保険業務のAI活用｜引受・支払査定・準備金見積りをどこまでAIに任せられるか

結論：AIは「値決め」と「支払うかどうか」ではなく、その手前の材料づくりに使う

保険会社の業務にAIを入れる話は、たいてい「引受の精度が上がる」「支払査定が速くなる」という形で語られます。方向としては間違っていません。ただしこの業界には他の金融業務にない制約が3つあり、それを踏まえずに設計すると、精度が上がったかどうかを確かめられないまま運用が始まります。

本記事の結論は単純です。保険料率を決めること、そして保険金を支払わないと判断することは、AIの出力で置き換えない。AIは、その判断に必要な材料を揃える工程——書類の不備検知、要確認点の抽出、過去の類似事案の提示、データの整形、要因分解の材料づくり——に使う。この線引きは運用上の慎重さではなく、保険業法が求めている手続きの構造から来ています。

保険の収益構造そのもの（コンバインドレシオ、責任準備金、「先にもらって後で払う」ビジネス）は保険会社のモデリング入門で扱っているので再説明しません。投資銀行のFIG部門の仕事はFIG（金融機関グループ）とは、与信のPD・LGD・EADは信用リスク予測にAIを使う、モデル台帳や再検証の一般論は生成AIのモデルリスク管理、誤検知の優先順位づけの型はKYC・AMLの実務とAIに譲ります。本記事は保険固有の論点だけを扱い、実在の保険会社・商品・料率は扱いません。設例はすべて架空で、不正請求の手口には一切触れません。

保険がAI活用で特殊な3つの理由

他業務でうまくいったAI導入の型が、保険ではそのまま通用しません。理由は3つあります。

第一に、原価が確定するまでに年単位かかる業務です。今期引き受けた契約の「本当の原価」は、事故が起き、請求が出て、査定が終わり、支払いが済むまで確定しません。賠償責任のように支払いが遅れて出てくる種目では、数年から十数年かかることもあります。つまり「AIを入れて引受の精度が上がりました」という主張を、短期に検証できない。導入から3か月後に見えているのは処理件数・処理時間・謝絶率だけで、それらは精度の指標ではありません。しかも後述するとおり、謝絶した契約の結果は永久に観測できません。ここが本記事で最も強調したい点です。

第二に、保険料率の差は差別の問題になりうることです。保険業法第5条第1項第4号ロは、免許審査基準として、保険料及び責任準備金の算出方法書に記載された事項が「保険料に関し、特定の者に対して不当な差別的取扱いをするものでないこと」という基準に適合することを掲げています。同項第3号ロは、事業方法書・普通保険約款についても「保険契約の内容に関し、特定の者に対して不当な差別的取扱いをするものでないこと」を掲げています（e-Gov法令検索、2026-08-16確認）。

リスクの違いに応じて料率を変えること自体は保険数理の前提で、同項第4号イは算出方法が「保険数理に基づき、合理的かつ妥当なものであること」を求めています。問題は、AIが見つけてくる区分が「合理的かつ妥当」の側にあるのか「不当な差別的取扱い」の側にあるのかを、誰が、何を根拠に判断するのかです。相関があるという事実だけでは、この問いに答えられません。

金融庁「AIディスカッションペーパー（第1.1版）」（令和8年3月3日公表）も、学習データやアルゴリズム、モデルの推論結果に偏りが含まれると「特定の属性を持つ顧客に対して構造的な差別その他の不公平な処遇が行われるリスクが高まる」と記載し、さらに過去のデータで構築したAIモデルに公平性の問題が確認された場合には「過去の判断において同様の問題が発生していた可能性があり、これをきっかけに既存のビジネスプロセスの見直しに繋げていく視点も重要である」とも述べています。AIの検証が、過去の運用の検証に跳ね返るという指摘です。

第三に、契約者に説明できることが要件になりうることです。保険業法第100条の2第1項は「その業務に係る重要な事項の顧客への説明」その他の健全かつ適切な運営を確保するための措置を求め、募集の場面では第294条第1項が情報提供を、第300条第1項第1号が重要な事項を告げない行為の禁止を定めています。

さらに効いてくるのが、料率の根拠を書いた算出方法書が認可の対象である点です。第123条第1項は、事業方法書・普通保険約款・算出方法書に定めた事項（内閣府令で定める事項を除く）の変更に内閣総理大臣の認可を求めています。料率の決め方は、社内で自由に差し替えられるものではありません。「AIが継続的に学習して料率を最適化する」という設計思想が、認可を受けた算出方法書に基づく運用とどう整合するのかは、実装の前に確認すべき論点です（当てはめは個別判断であり、本記事は解釈を断定しません）。

説明可能性について前掲のAIディスカッションペーパーは、重要な判断にAIを用いる場合、どのようなデータで学習・参照したか、どのようなプロンプトが与えられたか、出力結果の記録とモニタリングが機能しているかといった観点から「金融機関自身が判断の合理性を検証・説明できるようにする必要がある」としています。一方で、膨大なパラメータを持つ生成AIで完全な説明可能性を確保するのは極めて困難であるとも記載しています（定義は説明可能AIを参照）。精度が高いことと、説明できることは別の要件です。

保険業務×AI適用表：8工程で「AI補助可」と「人が確定」を分ける

図1を表に落とします。これが本記事の成果物の1つ目です。右2列を自社の保険種目で埋めると、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見えます。

この表を埋めるときの注意点は1つです。右2列が同じ内容になってしまう行は、線引きができていません。「AIが提示し、人が確認する」としか書けないなら、運用が始まった瞬間にAIの出力が事実上の結論になります。境目の言語化はヒューマン・イン・ザ・ループの設計そのものです。

使ってよい変数・使ってはいけない変数：判定フローで整理する

ここが保険特有の難所です。機械学習は「結果とよく相関する変数」を見つけるのが得意ですが、保険料率で問われるのはその区分が合理的かつ妥当で、不当に差別的でないことです。この2つは重なりません。

相関する変数と、使ってよい変数は違う

典型的な問題が代理変数（プロキシ）です。たとえば居住地域は、災害リスクや交通事情の代理として合理性を説明できる場合がある一方、地域によっては特定の属性の分布を強く反映し、実質的に属性で料率を分けているのと変わらない結果になることがあります。どちらであるかは、変数の名前を見ても分かりません。属性別に結果の差を測って初めて分かります。

さらに厄介なのは、AIが多数の変数を組み合わせて内部で作る特徴量です。個々の変数は無害でも、組み合わせが属性の代理として機能することがあります。寄与度を可視化しても、寄与度は「因果関係の説明」ではないため、これは完全には解けません。

「AIが自動で見つけた変数」をそのまま使わない理由

探索的に見つかった変数は、仮説であって根拠ではありません。理由は3つあります。

1. 因果の説明がない。保険業法第5条第1項第4号イが求める「保険数理に基づき、合理的かつ妥当」であることの説明は、相関の強さでは代替できません。
2. 過去の運用の偏りを再生産する。過去の引受・支払データは過去の運用の結果です。そこに偏りがあれば、学習したモデルは偏りを再現し、しかも「データに基づく客観的な判断」という装いを与えます。
3. 変数が増えるほど偶然の相関を拾いやすくなる。過学習の一般論ですが、保険では検証に年単位かかるため、偶然かどうかを確かめる前に運用に入ってしまいがちです。

したがって、AIが提示した変数は必ず判定フローの入口に戻す——これが本記事の提案です。

なお判定2の「属性別に結果差を測定する」には属性データを保持している必要がありますが、病歴や障がいに関する情報は個人情報保護法上の要配慮個人情報にあたりうるもので、取得・利用に制約があります。差を測るためにデータを集めるという構図自体が別の論点を生む点は、社内で法務と早い段階で握っておくべきところです。

支払査定：「支払わない」判断をAIに委ねない設計

支払査定は、保険会社の業務のなかで最も慎重に設計すべき工程です。理由は制度の側にあります。

金融庁「保険会社向けの総合的な監督指針」（令和8年7月）のII－4－4－3「保険金等支払管理態勢」は、その意義として「生命保険会社における保険金・給付金の不適切な不払いや損害保険会社における付随的な保険金の支払漏れといった問題が発生し、保険契約者、利用者の保険事業全般に対する信頼が大きく損なわれた事例も認められた」と記載したうえで、「損害査定や保険金等の支払判断に関する保険契約者間の公平性の確保に資する適切な支払管理態勢を構築することが求められている」と述べています。主な着眼点には、支払管理部門・支払部門が営業部門その他の第三者からの「不適切な介入に影響されることなく保険金等支払いに係る判断がなされるものとなっているか」、取締役会等が「保険金等の支払査定基準の改廃などの保険契約者等の保護に重大な影響を与えるものについて、十分な検討を行っているか」といった項目が置かれています。

ここから読み取れる設計上の含意は3点です（当てはめは個別判断であり、以下は本記事の整理です）。

1. 支払査定にAIを入れることは、支払査定の運用に触れる話です。現場判断で入れる性質のものではなく、どの範囲でどう使うかを社内の意思決定プロセスに乗せる必要があります。
2. 「不適切な介入」の防止という発想は、AIにも当てはめて考えるべきです。査定担当者に「支払対象外の可能性が高い」と表示することが判断にどう働くかは、UIの問題ではなく態勢の問題です。
3. 公平性の確保が求められている以上、AIの提示に従った件と従わなかった件で結果が偏っていないかを測る必要があります。

AIに任せてよい範囲（本記事の整理）は、提出書類の不備・欠落の検知、約款・特約の該当しうる条項の提示（判断ではなく参照先の提示）、過去の類似事案の提示、処理の優先順位づけ（滞留日数の長い案件や金額の大きい案件を先に回すなど）、照会文・案内文の下書きまでです。

AIに委ねない範囲は、支払可否の判断（とくに支払わない＝免責・不担保とする判断）、支払額の確定、調査開始の最終判断とその結論、顧客に対する最終的な回答内容です。

設計の原則は「迷ったら人が見る側に倒す」。誤検知（本来支払うべき案件を要調査にする）と未検知（見逃す）のどちらかを選ぶなら、保険では前者に倒すのが順当です。ただし前者に倒すと処理は遅れます。だからこそAIの使いどころは「調べる件数を減らす」ではなく「同じ件数を、より早く適切な担当者に届ける」——優先順位づけになります。

整数の設例：引受を絞ると収支はどう動くか

ここからは数字で確認します。架空の損害保険会社「白樺損害保険」の、架空の保険種目「中小企業向け設備総合保険」を想定します。実在の会社・商品・料率とは一切関係ありません。単位はすべて百万円、年度ベースです。

現状（ベースケース）

事業費は、変動費（代理店手数料等）を収入保険料の20%＝1,200、固定費を720と置きます（合計1,920）。

検算：損害率 3,900 ÷ 6,000 ＝ 65.0%。事業費率 1,920 ÷ 6,000 ＝ 32.0%。コンバインドレシオ 65.0 ＋ 32.0 ＝ 97.0%。引受利益 6,000 − 3,900 − 1,920 ＝ 180で、別ルートの 6,000 ×（100% − 97.0%）＝ 180 と一致します。層別の合計も保険料 5,700 ＋ 300 ＝ 6,000、保険金 3,230 ＋ 670 ＝ 3,900 で合います。

ケースA：AIの選別が的中し、不採算層600件を謝絶できた場合

AIが要確認点を洗い出し担当者が精査した結果、不採算層1,000件のうち600件を引き受けなかったとします。

• 収入保険料：6,000 − 600件 × 0.3 ＝ 6,000 − 180 ＝ 5,820
• 発生保険金：3,900 − 600件 × 0.67 ＝ 3,900 − 402 ＝ 3,498
• 事業費：変動費のみ減少。1,920 − 180 × 20% ＝ 1,920 − 36 ＝ 1,884
• 引受利益：5,820 − 3,498 − 1,884 ＝ 438

検算：損害率 3,498 ÷ 5,820 ＝ 60.1%、事業費率 1,884 ÷ 5,820 ＝ 32.4%、合計 92.5%。別ルートで 100% − 438 ÷ 5,820 ＝ 100% − 7.5% ＝ 92.5% と一致します。引受利益は 438 − 180 ＝ +258の改善です。

ケースB：選別が半分外れ、優良層300件も謝絶してしまった場合

同じ600件を謝絶したが、内訳が不採算層300件＋優良層300件だったとします。

• 収入保険料：5,820（ケースAと同じ。1件あたり保険料は同額のため）
• 発生保険金：3,900 −（300 × 0.67 ＋ 300 × 0.17）＝ 3,900 −（201 ＋ 51）＝ 3,900 − 252 ＝ 3,648
• 事業費：1,884（ケースAと同じ）
• 引受利益：5,820 − 3,648 − 1,884 ＝ 288

検算：損害率 3,648 ÷ 5,820 ＝ 62.7%、事業費率 32.4%、合計 95.1%。別ルートで 100% − 288 ÷ 5,820 ＝ 100% − 4.9% ＝ 95.1%。引受利益は 288 − 180 ＝ +108の改善にとどまります。

この設例から読み取るべき3点

1つ目。同じ「600件謝絶」でも、効果は+258と+108で2倍以上違います。違いを生むのは処理件数でも処理速度でもなく、選別の当たり外れだけです。導入の効果を語るなら、ここを測らなければ意味がありません。

2つ目。どちらのケースでも収入保険料は180減ります（6,000→5,820、−3.0%）。引受を絞ることは必ずトップラインを削ります。加えて固定費720は減らないため、1件あたりの固定費負担は 720 ÷ 20,000 ＝ 0.036 から 720 ÷ 19,400 ≒ 0.0371 へ増えます。引受の高度化は、収支改善策であると同時に規模縮小策でもあります。営業部門と引受部門で目線が合わないのは、この両面性が数字で共有されていないからです。

3つ目。最も重要な点として、AとBのどちらが起きたかを後から知る方法がありません。謝絶した600件は契約になっていないので、保険金データが発生しません。「もし引き受けていたら損害率がいくらだったか」は永久に観測できない。統計的にはデータの打ち切り（censoring）と選択バイアスの問題で、精度指標を素直に計算すると実際より良く見える方向に歪みます。

準備金見積りの検証：ランオフ突合と要因分解

準備金の見積りは、AIの出力をそのまま採用してはいけない工程の代表です。責任準備金は保険業法第116条第1項、支払備金は第117条第1項により毎決算期の積立てが規定され、第121条第1項第1号は、保険計理人が毎決算期において「内閣府令で定める保険契約に係る責任準備金が健全な保険数理に基づいて積み立てられているかどうか」を確認し、その結果を記載した意見書を取締役会に提出しなければならないと規定しています。

その確認に用いる基準も社内で自由に決めるものではありません。金融庁「保険会社向けの総合的な監督指針」VI－3は、日本アクチュアリー会が法第122条の2第2項第3号の委託を受けて、責任準備金の計算の基礎となる係数と、保険計理人が毎決算期に確認するための基準（「係数及び基準」）を策定するものとしています。見積りの最終責任は人（保険計理人）にあり、その確認手続きは外部の基準に接続されている——この構造は、AIを入れても変わりません。

検証手順（本記事の提案）

1. ランオフ表を作る。事故年度（または引受年度）×経過年度の行列で支払保険金の累計を並べます。AIに任せてよいのはここまで（抽出・整形・突合）です。
2. 前期末の見積りを、その後の実績と突き合わせる。前期末見積り ＝ 当期支払額 ＋ 当期末残高 ＋ 差異という恒等式で、差異を1つの数字に落とします。
3. 差異を要因分解する。件数の差、単価の差（1件あたり支払額）、支払スピードの差（決着が早い／遅い）、手法変更の影響。この4つに分けると、どこが読み違いだったかが見えます。
4. 手法変更の影響を単独で切り出す。AIを導入した期は旧手法と新手法の両方で見積もり、差額を独立の行として示す。手法変更と実績変動を混ぜてはいけません。
5. 前提の一貫性を確認し、保険計理人の確認に耐える形にする。期ごとに前提を動かすと差異分析が意味を失います。動かすなら理由と影響額を記録し、AIの出力は確認の材料の1つという位置づけを崩さないこと。

ランオフ突合を毎期続けると見積りの癖（構造的に多め／少なめに出る傾向）が見えてきます。AIを入れた場合は導入前後で癖が変わったかどうかが検証の核心です。責任準備金と支払備金の会計上の意味は保険会社のモデリング入門で解説しています。

AIに任せる範囲と人が判断する範囲：支払査定の一次整理プロンプト

支払査定の前工程で使うプロンプトの完成形です。結論を書かせないことを明示的な禁止事項に含めているのが要点です。実行前に、社内で利用が承認されたAI環境かどうか、入力してよい情報の範囲を必ず確認してください。

【役割】
あなたは損害保険会社の支払査定担当者を補助するアシスタントです。査定の結論は出しません。

【目的】
提出書類の不備・欠落を洗い出し、担当者が確認すべき論点と、参照すべき約款条項の候補を整理する。

【入力】1.保険種目・商品名・約款の該当版（本文を添付） 2.事故報告書 3.提出書類の一覧と各書類の記載事項（テキスト化済み） 4.社内の必要書類チェックリスト

【単位・表記】金額は円単位の整数。日付は YYYY-MM-DD。期間は日数。

【出力形式】次の4つの表のみを出力する。
表1 書類の不備：書類名／不備の内容／根拠（チェックリストの項番）
表2 記載の不整合：項目／書類Aの記載／書類Bの記載／差異の内容
表3 確認すべき論点：論点／関連しうる約款条項（条・項・号）／関連する理由／担当者が確認する事実
表4 不足情報：不足している事実／それを確認する方法（照会先・書類名）

【計算方法】
経過日数は「事故日から請求書受領日まで」を日数で算出し、計算式を併記する。
金額の合計は必ず内訳の合計と一致させ、一致しない場合は「不一致」と明示する。

【禁止事項】
- 支払う／支払わないの結論、支払額、免責該当の判断を書かない。
- 約款条項を要約・言い換えしない。条項番号と原文の引用のみを示す。
- 添付された約款・書類に書かれていない事実を補わない。
- 医学的判断、事故態様の認定、過失割合の判断を行わない。
- 請求者の属性（年齢・性別・国籍・職業等）を論点の根拠にしない。

【不明情報の処理】
入力に無い事実は「入力に記載なし」と明示し、推測しない。表4に必ず列挙する。

【出典表示】
表3の約款条項は、約款の版・条項番号・該当箇所の原文を必ず引用する。
社内チェックリストを参照した箇所は項番を示す。

【検算】出力後、次を自己点検して結果を末尾に列挙する。
(a) 表1〜表4に、支払可否・支払額に関する記述が含まれていないか
(b) 引用した条項番号が、添付した約款に実在するか
(c) 表2の差異が、実際に2つの書類の記載から確認できるか
(d) 金額の内訳と合計が一致しているか

【レビュー項目（人が確認する）】
1. 引用された条項が、この事案に本当に関連するか
2. 表3の「確認する事実」が、担当者の判断を先取りしていないか
3. 表4に挙がっていない不足情報がないか
4. 出力に結論めいた表現が紛れ込んでいないか
5. 入力した情報が、社内規程上この環境に入力してよい範囲に収まっていたか

この出力は担当者の作業メモの下書きです。そのまま査定記録に貼り付ける運用にすると、記録上は担当者が判断したことになっているのに実質はAIの整理をなぞっただけ、という状態が生まれます。担当者が加筆・修正した箇所が分かる形で記録を残すことが、事後に「誰が判断したか」を説明できる唯一の方法です。ハルシネーションの一般的な見抜き方は生成AI出力の検証手順にまとめています。

保険業務でのAI活用の検証方法

出力の数値照合など一般的な検証は生成AI出力の検証手順に譲り、ここでは保険固有の検証項目だけを挙げます。

1. 検証期間を業務のフィードバック期間に合わせる。短期の指標（処理件数・処理時間・謝絶率）は運用指標であって精度指標ではありません。精度は対象契約群の支払いが出そろう期間で測り、何年かかるかを導入判断の時点で明記します。
2. 謝絶した契約の結果が観測できないことを前提に設計する。比較群を残さない限り、引受モデルの精度は原理的に検証できません。残すか否かを導入時に決めます。
3. 属性別に結果差を測る。引受率・料率水準・支払率・支払までの日数を属性区分ごとに集計します。差がないことを確認するのではなく、差があった場合に説明できるかを確認する作業です。
4. AIの提示に従わなかった件を追跡する。覆した件の結果が良ければモデルに改善余地があり、覆した件がほとんど無ければ実質的にAIが判断している状態です。「AIの提示に従った率」は、精度指標ではなく依存度の指標として読む——これが本記事の提案です。
5. 準備金は前期見積りとの差異で測る。前節のランオフ突合と要因分解を毎期行い、手法変更の影響を単独の行として切り出します。
6. 出力の再現性と経年劣化を監視する。生成AIは同じプロンプトでも出力が変わることがあり、結果の公平性が問われる工程ではこの揺れ自体がリスクです。商品改定・約款改定・事故傾向や修理単価の変化でも前提は静かにずれます（モデルドリフト）。再検証のトリガー設計は生成AIのモデルリスク管理で扱っています。

機密情報・個人情報の注意

保険業務で扱う情報には、病歴・治療内容・障がい・事故状況といった、個人情報保護法上の要配慮個人情報にあたりうるものが多く含まれます。外部のAIサービスにこれらを入力してよいかは、契約上の取扱い（入力データの学習利用の有無、保存期間、保存先）と社内規程の両方で決まり、「匿名化したつもり」が匿名化になっていない場合がある点にも注意が必要です。事故日・地域・傷病名の組み合わせだけで個人が特定されうるためです。

また、再保険者や委託先とデータを授受する場面では、保険業法第100条の2が求める業務の第三者委託時の的確な遂行を確保するための措置との関係も整理が必要になります。判断の枠組みは生成AIに入れてよい情報・いけない情報に、日本のAI関連法令・ガイドラインの全体像は金融実務のためのAI規制・ガイドライン整理にまとめています。

よくある失敗

失敗1：検証期間が業務のフィードバック期間より短い。導入3か月で「精度が向上」と報告するのは、まだ何も分かっていない段階での報告です。分かっているのは処理量だけ、という状態を正直に書けるかどうかが分かれ目になります。

失敗2：AIが見つけた変数を、説明を作らずに料率へ入れる。「寄与度が高い」は説明ではありません。あとから当局や契約者に問われたときに、寄与度のグラフしか出せない状態になります。図2の判定フローの入口に必ず戻してください。

失敗3：支払査定でAIの提示が実質的な結論になっている。形式上は担当者が判断しているのに、記録を見るとAIの整理をほぼそのまま採用している。この状態は「AIの提示に従った率」と「担当者が加筆した箇所」を記録していないと発見できません。

失敗4：準備金見積りをAIに一発で出させる。見積額そのものをAIに出させると、差異が出たときに「手法の問題」か「実績の変動」かを切り分けられません。AIの役割はデータ整形と要因分解の材料づくりまでに留めます。

失敗5：効果を処理量だけで語る。「査定の処理時間が◯%短縮」は運用改善の成果ではありますが、引受・料率・準備金の精度が上がった証拠にはなりません。設例で見たとおり、同じ件数を謝絶しても効果は2倍以上違います。収支と結果の公平性で語れないうちは、効果を主張しないほうが安全です。

実務チェックリスト

• 工程ごとに「AI補助可」と「人が確定」を書き分け、右2列が同じ表現になっている行が無いか確認した
• 支払可否・支払額の確定、とくに支払わない判断を、AIの出力に委ねない設計になっている
• 使用する変数について、リスクとの因果関係の説明を文書で用意した
• 属性の代理として働きうる変数を洗い出し、属性別の結果差を測る方法を決めた
• 「AIが自動で見つけた変数」を、判定フローを通さずに採用していない
• 料率に関わる変更が、算出方法書に定めた事項の変更にあたるかを事前に確認する手順がある
• 精度の検証期間を、対象契約群の支払いが出そろう期間として明記した
• 引受モデルの比較群を残すか残さないかを、導入時に意思決定した
• 準備金の前期見積りと実績を突き合わせ、差異を件数・単価・スピード・手法変更に分解している
• 入力データ・参照資料・プロンプト・出力・人が加筆した箇所と、使用モデルの版・変更履歴を記録している
• 要配慮個人情報にあたりうる情報の入力可否を、契約条件と社内規程の両方で確認した
• 「AIの提示に従った率」を依存度の指標としてモニタリングしている
• 導入の効果を、処理件数ではなく収支と結果の公平性で説明できる

日本の保険会社での留意点

監督指針にAIの記述はありません。本記事が2026年8月16日に確認した限り、金融庁「保険会社向けの総合的な監督指針」（令和8年7月）の各章本文には「AI」「人工知能」という語が用いられていません（I、II－1〜II－5、III－1〜III－3、IV、V、VI、VIIの各ページ本文を確認。共通ナビゲーションに含まれる文字列を除く）。これは「AIを使ってよい／いけない」を意味しません。AIに固有の項目が置かれていない以上、既存の態勢要件（保険金等支払管理態勢、顧客保護等、統合的リスク管理態勢など）に当てはめて考える必要がある、ということです。

基礎書類の変更は認可・届出の対象です。保険業法第123条第1項は、事業方法書・普通保険約款・算出方法書に定めた事項の変更に内閣総理大臣の認可を求め、同条第2項は内閣府令で定める事項の変更に事前の届出を求めています。料率や引受基準に触れる変更をシステム改修の一環として扱うと、この手続きが漏れます。

参考純率という共通のインフラがあります。損害保険料率算出機構は、参考純率を「料率算出団体が算出する純保険料率」、基準料率を「料率算出団体が算出する保険料率（純保険料率および付加保険料率）」と説明し、損害保険料率算出団体に関する法律においてこれらが合理的かつ妥当なものでなければならず、また不当に差別的なものであってはならないと定められていると記載しています（同機構サイト、2026-08-16確認）。自社データだけでモデルを組む前に、自社の料率が何を基礎にしているかを確認してください。

海外の枠組みは日本の制度と同一視しないことです。EUでは欧州保険・企業年金監督局（EIOPA）が2025年8月6日に「Opinion on Artificial Intelligence governance and risk management」（EIOPA-BoS-25-360）を公表していますが、これは各国監督当局に宛てた意見書で、対象主体も法的拘束力も日本とは異なります。日本のAI法・ガイドラインの位置づけはAI規制・ガイドライン整理を参照してください。

よくある質問（FAQ）

Q. 保険会社ではなく、代理店や保険ブローカーの側でAIを使う場合はどう考えればよいですか。
募集の場面には情報提供義務（保険業法第294条第1項）と禁止行為（第300条第1項）が及び、とくに第300条第1項第1号は、契約条項のうち判断に影響を及ぼすこととなる重要な事項を告げない行為を禁止しています。AIが生成した説明文をそのまま顧客に渡す運用は、このリスクを生成のたびに新しく作り出します。出力を人が確認して確定する工程を挟み、確定した説明内容を記録に残すのが最低限の設計です。所属保険会社側の管理責任との関係もあるため、代理店単独で判断せず歩調を合わせてください（仲立人のビジネスモデルは保険ブローカーモデルを参照）。

Q. 少額短期保険業者やインシュアテック企業でも、同じ考え方でよいですか。
料率の合理性・説明可能性・支払判断の慎重さという考え方は共通します。ただし適用される規定は事業区分によって異なり、少額短期保険業者は保険業法第272条以下の登録制のもとで、免許を受けた保険会社とは異なる枠組みに置かれています。本記事は保険会社を前提に整理しており、他の区分への当てはめは断定しません。所管当局・専門家にご確認ください。

Q. 保険×AIの領域で、キャリアとしてはどんな職種が関わるのですか。
アクチュアリー（料率・準備金の見積りと確認）、引受・支払査定の実務担当（AIの提示を評価し判断を確定する側）、データ・モデル側の専門職（モデル開発・検証・モデルリスク管理）の3つです。判定フローを回すのは前二者、検証設計を担うのが三つ目にあたります。外部から支援する立場としては投資銀行のFIG部門があり、その仕事はFIG（金融機関グループ）とはで解説しています。

まとめ

• 保険は将来の支払いを見積もって今の価格を決める業務で、結果が出るまでに年単位かかります。「AIで精度が上がった」は短期に検証できません。
• 保険料率の差は、保険業法第5条第1項第4号ロが定める「不当な差別的取扱い」の問題になりえます。相関する変数と、使ってよい変数は別物です。
• AIが自動で見つけた変数は仮説であって根拠ではありません。因果の説明・属性の代理でないこと・説明できることの3つを通してから採用します。支払査定では「支払わない」判断をAIに委ねず、AIは不備検知・条項の提示・類似事案の提示・優先順位づけまでとします。
• 設例では、同じ600件の謝絶でも選別が的中すれば+258、半分外れれば+108（百万円）と効果が2倍以上違い、どちらでも収入保険料は180減ります。そして、どちらが起きたかは事後にも観測できません。
• 準備金はランオフ突合と差異の要因分解で検証し、手法変更の影響を独立の行として切り出します。見積りの最終責任は保険計理人にあります（保険業法第121条）。

出典・参考（2026-08-16確認）

• e-Gov法令検索「保険業法」（平成七年法律第百五号） https://laws.e-gov.go.jp/law/407AC0000000105／引用したのは第4条第2項、第5条第1項第3号ロ・同項第4号イ／ロ、第100条の2第1項、第116条第1項、第117条第1項、第120条第1項、第121条第1項第1号、第123条第1項・第2項、第294条第1項、第300条第1項第1号です。
• 金融庁「保険会社向けの総合的な監督指針」（令和8年7月） https://www.fsa.go.jp/common/law/guide/ins/index.html／引用したのはII－4－4－3「保険金等支払管理態勢」の(1)意義・(2)主な着眼点と、VI－3「委託業務」（日本アクチュアリー会が策定する「係数及び基準」）です。「AI」「人工知能」の語が本文に用いられていないことは、I／II－1〜II－5／III－1〜III－3／IV／V／VI／VIIの各ページ本文を2026-08-16に取得し、共通ナビゲーション部分を除いて確認した結果です。
• 金融庁「AIディスカッションペーパー（第1.1版）」（令和8年3月3日公表。第1.0版は令和7年3月4日） https://www.fsa.go.jp/news/r7/sonota/20260303/aidp.html／PDF aidp_version1.1.pdf。引用したのは説明可能性の担保、公平性・バイアスに関する記載です。同ペーパーは「金融機関等に対して特定の対応をただちに求めるものではない」と自ら位置づけています。
• 損害保険料率算出機構「料率算出業務」 https://www.giroj.or.jp/ratemaking/index.html／参考純率・基準料率の定義、および損害保険料率算出団体に関する法律において「合理的かつ妥当なものでなければならず、また、不当に差別的なものであってはならない」と定められている旨の記載を確認しました。
• EIOPA「Opinion on Artificial Intelligence governance and risk management」（EIOPA-BoS-25-360、2025年8月6日） https://www.eiopa.europa.eu/publications/opinion-artificial-intelligence-governance-and-risk-management_en／EUの枠組みであり、日本の制度とは対象主体・法的拘束力が異なります。公表主体・公表日・宛先・対象範囲のみを扱いました。
• 本記事が提案しているもの（公的基準ではありません）：8工程への分解と適用表の列構成、変数の判定フロー、支払査定でAIに任せる範囲と委ねない範囲の切り分け、比較群を残すという検証設計、「AIの提示に従った率」を依存度の指標として読む考え方、準備金のランオフ突合と4要因への分解、実務チェックリスト。設例（架空の「白樺損害保険」・架空の保険種目・契約20,000件・収入保険料6,000・発生保険金3,900・事業費1,920〈百万円〉、およびケースA／B）はすべて仮設例です。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。ケースAとBの効果の差は仮定に基づく計算であって、測定結果ではありません。
• 確認できず、断定を避けた事項：①AIを用いた料率算定・引受が保険業法第123条の認可・届出のどこに当たるかという当てはめ ②支払管理態勢におけるAI利用について当局が示した個別の見解（監督指針に該当記載を確認できず）③少額短期保険業者・保険仲立人への本記事の整理の適用可否。

※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。