Skip to content
Affectosphere Group Kansai University, Keito Inoshita Laboratory
EN

Column

国際契約のAIレビューはなぜ難しいのか ── 3管轄14,727条項が示す法務AIの限界と可能性

オーストラリア・英国・インド3管轄の商業契約書から14,727件の条項ペアを構築したデータセット「LAUKIN」が公開された。同じコモンロー系でも管轄間の起草慣行は大きく異なり、最良の評価モデルでもF1スコアは65.11%に留まる。グローバル法務AIが直面する本質的な困難を定量化した研究であり、法務・M&A・LegalTech担当者が今すぐ参照すべき内容だ。

5 分で読める English version →
オーストラリア・英国・インドの国旗と契約書書類が重なるビジュアル。各管轄の法的ドキュメントが中央のAI解析エンジンに集約される様子

こんにちは。Affectosphere Group の井下です。

「AIに契約書をレビューしてもらったら、外国法の感覚がずれていた」という経験をお持ちの方はいませんか？

実はこれ、単なる精度の問題ではありません。

同じ英語で書かれた契約書であっても、オーストラリア・英国・インドでは起草の慣行がかなり異なります。同一の法的概念が、管轄ごとに全く違う条文表現で書かれていることも多い。

この「管轄間のギャップ」を正面から定量化した研究が、2026年6月にarXivで公開されました（Amrita Singh, Aditya Joshi, Jiaojiao Jiang, Hye-young Paik, May Fong Cheong、arXiv:2606.13184）。

商業契約書204件から14,727件の条項ペアを構築し、12のモデルを評価したデータセット論文「LAUKIN」です。

法務AI・LegalTech・クロスボーダーM&Aに関わるすべての方に読んでほしい内容です。

今日の3点

  1. 発見: 同じコモンロー系の3管轄（オーストラリア・英国・インド）でも、同一法的概念の契約条文は起草慣行が大きく異なり、管轄間の法的同等性判断はAIにとって難しい課題だ。
  2. 定量: 12モデルを評価した最良のF1スコアが65.11%に留まっており、人手の専門家と比較すると依然として大きなギャップがある。
  3. 実務応用: このデータセットはクロスボーダーM&Aの法務デューデリジェンス自動化や国際契約レビューAIの評価基準として、今すぐ活用できる参照点を提供する。

① LAUKINとは何か

LAUKINは、オーストラリア（AU）・英国（UK）・インド（IN）の頭文字を組み合わせたデータセットの名前です。

この3カ国はいずれもコモンロー体系に属します。同じ法的ルーツを持ちながら、数百年の歴史の中でそれぞれ独自の起草慣行・判例体系・規制環境を発展させてきました。

研究チームが行ったのは、これらの管轄にまたがる商業契約書204件を収集し、条項レベルで法的同等性のラベルを付与するという、非常に地道で高コストな作業です。結果として14,727件の条項ペアからなるデータセットが完成しました。

重要なのは「法的同等性」という評価軸です。

単に条文の文言が似ているかどうかではなく、「この条項とあの条項は、異なる管轄で同じ法的効果を持つか」という実質的な同等性を問う。これは契約レビューの実務感覚に直結する評価軸です。

② なぜ同じコモンローでもこんなに違うのか

「同じコモンロー系なら、条文の書き方もだいたい同じでは？」と思う方もいるかもしれません。

研究の発見は、そうではないことを示しています。

たとえば秘密保持条項ひとつを取っても、英国の起草慣行は定義条項を精緻に積み上げる傾向があるのに対し、インドの契約書は現地規制（ITセキュリティ規則など）に対応した独自の文言が追加されることが多い。オーストラリアは消費者法や競争法由来の規制文言が混入しやすい構造になっています。

この「慣行の分岐」は、AIモデルにとって本質的な難しさをつくります。

あるモデルが英国の起草スタイルで学習していれば、インドやオーストラリアの条文を見たとき、文言の違いを「法的に異なる」と誤判断するリスクがある。逆に、文言の違いを「単なる表現の差」として過小評価するリスクもある。

この問題を研究チームは「クロス管轄コンテキストの欠如」と呼んでいます。単一管轄のデータで学習したモデルは、他管轄への転用時に性能が大きく落ちる可能性があります。

③ 最良モデルでもF1が65.11%という現実

12のモデルを評価した結果、最良のF1スコアは65.11%でした。

これは何を意味するか。

法務担当者が手作業でレビューする場合、同等の判断精度はより高い水準にあります（論文ではこのギャップを明示しています）。つまり、現時点の最先端モデルをそのままクロス管轄契約レビューに使っても、専門家の代替にはなれない、ということです。

ただし、この数字を「だからAIは使えない」と読む必要はありません。

むしろこの数字は、「現段階のAIをどこに配置するか」を考えるための出発点です。F1が65%のモデルでも、「明らかに同等な条項」と「明らかに異なる条項」を仕分ける第一次スクリーニングには使えます。専門家の目が本当に必要なのは、AIが「グレー」と判断した条項群だけに絞り込める。

これはレビュー工数を削減する現実的なアーキテクチャです。

④ 法務・M&A現場への応用提案

では、このデータセットと研究知見を自社の業務にどう生かすか。具体的に考えてみます。

まずLegalTech企業や法務AIを内製開発している企業にとっては、LAUKINはそのままベンチマークデータセットとして使えます。「自社のモデルがクロス管轄契約に対してどの程度対応できるか」を測る標準的な評価基準になります。

次にM&A法務・デューデリジェンス（DD）担当部門にとっての応用です。クロスボーダーM&Aでは、ターゲット企業の契約書群（NDA、サプライヤー契約、雇用契約等）を短期間で大量にレビューする必要があります。

このとき「英国法準拠の契約書とオーストラリア法準拠の契約書に同じ制限条項が入っているか」を確認するために、管轄対応した条項同等性モデルをスクリーニング層として使う、というアーキテクチャが考えられます。

具体的なKPIとしては、「DD期間中の専門家レビュー工数削減率」が一つの指標になります。スクリーニング層でグレー判定条項のみに絞り込めれば、弁護士が深くレビューする対象を絞れる。コスト効率と速度の両方が改善します。

さらにコンプライアンス部門では、グローバル展開している事業の標準契約書と各国現地法人の実際の契約書の乖離チェックにも応用できます。「本社が定めた標準条項が、インドの現地法人の契約書で適切に反映されているか」を管轄間同等性の観点でモニタリングする仕組みです。

グローバル法務AIの「次の一手」

この研究が示す本質的なメッセージは、「単一管轄で高精度なAIモデルを、グローバル展開にそのまま使うことのリスク」です。

コモンロー3管轄でのF1が65.11%なら、コモンローと大陸法が混在する環境（日本+英国+ドイツなど）への展開では、さらなる困難が生じることは想像に難くない。

一方で、LAUKINのようなマルチ管轄データセットが整備されることで、「管轄を明示的な変数として扱う法務AIの訓練」が可能になっていきます。これはグローバル法務AIの品質を底上げするために必要な、地道だが重要な基盤整備です。

法務AIを評価・導入・開発する立場にある方には、「どの管轄のデータで学習しているか」「クロス管轄評価が実施されているか」をベンダーに確認することを、今すぐ実践できるアクションとしてお勧めします。

では！

参考論文

  1. Amrita Singh, Aditya Joshi, Jiaojiao Jiang, Hye-young Paik, May Fong Cheong (2026). LAUKIN: A Multi-jurisdictional Common Law Contract Dataset. arXiv preprint arXiv:2606.13184.

※ 本記事は一部 AI により執筆されており、間違った情報が含まれる恐れがあります。