ある顧客が、グローバル企業に対して自身の個人データを削除するよう要求したとする。
同社は対応手順を把握している。CRMから彼女のプロフィールを削除し、マーケティング記録を消去し、サポートシステムを確認する。要求は記録され、処理済みとしてクローズされる。
だが数カ月前、あるAIエージェントが彼女のサポート履歴を分析していた。AIは彼女の苦情を要約し、解約リスクのある顧客として分類し、その結論に基づいて顧客引き止めの施策を提案した。その要約はメモリに保存されたり、別のシステムに渡されたり、別のエージェントの文脈情報（コンテキスト）として利用されたりした可能性がある。
この企業は、彼女のデータを削除したと言えるのだろうか。それとも、元のデータを消去しただけに過ぎないのだろうか。
筆者は、これがエージェンティック（AIエージェントの）時代における、エンタープライズ・プライバシーのより困難な問いになると考えている。
データはもはや保存されるだけでなく、変換される
数十年にわたり、企業のデータガバナンスは「記録システム（Systems of Record）」を中心に展開されてきた。情報は組織に入り、システム間を移動し、複製され、最終的にはポリシーや個人の権利に従って削除される。
このモデルは、大企業規模ではすでに困難を極めている。消去権（消去される権利）に関する2025年の連携執行行動において、欧州データ保護会議（EDPB）と参加各国のデータ保護当局は、764のデータ管理者から回答を収集し、社内手続、保持期間、バックアップ、匿名化に関する共通の課題を特定した。
自律型AI（エージェンティックAI）は、そこに新たな次元をもたらす。
AIシステムは、単にシステム間で情報を移動させるだけではない。要約や分類、埋め込み表現の生成、推論の導出を行い、その推論を用いてアクションを実行あるいは提案することができる。
従来のエンタープライズ・アーキテクチャにおいて、データは主として保存、複製、移動されるものだった。これに対し、エージェンティック・アーキテクチャでは、データはますます「変換」されるようになる。企業がデータの削除方法を学ぶのに数十年を費やした一方で、エージェンティックAIは、そこから派生したものをどう処理すべきかを学ぶことを企業に求めることになるかもしれない。
従来のデータリネージ（データの追跡性）では「このデータはどこへ行ったのか」が問われていた。しかし、エージェンティック企業では「このデータは何に変化したのか」を問う必要性が増している。
次のような顧客とのやりとりを考えてみよう。AIエージェントがサポートチケットを読み込み、要約を作成する。その要約がリスクスコアに寄与し、それが顧客の分類につながる。その分類が別のエージェントの文脈情報となり、次のアクションを推奨する。
ここで、顧客が正当な消去権を行使したとする。
この一連の流れのどの部分が、なお個人データなのか。どれが削除の対象になるのか。どの派生生成物が依然として個人に結びつけられ得るのか。そして、組織はそれらを突き止められるほど十分にその連鎖を再構築できるのだろうか。
これらは単なる法的疑問ではなく、アーキテクチャ上の問いなのだ。
「学習」は必ずしもモデルの訓練を意味しない
AIが何かを「学習した」と聞くと、人々は情報がモデルの重みに吸収されたと考えがちだ。もちろんそれが重要な場合もあるが、エンタープライズAIの領域はモデルのトレーニングにとどまらない。
AIエージェントがベースとなるモデルを再トレーニングすることは一切ないかもしれない。それでも、要約をメモリに永続化したり、埋め込み表現を生成したり、後続の決定を左右する文脈情報を別のエージェントに受け渡したりすることは可能だ。
規制当局はすでにこうした関連課題に取り組んでいる。英情報コミッショナーオフィス（ICO）は、個人の権利はトレーニングデータやモデルの出力、場合によってはモデル自体に含まれる情報を含め、AIシステムのライフサイクル全体に適用され得ると述べている。
フランスの情報処理・自由全国委員会（CNIL）も同様に、モデルレベルでの権利行使によって再トレーニングが必要となる場合があると言及する一方で、再トレーニングが不均衡（過度な負担）である場合には他の措置が適切となる可能性があることも認めている。
消去権は絶対的なものではなく、その対応はアーキテクチャ、ユースケース、および法律によって異なる。しかし、「元の記録を削除すること」と「そこから派生したすべてを処理すること」は、必ずしも同じ操作ではないという区別は極めて重要だ。
企業規模が問題を変える
エージェントは社内で開発されることもあれば、SaaS製品に組み込まれたり、個別の事業部門によって導入されたりすることもある。あるエージェントはCRMデータにアクセスし、別のエージェントはサポート時の対話データを扱い、3つ目のエージェントは元の記録には触れずに最初のエージェントが生成した出力を利用するかもしれない。
企業は、個人データがどこに保存されているかについては優れた可視性を持っていても、AIが人々について何を生成し、その出力が次にどこへ移動するかについては、はるかに可視性が低い可能性がある。
「記録は削除した」と主張できても、その記録が始動させた一連の動きについては確信が持てない状況が生じるのだ。
プライバシー・アーキテクチャはAIアーキテクチャとともに進化しなければならない
これはAI導入のスピードを落とすべきだという主張ではない。周辺の管理・統制メカニズム（コントロール）を同等の野心を持って設計すべきだという主張である。
企業は、エージェントが重要なワークフローに組み込まれる前に、より広範な問いを立てる必要がある。「このエージェントはどのデータにアクセスできるか」だけでなく、「そのデータから何を生成できるか」「その出力はどこに保存され得るか」「どのシステムやエージェントがそれを利用できるか」「後からその連鎖を追跡できるか」「そして必要であれば、それを巻き戻す（取り消す）ことができるか」と問わなければならない。
ここでは2つの原則が重要となる。
1. 複製を超えたリネージ（追跡性）を意識した設計
従来のデータマッピングは、情報がどこに保存され複製されるかに焦点を当てていた。しかしエージェンティック・システムでは、個人データがどのような要約、分類、プロフィール、埋め込み表現、あるいは個人に関連し得るその他の永続的出力に変換されるかを把握することが企業に求められる。
2. 導入前の「可逆性」を意識した設計
エージェントが永続的なコンテキストを生成したり、派生情報を下流システムへ送信したりする場合、担当チームはそのワークフローがビジネス上不可欠なものとなる前に、それらの生成物をどのように特定し処理できるかを理解しておく必要がある。
これには、AIシステムを構築する担当者と、プライバシー、セキュリティ、コンプライアンスを担うチームとの連携が不可欠だ。
すべての派生生成物が個人データに該当するわけではない。また、あらゆる消去要求に対して、下流のすべての出力を削除しなければならないわけでもない。その回答はアーキテクチャ、コンテキスト、および法律に依存する。しかし企業は、そうした判断を下せる程度には自社のAIアーキテクチャを深く理解している必要がある。
何年もの間、プライバシープログラムは明確な目的に向かって機能してきた。「個人データがどこに存在するかを把握し、ガバナンスを効かせる」ことだ。エージェンティックAIはこの前提を複雑にする。情報はもはやどこかに「存在する」だけではないからだ。情報はスコア、分類、メモリ、推奨、あるいは他のシステムの意思決定へのインプットへと変化し得る。
次世代のプライバシー・アーキテクチャは、「データはどこにあるか」以上の問いに答える必要がある。「データは何に変化したのか」「それはどこへ行ったのか」「そして必要に応じて、それを元に戻せるか」に答えなければならないのだ。
データベース時代を象徴するプライバシーの問いは「企業があなたのデータを見つけ出せるか」であった。これに対し、エージェンティック時代を象徴する問いは「AIがデータを見つけ出した後に行われたすべての事象を、企業が再構築できるか」となるだろう。
