
AIは間違えるからこそ強い企業は事故を学習に変える
2023年、米国でChatGPTが作った存在しない判例が裁判所へ提出され、弁護士らが制裁を受けました。翌年には、Air CanadaのWebサイトに置かれたチャットボットが遺族運賃を誤案内し、その情報を信じた利用者との紛争で会社側の責任が認められています。
こうした事例を見ると、「やはりAIは危ない。重要な仕事には使わせない方がいい」と考えたくなります。その警戒は間違っていません。ただ、二つの事故には別の見方もできます。AIが誤ったことだけでなく、誤った出力が検証や承認の境界を通り抜け、重要な仕事や顧客接点まで到達したことが問題だった、と。
ここから企業の設計課題が変わります。AIの誤りをゼロにできるかではなく、どこで誤りを止めるのか。事故が起きたら、誰を責めるより先に何を止めるのか。誠実なミスと無謀な行為をどう分けるのか。そして、一度の失敗を次のテストや権限設計へ変えられるのか。
私が考えるAI時代の強い企業は、AIを最も多く使う企業ではありません。使う価値がある仕事では大胆に使い、危険な仕事では明確に止め、失敗が起きたときは被害を小さくし、同じ失敗を減らしながら安全に再開できる企業です。この記事では、そのための組織文化、権限、人間確認、事故対応、評価、ガバナンスを一つの運用としてつなげます。
AI事故はAIが間違えた瞬間ではなく誤りが仕事を通過したときに起きる
生成AIが事実を取り違えることはあります。存在しない出典を作ることもあれば、推論を飛躍させたり、不確実な内容を自信のある文章で出したりすることもあります。AIエージェントまで含めれば、問題は回答の正しさだけではありません。外部メールやWebページに埋め込まれた悪意ある指示、過剰な操作権限、認証や認可の不備、外部モデルやAPIの変更まで事故要因になります。
ここで「AIは嘘をつくか」という人格の話へ寄せすぎると、企業が直せる場所を見失います。企業が管理できるのは、どの失敗が起こり得るか、その失敗がどの仕事を通って外へ出るか、どこで検知・停止・復旧できるかです。

人間のミスとAIのミスも、同じ「間違い」として扱い切れません。AIは短時間に大量の処理ができ、同じ誤りを一貫して繰り返せます。自然な文章で誤情報をもっともらしく見せることもあります。さらにメール送信、データ更新、購買、コード実行などの権限を与えると、出力の誤りがそのまま操作の誤りになります。
だから、AI導入で見るべきなのはミス率だけではありません。私は、影響半径を見る方が実務的だと考えています。一度の誤りが何人へ届くのか。何件のデータを書き換えられるのか。金銭や権利へ影響するのか。後から戻せるのか。この差が、同じAIでも「下書きには使えるが自動送信には使わせない」といった委任境界を作ります。
責任も一段ではありません。社員がAIで資料を作る補助利用なら、利用者と業務責任者が内容を確認します。会社が顧客向けAIを提供するなら、製品や業務の責任者が品質を引き受ける必要があります。AIエージェントが外部システムを操作するなら、システム所有者、権限を付与した側、業務承認者、リスクを引き受ける責任者まで設計対象が広がります。

Air Canadaの事例が示したのは、顧客に見えるAIの回答を「AIが勝手に言ったこと」と切り離せないという点です。AIができることと、企業が任せてよいことは同じではありません。
AIへどこまで仕事を任せるかを、能力だけでなく権限、責任、確認コスト、停止・復旧まで含めて考えたい方は、こちらの記事で詳しく整理しています。
高リスクで便益が小さい仕事なら、AIを使わない判断も合理的です。医療、採用、与信、法的権利に関わる場面など、AI導入によって確認負担や説明責任が増え、得られる便益を上回ることはあり得ます。逆に、公開情報の整理や社内下書きまで一律に禁止すれば、今度は時間や学習機会を失う。目指すのは利用率でも禁止率でもなく、仕事のリスクに合った委任範囲です。
企業の「AI活用力」も、利用人数やPoCの本数だけでは測れません。チャットAIの利用者が多い、AIエージェントを導入した、といった事実だけでは強さは分からないからです。短縮した時間が本当に顧客価値や利益へつながったのか。人間の確認や修正が増えて総コストは上がっていないか。現場の判断履歴や評価ケースが組織へ蓄積されているか。事故時に停止・代替できるか。こうした仕事全体の結果まで見て初めて、AIが価値へ変わったと言えます。
逆に、AIを使わない判断にも理由が必要です。「怖いから禁止」だけではなく、期待便益が小さい、確認コストが高い、必要データを安全に扱えない、権利への影響が大きいなど、非採用の条件を説明できる方がよい。強さはAI推進の強さではなく、使う理由と使わない理由を仕事ごとに説明できることにも表れます。
事故直後は人を裁く前に影響を止める
AI事故が起きた瞬間、経営者や上司は「誰がやったのか」を知りたくなります。けれど、初動で優先すべき問いは別です。
まだ誤った情報が公開されているのか。AIエージェントの操作権限が生きているのか。大量送信やデータ更新が続いているのか。APIキーやアクセストークンを失効すべきか。本番環境を安全な状態へ戻せるか。まず被害の拡大を止めます。
その次に、後から何が起きたかを再現できるよう証拠を残します。入力、出力、参照した情報、利用モデル、ツール実行、権限、実行時刻、人間の確認履歴などです。ただしログ自体に個人情報や営業秘密が含まれることもあるため、何でも無期限に保存すればよいわけではありません。保存期間、閲覧権限、暗号化、削除条件も同時に決めます。
ここまで進んでから、顧客、従業員、金銭、個人情報、知的財産、法的権利、安全、ブランド、システムへの影響を評価します。人の行動評価はその後です。

Samsungが2023年、社員による機密コードの外部生成AIへの入力事案を受けて利用を一時制限したと報じられた例は、「禁止はすべて悪い」という単純化も正しくないことを示します。事故直後に一時停止するのは合理的です。分岐は、その後です。
一件の事故を理由に全社のAI利用を永久停止するのか。それとも、問題のあったモデル、データ区分、接続先、操作権限だけを止め、修正後に安全性を確かめて再開するのか。強い企業ほど、停止範囲を必要な場所まで絞ります。
再開条件も先に決めておきます。同じ事故シナリオをテストして再発しない。責任者と監視方法が決まった。法務やセキュリティ上の確認が終わった。停止やロールバックが実際に機能する。こうした条件が揃って初めて再開する。これなら「怖いから全部止める」と「便利だからすぐ戻す」の両方を避けられます。
事故対応は、AI活用を止めるための仕事ではありません。必要な部分だけ止め、安全に戻す能力そのものがAIを使い続ける条件です。
誠実なミスと無謀を分け人間確認を本当に機能させる
被害を封じ込めた後で、ようやく「人の行動をどう評価するか」を考えます。ここで参考になるのが、航空や医療安全で発展してきたJust Cultureです。日本語にすれば、失敗を一律に罰するのではなく、行動の性質に応じて対応を変える考え方です。
たとえば、承認済みAIへ入力できると思っていたデータ区分を勘違いした社員と、顧客機密の外部投入が明確に禁止されていると知りながら大量に入力した社員は、同じ情報漏えい事故でも行動の意味が違います。
AHRQがJust Cultureの説明で区別しているのは、ヒューマンエラー、リスクを軽く見た行動、重大なリスクを理解しながら選ぶ無謀行為の三つです。ヒューマンエラーなら、本人を責めるだけで終わらせず、なぜ合理的な人が同じ勘違いをし得たのかを調べる。リスクを軽く見た行動なら、教育だけでなく、その選択を誘発した業務圧力やUIも見る。無謀行為では、より強い責任を問う必要があります。故意や悪意のある行為は、この三分類と同列に置かず、別の責任・懲戒プロセスで扱います。

この区別は社員を甘やかすためではありません。誠実なミスまで重く罰すると、次の事故やニアミスが上がってこなくなるからです。AI事故は早く知るほど被害を小さくできます。顧客への誤送信が一件の時点で止まるのか、百件送った後に発覚するのかでは、復旧コストも信用への影響も違います。
心理的安全性も「何をしても怒られない職場」という意味ではありません。悪いニュースを早く上げても不当に損をせず、隠すより報告する方が合理的だと思える状態を作ることが大切です。心理的安全性の研究が、そのままAI事故を減らすことを直接証明しているわけではありませんが、学習する組織を作るうえで重要な示唆があります。
同じことは人間確認にも当てはまります。「最後は人が見ます」と書けば安全になるわけではありません。
確認担当者に専門知識がない。読む時間がない。一次資料へアクセスできない。AIの提案を却下する権限がない。作成者と確認者が実質同じで、急いで承認することが常態化している。こうした状況では、人間確認は儀式になります。
NISTの生成AI向けリスク管理資料も、人がAIの出力を必要以上に信じてしまうautomation biasやover-relianceを扱っています。実効的な確認には、専門性、時間、根拠へのアクセス、拒否権、必要に応じた独立性が要ります。さらに、低リスクな箇所は自動検査し、人間の注意を高リスクな例外へ集中させる方がよい場合もあります。

厳しいレビューを全件へ増やせば安全になる、という考えにも限界があります。確認者が疲弊すれば、本当に危険な出力を見逃しやすくなる。強い統制とは全部を重くすることではなく、人間の判断力を本当に必要な場所へ配分することです。
再発防止を注意喚起からテストと権限と学習指標へ変える
事故後の定番対応は、「今後は必ず確認してください」という周知です。研修資料を増やし、ルールを一行足す。もちろん必要な場合はあります。ただ、同じ条件が残っていれば、似た事故はまた起きます。
Mata v. Aviancaの事例で見れば、問題を「AIが架空判例を作った」で閉じるだけでは足りません。なぜ出典の確認なしに法的文書へ入れられたのか。なぜ独立した法的調査で止まらなかったのか。提出までにどの承認境界があったのか。事故を複数の寄与要因として見ることで、再発防止の場所が増えます。
Deloitte Australiaの豪政府向け報告書で、存在しない研究文献や誤った引用が見つかり、一部返金に合意したと報じられた事例も同じです。AIが個々の誤りの直接原因だったと断定するより、高価な専門成果物で出典照合や独立レビューがどこまで機能したかを見る方が、企業実務には有用です。
再発防止はできるだけ仕事の仕組みへ移します。機密データを入力時にブロックする。外部送信前に宛先と件数を確認する。高額取引は二人承認にする。AIエージェントの書き込み権限を限定する。出典のない回答を顧客へ自動送信できないようにする。モデルやプロンプトを変えたら、過去事故を含む回帰テストを通す。

ここで事故データの役割が変わります。失敗記録ではなく、次のAIを試すための評価データになります。同じ入力で再発しないか。似た業務ではどうか。モデル更新後も安全か。事故をテストケースへ変えれば、一人の失敗から複数の業務が学べます。
実害が出なかったニアミスは、事故より安く境界の弱さを教えてくれます。一歩違えば顧客へ誤送信していた。承認者が偶然気づいた。権限不足だったから被害が出なかった。こうした事象も学習材料です。
ただし、事故やニアミスの「件数」だけをKPIにすると判断を誤ります。報告文化が改善した部署ほど、観測される件数が一時的に増えることがあるからです。危険が増えたのか、見えるようになったのかを分けなければなりません。
そこで、事故の発生率はAIが処理した案件数や外部送信回数などの利用量で補正して見ます。そのうえで、重大度、検知できた割合、報告までの時間、停止から復旧までの時間、同種事故の再発率を分ける。さらに、報告された事象がテスト追加、権限縮小、UI変更、承認条件、教育内容のどれへ変わったかまで追います。

私は、AI時代の企業KPIに学習速度を入れるべきだと考えています。どれだけ早く異常を見つけ、どれだけ早く安全に止め、どれだけ早く仕組みを直し、同じ失敗をどれだけ減らせたか。AI利用率より企業能力をよく表す場面があります。
そして、ポストモーテムを「原因が分かりました」で終わらせないことも欠かせません。複雑なAI事故では、単一のroot causeを一つ決めるより、どの寄与要因が連鎖し、どの防波堤が機能しなかったかを見た方が再発防止につながります。改善項目には担当者と期限を置き、完了したら同じシナリオを再テストする。改善したつもりではなく、実際に境界が強くなったことを確認して閉じるところまでが事故学習です。
AIエージェントではモデルの賢さより権限が事故半径を決める
文章を作るだけの生成AIでは、誤りの中心は成果物でした。AIエージェントがメール、データベース、CRM、コード、購買などを操作するようになると、リスクの中心は何を実行できるかへ移ります。
2026年2月、NISTはAI Agent Standards Initiativeを開始しました。主要テーマには、エージェントのセキュリティ、ID、認可、相互運用性が含まれます。相互運用性とは、異なるAIやツールが意味を失わず連携できることです。便利な連携が増えるほど、誰の権限で何を実行するのかも重要になります。
同年3月にNISTが公表した大規模レッドチーム分析では、13のフロンティアモデルを含む環境で25万回を超える攻撃が試されました。対象となった全モデルで、外部入力を使ってエージェントを乗っ取る攻撃が少なくとも一件は成功したと報告されています。すべてのエージェントが必ず侵害されるという意味ではありません。モデルの防御だけを唯一の安全境界にしない方がよい、という実務上の示唆として読むべきです。
外部メール、Webページ、添付ファイル、コードリポジトリは、エージェントにとって仕事の材料であると同時に、悪意ある指示の入口にもなります。だから、読む権限と書く権限を分ける。機密ファイルへのアクセスと外部送信を分ける。一回に操作できる件数や金額に上限を置く。高リスク操作だけ追加承認を要求する。異常時にはすぐ止められるようにする。

たとえば営業支援エージェントが受信メールを読み、CRMへ記録し、返信まで送るとします。攻撃者がメール本文へ悪意ある指示を埋め込んでも、メールを読む権限、機密情報を読む権限、外部へ送る権限が分かれていれば、被害を限定できます。逆に、一つの強い権限で全部できるなら、高性能なモデルでも事故半径は大きいままです。
この考え方は、仕事のリスク分類にもつながります。「社内利用だから低リスク」「顧客向けだから高リスク」という区分だけでは足りません。社内だけで動くエージェントでも本番データを削除できれば高リスクです。外部向け文章でも、公開前に専門家が確認し、すぐ訂正でき、影響範囲が小さければ相対的に管理しやすいことがあります。
私は少なくとも、影響の大きさ、後から戻せるか、扱うデータの機密性、AIの自律性と権限、到達範囲、人間監督、権利や規制への影響、未信頼入力への露出を見ます。平均点で薄めず、一つでも重大な軸があれば統制を強める。不可逆な送金ができる、機密情報へ広くアクセスできる、人の権利へ影響する、といった条件はそれだけで重く扱う理由になります。

低リスクの探索や下書きは自由度を上げる。外部成果物では事実や顧客条件を確認する。人の権利に強く影響する判断では専門家レビューと説明経路を持つ。送金、削除、契約、デプロイのような不可逆操作では、最小権限、二者承認、上限、停止手段を持つ。AI利用ルールを禁止事項の一覧から、仕事ごとの影響半径と統制の対応関係へ変えるわけです。
ガバナンスは規程を増やすより変化を観測し続ける運用にする
AIガバナンスという言葉から、利用規程、禁止事項、申請フローを思い浮かべるのは自然です。ただ、規程を作った時点でAIシステムが固定されるわけではありません。
外部モデルが更新される。APIの仕様が変わる。AIが検索に使う社内文書が差し替わる。接続先システムの権限仕様が変わる。Web上の情報に悪意ある指示が混ざる。自社のコードやプロンプトを一文字も変えていなくても、仕事システム全体の挙動は変わり得ます。
そのため、一度の導入審査だけで安全を確定するのは難しい。どの業務でAIを使っているかを把握し、責任者を決め、リスクに応じて権限とレビューを設定し、実際の結果を評価し、事故やニアミスを記録し、主要な変更後に再テストする。ここまでを一つの運用として回す必要があります。

NISTのAI Risk Management Framework 1.0は2026年時点で改訂作業が続いています。一方で、統治し、利用状況を把握し、測定し、管理するという基本の流れは、固定規程より運用サイクルを見るうえで有力です。2026年8月には、実環境でAIシステムの影響や成果を評価するTEVV-Athlonの初期ドラフトも公開されました。ベンチマークの点数だけで安全性を判断せず、現実の仕事でどう振る舞うかを測ろうとする流れです。
日本でも、AI法が2025年9月1日に全面施行され、2026年3月にはAI事業者ガイドライン第1.2版、7月には第Ⅱ期人工知能基本計画が公表されています。EUでも高リスクAIに、人間監督、運用監視、重大インシデント対応などの要求があります。制度の細部は地域や用途で異なり、今後も更新されます。
制度は違っても、企業実務の方向は似ています。利用を把握する。リスクを見る。責任者を決める。評価とログを持つ。第三者依存を管理する。事故に対応する。人を教育する。そして更新する。
第三者サービスを使う場合も、導入時のベンダー審査だけで終わりません。重大変更や障害をどう知るのか。利用停止時にどの業務へ戻すのか。ログをどこまで保存できるのか。モデル更新で品質が落ちたとき誰が止めるのか。AIは一つの製品ではなく、外部依存を含む仕事システムとして管理した方がよいでしょう。
特に見落としやすいのは、第三者側の変更が「障害」としては表れない場合です。モデルが更新され、文章は自然なまま判断傾向だけが変わる。検索結果の順位が変わり、参照する根拠がずれる。RAG、つまり社内文書などを検索してAIへ渡す仕組みのデータが更新され、以前とは別の資料が優先される。ツール連携の仕様変更で、以前は禁止されていた操作が可能になる。こうした変化はサービス停止より気づきにくいため、主要業務の代表ケースを定期的に再実行し、品質と権限を確認する必要があります。
責任を中央部門へ集めすぎるのも危険です。全社のAI推進、法務、セキュリティは共通の基盤や最低条件を整える。各業務の責任者は、その仕事で得たい価値と失敗コストを判断する。必要な領域では監査やリスク部門が独立して確かめる。中央集権か現場任せかではなく、共通の防波堤、現場の判断、独立した牽制を重ねる方が変化の速いAIに合います。
この運用を、AI処理ごとの参照データ、人間確認、修正、採用、事故まで追跡できる業務基盤として具体化した設計は、こちらの記事で詳しく扱っています。
ガバナンスの成熟を「規程のページ数」で測らないことも大切です。ルールが多くても誰も守れず、例外申請が遅く、異常を検知できず、止めて戻せなければ実効性は弱い。必要な場所を見つけ、止め、直し、再開できるか。こちらの方が企業能力をよく表します。
日本企業は個人利用から業務再設計へ進み最小運用を試す
IPAのDX動向2026では、日本企業で生成AIの導入が広がっています。「導入している」企業は2024年度の22.6%から2025年度44.0%へ増えました。導入、試験利用、検討中の企業では、個人での業務利用が63.3%です。部署の業務プロセスへの組み込みは11.9%、全社的なサービスへの組み込みは18.6%でした。
この数字を見て「日本企業はAIに遅れている」とだけ言うのは雑です。むしろ、多くの企業がAIを触る段階から、仕事の流れそのものへ入れる段階へ移る途中と読む方が実務的です。
AIで効果を得ている企業でも、業務効率化や迅速化の回答が目立ち、顧客満足度や売上・利益への効果は相対的に小さいとされています。個人が文章を速く作れることと、会社の顧客価値や利益構造が変わることの間には、業務設計、データ、権限、責任、評価という別の仕事があります。

ここで事故を恐れて全面禁止へ戻れば、現場の需要が未承認ツールへ流れる可能性があります。反対に、利用率だけをKPIにして「全社員が毎日AIを使う」を目指しても、価値は保証されません。導入率の次に見るべきなのは、正式業務へ組み込んだときに、品質、責任、復旧まで設計できているかです。
大掛かりなAI委員会を最初から完成させる必要はありません。ここからは公開統計の結論ではなく、実務へ落とすための私の提案です。私なら、最初の90日を仮の区切りにして、一つか少数の業務から最小運用を試します。
最初の30日は、AI利用を可視化します。承認済みツール、利用目的、扱うデータ、外部への影響、AIに与えている権限を棚卸しする。社員の全プロンプトを監視するのではなく、会社として正式にAIへ任せる仕事から始めます。
次の30日は、リスクと事故学習の仕組みを作ります。どこに人間確認が必要か。どの操作は二者承認か。事故報告窓口はどこか。誠実なミスと無謀行為をどう分けるか。事故時に何を保存し、誰が指揮するか。過去の失敗をどの評価ケースへ変えるかを決めます。
最後の30日は、仕事そのものを見直します。AIを入れた結果、人間の確認が増えすぎていないか。品質や顧客価値へつながっているか。低リスクなのに統制が重すぎる場所はないか。逆に、便利さだけで権限を渡しすぎていないか。事故、人間修正、例外を次の評価データへ戻します。

最初から完璧な規程を作るより、一つの実務で「目的、データ、権限、確認、ログ、停止、復旧」を通してみる。そこで出た例外や失敗を次のルールへ変える方が、実効的なガバナンスを作れます。
企業でこの運用を、研修だけでなく業務棚卸し、ワークフロー設計、AIエージェントやシステム実装、導入後の評価まで一続きで進めたい場合は、支援内容をこちらにまとめています。
強い企業は事故ゼロではなく学習速度を高める
「AIは間違える。人間も間違える。だから多少の失敗は仕方ない」
この言い方だけなら雑です。重大事故を軽く扱う理由にもなりません。人命、権利、機密情報、金銭に関わる事故は、できる限り予防すべきです。
それでも、AIにも人にも第三者システムにも不確実性が残る以上、企業は「事故が起きない前提」だけでは設計できません。事故ゼロという数字も、そのまま安全の証明にはなりません。本当に安全なのかもしれない。AIをほとんど使っていないだけかもしれない。異常を検知できていないかもしれない。社員が報告していない可能性もあります。
だから私は、AI時代の強さを三つに分けて考えます。
文化では、誠実なミスやニアミスを隠させない。システムでは、失敗の影響半径を小さくし、止めて戻せるようにする。責任では、無謀や故意を曖昧にしない。そして運用では、事故を評価ケースへ変え、次のモデルやワークフローで同じ失敗を減らす。
この組み合わせなら、「安全だから挑戦しない企業」と「挑戦するから安全を軽視する企業」の二択から抜けられます。高リスクで便益が小さい仕事は使わない。低リスクで価値がある仕事は大胆に試す。事故が起きたら必要な場所だけ止め、直して、再開する。
強い企業は、AI事故が一度も起きなかった会社ではありません。悪いニュースを早く見つけ、同じ失敗を減らす速度を上げ続けられる会社です。
自社のAI活用を見直すなら、最初に確認したいのは「AI利用率は何%か」ではありません。今正式にAIへ任せている仕事を一つ選び、誤ったとき、どこで止まり、誰が知り、どう直し、何をテストへ残し、いつ安全に再開できるかを説明できるか。ここから始めるのがよいと思います。
出典・参考資料
NIST, Artificial Intelligence Risk Management Framework
https://www.nist.gov/itl/ai-risk-management-frameworkNIST, Artificial Intelligence Risk Management Framework Generative Artificial Intelligence Profile
https://doi.org/10.6028/NIST.AI.600-1NIST, AI Agent Standards Initiative
https://www.nist.gov/artificial-intelligence/ai-agent-standards-initiativeNIST, Insights into AI Agent Security from a Large-Scale Red-Teaming Competition
https://www.nist.gov/blogs/caisi-research-blog/insights-ai-agent-security-large-scale-red-teaming-competitionNIST, TEVV-Athlon Framework for Evaluating AI Systems
https://www.nist.gov/artificial-intelligence/ai-research/tevv-athlon-framework-evaluating-ai-systemsAHRQ PSNet, Culture of Safety
https://psnet.ahrq.gov/primer/culture-safetyAHRQ, Apply CUSP Understanding Risk and Human Behavior
https://www.ahrq.gov/hai/cusp/modules/apply/ac-cusp.htmlGoogle SRE, Postmortem Culture
https://sre.google/workbook/postmortem-culture/Amy C. Edmondson, Psychological Safety and Learning Behavior in Work Teams
https://doi.org/10.2307/2666999IPA, DX動向2026
https://www.ipa.go.jp/digital/chousa/dx-trend/dx-trend-2026.html内閣府, 人工知能関連技術の研究開発及び活用の推進に関する法律
https://www8.cao.go.jp/cstp/ai/ai_act/ai_act.html内閣府, 人工知能基本計画
https://www8.cao.go.jp/cstp/ai/ai_plan/ai_plan.html経済産業省, AI事業者ガイドライン 第1.2版
https://www.meti.go.jp/shingikai/mono_info_service/ai_shakai_jisso/20260331_report.htmlEuropean Commission, Navigating the AI Act
https://digital-strategy.ec.europa.eu/en/faqs/navigating-ai-actU.S. District Court, Mata v. Avianca Inc. Opinion and Order on Sanctions
https://law.justia.com/cases/federal/district-courts/new-york/nysdce/1%3A2022cv01461/575368/54/British Columbia Civil Resolution Tribunal, Moffatt v. Air Canada 2024 BCCRT 149
https://www.canlii.org/en/bc/bccrt/doc/2024/2024bccrt149/2024bccrt149.htmlReuters, ChatGPT fever spreads to US workplace sounding alarm for some
https://www.reuters.com/technology/chatgpt-fever-spreads-us-workplace-sounding-alarm-some-2023-08-11/Associated Press, Deloitte to partially refund Australian government for report with apparent AI-generated errors
https://apnews.com/article/australia-ai-errors-deloitte-ab54858680ffc4ae6555b31c8fb987f3Australian Department of Employment and Workplace Relations, Targeted Compliance Framework Assurance Review final report
https://www.dewr.gov.au/assuring-integrity-targeted-compliance-framework/resources/targeted-compliance-framework-assurance-review-final-reportAustralian Department of Employment and Workplace Relations, Correspondence relating to the Targeted Compliance Framework Assurance Review
https://www.dewr.gov.au/download/17418/correspondence-relating-targeted-compliance-framework-assurance-review/41834/correspondence-relating-targeted-compliance-framework-assurance-review/pdf