---
title: "LLM API と機密データ：マスキングとデータ最小化 | BroadRouter"
description: "顧客・医療・金融データを LLM API に安全に送る方法。項目の分類、元に戻せるプレースホルダーでのマスキング、ゼロデータ保持、ログをきれいに保つ方法を解説します。"
url: https://broadrouter.com/ja/blog/llm-api-sensitive-data/
lang: ja
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

このページは英語の原文を AI の支援を受けて翻訳したものです。 [英語の原文を読む](https://broadrouter.com/blog/llm-api-sensitive-data/) (2026-11-15 更新).

# 機密データを LLM API に送るとき：マスキング、最小化、ログ削減

BroadNet Inference チーム · 約 5 分で読めます · 公開日 2026-11-14 · 更新日 2026-11-15

機密データを LLM API に送るには、まずタスクに必要な項目を決め、それ以外は送りません。氏名、番号、ID はリクエスト前に元に戻せるプレースホルダーへ置き換え、応答後に自分のコードで戻します。ゼロデータ保持のプロバイダーを選び、プロンプトの内容を自社のログに残さず、API キーは自社サーバーに限定します。

## 要点

-   漏えいの多くはモデルのプロバイダーではなく自分の側、つまりアプリのログ、トレーシングツール、エラーレポート、分析基盤で起きます。
-   まず項目を分類します。氏名、電話番号、アカウント ID がまったく要らないタスクは多くあります。
-   \[PHONE\_1\] のような元に戻せるプレースホルダーなら、モデルにとって文章が読みやすいまま保たれ、後で値を戻せます。
-   ゼロデータ保持はプロバイダーが保持するものを制限します。マスキングや契約の代わりにはなりません。
-   音声は既定で機密扱いにします。1 件のボイスメッセージに氏名、番号、健康情報が含まれることがあります。

**このページの内容**

1.  LLM API にとって機密データとは何か？
2.  ステップ 1：タスクに本当に必要な項目は何か？
3.  ステップ 2：モデルが文章を理解できるままマスキングするには？
4.  ステップ 3：プロバイダーの側でデータはどうなるのか？
5.  ステップ 4：プロンプトを自社のログに残さないには？
6.  ステップ 5：API までの経路をどう守るか？
7.  ステップ 6：レスポンスでは何を確認すべきか？
8.  機密性のある音声にも同じ扱いが必要か？
9.  BroadNet Inference の位置づけ

_[image: The word "PRIVATE" in bold letters, with the text "Control what AI sees." and "LSDF by BroadNet".]_

カスタマーサポートのボットは、氏名や注文番号を含む苦情を読みます。コールセンターのパイプラインは、カード番号を含む文字起こしを送ります。ヘルスケアアプリは症状を送ります。どれもモデルにとっては有用で、どれも自社サーバーを出た瞬間に**機密データ**になります。

OWASP は 2025 年版の LLM アプリケーション Top 10 で、[機密情報の漏えい](https://genai.owasp.org/llmrisk/llm022025-sensitive-information-disclosure/)を LLM02 に挙げています。多くのガイドはモデルが何を明かしてしまうかに注目します。この記事が扱うのは、自分で管理できる部分、つまり**何を送り、何を残すか**です。

## LLM API にとって機密データとは何か？

プロンプトを書く前に、項目を 3 つに分けます。

| 区分 | 例 | 既定のルール |
| --- | --- | --- |
| 直接識別子 | 氏名、メール、電話番号、国民 ID、口座番号 | プレースホルダーに置き換える |
| 特別な、または規制対象のデータ | 健康、生体情報、宗教、カード番号、認証情報 | タスクに必要で法的根拠がある場合を除き、送らない |
| 文脈 | 製品名、問題の種類、日付、金額 | 通常は送ってよい |

GDPR では、特別な種類の個人データ（第 9 条）は、そもそも処理する前に特定の条件を満たす必要があります。カード情報や、パスワード・API キーのような秘密情報は、決してプロンプトに入れてはいけません。

## ステップ 1：タスクに本当に必要な項目は何か？

最良のマスキングは、その項目を送らないことです。タスクに何が必要かを考えます。

1.  **チケットを要約する？** モデルに必要なのは苦情の内容で、顧客の住所ではありません。
2.  **意図を分類する？** 必要なのはメッセージ本文で、アカウント ID ではありません。
3.  **返信を下書きする？** 必要なのはせいぜい名前だけで、それもプレースホルダーで足ります。

レコード全体を JSON として丸ごと流し込むのではなく、選んだ項目からプロンプトを組み立てます。これで[入力トークン](https://broadrouter.com/ja/glossary/input-and-output-tokens/)も減り、コストも下がります。

## ステップ 2：モデルが文章を理解できるままマスキングするには？

値ごとに、種類と番号の付いたプレースホルダーに置き換えます。モデルは文の構造を保ったまま処理でき、あとで自分のコードが値を元に戻します。

```python
import os, re
from openai import OpenAI

PATTERNS = {   # order matters: IBAN before PHONE, or the phone pattern eats IBAN digits
    "EMAIL": r"[\w.+-]+@[\w-]+\.[\w.-]+",
    "IBAN":  r"\b[A-Z]{2}\d{2}[A-Z0-9]{11,30}\b",
    "PHONE": r"\+?\d[\d\s-]{7,}\d",
}

def redact(text):
    mapping, n = {}, {}
    for kind, pat in PATTERNS.items():
        def sub(m):
            n[kind] = n.get(kind, 0) + 1
            key = f"[{kind}_{n[kind]}]"
            mapping[key] = m.group(0)
            return key
        text = re.sub(pat, sub, text)
    return text, mapping

def restore(text, mapping):
    for key, value in mapping.items():
        text = text.replace(key, value)
    return text

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
# Any OpenAI-compatible endpoint works; this uses Qwen3.8 27B on BroadNet Inference.

ticket = "Call me on +971 50 123 4567 or mail sara@example.com about my refund."
safe, mapping = redact(ticket)
reply = client.chat.completions.create(
    model="broadnet/qwen3.8-27b",
    messages=[
        {"role": "system", "content": "Keep placeholders like [PHONE_1] exactly as written."},
        {"role": "user", "content": f"Draft a short reply to this ticket:\n{safe}"},
    ],
).choices[0].message.content
print(restore(reply, mapping))   # the mapping never left your server
```

正規表現は構造化された値を捕まえられます。氏名や住所にはエンティティ認識が必要です。[Microsoft Presidio](https://microsoft.github.io/presidio/supported_entities) などのオープンソースツールは、パターン、チェックサム、固有表現モデルを組み合わせ、独自の認識器も追加できます。どの検出器も自社のデータでテストしてください。アラビア語の氏名、湾岸諸国の電話番号形式、複数の文字体系が混ざったテキストは、汎用の検出器が見逃しやすいところです。

マスキングを自前で書くよりプロキシを動かしたい場合、BroadNet がオープンソースで公開しているものがあります。Apache-2.0 の [LLM Sensitive Data Firewall（LSDF）](https://github.com/brntech/lsdf)です。BroadNet がホストしていないモデルも含め、任意の OpenAI 互換エンドポイントの前に置けます。BroadNet によると、リクエスト、レスポンス、ストリーミングのチャンク、ストリーミングされるツール呼び出しの引数、検索で取得したコンテキスト、推論フィールドを検査し、トレースとログ用には別のサニタイザーを備えています。BroadNet が 2026 年 5 月に自社コーパスで行った評価では、広範な PII 検出器の再現率は、40 件の認証情報リプレイで 1.000、合成した臨床データで 0.944、広範な英語 PII で 0.685 でした。Microsoft Presidio 単体ではそれぞれ 0.194、0.056、0.326 です（[BroadNet の記事](https://www.broadnet.ai/blog/open-source-sensitive-data-firewall)）。これは BroadNet が自社ツールについて示した数値です。何かをブロックする前に、まず `monitor` プロファイルで自社のトラフィックに対して動かしてください。

プレースホルダーの 2 つのルール：

-   **会話の中で一貫させる。** `[NAME_1]` がどのターンでも同じ人物を指すようにします。
-   **モデルにそのまま残すよう指示する。** 上のシステムプロンプトのようにします。

## ステップ 3：プロバイダーの側でデータはどうなるのか？

マスキングは外に出るものを減らします。その後どうなるかはプロバイダー次第です。次を確認します。

-   リクエストの後に内容は保存されるか。保存期間は？
-   学習に使われるか。既定の設定は？
-   ハードウェアを運用しているのは誰で、どこにあるか。

プロバイダーによって答えは大きく異なります。5 社の公式な表現は [LLM API のデータ保持比較](https://broadrouter.com/ja/blog/llm-api-data-retention-compared/)、技術的な質問は [ZDR チェックリスト](https://broadrouter.com/ja/blog/zero-data-retention-llm-api-checklist/)、契約面は [GDPR チェックリスト](https://broadrouter.com/ja/blog/gdpr-llm-api-checklist/)をご覧ください。

## ステップ 4：プロンプトを自社のログに残さないには？

プロンプトがいちばん残りやすいのは自社のシステムです。よくある漏えい箇所：

-   リクエスト本文を出力する HTTP クライアントのデバッグログ。
-   既定でプロンプト全文を記録するトレーシング・オブザーバビリティ SDK。
-   失敗したリクエストのペイロードを添付するエラー通知ツール。
-   ユーザーのメッセージを含む分析イベント。
-   リクエスト全体を保存するリトライキューやデッドレターキュー。

代わりに記録するのは、リクエスト ID、モデル、プロンプトと補完のトークン数、レイテンシ、ステータスコード、そして自社のマスキング対応表の ID（対応表そのものは記録しない）です。コストとエラーの調査にはこれで十分です。[使用量ログの記事](https://broadrouter.com/ja/blog/llm-api-usage-logging/)には、まさにこれらの項目を書き出し、呼び出しごとのコストを計算するラッパーがあります。

## ステップ 5：API までの経路をどう守るか？

-   キーはサーバーに置き、ブラウザやモバイルのコードには決して入れません。保管とローテーションは [LLM API キーのセキュリティ](https://broadrouter.com/ja/blog/llm-api-key-security/)で扱っています。
-   [IP 許可リスト](https://broadrouter.com/ja/guides/api-keys-ip-allow-lists/)で、キーを自社の送信元アドレスに限定します。
-   サービスごとに 1 つの [API キー](https://broadrouter.com/ja/glossary/api-key/)を使えば、1 つを失効させてもすべてが止まりません。

## ステップ 6：レスポンスでは何を確認すべきか？

マスキングが守るのはリクエストです。レスポンスも確認が必要です。モデルが値を繰り返したり、推測したり、再構成したりすることがあるからです。

-   **プレースホルダーの整合性。** `restore()` の後に、対応表になかった `[PHONE_3]` のようなトークンが残っていないか探します。残っていれば、モデルが勝手に作ったということです。
-   **出力に新たに現れた PII。** 同じ検出器をレスポンスにもかけます。送っていないメールアドレスを含む返信は、顧客に届く前にもう一度確認する価値があります。
-   **ユーザー間の漏えい。** レスポンスをキャッシュしたり会話の状態を共有したりする場合、あるユーザーの復元された値が別のユーザーの返信に決して現れないようにします。

チャットの返信だけでなく、すべての出力経路を確認してください。BroadNet の [Safety Map の研究](https://broadrouter.com/ja/blog/llm-safety-map-39-models/)では、ツール呼び出しの引数を埋めた 73 回の実行のうち 20 回で、推論フィールドを埋めた 43 回の実行のうち 29 回で、機密値がそこから漏れていました。その間、表示された返信は安全、見逃し、または途中で切れたと評価されていました。

プロンプト、モデル、検出器を変えるたびに、本物の機密データを含む 50 件の固定セットでループ全体をテストします。捕まえた件数だけでなく、見逃した件数を数えてください。カード番号 1 件の見逃しは、100 件の正しいプレースホルダーより重大です。

## 機密性のある音声にも同じ扱いが必要か？

ボイスメッセージには、10 秒で氏名、電話番号、健康情報が入ることがあります。文字起こしはそのすべてを引き継ぎます。要約のために LLM に送る前に文字起こしをマスキングし、元の音声は必要な間だけ保持します。[コールセンターの文字起こしパイプライン](https://broadrouter.com/ja/blog/transcribe-call-center-recordings/)では、文字起こしと要約の間でマスキングを行う例を紹介しています。

## BroadNet Inference の位置づけ

BroadNet の[プライバシーステートメント](https://www.broadnet.ai/inference-privacy)には、ゲートウェイが “keeps no prompts, messages, images, audio, responses or transcripts”（訳：プロンプト、メッセージ、画像、音声、レスポンス、文字起こしを一切保持しない）とあり、推論データを “to train, fine-tune or evaluate models”（訳：モデルの学習、ファインチューニング、評価のために）使わないとしています。保持するのは、処理時間、トークン数、費用など内容を含まない記録で、一覧は[ゼロデータ保持のページ](https://broadrouter.com/ja/privacy/)にあります。キーは自社の IP アドレスに限定できます。上の例で使った [Qwen3.8 27B](https://broadrouter.com/ja/models/qwen3.8-27b/) は BroadNet がアラビア語でテストしたモデルで、プレースホルダーがアラビア語の文中に入る場合に重要です。

ここまではプロバイダー側の話です。BroadNet がマスキングをしてくれるわけでも、ログを掃除してくれるわけでもありません。BroadNet を含めどのプロバイダーを使っても、ステップ 1、2、4 は自分の仕事です。規制対象のデータについて書面の DPA や再委託先の一覧が必要な場合は、送る前に BroadNet に問い合わせてください。ステートメントには、再委託先の一覧は依頼に応じて提供するとあります。

関連する無料ツール （英語）

-   [OpenAI-compatible API request builder](https://broadrouter.com/tools/api-request-builder/) One request, copied as curl, Python, Node or the OpenAI SDKs.
-   [LLM API cost calculator](https://broadrouter.com/tools/llm-api-cost-calculator/) Price a workload on every model at once, with cache hits, reasoning and a flat-plan check.

[無料ツール （英語）](https://broadrouter.com/tools/)

## この記事の用語

[PII（個人を特定できる情報）](https://broadrouter.com/ja/glossary/pii/)

PII（個人を特定できる情報）とは、氏名、ID 番号、生体情報など個人の身元を識別・追跡できる情報と、その人に結び付いた、または結び付けうる情報です。GDPR ではより広い「個人データ」を使います。LLM では、プロンプトが社外に出る前に PII をマスキングします。

[トークン（token）](https://broadrouter.com/ja/glossary/token/)

トークンとは、言語モデルが読み書きするテキストの単位です。モデルのトークナイザーが作る単語、単語の一部、句読点、バイト列のいずれかにあたります。LLM API は利用量をトークンで数え、上限を設け、通常はトークン単位で課金します。

[API キー（API key）](https://broadrouter.com/ja/glossary/api-key/)

API キーとは、API を呼び出すクライアントを識別し、認可するための秘密の文字列です。LLM API では通常 Authorization: Bearer ヘッダーで送り、キーを持つ人は誰でも、そのキーの所有アカウントに課金されるリクエストを送れます。

[GDPR（EU 一般データ保護規則）](https://broadrouter.com/ja/glossary/gdpr/)

GDPR（一般データ保護規則、規則（EU）2016/679）とは、個人データの処理に関する EU の法律です。2018 年 5 月 25 日から適用され、EU に拠点を置く組織と一部の EU 域外の組織が対象です。LLM API では、処理者との契約、国際移転、データ最小化を規律します。

[OpenAI 互換 API（OpenAI-compatible API）](https://broadrouter.com/ja/glossary/openai-compatible-api/)

OpenAI 互換 API とは、POST /v1/chat/completions など OpenAI API と同じリクエスト形式とレスポンス形式を受け付ける HTTP API です。OpenAI の SDK やツールは、ベース URL、API キー、モデル名を変えるだけで利用できます。

[サブプロセッサー（再委託先、subprocessor）](https://broadrouter.com/ja/glossary/subprocessor/)

サブプロセッサーとは、処理者が管理者に代わって個人データを処理するために委託する第三者です。LLM API では、GPU ホスト、提携する推論プロバイダー、バックアップ容量が含まれえます。GDPR 第 28 条により、管理者の承認と同等のデータ保護義務が必要です。

[IP 許可リスト（IP allow list）](https://broadrouter.com/ja/glossary/ip-allow-list/)

IP 許可リストとは、登録した IP アドレスや CIDR 範囲からのリクエストだけを受け付け、それ以外をすべて拒否するセキュリティ対策です。API に使うと、リストにないネットワークからはキーが使えないため、キー漏えいの被害を抑えられます。

[ゼロデータ保持（ZDR）](https://broadrouter.com/ja/glossary/zero-data-retention/)

ゼロデータ保持（ZDR）とは、AI プロバイダーがプロンプトと出力をリクエストの処理のためだけに扱い、その後はログ、キャッシュ、学習データのいずれにも保存しないデータ取り扱い方針です。トークン数や処理時間など、内容を含まない記録は通常残ります。

## よくある質問

### 個人情報（PII）を LLM API に送っても安全ですか？

管理策があれば安全にできます。プロバイダーとの契約、明確な保持・学習ポリシー、リクエスト前の最小化とマスキング、そして自分の側のきれいなログです。これらがなければ、生の PII は送らないでください。

### ChatGPT などの LLM API に送る前にマスキングすべきですか？

タスクに不要なものはすべてマスキングします。要約、分類、文面作成なら、氏名や番号はたいていプレースホルダーに置き換えても品質は落ちず、応答後に元に戻せます。

### マスキング（redaction）と仮名化の違いは何ですか？

マスキングは値を完全に取り除きます。仮名化は値をプレースホルダーに置き換え、手元で保管する対応表で元に戻せるようにします。GDPR では仮名化データも個人データのままなので、引き続き保護が必要です。

### ゼロデータ保持なら何を送ってもよいのですか？

いいえ。ゼロデータ保持とは、リクエストの後にプロバイダーが内容を保持しないという意味です。データは自社システムの外に出てプロバイダーが処理するので、最小化と法的な確認は引き続き必要です。

### プロンプトが自社のログに残らないようにするには？

リクエスト ID、モデル、トークン数、レイテンシ、ステータスを記録し、メッセージ本文は決して記録しません。HTTP クライアントのデバッグログ、トレーシング SDK、エラー通知ツールを確認してください。これらは既定でリクエスト本文を取り込むことがよくあります。

## 続けて読む

-   [サウジ・UAE の PDPL と LLM API：越境移転チェックリスト](https://broadrouter.com/ja/blog/saudi-uae-pdpl-llm-api-checklist/)
-   [Safety Map：39 の LLM は機密データをどう扱うか](https://broadrouter.com/ja/blog/llm-safety-map-39-models/)
-   [LLM の機密データ安全性をテストする方法：BroadNet の手法](https://broadrouter.com/ja/blog/llm-sensitive-data-safety-evaluation-method/)
-   [ゼロデータ保持の LLM API：確認すべき 10 の質問チェックリスト](https://broadrouter.com/ja/blog/zero-data-retention-llm-api-checklist/)
-   [GDPR と LLM API：プロバイダーに確認すべき 15 の質問](https://broadrouter.com/ja/blog/gdpr-llm-api-checklist/)
-   [LLM API のデータ保持を比較：OpenAI、Anthropic、Gemini、Mistral](https://broadrouter.com/ja/blog/llm-api-data-retention-compared/)
-   [コールセンターの通話録音を文字起こしする：アラビア語対応のパイプライン](https://broadrouter.com/ja/blog/transcribe-call-center-recordings/)
-   [LLM API キーのセキュリティ：保管、ローテーション、IP 許可リスト](https://broadrouter.com/ja/blog/llm-api-key-security/)
-   [エジプトのデータ保護法（2020 年法律第 151 号）と LLM API](https://broadrouter.com/ja/blog/egypt-data-protection-law-llm-api/)
-   [ガイド：IP 許可リストで API キーを自社サーバーに限定する](https://broadrouter.com/ja/guides/api-keys-ip-allow-lists/)
-   [ガイド：OpenAI Python SDK を BroadNet Inference で使う](https://broadrouter.com/ja/guides/openai-python-sdk/)

実際のワークロードで試してください。 新規アカウントには US$5 の初回クレジットがあり、Gemma、文字起こし に使えます。DeepSeek、GLM、Qwen3.8 はチャージが必要です。

[始める](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-blog-llm-api-sensitive-data&utm_content=page-cta) ·

**出典**

-   [BroadNet：オープンソースの LLM Sensitive Data Firewall（LSDF）と 2026 年 5 月の再現率表（2026-11-15 取得） （英語）](https://www.broadnet.ai/blog/open-source-sensitive-data-firewall)
-   [GitHub の LSDF リポジトリ、Apache-2.0（2026-11-15 取得）](https://github.com/brntech/lsdf)
-   [Al Zubaidi「The Safety Map: What Does and Doesn't Transfer in LLM Sensitive-Data Handling」Zenodo プレプリント（2026-11-15 取得）](https://doi.org/10.5281/zenodo.19688433)
-   [OWASP GenAI Security Project：LLM02:2025 機密情報の漏えい](https://genai.owasp.org/llmrisk/llm022025-sensitive-information-disclosure/)
-   [Microsoft Presidio：PII 検出・匿名化 SDK、対応エンティティ](https://microsoft.github.io/presidio/supported_entities)
-   [規則（EU）2016/679（GDPR）第 5 条・第 9 条、EUR-Lex](https://eur-lex.europa.eu/eli/reg/2016/679/oj)
-   [BroadNet Inference プライバシーステートメント（2026 年 9 月施行、2026-11-14 取得） （英語）](https://www.broadnet.ai/inference-privacy)
-   [BroadNet Inference API リファレンス （英語）](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-blog-llm-api-sensitive-data&utm_content=sources)
