モデルドリフトとは、導入時に確かめた AI の精度や出力の品質が、扱うデータや業務・利用者の変化によって、時間がたつにつれて落ちていく現象のことです。AI の仕組みが壊れたわけではなく、AI を取り巻く条件が導入時から離れていくことで起こります。

モデルドリフトは、AI が前提にした条件と今の業務とのずれから起こる

モデルドリフトの原因は、AI が学習したときや導入時に精度を測ったときの条件と、いま実際に扱っている業務の条件とのずれです。

機械学習のシステムは、コードに書いたルールだけでなく、データから学んだことにもとづいて動く仕組みです。そのため、データの分布の変化、学習時と本番のデータのずれ、データの品質の問題、環境の変化、利用者の行動の変化のどれもが、モデルを古くする原因になるとされています。古くなったモデルは事業の価値を生まなくなるところまで性能が落ちることがあり、規制の厳しい分野では法令順守の問題を起こしかねないという説明です(Microsoft「Model monitoring in production - Azure Machine Learning」2026年1月27日更新)。

業務に置き換えると、次のような変化がモデルドリフトのきっかけになります。

  • 問い合わせの内容や書式が、新しい商品や制度の開始で変わる
  • 社内規程や料金表が改定され、同じ質問でも正しい答えが変わる
  • AI に参照させている資料が更新されず、改定前の内容のまま残る
  • 使っている生成 AI のモデルが、提供元の都合で新しいものに切り替わる
  • 利用する部署が増え、導入時に想定していなかった依頼が混ざる

導入時の検収で合格した AI でも、その合格は導入した時点の条件で測った結果です。

国の指針も、AI の予測性能や出力の品質が活用開始後に大きく変動する可能性や、想定する精度に達しないこともある特性を踏まえ、事後検証のための作業記録を保存しつつ品質の維持・向上を行うよう、AI を開発する事業者に求めています(総務省・経済産業省「AI事業者ガイドライン(第1.2版)」2026年3月31日公表)。

データドリフトは入力の変化を、モデルドリフトは結果としての精度の低下を指す

データドリフトとモデルドリフトは混同されやすい語です。データドリフトは AI に入ってくるデータの変化を、モデルドリフトはその結果として起こる精度や出力の品質の低下を指します。

用語 何が変わるか 業務での例
データドリフト AI への入力データの分布。学習データや最近の本番データと比べて測る 問い合わせのうち、新商品に関する質問の割合が急に増える
予測のドリフト AI が出す予測・分類の分布。検証データや最近の本番データと比べて測る 「要対応」に振り分けられる件数の割合が、先月から大きく変わる
データ品質の問題 入力の欠け・データ型の違い・想定の範囲を外れた値 連携元のシステムの改修で、日付の欄が空のまま届く
学習時と本番のずれ 学習に使ったデータと、本番で入ってくるデータの違い 学習には整った過去の記録を使ったが、本番では手入力の表記の揺れが多い
コンセプトドリフト 入力と正しい答えの関係(この記事での用法) 規程の改定で、同じ申請でも承認できる条件が変わる
モデルドリフト 上の変化の結果としての精度・出力の品質 導入時に合格した分類で、人の手直しが目立つようになる

表のうちデータドリフト・予測のドリフト・データ品質の問題の3行は本番で監視するときの区分を、学習時と本番のずれの行はモデルを古くする原因として挙げられたものを、それぞれもとにしています(Microsoft「Model monitoring in production - Azure Machine Learning」2026年1月27日更新)。コンセプトドリフトの行は次の段落の学術の整理を、モデルドリフトの行と業務の例は編集部の整理をもとにしています。

コンセプトドリフトという語は、資料によって指す範囲が違います。学術のレビュー論文は、入力と正しい答えを合わせた分布が時間とともに変わることをコンセプトドリフトと定義し、その変わり方を3つに分けています。入力の分布だけが変わる場合、入力の分布は変わらずに入力と正しい答えの関係だけが変わる場合、その両方が変わる場合です(Lu ほか「Learning under Concept Drift: A Review」IEEE Transactions on Knowledge and Data Engineering 第31巻第12号)。

クラウド事業者の資料には、データの分布の大きな変化をコンセプトドリフトと呼ぶものもあります(Google Cloud「MLOps: Continuous delivery and automation pipelines in machine learning」2026年11月時点)。この記事では、入力の分布の変化はデータドリフトと呼んで分け、コンセプトドリフトは入力と正しい答えの関係が変わることを指して使います。

データドリフトが起きても、精度が落ちるとは限りません。新商品の質問が増えても、AI がそれに正しく答えていれば業務への影響は出ないからです。

反対に、規程の改定のように、入力の分布は変わらずに入力と正しい答えの関係だけが変わることもあります。この場合は入力の分布を比べても変化が表れないため、入力の監視だけでは気づけません。入力の変化と精度の変化を分けて測るのは、このためです。

導入した時点から起きている誤りとの区別も必要です。生成 AI が事実や与えた資料と食い違う内容をもっともらしく出力する現象はハルシネーションと呼ばれ、時間の経過とは関係なく起こります。モデルドリフトは、導入時には目立たなかった誤りが、条件の変化とともに増えていく点が違いです。

見直しの頻度と担当は、AI を導入する前に決める

モデルドリフトへの備えの中心は、誰が・いつ・何で精度を測り直すかを、導入の前に決めておくことです。導入した後に決めようとすると、精度が落ちたことに誰も気づかないまま使われ続ける期間が生まれます。

決めること 中身の例 中心になる部署
測る物差し 導入時に使った問題集と合格基準。業務の変化に合わせて問題を足していく AI を使う業務部門
定期の頻度 処理件数に合わせて毎週・毎月などを決める。件数が少ない業務は間隔を空ける AI の推進を担う部署
臨時に測り直すきっかけ 規程・料金・商品の変更、参照資料の大きな改定、外部のモデルの切り替え、利用者の修正の増加 変更を起こす部署が、推進を担う部署へ知らせる
測る担当と直す担当 出力が正しいかを確かめる人と、指示文・参照資料・設定を直す人を分けて決める 業務部門と情報システム部門
基準を下回ったときの動き 人の確認を増やす・任せる範囲を絞る・止めて人の手順に戻す、のどれを選ぶか AI の推進を担う部署

表は編集部の整理です。

クラウド事業者は、監視の頻度を本番のデータがたまる速さで決めるよう勧めています。毎日十分な件数がたまるなら毎日、そうでなければ週ごとや月ごとが目安です。正解のデータが手に入る業務では、AI の出力と正解を突き合わせて性能を測ることも推奨されています(Microsoft「Model monitoring in production - Azure Machine Learning」2026年1月27日更新)。

見直しのきっかけについても、決まった周期のほか、新しいデータが手に入ったとき、性能の低下が目立ったとき、データの分布が大きく変わったときにモデルを学習し直す、という分け方が示されています(Google Cloud「MLOps: Continuous delivery and automation pipelines in machine learning」2026年11月時点)。

国の指針は、ビジネス戦略や社会環境の変化によって AI への期待値が変わることも考慮し、変更管理・構成管理とサービスの維持を行うよう、AI を組み込んで提供する事業者に求めました。あわせて共通の指針として、AI の性質や用途に照らし、必要に応じて定期的かつ客観的なモニタリングと対処も含めて、人間がコントロールできる状態を確保することを挙げています(総務省・経済産業省「AI事業者ガイドライン(第1.2版)」2026年3月31日公表)。

止める条件や、止めた後に人が業務を引き継ぐ手順まで含めた運用の決め方は、AI エージェントの運用の決め方で、担当・監視する項目・止める条件・直す手順の4つに分けて整理しました。生成 AI を使った仕組みの評価・監視・改善を続けて回す運用全体は LLMOps と呼ばれ、モデルドリフトへの備えはその一部です。

まずは、いま動いている AI ごとに、使っているモデルの名前、導入時に測った物差し、測り直す担当の3つを書き出してみてください。書けない欄が残れば、そこがモデルドリフトに気づけない場所です。

Offers AX は、効果測定の設計から社内の運用体制づくりまでを一体で進める

Offers AX では、効果測定の設計と、引き継ぎ後の社内の運用体制の設計を、支援の最初から組み込みます。

株式会社overflow の Offers AX は、コンサルティング・AI エージェント開発・内製化支援の3つを、業務の現場に近い距離で戦略立案と実装を一体で進める FDE 型で提供する支援です。課題調査とユースケースの選定、効果測定の設計から入り、数週間で動くプロトタイプを作って実業務で検証してから本実装に進みます。内製化支援では、引き継ぎのドキュメントの整備と社内の運用体制の設計に加え、エンジニア採用の要件定義まで支援します。

AI の処理基盤はお客様の既存の環境に構築し、GCP・Azure・AWS のいずれにも対応します。当社の環境に顧客データを抱えず、契約が終わっても資産はお客様の環境に残る方針です。

支援の範囲と進め方の詳細は、Offers AX のサービスページをご覧ください。いま動いている AI の測り直し方や、導入前に決めておく運用の体制を整理したい場合は、無料相談を申し込むからご相談ください。

原因ごとに、気づく方法と担当を分けておく

モデルドリフトは原因によって表に出る症状が違うため、原因ごとに確かめる方法と担当を分けておくと見落としが減ります。

原因 起きること 気づく方法 中心になる部署
入力データの変化 新しい種類の依頼に、的外れな回答や分類が増える 入力の内訳や欠けの割合を定期的に集計し、導入時と比べる AI の推進を担う部署・情報システム部門
業務ルールの変更 改定前の規程にもとづく回答が残る 規程や料金の改定のたびに、基準の問題集を直して測り直す 規程を持つ業務部門
参照資料の古さ 古い資料を根拠にした回答が出る 回答の根拠に示された資料を抜き取りで確かめ、利用者の修正の記録を読む 文書を作る業務部門
外部のモデルの更新 回答の書き方や長さ、振り分けの傾向が変わる 提供元の知らせを確かめ、切り替えの前後で基準の問題集を測り直す 情報システム部門
利用者の変化 想定外の依頼で、手直しや差し戻しが増える 利用者の修正の記録と、依頼の種類の内訳を見る AI の推進を担う部署

表は編集部の整理です。表の「気づく方法」は、次の3つの組み合わせでできています。

  • 抜き取りの確認: 週や月ごとに決めた件数の出力を人が取り出し、正しいかを確かめる。分類や抽出のように、正解がその場で分かる業務に向く
  • 利用者の修正の記録: AI の下書きを人が直したか、どこを直したかを記録に残す。日々の業務の中で集まるため、作業を増やさずに変化の兆しをつかめる。直した割合が導入時より増えてきたら、測り直すきっかけにする
  • 基準の再測定: 導入時に使った問題集と合格基準で、同じ条件のまま測り直す。導入時の結果と同じ物差しで比べられるので、規程の改定やモデルの切り替えの前後にも使う

RAG(検索拡張生成)で社内文書を参照させている場合は、参照先の文書が古いままになっていることも、精度の低下と同じ症状として表れます。文書ごとに更新の持ち主を決める進め方は、AI のデータ整備の進め方で5つの手順に分けてまとめました。

AI を使う事業者に向けても、国の指針は、AI システム・サービスが想定された仕様にもとづいて適切に動作しているかを確かめること、AI の出力の精度とリスクの程度を理解したうえで利用することを求めています(総務省・経済産業省「AI事業者ガイドライン(第1.2版)」2026年3月31日公表)。

本番の前に使う問題集と合格基準の作り方と、本番の後の抜き取りや修正の記録の扱いは、AI エージェントの評価の進め方で、業務の実際の依頼から問題集を作る手順として説明しました。

生成 AI では、提供元がモデルを更新するだけでも挙動が変わる

生成 AI を API で呼び出して使う場合、自社がデータも業務も変えていなくても、提供元がモデルを切り替えた時点で出力が変わることがあります。提供元は、モデルが更新されていくことを前提に、使う側の備えを公式ドキュメントで説明しています。

  • Google の Gemini API の説明(2026年11月時点): モデル名の「latest」は特定のモデルの最新のリリースを指す別名で、新しいリリースのたびに中身が入れ替わる。安定したモデル(stable)は通常は変わらず、本番のアプリケーションの多くは特定の安定したモデルを指定すべきとしている
  • Microsoft の Azure でのモデルのバージョン管理の説明(2026年3月10日更新): 新しい既定のバージョンが出たときに自動で切り替わるデプロイの設定がある。Azure OpenAI のモデルについては、新しいバージョンが既定になる少なくとも2週間前に利用者へ知らせるとし、切り替えの後にモデルの挙動や互換性が変わることがあるとして、新しいバージョンでアプリケーションを試すよう勧めている
  • Anthropic の Claude のモデル提供終了の説明(2026年11月時点): 公開しているモデルの提供を終える少なくとも60日前に、利用中の顧客へ知らせる。提供終了の日を過ぎたモデルへの呼び出しは失敗するため、その日より十分前に新しいモデルで試すよう勧めている

生成 AI を組み込んだ仕組みでは、モデルの切り替えそのものは避けられません。避けられない変化を、精度が落ちる前に測れる変化にしておくことが運用の要点です。

導入時に決めておくのは次の3つです。

  1. 使っているモデルの名前とバージョン、自動で切り替わる設定かどうかを台帳に残す
  2. 提供元からの更新・提供終了の知らせを受け取る担当を決める
  3. 切り替えの前に、導入時の問題集で新しいモデルを測り直し、合格基準を満たすことを確かめてから切り替える

自動で切り替わる設定のままでは、知らないうちに挙動が変わることがあります。業務で使う仕組みではバージョンを指定し、切り替えの時期を自社で決められる状態にしておくと安心です。ただし、バージョンを固定したまま提供終了の日を迎えると呼び出しそのものが止まるため、台帳には提供終了の予定日も書いておきます。

モデルドリフトと一緒に使われる用語

  • データドリフト: AI に入ってくるデータの分布が、学習時や導入時から変わること。精度が落ちる手前で気づくための信号になる
  • コンセプトドリフト: この記事では、入力と正しい答えの関係が変わることを指す。規程や業務ルールの改定で起こりやすく、入力の分布が変わらないまま起こると入力の監視だけでは気づけない。資料によっては、データの分布の大きな変化を含めてこう呼ぶ
  • 学習時と本番のずれ: 学習に使ったデータと、本番で入ってくるデータの違い。導入した直後から精度が出ない原因になる
  • ハルシネーション: 生成 AI が事実や与えた資料と食い違う内容を、もっともらしく出力する現象。詳しくはハルシネーションの用語ページで説明している
  • LLMOps: 大規模言語モデルを使った仕組みの評価・監視・改善を、運用の中で続けて回す取り組み
  • AI ガバナンス: AI のリスクを管理しながら便益を引き出すために、組織が仕組みを設計し運用し続けること。詳しくはAI ガバナンスの用語ページで説明している

AI エージェントを業務に入れてからの作り方・評価・運用は、AI エージェントのカテゴリの記事で順に読めます。