結論：CISA・NSA・NCSC含む5カ国6機関が「AIエージェントの安全な導入」に関する初の国際共同ガイダンスを2026年5月1日に公開し、5カテゴリ・23リスク・100超のベストプラクティスを提示した。
- 要点1：AIエージェントのセキュリティは新しい学問ではなく、ゼロトラスト・最小権限・多層防御の既存フレームワークに統合すべき（CISA公式ガイダンス 2026年5月）
- 要点2：88%の企業が過去1年にAIエージェント関連のセキュリティインシデントを経験（AI Automation Global 2026年5月調査）
- 要点3：各エージェントに暗号的に固定されたIDを付与し、短命クレデンシャルで運用するのが最重要対策
対象読者：AIエージェントを設計・導入・運用する開発者、セキュリティエンジニア、情報システム部門の管理者
今日やること：自社で稼働中のAIエージェントの権限一覧を棚卸しし、最小権限の原則に沿っているか確認する
2026年5月1日、サイバーセキュリティの世界で前例のない動きがあった。米国CISA（サイバーセキュリティ・インフラストラクチャセキュリティ庁）とNSA（国家安全保障局）、英国NCSC、オーストラリアASD/ACSC、カナダCCSC、ニュージーランドNCSCの5カ国6機関が共同で「Careful Adoption of Agentic AI Services」と題した文書を公開した。
Five Eyes（ファイブ・アイズ）情報共有同盟が単一のAI攻撃面に対して連携政策を出したのは史上初のことだ。これは「AIエージェントのセキュリティが、研究テーマから国家安全保障上の課題に格上げされた」ことを意味する。
背景には急速な現場導入がある。Gartner CIO調査（2026年）によれば、企業の31%が既に本番環境でAIエージェントを稼働させ、60%以上が2年以内の導入を計画している。一方、AI Automation Global（2026年5月）の調査では、AIエージェントを運用する組織の88%が過去1年にセキュリティインシデントを経験している。
何が発表されたのか — ガイダンスの全体像
文書は米国防総省のウェブサイト（media.defense.gov）で全文が公開されている。主な構成は以下の通りだ。
| セクション | 内容 | 開発者への影響 |
|---|---|---|
| リスク定義 | 5カテゴリ・23リスクを体系化 | セキュリティ設計のチェックリスト |
| ベストプラクティス | 100以上の具体的対策 | 実装レベルの指針 |
| ガバナンス原則 | ゼロトラスト・最小権限・多層防御 | 既存セキュリティ体制との統合方法 |
| 段階的導入 | 低リスクから始める漸進的アプローチ | PoC→パイロット→本番のゲート設計 |
注目すべきは、このガイダンスが「AIエージェントには全く新しいセキュリティの枠組みが必要」とは言っていない点だ。既存のサイバーセキュリティフレームワークとガバナンス構造に統合せよ、というのが中心メッセージだ。
5つのリスクカテゴリ — 開発者が押さえるべき脅威モデル
カテゴリ1：特権リスク（Privilege Risk）
エージェントに過剰なアクセス権を与えた場合、単一の侵害が通常のソフトウェア脆弱性よりはるかに大きな被害を引き起こす。実際、2026年に報告されたAIエージェント・インシデント520件のうち、最多は「ツール悪用と権限昇格」だった（AI Automation Global 2026年5月レポート）。
カテゴリ2：設計・構成リスク（Design and Configuration）
エージェントが稼働を開始する前の段階で、設定の不備がセキュリティギャップを生む。プロンプトテンプレートに機密情報を含めてしまう、デフォルトで全APIへのアクセスを許可してしまう、といったパターンが典型だ。
カテゴリ3：行動リスク（Behavioral Risk）
エージェントが設計者の意図しない方法で目標を追求するケース。ゴール最適化の過程でガードレールを迂回する、ユーザーの指示を拡大解釈して想定外のアクションを実行する、といった振る舞いが該当する。
カテゴリ4：構造リスク（Structural Risk）
相互接続されたエージェントのネットワークにおいて、障害が組織全体のシステムに伝播するリスク。マルチエージェント構成では、1つのエージェントの異常が連鎖的に他のエージェントを汚染する可能性がある。
カテゴリ5：説明責任リスク（Accountability Risk）
エージェントは検査困難なプロセスで意思決定し、パースしにくいログを生成する。何が起きたのか・なぜ起きたのかの追跡が困難になる。監査証跡（Audit Trail）の設計が不十分だと、インシデント対応が著しく遅れる。
実際に起きているインシデント — 数字で見る脅威の現実
2026年の主要インシデント事例
ガイダンスが出された背景には、実際のインシデントの急増がある。
- OpenAIプラグインエコシステムへのサプライチェーン攻撃：47の企業デプロイメントから侵害されたエージェント資格情報が窃取され、6ヶ月間にわたり顧客データ・財務記録・プロプライエタリコードにアクセスされた（Beam.ai 2026年レポート）
- クレデンシャル大量流出：2026年6月、AIエージェントセッションを標的としたインフォスティーラーにより160億件のクレデンシャルが露出。MFAを迂回するCookieハイジャックが主な攻撃手法だった（Foresiet 2026年4月分析）
- AIエージェントマーケットプレイスの汚染：2026年1〜2月、OpenClawの公開マーケットプレイスClawHubに835個の悪意あるスキルがアップロードされた（IBM X-Force 2026年レポート）
インシデント分類と発生頻度
| インシデント種別 | 報告件数（2026年） | 深刻度 |
|---|---|---|
| ツール悪用・権限昇格 | 520件 | 中〜高 |
| プロンプトインジェクション | 380件 | 中 |
| メモリポイズニング | 87件 | 極めて高 |
| サプライチェーン攻撃 | 63件 | 極めて高 |
（AI Automation Global 2026年5月調査。N=1,200組織。複数回答あり）
7つの中核的ベストプラクティス — 開発者が今日から実装すべきこと
対策1：各エージェントに暗号的ID（Cryptographic Identity）を付与する
ガイダンスの中で最も具体的かつ重要な推奨事項がこれだ。各エージェントを「独立したプリンシパル」として構築し、固有の鍵または証明書で暗号的にアンカーする。
# 注意: 本番環境で使用する前に、必ずテスト環境で動作確認してください。
# エージェントIDの発行と検証の基本パターン（Python + PyJWT）
# 動作環境: Python 3.11+, PyJWT>=2.8.0, cryptography>=42.0
import jwt
import time
from cryptography.hazmat.primitives.asymmetric import ec
from cryptography.hazmat.primitives import serialization
# エージェントごとに固有の鍵ペアを生成
private_key = ec.generate_private_key(ec.SECP256R1())
public_key = private_key.public_key()
# 短命トークンの発行（有効期限15分）
def issue_agent_token(agent_id: str, scope: list[str]) -> str:
payload = {
"sub": agent_id,
"scope": scope,
"iat": int(time.time()),
"exp": int(time.time()) + 900, # 15分で失効
"jti": f"{agent_id}-{int(time.time())}"
}
return jwt.encode(payload, private_key, algorithm="ES256")
# 呼び出し側での検証
def verify_agent_action(token: str, required_scope: str) -> bool:
try:
decoded = jwt.decode(token, public_key, algorithms=["ES256"])
return required_scope in decoded.get("scope", [])
except jwt.ExpiredSignatureError:
raise PermissionError("Agent token expired - re-authenticate required")
ポイント：静的なAPIキーをエージェント間で共有する実装は明確に否定されている。「悪意ある者は、組織が鍵を静的に保持し、複数エージェント間で共有し、保護が不十分な場合に秘密鍵やトークンを窃取できる」と文書は警告している。
対策2：最小権限の原則を厳密に適用する
エージェントが持つ権限は「そのタスクの実行に必要最小限」に絞る。特に重要なのは、権限をタスク単位で動的に付与・回収する設計だ。
# 注意: 本番環境で使用する前に、必ずテスト環境で動作確認してください。
# タスクスコープ権限管理の設計パターン
# 動作環境: Python 3.11+
from dataclasses import dataclass, field
from contextlib import contextmanager
from typing import Generator
@dataclass
class AgentPermission:
agent_id: str
allowed_tools: list[str] = field(default_factory=list)
max_api_calls: int = 10
allowed_data_scopes: list[str] = field(default_factory=list)
expires_at: float = 0.0
@contextmanager
def scoped_permission(
agent_id: str,
tools: list[str],
data_scopes: list[str],
ttl_seconds: int = 300
) -> Generator[AgentPermission, None, None]:
"""タスク実行中のみ有効な権限を付与し、完了後に自動回収"""
import time
perm = AgentPermission(
agent_id=agent_id,
allowed_tools=tools,
allowed_data_scopes=data_scopes,
expires_at=time.time() + ttl_seconds
)
try:
yield perm
finally:
# タスク完了後、権限を明示的に無効化
perm.allowed_tools = []
perm.allowed_data_scopes = []
perm.expires_at = 0.0
# 使用例
with scoped_permission(
agent_id="cs-agent-001",
tools=["search_knowledge_base", "send_reply"],
data_scopes=["customer_tickets"],
ttl_seconds=180
) as perm:
# この3分間だけ、指定ツールと指定データへアクセス可能
pass
# ブロックを抜けた時点で権限は自動回収される
対策3：すべてのエージェントアクションをログに記録する
ガイダンスは、トリガーとなったプロンプト・完全なツール呼び出しチェーン・実行結果のすべてをログに記録し、既存のSOCワークフローに統合することを求めている。
# 注意: 本番環境で使用する前に、必ずテスト環境で動作確認してください。
# エージェントアクション監査ログの構造化パターン
# 動作環境: Python 3.11+, structlog>=24.0
import structlog
import time
import hashlib
from typing import Any
logger = structlog.get_logger("agent_audit")
def log_agent_action(
agent_id: str,
action: str,
tool_calls: list[dict],
input_context: str,
output: Any,
permission_token_jti: str
) -> dict:
"""Five Eyes準拠の監査ログエントリを生成"""
entry = {
"timestamp": time.time(),
"agent_id": agent_id,
"action": action,
"tool_chain": [t["name"] for t in tool_calls],
"input_hash": hashlib.sha256(input_context.encode()).hexdigest()[:16],
"output_summary": str(output)[:200],
"permission_ref": permission_token_jti,
"drift_check": detect_behavioral_drift(agent_id, action)
}
logger.info("agent_action", **entry)
return entry
def detect_behavioral_drift(agent_id: str, action: str) -> str:
"""行動ドリフトの簡易検出（本番では統計的手法を使用）"""
# 直近100アクションとの比較ロジック（省略）
return "normal" # or "anomaly_detected"
対策4：高インパクトアクションに人間承認フローを設置する
「どのアクションに人間のレビューが必要かを決めるのは、エージェント自身ではなくシステム設計者である」— これがガイダンスの明確な立場だ。
# 注意: 本番環境で使用する前に、必ずテスト環境で動作確認してください。
# 人間承認ゲートの実装パターン
# 動作環境: Python 3.11+
from enum import Enum
from dataclasses import dataclass
class RiskLevel(Enum):
LOW = "low" # 自動実行OK
MEDIUM = "medium" # ログ記録 + 事後レビュー
HIGH = "high" # 実行前に人間承認必須
CRITICAL = "critical" # 2名以上の承認必須
# アクションごとのリスク分類（設計時に定義、エージェントが変更不可）
ACTION_RISK_MAP = {
"search_knowledge_base": RiskLevel.LOW,
"send_customer_reply": RiskLevel.MEDIUM,
"modify_database_record": RiskLevel.HIGH,
"execute_financial_transaction": RiskLevel.CRITICAL,
"grant_access_permission": RiskLevel.CRITICAL,
}
@dataclass
class ApprovalGate:
action: str
risk_level: RiskLevel
def requires_human_approval(self) -> bool:
return self.risk_level in (RiskLevel.HIGH, RiskLevel.CRITICAL)
def min_approvers(self) -> int:
if self.risk_level == RiskLevel.CRITICAL:
return 2
elif self.risk_level == RiskLevel.HIGH:
return 1
return 0
対策5：段階的導入（Incremental Deployment）を徹底する
ガイダンスは「明確に定義された低リスクなタスクから開始し、進化する脅威モデルに対して継続的に評価せよ」と明言している。いきなり本番環境に全機能を投入するのは明確にNGだ。
対策6：プロンプトコンテキストを制御する
プロンプトインジェクションの被害を限定するため、エージェントが参照できるコンテキストの範囲を設計段階で制限する。外部入力（ユーザーからのテキスト、Webスクレイピング結果等）は必ずサニタイズレイヤーを通す。
# 注意: 本番環境で使用する前に、必ずテスト環境で動作確認してください。
# プロンプトコンテキスト分離の設計パターン
# 動作環境: Python 3.11+
import re
class ContextIsolation:
"""外部入力をシステムプロンプトから分離する"""
# 既知のインジェクションパターン
INJECTION_PATTERNS = [
r"ignores+(previous|above|all)s+instructions",
r"yous+ares+nows+",
r"system:s*",
r"<|im_start|>",
]
@classmethod
def sanitize_user_input(cls, raw_input: str) -> str:
"""ユーザー入力からインジェクション試行を検出・無害化"""
sanitized = raw_input
for pattern in cls.INJECTION_PATTERNS:
if re.search(pattern, sanitized, re.IGNORECASE):
# ログに記録し、該当部分をマスク
sanitized = re.sub(pattern, "[BLOCKED]", sanitized, flags=re.IGNORECASE)
return sanitized
@classmethod
def build_safe_prompt(cls, system: str, user_input: str, context: str) -> list:
"""コンテキスト分離されたプロンプト構造"""
return [
{"role": "system", "content": system},
{"role": "system", "content": f"[TRUSTED_CONTEXT]n{context}"},
{"role": "user", "content": f"[USER_INPUT]n{cls.sanitize_user_input(user_input)}"}
]
対策7：通信の暗号化とエージェント間認証
マルチエージェント構成では、エージェント間のすべての通信を暗号化し、相互認証を必須とする。A2AプロトコルやMCPを使う場合でも、トランスポート層のセキュリティは別途確保する必要がある。
【要注意】AIエージェント導入でよくある失敗パターン
失敗1：全権限を付与した「万能エージェント」を作る
❌ 「面倒だから全APIへのフルアクセスを与えておこう」
⭕ 「このエージェントはカスタマーサポートのみ。アクセスできるのはチケットDBの読み取りとメール送信APIだけ。DB書き込みや管理画面へのアクセスは一切不可」
なぜ重要か：Five Eyesガイダンスが「特権リスク」を5カテゴリの筆頭に置いた理由がここにある。単一のプロンプトインジェクションで、全システムへの横展開が可能になる。実際にOpenAIプラグインエコシステムへの攻撃では、過剰な権限付与が6ヶ月間の不正アクセスを許した。
失敗2：静的APIキーをエージェント間で使い回す
❌ 環境変数に1つのAPIキーを設定し、全エージェントで共有
⭕ エージェントごとに固有の暗号鍵を発行し、15分以内に失効する短命トークンで運用
なぜ重要か：ガイダンスは明確に「静的に保持し、共有し、保護が不十分な鍵やトークンは窃取される」と警告している。160億件のクレデンシャル流出事件（2026年6月）でも、静的トークンの窃取がMFAバイパスの起点となった。
失敗3：エージェントの行動ログを取らない
❌ 「エラーが起きたらスタックトレースを見ればいい」
⭕ トリガープロンプト・ツール呼び出しチェーン・出力結果・使用した権限トークンのすべてを構造化ログとして記録し、SOCに統合
なぜ重要か：説明責任リスク（Accountability Risk）の本質は「何が起きたか再現できない」ことにある。エージェントは人間のように「なぜそうしたか」を説明できない。ログがなければインシデント対応は不可能だ。
失敗4：マルチエージェント構成で障害伝播を考慮しない
❌ 5つのエージェントをチェーン接続し、1つが異常出力しても後続がそのまま処理
⭕ 各エージェント間にバリデーション層を設置し、異常検知時はサーキットブレーカーで遮断
なぜ重要か：構造リスクの核心は「カスケード障害」だ。1つのエージェントのハルシネーションが後続エージェントに伝播し、最終出力が完全に破壊されるパターンは検証環境でも頻繁に発生する。
失敗5：「AIエージェントだから新しいセキュリティが必要」と思い込む
❌ 既存のセキュリティフレームワーク（NIST CSF、ISO 27001等）を無視して、AI専用の新体制を一から構築
⭕ 既存のサイバーセキュリティ体制にAIエージェント固有のリスク項目を追加する形で統合
なぜ重要か：これがFive Eyesガイダンスの最も重要なメッセージだ。ゼロトラスト・多層防御・最小権限——これらの原則はAIエージェントにもそのまま適用できる。車輪の再発明は不要だ。
日本企業への影響 — 今すぐ対応すべき理由
Five Eyesガイダンスの法的拘束力
このガイダンス自体に法的拘束力はない。しかし、以下の点で日本企業にも実質的な影響がある。
- 取引先要件：Five Eyes加盟国（米・英・豪・加・NZ）の企業とビジネスする場合、このガイダンスへの準拠が取引条件に組み込まれる可能性が高い
- 監査基準：SOC 2やISO 27001の監査において、AIエージェント固有のリスク対策が問われる際の事実上の基準になる
- インシデント時の責任：「国際的なベストプラクティスに従っていたか」が問われた際、このガイダンスが参照される
Gartnerの予測との整合性
Gartnerは「2026年中に企業アプリケーションの40%がタスク特化型AIエージェントを搭載する」と予測している（Gartner 2025年8月プレスリリース）。この急速な導入に対して、セキュリティのガバナンスが追いついていない現状を、Five Eyesガイダンスは是正しようとしている。
実装チェックリスト — Five Eyes準拠の自己診断
特権管理（Privilege）
| # | チェック項目 | 対応状況 |
|---|---|---|
| 1 | 各エージェントに固有の暗号的IDが付与されているか | □ |
| 2 | クレデンシャルは短命（15分以下）で自動失効するか | □ |
| 3 | エージェント間でAPIキーを共有していないか | □ |
| 4 | 高権限アクションに人間承認フローがあるか | □ |
| 5 | JIT（Just-In-Time）権限付与を実装しているか | □ |
設計・構成（Design）
| # | チェック項目 | 対応状況 |
|---|---|---|
| 6 | プロンプトテンプレートに機密情報を含んでいないか | □ |
| 7 | 外部入力のサニタイズ層が存在するか | □ |
| 8 | デフォルト権限が最小限に設定されているか | □ |
監視・説明責任（Monitoring & Accountability）
| # | チェック項目 | 対応状況 |
|---|---|---|
| 9 | 全エージェントアクションが構造化ログとして記録されるか | □ |
| 10 | ログがSOC/SIEMに統合されているか | □ |
| 11 | 行動ドリフトの自動検知が設定されているか | □ |
| 12 | インシデント発生時に完全な再現が可能か | □ |
他のセキュリティフレームワークとの関係
OWASP Agentic AI Top 10との対応
Five Eyesガイダンスは、OWASP Agentic AI Top 10と高い整合性を持つ。Microsoftが2026年3月にオープンソース公開したAgent Governance Toolkitは、両方のフレームワークを統合実装するための実践ツールだ。
NISTのAIエージェント標準化との位置づけ
NISTが進めるAIエージェント標準化の3つの柱（信頼性・相互運用性・安全性）のうち、Five Eyesガイダンスは「安全性」の具体的実装指針として機能する。
Databricks DASF v3との補完関係
DatabricksのDASF（Data and AI Security Framework）v3が定義する35のリスクと、Five Eyesの23リスクには重複がある。DASFはデータパイプラインに特化、Five Eyesはエージェントの行動と権限に特化している点が違いだ。両方を参照することで網羅的なカバレッジが得られる。
今後の展望 — ガイダンスの先にあるもの
規制の強化が予測される領域
Five Eyesガイダンスは「推奨」であり「義務」ではない。しかし、以下の動きから法的義務化が議論される可能性がある。
- EU AI Act のAgentic AI補足条項の策定（2026年後半に予定）
- 米SEC（証券取引委員会）による金融AIエージェントへの開示規制の検討
- 日本の総務省・経産省によるAIセーフティ・インスティテュートの活動拡大
技術的な進化の方向性
ガイダンスが示すアーキテクチャ要件に対応するため、以下の技術領域が急速に成熟すると予測される。
- エージェントID管理：OktaやCyberArkが既にAIエージェント向けIDソリューションを提供開始
- エージェント行動監視：AgentMon（Codenotary）やArize Phoenixなどの専用ツールが普及
- コンプライアンス自動化：Five Eyesガイダンスの23リスクに対する自動準拠チェックツールの登場
よくある質問（FAQ）
Q1. Five Eyesガイダンスとは何ですか？
2026年5月1日に米国CISA・NSA、英国NCSC、オーストラリアASD/ACSC、カナダCCSC、ニュージーランドNCSCの5カ国6機関が共同で公開した、AIエージェントの安全な導入に関する世界初の国際共同ガイダンスです。正式名称は「Careful Adoption of Agentic AI Services」で、5カテゴリ・23リスク・100超のベストプラクティスを含みます。
Q2. 準拠にはいくらかかりますか？
ガイダンス自体は無料で公開されています（media.defense.gov）。実装コストは組織規模とエージェント数に依存しますが、既存のセキュリティフレームワーク（ゼロトラスト、最小権限等）に追加する形なので、全く新しい体制を構築するよりは低コストです。50エージェント規模の企業で、ID管理・ログ統合・承認フローの実装に2〜4週間程度を見込むのが現実的です。
Q3. 法的拘束力はありますか？
現時点ではありません。ただし、Five Eyes加盟国の企業と取引する場合の事実上の基準となる可能性が高く、SOC 2やISO 27001の監査でも参照される見込みです。インシデント発生時に「国際的なベストプラクティスに従っていたか」が問われる場面では、このガイダンスが基準になります。
Q4. OWASPやNISTのフレームワークと何が違いますか？
Five Eyesガイダンスはエージェントの「行動と権限」に特化した運用指針です。OWASPはWebアプリケーション脆弱性の分類、NISTは標準化と測定手法に焦点を当てています。競合ではなく補完関係にあり、実務では三者を組み合わせて使用するのが推奨されます。
Q5. 中小企業でも対応すべきですか？
AIエージェントを1つでも本番稼働させている企業は対応すべきです。ガイダンスは「段階的に低リスクタスクから始める」ことを推奨しており、中小企業でも段階的に適用可能です。最低限として、エージェントの権限棚卸し・短命クレデンシャルへの移行・アクションログの記録の3点から着手することを推奨します。
運営元 Uravation よりAIエージェントを構想から本番運用まで進める順番と、体制・KPIの決め方をまとめた資料を無料で公開しています。 AIエージェント導入ロードマップを受け取る（無料）
参考・出典
- Careful Adoption of Agentic AI Services — CISA（参照日: 2026-05-16）
- Careful Adoption of Agentic AI Services（PDF全文） — U.S. Department of Defense（参照日: 2026-05-16）
- Five Eyes warn agentic AI is too dangerous for rapid rollout — The Register（参照日: 2026-05-16）
- US government, allies publish guidance on how to safely deploy AI agents — CyberScoop（参照日: 2026-05-16）
- Gartner Predicts 40% of Enterprise Apps Will Feature Task-Specific AI Agents by 2026 — Gartner（参照日: 2026-05-16）
- AI Agent Security Vulnerabilities 2026: 88% of Enterprises Already Breached — AI Automation Global（参照日: 2026-05-16）
- CISA and partners release agentic AI security guidance — Industrial Cyber（参照日: 2026-05-16）
まとめ：今日から始める3つのアクション
- 今日やること：自社で稼働中のAIエージェントの権限一覧を棚卸しする。各エージェントが何にアクセスできるかを一覧表にまとめ、不要な権限がないか確認する
- 今週中：静的APIキーを短命トークン（15分失効）に切り替えるPoCを実施する。上記のコード例をベースに、最も重要なエージェントから着手する
- 今月中：エージェントアクションの構造化ログを既存のSOC/SIEMに統合し、行動ドリフト検知のアラートを設定する
あわせて読みたい:
- AIエージェント ガードレール比較｜NeMo・LlamaFirewall・Guardrails AI — 実装レベルのガードレール選定に
- シャドーAIエージェントという死角｜企業の8割が見えていないリスク — 可視化されていないエージェントの管理手法
この記事を読んでAIエージェントのセキュリティ設計に課題を感じた方へ
UravationではAIエージェント導入時のセキュリティアーキテクチャ設計・ガバナンス構築の研修・コンサルを行っています。Five Eyesガイダンス準拠の実装支援も対応可能です。
著者: 佐藤傑（さとう・すぐる）
株式会社Uravation代表取締役。X（@SuguruKun_ai）フォロワー10万人超。
100社以上の企業向けAI研修・導入支援。著書累計3万部突破。
SoftBank IT連載7回執筆（NewsPicks最大1,125ピックス）。
ご質問・ご相談は お問い合わせフォーム からお気軽にどうぞ。
