ウクライナからの教訓 – パート６ AIについて （Eva Sula）
エストニア出身のEva SulaのLinkedInに掲載の「ウクライナでの戦争の教訓」である。これまで以下のパート１からパート５まで紹介している。
- 戦争の新たな側面を論じた、「ウクライナからの教訓 – パート１ 戦争の進化について （Eva Sula）」
- 軍事思想における集中（mass）を論じた、「ウクライナからの教訓 – パート２ 集中について （Eva Sula）」
- 戦争における適応力の重要性を論じた、「ウクライナからの教訓 – パート３ 適応力について （Eva Sula）」
- ドローン運用の新たな視点を論じた、「ウクライナからの教訓 – パート４ ドローンについて （Eva Sula）」
- 大きく変わった電子戦について論じた、「ウクライナからの教訓 – パート５ 電子戦について （Eva Sula）」
今回のパート６は、人工知能（AI）に関する内容で、軍事におけるAIは人間に置き換わるものではないことをいろいろな側面から論じている。ウクライナが開発したDeltaシステムについても触れられている。後半に「欧州とNATOが今構築する必要があるもの」について述べているが、軍事にAIを導入しようとする際に参考になると考える。（軍治）
ウクライナからの教訓
Lessons from Ukraine
Eva Sula
エヴァ・スラ（Eva Sula）は、エストニアの防衛・安全保障戦略家兼アドバイザーであり、デジタル能力、AI、自律性、作戦的統合、防衛変革を専門としている。彼女の活動は、防衛機関、産業界、イノベーション・エコシステム、そしてエンド・ユーザーを結びつけるものであり、特に新興技術を、作戦上有用かつ拡張可能な能力へと転換することに重点を置いている。
エヴァ・スラ（Eva Sula）は政府機関、サイバーセキュリティ、クラウド戦略、防衛関連の分野で幅広く活動しており、ドローン、相互運用性、レジリエンス、情報環境、ウクライナ情勢から得られる教訓といったテーマについて、NATOや欧州の防衛イニシアチブ、同盟国の防衛関係機関、産業界、軍事組織と定期的に連携している。
また、エヴァ・スラ（Eva Sula）は、NATO DIANAにおけるメンタリングやアクセラレーター活動、NATOおよび同盟国圏内のイノベーターとの連携などを通じて、防衛イノベーションやデュアルユース技術のエコシステムを支援している。
 |
ウクライナからの教訓、パート6：AIは人間を置き換えるものではない。決心時間を短縮するものだ。
2026年6月27日
- AIは指揮官ではない。決心環境の一部になりつつある。
- 戦場では、人間が手作業で処理できる量を超えるデータが生成されている。
- ターゲットの認識は有用だが、ターゲットに対する責任を意味するものではない。
- センサー融合こそが、AIを作戦的な価値あるものにする。
- 決心支援は決心の代替ではない。
- 自律性（autonomy）と自動化（automation）は同じものではない。
- 電子戦（EW）、通信環境の悪化、そして戦場における速度への要求が、自律性の進展を後押ししている。
- 戦場が不安定なため、AIの精度も安定しない。
- データ・ガバナンスは、AIが能力となるかノイズとなるかを決定する。
- ヒューマン・マシン・チーミング（HMT）には、ドクトリン、訓練、そして信頼が必要である。
- 欧州とNATOが今構築する必要があるもの。
- 結論：AIは時間を短縮するが、リーダーシップには責任が伴う。
1. AIは指揮官ではない。決心環境の一部になりつつある。
戦いにおけるAIに関する議論は、いまだに「AIは人間を置き換えるのか？（will AI replace humans?）」という誤った問いに囚われがちである。このフレームワークはパネル・ディスカッションや見出し、ベンダーのパンフレットには都合が良いかもしれないが、深刻な作戦上の問題はそこにはない。ウクライナの事例は、より現実的で、そして不都合な現実を示している。AIは指揮官を置き換えるのではなく、指揮官を取り巻く環境に入り込み、データを処理し、パターンを検出し、認識を支援し、情報の優先順位付けを助け、自律機能を支援し、観測から行動までの時間を短縮している。
この区別が重要なのは、機械の処理速度が向上しても指揮責任が消滅するわけではないからだ。指揮官は依然として、意図、文脈、均衡性、法的判断、リスク、そして結果に対する責任を負う。変化するのは、そうした責任を遂行しなければならない情報環境の速度と密度である。指揮官は依然として決心を行うかもしれないが、その決心は、ドローン、センサー、信号、衛星、そして戦場管理システムからの機械支援による情報、推奨事項、警告、分類、信頼度スコア、そして統合された入力によってますます左右されるようになる。
ウクライナの経験が有益なのは、まさにAIの戦域を切り開いたからである。AIは、軍事判断を礼儀正しく置き換えるような、輝かしい汎用の知能（general intelligence）として戦場に現れるわけではない。むしろ、より小型で、より限定的で、作戦に特化したツールとして現れている。例えば、ドローン映像から物体を識別したり、ターゲット認識（target recognition）を支援したり、戦場画像の分類を支援したり、通信状況が悪化した状況下での航行を支援したり、大規模なデータセットを分析したり、対ドローン機能を支援したり、人間のチームが手動で必要な速度で処理できる以上の情報を部隊が理解できるように支援したりといった具合だ。
ロイター通信は、ウクライナが同盟国に対し、ドローンAIソフトウェアの訓練用として、大量の注釈付き画像や戦闘飛行映像を含む戦場データへのアクセスを開放していると報じた。この詳細は重要だ。なぜなら、真の軍事AIがどこから始まるかを示しているからだ。それは、自律性（autonomy）に関する抽象的な主張からではなく、実際の戦場状況から得られる運用データを収集、分類、検証、利用するという骨の折れる作業から始まる。泥、煙、迷彩、損傷した車両、デコイ、熱信号、視界不良、妨害電波、戦術の変更などは、些細なことではない。これらはまさに、AI支援が有用か危険かを決定づける条件なのである。
ウクライナの国防AI指導部は、複数の機能にわたる迅速な決心を支援できる、より統合された戦場AIシステムへの移行についても言及している。この方向性は真剣に受け止めるべきだが、楽観視すべきではない。意思決定（decision-making）の迅速化は、必ずしもその意思決定（decision-making）がより良いとは限らない。速度が役立つのは、データが信頼できるものであり、モデルが理解され、出力が検証され、人間の役割が明確であり、運用アーキテクチャが大規模な混乱を招くことなく機械支援を吸収できる場合に限られる。
NATOの責任あるAI原則（responsible AI principles）が、単なる装飾ではなく、真に重要な意味を持つのはまさにこの点である。合法性、責任と説明責任、説明可能性と追跡可能性、信頼性、ガバナンス、バイアス軽減といった原則は、会議のスライドに飾るだけの、お世辞にも美しい倫理的装飾ではない。AIがターゲティング、自律性、インテリジェンス、防空、兵站、あるいは指揮支援といったワークフローに組み込まれるのであれば、これらは運用上の必須要件となる。システムが統制、説明、監査、制約、あるいは修正できないのであれば、それは単に「革新的」なものではなく、ユーザー・インターフェースを備えた運用上のリスクに過ぎない。
したがって、指揮官や国防指導者にとって真の問題は、AIを戦いに導入すべきかどうかではなく（既に導入されつつあるため）、AIがどこに導入されているのか、どのような決心を支援しているのか、どのようなデータに基づいているのか、誰が出力結果を検証するのか、どのように不具合を検出し、どのように責任を負わせるのか、そして圧力下でモデルが誤った場合に何が起こるのか、ということである。これらの疑問は、システムが運用に定着する前に解決しておく必要があり、急速に変化する戦場では後戻りできない状況になってからでは遅すぎる。
欧州とNATOにとって、これはAIを独立したイノベーション・テーマとして扱うことから脱却する必要があることを意味する。AIは、データ・アーキテクチャ、センサー融合（sensor fusion）、電子戦、サイバー・レジリエンス、指揮・統制、ドクトリン、訓練、そしてヒューマン・マシン・チーミング（HMT）といった、より広範な能力に関する議論の中に含まれるべきである。情報の流れ方、決心の検証方法、そして指揮官が機械の出力結果を利用するための訓練方法を変えることなく、既存の構造にAIを付け加えるだけでは、作戦上の優位性は生まれない。それは、既に過負荷状態にある環境に、さらにデジタル・ノイズのレイヤーを増やすだけだろう。
ウクライナの事例は、AIの最も直接的な軍事的影響が人間を置き換えることではないことを示している。AIは、人間の決心にかかる時間を短縮している。この短縮は、脅威をより迅速に検知し、限られたリソースを優先的に活用し、手作業による処理を減らし、迅速な対応を支援することで、人命を救うことができる。しかし、不十分なデータ、不十分な検証、自動化による偏り、権限の不明確さ、あるいはベンダーの空想が決心チェーン（decision chain）に入り込むと、リスクを高める可能性もある。技術は人間の負担を取り除くものではない。負担が生じる場所と、リーダーがそれを担わなければならない速度を変えるだけなのである。
2. 戦場では、人間が手作業で処理できる量を超えるデータが生成されている。
現代の戦争では、作戦に必要な速度で人間のチームが手動で処理できる量を超える情報が生成されるため、AIが戦場に導入されるようになった。ウクライナは、観測データの不足だけに直面しているわけではない。ドローン映像、衛星画像、傍受信号、レーダー軌跡、電子戦指標、地上報告、砲撃修正、戦闘被害評価、兵站情報、防空警報、戦場管理データなど、さまざまなシステム、部隊、ドメインから継続的に送られてくる情報に対応しなければならない。もはや、より多くのデータを収集する方法だけが問題ではない。構造化されていないデータが増えれば、すぐにノイズが増えるだけだからだ。
ウクライナの戦場は、ドローンやセンサーの使用規模を通して、この事実を如実に示している。ロイター通信は2026年3月、ウクライナが同盟国のAIモデル訓練のために戦場データセットへのアクセスを開放したと報じた。これには、戦時作戦で収集された数百万枚の注釈付き画像や戦闘飛行映像が含まれる。これは、軍事AIの背後にある基本的な現実を示しているため重要である。アルゴリズムが認識、優先順位付け、自律性を支援する前に、誰かが戦場の実際の様子をシステムに学習させるためのデータを収集、整理、ラベル付け、検証、文脈化する必要がある。
ロイターの同じ報道では、ウクライナのアプローチは、実験室での仮定ではなく、実際の戦時データを使用することで自律型軍事システム（autonomous military systems）の開発を加速させる方法だと説明されている。この違いは作戦上重要である。管理された画像から構築されたクリーンな訓練データセットでは、ドローン・オペレーターが塹壕、樹木、損傷した道路、焼けた車両、煙、泥、デコイ、偽装、電子妨害、部分的な視界などから見るものを捉えることはできない。AIが重要になるのは、戦場が人間が手動で処理するには多すぎるデータを生成するからだが、AIの訓練に使用されるデータが実際に使用される状況を反映していない場合、AIはリスクも伴う。
だからこそ、量（volume）だけが問題なのではない。速度（speed）、品質（quality）、そして検証（validation）も同様に重要である。ドローン映像には動きが映っているかもしれないが、システムはそれが実際のターゲットなのか、おとりなのか、損傷した車両なのか、民間人の存在なのか、友軍の動きなのか、周囲の雑音なのか、あるいは敵が作り出した誤解を招くパターンなのかを区別する必要がある。衛星画像には地形やインフラの変化が映っているかもしれないが、作戦上意味を持つためには、他の情報源と照合する必要がある。傍受した信号は活動を示しているかもしれないが、文脈がなければ、それはノイズ、欺瞞、あるいは全体像のごく一部に過ぎないかもしれない。
ウクライナの防衛AI指導部は、複数のAI機能を統合し、より迅速な意思決定（decision-making）を可能にする、より統一された戦場運用システムへの移行が今後の方向性であると述べている。ロイター通信は2026年6月に、ウクライナは既に複数の戦場機能にAIを使用しており、それらのツールを単一の戦場運用システムに統合することを目指していると報じた。また、ロシアがドローンやミサイル攻撃にAIを使用していることも指摘している。これは同時に2つのことを示唆している。AIが作戦レイヤーの一部になりつつあること、そしてウクライナが学習している間、敵対者は立ち止まっていないということだ。
指揮官にとっての問題は、戦場に十分な情報があるかどうかではない。より難しい問題は、敵が移動、隠蔽、妨害、移転、打撃を行う前に、適切な情報を特定し、信頼し、それに基づいて行動できるかどうかである。ドローンが密集し、電子戦が繰り広げられる戦争では、情報の価値は急速に低下する。10分前に探知されたターゲットは既にいなくなっているかもしれない。開けているように見えたルートは、今やドローンに覆われているかもしれない。本物に見えた信号は、偽装されているかもしれない。決心支援（decision support）は、指揮官が不確実性が消え去ったかのように振る舞うことなく、情報の低下を管理できるように支援するときに有用となる。
AIはまさにこうした場面で実用的な価値を発揮する。フィードの優先順位付け、異常の検出、類似する観測データのグループ化、大規模データセット全体にわたるパターンの検出、物体認識の支援、経時的な変化の特定、そして分析官やオペレーターの手作業負担の軽減などに役立つ。適切に活用すれば、限られた注意力を最も必要な場所に集中させることができる。しかし、不適切に活用すれば、誤った自信を生み出したり、重要な文脈を埋もれさせたり、誤った仮定を加速させたり、一見正確に見えるものの運用的に成熟していない出力でユーザーを圧倒したりする可能性がある。
データ負荷はターゲティングに限ったものではない。兵站、負傷者後送、対ドローン防衛、防空、電子戦、海上監視、インフラ保護など、あらゆる分野でデータが生成され、それらを迅速に統合する必要が生じる可能性がある。指揮官は、敵の位置だけでなく、友軍の位置、使用可能なドローン、妨害されているシステム、使用可能なルート、弾薬の在庫が少ない箇所、稼働中の防空レイヤー、信頼できる情報を提供しているセンサーの位置なども把握する必要がある。AIはこうした状況把握を支援できるが、そのためには、基盤となるデータ・アーキテクチャが、情報が分断されたツールに閉じ込められるのではなく、システム間をスムーズに移動できる構造になっていることが前提となる。
ウクライナの戦闘ソフトウェア・エコシステム全体、特にDeltaやその他の戦場管理ツールは、この現実を如実に示している。運用上の価値は、個々のアプリケーションそのものよりも、様々な情報源から情報を収集し、それを共有認識へと変換し、より迅速な行動を支援する能力にある。ウクライナのDeltaシステムに関する最近の分析では、ターゲットの発見から攻撃までの時間を短縮するデジタル・ターゲティング・アーキテクチャの一部として位置づけられている一方で、ドクトリン、訓練、ガバナンス、組織文化も技術の進歩に追いつかなければならないと警告している。これは有益な是正措置と言えるだろう。なぜなら、人間のプロセスを伴わないデータ・アーキテクチャは、単なる高価なダッシュボードに過ぎないからだ。
したがって、リーダーが問うべき質問は、流行り廃りではなく、実用性に関するものである。どのようなデータが収集されているのか、誰がそのデータを所有しているのか、誰がそのデータを検証しているのか、どれくらいの速さで共有できるのか、データの分類レベルはどの程度なのか、データが誤っている場合はどうなるのか、そしてどのように訓練やモデルの改善にフィードバックされるのか。これらの質問を提起する必要があるのは、AIシステムは単に大規模なデータセットに接続されているだけで有用になるわけではないからだ。データが関連性があり、タイムリーで、文脈化され、安全で、統制され、指揮官が実際に責任を負う決心と結びついている場合に、AIシステムは真に役立つものとなる。
ウクライナの事例は、AIが戦場に投入されるのは、人間が速度とデータ量の管理において支援を必要としているからであり、人間が不要になったからではないことを示している。戦場では、作戦のペースで手作業で処理できる量を超えるデータが生成されているが、その解決策は判断を機械に委ねることではない。解決策は、人々が何が重要かをより迅速に特定し、何が不確実なのかを理解し、チャンスが失われる前に行動を起こせるようなシステムを構築することである。
3. ターゲットの認識は有用だが、ターゲットに対する責任を意味するものではない。
ターゲット認識（target recognition）は、AIが即座に運用上の価値を提供できる分野の一つであり、同時に、不用意な言葉遣いがすぐに危険な事態を招く分野でもある。ドローン映像、衛星画像、熱画像、センサー入力などにおいて、AIは物体の検出、パターンの分類、異常の特定、経時的な変化の識別、そして圧力の中で大量の視覚情報を処理しようとするオペレーターの支援に役立つ。これにより、特に目標が高速で移動し、露出時間が短く、人間の注意力がすでに限界に達している戦場において、観測から評価までの時間を短縮できる。
ウクライナでは、これは理論上の話ではない。ロイター通信は、ウクライナがドローンAIシステムの訓練のために、数百万枚の注釈付き画像や戦闘飛行映像を含む戦場データを同盟国に公開していると報じた。こうしたデータセットは、ターゲット認識システムにはショールームのような画像ではなく、実際の戦場の状況が必要であるため、非常に価値がある。樹木に隠れたり、煙や泥、迷彩、損傷したインフラ、劣悪な照明、熱による歪みなどによって部分的に隠された車両画像との違いは、些細な技術的問題ではない。認識支援が有用か誤解を招くかは、まさにこうした作戦上の現実によって決まる。
AIによる認識支援は、車両、人員配置、砲兵陣地、塹壕システム、航空脅威、ドローンの痕跡、損傷した装備、ルート活動、戦場の変化などを特定するのに役立つ。また、ドローン映像のトリアージ、分析官の負担軽減、優先順位付けの迅速化にも貢献する。さらに、小型の航空脅威を人間の監視員が手動で行うよりも迅速に検知、分類、追跡することで、対ドローン・システムを支援することも可能である。これらの役割において、AIは判断力を代替するものではなく、速度、量、注意力の管理を支援するものである。
問題は、認識（recognition）と責任（responsibility）を混同することから始まる。システムは対象物を戦車、トラック、砲、ドローン、兵士、あるいは移動パターンとして分類するかもしれないが、その出力は、武力行使前に指揮官が答えなければならない疑問に答えるものではない。対象物が合法的なターゲットであるか、近くに民間人がいるか、ターゲットが依然として有効であるか、打撃が比例的であるか、交戦が任務を支援するものか、インテリジェンスが十分であるか、あるいはシステムが欺かれているかを判断するものではない。識別支援は交戦権限とは異なる。
米陸軍戦略大学の大規模戦闘作戦におけるインテリジェンスに関する記事は、ウクライナ軍将校の言葉を引用している。「無人航空機（UAV）によるAI自動化ターゲット認識は、人間による検証が必要だ」。この一文は、AI戦略に関する多くの記述よりも、作戦上の重みを持っている。なぜなら、それは実験室での成果ではなく、戦場での経験を反映しているからだ。指揮官が技術を嫌っているからではなく、戦争は曖昧さ、欺瞞、そして信頼度スコアでは測りきれない結果に満ちているからこそ、人間による検証が必要なのである。
天候、煙、地形、植生、影、損傷した車両、おとり、電子妨害、敵対者の行動など、あらゆる要素がシステムの認識に影響を与える。車両は放棄されている、故障している、乗員がいる、偽装されている、おとりとして配置されている、あるいは要保護対象者や民間インフラの近くに位置している可能性がある。熱信号は活動を示すかもしれないが、必ずしも合法的なターゲットであるとは限らない。移動パターンは敵対的に見えるかもしれないが、他の情報源からの文脈が必要である。モデルは画像に何が存在する可能性があるかを特定するのに役立つが、その後に何が起こるかについての法的、倫理的、運用上の責任を完全に負うことはできない。
こうした状況において、「ヒューマン・イン・ザ・ループ（human in the loop）」という表現は往々にして浅薄なものになりがちである。真に求められるのは、単に人間が承認ボタンをクリックすることだけではない。人間は、出力結果を意味のある形で検証するために、十分な文脈、時間、訓練、権限、そしてシステムへの深い理解を備えている必要がある。システムがユーザーを圧倒したり、不確実性を隠蔽したり、確信の薄いものを確信として提示したり、オペレーターに機械の推奨事項を無条件に承認するよう圧力をかけたりすると、人間の役割は責任あるものではなく、単なる形式的なものになってしまう。
戦略国際問題研究所（CSIS）は、ウクライナが特に航空システムにおいて部分的な自律性において著しい進歩を遂げたと評価している一方、交戦判断においては人間の監視が依然として不可欠であるとしている。このバランスこそが、真剣に受け止めるべき現実である。AIは、特に通信状況が悪化したり、オペレーターが圧力にさらされている状況において、ターゲット認識や自律性の向上に役立つ可能性があるが、支援から責任への移行は技術的なアップグレードではない。それは、指揮、法律、そしてガバナンスに関する決定であり、慎重に行われなければならない。
したがって、リーダーシップに関する問いは、実際的かつ厄介なものである。システムは一体何を、どの程度の確信度で、どのようなデータに基づいて、どのような環境条件下で、どのような敵対者の欺瞞に対して認識しているのか？誰がその出力を検証するのか、他にどのような情報源がそれを裏付ける必要があるのか、不確実性はどのようにユーザーに示されるのか、そしてシステムが誤っていた場合はどうなるのか？これらの問いを提起する必要があるのは、ターゲット認識ツールがドローン・システム、防空ワークフロー、ISRプラットフォーム、戦場管理システムにますます多く組み込まれるようになるためであり、人間の役割を明確に定義していない組織は、最悪のタイミングでその曖昧さに気づくことになるからである。
欧州とNATOにとっての教訓は、AI支援による認識を避けることではない。それは非現実的であり、作戦上自滅行為となるだろう。教訓は、それを規律をもって統合することである。認識ツールには、劣悪な条件下での実地試験、明確な信頼度閾値、監査証跡、人的検証手順、交戦規則との整合性、自動化バイアス（automation bias）に対する訓練、そして運用からモデル改善へのフィードバック・ループが必要である。これらのレイヤーがなければ、AIによるターゲット認識は、ブリーフィング・ルームでのみ効果を発揮する、単なる洗練された機能に終わってしまう危険性がある。
ウクライナの事例は、ターゲット認識がなぜ重要なのかを示しているが、同時に、認識が密かに責任へと転化してはならない理由も示している。AIは、人間が評価する必要のある情報を見つけ出し、選別し、優先順位付けするのに役立つ。AIは、情報を見て理解するまでの時間を短縮できる。しかし、何が合法で、必要で、適切で、作戦上妥当であるかを判断する指揮官の責任をAIが奪うことはできない。この区別は、哲学的な装飾ではない。それは、速度が無謀さへと転化するのを防ぐものなのである。
4. センサー融合こそが、AIを作戦的な価値あるものにする。
AIは、断片的な情報をつなぎ合わせてより明確な戦場像を構築する際に、運用上の価値を発揮する。ドローンは一つの角度からしか見ることができない。衛星は別の角度から見ることができる。電子戦センサーは、目視による確認なしに電波の放射を検知できる場合がある。レーダーは動きを追跡できるが、意図までは把握できない。地上からの報告は文脈を把握できるが、到着が遅れたり、不確実な情報が含まれていたりする場合がある。サイバー・インテリジェンスは、物理的な位置関係を示さずに活動を示唆する場合がある。人間の知能（human intelligence）は、センサーだけでは解釈できない行動を説明できる場合がある。これらの情報源のどれも単独では全体像を把握することはできない。そうでないと装うことが、非常に高価なシステムが不完全な情報に基づいて過信してしまう原因となる。
ウクライナ戦争は、この融合の問題（fusion problem）を避けられないものにした。戦場は、ドローン、衛星、レーダー、音響センサー、電子戦システム、傍受された信号、地上観測員、砲兵部隊、防空警報、海上活動、民間人からの報告で溢れかえっている。それぞれの入力には価値があるが、それぞれに限界もある。ドローンからの映像は妨害されたり、偽装されたり、隠蔽されたりする可能性がある。衛星画像は遅延したり、天候の影響を受けたり、戦術的な判断を下すには頻度が低すぎたりする可能性がある。電子戦センサーは、発信源が何をしているのか正確には分からなくても信号を検出する可能性がある。人間の報告は文脈が豊富かもしれないが、速度や精度にばらつきがあるかもしれない。作戦上の優位性は、これらの入力を行動を支援するのに十分な速さで組み合わせつつ、美しく融合された無意味なものにならないよう、十分な懐疑心を保つことによって得られる。
ここでウクライナのデジタル戦場アーキテクチャが重要になってくる。Deltaのようなシステムは、単に地図上に情報を表示するから価値があるわけではない。異なる情報源からの情報を統合し、共通の状況認識を構築するのに役立つからこそ価値がある。ウクライナの戦場ソフトウェア・エコシステムに関する最近の分析では、Deltaはドローン、衛星、カメラ、センサー、偵察部隊、その他の報告ストリームからの入力を集約して共通の作戦状況図を作成すると説明されている。一方、GIS ArtaやKropyvaといった関連ツールは、火力配分、ミッション・プランニング、接続性が低下した状況下での作戦を支援するのに役立つ。ここでの実践的な教訓は、センサー融合は抽象的なデータ・コンセプトではないということだ。センサー融合によって、部隊は戦闘状況を迅速に把握し、連携して行動できるようになる。
AIは、重複を減らし、パターンを強調し、異常を警告し、オペレーターが一度に多くの入力を処理するのを支援することで、これを支援できる。複数のセンサーが同じエリアでの活動を報告した場合、AIはそれらの観測結果を関連付けるのに役立つ。ドローンのフィードが過去の兵站パターンと一致する動きを示した場合、AIはそれを人間のレビューのために警告することができる。電子戦データが疑わしい指揮所の近くで放射を示している場合、AIはその信号を他の指標と関連付けるのに役立つ。防空センサー、音響探知、および視覚フィードがドローンの脅威の可能性を示している場合、AIは警告の期限が切れる前にアラートの優先順位付けに役立つ。これらの場合、AIの価値はAIが戦場を「知っている」ことではない。価値は、そうでなければ埋もれてしまうような事柄に人間が気づくのを助けることにある。
ここでも、「共通作戦状況図（common operational picture：COP）」という用語を慎重に扱う必要がある。共有された状況図は、必ずしも真実の状況図とは限らない。融合（fusion）は理解を深めるのに役立つが、不十分なデータ、誤った前提、あるいは敵対者の欺瞞が検証なしにシステムに融合されると、誤りが急速に拡散する可能性がある。偽装された信号、誤ってラベル付けされた物体、古い画像、あるいは誤った報告は、洗練されたデジタル画像の一部として提示されると、より危険なものになり得る。地図が美しくなればなるほど、その下に依然として不確実性が存在することを忘れやすくなる。
指揮官にとって、中心的な問題はシステムがデータを統合できるかどうかではなく、統合された出力が決心を行うのに十分な信頼性を備えているかどうかである。ターゲティング、ルート選択、防空優先順位付け、負傷者搬送、兵站計画策定、対ドローン対応など、すべてが同じレベルの確実性や速度を必要とするわけではない。分析官がどのフィードを監視すべきかを優先順位付けするシステムは、致死的打撃を支援するシステムとは異なる不確実性を許容できる。指揮官は、どの程度の信頼度が示されているのか、評価に貢献した情報源は何か、何が欠けているのか、そして情報がどれくらい早く陳腐化する可能性があるのかを知る必要がある。
センサー融合は、戦術的認識（tactical awareness）と戦略的認識（strategic awareness）の関係性も変化させる。最前線のドローン・チームは、即時の射撃任務を支援する映像を生成するかもしれない。同じ映像は、後に戦闘被害評価、モデル訓練、パターン分析、作戦計画策定にも活用される可能性がある。レーダー追跡は、その場での防空を支援するだけでなく、攻撃ルートのより広範な理解にも貢献する。電子戦による探知は、オペレーターの位置を局所的に特定するのに役立つだけでなく、敵対者の習慣をより広範囲に明らかにする可能性もある。AIは、情報を意味のあるものにしていた文脈を損なうことなく、これらのレイヤー間で情報を伝達する際に役立つ。
ウクライナが同盟国のAI訓練のために戦場データセットへのアクセスを開放するという決定は、この点を裏付けている。これらのデータセットの価値は、画像や飛行映像の量だけではなく、複数の情報源、不具合、適応、敵対者の振舞いが交錯する実際の戦闘状況から得られたものであるという点にある。個々の画像で訓練されたAIは物体認識を支援するかもしれないが、より広範なセンサー融合環境内で訓練およびテストされたAIは、関係性、パターン、および文脈の理解を支援できる。この違いこそが、運用上の価値が高まり始める点であり、同時にガバナンスの負担がより深刻になる点でもある。
センサー融合を理想ではなく能力として捉える前に、指導者はいくつかの疑問を抱くべきである。どの情報源が融合されているのか、誰がそれらを制御しているのか、電子戦下でどの程度信頼できるのか、古いデータはどのようにマークされるのか、不確実性はどのように表示されるのか、矛盾する入力はどのように処理されるのか、そして出力に基づいて行動する権限は誰にあるのか。これらの疑問は重要である。なぜなら、センサー融合は摩擦（friction）を軽減することも、隠蔽することもできるからだ。指揮官が信頼度、情報源の品質、時間遅延、ギャップを把握できない場合、実際の戦場よりもきれいに見えるデジタル画像に基づいて意思決定を行っている可能性がある。
欧州とNATOにとって、教訓は明白だ。センサー融合は、断片化されたアーキテクチャに後付けで付け加えることはできない。データ標準、相互運用性、アクセス・ルール、セキュリティ・モデル、機密情報の取り扱い、サイバー保護、オペレーターの訓練、そして融合された情報を意思決定（decision-making）にどのように活用するかのドクトリンが必要となる。また、謙虚さも必要だが、これは防衛技術に関する議論において必ずしも最も豊富な資源とは言えない。センサーが増えれば必ずしも決心が良くなるわけではなく、AIが増えれば必ずしも理解が深まるわけでもない。アーキテクチャ、ガバナンス、そして訓練されたユーザーがなければ、融合はデジタルの霧（digital fog）の新たなレイヤーとなってしまう。
ウクライナの事例は、AIが不確実性が消え去ったかのように装うことなく、多くの断片的な情報をより迅速に共有認識へと変換するのに役立つ場合に最も有用であることを示している。これが運用上の最適なポイントである。システムは、人々がパターンをより早く認識し、情報源をより迅速に比較し、重複作業を減らし、異常を特定し、情報がまだ有効なうちに行動できるように支援するべきである。融合されたデータが真実であると指揮官を惑わしてはならない。欺瞞、ジャミング、移動、そして衰退によって形作られる戦場において、センサー融合の価値は、リーダーが知らないことを理解しながら、より迅速に決定できるように支援することにある。
5. 決心支援は決心の代替ではない。
ウクライナでは決心の猶予時間が短縮されているため、AIによる決心支援が魅力的なものとなっている。ドローンからの映像は、ターゲットが姿を消すほんの数分間しか動きを捉えられない可能性がある。防空オペレーターは、迫りくる脅威を分類し、利用可能な対応策を理解し、高価な迎撃ミサイルを攻撃の誤ったレイヤーに無駄に投入することを避けるのに、ほんの数秒しか時間がないかもしれない。兵站ルートは午前中は使用可能でも、午後にはドローンによる監視下に置かれる可能性がある。このような状況下では、選択肢の優先順位付け、リスクの強調表示、映像の優先順位付け、ルートの提案、センサー入力の相関分析、計画策定支援などができるツールが、真の運用価値を発揮する。
その価値は、指揮権の代替と混同されるべきではない。AIは決心プロセスを支援することはできるが、指揮責任を担うことはできない。AIは、ターゲット候補の特定、緊急性の高い情報の特定、優先順位の提案、リスク評価、ルート計画策定の支援、兵站の最適化、あるいは防空部隊による複雑な攻撃パターンの管理などを支援することができる。しかし、人間としての、そして作戦上の意図を完全に理解したり、政治的影響を考慮に入れたり、均衡性を判断したり、不完全な文脈を解釈したり、二次的な影響を評価したり、結果に対する責任を受け入れたりすることはできない。AIは決心の猶予期間を狭めるのに役立つかもしれないが、決定権を握るわけではない。
ウクライナの現在の方向性は、この区別が哲学的なものではなく、実際的なものである理由を示している。ロイター通信は2026年6月に、ウクライナがすでにAIを複数の戦場機能に活用しており、ターゲットへのドローン飛行、戦闘作戦の計画支援、ロシアのミサイル攻撃に関するデータの分析などを行っていると報じた。また、ウクライナの国防AI指導部は、こうしたツールを統合し、より迅速な意思決定（decision-making）を支援する戦場運用システムを構築することを目指しているという。この野心は、戦争の方向性を反映している。AIは、指揮、ターゲティング、防空、自律性、データ処理といった作戦レイヤーへと進出しつつある。また、システムの高速化は責任の明確化の必要性を高めるため、避けて通れないガバナンスの問題も提起している。
指揮官やオペレーターが手作業で処理しきれないほどの情報量に直面しているからこそ、決心支援は特に役立つ。防空分野では、AIは脅威の分類、追跡の相関関係の把握、迎撃機の配備支援、攻撃パターンの特定などに役立つ可能性がある。兵站分野では、ドローンの活動状況、道路状況、燃料の入手可能性、危険度などを考慮したルート比較に役立つ可能性がある。ターゲティングでは、フィードの優先順位付け、軍事目標の特定、センサー観測結果と利用可能な効果の関連付けに役立つ可能性がある。ミッション・プランニングでは、散在するデータの中に埋もれてしまうような、タイミング、ルート、地形、周波数帯域に関するリスクの特定に役立つ可能性がある。これらの機能は、遅延が大きな損失につながる場面で人々の注意を集中させるのに役立つため、非常に重要である。
危険は、決心支援が決心権限（decision authority）のように見え始めたときに生じる。推奨事項は、人からではなくシステムから送られてくるため、中立的に感じられるかもしれないが、すべての推奨事項は、データ、モデルデザイン、目標、閾値、訓練条件、およびシステムが最適化するように指示された内容に関する仮定を反映している。ルートの提案は、民間人の移動、天候、電子戦範囲、または最近の敵の適応を軽視して、速度を最適化する可能性がある。ターゲティングの推奨事項は、より広範な任務を理解せずに、フィードを緊急度が高いとランク付けする可能性がある。防空ツールは、技術的特徴に基づいて1つの飛来経路を優先する可能性があるが、指揮官は依然として備蓄量、保護対象、およびより広範な攻撃順序を考慮しなければならない。
自動化バイアス（automation bias）が深刻な運用上の問題となるのはまさにこの点である。軍事AI決心支援システムに関する研究では、特に時間的制約、作業負荷、不確実性といった状況下では、ユーザーが自動化された推奨事項に過度に依存する可能性があると警告し続けている。国際赤十字委員会もまた、ターゲティング支援システムにおけるAIの速度と拡張性によって、「大量生産型ターゲティング」への圧力が生じ、人間の関与が意味のある判断ではなく、単なる手続き上の承認ステップになってしまう危険性があると警告している。この警告は反技術的なものではない。組織がプロセスを適切にデザインしなければ、決心時間が短縮されることで、人間の制御がいつの間にか人間のパフォーマンスへと変わってしまう可能性があることを改めて認識させるものである。
だからこそ、NATOの責任あるAI原則（responsible AI principles）は運用上重要な意味を持つのである。合法性、責任と説明責任、説明可能性と追跡可能性、信頼性、統治可能性、そしてバイアス軽減は、単なる学術的な装飾ではない。これらは、指揮官がシステムの出力を理解し、疑問を呈し、上書きし、監査し、その使用方法について責任を負い続けることができるかどうかを決定づけるものである。AIによる決心支援が、ユーザーが圧力の下で理解できる形で不確実性、情報源の質、前提条件、信頼度、制約を示すことができない場合、判断力は低下するものの、処理速度は向上する可能性がある。それは能力とは言えない。それは、より速くミスを犯すための、非常に洗練された方法に過ぎない。
したがって、リーダーシップに関する問いは直接的なものでなければならない。AIシステムはどのような決心を支援しているのか、人間にはどのような権限が残されているのか、どのようなデータが使用されているのか、どのような不確実性が示されているのか、どのような前提が組み込まれているのか、システムが誤っている場合はどうなるのか、そして指揮官はどのようにして出力結果を覆したり異議を唱えたりできるのか。これらの問いを提起する必要があるのは、AIによる決心支援が、防空、ターゲティング、兵站、インテリジェンス、ドローン運用、指揮系統においてますます普及していくからである。運用開始前にこれらの問いに対する答えが明確に定義されていなければ、既に過重な負担を抱えている人々によって、責任の所在が圧力の中で取り決められることになるだろう。
決心支援は、指揮レベルに合わせて調整する必要がある。小隊長、防空オペレーター、旅団参謀、兵站計画担当者、国家レベルの指揮官は、同じ出力、同じ詳細レベル、同じ推奨速度を必要とするわけではない。戦術システムは、差し迫った生存と局地的な行動を優先する必要があるかもしれないが、作戦司令部は、パターン、依存関係、リスクのトレードオフ、および資源配分を理解する必要があるかもしれない。すべてのレベルに同じ機械生成の「優先順位」が与えられると、システムは指揮支援ではなく、階層構造（hierarchy）の混乱を招く可能性がある。
欧州とNATOにとって、調達に関する教訓は明白すぎて、少々居心地が悪い。「AI活用の決心支援（AI-enabled decision support）」を、ドクトリン、訓練、データ・ガバナンス、監査可能性、ユーザー・インターフェースの規律、法的審査、運用上のテストなしに購入しても、より良い決心は生まれない。それは、部屋に新たな画面、ワークフローに新たなアラート、そして指揮官が何とか受け入れなければならないベンダー主導の新たな約束を生み出すだけだ。問題は、AI決心支援システムが無用なことではない。問題は、それが実際の指揮プロセスに統合され、劣悪な条件下でテストされ、運用上の責任の一部として管理されて初めて有用になるということだ。
ウクライナの事例は、AIが情報と行動の間の時間を短縮できることを示している。この短縮は、指揮官がより迅速かつ的確な判断を下せるようにすることで人命を救う可能性がある一方で、文脈、検証、説明責任を伴わずに勧告が受け入れられるとリスクを生み出す可能性もある。したがって、重要な教訓は、機械が人間よりも速く決定を行うべきだということではない。重要な教訓は、人間は機械支援環境の中で決定を行う機会が増え、指導者は速度が判断力を凌駕しないようにしなければならないということである。
6. 自律性（autonomy）と自動化（automation）は同じものではない。
自律性（autonomy）と自動化（automation）はしばしば同じ意味で使われるが、これは営業資料には都合が良いものの、真剣な防衛計画策定においては致命的な誤りである。運用面では、自動化は事前に定義されたルールやワークフローに従う。ルートの維持、アラートの発動、飛行の安定化、ウェイポイントの追跡、センサー・フィードのフィルタリング、特定の条件が満たされた場合の定型応答の適用など、事前にデザインされたプロセスを実行する。自律性はさらに一歩進んで、システムが定義されたミッション・パラメータ内で適応し、変化する状況に対応し、継続的な人間の制御なしに特定の選択を行うことができる。
この区別が重要なのは、ウクライナの戦場が、誰かが突然、空想科学（science fiction）に興味を持ったからではなく、実用的な理由からシステムの自律性を高めようとしているからだ。ドローンは妨害され、映像入力（video feeds）は劣化し、GPSは利用できず、オペレーターは過負荷状態にあり、ターゲットは高速で移動し、一部の任務は継続的な手動制御が常に信頼できるとは限らない距離や速度で行われる。このような状況では、通信が途絶しても動作を継続できるシステムの方が、敵が既に破った信号を忠実に待つシステムよりも有用である可能性がある。
戦略国際問題研究所（CSIS）は、ウクライナが特に航空システムにおいて部分的な自律性において有意義な進歩を遂げたと評価している一方、完全な自律戦（autonomous warfare）は依然として目標であり、交戦決定においては人間の監視が依然として不可欠であるとしている。このフレームワークは、議論を本来あるべき場所に留めておく上で有用である。ウクライナは、機械が人間の指揮を完全に置き換えるという明確な飛躍を示しているわけではない。航行を支援し、任務を安定させ、物体を認識し、混乱下でも飛行を継続し、迎撃を支援し、オペレーターの負担を軽減できるシステムへと徐々に移行しつつあり、同時に武力行使には依然として人間の責任が必要であることを示している。
その違いはドローン運用において顕著に現れる。あらかじめ設定されたウェイポイントを辿ったり、信号が途絶えた際に帰還したりするドローンは自動化（automation）を行っている。一方、経路を調整したり、通信状況が悪化してもターゲット・エリアへ向かって飛行を続けたり、特定の物体クラスを認識したり、任務上の制約内で端末誘導を支援したりできるドローンは自律飛行へと向かっている。どちらも有用ではあるが、運用面およびガバナンス面で異なる課題が生じる。前者は、事前に定義されたルールが信頼できるかどうかという問題であり、後者は、システムがどのように適応し、どのような制約を受け、不確実性がどのように処理され、状況が変化した際に誰が責任を負うのかという問題である。
同じ区別は、徘徊型弾薬（loitering munitions）と迎撃システムにも当てはまる。自動システムは、固定パラメータに従って検出された脅威に対応する場合がある。より自律型システム（autonomous system）は、人間の制御が遅れたり利用できない場合に、定義された任務空間内で探索、分類、優先順位付け、および交戦を行うことができる。ウクライナがShahed型攻撃に対するより安価な迎撃ドローンを推進していることは、これがなぜ重要なのかを示している。2026年6月の防衛レポートでは、Shahed型ドローンとの交戦プロセスの多くを自動化できるBrave1支援のウクライナの迎撃技術について説明しており、これはウクライナが大規模攻撃システムに対するより迅速かつ安価な防空レイヤーを必要としていることを反映している。
ジャミング下での航行も、実用的な推進要因の一つである。GPSの性能が低下し、制御リンクが途絶した場合、完全に手動遠隔制御に依存するシステムは、目的のエリアに到達する前に機能停止する可能性がある。自律性は、通信途絶時における視覚航法、慣性誘導、ルート調整、ターゲット再捕捉、または任務継続に役立つ。しかし、これはリスクを完全に排除するものではない。リスクの様相を変えるだけである。リンクがなくても動作を継続できるシステムは、妨害電波によって停止させにくくなるが、より明確な制限、より優れたテスト、より強力な安全ロジック、そして人間の入力がなくなったときにシステムが何を実行できるかを定義するガバナンスが求められる。
地上ロボットや海上ドローンは、同じ問題を他のドメインにも持ち込んでいる。兵站、負傷者搬送、機雷敷設、戦闘支援などに使用される地上ロボットは、最初は遠隔操作や自動ルート支援から始まるかもしれないが、環境が危険で混乱するほど、オペレーターの絶え間ない入力なしに、障害物、信号喪失、地形の変化、ルート決定をシステムが処理できることの価値が高まる。ウクライナの無人地上システムに関する最近の報告では、兵站、搬送、戦闘の役割に使用されるシステムの急速な成長が示されており、多くのプラットフォームは、地雷、砲、ドローンが蔓延する地域での人間の危険を減らすようにデザインされている。ガバナンスがまだ追いついていないとしても、運用の方向性は明白だ。危険度が高い地域ほど、無人システムをさらに深くその地域に押し込む圧力が強くなる。
海上ドローンは、自律性が戦術的な利便性だけにとどまらない理由を示している。長距離無人水上システムは、航行、障害物回避、通信途絶への対応、変化する海況への対応、そして他のシステムとの連携を必要とする場合がある。遠隔操縦船（remotely piloted vessel）は自律型海上システムとは異なり、一方通行の攻撃プロファイルは、より広範な海上アーキテクチャ内で運用される再利用可能な自律型プラットフォームとは異なる。運用上の問題は、システムが流行の自律性ラベルを持っているかどうかではない。問題は、システムがどのような制約の下で、どのようなデータを用いて、どのような決定を下せるか、そして環境が説明資料で示されたよりも複雑になった場合に何が起こるかである。
防空は、時間的制約が非常に厳しいため、さらに深刻な他のレイヤーとなる。自動化された自律型支援は、脅威の分類、追跡の優先順位付け、迎撃ミサイルの提案、交戦順序の支援に役立つ。しかし、防空に関する決心には、防護対象アセット、迎撃ミサイルの備蓄、民間空域、友軍相撃のリスク（fratricide risk）、エスカレーションの考慮事項、交戦規則なども含まれる。速度を支援するシステムであっても、指揮・統制の論理によって制約されなければならない。そうでなければ、問題はシステムが遅すぎるということではなく、組織が制御できないほど高速になってしまう可能性があるということだ。
自律性によって能力とガバナンスの負担が増大するのはそのためである。自律性は、到達範囲の拡大、オペレーターの作業負荷の軽減、妨害電波下での機能維持、危険区域での作戦支援、応答時間の短縮といった利点をもたらす。しかし同時に、任務の境界、中止条件、ターゲットの検証、監査可能性、説明責任、フェイルセーフ動作、サイバー保護、モデル性能、そして人間の制御といった、より困難な課題も提起する。NATOの改訂版AI戦略では、ガバナンス、責任と説明責任、信頼性、説明可能性、追跡可能性を責任ある利用原則として位置づけており、これはまさに自律性が実験室のプロトタイプから運用チェーンへと移行する際に必要となる用語である。
したがって、リーダーはシステムが「自律型（autonomous）」かどうかという単純な問いにとどまらず、より具体的な問いを投げかける必要がある。どの機能が自動化され、どの機能が自律的に動作し、どの決定が人間の判断に委ねられ、どの決定がシステムに委ねられ、通信が途絶した場合どうなるのか、システムはどのように不確実性を認識するのか、どのようにシステムを停止できるのか、そして任務終了後はどのように監査されるのか。自律性とは単一のスイッチではなく、運用上の影響を伴う一連の委任機能であるため、これらの問いに答える必要がある。
欧州とNATOにとって、実践的な教訓は、自律性を調達における単なるラベルとして扱うべきではないということだ。「自律型（autonomous）」と称されるドローン、地上ロボット、海上システム、迎撃機は、任務内容、ソフトウェア、センサー、規則、通信、データ品質、そして人間の監視といった要素によって、全く異なる動作をする可能性がある。明確な定義と現実的な条件下でのテストがなければ、自律性は、非常に複雑なリスクを覆い隠す、単なる美辞麗句に過ぎない。
ウクライナの事例は、自律性が推進されている理由を如実に示している。通信の混乱、速度、規模、そして人的リスクといった要因が、システムに絶え間ない監視なしに、より多くのことをこなすことを強いている。同時に、人間の責任が軽視されるのではなく、むしろ重要性を増している理由も示している。システムが自律的に適応できる度合いが高まるほど、指導者は、システムが適応できる範囲、決して行ってはならないこと、そして人間が結果に対してどのように責任を負い続けるべきかを、より慎重に定義する必要がある。
7. 電子戦（EW）、通信環境の悪化、そして戦場における速度への要求が、自律性の進展を後押ししている。
ウクライナで自律システムが推進されているのは、戦場が常に人間の制御を必要とする環境ではないからだ。その魅力は、イデオロギー的なものでも、未来志向的なものでも、クリーンなものでもない。通信障害、ナビゲーション機能の喪失、映像入力（video feeds）の劣化、オペレーターの過負荷、長距離、短い交戦時間、そして完璧な通信を待つシステムは、実際に役立つ段階に到達する前に機能不全に陥る可能性があるという単純な現実から生じている。
本シリーズのパート5では電子戦に焦点を当てた。なぜなら、電子戦の耐性がなければ、他のすべてが劣化し始めるからである。この点は、AIと自律性について議論する際にさらに重要になる。遠隔操作ドローンは、制御リンク、映像入力（video feed）、ナビゲーション支援、オペレーターの注意、そして使用可能な電磁環境に依存している。そのリンクが妨害されたり、GPSが利用できなくなったり、映像入力が途絶えたり、距離、地形、干渉、または作業負荷のためにオペレーターが制御を維持できなくなったりすると、ある程度の自律型機能（autonomous function）が運用上魅力的なものになる。
だからこそ、自律性を人間による戦いからの魔法のような脱却として捉えるべきではない。それはむしろ、摩擦（friction）に対する現実的な対応策なのである。制御リンクが途絶えても任務を継続できるドローンは、手動制御システムが機能しなくなるような状況でも効果を発揮する可能性がある。全球測位衛星システム（GNSS）が信頼できない状況で搭載センサーを使って航行できるシステムは、アクセスが制限された環境でも生き残れるかもしれない。Shahed型ドローンに対する最終接近を支援できる迎撃機は、既に大規模な攻撃に直面しているオペレーターの負担を軽減できるだろう。これらの機能は復元性を向上させることができるが、指揮責任、テスト、制約、そして人間の検証の必要性をなくすものではない。
ウクライナの方向性は、こうした圧力を反映している。ロイター通信は2026年6月、ウクライナが既にドローンによるターゲット攻撃、戦闘計画策定の支援、ロシアのミサイル攻撃の分析など、複数の戦場機能にAIを活用していると報じた。ウクライナの国防AI指導部は、こうしたツールを統合し、意思決定（decision-making）を加速させる戦場オペレーティング・システムの構築を狙っている。これは、人間が不要になるという話ではない。むしろ、手動による制御と分析だけでは、状況に対応しきれなくなる戦場で、人間が活動していくという話なのである。
電子戦との関連性は明白だ。ロシアによるジャミングやスプーフィングは、ウクライナに全地球測位システム（GPS）依存型および通信リンク依存型のシステムに代わる代替手段の開発を繰り返し強いてきた。米外交問題評議会（CFR）によるウクライナのドローン技術革新に関する最近の分析では、信号ジャミングによってオペレーターとドローン間の通信リンクが劣化または破壊された場合、AIや自律性（autonomy）への依存度を高めるなどの代替誘導方法が不可欠になると指摘している。これらのシステムは、GPSが利用できない場合やオペレーターとの通信リンクが切断された場合でも、ドローンが運用を継続するのに役立つからだ。しかし、だからといって自律性が無敵というわけではない。脆弱な通信リンクへの依存度を低減する必要性は現実のものであるということだ。
光ファイバー・ドローンは、別の角度から同じ適応ロジックを示している。AI的な意味での自律型ではないが、戦場が無線周波数制御リンクに厳しい状況をもたらしているからこそ存在している。オペレーターとの物理的なケーブル接続を用いることで、ジャミングに対する脆弱性を低減しているが、その一方で、通信範囲、操作性、コスト、地形、運用上の柔軟性といった点で独自の制約が生じる。その台頭は、基本的な教訓を改めて示している。すなわち、周波数スペクトラムが敵対的になると、軍は代替手段によって制御、誘導、効果を維持する方法を模索する。自律性はそのような手段の一つではあるが、唯一の手段ではない。
戦場における速度の加速は、自律性の向上を後押しする。探知から交戦までの時間は短縮化の一途を辿っている。空中の脅威は迅速に識別し、対処する必要があるかもしれない。ドローンのターゲットは数分以内に移動したり、姿を消したりする可能性がある。地上ロボットは、通信が途絶えるような危険な地形でも任務を継続する必要があるかもしれない。海上ドローンは、限られた通信環境下で長距離を航行したり、変化する状況に対応したりする必要があるかもしれない。いずれの場合も、自律性は遅延を減らし、到達範囲を拡大し、人間の制御が途絶えた場合でもシステムを機能させ続けることができるため、魅力的な選択肢となる。
同時に、ガバナンスの負担も増大する。継続的な人的介入なしに運用を継続できるシステムには、明確に定義されたミッション・パラメータ、中止条件、ターゲット制約、フェイルセーフ動作、サイバー保護、および監査可能性が不可欠である。システムが通信を失っても動作を継続する場合、リーダーはシステムが何を実行できるのか、何を実行できないのか、不確実性をどのように処理するのか、そして任務を事後的にどのようにレビューできるのかを把握する必要がある。自律性は責任を免除するものではない。むしろ、任務開始前のデザイン、ドクトリン、テスト、および指揮官の承認に責任を移すものである。
こうした安易な自律性に関する主張は、マーケティング資料では滅多に見られない冷水を浴びせられるに値する。GPSなしで飛行できるドローンは、正確な航行、欺瞞の回避、劣化したセンサー入力への対応、そして任務の制約内での飛行が可能な場合にのみ有用である。ターゲット認識機能は、関連データで訓練され、デコイとのテストを経て、実戦で人間によって検証された場合にのみ有用である。自律型ルート計画装置は、電子戦、地形、敵の観測、友軍の動き、そして任務の優先順位を考慮した場合にのみ有用である。「自律型（autonomous）」という言葉は、これらの疑問に何ら答えるものではない。むしろ、疑問をより切迫したものにするだけだ。
指揮官にとって、実際的な問題は自律性が良いか悪いかではなく、どの機能が、どのような条件下で、どのような安全対策の下で、そしてどのような人的責任のもとで委任されるかである。システムは航行、経路選択、目標追跡、物体分類、警報の優先順位付け、最終誘導支援、あるいは交戦勧告を行うのか？それぞれの機能には、異なる運用上および法的な影響が伴う。これら全てを「自律性（autonomy）」という一つのラベルの下にまとめてしまうのは、洗練されたやり方ではない。それは、大規模な混乱を招くだけだ。
欧州とNATOにとっての教訓は、自律性は抽象的なイノベーションへの野心ではなく、電子戦、速度、そして通信の競合といった要素によってますます推進されるようになるということだ。防衛組織は、自律性を奇跡や怪物のように捉えることなく、この現実に備える必要がある。自律性とは、適切に管理されれば生存性とテンポを向上させることができる委任された機能の集合体であり、不十分なデータ、不十分なドクトリン、そして不十分な説明責任の上に構築されると、機械的な速度でミスを犯す可能性がある。
ウクライナの事例は、自律性（autonomy）がなぜ進歩しているのかを明確に示している。戦場はあまりにも速く、激しく、そして飽和状態にあるため、あらゆる任務において、絶え間ない手動制御だけでは十分ではないのだ。また、自律性が高まるにつれて、なぜ人間のリーダーシップがより重要になるのかも示している。システムが継続的な制御なしで実行できる範囲が広がるほど、リーダーは、システムが行動を起こす前に、任務、制約、検証プロセス、そして責任の所在をより慎重に定義する必要がある。
8. 戦場が不安定なため、AIの精度も安定しない。
防衛分野におけるAIの過大評価を招く最も簡単な方法の一つは、精度をシステムの固定的な特性であるかのように語ることである。モデルが試験で優れた性能を発揮し、ベンチマークが印象的で、認識率がスライドで提示されると、会話は戦場そのものよりもはるかに安定しているように聞こえる能力に関する主張へと急展開する。ウクライナの事例は、皆にもっと注意を促すべきである。AIの精度は永続的な特性ではない。それは、モデル、データ、環境、敵対者、任務、そしてシステムが使用される条件との関係性によって決まるものである。
ウクライナでは、こうした状況は絶えず変化する。天候が画像を変え、煙が画像を変え、泥が画像を変え、雪が画像を変え、植生が画像を変え、迷彩が画像を変え、戦場の残骸が画像を変える。焼けた車両、損傷した建物、塹壕、デコイ、熱による歪み、電子干渉、部分的な視界など、すべてがセンサーの視認する対象を変える。敵対者も、どのように探知されているかを理解すると行動を変える。つまり、ある条件で訓練されたモデルは、季節が変わったり、別のセクターに移動したり、敵が適応したり、ジャミングや視界不良でセンサーのデータが劣化したりすると、性能が低下する可能性があるということである。
実際の戦場とクリーンなテスト環境が異なるのはまさにこの点である。ターゲット認識モデルは厳選された画像ではうまく機能するかもしれないが、夕暮れ時の湿った樹木帯上を電子干渉を受けながらドローンが撮影した映像は、厳選されたデータセットではない。モデルは開けた地形では車両を認識できるかもしれないが、部分的な隠蔽、デコイ、損傷した装備、あるいは民間人の雑然とした状況では苦戦するかもしれない。地形が開けていて敵が特定の移動パターンを用いるあるセクターではシステムが機能するかもしれないが、森林地帯、都市の廃墟、煙、迷彩、そして異なる戦術によって認識上の問題が異なる別のセクターでは、システムの性能が低下する可能性がある。戦場ではデモがどう見えたかなど気にしない。それは無礼なことであるが、同時に有益なことでもある。
ロイター通信は2026年3月、ウクライナがAIモデルの訓練のために、数百万枚の注釈付き画像や戦闘飛行映像を含む実際の戦場データを同盟国に公開していると報じた。この取り組みは、AIシステムが実際の作戦上の決心を支援するためには、実際の作戦状況にさらされる必要があるという根本的な問題を認識している点で重要である。しかし、戦場データは万能薬ではない。データは雑然としており、機密性が高く、不均一で、時間的制約があり、収集時の状況によって形作られる。昨日の戦場で訓練されたモデルでも、敵が偽装、戦術、ルート、デコイ、電波発信規則、ドローンの挙動を変更した場合、再訓練が必要になる可能性がある。
米国国立標準技術研究所（NIST）のAIリスク管理フレームワークは、より一般的な用語で同じ点を指摘しており、データ・ドリフト、モデル・ドリフト、コンセプト・ドリフトを、AIシステムに対してより頻繁な保守と是正措置が必要となる可能性のあるリスクとして挙げている。軍事用語で言えば、これは入力と意味の関係が時間とともに変化する可能性があることを意味する。対象の外観が異なったり、文脈が変わったり、敵対者が適応したり、任務が変わったりする可能性がある。モデルが監視、テスト、更新されない場合、昨日まで役立った支援が、今日は自信過剰による誤りとなる可能性がある。
だからこそ、AIのテストは平時の快適な環境から脱却する必要がある。鮮明な画像、安定した接続、良好な天候、既知のターゲット・セットといった条件でシステムをテストするだけでは不十分である。劣化したフィード、センサーの損失、煙、泥、デコイ、カモフラージュ、スプーフィング（spoofing）、ジャミング、敵対的パターン、変化する地形、部分的なデータといった状況下でシステムをテストしなければならない。また、不確実性をユーザーにどのように示すかについてもテストする必要がある。なぜなら、自信満々に見えても間違っているシステムは、疑念を明確に示すシステムよりも危険だからである。
運用上のフィードバック・ループが不可欠となる。運用担当者が、特定の天候、地形、ジャミング状況、あるいは敵対者の戦術の下でモデルが機能不全に陥っていることに気づいた場合、その失敗は開発に迅速にフィードバックされ、有効活用されなければならない。こうした教訓が部隊レベルにとどまる限り、モデルは同じように機能不全に陥り続けるだろう。開発者が迅速に更新、再訓練、テスト、再配備できなければ、システムは戦場に遅れをとることになる。ウクライナの事例から得られる適応速度に関するより広範な教訓は、AIにも直接当てはまる。モデルは実戦配備された時点で完成ではなく、競争に投入される。
精度に関する主張の中には、深刻なガバナンス上の問題が潜んでいる。リーダーは、精度の数値が実際に何を意味するのか、どのデータセットで測定されたのか、テスト・データが実際の作戦環境と類似しているのか、システムが負荷を受けた際にどのように動作するのか、誤検知（false positives）と見逃し（false negatives）はどのようなものか、そしてセクター、季節、任務の種類によってパフォーマンスがどのように変化するのかを問う必要がある。これらの質問は、単なる形式的なものではない。これらの質問によって、そのツールが責任ある意思決定（decision-making）を支援するのか、それとも誤分類への道を加速させるのかが決まる。
誤検知（false positives）と見逃し（false negatives）は、それぞれ異なる運用上のリスクを伴う。誤検知（false positive）は、貴重な弾薬の浪費、射撃位置の特定、誤った目標への打撃、あるいは法的・政治的な影響を引き起こす可能性がある。一方、見逃し（false negative）は、脅威の移動、隠蔽、発砲、逃走を許してしまう可能性がある。防空においては、見逃されたドローンがインフラや兵士に命中する恐れがある。ターゲティングにおいては、誤った分類が違法な損害を引き起こす可能性がある。兵站においては、不適切なルート推奨が、監視対象地域への進入を招きかねない。「精度（accuracy）」を一つの単純な数値として扱うことは、こうした様々な影響を覆い隠してしまう。これはマーケティングには都合が良いかもしれないが、戦争においてはあまり役に立たない。
敵対者による欺瞞は、問題をさらに複雑にする。おとりは目新しいものではないが、AIは敵対者がシステムの認識を操作する新たな動機を生み出す。敵が特定の形状、熱特性、移動パターン、または放射が認識や優先順位付けのトリガーとなることを理解すれば、偽のターゲットを作り出したり、実際のターゲットを隠したりするために行動を適応させることができる。AIがターゲティング、対ドローン防御、兵站、防空に統合されるほど、敵対者はモデルの前提を攻撃する方法をより多く学ぶだろう。これは将来の懸念事項ではなく、有能な敵対者の通常の行動である。
欧州とNATOにとっての教訓は、AIの性能は運用上の条件付きで扱う必要があるということだ。調達チームは、データの出所、モデルの検証方法、劣化条件下での性能、アップデートの処理方法、ドリフトの監視担当者、不確実性の表示方法、人間による出力検証方法、障害報告方法などを問わずに、精度に関する主張を鵜呑みにしてはならない。指揮官は、システムが何を推論できるか、何を推論できないかについての訓練なしに、AIツールを渡されるべきではない。たとえパンフレットが防空傘に値するほど見栄えが良ければ、業界は実験室での性能と戦場での耐性を混同してはならない。
ウクライナでの出来事は、AIの精度がなぜ重要なのかを示すと同時に、精度は当然のこととしてではなく、維持されなければならない理由も示している。戦場は静的ではなく、敵対者は受動的ではなく、環境は穏やかではない。認識（recognition）、融合（fusion）、自律性（autonomy）、決心支援（decision support）を支援するAIシステムは、継続的なテスト、再訓練、検証、そして実際の使用からのフィードバックを必要とする。それがなければ、AIはデザインされた条件下ではうまく機能するものの、実際の戦争環境下では性能が低下する、ありふれたシステムになってしまう。
9. データ・ガバナンスは、AIが能力となるかノイズとなるかを決定する。
AIにはデータが必要だが、この一文で真剣な思考は止まり、単なる調達のためのパフォーマンスが始まることが多い。より厳しい現実として、AIには適切なデータが、適切な構造で、適切な権限、ラベル、文脈、セキュリティ管理、品質チェック、そして運用目的とともに必要となる。それがなければ、データ量を増やしても能力は向上しない。むしろ、ノイズが増え、混乱が増し、システムが誤った判断を下す可能性が高まるだけだ。
ウクライナの戦場データは、それが現実のものであるため価値がある。ロイター通信は2026年3月、ウクライナが同盟国のAIモデル訓練のために戦場データセットへのアクセスを開放したと報じた。これには、戦時作戦中に収集された数百万枚の注釈付き画像や戦闘飛行映像が含まれる。泥、煙、迷彩、損傷した車両、デコイ、視界不良、電子妨害、敵対者の適応といった要素が含まれているため、開発者がクリーンな実験室で作り出すことのできない種類のデータである。また、文脈、機密性、リスクも含まれており、そこにガバナンスの問題が生じる。
実際のデータは、必ずしもそのまま使えるデータとは限らない。ドローンの映像にはターゲットが映っているかもしれないが、メタデータ、位置情報、時刻、センサーの種類、天候、部隊の状況、任務の目的、信頼度、結果といった情報がなければ、訓練や検証には見た目ほど役に立たない可能性がある。画像に車両というラベルが付けられていても、そのラベルが破壊されたもの、放棄されたもの、占領されたもの、おとり、民間人、友軍、敵といった区別をしていないと、モデルは運用上あまりにも粗雑なカテゴリを学習してしまうかもしれない。このように、戦場のデータは、最も退屈な方法で危険なものへと変貌する。誰かが不適切なラベルを付け、別の誰かがそのモデルを賢いと称賛する。
データの所有権は、リーダーシップが最初に問うべき課題の一つである。ドローン映像、センサー・データ、ターゲティング記録、電子戦指標、任務ログ、戦闘被害評価は、部隊、軍、省庁、プラットフォーム提供者、ソフトウェアベンダー、連合国、それとも国家の誰が所有するのだろうか？所有権は、アクセス、再利用、説明責任、輸出管理、分類、モデル訓練、法的審査、そして産業的価値を左右するため、この問いに答える必要がある。ウクライナが管理されたメカニズムを通じて戦場データを共有するという決定は、戦時データが単なる作戦上のアセットではないことを示している。それは、政治的、産業的、そして同盟関係における価値を持つ戦略的アセットでもある。
アクセス制御が次の課題である。AI開発にはデータが必要であるが、すべての開発者、パートナー、ベンダー、同盟国がすべてのデータセットを閲覧できるべきではない。データによっては、戦術、部隊の位置、センサーの能力、脆弱性、情報源、ターゲティング・プロセス、機密扱いの作戦パターンなどが明らかになる場合がある。アクセスが制限されすぎると、AI開発は停滞し、得られた教訓はサイロの中に閉じ込められたままになる。逆に、アクセスが開放されすぎると、作戦上のセキュリティが損なわれ、敵対者が同じデータから学習する可能性がある。防衛指導者は「データを共有しよう（share data）」と口にするのが好きであるが、どのデータを、誰と、どのような権限の下で、どのような目的で、どのような監査証跡を残して共有するのかを問われると、その言葉の意味が分からなくなってしまう。
秘密区分と相互運用性は、新たな摩擦のレイヤー（layer of friction）を生み出す。NATOの同盟向けデータ戦略は、統合作戦およびマルチドメイン作戦におけるドメインにまたがる相互運用性と統合に、質の高いデータを明確に結びつけている。この原則は、関連データが互換性のないシステム内に閉じ込められていたり、作戦での利用を妨げるような方法で分類されていたり、統合が手作業による考古学となるほど構造が異なっていたりすると、AIが連合軍の作戦を支援できないため、有用である。
多くのAIの野望は、ラベル付けという段階でひっそりと頓挫してしまう。訓練データには、タスクを支援するために、一貫性があり、正確で、十分な運用上の意味を持つラベルを付ける必要がある。ターゲット認識を支援するようにデザインされたモデルには、請負業者が大規模に注釈を付けやすいものだけでなく、指揮官が実際に知る必要があることを反映したラベルが必要だ。防空を支援するモデルには、脅威の種類、飛行プロファイル、デコイ、誤報、交戦結果を反映したデータが必要だ。兵站を支援するモデルには、地図上の線だけでなく、ルートの露出、タイミング、地形、ドローン活動、電子戦の状況、天候が必要だ。ラベルは管理作業ではない。ラベルは、現実が何を意味するべきかを機械に教えるものだ。
品質管理も同様に厳格である。戦場データは、重複していたり、古くなっていたり、ラベルが間違っていたり、破損していたり、不完全だったり、敵対者の影響を受けていたり、文脈が不足していたりする可能性がある。米国国立標準技術研究所（NIST）のAIリスク管理フレームワークは、システム・ライフサイクル全体にわたるAIリスクのガバナンス、マッピング、測定、管理を強調しており、作戦環境が絶えず変化するため、防衛分野ではライフサイクル思考が不可欠である。質の低いデータや古いデータで学習されたモデルは、大きな失敗をしないかもしれない。高い信頼度の出力と非常に高額な結果をもたらす、控えめな失敗となる可能性がある。
法的制約は、配備後に後付けすることはできない。軍事的な文脈でAIに使用されるデータには、個人データ、インテリジェンス源、作戦記録、連合軍の情報、商用ベンダーへのアクセス、輸出制限、説明責任に関連する証拠が含まれる可能性がある。ターゲティングに関連するデータは、監査可能性、追跡可能性、比例性、責任に関する追加的な要件を生じさせる。NATOの責任あるAI原則（responsible AI principles）には、合法性、責任と説明責任、説明可能性と追跡可能性、信頼性、ガバナンス、バイアス軽減が含まれており、これらの原則は、独自のインターフェースの背後で無視されるのではなく、データ・チェーンを検証できる場合にのみ具体化される。
作戦上のセキュリティは、決して軽視できるものではない。ドローン映像（drone footage）、電子戦ログ、センサー・データ、戦場管理データなどからは、部隊がどのように状況を把握し、移動し、ターゲットを定め、適応しているかが明らかになる。これらのデータが厳格な管理なしにエクスポート、共有、保存、ラベル付け、処理されると、部隊の能力と弱点が露呈する可能性がある。商用プロバイダーが関与する場合、指揮官はデータの行き先、アクセス権限を持つ者、データの保護方法、再利用の可否、将来のシステムへの活用、データの削除または保持方法を把握する必要がある。これは被害妄想ではない。敵対者も学習する戦争において、これは基本的な衛生管理なのである。
ウクライナのDeltaシステムは、データ・ガバナンスと運用アーキテクチャがなぜ密接に関連しているのかを示す好例である。戦略国際問題研究所（CSIS）は、Deltaシステムを状況認識ツールから、ドローン、衛星、固定センサー、偵察部隊からのデータを統合し、ほぼリアルタイムの状況認識を実現する、ウクライナ軍全軍にサービスを提供する統合指揮・統制システムへと進化させたものと説明している。このようなアーキテクチャは、速度と共有認識を生み出すことができるが、それはシステムに入力されるデータが信頼でき、適切に管理され、圧力のかかる状況下でも使用できる場合に限られる。
したがって、リーダーは「どのAIモデルを購入するのか（what AI model are we buying）」といった華やかな問いよりも、はるかに重要な問いを投げかける必要がある。どのようなデータを持っているのか、誰が所有しているのか、誰が利用できるのか、どのようにラベル付けされているのか、どのように分類されているのか、どのように保護されているのか、品質はどのように測定されているのか、どのように文脈が保持されているのか、どのようにエラーが修正されているのか、どのようにモデルが更新されているのか、そして運用後にどのように出力を監査できるのか。これらの問いを提起する必要があるのは、AIの能力はデータ・チェーン全体に依存しており、その末端にあるアルゴリズムだけに依存しているわけではないからだ。
欧州とNATOにとって、多くのAI構想が本格的な能力へと発展するか、あるいは単なるダッシュボードの装飾に終わるかは、まさにここが分かれ目となる。断片化されたデータ所有権、互換性のないシステム、不明確なアクセス・ルール、不十分なラベル付け、不適切なメタデータ、過剰な分類、ベンダー・ロックイン、そして未発達なガバナンスは、AI戦略がどれほど魅力的に聞こえようとも、導入を遅らせるだろう。厄介なのは、データ・ガバナンスはAIの華やかな部分ではないが、AIが信頼できるか、拡張性があるか、そして運用に活用できるかを決定づける部分であるということだ。
ウクライナの事例は、戦場データが現実的で最新のものであり、作戦に活用できるものであれば、戦略的優位性となり得ることを示している。同時に、実際のデータは複雑で機密性が高く、状況依存的であることも示している。AIは魔法のようにその複雑なデータを能力に変えるわけではない。リーダーは、ガバナンス、アーキテクチャ、規律、そしてスプレッドシートを見ただけで戦争を理解できると謳う新たな魅力的なモデルを購入する前に、地味な基盤をしっかりと整備する意思を持つことで、それを実現できる。
10. ヒューマン・マシン・チーミング（HMT）には、ドクトリン、訓練、そして信頼が必要である。
ヒューマン・マシン・チーミング（HMT）はしばしば技術的な問題として捉えられがちだが、ウクライナの事例は、それが本質的には人の問題であることを示し続けている。課題は、アルゴリズムがターゲットを検出できるか、ルートを推奨できるか、センサー・データの優先順位付けができるかではない。課題は、オペレーターや指揮官が、システムが何をしているのか、いつシステムを信頼すべきか、いつ疑問を抱くべきか、そしてシステムが故障した際にどのように対応すべきかを理解しているかどうかである。
信頼はソフトウェア・ライセンスで買えるものでも、政策で強制できるものでもない。経験、訓練、透明性、そして現実的な状況下での繰り返し経験を通して築かれるものである。AIの推奨がどこから来ているのかを理解していない指揮官は、重大な局面でそれを信頼することはまずないだろう。逆に、AIを過度に信頼する指揮官は、出力結果に疑問を抱かなくなるかもしれない。どちらの結果も望ましいものではない。
だからこそ、ヒューマン・マシン・チーミング（HMT）は、技術だけでなくドクトリンにも大きく依存する。ドクトリンは、システムの役割、必要な人間の監視レベル、行動権限、検証が必要な状況、そして指揮官に残る責任を明確に定める。明確なドクトリンがなければ、AIツールは既存のワークフローに一貫性のない追加要素として組み込まれるだけで、作戦上の意思決定（operational decision-making）に統合された要素とはなり得ない。
運用上の問題は、人間が情報共有のプロセスに関与し続けるかどうかではない。真の問題は、より具体的で、はるかに有用なものである。
- どのような決心を機械に委任できるのか、またどのような条件下で委任できるのか？
- どのような決定には必ず人間の承認が必要となるのか？
- 様々な任務の種類において、どの程度の信頼度閾値が許容されるのか？
- オペレーターに対して不確実性をどのように表示すべきか？
- 通信障害やデータ品質の低下が発生した場合、何が起こるのだろうか？
- パフォーマンスの監視と障害報告の責任者は誰か？
- 実運用から得られた教訓は、どのように研修や人材育成に反映されるのか？
これらの疑問には明確な答えが必要だ。なぜなら、責任の所在が曖昧になると、ヒューマン・マシン・チーミング（HMT）は失敗に終わるからだ。
自動化バイアスは、主要なリスクの一つである。人間は、特にストレス、過重な業務量、時間的圧力がある状況下では、権威あるように見えるシステムを過度に信頼する傾向がある。航空、医療、軍事意思決定（military decision-making）に関する研究では、オペレーターがシステムを信頼できると認識すると、自動化された推奨事項に異議を唱える可能性が低くなることが繰り返し示されている。時間が限られ、情報量が膨大な戦場環境では、十分な検証を行わずに機械の推奨事項を受け入れてしまう誘惑がさらに強くなる。
その逆の問題も存在する。信頼不足は、オペレーターがシステムの仕組みを理解していなかったり、過去に原因不明の障害を経験していたりするため、有益な推奨事項を無視する原因となる。ユーザーがツールを信頼していない場合、システムが真の運用価値を提供できる場合でも、回避策を講じたり、プロセスを迂回したり、手動の方法に戻したりする。
したがって、効果的なヒューマン・マシン・チーミング（HMT）には、最大限の信頼ではなく、調整された信頼が必要となる。
オペレーターは以下のことを理解する必要がある。
- このシステムができること。
- システムができないこと。
- システムが依存するデータ。
- 信頼水準はどのように生成されるのか。
- どのような環境条件が性能を低下させるのか。
- 敵対者がシステムを欺いたり操作したりする可能性のある方法。
- 最も一般的な故障モードは何か？
この知識は、エンジニア、開発者、プログラムマネージャーといった個人にとどまるべきではない。各部署に浸透した、運用に不可欠な知識となる必要がある。
ウクライナでの経験はこの点を裏付けている。なぜなら、戦場の状況は常にシステムの限界を露呈させるからだ。ドローンの映像は劣化し、電子戦は通信を妨害し、偽装は認識性能を変化させ、デコイは偽のターゲットを作り出し、天候はセンサーに影響を与え、地形は移動パターンを変える。こうした状況下では、オペレーターはAIの出力が答えではなく、より広範な決心プロセスへの入力に過ぎないことをすぐに理解する。
訓練はそうした現実を反映したものでなければならない。軍事組織は何十年にもわたり、無線機、航法、武器の取り扱い、戦闘訓練に関する身体的な記憶を構築してきた。ヒューマン・マシン・チーミング（HMT）においても、同様の反復訓練が必要となる。オペレーターは、紛争状況下でAIシステムと連携し、故障モードを観察し、オーバーライドを練習し、推奨事項に異議を唱え、圧力下でのパフォーマンスの変化を理解する機会を必要とする。
この訓練負担を過小評価してはならない。新たな「AI活用能力（AI-enabled capability）」はすべて、新たな要件を生み出す。
- オペレーターにシステムの使い方を訓練する。
- 指揮官に出力結果を解釈する能力を訓練する。
- 保守担当者がアップデートと設定を支援できるよう訓練を行う。
- データ品質を検証するためのスタッフ研修。
- システムが利用不能になった場合に運用できるよう、部隊を訓練する。
成功条件のみを想定した訓練を行う部隊は、復元性ではなく脆弱な依存体質を身につけることになる。したがって、代替手順は高度な能力と同様に重要である。部隊は、AIシステムが故障したり、利用できなくなったり、矛盾する推奨事項を生成したりした場合に、どのように運用すべきかを知っておく必要がある。ソフトウェアの問題が調査されている間も戦場は停止しないため、手動スキル、代替ワークフロー、および機能低下モードでの運用は依然として不可欠である。
ヒューマン・マシン・チーミング（HMT）は、リーダーシップの責任も変化させる。リーダーは、システム障害の報告を奨励する環境を構築する必要がある。誤検知（false positive）、パフォーマンスの低下、予期せぬ動作を特定したオペレーターは、それらの観察結果を開発サイクルにフィードバックするための明確な仕組みを必要とする。ユーザーが責任を問われることを恐れて、システムが静かに障害を起こすと、次第に危険性が増していく。
これが、ウクライナにおける短いフィードバック・ループが非常に重要な理由の一つである。戦場のユーザーは、技術をただ受け身で受け取る側ではなく、技術改善に積極的に参加する側なのである。オペレーターから開発者へ、そして再び配備現場へとフィードバックされる時間が短ければ短いほど、人間と機械の連携はより効果的になる。
欧州とNATOにとって、その意味するところは明白だ。AIの導入は、取得したシステムの数や試験運用を開始した数で測れるものではない。運用者がシステムを理解しているか、ドクトリンが適応しているか、訓練が紛争状況を反映しているか、そして組織が依存関係を生み出すことなく信頼を維持できるかによって測られるべきだ。
残念ながら、信頼関係の構築はソフトウェア開発よりも時間がかかる。防衛組織は数ヶ月でAI機能を調達できるが、ドクトリンの構築、身体への記憶定着、現実的な訓練体系の構築、そして確固たる信頼関係の構築には、はるかに長い時間を要する。このギャップを無視すると、高度なツールを備えていても、圧力のかかる状況下で効果的に活用するために必要な自信と理解を欠いた部隊が生まれてしまう。
ウクライナの事例が示すように、ヒューマン・マシン・チーミング（HMT）を成功させるには、意思決定（decision-making）から人間を排除するのではなく、不確実性、速度、情報過多といった状況下で人間がより良い決心を行えるよう支援すると同時に、技術が必然的に劣化しても人間が業務を継続できる能力を維持することが重要なのである。
機械の能力が高まるほど、人間の役割はより重要になる。自動化が進んでも、指揮責任がなくなるわけではない。むしろ、指揮官は戦場の状況だけでなく、彼らの決心を支えるシステムの強み、限界、そして故障モードを理解しなければならないため、その責任はより重くなる。
11. 欧州とNATOが今構築する必要があるもの。
ウクライナ紛争から欧州とNATOが学ぶべき教訓は、防衛AIの導入は、試験運用、調達プログラム、イノベーション・チャレンジ、あるいは圧力の下で購入された少数の「AI活用（AI-enabled）」システムだけに還元できるものではないということだ。これらは有用な出発点となり得るが、それだけでは作戦上の能力は生まれない。AIは、データ・アーキテクチャ、指揮責任、テスト、ドクトリン、訓練、フィードバック・ループ、自律性ガバナンス、サイバー・レジリエンス、電子戦レジリエンス、そして調達規律と結びついて初めて有用となる。そうでなければ、ダッシュボードを備えた、また別の高価なレイヤーに過ぎない。
第一の実用的なレイヤーは、運用データ・アーキテクチャである。AIには、互いに通信できないシステム内に閉じ込められた散在するデータセットではなく、使用可能で、安全で、ラベル付けされ、相互運用可能で、任務に関連するデータが必要である。ウクライナの経験は、これがなぜ重要なのかを示している。ロイター通信は、ウクライナが同盟国によるドローンAIモデルの訓練を支援するため、数百万枚の注釈付き画像や戦闘飛行映像を含む戦場データセットへのアクセスを開放していると報じた。一方、NATOのデータ戦略は、質の高いデータを相互運用性、マルチドメイン作戦、意思決定（decision-making）に直接結びつけている。リーダーシップの問題は、データが存在するかどうかではない。問題は、作戦上の秘密を漏洩したり、ベンダー所有の機能の孤立を生み出したりすることなく、任務を支援するのに十分な速さで、データを見つけ、信頼し、共有し、保護し、ラベル付けし、使用できるかどうかである。
第二のレイヤーは人間の検証（validation）である。AIによる認識と推奨は、指揮責任、法的審査、交戦規則と結び付けられなければならない。なぜなら、認識と責任は同じではないからである。システムは可能性のあるターゲットを特定したり、アラートの優先順位を付けたり、ルートを提案したりすることはできるが、指揮官は依然として文脈、比例性、任務の意図、法的判断、説明責任を必要とする。NATOの改訂されたAI戦略は、責任、説明責任、説明可能性、追跡可能性、信頼性、ガバナンスを防衛における責任あるAI利用（responsible AI use）の中心に据えており、AIがターゲティング、防空、自律性、決心支援に進出する際には、これらは官僚的な装飾ではない。指導者が答えなければならない実際的な問題は、誰が出力を検証するのか、どのような証拠を見るのか、不確実性はどのように表示されるのか、そして決定はその後どのように監査されるのかということである。
第三のレイヤーは、劣悪な条件下でのテストである。AIツールは、ウクライナが実際に戦闘を行っている環境であるため、データ品質の低下、電子戦妨害、センサーの損失、欺瞞、天候、遅延、敵対者の適応、サイバー圧力、不完全なフィードといった状況下でテストする必要がある。クリーンな画像で良好な性能を発揮するモデルでも、煙、泥、偽装、デコイ、ジャミング、季節の変化などによって性能が低下する可能性がある。安定した指揮所演習で機能する決心支援ツールでも、入力が遅れて到着したり、情報源が矛盾したり、オペレーターが過負荷状態になったりすると、動作が大きく異なる可能性がある。米国国立標準技術研究所（NIST）のAIリスク管理フレームワークは、ガバナンス、マッピング、測定、管理など、AIライフサイクル全体にわたるリスク管理を重視しており、防衛においては、最も都合の良いデモ条件ではなく、運用上のストレスを反映したテストを実施する必要があることを意味する。
第四のレイヤーはドクトリンと訓練である。指揮官と運用担当者は、判断力を放棄することなくAIの出力結果をどのように活用するかを理解する必要がある。そのためには、システムの目的、権限、人間による判断が必要な事項、検証が必要な事項、そしてシステムが故障した場合の部隊の運用方法を定義するドクトリンが必要である。また、自動化バイアス（automation bias）、過小評価、過大評価、劣化データ、矛盾する推奨事項に対する訓練も必要である。英国国防省の「AI活用能力（AI-enabled capability）」へのアプローチは、責任ある提供と信頼性を重視しているが、NATOの原則は統治性と信頼性を求めている。これらの理念は、戦略文書に「責任ある」という言葉がプリンターを消耗させるほど頻繁に登場するだけでなく、運用担当者がそれを体得して初めて現実のものとなる。
第五のレイヤーは、部隊から開発者へのフィードバックである。戦場の状況は従来の更新サイクルよりも速く変化するため、ウクライナの適応力の優位性は、最前線での使用、不具合報告、修正、再配置のサイクルを短縮したことが一因となっている。AIシステムも同様のサイクルを必要とする。オペレーターが、特定の天候、地形、ジャミング状況、ターゲットの種類、敵対者の戦術においてモデルが機能しないと判断した場合、戦場が変化する前にモデルを改善できるよう、その情報を開発者に迅速にフィードバックする必要がある。問題は、欧州とNATOが戦争に対応できるほど迅速なフィードバック・メカニズムを構築できるかどうか、あるいは教訓が依然として平穏な地球向けにデザインされたプロセスを通じて伝達されるかどうかである。
第六のレイヤーは、自律性に関するガバナンスである。自動化（automation）と自律性（autonomy）のレベルが異なると、明確な権限、制約、監査可能性、説明責任が求められる。なぜなら、「自律型（autonomous）」の意味は任務によって大きく異なるからである。経路計画策定機能、ターゲット認識機能、終末誘導機能、迎撃機能、海上航行機能は、それぞれ異なるリスクを伴う。リーダーは、システムが継続的な人間の制御なしに何ができるか、何が絶対に行ってはならないか、どのような中止条件が適用されるか、動作がどのように記録されるか、出力がどのようにレビューされるか、誰が責任を負うかを定義する必要がある。自律性は作戦範囲と復元性を向上させるが、デザイン、ドクトリン、テスト、指揮官の承認に対する負担も増大させる。
第七のレイヤーは、電子戦、サイバー、指揮・統制との統合である。作戦環境が係争状況となる場合、AIは独立したイノベーション・プロジェクトとして存在することはできない。ウクライナの事例は、ドローン、センサー、通信、ターゲティング、自律性といったあらゆる要素が、妨害、なりすまし、検出、悪用される可能性のある信号に依存していることを示しており、サイバー・リスクも同じ運用アーキテクチャの中に存在する。クリーンなデータリンク、信頼できるフィード、安定した接続性に依存するAIは、周波数スペクトラムが敵対的になると性能が低下する。深刻な問題は、GPSが拒否されたり、フィードがなりすまされたり、ネットワークが混乱したり、センサーが失われたり、データが汚染されたり、敵対者がモデルの前提を意図的に攻撃したりした場合に、AIツールがどのように動作するかということである。
第八のレイヤーは調達規律である。「AI活用（AI-enabled）」システムであっても、データ・アクセス、維持管理（sustainment）、検証（validation）、統合、ライフサイクル支援が伴わないと、無駄な出費に終わってしまう。調達チームは、システムがどのようなデータを必要とするのか、そのデータの所有者は誰なのか、モデルはどのように更新されるのか、パフォーマンスはどのように監視されるのか、出力はどのように監査されるのか、既存の指揮・統制（C2）システムとどのように統合されるのか、電子戦やサイバー攻撃の圧力下でどのように動作するのか、そしてユーザーがシステムに疑問を抱くための訓練はどのように行われるのか、といった点を問う必要がある。これらの疑問に答えられなければ、組織は能力を購入しているのではなく、ユーザー・インターフェース付きの約束を購入しているに過ぎない。
これらのレイヤーは、AI導入の初期段階、つまり痛ましい事後検証段階ではなく、導入の初期段階で取り組むべき実践的なリーダーシップ上の問いを生み出す。AIはどのような任務上の問題を解決するためにデザインされているのか、どのようなデータが必要なのか、誰が出力を検証するのか、どの決定を人間が行うのか、システムが劣化した場合、どのように動作するのか、パフォーマンスはどのように監視されるのか、障害はどのように報告されるのか、そしてAIはドクトリン、訓練、指揮・統制（C2）、電子戦、サイバー、兵站にどのように統合されるのか。これらの疑問を提起する必要があるのは、アーキテクチャのないAI導入は断片化を加速させるだけだからである。
欧州とNATOにとって難しいのは、AIの重要性を認識しないことだ。その認識自体は簡単で、今では誰もが平然と「AI活用（AI-enabled）」と言える。難しいのは、実際の作戦上の圧力の下でAIを実用化するための基盤を構築することだ。データ・ガバナンス、相互運用性、検証、テスト、ドクトリン、訓練、フィードバック、維持管理、そして説明責任といった要素が重要となる。ウクライナの事例は、AIが決心時間を短縮できることを示しているが、同時に、規律を伴わない速度は、より速くミスを犯す別の手段にもなり得ることを示している。
12. 結論：AIは時間を短縮するが、リーダーシップには責任が伴う。
ウクライナから得られる最も重要な教訓は、AIが人間にとって代わるということではない。AIが軍事意思決定の速度、規模、複雑さを変えつつあるということだ。
AIは、より大量のデータ処理、複数の情報源にわたるパターンの特定、ターゲット認識の支援、センサー・フィードの優先順位付け、紛争状況下での航行支援、そして認知負荷の一部軽減に貢献している。観察から行動までの時間を短縮し、ターゲティング・サイクルを短縮し、指揮官が情報を受信、選別、解釈する方法を変えつつある。この短縮は機会を生み出す一方で、リスクも生み出す。
決心サイクル（decision cycle）の迅速化は、そこを通過する情報が信頼性が高く、関連性があり、理解されている場合にのみ有効である。AIは選択肢を提示し、異常を特定し、決心を支援することはできるが、任務の意図を定義したり、許容可能なリスクを判断したり、比例原則を適用したり、政治的文脈を理解したり、指揮責任を担ったりすることはできない。これらは依然として人間の機能であり、戦争は単なる技術的な活動ではなく、人間的、法的、戦略的な活動でもあるからである。
ウクライナの事例は、この現実の両面を示している。膨大な量の戦場情報を処理するのに役立つ技術は、データが不十分であったり、前提が間違っていたり、敵対者が適応したりすると、ミスを増幅させる可能性もある。モデルはずれ、センサーのデータは劣化し、電子戦は通信を妨害し、偽装は痕跡を変え、おとりは偽のターゲットを作り出し、天候はパフォーマンスに影響を与え、人間のオペレーターは過負荷状態になる。このような状況下では、AIは不確実性を取り除くのではなく、不確実性の管理方法を変えるのである。
AIから最も恩恵を受ける組織は、必ずしもアルゴリズムの数が最も多い組織や、最も野心的なパイロットプログラムを実施している組織ではない。AI支援を信頼できるデータ、現実的なテスト、訓練されたオペレーター、規律あるガバナンス、明確な説明責任と組み合わせる組織こそが、最も恩恵を受ける組織となるだろう。こうした基盤を構築するには、モデルそのものよりも目に見えにくい能力が必要となることが多い。
- 安全で相互運用可能かつ任務に関連した情報共有を可能にするデータ・アーキテクチャ。
- AIの出力結果を指揮責任、法的審査、および交戦規則に結びつける、人間による検証手順。
- クリーンな環境での実証実験ではなく、劣悪な条件下での試験。
- 自動化（automation）がどこで終わり、人間の判断がどこから始まるかを定義する原則。
- 盲目的な信頼や全面的な懐疑心ではなく、段階的に調整された信頼関係を築くための訓練。
- 戦場で得られた教訓を迅速にシステム改善に活かすためのフィードバック・ループ。
- 権限、制約、監査可能性、および説明責任を定義するガバナンス構造。
- 個別のイノベーション・プログラムではなく、指揮・統制、サイバー防衛、電子戦との統合を目指す。
これらの基盤構築は困難を伴う。なぜなら、断片化されたデータ所有権、機密区分、レガシーシステム、組織内の縦割り構造、調達文化、不明確な責任、そして脅威の進化よりも速いペースでドクトリンを適応させるという課題など、技術だけでは解決できない問題に防衛組織が直面せざるを得なくなるからだ。AIは技術的な優位性（technological advantages）をもたらす一方で、組織の弱点も露呈させる。
データ・ガバナンスが不十分な部隊は、AIを効果的に拡張するのに苦労するだろう。電子戦下での作戦ができない部隊は、通信障害が発生した際にAIシステムの性能が低下する。機械の出力に疑問を持つようオペレーターを訓練していない部隊は、決心ではなくミスを加速させる可能性がある。運用上のフィードバックを迅速な更新に反映できない部隊は、敵対者が適応を続ける一方で、自軍のモデルが時代遅れになるのを傍観することになるだろう。これらは、技術的な課題となる前に、まずリーダーシップ上の課題である。
欧州とNATOにとって、AIを採用すべきかどうかという問題はもはや存在しない。戦場はすでにその答えを示している。より難しい問題は、決心サイクル（decision cycle）が加速する中で指揮責任をどのように維持するか、依存関係を生み出すことなく信頼をどのように構築するか、組織や同盟間でデータを安全に移動させるにはどうすればよいか、システムを欺瞞や劣化に対してどのようにテストするか、運用上のフィードバックを開発者に迅速に届けて関連性を維持するにはどうすればよいか、そして情報が個人が単独で処理できる速度をはるかに超えて到着する状況で、指揮官がどのように判断力を維持し続けるか、といった点である。
将来の優位性は、AIを最も多く保有する側ではなく、責任を放棄することなく、強靭な運用アーキテクチャにAIを統合する側にこそあるだろう。ウクライナの事例は、AIが時間の短縮、認知的負担の軽減、適応速度の向上に役立つことを示しているが、同時に、技術はリーダーシップの必要性を減らすのではなく、むしろ高めることも示している。
機械支援と信頼できるデータ、訓練された人材、規律あるガバナンス、そして人間の責任を組み合わせる側は、無謀になることなくより速く前進できるだろう。一方、AIを魔法のように扱う側は、機械並みの速度で混乱を引き起こすだろう。
 |
参考文献および推奨文献
この記事で使用した主要な情報
NATOのAI政策とガバナンス
NATO人工知能戦略（2021年）https://www.nato.int/cps/en/natohq/official_texts_187617.htm
NATO人工知能責任ある利用原則（2021年）https://www.nato.int/cps/en/natohq/official_texts_187619.htm
NATOデータ戦略（2023年）https://www.nato.int/cps/en/natohq/official_texts_210317.htm
NATOデジタル変革実装戦略2023～2027 https://www.nato.int/cps/en/natohq/topics_227678.htm
NATO新興・破壊的技術ロードマップhttps://www.nato.int/cps/en/natohq/topics_184303.htm
ウクライナの戦場データ、AI、自律性
ロイター通信：ウクライナ、AIモデル訓練のため同盟国に戦場データへのアクセスを開放（2026年3月）https://www.reuters.com/business/aerospace-defense/ukraine-opens-battlefield-data-access-allies-ai-models-2026-03-12/
ロイター通信：ウクライナ、ドローン戦と戦場分析におけるAIの利用を拡大（2026年1月）https://www.reuters.com/world/europe/ukraine-uses-ai-improve-drone-warfare-2026-01-15/
戦略国際問題研究所（CSIS）：ウクライナの将来ビジョンと「AI活用自律戦（AI-enabled Autonomous Warfare）」を遂行するための現在の能力https://www.csis.org/analysis/ukraines-future-vision-and-current-capabilities-waging-ai-enabled-autonomous-warfare
戦略国際問題研究所（CSIS）：自律性、情報、そしてレジリエンスの時代におけるウクライナ紛争からの教訓https://www.csis.org/analysis/lessons-ukraine-conflict-modern-warfare-age-autonomy-information-and-resilience
欧州政策分析センター（CEPA）：Delta – ウクライナの戦争遂行におけるデジタル基盤https://cepa.org/article/delta-the-digital-backbone-of-ukraines-war/
国際防衛安全保障センター（ICDS）：ウクライナのデジタル戦場変革https://icds.ee/en/ukraines-digital-battlefield-transformation/
Brave1防衛技術クラスターhttps://brave1.gov.ua/en/
ウクライナ・デジタル変革省https://thedigital.gov.ua/en
ウクライナ国防省https://www.mil.gov.ua/en
ヒューマン・マシン・チーミング（HMT）と軍事的意思決定
NATO科学技術機構：防衛用途におけるヒューマン・マシン・チーミング（HMT）https://www.sto.nato.int/Pages/default.aspx
DARPAの説明可能な人工知能（XAI）プログラムhttps://www.darpa.mil/research/programs/explainable-artificial-intelligence
米国国防総省：責任ある人工知能戦略と実装経路https://media.defense.gov/2022/Jun/22/2003028059/-1/-1/0/RESPONSIBLE-AI-STRATEGY-AND-IMPLEMENTATION-PATHWAY.PDF
米国国防総省：データ、分析、および人工知能導入戦略https://media.defense.gov/2023/Nov/02/2003333304/-1/-1/1/DEPARTMENT-OF-DEFENSE-DATA-ANALYTICS-AND-AI-ADOPTION-STRATEGY.PDF
米国陸軍戦略大学：大規模戦闘作戦におけるインテリジェンスのための闘い ― インテリジェンスと無人航空機の役割https://publications.armywarcollege.edu/News/Display/Article/4419604/fighting-for-intelligence-in-large-scale-combat-operations-the-role-of-the-inte/
米国統合参謀本部：統合全ドメイン指揮・統制（JADC2）戦略https://www.jcs.mil/Portals/36/Documents/Doctrine/concepts/jadc2_strategy.pdf
AIリスク管理およびガバナンス・フレームワーク
米国国立標準技術研究所（NIST）：AIリスク管理フレームワーク1.0 https://www.nist.gov/itl/ai-risk-management-framework
米国国立標準技術研究所（NIST）生成型人工知能プロファイルhttps://www.nist.gov/itl/ai-risk-management-framework/generative-artificial-intelligence-profile
欧州連合人工知能法https://artificialintelligenceact.eu/
欧州委員会：信頼できるAIのための倫理ガイドラインhttps://digital-strategy.ec.europa.eu/en/library/ethics-guidelines-trustworthy-ai
英国国防省：野心的、安全、責任ある – 防衛におけるAI活用能力の提供に対する我々のアプローチhttps://www.gov.uk/government/publications/ambitious-safe-responsible-our-approach-to-the-delivery-of-ai-enabled-capability-in-defence
センサー融合、指揮・統制、およびマルチドメイン作戦
NATO連邦任務ネットワーク（FMN）イニシアチブhttps://www.nato.int/cps/en/natohq/topics_124879.htm
NATO指揮・統制高等研究所（C2COE）https://c2coe.org/
NATO連合軍変革 – データおよびデジタル変革リソースhttps://www.act.nato.int/
アトランティック・カウンシル：融合は机上の空論か、それとも実践か？ISRとNATOのためのクラウド活用https://www.atlanticcouncil.org/in-depth-research-reports/issue-brief/fusion-on-paper-or-in-practice-making-the-cloud-work-for-isr-and-nato/
ランド研究所：人工知能と国際安全保障https://www.rand.org/topics/artificial-intelligence.html
ランド研究所：信頼とヒューマン・マシン・チーミング（HMT）に関する研究https://www.rand.org/research/projects/artificial-intelligence-human-machine-teaming.html
その他の推奨図書
ヒューマン・ファクターと自動化バイアス
MITスローン・マネジメント・レビュー：自動化バイアスを理解するhttps://sloanreview.mit.edu/article/understanding-automation-bias/
NASAの人間工学およびヒューマン・ファクター研究https://www.nasa.gov/directorates/esdmd/hhp/humanfactors/
連邦航空局：自動化システムにおけるヒューマン・ファクターhttps://www.faa.gov/about/initiatives/maintenance_hf/library/documents/media/human_factors_guide/hf-guide-chapter14.pdf
CNA：ヒューマン・マシン・チーミング（HMT）と軍事意思決定に関する研究https://www.cna.org/our-media/indepth/2023/human-machine-teaming
自律性、戦い、および作戦的適応
王立統合軍事研究所（RUSI）：ロシア・ウクライナ戦争3年目の戦術展開https://www.rusi.org/explore-our-research/publications/special-resources/tactical-developments-third-year-russo-ukrainian-war
王立統合軍事研究所（RUSI）: 大規模精密打撃 – 陸上部隊向けUAV複合体のデザインhttps://www.rusi.org/explore-our-research/publications/occasional-papers/mass-precision-strike-designing-uav-complexes-land-forces
王立統合軍事研究所（RUSI）：現代陸上作戦における競争的電子戦https://www.rusi.org/explore-our-research/publications/occasional-papers/competitive-electronic-warfare-modern-land-operations
カーネギー国際平和財団：ウクライナにおける戦いの性質の変化https://carnegieendowment.org/research/topic/russia-ukraine-war
戦争研究所 – ウクライナ情勢の最新情報と評価https://www.understandingwar.org/backgrounder/ukraine-conflict-updates
議論を正直に保つ
AIの性能、ターゲット認識精度、自律性の有効性、決心支援の結果に関する正確な数値は、データ品質、電子戦の状況、天候、地形、敵対者の適応、オペレーターの訓練、および任務の種類によって大きく異なることを認識することが重要である。
公表された情報は変化の方向性を示すには十分だが、普遍的な業績に関する主張を裏付けるのに十分な情報を提供することは稀である。
ウクライナの事例は、AIの能力がアルゴリズムだけで決まるものではないことを示している。それは、データ品質、運用統合、フィードバック・ループ、ガバナンス、人間の判断力、そして環境変化よりも速く適応できる能力に依存する。
その不確実性は、この記事の中心的な主張を弱めるどころか、むしろ強化する。情報量が人間の処理能力を超え、状況が絶えず変化する戦場においては、もはやより多くのデータを収集することが課題ではない。課題は、説明責任を放棄することなく、データを信頼できる決心へと転換することである。
