なぜOTセキュリティの「成功」は定義しづらいのか
「で、この数億円の投資で、我々の利益はいくら増えるのかね？」
役員会議室の重苦しい空気の中で、CFOから放たれたこの質問に、明確な回答を返せるセキュリティ担当者がどれだけいるでしょうか。製造業の現場において、新しい生産ラインへの投資なら「生産能力20%向上」「歩留まり改善による原価低減」といった明快なROI（投資対効果）を提示できます。しかし、セキュリティ対策、特にOT（制御システム）領域においては、この問いが最大の障壁となって立ちはだかります。
中学生時代からプログラミングに没頭し、35年以上にわたり業務システムやAIエージェントの開発現場に身を置いてきた知見から言えるのは、技術の優秀さだけでは経営陣を動かせないという冷徹な事実です。最新のAIモデルやAutoML（自動機械学習）を駆使した高度なシステムであっても、「ビジネスへの貢献度」を言語化できなければ、プロジェクトはPoC（概念実証）の段階で頓挫してしまいます。
「何も起きない」を成果とするパラドックス
セキュリティ対策の究極のゴールは「何も起きないこと」です。サイバー攻撃を受けず、ウイルス感染もなく、システムが平常通り稼働し続けること。これが理想です。しかし、ビジネスの文脈において「何もしなかった場合の損失」を証明することは、「悪魔の証明」に近い難易度を持ちます。
「昨年はインシデントがゼロだった。だから今年のセキュリティ予算は削減しても大丈夫だろう」
経営層がこう判断するのは、ある意味で合理的です。彼らは目に見える数字で判断するからです。ここに、セキュリティ担当者が陥るジレンマがあります。優秀な対策を行えば行うほど、インシデントは発生せず、その対策の価値が見えにくくなるのです。これは「セキュリティの成功パラドックス」とも呼べる現象であり、AIエージェントが自律的に脅威を監視する時代になっても、この本質的な課題は消えません。
ITセキュリティとOTセキュリティの決定的なKPIの違い
このパラドックスを解く鍵は、IT（情報技術）とOT（運用技術）の守るべきものの違いを理解することにあります。
情報セキュリティの3要素であるCIA（機密性・完全性・可用性）の優先順位において、ITシステムは通常「機密性（Confidentiality）」を最優先します。顧客データの流出や知的財産の盗難を防ぐことが主眼です。したがって、KPI（重要業績評価指標）も「ブロックした攻撃数」や「脆弱性パッチの適用率」などが重視されます。
一方、OTシステム、つまり工場の製造ラインやプラントの制御システムにおいて最優先されるのは「可用性（Availability）」です。ラインを止めないこと、安全に稼働し続けること。これが絶対的な正義です。
IT由来のセキュリティツールをそのままOTに持ち込むと、しばしば現場との摩擦を生みます。例えば、AutoMLを用いて構築された高精度な異常検知モデルであっても、OT環境においてそれが誤検知（False Positive）であった場合、不必要なライン停止を招き、甚大な機会損失を生み出します。「システムは動いてこそ価値がある」という大原則が、OT環境では極限まで求められるのです。
経営層が求めるのは「検知数」ではなく「事業継続性」
経営層、特に工場長や生産本部長にとって、「今月はマルウェアを1000件ブロックしました」という報告は、実はあまり響きません。「で、生産に影響はあったのか？」が彼らの関心事です。
AI行動分析をOTセキュリティに導入する際、語るべきストーリーは「攻撃をどう防ぐか」ではありません。「いかにして工場の稼働率（OEE: 設備総合効率）を守り、予期せぬダウンタイムによる損失を回避するか」という、純粋な経営課題へのソリューションとしての側面です。
次章からは、この「事業継続性」を担保するためのAI技術の役割と、それを証明するための具体的な数値指標について掘り下げていきます。
AI行動分析の価値を証明する3つの「事業直結型」KPI
従来のルールベース（シグネチャ型）の防御システムと、AIを用いた行動分析（アノマリ検知）の最大の違いは、「未知の脅威への対応力」と言われます。しかし、経営視点で見れば、AIの真価はそこではありません。AIの最大の価値は、「過剰な防御による業務阻害（誤検知）を最小化できること」にあります。
ここでは、経営層に提出するレポートに記載すべき、3つの「事業直結型」KPIを提案します。
1. 誤検知による「操業阻害時間」の最小化（False Positive Rate）
OT環境において最も恐れるべきは、サイバー攻撃そのものよりも、セキュリティシステムによる「誤検知」かもしれません。正当な制御コマンドを攻撃と誤認して通信を遮断してしまえば、ラインは停止します。
ルールベースの検知では、閾値の設定が非常に困難です。厳しくすれば誤検知が増え、緩めれば見逃し（False Negative）が増える。このトレードオフを解消するのがAIです。
AIは平常時の通信パターン、操作ログ、プロセス変数の相関関係を学習し、「正常な状態（ベースライン）」を定義します。そこからの逸脱のみを検知するため、ルールで縛るよりも遥かに柔軟かつ高精度に異常を特定できます。最新のAIパイプライン最適化技術を活用すれば、環境の変化に合わせてこのベースラインを自動的かつ高速に調整し続けることが可能です。
KPI設定例：
- 誤検知率（False Positive Rate）： 全アラート数に対する誤検知の割合。
- 誤検知による操業停止時間： 誤ったアラート対応によって発生したダウンタイム。
「AI導入により、誤検知による不要なライン停止リスクを95%削減できる」というロジックは、現場責任者にとって非常に強力な説得材料となります。
2. 予兆検知による「計画外停止回避額」（Cost of Downtime Avoided）
ランサムウェアによるシステムロックや、不正な操作による設備破壊は、突発的な「計画外停止」を引き起こします。AI行動分析は、攻撃の初期段階（偵察行為やラテラルムーブメント）における微細な振る舞いの変化を捉えることができます。
例えば、普段はアクセスしない時間帯にHMI（ヒューマンマシンインターフェース）からPLC（プログラマブルロジックコントローラ）への書き込み要求があった場合、AIは即座にアラートを発します。自律型AIエージェントの概念を応用すれば、被害を局所化するための初動対応までを即座にプロトタイピングし、管理者に提案することも視野に入ってきます。これにより、実被害が出る前に対処が可能になります。
この価値を数値化するには、「計画外停止」が発生した場合の損失額を試算しておく必要があります。
KPI設定例：
- 早期検知による回避損失額： （想定される最大ダウンタイム - 実際の対応時間） × 時間あたり損失額
3. 脅威対応の「工数削減効果」（MTTD/MTTRの金銭換算）
セキュリティオペレーションセンター（SOC）や工場のIT管理者のリソースは限られています。膨大なログを目視で確認し、脅威かどうかを判断する作業は限界を迎えています。
AIは、相関分析によって複数のアラートを一つのインシデントとして紐付け、根本原因の特定を支援します。ここにXAI（説明可能なAI）の技術を組み込むことで、AIの判断根拠がブラックボックス化せず現場に可視化され、検知までの平均時間（MTTD: Mean Time To Detect）と、対応・復旧までの平均時間（MTTR: Mean Time To Respond/Recover）を劇的に短縮できます。
これは単なる業務効率化ではありません。サイバー攻撃において、対応の遅れは被害の拡大（＝損失額の増大）に直結します。対応時間の短縮は、そのままリスク軽減価値として換算できます。
KPI設定例：
- インシデント対応コスト削減額： （従来の平均対応時間 - AI導入後の対応時間） × 人件費単価
【試算モデル】損失回避額（ROS: Return on Security）の算出ステップ
経営者としての視点から言えば、抽象的な「安心」をCFOが理解できる「金額」に変換できなければ、投資判断は下せません。これを実現するためのフレームワークが「ROS（Return on Security）」モデルとして知られるアプローチです。以下のステップに従って、自社の数値を当てはめてみてください。
ステップ1：自社工場の「分単価」を算出する
まず、工場が1分間停止したらいくらの損失になるかを定義します。これには以下の要素が含まれます。
- 逸失利益： 生産できなかった製品の粗利
- 固定費の無駄： 稼働していなくてもかかる人件費、光熱費、減価償却費
- 復旧コスト： 再稼働のためのエネルギー、廃棄ロス（仕掛品の廃棄など）、残業代
- 賠償リスク： 納期遅延によるペナルティ
計算式（簡易版）：
分単価 = (年間売上高 ÷ 年間稼働分数) × 利益率係数 + (年間固定費 ÷ 年間稼働分数)
例えば、自動車部品工場でライン停止1分あたり50万円の損失が出ると仮定します。
ステップ2：リスクシナリオごとの想定被害額を設定
次に、サイバー攻撃を受けた場合のシナリオと、その発生確率（ALE: Annualized Loss Expectancy の考え方）を設定します。
シナリオA：ランサムウェアによる全ライン停止（高インパクト・低頻度）
- 想定停止時間：48時間（2,880分）
- 想定被害額：2,880分 × 50万円 = 14.4億円
- 年間発生確率：5%（業界動向や過去の統計から推計）
- 年間予想損失（ALE）：14.4億円 × 0.05 = 7,200万円
シナリオB：マルウェアによる部分的な制御不全（中インパクト・中頻度）
- 想定停止時間：4時間（240分）
- 想定被害額：240分 × 50万円 = 1.2億円
- 年間発生確率：20%
- 年間予想損失（ALE）：1.2億円 × 0.2 = 2,400万円
この工場のサイバーリスクによる年間予想損失額の合計は、約9,600万円となります。
ステップ3：AI導入による被害低減率（軽減係数）の適用
ここでAIソリューションの導入効果を適用します。AI導入によって、リスクをどれだけ低減できるかを見積もります。
- 検知・遮断による発生確率の低減： 攻撃の成功率を下げる（例：50%削減）
- 早期復旧による被害額の低減： MTTR短縮による影響緩和（例：被害額を30%に圧縮）
仮に、AI導入によってシナリオA、Bのリスクを総合的に70%軽減できるとします。
- リスク軽減額（ベネフィット）： 9,600万円 × 70% = 6,720万円/年
もし、AIソリューションの導入・運用コストが年間2,000万円であれば、
- 投資対効果（ROI）： (6,720万円 - 2,000万円) ÷ 2,000万円 = 236%
このように算出することで、「2,000万円のコスト」ではなく「4,720万円の利益を生む投資」として説明が可能になります。
導入フェーズ別：追跡すべき成功指標の推移
AIプロジェクトは生き物です。「まず動くものを作る」というプロトタイプ思考でアジャイルに導入を進める場合でも、導入直後と1年後では見るべき指標が異なります。フェーズに合わせてKPIを変化させていくことが、長期的な運用の鍵です。
導入初期（学習期）：ベースライン作成完了率とモデル精度
導入直後の1〜3ヶ月は、AIが工場の「正常」を学習する期間です。この時期に検知数をKPIにすると失敗します。まだ賢くなっていないAIは誤検知を連発する可能性があるからです。
- 注力KPI：
- 学習完了デバイス率： ネットワーク内の全資産のうち、AIがベースライン学習を完了した割合。
- 資産可視化率： 以前は管理されていなかった「野良デバイス」や古いPLCがどれだけ可視化されたか。
このフェーズの成果は「見えなかったものが見えるようになったこと」です。
運用定着期：アラート対応時間とインシデント未然防止数
学習が安定し、本格運用が始まるフェーズ（4ヶ月目〜）です。ここでは実利を追求します。
- 注力KPI：
- MTTD / MTTR： 前述の通り、検知と対応のスピード。
- 高重要度アラートの割合： AIのチューニングが進み、ノイズ（無視して良いアラート）が減り、本当に危険なアラートの比率が高まっているか。
成熟期：コンプライアンス準拠コストの削減推移
1年以上経過し、システムが空気のように馴染んできたフェーズです。ここでは、外部要因への対応力が評価軸になります。
- 注力KPI：
- 監査対応工数： IEC 62443やNIS2指令などの規制対応において、AIによる自動レポート機能などでどれだけ工数が削減できたか。
- セキュリティ運用コスト対資産比： 守るべき資産が増えても、運用コスト（人件費など）が比例して増えていないか（スケーラビリティの証明）。
失敗しないためのKPI設定：現場が陥る「測定の落とし穴」
最後に、実務の現場で陥りがちな「失敗するKPI設定」について警鐘を鳴らしておきます。35年以上のシステム開発の歴史を振り返っても、良かれと思って設定した目標が、逆に現場の首を絞め、セキュリティレベルを下げる結果になるケースが後を絶ちません。
「検知数ゼロ」を目標にしてはいけない理由
「今月は検知数ゼロを目指そう！」というスローガンは危険です。これを目標にすると、現場は何をするでしょうか？ 感度を下げたり、アラートを握りつぶしたりするバイアスが働きます。
サイバー攻撃は相手があることです。こちらがコントロールできない外部要因をKPIにするのはナンセンスです。評価すべきは「検知数」ではなく、「検知から対応までのプロセス品質」です。
アラート無視率（Alert Fatigue）のモニタリング
AI導入の初期によくあるのが、アラートが出すぎて現場が疲弊し、「またAIが騒いでいるよ」と無視するようになる現象です（オオカミ少年効果）。これを防ぐために、「アラート無視率」あるいは「未対応アラート率」をモニタリングしてください。
もしこの数値が上がっているなら、AIモデルの再学習やチューニングが必要です。現場が無視し始めたセキュリティシステムは、存在しないのと同じです。
現場オペレーターへのフィードバックループの欠如
セキュリティ部門だけでKPIを回してはいけません。現場のオペレーターにもメリットが必要です。AIエージェントの開発においてもユーザーとの双方向のコミュニケーションが不可欠であるように、「AIのおかげで、トラブルシューティングの時間が短くなった」「ネットワークの不調原因が早くわかった」といった、現場目線の成功体験（Quick Win）を共有し、彼らを味方につけることが、OTセキュリティ成功の隠れた必須条件です。
OTセキュリティへのAI導入は、単なる防御壁の構築ではありません。それは、製造現場の「安定稼働」という資産価値を最大化するための経営戦略です。今回ご紹介したROIモデルとKPIを活用し、セキュリティ投資を「コスト」から「競争力」へと転換させてください。
コメント