画面にずらりと並んだダミーの氏名や住所のリストを前に、「これ、そのまま使って大丈夫かな」と一瞬手を止めて確かめようとしている開発者

テスト・品質作成2026-07-09 01:29約11分

AIにテストデータを作らせる｜個人情報と偏りに気をつける型

「テストデータ、それっぽいのを100件用意しておいて」。そう言われて、AIに頼む。数秒後には、氏名も住所もメールアドレスも整った一覧が返ってくる。手で1件ずつ作っていた頃を思うと、本当にありがたいですよね。

でも、その一覧をコピーして貼り付ける前に、ほんの少しだけ立ち止まりたい瞬間があります。その「田中一郎」さん、本当に架空ですか。100件のうち、エラーになる異常系はいくつ入っていますか。年齢も地域も、きれいに平均的すぎませんか。

AIにテストデータを作らせるのは、うまく使えばとても効率的です。ただ、便利さの裏に、個人情報の混入とデータの偏りという2つの落とし穴があります。この記事は、その2つを避けながら、AIにテストデータ・ダミーデータを安全に作らせる型をまとめたものです。

長く見えますが、全部は要りません。まず「本物が混じっていないか」の確認だけ持ち帰れば、今日から効きます。

結論：AIにテストデータを作らせるときは、①本物の個人情報を渡さない・作らせない（実在しそうな値・実データを避ける）、②正常系だけでなく異常系・境界値を意図的に頼む、③偏りをこちらから指定する（年齢・地域・パターンを散らす）、④使う前に人がざっと目を通す。この4つを型にしておけば、「便利だけど不安」が「便利で安心」に変わります。

テストデータづくりは地味な作業です。でも、そこが雑だと、テストが通っても本番で転ぶ。だからこそ、少しだけ丁寧に見ておく価値があります。

なぜ「AIのテストデータ」は確認したいのか

AI生成のテストデータに潜む「個人情報の混入」と「データの偏り」という2つの落とし穴を対比し、それぞれに確認の一歩を添えた概念図

型に入る前に、なぜ確認が要るのかを一度だけ見ておきます。理由が分かると、どこを見ればいいかが見えてきます。

本物の個人情報が混じることがある：「実在しそうな名前で」と頼むと、AIは実在の人物名・企業名・実際に使われているメールアドレスに近い値を出すことがあります。テストデータのつもりが、誰かの本物の情報になっている、という事故につながる
こちらが渡した実データが漏れる：本番のデータを「これを参考にダミーを作って」と貼ると、その入力自体が外部に渡ります。無料ツールでは入力が学習に使われる場合もある（→無料AIツールを業務で使う前の確認）
正常系に偏る：AIは「それっぽい正しいデータ」を作るのが得意な反面、放っておくときれいな正常系ばかりを返します。空文字、最大長、絵文字、全角スペース、境界値——テストで一番効く異常系が抜けやすい
分布が平均的すぎる：年齢は30代前後、地域は都市部ばかり、といった具合に、無難な中央に寄りがち。実際のユーザーの散らばりを再現できていないと、テストは通っても本番の端で転ぶ

裏を返すと——本物を渡さない・作らせない、異常系を意図して頼む、偏りをこちらで指定する。この3つを型にすれば、落とし穴はほぼ避けられます。順に見ていきます。

手順1：本物の個人情報を「渡さない・作らせない」

いちばん大事で、いちばん忘れやすいのがこれです。テストデータは「架空である」ことがすべての前提になります。

渡さない：本番のユーザーデータや顧客リストを、そのままAIに貼らない。「この形式でダミーを作って」と伝えたいときは、実データではなく項目名と型だけ（例：氏名＝日本語の姓名、メール＝example.com ドメイン、年齢＝0〜120の整数）を渡します。線引きの考え方は機密・個人情報をAIに入力する前のリスク確認にまとめています。

作らせない：メールアドレスやドメインは、テスト用に予約された安全な値を指定します。

メール：@example.com / @example.jp（テスト用に確保されたドメイン。実在の他人に届かない）
電話番号：各国のテスト用・案内用番号帯を使う（実在の番号にかけない形）
氏名・企業名：「架空の」「実在しないことを確認した」と明示して頼む。特定の実在人物・実企業を想起させる固有名は避ける

プロンプトの一言で変わります。「実在の人物・企業・実際のメールアドレスは使わず、明らかに架空とわかる値で。メールは example.com ドメインで」と添えるだけで、事故の芽をひとつ摘めます。

手順2：正常系だけでなく、異常系・境界値を意図して頼む

中央に寄った無難な正常系データと、端に散らばる空値・最大長・特殊文字などの異常系・境界値を対比し、両方をそろえてこそテストが効くことを示した図

テストで本当に効くのは、たいてい端っこのデータです。ところがAIは、放っておくと真ん中の無難な値を並べます。だから、異常系と境界値は、こちらから名指しで頼む。

こんなふうに具体的に指定すると、抜けが減ります。

空・未入力：空文字、null、スペースだけ、全角スペースだけ
長さの境界：最小1文字、上限ぴったり、上限+1文字、極端に長い文字列
特殊な文字：絵文字、機種依存文字、改行を含む値、前後の空白、SQLやHTMLで意味を持つ記号（' < など）
数値の境界：0、負の数、上限値、桁あふれしそうな大きな値、小数点の扱い
形式の崩れ：@のないメール、桁の足りない電話番号、ありえない日付（2月30日など）

プロンプト例：「この項目に対して、正常系5件のほかに、空・上限超え・特殊文字・形式不正を含む異常系を各1件以上。何を狙ったデータかを1行のコメントで添えて」。狙いをコメントで書かせておくと、後で読み返したときに「なぜこのデータがあるのか」が分かって助かります。観点の洗い出し自体は境界値・異常系をAIに考えさせて漏れを減らす手順も合わせてどうぞ。

手順3：偏りを、こちらから指定して散らす

「それっぽいデータ100件」とだけ頼むと、似たようなレコードが並びがちです。実際のユーザーは、もっとばらついています。だから、散らしてほしい軸を先に指定します。

属性の分布：年齢は10代〜80代までまんべんなく、地域は都市部と地方を混ぜる、といった軸を挙げる
状態のパターン：新規／継続／退会、有効／無効、権限あり／なし——業務上ありうる組み合わせを網羅する
件数のバランス：「全部ユニーク」ではなく、同姓同名や重複メールなど、現実に起こる衝突もわざと少し混ぜる

例：「年齢は各年代がほぼ均等になるように。都道府県は関東に偏らせず全国から。ステータスは新規・継続・退会を3:5:2くらいで」。

ここで注意したいのは、逆の偏りです。属性を無理に均等にしすぎると、それはそれで現実離れします。狙いは「平均に寄せる」ことでも「完全に均等にする」ことでもなく、テストしたい観点をちゃんとカバーする散らばりにすること。何を確かめたいテストなのかを思い出しながら軸を選ぶと、ちょうどよくなります。

手順4：使う前に、人がざっと目を通す

生成できたら、そのまま流し込む前に、ひと目だけ確認します。全件を精査する必要はありません。ざっと眺めて、次のあたりだけ見ておけば十分です。

本物っぽい値が混じっていないか：知っている実在の人名・企業名・実際のドメインが紛れていないか、上から下まで一度スクロールする
狙った異常系が本当に入っているか：「異常系も入れて」と頼んでも、結局きれいな値ばかり、ということは起こります。空値や特殊文字が実際にあるか目視する
形式がテスト対象と噛み合っているか：文字コード、区切り、日付フォーマットが、読み込む側と合っているか
件数と分布が指定どおりか：偏らせない指定が効いているか、ざっくり眺める

AIの出力は「もっともらしいけれど、こちらの指定を微妙に外している」ことがあります。存在しない値や捏造された形式が混じることもあるので、鵜呑みにしない習慣が効きます（→AIのハルシネーションの見抜き方）。データが多くて全部は見きれないときは、先頭・末尾・ランダムに数件だけでも抜き取って確認すると、大きな崩れには気づけます。