリティ水準を継続的に把握することの難しさだ。契約時に審査を行っても、委託先側の体制は日々変化する。担当者の異動、使用システムの更新、さらに委託先が抱える再委託先(孫請け)の存在が監視を複雑にする。金融機関が大量の委託先と取引するほど、個々の監視コストは指数的に増大する。

侵害の発見が遅れる構造も深刻だ。自社外のシステムで起きた異常をリアルタイムで検知する仕組みを持つ企業は多くない。攻撃者は侵害後に静かにデータを収集し、発覚まで時間をかせぐ。今回のn0nも2026年9月以降に出現し約200件の攻撃を実行したとされており(digitaltoday.co.kr)、侵害から公表まで相当の時間差があったとみられる。

金融機関(JPモルガン等)顧客データ委託委託先(マーケティング等)再委託再委託先(監視の死角)攻撃者(n0n)委託先・再委託先を狙う顧客情報流出(氏名・メールアドレス等)AI監視の介入点リスクスコアリング異常検知・早期警告
図:委託先・再委託先を経由したサイバー攻撃のリスク伝播経路と、AIが介入できる監視ポイント。金融機関の直接管理が及ばない「監視の死角」に攻撃者が侵入し、顧客情報流出に至る構造を示す。

次に読む:AIセキュリティ対策とは?企業が今すぐできる対策は?

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で未然に防ぐ・早く見つける・被害を小さくする

未然に防ぐ:委託先リスクの継続的スコアリング

委託先リスク管理(Vendor Risk Management)にAIを活用する動きは、欧米の大手金融機関を中心に広がっている。委託先の公開情報——脆弱性データベース、ダークウェブへの情報漏洩モニタリング、SSL証明書の有効期限、パッチ適用状況など——を機械学習モデルが継続的に収集・分析し、各委託先のリスクスコアを自動更新する手法だ。

従来の年1回のアンケート審査では委託先の日々の変化を追えない。リアルタイムスコアリングを組み込むことで、特定の委託先のリスクが急上昇した際に担当者へ即時アラートを届ける仕組みが構築できる。BitSight、SecurityScorecardなどのプラットフォームがこの分野で実用化されており、金融機関向けの活用事例も各社の公式サイトで確認できる。

早く見つける:異常なデータアクセスの検知

情報流出の早期発見には、ユーザー行動分析(UEBA:User and Entity Behavior Analytics)と呼ばれるAI技術が有効だ。通常のアクセスパターンをベースラインとして学習し、深夜の大量データダウンロード・普段とは異なる地理的位置からのアクセス・短時間での異常なクエリ数増加などを自動検知する。

金融機関が委託先のシステム上でこうした監視を直接行うことは契約上・技術上の制約がある。そのため、委託先とのデータ共有APIにアクセスログ監視を組み込む、委託先のSOC(セキュリティオペレーションセンター)との連携協定を結ぶ、といった契約レベルでの仕組みづくりがAI監視の前提となる。機械学習によるパターン認識の仕組みを理解しておくと、ベンダー選定時の技術的な議論で判断の土台になる。

被害を小さくする:流出後の影響範囲の迅速な特定

侵害が起きた後、どのデータが・どの範囲で・いつから影響を受けているかを迅速に特定することが二次被害の抑制につながる。自然言語処理(NLP)とログ解析AIを組み合わせることで、膨大なアクセスログから侵害の起点・経路・影響範囲を短時間で絞り込める。

今回のJPモルガン委託先への情報流出事案では委託先が保有するマーケティングデータが対象だったため、影響範囲の特定に際してはどのデータセットが委託先に渡っていたかの台帳管理が不可欠だ。AIによるデータカタログの自動更新と、委託先ごとのデータ棚卸しを連動させておくことで、有事の際の特定作業が大幅に短縮される。

誰の役に立つか:日本の金融機関・企業が実践できる場面

委託先経由の情報流出リスクはJPモルガンに限った話ではない。日本の銀行・保険・クレジットカード会社でも、マーケティングDM送付・顧客向けアプリ開発・コールセンター運営などを外部委託する際に同種のリスクが存在する。

特に影響が大きい場面は3つある。第一に、2022年施行の改正個人情報保護法により、委託先における個人情報の安全管理措置の確認が委託元の義務として明記された。これを年1回の書類確認で済ませている企業は、AIによる継続監視への移行を検討する余地がある。第二に、金融庁の「金融機関のITガバナンスに関する対話のための着眼点・考え方」においても第三者リスク管理の高度化が求められており、AI活用はその具体的な手段として位置づけやすい。第三に、中小規模の金融機関ではセキュリティ専門人材が限られるため、AI支援によるリスクの自動可視化が担当者の負担軽減につながる。

AIで全てを防げるわけではない:注意点と限界

委託先セキュリティ管理へのAI活用には、見落とせない限界がある。

誤検知と見逃し:異常検知AIは正常なアクセスをフラグとして誤検知することもあれば、巧妙に偽装された攻撃を見逃すこともある。アラートの最終判断は必ず人間のセキュリティ担当者が行う体制が不可欠だ。自動対応でシステムを遮断するような設定を過信すると、誤検知による業務停止リスクを招く。

監視しすぎによるプライバシーリスク:委託先従業員のアクセスログや行動データを詳細に収集・分析することは、監視される側の個人のプライバシーや労働法上の問題を含む。どのデータを・どの目的で・どこまで収集するかを契約と法律の範囲内で明確化する必要がある。

AIは契約と信頼の代替にならない:委託先のセキュリティ体制は最終的に契約条件・監査権限・インシデント報告義務の取り決めによって担保される。AIはその監視を効率化するツールであり、契約上の責任分界を置き換えるものではない。

導入コストと費用対効果の見極め:UEBA・外部アタックサーフェス管理(EASM)などのAIセキュリティツールは導入・運用コストが相応にかかる。委託先の数・扱うデータの機微度・自社の内製セキュリティ体制を踏まえ、費用対効果を見極めた上で優先順位をつけることが現実的だ。

次の一手:明日から着手できる具体的なステップ

大規模なAIシステムの導入を検討する前に、まずは現状把握から始めることが実務的だ。

第一に、自社が個人情報を提供している委託先の一覧と、各委託先に渡しているデータの種類・件数を台帳化する。これがAI監視を導入する際のデータカタログの基盤となる。

第二に、主要な委託先に対して直近のセキュリティ事故の有無・使用しているクラウドサービスの構成・インシデント発生時の報告フロー・再委託の有無を確認する。BitSightやSecurityScorecardは無料トライアルを提供しており、一部の委託先について外部からのリスクスコアを試験的に確認できる。

第三に、委託先契約にインシデント発生時の72時間以内通知義務を明記する。EUのGDPRではこれが法的要件となっており、日本でも改正個人情報保護法のもとで委託先から委託元への速やかな報告が義務づけられている。契約条項の見直しは、追加コストなしに着手できる即効性のある対策だ。

AIを使ったサプライチェーンセキュリティ監視の基盤となる異常検知モデルは、深層学習によるパターン認識の仕組みを理解することで、ベンダーとの技術的な議論や製品選定の判断精度が上がる。

委託先セキュリティ管理の手法比較

管理手法 主な内容 監視頻度 コスト感 AI活用の余地 限界
年次アンケート審査 委託先にセキュリティ設問票を送付・回収 年1回 低 回答の自動分析・リスク分類 回答の正確性に依存。変化をリアルタイムで追えない
現地監査 委託先サイトに出向いてシステム・体制を確認 1〜2年に1回 高 監査結果の集計・リスク分析に部分活用 人的リソースの制約。全委託先への実施は困難
外部アタックサーフェス管理(EASM) 委託先の公開情報・脆弱性を外部から継続スキャン 継続(自動) 中〜高 AIによるリスクスコアリングが主機能 内部システムの状態は把握できない
UEBA(ユーザー行動分析) アクセスログの異常パターンをAIが検知 リアルタイム 高 AI・機械学習が中核技術 委託先ログへのアクセス権限が必要。誤検知あり
契約・SLA管理 インシデント報告義務・監査権限を契約で担保 事象発生時 低 契約条項の自動分析・リスク抽出 技術的な早期検知にはならない

現実的なアプローチは、コストの低い契約管理・アンケート審査をAIで効率化しながら、機微度の高いデータを扱う重要委託先に絞ってEASMやUEBAを段階的に導入することだ。全委託先に高コストのリアルタイム監視を一律適用するのは現実的でない。

参考文献

  • dメニューニュース(NTTドコモ) https://topics.smt.docomo.ne.jp/topnews/business/1000/d67f9ddc3f148d0998f0be22bec5cfcd
  • Infoseekニュース https://news.infoseek.co.jp/article/crossdig_3099530/
  • digitaltoday.co.kr https://digitaltoday.co.kr/jp/view/128442/jpmorgan-visa-mastercard-some-customer-data-exposed-in-vendor-hack

AIニュースのまとめをメールで

毎週月曜、海外AIニュースの日次ダイジェストを1週間分まとめてお届けします。無料・いつでも配信を停止できます。

監修

河合 継(クリスタルメソッド株式会社 代表取締役)

AI・ディープラーニングに関する特許16件の発明者。過去、国立がん研究センターとの共同研究や、テレビ番組でのAI解説実績を持つAI研究者として、AIの研究開発を主導している。
運営会社について | 編集方針

Read next

あわせて読みたい

  • AIハッキングで情報漏洩が相次ぐ?日本・世界の主な被害一覧【2026年7〜10月】

    AIハッキングで情報漏洩が相次ぐ?日本・世界の主な被害一覧【2026年7〜11月】

    AIハッキングで情報漏洩が相次ぐ?日本・世界の主な被害一覧【2026年7〜11月】 2026年9月末時点で、日本国内の企業・自治体が公表した不正アクセス等の被害...

  • AIセキュリティ対策の仕組みとは?攻撃を防ぐ10の方法とAI自体の守り方【2026年】

    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】

    結論:AIセキュリティ対策とは、AIの利用で生まれるリスクから会社を守ること。まず5つから始める AIセキュリティとは、AIに関わるサイバーリスクから組織を守る...

  • AI 情報漏洩とは何か——2つの経路と実態を整理する

    AIによる情報漏洩とは?生成AIで漏れる原因・事例と、2つの経路・企業の対策【2026年】

    結論:AIによる情報漏洩とは?経路は2種類ある AIによる情報漏洩とは、AIを使った結果、あるいはAIが関わった攻撃によって、個人情報や社内の機密情報が外部に出...

View more