この記事で分かること
結論：AIは「下書きと分析補助」まで、審査判断は人間が行う
与信審査（Credit Review）や融資稟議（Credit Memo / Credit Approval Document）の実務で、生成AI（Generative AI）が力を発揮するのは「資料の要約・指標の抽出・文章の下書き」という前工程です。決算短信から財務指標を抜き出す、業界動向を貸し手の視点で整理する、稟議書の定型セクションをドラフトする、といった作業は大幅に速くなります。
一方で、「この先に貸すか、いくらまで貸すか、どのような条件を付けるか」という審査判断そのものはAIに委ねない、というのが本記事の一貫した立場です。生成AIにはもっともらしい誤り（ハルシネーション）のリスクがあり、判断根拠を事後に説明する責任は最終的に人間と組織が負うためです。金融庁のAIディスカッションペーパーでも、金融機関におけるAI利活用の論点として、ガバナンスや説明可能性、人間の関与のあり方が整理されています。本記事では、工程別の活用マップ、プロンプト例、そして「線引き」の設計方法を順に解説します。
与信審査の工程マップ：AIが効く場所・効かない場所
与信審査の標準的な工程は、資料収集→財務分析→リスク評価→文書化（稟議書作成）→審査判断という流れです（工程の全体像は信用分析・融資審査の基礎で解説しています）。図1のとおり、生成AIの適用度は工程が後ろに進むほど下がります。前半の「情報を集めて整える」作業は言語処理そのものなのでAIの得意領域ですが、後半の「リスクをどう評価し、貸すかどうかを決める」作業は、責任と説明が伴う人間の領域です。この非対称性を理解することが、実務でAIを安全に使う出発点になります。
なお、ここでいう「適用度」は技術的にできるかどうかではなく、誤りが混入した場合の影響の大きさと、検証のしやすさを加味した実務上の目安です。たとえば財務分析の計算はAIでも技術的には可能ですが、誤った比率が稟議書に載れば審査全体をゆがめるため、「AIの計算は下書き、確定値は人間の再計算」という運用（適用度○）にとどめます。逆に資料の要約は、誤りがあっても原文と読み比べれば即座に発見でき、影響も限定的なため、適用度◎と整理できます。
工程別の活用例：どこで時間を節約できるか
（1）決算資料からの指標抽出（資料収集〜財務分析）。公開されている決算短信や有価証券報告書から、売上高・EBITDA・有利子負債などの数値を抽出させ、比率計算の下準備をさせる使い方です。たとえば売上高1,200百万円、EBITDA150百万円、有利子負債480百万円、現預金30百万円という公開数値からは、ネットレバレッジは（480百万円−30百万円）÷150百万円＝3.0倍と計算できます。AIに計算過程を書かせたうえで、数値は必ず人間が原資料と突き合わせて再計算します。DSCR（元利金返済カバー率）のような返済能力指標も、CFADS120百万円÷デットサービス80百万円＝1.5倍のように、分子・分母の定義を指定して計算過程ごと出力させると検証が容易になります。
（2）業界動向の整理（リスク評価の下準備）。借入人が属する業界の需要動向・コスト構造・競争環境を、貸し手の視点で箇条書きに整理させます。出力はあくまで「論点の叩き台」であり、審査で使う事実は必ず一次情報（業界統計・開示資料）で裏取りします。
（3）稟議書のドラフト（文書化）。分析メモを渡して、案件概要・財務分析・リスクと軽減策（Mitigants）といった定型セクションの下書きを作らせる使い方です。稟議書は構成がほぼ定型化されているため、生成AIとの相性が良い一方、結論部分（承認可否・金額・条件）は人間が書きます。コベナンツなどの条件設計は、案件固有の交渉と判断を伴うためです。
（4）過去審査事例の検索・要約。行内・社内の過去稟議やレビュー資料を検索し、類似案件の論点を要約させる使い方です。ただしこれは社内文書を扱うため、社内に閉じた環境（入力データが外部の学習に使われない構成）であることが大前提です。外部の一般向けAIサービスに社内文書を貼り付けることは、後述の機密情報の原則に反します。
プロンプト例：公開決算資料ベースの3パターン
以下はいずれも公開情報のみを入力する前提の例です。実際に使う際は、自社のAI利用ポリシーで許可されたツール・環境であることを確認してください。
プロンプト例1：指標抽出と比率計算（決算短信ベース）
「以下は公開されている決算短信の抜粋です。売上高・営業利益・EBITDA・有利子負債・現預金を百万円単位で抽出し、営業利益率と、ネットレバレッジ＝（有利子負債−現預金）÷EBITDAを計算してください。計算過程を式で示し、抜粋に記載のない数値は『記載なし』と明記してください。新しい数値を推測で補わないでください。」
プロンプト例2：業界動向の整理（貸し手視点）
「〇〇業界（例：食品スーパー）について、公開情報の範囲で、①需要動向、②コスト構造と価格転嫁力、③貸し手として注意すべきリスク要因を各3点、箇条書きで整理してください。事実と推測を区別し、推測に基づく箇所には『推測』と明記してください。」
プロンプト例3：稟議書セクションのドラフト
「以下の分析メモ（公開情報のみ）をもとに、融資稟議書の『案件概要』と『財務分析』セクションの下書きを敬体で作成してください。数値は入力した値のみを使い、新しい数値を生成しないでください。承認可否や貸出条件に関する記述は含めないでください。」
3つの例に共通する設計は、①入力を公開情報に限定する、②計算過程・根拠を出力させる、③「推測を事実のように書かない」よう明示的に禁止する、④判断に踏み込ませない、の4点です。生成AIは指示がなければ空欄を「それらしい数値」で埋めてしまうことがあるため、「記載がなければ記載なしと書く」という指示が実務上は特に重要です。
与信でとくに危ないAIの誤り方：3つの典型パターン
生成AIの誤りは、与信の文脈では独特の危なさを持ちます。実務で頻出する3パターンを押さえておくと、検証の勘所が分かります。
パターン1：数値のねつ造（ハルシネーション）。入力した資料に記載のない数値を、AIがもっともらしく補完してしまうケースです。たとえば決算短信の抜粋に減価償却費の記載がないのに、EBITDAを計算するために「減価償却費54百万円」といった値を生成してしまうことがあります。出力された計算が形式的に正しくても、元の数値が存在しなければ分析全体が虚構になります。対策は、プロンプトで「記載のない数値は記載なしと書く」を明示し、検証時に全数値の出所を原資料のページ単位で確認することです。
パターン2：範囲・期間のずれ。連結と単体、通期と四半期、決算期変更の前後など、数値の「範囲」を取り違えるケースです。売上高1,200百万円が連結なのか単体なのか、2025年3月期なのか2026年3月期なのかがずれると、レバレッジやカバレッジの計算は正しい式でも誤った答えになります。人間のアナリストなら最初に確認する前提を、AIは指示がなければ確認しません。プロンプトに「対象は連結・2026年3月期通期に限定する」のように範囲を明記することが対策になります。
パターン3：流暢な一般論による空白の充填。業界動向の整理を依頼した際、AIが具体的な根拠のない「一般論として正しそうな文章」を返すケースです。たとえば「当業界は堅調な需要に支えられ安定的に推移しています」という記述は、どの業界に貼り付けても成立してしまいます。稟議書に混入すると、審査した形跡はあるのに実質的な分析がないという最も避けたい状態を招きます。対策は、記述ごとに「根拠となる公開情報は何か」を出力させ、根拠を示せない記述は採用しないことです。
3パターンに共通するのは、誤りが「読みやすい文章」の形で現れることです。だからこそ、次に述べるモデルリスク管理や検証フローの設計が、個人の注意力に頼らない仕組みとして必要になります。
モデルリスクと説明可能性：金融庁文書が示す論点
金融庁は2025年3月に「AIディスカッションペーパー（第1.0版）」を公表し、2026年3月には第1.1版に更新しました。同文書は金融機関等におけるAIの活用実態を踏まえ、健全な利活用の促進に向けた初期的な論点整理という位置づけで、ガバナンス、データやモデルに関するリスク管理、説明可能性、人間の関与といった論点が挙げられています。規制そのものではなく論点整理という性格の文書ですが、与信の現場でAIを使う際の考え方の枠組みとして参考になります。
また、金融庁が2021年11月に公表した「モデル・リスク管理に関する原則」では、対象とされる金融機関において、モデルの誤りや誤用がもたらすリスク（モデルリスク）を管理する態勢——モデルの検証、文書化、責任の明確化など——の考え方が示されています。生成AIを与信プロセスに組み込む場合も、「そのモデルがなぜその出力をしたのか説明できるか」「誤った出力を検知・修正する仕組みがあるか」という同種の問いを避けて通れません。特に生成AIは出力が確率的で再現性が限定的なため、従来型のスコアリングモデル（PD・LGD・EADに基づく信用リスク評価のような統計モデル）以上に、人間による検証工程の設計が重要になります。
図2のフローで重要なのは、③の検証が「読んで違和感がないか確かめる」ことではなく、数値の再計算と原資料との突合という手を動かす検証である点です。生成AIの誤りは文章として流暢なまま紛れ込むため、読むだけでは見抜けません。この検証の技法は生成AIによるモデルレビューで詳しく解説しています。また、どの工程でAIを使い、出力をどこまで採用したかの記録を残すことは、後から審査プロセスを説明する際の土台になります。
機密情報の取り扱い：借入人の非公開情報は入力しない
与信審査が扱う情報の大半は、借入人から審査目的で受領した非公開情報です。試算表、資金繰り表、事業計画、担保明細、経営者との面談メモなどがこれに当たります。これらを外部の生成AIサービスに入力することは、借入人との守秘義務や個人情報の観点から問題となり得るため、「借入人の非公開情報は、会社が明示的に許可した閉じた環境以外には入力しない」を大原則とすべきです。
実務上の整理としては、次の3層で考えると判断しやすくなります。第1層：公開情報（決算短信・有報・適時開示）——会社が許可したツールであれば利用可。第2層：社内の内部情報（過去稟議・行内基準）——入力データが外部の学習に使われない社内閉域環境に限る。第3層：借入人の非公開情報・個人情報——最も厳格に扱い、匿名化・マスキングをしても安易に入力しない。仮名化しても文脈から企業が特定できるケースがあるためです。生成AIへの入力は「社外への情報送信」と同じ重みで扱う、という感覚が出発点になります（この論点は生成AI×ファイナンス実務でも扱っています）。
運用前の点検項目としては、①利用するAIツールが会社の許可リストに載っているか、②入力データが提供事業者の学習に使われない契約・設定になっているか、③借入人との守秘義務条項（NDA等）に照らして問題がないか、④出力を保存・記録する手順が決まっているか、⑤誤入力（貼り付けミス）が起きた場合の報告手順があるか、の5点を最低限確認します。とくに⑤は見落とされがちですが、機密情報を誤って入力してしまった際に、速やかに報告・対処できる体制があるかどうかが、組織としてのリスク管理の成熟度を分けます。
面接での答え方（30秒回答例）
Q：与信審査で生成AIをどう活用すべきだと思いますか？
「工程で分けて考えます。決算資料からの指標抽出や業界動向の整理、稟議書のドラフトといった前工程はAIで大幅に効率化できます。一方、承認可否や条件設定という審査判断は、説明責任が人間と組織にある以上、AIには委ねるべきではありません。AIの出力は数値の再計算と原資料との突合で必ず検証し、借入人の非公開情報を外部ツールに入力しないという原則を守ることが前提だと考えています。」
よくある質問（FAQ）
Q. AIが作った稟議書ドラフトをほぼそのまま使ってもよいですか？
A. 構成や文章表現はそのまま活かせる場合が多いですが、数値・固有名詞・結論は必ず人間が確定させてください。特に数値は、AIが入力にない値を補ってしまうことがあるため、1つずつ原資料と突合します。「誰がドラフトし、誰が検証し、誰が承認したか」を記録に残すことも重要です。
Q. AIによる信用スコアリング（PDモデルなど）と、生成AIの活用は何が違いますか？
A. 統計的スコアリングモデルは定型データから確率を推定する仕組みで、検証や再現性の枠組みが確立しています。一方、生成AIは文章の生成が得意ですが出力の再現性が限定的で、もっともらしい誤りを含み得ます。したがって生成AIは「判断の自動化」ではなく「下書きと分析補助」に位置づけ、人間の検証を必ず挟む設計が適しています。
まとめ
与信審査・融資稟議での生成AI活用は、「前工程で使い、後工程は人間が守る」という一言に集約されます。資料収集・指標抽出・稟議書ドラフトでは時間を大きく節約できる一方、数値の検証と審査判断は人間の仕事として残ります。金融庁のAIディスカッションペーパーやモデル・リスク管理の考え方が示すとおり、説明可能性と責任の所在を保つ設計——Human-in-the-Loop、利用記録、機密情報の入力禁止——を先に固めることが、安心してAIの生産性を取り込むための近道です。まずは公開情報ベースの指標抽出から小さく始め、検証の習慣とセットで定着させていくことをおすすめします。
出典・参考（2026-08-01確認）
- 金融庁「AIディスカッションペーパー（第1.0版）〜金融機関等におけるAIの活用実態と健全な利活用の促進に向けた初期的な論点整理〜」（2025年3月4日公表） https://www.fsa.go.jp/news/r6/sonota/20250304/aidp.html
- 金融庁「AIディスカッションペーパー（第1.1版）」（2026年3月3日公表） https://www.fsa.go.jp/news/r7/sonota/20260303/aidp.html
- 金融庁「モデル・リスク管理に関する原則」（2021年11月12日公表） https://www.fsa.go.jp/news/r3/ginkou/20211112.html
※本記事は教育目的の一般的な解説であり、法務・税務・投資助言ではありません。設例は理解のための仮設例です。金融庁文書の内容は論点整理・原則の紹介であり、個別の規制要件の解釈を示すものではありません。