AIメールセキュリティ ― MAIL PRISM AI
なぜメールセキュリティに
独自言語モデルなのか
リンクも添付ファイルもない詐欺メールを見分けるのは、文章ではなく行間です。セキュリティのためにオープンウェイトを排除し、事前学習から自社で構築した言語モデルが、GPUなしでCPUでメールを判断します。
メールセキュリティの難題
なぜメールが最も難しい場所なのか
文章や文脈ではなく、行間を読む必要がある仕事だからです。文脈は文章の流れ、行間は文章の裏に隠れた意図です。
サイズははるかに小さくても、している仕事は判断です。
これまでの深刻な問題
最も大きな被害を出すメールには、ブロックする根拠がありません
送金詐欺 ― 口座が変わったというメール1通で、お金が出ていきます
95.4%
韓国の輸出入企業を狙った外為貿易詐欺1,591件のうち1,518件が、メールのハッキングで偽口座への送金を誘導した詐欺でした。2021年〜2025年上半期、被害総額は約1,330億ウォン。
出典：韓国金融監督院（2025年9月）
30億ドル
米国で1年間に報告されたビジネスメール詐欺（BEC）の被害額。メール1通が送金につながった詐欺は24,768件。
出典：FBI IC3 Internet Crime Report 2025
16.3万ドル
スペインの輸出業者のメールを乗っ取り、「ポルトガルの銀行に口座が変わった」と送った1通。韓国の輸入企業が新しい口座へ代金を送金しました。
出典：韓国金融監督院（2025年9月）
お金を狙うメールには、リンクすらありません。
アカウント乗っ取り ― リンク検査は「人間であることの確認」の前で止まります
43%
2025年のフィッシング攻撃のうち、CAPTCHA（人間の確認）を悪用した割合。同年、MFA回避48%、フィッシング・アズ・ア・サービスのキット90%。
出典：Barracuda（2026年1月）· キャンペーン追跡ベース
1,190万件
2026年3月の1か月間に、CAPTCHAの裏に隠されたフィッシング。1か月で125%増加し、自動検査ツールが脅威を見分けにくくしています。
出典：Microsoft メール脅威動向 2026年第1四半期（2026年4月）
94〜96%
リンク · 添付ファイルのある攻撃のうち、アカウント情報を狙ったフィッシングの割合。マルウェアは4〜6%。
出典：Microsoft メール脅威動向 2026年第2四半期（2026年7月）
リンクの先を開けなくても、メールが何を求めているかはメールの中にあります。
カテゴリ別比較
メールセキュリティAI、何が違うのか
受信メールの行間を判断する場所は、空いたままでした。
| 既存のメールセキュリティゲートウェイ | クラウドAIメールセキュリティ | オープンウェイトのメールAI | MAIL PRISM AI | |
|---|---|---|---|---|
| 主な役割 | 悪性リンク · 添付ファイル · スパムのブロック | 受信メールの異常な振る舞いの検知 | 要約 · 検索、送信メールの情報漏えい防止 | 受信メールのフィッシング · なりすまし · 金融詐欺の判断 |
| リンク · 添付のない詐欺メール | ルールに該当すればブロック | 振る舞いの履歴で検知 | 対象外 | 行間を読んで判断 |
| ブロックした理由 | ルール · シグネチャ名 | リスクスコア · シグナル | — | 判断基準の文章そのもの |
| メール原文の送信 | なし（ゲートウェイ内） | 提供元のクラウドへ | 社内GPUサーバーへ | なし（ゲートウェイ内） |
| 推論リソース | サーバー | 提供元のクラウド | GPUサーバー（20B級） | GPUなしでCPU |
| モデル | — | 非公開 | オープンウェイト | オープンウェイトを排除した独自言語モデル |
| 性能の示し方 | 検知率 | 独自の数値 | — | 正常メールを含めたAUC |
* カテゴリごとの一般的な特性であり、個別の製品によって異なる場合があります。
オープンウェイトを排除した理由
オープンウェイトは優れたAIですが、ゲートウェイ向きではありません
モデルが間違っているからではありません。要約 · 翻訳 · 文書作成 · 社内業務の支援では、誰でもダウンロードして検証し、手直しして使える、本当に役立つAIです。ただしゲートウェイでは、判定器がそのまま防御線です。誰でもダウンロードできるなら、攻撃者も同じ判定器を手にします。
| 公開モデルを使う場合 | MAIL PRISM AI ― 354M → 1.5B 独自言語モデル | |
|---|---|---|
| 攻撃者のモデルへのアクセス | 同じモデルをダウンロードし、通過するメールを無制限に探せます | 持ち出せません。できるのはメールを送ってみることだけです |
| 回避を試すコスト | 無料 · 無制限 · 痕跡なし | 試すたびにゲートウェイに記録されます |
| 本文の指示による操作 | 入力の指示に従うよう学習されており、回避手法が公開されています | 本文の指示を実行せず、判定だけを出力します |
| 脆弱性が公開されると | 同じモデルを使うすべての顧客企業が同時にさらされます | 自社で直接修正し、短いサイクルで再配布します |
| 学習データ | 何で学習したかを顧客に説明しにくい | 事前学習から自社で構築 ― 出典を示せます |
セキュリティ製品でのこの違いは性能ではなく、攻撃者がセキュリティの判定器を手に入れられるかどうかの問題です。
Systematic SFT
Systematic SFTで、行間を読むように教えました
SLMに専門家らしい判断を教える体系 ― 学習はGPU 1枚、判定はGPUなしでCPUで。
- 専門家の判断を文章に移しますリスクの基準をカテゴリではなく文章で書きます。モデルはその文章ごとに、このメールが該当するかを判断するよう学びます。→ ブロックした理由を文章で確認できます
- 文章ではなく行間を教えます送信者とのやり取りの履歴 · 経路 · 返信先アドレスまで合わせて読み、同じ文面の裏にある意図を判断するよう、関係をもとに教えます。→ 同じ文面も、隠れた意図で判断します
- 正常メールをまず守りながら測りますモデルを選ぶ基準は、脅威をあと何通捕まえるかより、正常なメールを止めないことが先です。→ 正常な業務メールが止まりません
↻ 短いサイクルで、細かな判断まで改善します ― 資源ではなく方法なので、現場を反映した新しいモデルをすばやく作り直せます。
大きなモデルが規模で得る判断力は、2B以下では自然には得られません。その判断力を、354Mの言語モデルで方法によって作り出しました。
モデル仕様
MAIL PRISM AI 言語モデルの仕様
事前学習から自社で構築した独自言語モデル ― 公開モデルを縮小したり、ファインチューニングしたものではありません。
| R5-354M · R1 | R5-354M · R2 運用中 | R8-1.5B · 2027年5月 | |
|---|---|---|---|
| パラメータ | 3億5,400万（354M） | 3億5,400万（354M） | 15億（1.5B）級 |
| 事前学習 | ベースモデルなしで自社構築 | ベースモデルなしで自社構築 | ベースモデルなしで自社構築 |
| 対応言語 | 韓国語 · 英語 | 韓国語 · 英語 · 日本語 | 韓国語 · 英語 · 日本語 · 中国語（簡体 · 繁体）· アラビア語 · ヒンディー語 · ロシア語 · タイ語 · ベトナム語 · インドネシア語 · マレー語 · ドイツ語 · スペイン語（14言語） |
| モデル構造 | Transformerデコーダー · 24層 · 隠れ次元1,024 · アテンションヘッド16 | Transformerデコーダー · 24層 · 隠れ次元1,024 · アテンションヘッド16 | Transformerデコーダー · 32層 · 隠れ次元1,792 · アテンションヘッド28 |
| 語彙 · トークナイザー | 50,304 · メールのテキストに合わせて自社開発 | 50,304 · メールのテキストに合わせて自社開発 | 128,000 · 14言語BPE |
| メール1通あたりのトークン | 1,024 | 5,120 | 5,120 |
| 学習構成 | RMSNorm · SwiGLU · MTP · BF16 | RMSNorm · RoPE · SwiGLU · MTP · BF16 · FlashAttention | RMSNorm · RoPE · SwiGLU · MTP · BF16 · FlashAttention |
| 判断の学習 | SFT | Systematic SFT | Systematic SFT |
| 推論 | GPUなしでCPU（インテル AMX） | GPUなしでCPU（インテル AMX） | GPUなしでCPU（インテル AMX） |
354Mで検証した構造はそのままに、サイズと学習データだけを大きくします。
MAIL PRISM AIの視点
SLMは実戦に入りました ― 専門家らしい判断を除いて
いまのSLMは、デバイス内のモデルや入力の安全判定のように、決められたカテゴリを選ぶ分類にとどまっています。巨大モデルは判断はできても、GPUが必要で、メールが外に出ていきます。私たちはこのサイズで専門家らしい判断を作りました ― Systematic SFTで、最も難しい場所であるメールセキュリティで。
巨大でなくても判断する人工知能
方法が能力を作ります
大きなモデルでは規模が能力を与えてくれますが、2B（20億）以下ではどう教えるかが能力を左右します。私たちの技術は新しいモデル構造ではなく、Systematic SFTです。
自社で作った言語モデル
譲り受けたオープンモデルではなく、ベースモデルなしで自社構築したモデルです。他社が会話するモデルを作るとき、私たちは判断するモデルを作りました。
LLMと競いません
汎用的な知能は巨大モデルが、現場の判断は独自モデルが担います。メールごとの判定はこのモデルが、例外の分析は管理者のそばでLLMエージェントが。
規模は能力を買い、方法は能力を作り出します。2B未満のモデルは練習用ではありません。メールセキュリティの現場ですでに証明しました。
判断するメールセキュリティAI、MAIL PRISM AI