2026年10月9日付のSupplyChainBrainの論評で、Foley & Lardnerの弁護士は、サプライチェーン企業がサイバーセキュリティリスクを管理するため、ベンダーにAI部品表（AIシステムの構成要素一覧）とモデル来歴記録の提出を求めるべきだと主張しました。著者のチャンリー・ハウエル、ヴァネッサ・ミラー、レイトン・アレン、R.J.マクベイは、構成要素ごとの記録が脆弱性の特定や障害原因の追跡、ベンダーの責任確認に役立つと述べています。

AI部品表には、モデルとバージョン、学習・微調整用データセットとその由来、ソフトウェアやインフラの依存関係、API、外部サービス、更新方法、安全性に関わる設定など、AIシステムに影響する構成要素を記載します。モデル来歴記録には、モデルの入手元、学習・変更を行った主体、検証やセキュリティ試験の内容、変更の追跡方法を記録します。2026年には、米サイバーセキュリティ・インフラ安全保障庁（CISA）とG7のパートナーが、サプライチェーンの透明性原則をAIに適用する指針を出し、従来のセキュリティ質問票ではAI特有のサイバーリスクを把握できないと指摘しました。

サプライチェーンで使われるAIシステムは、ベンダー製アプリ、事前学習済み基盤モデル、オープンソースの機械学習ライブラリ、クラウド上の推論サービス、顧客の業務データ、ベンダーによる再学習サイクルを組み合わせる場合があります。脆弱なコード、安全でない連携、不明確なデータの流れ、下請け業者が管理する依存関係からリスクが生じる可能性があります。一般的なベンダー向けセキュリティ質問票では、製品に組み込まれたオープンソースモデル、学習時の画像ラベル付けサービス、稼働中の推論に使うAPI、モデルの重みを保管するクラウド事業者を特定できない場合があります。

著者らによると、来歴記録は、物流ルート最適化、予知保全、需要予測のシステムに障害が起きた際、学習データの破損、モデルファイルの侵害、無許可のバージョン変更、通常のモデルドリフトのどれが原因かを調べる助けになります。米国国立標準技術研究所（NIST）の敵対的機械学習の分類では、学習中のデータやモデルパラメーター、コードへの攻撃に加え、導入後のモデルを狙う回避、データ抽出、操作などを挙げています。その他のリスクとして、微調整工程を通じたモデルポイズニング、安全でないモデルのシリアライズ形式、後続の連携先を狙うプロンプトインジェクションも示しました。

論評は6つの調達手順を提示しています。ベンダーに詳細なAI部品表を提出させ、モデルの起源、学習・微調整履歴、データ源、検証、セキュリティ試験、既知の制約を記した来歴文書を求めるほか、モデルやデータセット、構成要素、更新工程が変わる際の情報更新と事前通知を義務づけるよう提案しました。さらに、開示内容の完全性と正確性に関する契約上の保証、侵害された構成要素や脆弱性の速やかな通知、監査権、インシデント後の協力も勧めています。

透明性の義務は、下請け業者、クラウド事業者、データラベル付けサービス、基盤モデル提供者、オープンソースの構成要素にも及ぶべきだと著者らは述べています。組織はAI部品表と来歴資料を、ITおよび運用技術のリスク評価、ベンダー管理、インシデント対応計画、脆弱性管理、ISO/IEC 42001に沿ったものを含むAIガバナンスに組み込むよう提案しました。文書には正確性、更新頻度、保存期間、独立検証の要件も必要だとしています。成熟したソフトウェア部品表の形式としてSoftware Package Data Exchange（SPDX）とCycloneDXがある一方、AI部品表の標準はなお発展途上です。知的財産上の懸念から詳細を開示できないベンダーには、機密保持を強化した上で、エスクロー、第三者審査、段階的な開示を選択肢として挙げました。

著者らは、CISA、NIST、ISO/IEC 42001、EU AI法、各国の規制当局が、AIサプライチェーンの透明性向上に向かっていると指摘しました。ベンダーとの取引にAI部品表と来歴の提出要件を設ければ、脅威の検知、ベンダー評価、インシデント証拠の保全、システム障害時の責任分担に役立つと主張しています。標準が十分に整う前、または情報漏えいなどの侵害が起きる前に要件を定めるよう促し、これらの記録によって不透明なAIシステムを監査・管理できると述べました。

2026年10月9日付のSupplyChainBrainの論評で、Foley & Lardnerの弁護士は、サプライチェーン企業がサイバーセキュリティリスクを管理するため、ベンダーにAI部品表（AIシステムの構成要素一覧）とモデル来歴記録の提出を求めるべきだと主張しました。著者のチャンリー・ハウエル、ヴァネッサ・ミラー、レイトン・アレン、R.J.マクベイは、構成要素ごとの記録が脆弱性の特定や障害原因の追跡、ベンダーの責任確認に役立つと述べています。

AI部品表には、モデルとバージョン、学習・微調整用データセットとその由来、ソフトウェアやインフラの依存関係、API、外部サービス、更新方法、安全性に関わる設定など、AIシステムに影響する構成要素を記載します。モデル来歴記録には、モデルの入手元、学習・変更を行った主体、検証やセキュリティ試験の内容、変更の追跡方法を記録します。2026年には、米サイバーセキュリティ・インフラ安全保障庁（CISA）とG7のパートナーが、サプライチェーンの透明性原則をAIに適用する指針を出し、従来のセキュリティ質問票ではAI特有のサイバーリスクを把握できないと指摘しました。

サプライチェーンで使われるAIシステムは、ベンダー製アプリ、事前学習済み基盤モデル、オープンソースの機械学習ライブラリ、クラウド上の推論サービス、顧客の業務データ、ベンダーによる再学習サイクルを組み合わせる場合があります。脆弱なコード、安全でない連携、不明確なデータの流れ、下請け業者が管理する依存関係からリスクが生じる可能性があります。一般的なベンダー向けセキュリティ質問票では、製品に組み込まれたオープンソースモデル、学習時の画像ラベル付けサービス、稼働中の推論に使うAPI、モデルの重みを保管するクラウド事業者を特定できない場合があります。

著者らによると、来歴記録は、物流ルート最適化、予知保全、需要予測のシステムに障害が起きた際、学習データの破損、モデルファイルの侵害、無許可のバージョン変更、通常のモデルドリフトのどれが原因かを調べる助けになります。米国国立標準技術研究所（NIST）の敵対的機械学習の分類では、学習中のデータやモデルパラメーター、コードへの攻撃に加え、導入後のモデルを狙う回避、データ抽出、操作などを挙げています。その他のリスクとして、微調整工程を通じたモデルポイズニング、安全でないモデルのシリアライズ形式、後続の連携先を狙うプロンプトインジェクションも示しました。

論評は6つの調達手順を提示しています。ベンダーに詳細なAI部品表を提出させ、モデルの起源、学習・微調整履歴、データ源、検証、セキュリティ試験、既知の制約を記した来歴文書を求めるほか、モデルやデータセット、構成要素、更新工程が変わる際の情報更新と事前通知を義務づけるよう提案しました。さらに、開示内容の完全性と正確性に関する契約上の保証、侵害された構成要素や脆弱性の速やかな通知、監査権、インシデント後の協力も勧めています。

透明性の義務は、下請け業者、クラウド事業者、データラベル付けサービス、基盤モデル提供者、オープンソースの構成要素にも及ぶべきだと著者らは述べています。組織はAI部品表と来歴資料を、ITおよび運用技術のリスク評価、ベンダー管理、インシデント対応計画、脆弱性管理、ISO/IEC 42001に沿ったものを含むAIガバナンスに組み込むよう提案しました。文書には正確性、更新頻度、保存期間、独立検証の要件も必要だとしています。成熟したソフトウェア部品表の形式としてSoftware Package Data Exchange（SPDX）とCycloneDXがある一方、AI部品表の標準はなお発展途上です。知的財産上の懸念から詳細を開示できないベンダーには、機密保持を強化した上で、エスクロー、第三者審査、段階的な開示を選択肢として挙げました。

著者らは、CISA、NIST、ISO/IEC 42001、EU AI法、各国の規制当局が、AIサプライチェーンの透明性向上に向かっていると指摘しました。ベンダーとの取引にAI部品表と来歴の提出要件を設ければ、脅威の検知、ベンダー評価、インシデント証拠の保全、システム障害時の責任分担に役立つと主張しています。標準が十分に整う前、または情報漏えいなどの侵害が起きる前に要件を定めるよう促し、これらの記録によって不透明なAIシステムを監査・管理できると述べました。