AIベンダーのデューデリジェンスにおける最優先事項は、データ処理に関する明確な情報開示を確保することです。具体的には、データフロー、目的制限、保持/削除、トレーニングと推論の利用、分離制御、アクセスパス、下請け業者、およびストレージ/転送境界などです。この情報開示は、契約上の義務と測定可能な制御に結び付けられます。公的方針（オプションA）は不完全な場合があり、調達前の外部監査（オプションC）は有益ですが、必ずしも実行可能であったり、データ利用に特化しているとは限りません。法的協議（オプションD）は契約条件の策定に必要ですが、効果を発揮するためには、明確かつ詳細なデータ利用に関する情報開示に基づいている必要があります。
参考文献：
AAISMの知識体系：サードパーティAIリスク管理、データガバナンスと使用管理、ベンダーAIに関する契約上および技術的な保護措置。
AAISM 学習ガイド: AI 調達デューデリジェンス; データ使用の透明性 (トレーニング vs. 微調整 vs.
推論）、保持、目的制限、および国境を越えた管理。

経営幹部のセキュリティおよびガバナンス報告において、AAISMはAIシステムの安全性、信頼性、および責任ある行動を反映するリスク指向および危害指向のKPIを優先します。エラー率（安全性/品質シグナル）とバイアス検出（公平性/コンプライアンスシグナル）は、モデルリスク、潜在的なユーザー危害、および規制リスクの先行指標となり、CISOにとって重要な関心事となります。説明可能性とF1（A）はモデルのパフォーマンスです。
解釈可能性指標、顧客努力/維持率（B）はビジネスCX指標、応答時間/スループット（C）は運用SRE指標です。これらは価値はありますが、CISOの監督においてはリスク中心のKPIに比べると二次的なものです。
参考文献：AIセキュリティ管理（AAISM）知識体系 - AIリスク指標と保証、AIガバナンスダッシュボード。AAISM学習ガイド - AI制御の運用化、経営幹部向け報告のための安全性、公平性、コンプライアンス指標。
エラー率とバイアスの検出

AAISMのガバナンスプラクティスでは、所有権と説明責任が、あらゆる集中型AIインベントリにおいて最も重要な要素であるとされています。AIインベントリは、組織内のすべてのAI資産をカタログ化することで監視機能を提供し、責任を割り当てることで、各システムが明確なガバナンス、監視、およびコンプライアンスの適用範囲を確保します。ユースケース、トレーニングデータ、レジストリは貴重なメタデータですが、説明責任を保証するものではありません。所有権が明確に定義されていない場合、リスク、バイアス、またはインシデントへの対応に責任を負う当事者は存在しません。したがって、含めるべき最も重要な情報は、各AIシステムの所有権と説明責任の詳細です。
参考文献：
AAISM試験内容概要 - AIガバナンスとプログラム管理（AIインベントリと監視） AIセキュリティ管理学習ガイド - 所有権と説明責任の構造

モデルドリフトは、入力データの統計的特性や特徴と結果の関係が時間とともに変化し、モデルのパフォーマンスが低下する場合に発生します。AAISMのガイダンスでは、データ中心の原因（分布シフト、概念ドリフト、汚染）を主な要因として分類し、トレーニングデータまたは増分学習データの悪意のある汚染（データポイズニング）は、モデルが学習する有効なデータ生成プロセスを変化させるため、本番環境で観測可能なドリフトの直接的かつ高確率な要因であることを強調しています。対照的に、
* 完全な知識は攻撃者の能力を表す記述子であり、ドリフトの原因ではない。
* メンバーシップ推論はトレーニングセットのプライバシー保護を目的としており、データ分布を本質的に変化させるものではありません。
* モデル窃盗は知的財産権/機密性を標的としており、被害者モデルのデータ分布や決定境界をその場で変更するものではありません。
参考文献:* AIセキュリティ管理（AAISM）知識体系: モデルリスクとドリフト; データ整合性リスク; 敵対的MLポイズニングと回避* AAISM学習ガイド: 運用監視とドリフト管理; リスクシナリオ - データポイズニングの影響と制御* AAISM標準へのマッピング:
ライフサイクルリスク対策 - データ汚染に対する堅牢性、継続的なモニタリングとフィードバック

AAISMは、ユーザー同意の主な規制目的は、AIモデルでの利用を含む個人データの処理に対する合法的な承認を与えることであると明確にしている。