
【GeoAI】第8回:地図データをAIに渡していいのか — ファイアウォールの内側で使う「空間AIの新常識」
ある地方自治体のGIS担当者が、こんなことを口にしていました。
「ChatGPTを使えば、地図データの分析が劇的に楽になるとわかっている。でも、住民の住所情報や上下水道の配管図をクラウドに送っていいのか — どうしても踏み切れない」
この悩み、いまGIS業界で急速に広がっています。
AIと地理空間データの組み合わせは、前回・前々回と取り上げてきたように、すでに実用段階に入っています。「プロンプトを打てば地図が届く」時代は始まった。しかし現実には、企業や行政が抱える地図データの多くは、クラウドに気軽に送り出せるものではありません。
では、「AIに地図を分析させたい」と「データを外に出したくない」は、どうやって両立するのか。
今週、この問いに対する実践的な答えを、地理空間データ統合ツールのFMEを開発するSafe Softwareが公開しました。そのアーキテクチャを読み解きながら、「ファイアウォールの内側で使うAI」という新しい常識を整理してみます。
なぜ地図データは「センシティブ」なのか
一口に地理空間データといっても、その性質は幅広く、Googleマップで公開されている道路情報のようなデータもあれば、組織の内側にしか存在しない機密データもありますよね。後者の例を挙げると・・・
行政・公共インフラ系:上下水道・電力・ガスの配管・配線図。テロや災害時の攻撃対象になりうるインフラの位置情報は、多くの国で厳重に管理されています。
医療・福祉系:在宅患者の住所、訪問介護ルート、施設の詳細な見取り図などは、個人情報保護法に加え、医療情報という二重の機密性があります。
企業の競争情報:物流拠点の配置、店舗の収益データを含む販売テリトリー、サプライチェーンのネットワーク地図などは、競合他社に見られれば経営戦略がそのまま漏洩するような性質を持ちます。
軍・安全保障系:言うまでもなく、日本のデジタルツイン(PLATEAU)を見ても、霞が関のビル群が閑散としているのに気付きますよね。
これらを「クラウドのAIサービスに送る」という発想は、担当者レベルでは選択肢に入らないでしょう。しかし、だからといってAIの恩恵を受けられないままでいる理由にはならない — そう考える人たちが、新しいアーキテクチャを作り始めています。
鍵は「システムを公開する」のではなく「ツールを公開する」こと
Safe SoftwareがFMEブログで示した原則は、シンプルです。
「AIにデータベースへのアクセスを与えるのではなく、AIに使えるツールを与える」
この違いは何か。
「データベースへのアクセス」とは、AIがデータの入っている棚に直接手を伸ばせる状態です。何を取り出すかはAI任せ、範囲も自由 — という状況は、セキュリティ上のリスクが高いといえます。
「ツールを与える」とは、特定の目的のために設計された窓口だけをAIに開放することです。「この患者さんの次回訪問スケジュールを確認する」というツールを用意すれば、AIはそのスケジュール情報しか見られない。住所も病歴も、ツールが返す範囲の外にある情報には触れられません。
この「ツールの窓口」を統一規格で提供するのが、MCP(Model Context Protocol)です。
MCPはAnthropicが2024年末に公開したオープン規格で、AIモデルと外部ツール・データをつなぐための「共通接続口」として急速に普及しています。第1回や第5回でも触れた通り、FeltやCARTOもすでにMCPサーバーを公開しており、ClaudeやChatGPTなどのAIから直接地図を操作できます。また、第6回ではFMEとMCPの組み合わせによってArcGISとAIがつながる仕組みを詳しく解説しています。
MCPの重要な特徴は、接続の仕組みをAI側で変えなくていい点にあります。以前は、AとBをつなぐコネクタ、BとCをつなぐコネクタ、とそれぞれ専用の接続を作る必要がありました。MCPがあれば、ツール側が一度MCPサーバーとして公開してしまえば、MCPに対応するすべてのAIクライアントがそのツールを利用できるようになります。
ファイアウォールの内側でAIを動かす
「ツールを公開する」という発想ができたとして、もう一つの問題が残ります。AIモデルそのものはどこで動かすのか、という問題です。
クラウド上のOpenAIやAnthropicのAPIを呼び出す構成では、ツールへの指示や返ってきた結果がインターネットを経由します。これだけで「データを外に出した」と判断する組織も少なくありません。
Safe Softwareが示した解決策は、すべてをオンプレミス(社内ネットワーク内)で完結させることです。
・AIモデル:Googleが公開しているGemmaや、Alibabaが公開しているQwenなど、ダウンロードして社内サーバーで動かせるオープンウエイトモデルを使う
・MCPクライアント(AIへの指示を送るアプリ):LM StudioやOllamaなど、ローカルで動作するものを選ぶ
・MCPサーバー(ツールを公開する側):FME Flowをオンプレミス環境に設置し、必要なワークスペースをMCPツールとして登録する
この三つがすべてファイアウォールの内側に収まると、データはインターネットに一切出ない。AIへの指示文も、ツールが返す結果も、組織のネットワークの外に出ない — これが「完全オンプレミス構成のGeoAI」です。
具体的なイメージとして:自治体の配管データがオンプレミスのデータベースに入っているとします。AIに「先月の漏水修繕履歴を地区別に集計して」と指示すると、AIはMCPサーバー(FME Flow)に問い合わせ、FMEが事前に設定された範囲のデータだけを集計して結果を返す。配管の詳細座標や個別案件の記録は外に出ない。AIが見るのは、FMEが整形した集計結果だけです。
二つのアプローチ — FMEとCARTO
ここまでFMEのアプローチを中心に紹介しましたが、「データを外に出さずAIを使う」という課題に対するアプローチは一通りではありません。
FMEのアプローチ:既存のワークスペースをMCPツール化する
FMEの強みは、450以上のデータフォーマットとの接続実績にあります。CAD図面、GISデータ、センサーデータ、データベース — 多種多様なデータソースに対して、すでに書かれたFMEワークスペース(処理の自動化フロー)を、MCPツールとして公開できるようにしました。「既存の業務フローをそのまま使いながらAIとつなぐ」という発想です。詳しくはFMEの記事(Turning FME workspaces into MCP tools)をご参照ください。
CARTOのアプローチ:データウェアハウスの中でAIを動かす
CARTOはそもそも「空間分析をデータウェアハウスの内側で完結させる」というクラウドネイティブGISのコンセプトで設計されています。BigQuery・Snowflake・Databricksといったデータウェアハウスの内側で空間SQLが動くため、データが外に出ないどころか、データウェアハウスの権限管理がそのまま適用されます。第5回・第6回でも紹介した通り、CARTOのAIエージェントもこの枠組みの中で動きます。詳細はCARTOのウェブサイトでご確認ください。
二つのアプローチが目指すものは同じです。「AIに必要な範囲だけを見せ、残りは守る」。ただし、組織がすでに持っているデータ資産の形と、クラウドへの移行度合いによって、どちらが適しているかは変わります。
「どこでAIを走らせるか」がこれからの設計の起点になる
地図と空間データを扱う業務にAIを導入するとき、「どのAIモデルを使うか」より先に問うべき問いがあります。それは—
「AIはどこで動き、何を見るのか」
クラウドのAPIに全データを送るのか。データウェアハウスの中にAIを閉じ込めるのか。完全にオンプレミスで完結させるのか。ツールという窓口だけを公開するのか。
この設計の選択が、セキュリティだけでなく、後から追加できる機能の幅も決めていきます。
GeoAIの普及は「使えるようになる」から「安全に・本番で使えるようになる」という段階に入ってきました。難しそうに聞こえますが、FMEやCARTOのようなツールが、その設計の仕組みをすでに作り始めています。
まとめ
地図データの多くは「センシティブ」 — クラウドに送れないデータが現場には大量にある
鍵は「システムではなくツールを公開する」こと。MCPがその共通規格として機能する
AIモデル・クライアント・サーバーをすべてオンプレミスに置く「完全内部完結構成」が実現可能になった
FMEは既存ワークスペースをMCPツール化、CARTOはデータウェアハウス内でAIを動かす — 目指す場所は同じ
「AIをどこで走らせるか」の設計が、GeoAI本番導入の起点になる
連載「GeoAI」
第8回:地図データをAIに渡していいのか—ファイアウォールの内側で使う「空間AIの新常識」(本記事)
お問い合わせ
CARTO・FME・Feltなど地理空間AIプラットフォームの活用にご関心のある方は、Pacific Spatial Solutions までお気軽にご相談ください