イントロダクション — なぜ今、生成AIを使った個人化研修が必要か
2024〜2026年にかけて、攻撃者は生成AIと自動化を取り入れ、より説得力の高いフィッシング（メール、SMS、音声）のスケール化・個人化を進めています。企業の受信箱や社外サービスを狙うURLベースの脅威や、特定職種を狙ったスピアフィッシングが増加しており、従来型の一斉研修だけでは対応が難しくなっています。
このため、本記事では「職場で実施可能な個人化フィッシング研修カリキュラム」と「演習結果を自動で評価・フィードバックする仕組み」を、実務で使えるテンプレート、サンプルプロンプト、評価指標、運用上の注意点（法務・プライバシー含む）とともに示します。
カリキュラム設計：モジュール、学習目標、演習形式
研修は受講者の業務役割・リスクプロファイルに合わせてモジュール化します。下の表は標準的な中堅〜大企業向けの例です。
| モジュール | 狙い（学習目標） | 形式／所要時間 |
|---|---|---|
| 基礎：フィッシングの仕組み | フィッシングの典型手口と検知ポイントを理解する | 講義＋クイズ（45分） |
| 実践：メール／URLの鑑別 | メールヘッダ、リンク先、添付ファイルの危険信号を判定できる | ハンズオン演習（60分） |
| 個人化演習（AI生成） | 職務に即した精巧なフィッシングを体験し、報告行動を鍛える | シミュレーション連続実行（週次〜月次） |
| 音声／ビデオ（Vishing／Deepfake） | 音声合成や動画による詐称に注意する手順を体得 | 模擬通話・視聴（30–45分） |
| レポート・対応フロー | インシデント報告の手順と初動対応を実践する | テーブルトップ演習（60分） |
個人化演習では、従業員の役割・公開情報（職務、所属、公開プロフィール等）を元に、その人にとって“自然に見える”文脈でフィッシングメールを生成します。生成AIはスケールと多様性を持たせるのに有効で、学術的にもLLMを演習生成に使う研究が進んでいます。
サンプルプロンプト（日本語）
あなたは企業向けの模擬フィッシング作者です。対象者は『営業部・山田太郎』、業務は顧客対応でメール頻度が高い。自然に見えるが安全なリンク（社内トレーニングURL）へ誘導する短いメール文面を3案作成してください。件名は3パターン、表示名は顧客名を模したものにしてください。危険語は使わないでください。
（プロンプトは必ず安全設計を行い、リンクはトレーニング用のサンドボックスURLへ変換するなどして実運用リスクを下げます。）
自動評価と効果測定の設計
自動評価は単純な「クリック率」だけでなく、報告率、再発率、実業務インシデントの減少、行動変容（学習到達度）を組み合わせて評価する必要があります。代表的なKPIは以下の通りです。
- シミュレーション・クリック率（CTR） — 各役職・キャンペーン毎に計測
- 報告率 — 従業員が疑わしいメールをセキュリティチームへ報告した割合
- 再受講必要率 — 短期間で同様のミスを繰り返す割合
- 業務インシデント減少率 — 実際のフィッシング被害件数の推移
学術研究では、LLMが生成した攻撃メールは高い”説得力”を持ち得ることが示されており、自動化された評価と人の介入（human-in-the-loop）を組み合わせることが推奨されています。
自動スコアリングの例（簡易モデル）
| 項目 | 重み | スコア算出例 |
|---|---|---|
| クリック（誤） | 0.4 | クリック有り＝0点、無し＝1点 |
| 報告 | 0.3 | 報告有り＝1点、無し＝0点 |
| クイズ（理解度） | 0.2 | 正答率に比例 |
| 再発（6ヶ月） | 0.1 | 再発無し＝1点、再発有り＝0点 |
合計スコアにより従業員をリスクバケット（低／中／高）に分類し、高リスク者には追加コーチングを自動割当てします。AIによる“Just-In-Time”の短い学習（クリック直後に個別化された解説を自動送信）を組み合わせると学習効果が上がる事例が報告されています。産業界でもAIを使った個別化トレーニングの製品化が進んでいます。
プライバシーと法務上の注意点
- 個人情報（氏名、健康情報等）の扱いは最小限にする。演習生成では公開情報・業務情報の範囲のみに限定する。
- 労働法規・就業規則に照らし、演習の事前告知・同意（ポリシー内記載）を検討する。
- 実運用のリンクは必ずトレーニング用サンドボックスへリダイレクトし、誤操作による外部被害を防ぐ。