損害保険の事故対応部門で、担当者が一日の何割を「文章を書く」ことに使っているか数えたことがあるだろうか。事故受付の記録、修理工場とのやり取りの要約、契約者への経過連絡、社内の支払稟議。査定という判断そのものより、判断の前後の読み書きのほうが長い、というのが現場の実感に近い。生命保険の引受や給付金支払でも、診断書や告知書を読み、不足書類を確認し、査定結果を文章にして返す作業が判断の周囲に厚く積もっている。

大手の生損保はこの層に生成AIを当て始めた。SOMPOホールディングスは国内グループ約3万人にAIエージェントを配り、東京海上日動はコンタクトセンターにAIを一貫導入し、明治安田生命は引受査定に機械学習のリスク予測を組み込んだ。ただし、いずれも専門部隊と数年分の基盤投資の上に成り立つ話で、中堅の生損保や乗合代理店、少額短期保険業者がそのまま真似できる設計ではない。問うべきは、限られた人数と予算で、どの業務から、どの順番で、規制に耐える形で本番化するかだ。

本稿では保険業のAI活用を「最終判断からの距離」という一つの軸で整理する。社内文書の処理、顧客・代理店との接点、引受・支払の査定判断。この順に距離が縮まり、本番化の難度が上がる。金融機関のAI活用では金融全般を扱ったので、本稿は保険に固有の工数構造と規制の当てはめに絞る。

保険業のAI活用はどこまで来たか — 件数と分布で見る現在地

野村総合研究所『保険業界での生成AI活用動向および今後の展望』（2025年4月、保険の2030年アジェンダ）は、公開情報ベースで国内保険会社の生成AI取り組み件数を集計している。2023年に11件だったものが2024年には26件に増え、2025年は2月末時点で8件と前年を上回るペースだという。業務別では、生保・損保ともに多いのは照会応答とオフィス業務で、専門業務で進むのは生保の営業支援と損保の事故対応である。引受・保全・生保の支払・商品開発は事例が少数にとどまり、理由として引受審査や支払審査に求められる正確性・透明性・偏りの排除に対し、現時点の生成AIにはハルシネーションや回答の揺らぎがあることを同レポートは挙げる。判断から遠い業務ほど先に進み、判断そのものには届いていない。

金融全体でも傾向は同じだ。金融庁『AIディスカッションペーパー（第1.1版）』（2026年3月）の基礎になったアンケート（2024年10〜11月、130社回答、うち保険会社が1割強）では、回答先の9割以上が従来型AIか生成AIを使い、生成AIを使う先の7割以上が幅広く一般社員向けに利用を認めていた。顧客向けサービスへの利用は2024年11月時点ではほとんどなく、2025年のAI官民フォーラムを経て「範囲・条件を絞った提供またはその検討」の段階に至った、と改訂理由に書かれている。社内利用は普及期、顧客接点は試行期、査定判断は限定的な導入期。これが保険業界の現在地だ。

保険業務の工数はどこに積もっているか — 5つの層

保険の工数構造を、AX Boostは査定（支払）・引受・契約管理（保全）・コンタクトセンター・代理店営業支援の5つの層で捉える。層ごとに「人がやる必要のない仕事」の量と質が違うからだ。顧客対応を担うコンタクトセンターは数字がいちばん見えやすい。東京海上日動『コンタクトセンター領域にAI導入』（2026年3月4日）によれば、同社のコンタクトセンターには顧客と代理店から年間約700万件の問い合わせがあり、このうち契約手続き等の窓口を担うセンターでは、通話のリアルタイムテキスト化と回答案提示で、顧客向けは応対時間を最大約30%（年間約58,000時間）、代理店向けは最大約10%（年間約32,000時間）削減する想定だという。

照会応答では損保ジャパンの数字が参考になる。損保ジャパン『生成AIを活用した照会回答支援システムを全国の営業店で利用開始』（2025年7月1日）は、社内ナレッジ検索での照会が年間67万件に上り、生成AIが回答できる照会（全体の約6割相当）に対して約4割の業務時間削減がトライアルで確認されたため全国展開に踏み切った、と述べる。「約6割の照会にしか使えない」という留保が公式文書に明記されている点は見落とせない。

査定は、対象を絞れば自動化が成立する。日本経済新聞（2026年4月7日）によれば、三井住友海上は輸入貨物の貨物海上保険のうち支払額100万円以下の契約（年約7,000件）でAIが支払額を自動算定し、査定時間を最大8割減の5分程度にした。金額上限と保険種目を絞ることで「誤っても回復できる範囲」を先に決めた事例と言える。

生保の引受・支払では、機械学習とOCRが先行する。明治安田生命『生命保険の引受査定にAIを活用したリスク予測を導入』（2025年1月21日）は、約130万件の匿名医療ビッグデータで構築した予測モデルを従来の医学査定に組み合わせ、健康診断書を提出した50歳以上の契約を対象に、特定商品で導入したと発表した。生成AIではなく機械学習であること、医学査定を置き換えず組み合わせること、対象商品と年齢を限定すること。三つの条件が揃っている。

代理店営業支援は、業界構造そのものが工数を生む層だ。日本損害保険協会『2024年度損害保険代理店統計』（2025年7月31日）によれば、損保代理店の実在数は140,138店（前年度比7.0%減）、募集従事者は1,779,201人で、専業代理店は17.5%にすぎない。8割超が自動車販売店や不動産業などの副業代理店であり、保険会社の営業店は「保険の専門家ではない代理店からの照会に答える」仕事を大量に抱えている。生保側も生命保険協会『2025年版 生命保険の動向』（2025年11月）によれば事業費が5兆1,771億円、保険料等収入比12.0%と、圧縮が経営課題として常に置かれている。SOMPOホールディングスが前述のリリースでAIエージェント導入の狙いを国内損保事業の事業費率30%目標の早期達成と明記したのは、この文脈である。

引き算できる業務と、引き算してはいけない業務

5つの層をそのまま「AI化の候補一覧」にすると、事例集型の記事と同じ失敗をする。AX Boostが設計で使う線引きは、業務ごとに「最終判断からの距離」と「誤りの回復可能性」の二つを見ることだ。判断から遠く、誤っても後から直せる業務は引き算の対象になり、判断に近く、誤りが契約者の経済的利益を直接損なう業務は、AIが下書きを作っても人が最終判断を持つ。

この線引きに沿えば、引き算の対象は見えてくる。事故受付の記録作成、修理見積書の項目転記、診断書の読み取りと入力、代理店からの規定照会への回答案、経過連絡文の下書き、支払稟議の要約。いずれも判断から一段以上離れ、人が確認する工程を残せば誤りは回復できる。損保ジャパンの照会回答支援が回答案と参照先資料を並べて表示し、回答者が確認して返す形を採るのは、この型そのものだろう。AIは「足し算」より「引き算」で論じた通り、狙いは判断の周囲に積もった読み書きを減らし、空いた時間を難度の高い査定や契約者との対話に振り向けることにある。

一方、引受の最終判断、保険金支払の可否判定、免責の適用、告知義務違反の認定は判断そのものである。ここに生成AIを直接置くと、三つのリスクが同時に立ち上がる。説明責任——「なぜ不承諾か」「なぜ支払われないか」を問われたとき、モデルの出力を根拠として示せるか。モデルリスク——学習データの偏りが特定の属性の契約者に不利に働いていないかを検証し続けられるか。個人情報——診断書や告知書は要配慮個人情報を含み、外部のAIサービスに渡す設計には委託・第三者提供の整理が伴う。AIリスクマネジメントの実務のリスク分類が、保険ではこの三点に集約される。

ただし、判断に近い領域が「AI禁止」というわけではない。判断に近づくほど生成AIより従来型AI（ルールベース・機械学習）が適することが多い。生成AIをどこに使い、どこに使わないか。その切り分けがそのまま設計になる。

金融庁AIディスカッションペーパーと改正保険業法の枠内で設計する

本番化の稟議で避けて通れないのが「規制に照らして大丈夫か」という問いで、参照すべき文書は二系統ある。

一つは金融庁のAIディスカッションペーパーだ。第1.1版は「モニタリング上の目線や金融機関等に求める具体的対応を示すものではない」と自ら位置づけ、「チャレンジしないリスク」も認識すべきだとして積極的な取り組みを期待すると書いている。規制文書ではない。ただし監督対話で問われる論点の一覧としては機能する。影響の大きい判断にAIを用いる場合、どのデータで学習したか、RAGで何を参照したか、どのプロンプトを与えたか、出力の記録とモニタリングが機能しているか、という観点から金融機関自身が判断の合理性を検証・説明できる必要がある、と同ペーパーは述べる。引受・支払査定はこの「影響の大きい判断」に当たると読むのが自然だろう。同時に、生成AIで完全な説明可能性を確保するのは極めて困難だとも認め、ユースケースに応じてステークホルダーの納得感を確保するという落とし所を示している。

顧客向けサービスについては、官民フォーラムで共有された取り組みが四つの観点——設計と事前テスト（ガードレール、AI対応と有人対応の選択、事務的手続から中核業務へ）、顧客への説明と注意喚起（生成AIによる回答であること、根拠の明示、有人への移行経路）、記録とモニタリング（会話ログ、第三者レビュー）、経営陣を含むガバナンス——に整理されている。保険の顧客接点を本番化するなら、この四つを設計書の章立てにそのまま使える。生成AIが顧客に直接商品を勧める場合の「勧誘」該当性は個別具体的な事案に即して判断するとされ、一律の線は引かれていないため、レコメンド型の顧客接点は募集管理部門を初期から巻き込むことになる。

もう一つの系統が保険業法と監督指針である。金融庁は2026年3月30日、保険金等支払管理態勢・営業推進態勢と代理店・保険仲立人の協業に関する監督指針の改正を公表し、2026年6月1日から適用した。並行して令和7年改正保険業法に係る監督指針改正案（2025年12月17日公表）は、特定大規模乗合保険募集人の体制整備義務の強化と過度な便宜供与の禁止を扱う。損保業界では2023年に表面化した不正請求・保険料調整の問題を受け、日本損害保険協会が業界共通の「代理店業務品質評価制度」を2026年度から本格運用し、第三者評価を導入した（利用損保31社、2026年4月1日時点）。損保ジャパンはこれに先行し、代理店提出資料を生成AIが一次判定して社員が確認するシステムを2025年12月に運用開始した。

ここに読み違えやすい点がある。規制強化はAI活用の逆風ではない。体制整備義務が重くなるほど、意向把握の記録、比較推奨の根拠の文書化、代理店の自己点検といった「証跡を残す仕事」が増え、その証跡づくりこそ生成AIが得意とする読み書きの塊だからだ。規制対応の工数を引き算し、浮いた時間を契約者との対話に戻す構図で稟議を組むと、コンプライアンス部門が推進側に回りやすい。官民対話の方向は金融庁『ミュトス』作業部会から読むで追い、社内規程と監査設計の一般論は企業のAIガバナンス実務ガイドで扱っている。

本番化の順番 — 社内文書、顧客接点、査定判断の3段

「最終判断からの距離」を本番化の順番に翻訳すると、社内文書、顧客接点、査定判断の3段になる。段が上がるごとに合格条件が増える。

段 対象業務の例 誤りの影響範囲 追加される合格条件 中堅企業の目安期間
1. 社内文書 規定検索、照会回答案、稟議要約 社内で閉じる 参照元の表示、人の確認、ログ 3〜6ヶ月
2. 顧客接点 請求案内、代理店FAQ、経過連絡文 契約者・代理店に出る ガードレール、注意喚起、会話ログ監視、有人切替 6〜12ヶ月
3. 査定判断 引受リスク予測、少額支払の自動算定 経済的利益に直結 範囲限定、従来型AI併用、根拠記録、モデル検証、最終確認 12ヶ月以上

第1段は誤りの影響が社内で閉じる。日本生命が全内務職員2万人向けの社内チャット「N-Chat」を2024年から開放し、回答が100%正しいわけではない前提で人の確認を組み込んでいる（日本共済協会「Web共済と保険」2025年8月）のが、この段の標準形だ。ここで得た利用ログが次の段の設計材料になる。

第2段は誤りが社外に出るため、金融庁ペーパーの四観点が丸ごと合格条件に加わる。東京海上日動は2023年10月に事故対応の応対文面生成をELYZAと検証して約50%の省力化を確認した（IT Leaders）段階から、2026年3月のコンタクトセンター一貫導入まで2年半を要している。技術ではなく、顧客に出す前の統制設計と評価に時間がかかったと見るべき期間だ。顧客接点業務のAI活用ガイドの実装パターンのうち、保険では「AIが答える範囲を事務的手続に限定し、商品選択に関わる質問は有人へ渡す」設計が起点になる。

第3段は、明治安田生命が特定商品・50歳以上・診断書提出ありという条件を置き、三井住友海上が貨物保険の100万円以下に絞ったように、合格条件を満たす範囲を先に切り出すところから始まる。表の目安期間は統計ではなくAX Boostの支援現場で観測している幅で、データ整備の状況により前後する。段を飛ばして第3段から始めたいという相談は少なくないが、第1段のログと評価の型がないまま進むと、リスク管理部門のレビューで根本から戻されることが多い。AI PoC止まり脱出フレームワークで扱った構造の保険版と言える。

中堅生損保・乗合代理店・少額短期保険、それぞれの現実解

同じ3段でも、主体によって出発点と制約が異なる。

中堅の生損保は、基盤投資に割ける額が大手より一桁以上小さい代わりに、保険種目や商品が絞られていることが利点になる。照会回答支援は、内製チームがなくても自社のマニュアルとQ&Aを整備してRAGに載せれば第1段として成立する。RAGとはで書いた通り精度を決めるのはモデルより参照文書で、保険では約款・特約・事務取扱規程の版管理が先にできているかで成否が分かれる。大手が数万人規模でAIエージェントを配る事例を引くときは、規模が違うため同じ設計にはならないという留保を稟議に添えたい。

乗合代理店、とりわけ特定大規模乗合保険募集人に当たる大型代理店は、体制整備義務の強化が直接の起点になる。意向把握の記録、比較推奨の根拠の文書化、募集人ごとの品質点検は、面談の文字起こし・要約・構造化という生成AIの得意領域に重なる。ただし、AIが生成した記録を募集人が確認せず保存する運用になれば、証跡の信頼性そのものが崩れる。AIが下書きし、募集人が確認し、確認した事実が残る。この三点が代理店における第1段の合格条件だ。

少額短期保険業者は事情がまったく違う。日本少額短期保険協会の2025年中間期決算概況（2025年12月15日）によれば業者数122社、保有契約1,284万件、収入保険料803億円と成長が続くが、同協会が金融庁の内部監査高度化の会合に提出した資料（2025年3月19日）では、1社あたりの人員は平均20.2名、10名未満の会社が50社（41%）を占める。支払管理・財務・リスク管理・内部監査のそれぞれに知識を持つ者を置く必要がある一方で、人がいない。この規模では「AIで工数を減らす」より「少人数で規制上の態勢を成立させるためにAIを使う」という順番になる。契約管理の照会対応、請求書類の読み取り、内部監査の証跡整理を第1段として片づけ、家財やペットなど定型的で少額の種目に限って第3段の自動算定を検討する道筋が現実的だろう。

支払領域では不正請求への対策が新しい工数も生む。三井住友海上とあいおいニッセイ同和損保は2026年8月から、損害立証資料の画像が生成AIで作成・加工された可能性を検知する機能を支払業務に導入した（新日本保険新聞、2026年8月3日）。生成AIは請求側にも普及するため、支払側のAI活用は効率化と防御の両輪になり、生成物の真正性や権利の論点はAI著作権リスクの実務対応とも接続する。

効かない領域と、つまずき方の型

ここまでの事例を眺めると、生成AIが引受判断の最終責任や保険金支払いの最終判定そのものを担う例は、公開情報の範囲では見当たらない。引受と支払の判定は、契約者への説明義務、監督当局への説明責任、訴訟時の立証責任が一点に集まる場所で、モデルの出力を「根拠」として第三者に示せる技術も運用も、まだ確立の途上にある。金融庁ペーパーが説明可能性の完全な確保は極めて困難と認めている以上、ここで最終判断をAIに委ねる設計は、稟議以前に監督対話で説明が立たない。前例のない事故態様や複合的な傷病の査定も同様で、参照すべき過去データが薄く、生成AIの回答は確からしく見えて根拠を欠きやすい。不服申立てや苦情の対応、保険料率の決定も、AIは補助にとどまる領域だ。

つまずき方には型がある。第1段で得た「社員の満足度が高い」という結果をそのまま顧客接点に持ち込み、社内では許容された誤答が契約者に出た瞬間に苦情と監督対応に変わるケース。精度指標だけで本番化し、後から「なぜその判断か」を問われて答えられないケース——AI評価フレームの実装論で書いた通り、保険では精度と並べて説明可能性と一貫性を評価軸に置く必要がある。そしてハルシネーション対策を技術側に預けてしまうケース。AIハルシネーション対策の実装論で整理した通り、対策の半分は「根拠がなければその旨を答えさせる」「参照元を出す」という業務設計側にある。

ROIの置き方も同じだ。応対時間や照会工数は測りやすいが、査定領域では削減時間より「支払までの日数短縮」「査定のばらつき縮小」「不正検知による支払抑制」のほうが経営に響くことが多い。AI ROIの測定方法の短期・中期・長期の指標を段ごとに変えて使い、予算化はAI予算計画と社内稟議の通し方の型で組むとよい。

AX Boostの保険業へのアプローチ

保険業でAIを本番に乗せる勝負どころは、ツールの選定ではなく、判断の周囲に積もった読み書きを見極めて引き算し、空いた工数を難度の高い査定と契約者との対話に再配置する設計を、規制に耐える形で通せるかにある。AX BoostはFDE型で現場に入り、初期1〜2ヶ月で保険種目ごとの工数構造と規制上の制約を棚卸しし、3段のどこから始めるかを経営層と合意したうえで実装に進む。FDE型コンサルティング完全解説の方法論を、支払管理・募集管理・リスク管理の三部門との合意形成に合わせて運用する形だ。報酬は成果報酬型を基本に置き、引き算が進むほど顧客の効果が出て報酬も増える利害の一致を、PoCで止まらない力学として使う。

金融・保険領域のAI支援実績は領域レベルで開示しており、個別のクライアント名は非開示としている。自社が3段のどこにいるのか、どの業務から引き算を始めるべきか判断に迷う場合は、トップページからお問い合わせいただきたい。

よくある質問（FAQ）

中堅の損保が最初に手をつけるべき業務はどこか

代理店・営業店からの照会回答と、事故対応の経過連絡文の下書きが起点になりやすい。どちらも判断から一段離れ、人が確認してから出す運用を残せば誤りを回復でき、件数と時間で効果を測れる。約款・事務規程の版管理が崩れているなら、文書整備から始めるほうが結果的に早い。

生保の引受査定に生成AIは使えるのか

公開事例で引受査定に入っているのは明治安田生命のような機械学習のリスク予測モデルであり、生成AIが引受の可否を判断している例は確認できない。生成AIの出番は診断書・告知書の読み取りや査定結果の文面作成といった判断の前後にあり、判断そのものは医学査定と従来型AIの組み合わせに人の最終確認を残す設計が現実的である。

金融庁のAIディスカッションペーパーに従わないと処分されるのか

同ペーパーは規制文書ではなく、監督上の目線や具体的対応を求めるものではないと自ら明記している。ただし監督対話で問われる論点の整理として機能するため、説明可能性、人間の関与、顧客への説明、記録・モニタリング、経営陣の関与を設計書に対応づけておくと対話が通りやすい。

主要参照ソース

本稿で引用した数値・事例・規制動向は、以下の一次ソースに基づく。

結び — 判断は残し、判断の周囲を引き算する

保険業のAI活用は、査定や引受という判断そのものを置き換える競争ではない。判断の周囲に積もった読み書きを見極めて引き算し、社内文書、顧客接点、査定判断の順に、規制に耐える合格条件を一段ずつ満たしていく作業である。大手の数字は方向を示す参考にはなるが、中堅生損保・代理店・少額短期保険業者が自社の3段のどこにいるかを測り、最初の一段を確実に本番化することのほうが、次の投資判断を支える実績になる。