ソフトバンク、AI学習データ基盤「GaranAI」ベータ版を提供開始。30社超が参画

　生成AIの性能向上において、事実関係の正確な高品質データの確保が課題となる中、インターネット上のデータを無断で収集するウェブスクレイピングによる無断学習が世界的な社会問題となっている。同時に、ウェブサイト側がクローリングを拒否する動きが広がり、AI開発事業者にとって学習データの収集範囲が狭まりつつある。「GaranAI」は、新聞社や出版社などのコンテンツ保有者から預かった記事やデータを、AI開発者が安全かつ合法的に利用できる形式に変換して提供するプラットフォームである。

　最大の特徴は、提供された原文データを不可逆的に書き換える「派生データ」への加工技術を採用している点にある。文章の大意や事実関係などの情報価値を完全に維持しつつ、表現や構造を自動変換することで、元の著作物への復元を技術的に困難にする。これにより、AIが出力時に元の記事と全く同じ文章を生成してしまうデッドコピーによる著作権侵害リスクを遮断し、コンテンツ保有者の権利を保護する。プラットフォームを介してAI開発企業に派生データが提供されると、利用状況に応じてコンテンツ保有者に利用対価が還元される。


　本サービスのインフラ構築および運用コストはソフトバンクが全額負担するため、コンテンツ企業は初期投資の負担なく新たな収益源を確保できる。現在、共同通信社や毎日新聞社、産経新聞社といった全国規模のメディアに加え、信濃毎日新聞社やデーリー東北新聞社などの地方紙を含む30社以上の報道機関がデータ提供を表明している。地域に根ざした多様な日本語データが蓄積されることで、国産の大規模言語モデル（LLM）が日本の細かな文化背景やニュアンスを正確に反映するための基盤となる。

　ソフトバンクの専任チームがデータの収集から加工までを一貫して担い、約半年間のベータ版運用を通じてデータ品質の監視や加工ロジックの改善を進める。運用時には文章の依存関係を自動解析するハルシネーション防止機能や、独自のトレンド情報を提供するAPIの実装も進める。2027年1月以降の本格的な商用化を予定しており、正式提供時にはサービス名称の変更も予定する。将来的には報道機関にとどまらず、官公庁やウェブサービス事業者などからもデータ提供を受け入れ、情報の網羅性と信頼性を高める計画である。