2026年7月10日に成立した改正の核心は、AI開発・統計作成なら本人同意なしに個人データを使える特例。ただし、これは生成AIの学習を自由化する話とは限らない。何に効いて何に効かないのか、なぜ生データが要るのか、加工情報の分類、そして各国スタンスの違いまで、用語をその都度おさえながら立体的に整理する。
3年ごと見直しに基づく大規模改正。4つの柱のうち、AX（AI変革）に最も効くのが同意規制の緩和だ。
核心は、統計作成等（AI開発を含む）に限って、本人同意なしに個人データを使える特例だ。まずこの「個人情報」と、緩和の対象になる2つの言葉を押さえておきたい。
生存する個人に関する情報で、氏名や生年月日・住所等の記述、または個人識別符号によって特定の個人を識別できるもの。利用や提供には原則として本人同意が必要になる。
個人データを本人以外の第三者に渡すこと。原則は本人同意が必要。届出を前提に同意なしで渡す「オプトアウト提供」の例外があるが、後述の要配慮個人情報はその対象外。
人種・信条・社会的身分・病歴・犯罪歴・犯罪被害など、不当な差別や偏見が生じないよう取扱いに特に配慮を要する情報。取得と第三者提供に原則同意が必要で、今回の特例が「同意なし取得」を認めて議論を呼んだのがこの類型。なお氏名・住所はこれには当たらない。
統計作成等（AI開発を含む）に限れば、本人同意なしに個人データの第三者提供や、公開された要配慮個人情報の取得が可能に。利用目的による制限・第三者提供の同意原則を緩和する。
不適正利用・不正取得・違法な第三者提供・統計特例違反のうち、大規模（本人1,000人が基準）で悪質な違反に、違反で得た財産上の利益相当額を課す。個情法で初の金銭制裁。
顔特徴データ等について、取扱いに関する一定の事項の周知を義務化。利用停止等請求の要件を緩和し、届出による同意なしの第三者提供（オプトアウト提供）を禁止する。
16歳未満の個人情報は原則、法定代理人の同意を要するなど、未成年に対する保護を上乗せする。事業者には「こどもの最善の利益」を考慮する責務も明文化された。
データベース不正提供罪に加害目的類型を追加し、詐欺・不正アクセスによる不正取得罪を新設。権利利益の侵害が切迫する場面では、勧告を経ない緊急命令も可能になる。
委託範囲外のデータ取扱いの禁止を明文化、漏えい通知は支障がない場合の代替措置を許容。医療機関の学術研究例外への位置づけも明確化された。
特例の背骨は、条文の定義にある一本の縛り——成果物が「個人に関する情報」であってはならない。この一線で、何に効いて何に効かないかがきれいに分かれる。
傾向・集計・汎用モデルを作る用途。出力が特定の個人にならないので、特例に素直に乗る。今回の緩和が本当に効く中心はここ。
生成モデルは学習データを断片的に吐き出す（regurgitation）ため、「個人が出ない」と言い切りにくい。どこまで含むかは委員会規則・ガイドライン待ちで、まだ未確定。
統計的な手法を使っていても、成果物が個人に関する情報ならこの特例の外。統計の名を借りたプロファイリングは通らない。
同意の壁やデータの分断で止まっていた"個人を出力しない"モデルが、具体的にこう作りやすくなる（個人スコアや属性推定のような個人単位の出力は、統計手法でも対象外）。
匿名加工情報という既存ルートがあるのに、なぜ特例が要るのか。加工は安全と引き換えに、AI学習にとって致命的な3つの劣化を起こす。
AIは細かい相関から学ぶ。属性をバケツに丸めると、本来学ばせたいパターンそのものが消える。
匿名加工は「同一人物と分からなくする」処理。同じ人の時系列（診断→手術→転帰）を意図的にバラすため、longitudinalな構造が失われる。
特異値・希少疾患の除去は、モデルに最も学ばせたいエッジケースの削除でもある。非構造テキストでは文脈から特定できるため「名前だけ置換」はほぼ機能しない。
AIが本当に欲しいのは「名前」そのものではなく、加工で失われる粒度・紐付け・レアケースだ。名前の文字列はむしろ無情報なことも多い。だから「加工すると有用性が落ちる」までは共有された感覚だが、「実名・住所という記述が絶対必要」かは用途次第。ここを混同すると議論がずれる。
この議論の前提になるのが、加工情報の分類だ。「個人情報 ⊃ 個人データ ⊃ 保有個人データ」という入れ子と合わせて押さえる。
「個人データ」は、個人情報をデータベース化したもの。第三者提供規制などの対象になる。さらに事業者が開示・訂正・削除の権限を持つものが「保有個人データ」で、本人の開示請求権等が及ぶ。個人情報 ⊃ 個人データ ⊃ 保有個人データ という入れ子の関係にある。
特定の個人を識別できる情報（氏名・住所等を含む）。利用・第三者提供に原則同意が必要。今回の特例が「生データのまま」使えるようにしたのがこの類型。
他の情報と照合しない限り個人を特定できないよう加工。氏名等は削るが、特異値や希少疾患名の削除は不要。対応表が残りうるため復元の余地があり、原則として第三者提供は禁止（主に社内利用向け）。
特定の個人を識別できず、かつ復元もできないように加工。特異値・希少値の削除まで求められる厳しい基準。その代わり本人同意なしで第三者提供が可能。
Cookieや閲覧履歴など、単体では個人を特定しないが個人に関連する情報。提供先で個人データになることが想定される場合に、同意取得の確認が必要になる。改正では連絡可能なものへの不正利用・不正取得禁止も加わった。
統計作成等特例の担保はオプトアウトではなく、公表・書面合意・目的外利用の禁止による。執行の主体、改正の実務ルールは、今後このPPCの政令・ガイドラインで具体化される。
個人情報保護法を所管する独立監督機関。ガイドラインの策定、事業者への監督・指導、そして今回新設された課徴金など、執行の主体。改正の実務ルールは、今後このPPCの政令・ガイドラインで具体化される。
使途は統計作成等に限定し、個人が特定される結果は出さないことが前提。提供先も民間の個人情報取扱事業者か行政機関等に限られる。
提供元・提供先の両社が、社名と実施する統計作成等の内容を、ウェブ等の見やすい場所で事前に公表する義務を負う。
「統計情報等の作成」のみを目的とする提供である旨を、提供元・提供先間で書面により合意することが必須。受け取り側の目的外流用は直接の法令違反となる。
取得者・提供先は統計作成等以外の目的外利用と第三者提供が禁止。これに反した「統計特例違反」は課徴金の対象になる（大規模・悪質な違反が対象）。
同じ「AI学習にどう個人データを使わせるか」でも、根っこの発想が国ごとに違う。日本の特例は、この地図のどこに置かれるのか。
原則は本人同意ベース。今回の改正で、統計作成等に限り、公表・書面合意・目的限定を条件に、実名を含む生データを同意なしで使える特例を新設（違反は課徴金）。監督は個人情報保護委員会。規制の重さは欧州と米国の中間に位置づく。
GDPR（EU一般データ保護規則）の下、処理には同意等の「適法根拠」が必須。EDPBは2024年12月、AI学習に「正当な利益」を根拠にできると認めたが、3ステップ審査で厳格に絞る。2026年のガイドラインは公開データのスクレイピングにもGDPRを適用し、事前のデータ最小化と厳格な匿名化を要求する。
連邦の包括的プライバシー法は不在。HIPAA（医療）等の分野別法＋州法の寄せ集めで、2026年時点で20を超える州が包括法を制定。多くはオプトアウト型（拒否権）で、既定ではAI学習に使いやすい。最先はカリフォルニア（CCPA/CPRA、専門機関CPPA、自動意思決定ADMT規則が2026年1月施行）。
個人情報保護法（PIPL）は同意原則で例外が狭く、越境移転には安全評価等の厳しい統制がかかる。一方で生成AIサービス管理暫定弁法などにより、国家がAI開発を政策的に主導。企業への規律は重いが、公共・国家目的のデータ利活用は進みやすいという非対称が特徴だ。
「解禁」と「懸念」はセットで語られてはじめて正確になる。今の時点で残っている論点を書き出しておく。
「個人情報保護法が改正されて、生成AIの学習データが自由になった」——この一行の要約が、いちばん危ない。今回の特例が素直に効くのは、需要予測や異常検知のような"個人を出力しない"統計・機械学習だ。LLMの事前学習に生データを流す話は「成果物が個人であってはならない」要件と吐き出し問題に正面からぶつかる。AIと一括りにした瞬間、議論はほぼ必ず混線する。
条文も報道も「AI開発」とひとくくりにするため、「ChatGPTのような生成AIに自分の情報が学習されてしまうのでは」という誤解が広がりやすい。実際に効く中心は"個人を出力しない"統計・機械学習であり、LLMの事前学習は未確定——この線引きを制度側も発信側も明示しないと、不信だけが独り歩きしてしまう。用語の解像度を上げることが、そのまま信頼の設計になる。
特例の担保は事前公表と書面合意であり、本人への個別通知や氏名の匿名化義務はない。病歴・犯罪歴を含む要配慮個人情報まで対象になり得るだけに、本人が提供の事実を現実に認知できる導線をどう作るかは、施行までに残された宿題だ。国会でも反対会派や医療関係者から強い懸念が示され、衆院通過時には付帯決議が付いた。
「権利利益を害するおそれが少ない行為」の範囲、公表事項の粒度、LLM学習の扱い——特例の使い勝手を決める要素はほぼすべてPPCの政令・委員会規則・ガイドラインに委ねられている。2028年頃の全面施行に向けて、パブリックコメントを含む規則整備の定点観測が、実務側の必須動作になる。
特例は「使える会社」と「使えない会社」をくっきり分ける。分水嶺は、データの棚卸しと契約の整理を先に済ませているかどうかだ。