
Claude Codeに機密データを見せないなら実データをAI環境から外す
顧客の購買履歴や問い合わせログは、外部AIへそのまま渡せない。でも、集計や可視化のコードを書くところではClaude Codeを使いたい。機密データを扱う現場では、この二つをどう両立するかが難しくなります。
redteaさんが公開した「Claude Codeに見せない技術」は、この問題への良い出発点です。実データとダミーデータを分け、`permissions`や`sandbox`、`hooks`を重ねて、AIが秘密へ届く経路を狭くする。私も中心思想には賛成です。
ただ、高い機密性が求められるなら、私はもう一段進めます。AIが作業する環境には加工前の実データを置かない。実データを処理する環境を分け、AIが書いたコードとAIへ返す結果にも境界を設ける。 この設計なら、特定の設定が一つ抜けたときの壊れ方まで変えられます。
元記事の強さは読ませないことにある ただし完成形は設定の外にある
Claude Codeは、質問に文章で答えるだけのAIではありません。ファイルを読み、コマンドを動かし、許可された範囲ではネットワークにも接続できます。人間がCSVをチャットへ貼らなくても、AIの作業環境から取得できれば機密情報へ届く可能性があります。
だから元記事は、「読まないで」と指示するだけで終わりません。実データの置き場所を分け、Claude Codeの権限設定で読み取りを制限し、`sandbox`でコマンドや子プロセスの動ける範囲を狭め、`hooks`で実行前に状態を確認し、最後に人間の運用ルールを重ねています。複数の防御を重ね、一つが破れても別の層で止める多層防御です。
さらに、実データと同じ列構造や値の制約を持つダミーデータを用意し、AIにはコード生成とテストを担当させる。この分業は実務的です。parserや集計、可視化、SQL、テストの多くは、実際の顧客情報を見せなくても作れます。

ここで気をつけたいのは、公開テンプレートを「これを入れれば完成」と扱わないことです。2026年8月20日時点のClaude Code公式Docsでは、`permissions`や`hooks`を含む設定の多くは変更時に実行中セッションへ再読込され、再起動が必要なのは一部の設定です。対象記事にある「`sandbox.enabled`は起動時に読まれる」という説明とは、現行Docsに差があります。また、記事前半のdeny例とすり抜けテストには`Edit(./.env)`がありますが、記事末の「完全版」と公開GitHubの`.claude/settings.json`には含まれていません。GitHub ActionsにはClaude Codeで実挙動を確認するカナリアテストもありますが、初期状態では無効で、確認対象も記事の16項目すべてではなく3経路です。
これは元記事の価値を下げる話ではありません。むしろ、製品の仕様や設定は更新されるからこそ、安全性の土台を設定ファイルだけに置かない方がよいという示唆です。
Claude Codeの公式Docsも、内蔵sandboxとは別に、Claude Codeプロセス全体を囲うsandbox runtime、開発環境を分けるコンテナ、OSごと分ける仮想マシンを区別しています。内蔵sandboxが制限するのはBashとその子プロセスで、ReadやEdit、MCPサーバー、hooksまで同じOS境界に入れるには、sandbox runtimeやコンテナ、VMを使います。なお、sandbox runtimeは現時点ではベータのresearch previewです。守る情報が重要になるほど、「AIがいる環境から何が見えるか」を先に設計する方が、製品更新に強くなります。
AI用環境から実データを外すと壊れ方が変わる
私なら、高機密の分析ではAI用環境に「real mode」を持たせません。
AI用の開発環境に置くのは、ソースコード、テスト、ダミーデータ、安全化したスキーマです。顧客CSV、本番データベースのdump、未公開の人事・財務データは搭載しない。可能なら実データの保存場所をマウントしません。Claude Codeは、この環境だけを使って分析コードを書き、ダミーデータで動作を確認します。
実データは、別の実行環境に置きます。こちらではClaude Codeのセッションを起動せず、AIが作ったコードをそのまま自動実行もしません。レビューを通したコードだけを持ち込み、人間または限定された実行基盤が処理します。

この分け方の利点は、「設定が強い」ことより、事故の起こり方を変えられることです。
同じ環境に実データがあれば、読み取り禁止の設定が一つ抜けたとき、AIから実データへ到達する経路が開く可能性があります。AI用環境に実データそのものが存在しなければ、その設定ミスだけでは直接読み取れません。
もちろん、別端末まで分けなければ意味がないわけではありません。同じPC上でも、コンテナ側へ実データをマウントしない、またはsandbox runtimeで実データ領域を読めないようにする選択肢があります。失敗時の損失が大きければVMや別端末まで強める。ここは後でデータの機密度に合わせて決めればよいでしょう。
基準にしたいのは、AIへ与える能力を環境の構造でどこまで減らせるかです。この原則はClaude Codeに限らず、Codexなど別のコーディングエージェントへ移っても使えます。
AIが書いたコードにも実データを渡す前の検査が要る
二環境に分ければ安全対策が終わるわけではありません。次に見るべきは、AIが生成したコードです。
AI用環境では実データを一度も見せていなくても、生成されたPythonコードが実データ実行環境で顧客CSVを読み、その内容を外部へ送れば漏洩は成立します。意図的な悪意だけを想定する必要もありません。デバッグ用のHTTP送信が残る、利用状況を送るライブラリを組み込む、外部APIを呼ぶ処理が混ざる、依存パッケージが侵害される。実データを読む主体がAI本人でなくても、出口を持つコードなら危険は残ります。
そのため、実データ実行側ではAI生成コードを未信頼の成果物として扱います。
外向き通信は、必要性を説明できるものだけに絞る。production credentialは処理に必要な範囲だけ渡す。依存関係を固定し、変更差分を確認する。データを読む処理と外部送信の処理が同じ成果物へ入っていないかを見る。高機密であれば、人間レビューだけに頼らず、静的解析やネットワーク制御も組み合わせます。
Claude Codeのsandboxにも限界があります。公式Docsでは、標準のbuilt-in proxyは既定でTLS通信の内容を検査せず、広い許可ドメインはデータ流出経路になり得ると明記されています。許可先を絞っても、「機密情報は絶対に外へ出ない」と内容まで保証する仕組みではありません。だから、設定画面でネットワーク制御をONにしたかより、実データ実行環境に外向き通信が必要なのかを先に決める方が安全です。

AI環境を分けても、GitHubやCI/CDへ秘密情報が混ざれば別の境界から漏れます。Repositoryの所有、権限、Secrets、Actions、外部App、監査、復旧まで含めた守り方は、こちらの記事で詳しく整理しています。
ここまで考えると、境界は「AIとデータの間」だけに閉じません。コードを保管する場所、実行する場所、外部へ接続する場所まで分けて見る必要があります。
AIへ戻す結果にも公開境界を置く
実データ側でコードを動かしたあと、今度は結果をClaude Codeへ返したくなります。ここで新しい漏洩経路が生まれます。
「集計値だけなら大丈夫」とは限りません。ある条件に該当する顧客が1人しかいなければ、その集計から個人を推測できる可能性があります。スタックトレースには、顧客名や実際の値、内部パス、接続先が混ざることもあります。列名や正確な件数そのものが未公開の業務情報、というケースもあるでしょう。
そこで、実データ実行環境とAI用環境の間に、安全化した結果だけを通す出口を置きます。ここでは自由文をそのまま渡さず、AIへ返してよい項目を先に決めます。
たとえば、列名を一般名へ置き換える。細かすぎる集計区分は抑制する。精密な値が不要なら丸める。エラーは実際の値を外し、型や失敗条件だけへ変える。こうした処理を固定した形式で返せれば、「人間が毎回ログを見て大丈夫そうなら貼る」という運用より再現しやすくなります。
この安全化処理は、実データ側からAI側へ情報を渡す重要な部品です。ここが壊れれば境界も壊れます。変更をレビューしてテストし、許可する出力形式を狭く保つ設計が必要です。

ここまでで、守る対象は三つに分かれます。AIが実データへ直接届かないこと。AI生成コードが実データを勝手に外へ運ばないこと。実データ側からAIへ戻す情報を必要最小限にすることです。この三つを別々に設計すると、どこで漏れる可能性があるのかを追いやすくなります。
ダミーデータはコード生成には強いが未知の発見までは代替しない
この方法には、明確な限界があります。
ダミーデータが得意なのは、処理の契約を作ることです。列を正しく読めるか。型が違うときにどうするか。集計式は期待どおりか。可視化コードは動くか。SQLやETLは決めた形式を返すか。こうしたコード生成とテストなら、実データを見せなくてもかなり進められます。
一方、実データの中にある未知の現象を見つける仕事は性質が違います。想定外の外れ値、特定時期だけの変化、欠損の偏り、予想していなかった顧客群。こうした発見には、実際の分布そのものが必要です。
AIへraw dataを渡さない方針を取るなら、この探索は人間が実データ環境で担います。AIを使うなら、安全化した統計量を返し、仮説生成を支援させる方法があります。別のAI基盤で直接分析を許可する場合は、情報分類や契約、規制を別途確認しなければなりません。

ここを曖昧にすると、「機密データをAIへ渡さなくてもAI分析を全部代替できる」という過剰な期待につながります。私なら、ダミーデータはAIへ分析コードを作らせるための強い契約として使い、未知の発見まで同じ方法で代替しようとはしません。
守りの強さをデータに合わせ小さく破って確かめる
では、すべての案件でVMや別端末まで用意するべきでしょうか。そこまで一律に強くする必要はありません。
公開情報や再作成できるテストデータなら、通常の権限設定とsandboxで足りることがあります。社内限定情報でも、組織管理者が強制する設定、ネットワーク制限、資格情報の制限を組み合わせれば、同一端末内の分離で必要な水準を作れる場合があります。ここは「分離が強いほど正しい」と単純化しない方がよいところです。
顧客個票、未公開の財務・人事情報、営業秘密など、漏れたときの損失が大きい情報では、AI側へ加工前データを搭載しない構成を優先します。さらに法令や契約の制約が強いなら、コンテナ、VM、別端末、組織専用の実行基盤、データ保持条件まで確認する必要があります。
製品の「Enterprise」「Zero Data Retention」といったラベルだけで、直接入力の可否は決まりません。データ保持や学習利用の条件は、入力可否を考える一つの条件です。それとは別に、サービスが情報を処理する範囲、接続されたツールの権限、組織の契約や規制も確認する必要があります。
一方で、防御を強くしすぎて正規の手順が使いにくくなると、現場が別ツールへデータを貼るなどの迂回を始める可能性があります。実務では、データの機密度、漏れたときの損失、AIに必要な能力、運用負荷を見て境界の強さを決めるのが現実的です。
最初から全社基盤を作る必要もありません。一つの分析業務だけで試せます。
実データをAI用環境から外す。同じ列構造と境界条件を持つダミーデータを作る。Claude Codeにはそこでコードを書かせる。実データ側では外向き通信を必要最小限にし、コードを確認してから実行する。AIへ戻す結果は固定した形式へ変換する。
そして、導入した直後に自分で破ります。AIから機密ファイルへ到達できないか試す。Pythonなど別経路から読めないか試す。外部送信を含むコードを実データ側で動かそうとして止まるか確認する。安全化処理へ小さな集計や秘密を含むログを通し、外へ出ないかを見る。製品や設定を更新したら、同じ試験をもう一度行います。

停止条件も先に決めます。加工前の実データがAI側から見えた。実データ実行環境から想定外の外向き通信ができた。AIへ戻す結果に個票や秘密が混じった。どれか一つでも起きたら、その経路を閉じるまで実データでの運用を止めます。完成条件は、危険な操作が実際に拒否されることです。
自社でここまで設計すると、情報分類に加えて、業務フロー、権限、人間承認、ログ、停止、復旧まで一緒に決める必要が出てきます。研修から業務設計、AIシステム実装まで含めて整理したい場合は、支援範囲をこちらにまとめています。
元記事から持ち帰りたい核心は、「AIに秘密を守らせる前に、秘密へ届く能力を狭める」という発想です。
高機密の仕事では、その発想を環境まで広げる。AI用環境から加工前の実データを外し、生成コードを実データへ渡す前に検査し、AIへ戻す結果にも出口を作る。ここまで分けると、Claude Codeの設定が変わっても設計の骨格は残ります。
コーディングエージェントが強くなるほど、私は「何を許可するか」だけを増やすより、そもそも何の能力を渡さないかを先に決める方が長く使えると考えます。
出典・参考資料
redtea「Claude Codeに見せない技術 AIに入力できないデータを分析する」
https://zenn.dev/green_tea/articles/a994964786cb4fatsushi-green `claude-code-data-guard`
https://github.com/atsushi-green/claude-code-data-guardClaude Code Docs `Settings`
https://code.claude.com/docs/en/settingsClaude Code Docs `Sandboxing`
https://code.claude.com/docs/en/sandboxingClaude Code Docs `Sandbox environments`
https://code.claude.com/docs/en/sandbox-environmentsClaude Code Docs `Hooks reference`
https://code.claude.com/docs/en/hooks個人情報保護委員会「匿名加工情報に関するガイドライン」
https://www.ppc.go.jp/personalinfo/legal/guidelines_anonymous/個人情報保護委員会「生成AIサービスの利用に関する注意喚起等」
https://www.ppc.go.jp/news/careful_information/230602_AI_utilize_alert/