契約書100通のCOCチェックをAIと協働で。法務DDの現場を変えるプロンプト設計術

導入

「この契約書、COC条項は入っていないと報告がありましたが、実は第34条に『経営権の移動』という表現で含まれていました」

M&Aのクロージング直前、あるいは統合後にこのような事実が発覚した場合、相手方から契約解除を通知され、ディール全体の価値が大きく毀損されるリスクがあります。法務担当者にとって、これほど避けたいシナリオはないでしょう。

法務デューデリジェンス（DD）の現場では、限られた時間の中で数百、時には数千の契約書をレビューする必要があります。その中でも「チェンジ・オブ・コントロール（COC）条項」の抽出は、極めて重要かつ神経を使う作業です。

多くの現場では、いまだに「Ctrl+F」によるキーワード検索に頼っているのが実情ではないでしょうか。「支配権」「変更」「株主」など、いくつものキーワードを打ち込んでは目視確認を繰り返す手法です。しかし、契約書の表現は千差万別であり、キーワードの網をすり抜ける条項は確実に存在します。

実証的な観点から見ても、キーワード検索だけでCOC条項を完璧に抽出することは、現代の複雑な契約実務において限界を迎えています。

そこで有効なのが、LLM（大規模言語モデル）を「優秀な法務アシスタント」として活用するアプローチです。プログラミングの深い知識は不要であり、必要なのはAIに的確な指示を出す「言葉（プロンプト）」だけです。

本記事では、AIシステム最適化の視点から、法務実務に特化した「COC条項抽出プロンプト」を3つのテンプレートとして解説します。これらを活用することで、検出漏れのリスクを論理的に低減しつつ、単純作業の時間を大幅に削減する効率的な解決策が見えてくるはずです。

本テンプレート集の活用と法務DDにおけるLLMの役割

まず、なぜ今、法務DDにLLMが必要なのか、その技術的な背景と役割分担について整理しておきましょう。

なぜCOC条項の抽出にLLMが適しているのか

従来のキーワード検索は「文字列の一致」を探す技術です。そのため、「支配権の変更（Change of Control）」と明記されていれば見つかりますが、「主要株主の異動」や「経営主体の実質的な変更」といった、意味は同じでも表現が異なる条項を見つけることが苦手です。

一方で、自然言語処理技術をベースとするLLM（ChatGPTやClaudeなど）は「文脈と意味」を理解します。ここが決定的違いです。

• キーワード検索: 「りんご」を探すよう指示された場合、「アップル」は見つけられない。
• LLM: 「りんご」を探すよう指示された場合、「アップル」「赤い果実」「青森の名産」も文脈から判断して抽出できる。

特に最新の生成AIモデルでは、単なる文章生成だけでなく、論理的な推論プロセス（Reasoning/Thinking）が強化されています。これにより、契約書における「COC条項」のような表現の揺らぎが激しい領域でも、条項の意図を正確に汲み取って高精度に抽出することが可能になっています。

本記事のゴール：検出漏れゼロと工数削減の両立

本記事で紹介する手法のゴールは、AIに全ての判断を委ねることではありません。それは実務上、リスクが伴います。
目指すべきは、「AIによる高感度な一次スクリーニング」と「人間による最終判断」を組み合わせたハイブリッドな体制です。

AIには「少しでも該当する可能性のあるものは全て抽出する（False Negativeの排除）」という指示を与え、人間は抽出されたリストの確認に集中します。これにより、全件を目視する非効率な作業から解放され、かつ見落としリスクを最小化できます。

前提となる利用環境とセキュリティ上の注意

具体的なプロンプトの解説に入る前に、システム導入において重要な前提条件を2点共有します。「セキュリティ」と「モデル選定」です。

1. セキュリティ（データプライバシー）

法務DDで扱う契約書は機密情報の塊です。一般向けの無料版チャットツールなど、入力データがAIの学習に利用される設定のまま機密契約書を入力することは避けるべきです。

• 推奨環境: クラウドコンピューティング環境（Azure OpenAI等）のエンタープライズ版、またはAPI経由での利用（学習データに利用されない設定を明示的に行う）
• 代替策: 汎用ツールを使用せざるを得ない場合は、オプトアウト設定を確認の上、企業名や金額などの固有名詞を「[甲]」「[乙]」「[金額]」のようにマスキング処理してから入力してください。

2. タスクに応じた適切なモデル選定

現在、AIモデルは用途に合わせて細分化されています。法務DDのような高精度が求められるタスクには、以下の基準でモデルを選定することが効率的です。

• 推論強化モデル（Thinking系）: 複雑な条項の解釈や、論理的な整合性のチェックに適しています。処理時間はかかりますが、深い思考プロセスを経て回答するため、精度の向上が期待できます。
• ロングコンテキスト対応モデル: 数十ページに及ぶ契約書を一度に読み込ませる場合に必須です。長文脈の維持に優れた最新のTransformerモデルなどが推奨されます。

※本記事のテンプレートは、業務支援ツールの作成ガイドです。最終的な法的判断は必ず弁護士等の専門家が行ってください。

プロンプト設計の基本：法的思考をAIに伝える構造化技術

AIに対して単に「この契約書からCOC条項を探して」と指示しても、期待する結果は得られません。AIは強力なツールですが、明確な指示を与えなければ適切に機能しないからです。
ここでは、生成AIモデル開発の現場で用いられるプロンプトエンジニアリングの基本形、「R-C-T-Oフレームワーク」を法務向けにアレンジして解説します。

法務特化型プロンプトの「R-C-T-O」フレームワーク

精度の高いプロンプトには、必ず以下の4要素が含まれています。

1. Role（役割）: AIにどのような専門家として振る舞ってほしいか。
   • 例：「あなたはM&A実務に精通したベテラン弁護士です」
2. Context（背景）: 何の目的でその作業を行うのか。
   • 例：「買収側の法務DDにおいて、買収後に契約が解除されるリスクを調査しています」
3. Task（タスク）: 具体的にどのような処理を実行すべきか。
   • 例：「契約書テキストからCOC条項を抽出し、そのトリガー条件を特定してください」
4. Output（出力）: どのようなデータ形式で結果を出力するか。
   • 例：「JSON形式で出力してください」

COC条項特有の曖昧さを排除する定義付け

AIシステムを最適化する上で最も重要なのが、言葉の定義です。AIにとって「COC条項」という単語だけでは解釈が曖昧になります。
プロンプト内で以下のように定義を明文化して与えることで、抽出精度が格段に向上します。

「本タスクにおけるCOC条項とは、当事者の株主構成、支配権、または経営体制の変更を理由として、契約の解除、期限の利益喪失、または相手方への通知・承諾義務を発生させる条項を指します。」

出力形式をJSON/表形式に固定する理由

AIとの対話においては自然言語が適していますが、業務システムに組み込む場合は構造化データでの出力が必須です。
後述するテンプレートではJSON形式やMarkdownの表形式を指定しています。これは、AIの出力をそのままExcelやスプレッドシートに連携し、管理台帳を効率的に作成するためです。「〜だと思われます」といった自然言語の推測は、DDの実務においてはノイズとなる可能性があります。

テンプレート①【スクリーニング用】：COC条項の有無を高速判定

それでは、実際のプロンプト構成を見ていきましょう。まずは第一段階として、大量の契約書の中から「COC条項が含まれる可能性のある契約書」を抽出するためのスクリーニングです。

用途：大量の契約書からの一次選別

ここでは「見落とし（False Negative）」を確実に防ぐため、「判断に迷う場合は『あり』と判定する」という条件を設定します。

プロンプトテンプレート

以下のテキストをコピーし、[契約書テキスト]の部分に対象の契約書全文を配置して実行してください。

# Role
あなたはM&A法務デューデリジェンスの専門家です。クライアントのリスク管理のために、厳格な契約書レビューを行っています。

# Context
現在、対象企業の株式取得（M&A）を検討しています。買収実行時に問題となる「チェンジ・オブ・コントロール（COC）条項」の有無を確認する必要があります。

# Definition
COC条項とは、以下のいずれかのイベントをトリガーとして法的効果（解除、通知義務、承諾義務など）が発生する条項を指します。
- 支配権の変更（Change of Control）
- 主要株主の変更、株式の譲渡
- 合併、会社分割などの組織再編
- 経営権の実質的な移動
※条項名が「解除条項」「雑則」「通知義務」であっても、内容が上記に該当すればCOC条項とみなします。

# Task
以下の[契約書テキスト]を読み、COC条項が含まれているか判定してください。
判断に迷う場合や、間接的にでも該当する可能性がある場合は、安全側に倒して「あり」と判定してください。

# Output Format
以下のJSON形式のみを出力してください。余計な説明は不要です。
{
  "has_coc": true / false,
  "confidence_level": "High" / "Medium" / "Low",
  "reason": "判定理由を50文字以内で簡潔に"
}

# 契約書テキスト
[ここに契約書の全文テキストを貼り付け]

カスタマイズのポイント：条項名のバリエーション対応

Definitionセクションが精度を左右します。対象業界特有の表現（例：IT業界における「資本拘束」、建設業界における「経営主体の変更」など）が存在する場合は、リストに明記することでより正確な抽出が可能になります。

出力例と検証方法

{
  "has_coc": true,
  "confidence_level": "High",
  "reason": "第24条に『株主構成に変動があった場合、甲は直ちに契約を解除できる』との記述あり"
}

このようにデータが構造化されていれば、プログラムによる自動処理や、スプレッドシートでの一覧化が非常にスムーズに行えます。

テンプレート②【詳細抽出用】：条項の具体的内容とトリガーの特定

「あり」と判定された契約書に対しては、次に「具体的にどのような条件が記載されているか」を詳細に分析します。

用途：該当箇所の抜粋と要約

生成AIは事実と異なる内容を出力する（ハルシネーション）リスクがあります。これを防ぐ論理的な手法は、「原文の抜粋（Quote）」を必須条件とすることです。単なる要約ではなく、根拠となるテキストを明示させます。

プロンプトテンプレート

# Role
あなたは契約書リスク分析のスペシャリストです。

# Task
以下の[契約書テキスト]からCOC条項に該当する部分を特定し、その詳細を抽出してください。

# Instructions
1. 該当する条数と条項名を特定すること。
2. 該当する条文の「原文」を改変せずに抜粋すること。
3. 何がトリガー（発動条件）となるか、以下のリストから該当するものを全て選択すること。
   - [合併, 株式譲渡, 資産譲渡, 役員変更, 支配権変更, その他]

# Output Format
以下のMarkdown表形式で出力してください。
| 条数 | 条項名 | トリガー条件 | 原文抜粋 | 要約 |
|---|---|---|---|---|
| 第X条 | XX条項 | [トリガー] | [原文] | [要約] |

# 契約書テキスト
[ここに契約書の全文テキストを貼り付け]

カスタマイズのポイント：トリガー条件の分類

「トリガー条件」をあらかじめリスト化して選択させることで、後続のデータ集計が容易になります。「その他」に分類されるケースが多い場合は、仮説検証を繰り返し、リストの項目をより具体的にアップデートしていくことが重要です。

テンプレート③【リスク判定用】：法的効果と対応要否の分類

このステップが実務において最も価値を生み出します。単に「COC条項が存在する」という事実だけでなく、「どのようなアクションが必要か」という具体的な対応策を導き出します。

用途：通知義務か承諾義務かのリスクレベル判定

M&A実務において、COC条項がもたらす法的効果は大きく4つのレベルに分類されます。

1. 事後通知: ディール後に変更の事実を通知すればよい（リスク低）。
2. 事前通知: ディール前に変更の予定を通知する必要がある（リスク中）。
3. 事前承諾: 相手方の承諾を得なければディールを進められない（リスク高）。
4. 即時解除: 変更が生じた時点で契約が解除される（リスク極大）。

この分類基準をAIに適用させます。

プロンプトテンプレート

# Role
あなたはM&Aアドバイザリーの法務担当です。

# Task
抽出されたCOC条項に基づき、M&A実行（支配権の移動）に際して我々が取るべきアクションとリスクレベルを判定してください。

# Classification Rules
以下の基準でリスクレベルを分類してください。
- Level 1: 通知義務なし、または事後通知のみ
- Level 2: 事前通知が必要（解除権なし）
- Level 3: 事前の書面承諾が必要
- Level 4: 相手方に即時解除権が発生、または自動解除

# Output Format
以下の形式で出力してください。

## リスク判定結果
- リスクレベル: Level [1-4]
- 必要なアクション: [具体的に記述。例：クロージングの30日前までに書面で通知が必要]
- 解除権の有無: [あり/なし]
- 分析根拠: [判定の根拠となる文言を引用]

# 対象条項テキスト
[テンプレート②で抽出した原文抜粋を貼り付け]

カスタマイズのポイント：解除権の有無の確認

特に「解除権（Termination Right）」の有無は、買収価格の算定にも直結する重大な要素です。この点を重点的に検証するよう、Classification Rulesをプロジェクトの要件に合わせて調整してください。

精度検証と人間によるレビュープロセス

最後に、AIが出力した結果を実務フローにどう組み込むかについて解説します。

AIの判定結果を法務担当者がレビューする効率的フロー

実務の現場で推奨されるのは、以下のような仮説検証型のフローです。

1. 一括処理: 全契約書に対してテンプレート①を実行し、リストを作成。
2. 優先順位付け: 「has_coc: true」と判定されたデータのみを抽出。
3. 詳細分析: 対象ファイルに対してテンプレート②③を実行し、結果をリストに統合。
4. 人間によるレビュー: リストを参照しながら、特に「Level 3（承諾）」「Level 4（解除）」に分類されたハイリスク案件を優先的に原本確認。

このプロセスを構築することで、法務担当者は「リスクの高い契約書」の「確認すべき条項」にリソースを集中できます。全件を最初から読み込む従来の手法と比較して、業務効率は飛躍的に向上します。

よくある誤検知（False Positive）パターン

AIの判定も完全ではありません。実証データにおいてよく見られる誤検知として、「譲渡禁止条項（Assignment）」をCOC条項と混同するケースが挙げられます。

• 譲渡禁止: 「契約上の地位」を譲渡してはならない。
• COC: 当事者の「株主」や「支配権」が変更されてはならない。

これらは法的に異なる概念ですが、AIは文脈によって同一視することがあります。プロンプトのDefinitionに「※契約上の地位の譲渡（Assignment）とは明確に区別すること」という注記を追加することで、この種の誤検知を論理的に排除できます。

プロンプトの微調整（イテレーション）ガイド

プロンプトは一度作成して完成ではありません。初期のサンプルデータでテストを行い、AIが誤判定したケースがあれば、その原因を分析してDefinitionやInstructionsを継続的に改善していく必要があります。この「仮説検証」のサイクルを回すことこそが、AIシステム最適化の要であり、精度の高い法務アシスタントを構築するための最も確実なアプローチです。

まとめ

法務DDにおけるLLMの活用は、もはや実験的な試みではなく、実務を効率化するための実践的なソリューションです。
今回解説した3段階のプロンプトテンプレートをシステムに組み込むことで、以下のような具体的な効果が実証されています。

• キーワード検索の限界を突破: 文脈理解に基づく高精度なスクリーニングの実現。
• リスクの定量化と可視化: 通知・承諾・解除の義務レベルを自動的に分類。
• 業務プロセスの最適化: 人間は高度な「判断」に集中し、膨大な「検索・抽出」作業はAIに委ねる。

COC条項の正確な把握は、企業間取引におけるリスクマネジメントの要です。生成AIという強力な技術を論理的かつ実践的に活用し、より精度の高い効率的な法務DDプロセスを構築していきましょう。