KYC・AMLの実務とAI｜誤検知を減らす優先順位づけと説明可能性の設計

結論：AIは「アラートを消す」ためではなく「調べる順番を変える」ために使う

KYC（顧客管理）・AML（マネー・ローンダリング対策）は、AIを入れたい業務の筆頭に挙がります。理由は単純で、アラートの大半が調べても問題のない取引だからです。担当者の時間はそこに吸い込まれていきます。

それでも、この業務でのAIの正しい使い方は「アラートを減らすこと」ではありません。発生したアラートは全件処理したうえで、疑わしさの高いものから調べる——順序の入れ替えです。アラートを消してしまうと、後日の内部監査や当局対応で「なぜその取引を調査しなかったのか」を説明できなくなるからです。検知の網羅性は、消した瞬間に説明責任の問題に変わります。

この方向性は編集部の思いつきではありません。金融庁「マネー・ローンダリング等及び金融犯罪対策の取組と課題（2026年7月）」には、取引モニタリングにおけるAI等の活用について「アラートの優先順位付け等から段階的に導入し、説明可能性の確保・定期的なモデル検証・AIリスクへの対応策の整備を行いつつ進めることが有用である」と記載されています。同レポートは「現状、直ちにルールベースの検知を置換する訳ではないものの、大手金融機関においては取引モニタリングにおいてAIや統計分析ツールを活用している」とも述べています。置き換えではなく、順序づけと段階導入です。

本記事はKYC/AML固有の論点に絞ります。誤検知と未検知のコストを金額で置いて閾値そのものを設計する手順はAIによる不正検知・異常取引検知、モデルの台帳・再検証の運用は生成AIのモデルリスク管理、日本のAI規制の全体像はAI規制・ガイドラインの整理、信用リスク（PD・LGD・EAD）の予測は信用リスク予測にAIを使うにそれぞれ譲ります。なお本記事は、検知を回避する手口や具体的な閾値の設計値は一切扱いません。

KYC/AMLがAI活用で特殊な3つの理由

他の業務でうまくいったAI導入の型が、この領域ではそのまま通用しません。理由は3つあります。

第一に、誤検知（フォールスポジティブ）が構造的に多い業務です。ルールベースの取引モニタリングは、疑わしい取引を取りこぼさないこと——つまり網羅性——を優先してシナリオと敷居値を設定します。その結果、アラートの大半は調査の結果「問題なし」となります。これは設計ミスではなく、網羅性を優先した設計の当然の帰結です。

第二に、見逃しのコストが規制上きわめて重いことです。疑わしい取引の届出は犯罪による収益の移転防止に関する法律（犯収法）第8条第1項に定める法律上の義務です。誤検知は人件費というコストですが、見逃しは行政対応や信認の毀損に直結します。二つの誤りの重さが釣り合っていないため、単純な精度向上では答えが出ません。どちらの誤りをどこまで許容するかは、担当部署ではなく経営が決める問題です。

第三に、当局に対して手法を説明できる必要があることです。金融庁「マネー・ローンダリング及びテロ資金供与対策に関するガイドライン」（2026年3月31日改正・同日適用）には、ITシステムの活用について「内部・外部監査等の独立した検証プロセスを通じ、ITシステムの有効性を検証すること」が対応が求められる事項として記載されています。中身を説明できないモデルは、この検証に耐えません。精度が高いことと、説明できることは別の要件です（説明可能AIの一般論は説明可能AI（XAI）と金融審査、定義は説明可能AIを参照）。

この3つが重なる結果、KYC/AMLでのAI活用は「業務のどこに、どこまで入れるか」を工程ごとに切り分ける作業になります。

業務×AI適用表：7工程で「AIが効く範囲」と「人が確定する範囲」を分ける

図1を表に落とします。この表がそのまま本記事の成果物の1つ目です。自部門の実態を右3列に書き込んでいけば、どこにAIを入れる余地があり、どこは入れてはいけないかが可視化されます。

⑦を人に固定する根拠は、運用上の慎重さだけではありません。犯収法第8条第3項は、疑わしい取引に該当するかどうかの判断を、取引時確認の結果・取引等の態様その他の事情・犯罪収益移転危険度調査書の内容を勘案し、かつ主務省令で定める方法により行わなければならないと規定しています。金融庁ガイドラインも、「顧客の属性、取引時の状況その他金融機関等の保有している具体的な情報を総合的に勘案した上で、疑わしい取引の該当性について適切な検討・判断が行われる態勢を整備」することを対応が求められる事項として挙げています。「AIが疑わしい取引を判定した」という記述が成り立つ余地は、この構造の中にありません。該当性は特定事業者が判断するものです（解釈・自社への適用可否は原文および専門家・当局にご確認ください）。

誤検知を減らす設計：アラートを消さず、順番を変える

ここが本記事の中心です。誤検知への対処には、大きく2つの方向があります。

1. 検知そのものを絞る——シナリオを外す、敷居値を上げる。アラート件数は確実に減ります。
2. 検知は維持し、調査の順序を変える——全件を処理する前提で、疑わしさの高いものを先に回す。件数は減りません。

AIを入れるなら、まず2からです。1が悪いという意味ではなく、1はシナリオ・敷居値の見直しという既存の統制プロセスであって、AIの出力を根拠に行うものではないからです。金融庁ガイドラインは、検知結果や届出状況を踏まえて抽出基準の有効性を分析し改善を図ることを求めており、これは人が分析・承認する営みとして設計されています。加えて同庁の前掲レポート（2026年7月）は、モニタリング態勢の検証結果として「シナリオ・敷居値の見直しが誤検知率等の効率性の観点に偏重し、シナリオ・敷居値が自社のリスク評価や最新のリスク動向の変化を踏まえて検知することができる設定となっているか十分に検証していない金融機関もあった」と記載しています。誤検知率を下げること自体は目的になりません。

これに対して2の「順番を変える」は、検知の母集団に手を触れません。10,000件のアラートは10,000件のまま調査されます。変わるのは、届出に至る案件に担当者が到達するまでの時間です。当局や監査には「検知条件は変えていません。調査の順序をスコア順に変えました」と説明でき、説明すべき対象がスコアの妥当性だけに絞られます。

整数の設例：月次アラート10,000件をどう並べ替えるか

架空の地域金融機関「東雲みらい銀行」を置きます。実在の金融機関のデータではなく、計算手順を示すための仮設例です。前提は次のとおりです。

• 取引モニタリングの月次アラート：10,000件
• うち調査の結果、疑わしい取引の届出に至ったもの：240件（本記事ではこれを便宜的に「届出該当」と呼びます）
• 届出に至らなかったもの：10,000－240＝9,760件
• 調査体制：25名 × 1名1日20件 ＝ 1日500件。月20営業日で 500×20＝10,000件（全件処理できる体制）
• 優先順位づけモデルの前提：スコア上位2,000件に、届出該当240件のうち180件（75.0%）が入る

最後の前提は仮定です。本記事はいかなるモデルの性能も実測していません。自社で同じ計算をするときは、過去の届出実績を使った事後検証で「上位帯にどれだけ入るか」を実測してから置き換えてください。

計算と検算を文章でも追います。

1. 届出該当240件のうち、上位2,000件に入るのは 240×75.0%＝180件。残り8,000件に入るのは 240－180＝60件。検算：180＋60＝240。
2. 上位2,000件のうち届出に至らないものは 2,000－180＝1,820件。残り8,000件のうち届出に至らないものは 8,000－60＝7,940件。検算：1,820＋7,940＝9,760（＝10,000－240）。
3. 的中率は、上位2,000件が 180÷2,000＝9.0%、残り8,000件が 60÷8,000＝0.75%。差は 9.0÷0.75＝12.0倍。全体平均は 240÷10,000＝2.4%で、上位帯はその3.75倍です。
4. 体制は1日500件なので、上位2,000件の処理に要するのは 2,000÷500＝4営業日。従来の受付順（届出該当が均等に分散すると仮定）では、最初の4営業日で到達するのは 240×(2,000÷10,000)＝48件。優先順位づけ後は180件。180÷48＝3.75倍、捕捉率でみると20.0%→75.0%です。

読み取ってほしいのは、削減された工数ではなく短縮された時間です。調査工数は10,000件分のまま変わりません（25名×20営業日）。変わったのは、届出に至る案件の4分の3に月初の4営業日で到達できるようになったことです。犯収法第8条第1項も「速やかに」届け出るべき旨を規定しており、届出の速さは実効性そのものです。

逆に言えば、この設計は人員削減の根拠にはなりません。全件処理を前提にしている以上、必要な調査工数は変わらないからです。稟議に工数削減を効果として書くと、あとで全件処理をやめる圧力に化けます。効果指標は「届出該当への到達日数」に置くのが本記事の提案です。

説明可能性を確保する3つの記録

優先順位づけを入れた瞬間に、新しい説明責任が発生します。「なぜこのアラートは先に調べられ、あのアラートは後回しになったのか」です。これに答えられる状態を作るのが、次の3つの記録です。設計はモデル台帳と再検証の枠組みに接続させると重複が減ります。

③は見落とされがちです。当局や内部監査からの照会は、多くの場合過去の期間について行われます。「昨年10月のこの取引はなぜ後回しになったのか」と問われたとき、当時の版と当時のスコア根拠が残っていなければ、現在の版で再計算した結果を示すしかなく、それは答えになりません。保存期間は、犯収法上の確認記録・取引記録の保存期間（第6条第2項・第7条第3項でいずれも7年間と規定されています）と整合させておくと、後から揃え直す手間が消えます（これは本記事の提案であり、法令が直接そう定めているわけではありません）。さらに「任意のアラートIDを入力すると①②③が1本のレポートとして出る」状態まで作り込めると、説明の質が担当者の記憶力に依存しなくなります。

名寄せ・スクリーニング：候補の提示はAI、同一性の確定は人

制裁リストスクリーニングと顧客の名寄せは、AIが最も分かりやすく効く一方で、最も人の確定が欠かせない領域です。難しさは3つに分かれます。

• 表記ゆれ：カナ（全角・半角・濁点）、ローマ字（姓名の順序・スペース・ハイフン）、旧字体と新字体、法人格の位置と略記（「株式会社◯◯」「◯◯株式会社」「(株)◯◯」）。同じ対象が別人として通過し、別人が同一として止まります。
• 同姓同名：氏名だけでは切り分けられません。生年月日・住所・国籍などの追加属性が要ります。属性が欠けている顧客ほど判定が困難になり、そこはデータの前処理の問題に還元されます。
• 法人の階層構造：親会社・持株会社・実質的支配者。名称の一致だけでは同一性を判断できず、資本関係を遡る作業が必要になります。

AIが効くのは候補を広げることです。表記ゆれのパターンを機械的に展開し、人が気づかない綴りの候補を提示できます。金融庁の前掲レポートにも、「複数パターン（文字の入替、欠落、混入等のパターンを変更）による照合確認を用いた」あいまい検索の検知基準の検証を行っている金融機関がみられた旨が記載されています。

一方で同一性の確定は人の仕事です。誤って「同一」と確定すれば無関係の顧客の取引を止め、誤って「別人」と確定すれば制裁対象を通すことになり、どちらも取り返しがつきません。運用としては、AIの出力を「候補リスト＋一致した要素の内訳」までに留め、確定の欄は必ず人が埋める形にします。検証の勘所は固定したテストケース集を持つことで、表記ゆれ・同姓同名・法人階層の典型パターンを自社で作り、制裁リスト更新時とモデル更新時に同じテストを流して結果が変わらないかを確認します（評価セットの設計は金融AIのEvals設計を参照）。

AIに任せる範囲と人が判断する範囲：プロンプト例

生成AIが使えるのは、判断ではなく調査の下ごしらえです。以下は⑥アラート調査で、収集済みの社内情報を調査メモの形に整えるためのプロンプト例です。該当性の判断をさせないことと、不明を不明のまま残させることが設計の要点になります。実際の運用にあたっては、入力してよい情報の範囲を先に確定してください（後述）。

【役割】あなたは金融機関のマネロン対策部門で、アラート調査メモの「下書き」を作成する補助者です。判断者ではありません。

【目的】以下の入力情報を、調査担当者が読んで自ら判断できる形に整理すること。

【入力】
- アラートID：（仮ID）
- 検知シナリオ名と検知日
- 対象期間の取引明細（日付／区分／金額：円単位）
- 顧客区分・業種・所在地の区分（個人名・法人名・口座番号・住所は入力しない）
- 過去の同種アラートの処理結果の要約

【出力形式】次の5見出しのみ。各見出しは3〜5行。
1. 検知の内容（どのシナリオが何を捉えたか）
2. 取引の事実（金額・回数・時系列。単位は円で統一し、桁区切りを付ける）
3. 顧客情報との整合／不整合（申告された取引目的・事業内容との対比）
4. 不明な事項（追加で確認が必要な項目を箇条書き）
5. 参照した入力項目の一覧

【計算方法】期間合計・件数・平均は入力明細のみから計算し、計算式を併記する。
【検算】合計額＝各明細の総和であることを確認し、一致しない場合は「一致しません」と明記して計算を止める。

【禁止事項】
- 疑わしい取引に該当するか／届出すべきかを述べない。示唆もしない。
- 「疑わしい」「不審」等の評価語を使わない。事実と数値のみを書く。
- 入力にない事実を補わない。一般的な傾向で推測しない。
- 検知の回避方法や、検知されにくい取引形態について記述しない。

【不明情報の処理】入力から確認できない事項は「入力情報からは不明」と書き、4に列挙する。
【出典表示】各記述の末尾に、根拠となった入力項目名を［　］で示す。

【レビュー項目】担当者は次を確認してから使用する。
(1) 金額・件数が明細と一致しているか (2) 評価語が混入していないか
(3) 入力にない事実が書かれていないか (4) 不明事項が漏れていないか

この下書きに対して担当者が事実認定と結論を書き加え、届出の要否を判断します。生成AIの出力は入力の再構成にすぎず正しさは保証されません。数値照合とハルシネーションの検証手順は生成AI出力の検証手順に譲ります。

導入は次の6段階が現実的です。(1) 着手する工程を1つに絞る（多くの場合は④のアラート優先順位づけ）→ (2) 過去12か月のアラートと届出実績を突き合わせ、上位帯にどれだけ入るかを事後検証で実測する → (3) 説明可能性の3記録の保存先とレポート出力の形を決める → (4) 一定期間は従来順序と並走させ、母集団の件数が変わっていないことを確認する → (5) 第2線・内部監査の独立した検証を受ける → (6) モデル台帳に登録し再検証トリガーを設定する。(3)を(2)より後ろに回さないことが肝です。

優先順位づけの検証方法

AI出力の検証一般（数値照合・出典確認）は別記事に譲り、ここではKYC/AML固有の検証項目を挙げます。

1. 下位帯のサンプル検証（最重要）：スコアが低いと判定された帯から無作為に抽出し、調査担当とは別の者が届出該当性を再判定します。ここに届出該当が相当数含まれていれば、スコアの根拠自体を見直す必要があります。金融庁の前掲レポートも、為替取引分析業者を利用する場合について「疑わしさの程度が低いと通知された取引の中に…疑わしい取引の届出対象となったものがないか検証し、相当数ある場合には分析・評価手法改善のために…協議を行う」ことが求められる旨を記載しています。委託先を使っても検証責任は自社に残ります。
2. 母集団の不変性テスト：導入前後でアラートの検知件数が変わっていないことを確認します。件数が減っていれば、それは「順序の変更」ではなく「検知の絞り込み」が起きているということです。導入報告に必ず入れてください。
3. 名寄せの再現テスト：固定したテストケース集を、制裁リスト更新時とモデル更新時に流し、同じ入力に同じ結果が返るかを確認します。
4. 説明レポートの生成テスト：無作為に選んだアラートIDについて、スコアの根拠・判断の記録・適用モデル版を1本のレポートで出力できるかを試し、所要時間を記録します。照会を受けてから作れるかは、平時に試さないと分かりません。
5. 指標の読み方の確認：届出件数の増減を成果指標にしないこと。減少には実効性が上がった可能性と検知が甘くなった可能性の両方があり、分解せずに評価できません。
6. 独立した検証：金融庁ガイドラインは、ITシステムの活用について「内部・外部監査等の独立した検証プロセスを通じ、ITシステムの有効性を検証すること」を対応が求められる事項に挙げています。

機密情報・個人情報の注意

この業務で扱う情報は、顧客の個人データ、犯収法上の確認記録・取引記録、そして疑わしい取引の届出に関する情報です。外部のAIサービスへ渡してよいかは、必ず入力前に確定してください。特に注意が要るのは、犯収法第8条第4項が、疑わしい取引の届出を行おうとすること又は行ったことを、当該届出に係る顧客等又はその関係者に漏らしてはならないと規定している点です。ツールの画面設計・ログ・外部連携が、この秘匿の要請と矛盾しない構成になっているかを確認する必要があります。

入力してよい情報・いけない情報の線引きと社内ルールの作り方は生成AIに入れてよい情報・いけない情報で扱っています。個人データを含む入力を外部サービスに渡す場合は、個人情報保護委員会の注意喚起等をふまえ、法務・コンプライアンス部門の確認を経てください。

よくある失敗

1. 「AIが低リスクと判定した」を理由にアラートを閉じる。検知の母集団が実質的に縮みます。当局や監査から「なぜ調査しなかったのか」と問われたとき、答えはモデルの中にしかなく、説明が成立しません。順位づけは調査の順序にのみ影響させ、調査の要否には影響させない——この一線を運用ルールに明記してください。同じ理由で、生成AIに届出該当性を判断させることも避けます。
2. 誤検知率の低下だけを成果として報告する。効率性への偏重は検知能力の劣化と表裏です。効率指標を出すなら、必ず検知の網羅性を示す指標（母集団件数・下位帯サンプル検証の結果）と対で出してください。
3. スコアの根拠を残さず、順位だけを保存する。導入直後は誰も困りません。困るのは1年後、当時の担当者がいなくなってからです。根拠の保存はモデル導入時にしか作り込めません。
4. 名寄せの候補を確定として扱う。「AIが同一人物と判定した」という記録は、後から見ると誰も検証していないことの証拠になります。一致した要素を残し、確定は人が記名で行ってください。
5. モデルの適用期間を記録しない。版だけ記録しても、どの期間のアラートにどの版が使われたかが分からなければ遡った検証はできません。更新のたびに「適用開始日・終了日」を台帳に書きます。

実務チェックリスト

• 7工程それぞれについて「AIが効く範囲」と「人が確定する範囲」が文書で分かれている
• 届出の判断は人が行うこと、AIの用途は調査の順序づけに限り要否に影響しないことが規程にある
• 導入前後でアラートの検知件数（母集団）が変わっていないことを確認している
• スコアの根拠となった要因が、アラートID単位で保存されている
• 誰がいつ何を見て判断したかが、AI出力を覆した場合も含めて記録されている
• モデルの版と適用期間（開始日・終了日）が台帳に記録されている
• 記録の保存期間が、確認記録・取引記録の法定保存期間と整合している
• 下位帯からの無作為サンプル検証を、独立した担当者が定期的に行っている
• 名寄せ・スクリーニングのテストケース集があり、リスト更新時に再現テストを行っている
• 同一性の確定欄に、AIではなく人の記名が入る様式になっている
• 任意のアラートIDから、根拠・判断・モデル版を1本のレポートで出力できる
• 効果指標が「工数削減」ではなく「届出該当への到達日数」に置かれている
• 第2線・内部監査による独立した検証を受けている
• 外部AIサービスへの入力範囲が確定し、届出情報の秘匿と矛盾しない構成になっている

日本の金融機関での留意点

• 金融庁ガイドラインの位置づけを確認してください。同ガイドラインは犯収法第2条第2項に規定する特定事業者のうち金融庁所管の事業者を対象としており、法令そのものではありません。ただし「対応が求められる事項」に係る措置が不十分であるなど管理態勢に問題があると認められる場合には、報告徴求・業務改善命令等の法令に基づく行政対応を行う旨が記載されています。自社が対象かどうかを先に確認してください。
• 2026年3月31日改正のガイドラインでは「新技術の活用」が独立した項目になりました。取引時確認や疑わしい取引の検知・届出等の局面でAI等の新技術が導入されている旨に触れたうえで、自らの規模・特性・業容等を踏まえて活用の余地がないか、有効性も含めて必要に応じ検討を行うことが対応が求められる事項として記載されています。導入を義務づけるものではなく、検討を求める形です（解釈は原文および専門家にご確認ください）。
• 自前でモデルを持たない選択肢があります。金融庁の前掲レポートによれば、資金決済に関する法律に基づき許可を受けた為替取引分析業者3社が、2026年3月末時点で3社合計延べ63の金融機関等から為替取引分析業務を受託しており、疑わしさの程度を分析・評価して委託元に通知することで「疑わしさの程度がより高い取引に対し優先的に調査資源を投入できる」と整理されています。ただしガイドラインは、外部委託や共同システムの利用に際しても自らの取引の特徴やリスクを分析し、必要に応じ独自の追加的対応を検討することを求めています。
• 届出件数の水準感を押さえてください。警察庁「犯罪収益移転防止に関する年次報告書（令和6年）」によれば、令和6年中の疑わしい取引の年間通知件数は849,861件（令和5年は707,929件）で、うち銀行等が580,382件（68.3%）を占めています。母数はこの規模で、しかも増加傾向にあります。
• データの正確性が前提条件です。ガイドラインは、ITシステムに用いられる顧客情報・確認記録・取引記録等について、網羅性・正確性の観点で適切なデータが活用されているかを定期的に検証することを求めています。順位づけの精度を議論する前に、入力データの整備状況を確認してください。

よくある質問（FAQ）

Q. 生成AI（大規模言語モデル）は、KYC/AMLのどこまで使えますか。
A. 判断を伴わない作業に限られます。調査メモの下書き、公開情報の要約、記録の様式整形、規程・FAQの検索補助などです。該当性の判断に使わない理由は、出力が実行のたびに揺れること、根拠を後から再現しにくいこと、法令上の判断主体が特定事業者であることの3点です。なお、取引の並べ替えに使うスコアリングと、文章を生成する大規模言語モデルは別物として管理してください。両者を1つの「AI導入」として稟議に載せると、検証方法が混ざります。

Q. 導入後に疑わしい取引の届出件数が減ったら、成功と評価してよいですか。
A. それだけでは評価できません。届出件数の減少には、調査の質が上がって不要な届出が減った可能性と、検知や調査が甘くなった可能性の両方があります。全国の年間通知件数は増加傾向にあるため、自社だけが減っている場合はまず後者を疑うのが安全側です。評価するなら、届出該当への到達日数、下位帯サンプル検証での見逃し有無、母集団件数の推移をセットで見てください。件数は成果指標になりません。

Q. 小規模な金融機関でも取り組めますか。
A. 自前でモデルを開発しなくても、前述の為替取引分析業者を利用する共同化の枠組みがあります。ただし、委託先から「疑わしさが低い」と通知された取引の検証、自社の取引特性を踏まえた追加的対応の要否、そして届出判断そのものは自社に残ります。委託できるのは分析であって、責任ではありません。まずは説明可能性の3記録を自社側で作れる状態にすることから始めるのが現実的です。リスク管理全体でのAIの位置づけは金融リスク管理でのAI活用を参照してください。

まとめ

KYC/AMLでAIを使うときの判断軸は1つです。その使い方は、当局と内部監査に説明できるか。誤検知が構造的に多く、見逃しのコストが規制上重く、手法の説明が求められる——この3条件が揃う業務では、精度の高さだけでは導入の根拠になりません。

だから、アラートは消さずに順番を変えます。母集団を維持したまま順序を入れ替えれば、説明すべき対象はスコアの妥当性だけに絞られ、検知の網羅性は従来のシナリオ・敷居値の管理のまま説明できます。設例で見たとおり、これは工数を減らす施策ではなく届出に至る案件への到達を早める施策です。効果指標をそこに置いてください。

作るものは3つです。7工程の業務×AI適用表（届出判断は人と明記）、説明可能性の3記録（スコアの根拠・判断の記録・モデルの変更履歴）、下位帯のサンプル検証の仕組み。この3つが揃って初めて、「AIを入れました」ではなく「AIを入れ、その妥当性を検証しています」と言える状態になります。差が出るのは、決まって後者の記録の有無です。

出典・参考（2026-08-16確認）

• 金融庁「マネー・ローンダリング及びテロ資金供与対策に関するガイドライン」（令和8年3月31日・同日適用）https://www.fsa.go.jp/news/r7/amlcft/20260331/02.pdf（公表ページ パブリックコメントの結果等について）。参照したのはⅠ－４（位置付けと監督上の対応・対象事業者）、Ⅱ－２（３）（ⅱ）顧客管理、（ⅲ）取引モニタリング・フィルタリング、（ⅳ）記録の保存、（ⅴ）疑わしい取引の届出、（ⅵ）ITシステムの活用、（ⅶ）データ管理、（５）新技術の活用の各記載です。同ガイドラインは法令ではなく、対象事業者が限定されています。
• 金融庁「マネー・ローンダリング等及び金融犯罪対策の取組と課題（2026年7月）」https://www.fsa.go.jp/news/r8/260703/02.pdf／本文で引用したAI等の活用に関する記述、誤検知率等の効率性への偏重に関する検証結果、あいまい検索の検知基準の検証、為替取引分析業者3社・2026年3月末時点で延べ63の金融機関等からの受託、低スコア通知取引の検証は、いずれも同レポートによります。
• 犯罪による収益の移転防止に関する法律（平成19年法律第22号）e-Gov法令検索 https://laws.e-gov.go.jp/law/419AC0000000022（2026年7月23日時点の施行内容を確認）。参照条文は第4条（取引時確認）、第6条第2項・第7条第3項（いずれも7年間の保存）、第8条第1項・第3項・第4項です。
• 警察庁「犯罪収益移転防止に関する年次報告書（令和6年）」https://www.npa.go.jp/sosikihanzai/jafic/nenzihokoku/data/jafic_2024.pdf／年間通知件数849,861件（令和5年707,929件）、銀行等580,382件（68.3%）。警察庁JAFIC「疑わしい取引の届出と届出先行政庁」https://www.npa.go.jp/sosikihanzai/jafic/todoke/todotop.htm
• 本記事が提案しているもの（公的基準ではありません）：7工程への分解と適用表の列構成、説明可能性の3記録、導入の6段階、検証項目6点、実務チェックリスト、記録の保存期間を法定保存期間と整合させる考え方、効果指標を「届出該当への到達日数」に置く提案。設例（架空の「東雲みらい銀行」・月次アラート10,000件・届出該当240件・上位2,000件に75.0%が入る前提・25名×1日20件の体制）はすべて仮設例で、実在の金融機関の数値ではありません。いかなるAI製品・モデルについても実測は行っていません。「上位2,000件に180件が入る」は仮定であって測定結果ではありません。閾値・敷居値の具体的な設計値、および検知を回避する方法は一切扱っていません。

※本記事は教育目的の一般的な解説であり、法務・税務・会計・投資に関する助言ではありません。実際の判断は専門家にご確認ください。設例は理解のための仮設例です。AI製品の仕様・料金は変更されることがあるため、利用前に各社の公式情報をご確認ください。