生成AIが日常になった一方で、「この画像や文章は誰のもの？」「学習に使われたデータは大丈夫なのか？」というモヤモヤも増えました。著作権とAIは白黒が一発で決まる世界ではなく、人がどれだけ表現を作り込んだか・既存作品にどれだけ近いか・データの出どころが適切か、という観点の組み合わせで判断されます。本記事では特に質問の多い①生成物（アウトプット）の権利と②学習データ（インプット）の法的問題を、2026年時点の各国の動きとともに整理します。
FIG.1 争点は大きく2つ——「学習に使ってよいか（入力）」と「生成物は誰のもの・侵害しないか（出力）」
01まず土台：著作権はそもそも何を守るのか
著作権は、ざっくり言えば「創作的に表現されたもの」——文章・画像・音楽・映像・プログラムなど——を守るルールです。守るのは表現であって、アイデアそのものや事実・作風（画風・文体）ではありません。「印象派っぽい絵」「あの作家っぽい文体」というだけでは原則として侵害になりません。問題になるのは具体的な表現が似ているときです。
- 著作物：創作性のある具体的表現（アイデアや作風は対象外）
- 著作者：原則として人（自然人）。職務著作など法人帰属の例外もある
- 主な権利：複製・翻案（派生作品化）・公衆送信など
AIが絡むとき効いてくるのは、結局この2点です。「どこに人の創作的関与があるか」と、「既存の表現にどれくらい近いか」。以降はこの軸で読み進めると整理しやすくなります。
02生成物は著作物になる？——「人の関与」が分かれ目
AIが出した結果がそのまま著作権で守られるかは、人がどれだけ表現をコントロールしたかで変わります。各国の運用が比較的はっきりしてきたのが、ここ数年の大きな動きです。
米国著作権局は2025年1月公表の報告書（パート2）で、方針を明確にしました。要点は「プロンプトを入力しただけでは、その人を生成物の著作者とは認めない」こと。現在一般に使える技術では、プロンプトは出力の表現を十分にコントロールしているとは言えない、という整理です。一方で、AIを道具として使い、人が表現要素を選び・配置し・大きく加工した部分には著作権が及びうる、ともしています（人とAIが混在する作品では、人の寄与部分のみが対象）。
分かりやすい目安：
「プロンプトを書いた」だけでは弱い。意図を持って試行錯誤し、構図やレイアウトを決め、取捨選択し、編集して最終表現を仕上げたと説明できるかが鍵になります。
実際、AI生成画像「Théâtre D'opéra Spatial」は、画像そのものについては人の創作的関与が不十分として登録が認められませんでした。逆に、人が手を入れた編集・配置の部分や、AIを補助に使った人間主体の作品は、登録が認められた例も出ています。日本でも考え方は近く、文化庁の整理では「プロンプトの工夫や試行錯誤・取捨選択を通じて創作的寄与があると認められれば著作物になりうる」とされ、最終的にはケースバイケースで判断されます。
FIG.2 同じAIでも「人がどこまで表現を決めたか」で結論が変わる（個別判断）
03「自分の作品」でも、他人の権利を侵害しないとは限らない
ここが一番つまずきやすい点です。たとえ自分に著作権が発生しうる生成物でも、それが特定の既存作品に似すぎていると、別の人の著作権（複製権・翻案権）を侵害する可能性があります。「自分のもの」と「他人を侵害しない」は別問題です。
侵害の判断でよく使われるのが「依拠性」（元の作品に接して、それを基にしたか）と「類似性」（表現が似ているか）の2軸です。生成AIでは学習やプロンプトが絡むため評価は事案ごとに分かれますが、運用上は「結果として既存の表現に似てしまったら侵害になり得る」と構えておくのが安全です。
| 侵害になりにくい | 侵害になりやすい |
|---|---|
| 作風・画風・ジャンルが似ているだけ | 特定作品の構図・キャラ造形・台詞回しが一致 |
| アイデアや事実が共通しているだけ | 特定の原稿を読み込ませ「同じ文体で続き」を生成 |
| ありふれた表現の偶然の一致 | 既存作品が出力にそのまま再現される |
加えて、ロゴ・キャラクター・商品パッケージは商標法や不正競争防止法、実在の人物は肖像権・パブリシティ権・名誉毀損など、著作権以外の権利が重なります。これらは別枠で慎重に扱う領域です。
04生成物の権利は誰のもの？——契約で決めておく
ビジネスでは「誰が権利を持つか」を契約で先に決めるのが鉄則です。社員が業務として作ったものは職務著作や契約条項で会社に帰属する設計が一般的。外注（受託）の場合は、納品物の権利譲渡・利用範囲・二次利用・学習利用の可否を契約に明記しておきましょう。
もう一つ見落としがちなのが、使っているAIサービスの利用規約です。生成物を商用利用してよいか、出力の権利が誰に属するか、入力したデータが再学習に使われるか——同じ「画像生成」でもサービスごとに条件が違います。プランや規約は頻繁に変わるため、重要な用途ではその都度、公式の最新規約を確認するのが安全です。
05学習データ（インプット）：そもそも学習は許される？
AIの学習では、データを収集・保存し特徴を抽出する過程で、著作物の複製が発生し得ます。そこで各国は、情報解析（TDM＝Text and Data Mining）目的の例外規定などで枠組みを整えてきました。ただし国によって考え方が大きく異なります。
日本
著作権法30条の4で、情報解析など「表現を享受しない」利用を広く許容。ただし例外あり（後述）。
米国
明文の例外はなくフェアユースで個別判断。2025年の裁判で「学習は変容的」と認める判断が出た一方、論点は残る。
EU
DSM指令のTDM例外。権利者がオプトアウト（利用拒否表示）した作品は対象外にできる。
日本の30条の4は世界的に見ても緩やかな部類とされますが、「何でも無制限にOK」ではありません。条文には但し書きがあり、「著作権者の利益を不当に害することとなる場合」は適用外です。文化庁の2024年「AIと著作権に関する考え方」は、その具体例として次のようなケースを挙げています。
- 有料データベース（整理された情報の集合）を許諾なく丸ごと学習用に複製する——権利者の市場と直接競合する
- 学術論文サイトや報道機関が有償APIを提供しているのに、それを使わずクローラで収集する
- robots.txt等で学習用クロールを拒否しているサイトから、その措置を回避して収集する
つまり、日本でも「出どころと取り方」が適切でないと、学習そのものが問題視され得るということです。
FIG.3 学習の可否は「データそのもの」だけでなく「取り方・市場への影響」でも変わる
06著作権以外の地雷：契約・個人情報・「出力」のリスク
実務では、著作権以上に効いてくる論点が3つあります。
- 利用規約・データ提供契約：「スクレイピング禁止」「機械学習への利用禁止」と明記されていれば、著作権の例外以前に契約違反になり得ます。ログイン必須コンテンツを迂回して収集すれば、周辺法令の問題にも発展します。
- 個人情報：文章データにはメールアドレス・住所・病歴などが紛れがちです。収集・保管の時点で個人情報保護法やGDPR等の対象になり得ます。匿名化したつもりでも再識別される可能性があり、データガバナンスが要点になります。
- 「学習はOKでも出力がNG」：学習行為が適法でも、生成物が特定作品の表現を実質的に再現すれば、出力・配布・販売の段階で問題化します。学習データに含まれる作品が“そのまま出てくる”挙動（記憶・再現）はリスクが高い領域です。
3つ目は、実際に裁判の中心論点になっています。米国のThe New York Times対OpenAIの訴訟は、学習の是非よりもモデルが記事を“そのまま吐き出す”（regurgitation／記憶）かどうかに争点が移ってきました。「学習＝即アウト」ではなく、出力が既存作品を再現してしまうことが一番のリスク、という構図です。
Case Law 2025
裁判が示したライン：「学習」と「海賊版の保存」は別の話
2025年、米国で重要な判断が相次ぎました。Bartz対AnthropicとKadrey対Metaの2件で、裁判所は「正規に入手した著作物でAIを学習させること自体は変容的でフェアユース寄り」と判断しました。一方で同じAnthropicの件では、海賊版を集めて保存していた行為は別問題とされ、最終的に約15億ドル規模で和解しています。
ここから読み取れる実務上の教訓はシンプルです。「どんなデータを、どう入手したか」が分かれ目になる——正規ルートで入手したか、海賊版や規約違反の手段で集めたかが、評価を大きく左右します。米国はあくまでフェアユースの個別判断で、日本やEUと枠組みが違う点にも注意が必要です。
FIG.4 同じ「学習」でも入手経路で評価が割れる（米2025年の判断より。最終結論は事案次第）
07これからの流れ：「出どころを説明できる」ことが価値になる
世界的な方向性は「透明性」です。EUのAI規則（AI Act）では、汎用AIモデルの提供者に対する義務が2025年8月に適用開始となり、学習に使ったデータの概要を公開するための様式（テンプレート）も整備されました。あわせて、TDM例外のオプトアウトを尊重する著作権ポリシーを持つことも求められています。
この流れが進むほど、企業にとっては「曖昧なまま突っ走る」より、説明できるデータ・説明できる生成プロセスを持っていることが競争力になります。クリエイター側と利用側も、対立というより「納得できる形で使う」方向（ライセンス・収益分配・出所表示）へ進んでいくと見られます。だからこそ今のうちに、小規模でも運用を整えておくのが効きます。
08現場で使えるリスク低減チェックリスト
「ルールを作る」のと同じくらい、現場で回る仕組みが大事です。生成側・学習側に分けて、最低限おさえたい項目を挙げます。
生成側：特定の名前で寄せにいかない
プロンプトで特定作品名・作家名を直接指定して“寄せる”のは避ける（やるなら社内ルールと審査を通す）。作風の参照とピンポイントな模倣は別物。
生成側：納品前に類似チェック
画像は逆画像検索、文章はコピペ検出・近傍検索（embedding検索）で、既存作品への似すぎがないか確認する。
生成側：規約確認と工程の記録
使うサービスの利用規約（商用可否・再配布・二次利用）を確認。プロンプト・生成ログ・選定理由・加工内容を残す（説明責任にも著作物性の主張にも効く）。
学習側：データの出どころを管理
ライセンス・取得方法・規約・同意の有無を記録。アクセス制限の回避（ログイン壁・API制限・robots等）はしない、を社内規定化する。
学習側：棚卸しと再現リスク対策
著作物・個人情報・機密情報の混入を検査。重複除去・フィルタリング・出力監視で“そのまま出力”を防ぐ。何を学習し何が苦手かをモデルカード/データシートに文書化する。
事故の多くは、ルールがないからではなく「ログと出どころの記録がない」から起きる。
大企業だけの話に聞こえるかもしれませんが、小規模でも「ログを残す」「データの出どころを記録する」「納品前チェックを挟む」の3つだけで、事故率はかなり下がります。役立つ道具立ても増えています——類似検出（逆画像検索・embedding検索）、来歴を追えるデータカタログ（DataHub、OpenMetadata など）、利用ポリシー・禁止プロンプト・出力フィルタ・監査ログといったガードレール、そしてCCライセンスや商用利用可能素材・社内アセットの整備です。
2026年6月24日、Cloudflare が自社サイトのコンテンツを AI クローラーがスクレイピングしてよいかどうかをワンクリックで制御できる機能を提供開始 しました（GIGAZINE 報道）。これまで robots.txt や個別の WAF ルールでしか対処できなかった「自社コンテンツを AI 学習に使わせるか／使わせないか」が、ホスト元側の管理画面で明示的に切り替えられるようになります。本記事 05 章「学習データ（インプット）：そもそも学習は許される？」で扱った「出どころが適法かつ適切か」という論点が、コンテンツ提供側の同意取得手段としてインフラ層で標準化されつつあるアップデートです。同日 OpenAI が Getty Images とコンテンツライセンス契約を締結したニュースとも合わせて、「学習に使ってよいデータ」「使ってはいけないデータ」の境界がプラットフォーム経由で可視化されつつある局面と捉えてください。生成側・学習側どちらの実務でも、自社ドメインの AI クローラー許可設定を今後の標準チェック項目に加えるのが安全です。
09まとめ：迷ったら「人の関与」と「出どころ」に立ち返る
著作権とAIの話は、細部に入るほど難しく見えます。でも実務の第一歩はシンプルです。次の3つを押さえれば、多くの場面で判断の足場ができます。
- 生成物に人の創作的関与があるか（プロンプトだけでなく、選別・編集・加工まで説明できるか）
- 学習データの出どころが適法・適切か（ライセンス・規約・取得方法・市場への影響）
- 出力が既存作品の表現を再現していないか（似すぎ・そのまま再現は要注意）
「何となく大丈夫そう」で進めず、ログとルールでチームを守りましょう。なお、著作権法やAI関連の制度は国・地域で異なり、改正や新しい判例も続いています。重要な案件は、必ず最新の情報を確認し、弁護士など専門家に相談してください。本記事は一般的な解説であり、個別の法的助言ではありません。
