金融機関の生成AIは事務処理から顧客情報を使う業務へ広がっている
日本銀行が取引先の金融機関150先に聞いた2026年度のアンケートでは、生成AIを利用中の先が79.3%、試行中の先が11.3%で、試行中を含めると9割強に上りました。利用も試行もしていない先は、2024年度の41.9%から9.3%まで減っています。
用途の中心は、文書作成支援や議事録の文字起こしのような汎用的な事務処理です。そこから、融資稟議書の作成のように顧客情報を使う業務にも広がってきました。利用中か試行中と答えた136先の用途は次のとおりです(日本銀行金融機構局「金融機関における生成AIの利用状況とリスク管理」2026年8月)。
| 用途 |
業務プロセスに組み込んでいる |
業務支援ツールとして使っている |
試行中 |
| 文書作成支援 |
6先 |
106先 |
20先 |
| 議事録等の文字起こし |
6先 |
89先 |
27先 |
| 規程などの情報検索 |
5先 |
75先 |
36先 |
| 融資稟議書の作成 |
4先 |
34先 |
25先 |
| コールセンター支援 |
10先 |
21先 |
10先 |
| 与信審査・信用リスク管理 |
1先 |
17先 |
11先 |
| 顧客応対チャットボット |
7先 |
10先 |
12先 |
顧客応対のチャットボットや与信審査・信用リスク管理で使う先は、まだ限られています。日本銀行は、意見交換ではAIの出力を顧客に直接見せる使い方に慎重な姿勢がみられたとしています。
ただし、3年後に業務プロセスへ組み込むと想定する先は、融資稟議書の作成で44先、顧客応対チャットボットで37先、与信審査・信用リスク管理で29先でした。利用・試行中の先の55.1%は、顧客情報などの機密性が高い情報を生成AIで扱えると答えました。
社内の文書作業で始めた生成AIを、稟議書・審査・顧客対応のように顧客情報を使う業務へ広げるときに、公的資料を読み直して社内の決めごとを増やす必要が出てきます。
確かめる公的資料は金融庁・FISC・個人情報の指針の3つに分かれる
金融機関が確かめる公的資料は、金融庁のAIに関する公表資料、FISCの安全対策基準、個人情報の指針の3つに分かれ、それぞれ扱う論点が違います。資料の名称と時点、確かめることは次のとおりです。
| 区分 |
資料と時点 |
確かめること |
| 金融庁のAIに関する公表資料 |
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 |
ユースケースの区分、説明可能性・公平性・ハルシネーション・個人情報・規制対応の論点、顧客向けサービスのリスク低減の取組事例 |
| 金融庁のAIに関する公表資料 |
金融庁「モデル・リスク管理に関する原則」2021年11月 |
モデルのリスクを大きさに応じて管理する考え方(AIモデルにも踏まえるよう、ディスカッションペーパーが示している) |
| FISCの安全対策基準 |
FISC「金融機関等コンピュータシステムの安全対策基準・解説書(第14版)」2026年3月 |
システムの安全対策。第14版でAI・生成AIに関するガイドラインやレポートの内容が反映された |
| 個人情報の指針 |
個人情報保護委員会・金融庁「金融分野における個人情報保護に関するガイドライン」2026年7月 |
与信での利用目的の同意、機微(センシティブ)情報、安全管理措置、委託先の監督、外国にある第三者への提供 |
| 個人情報の指針 |
個人情報保護委員会「生成AIサービスの利用に関する注意喚起等」2023年6月2日 |
生成AIサービスに個人情報を入力するときの注意点 |
金融庁のディスカッションペーパーは、法令や監督指針ではなく、金融機関との対話に向けた初期的な論点の整理です。金融庁自身も、法令・ガイドライン等の見直しやモニタリングの詳細な取組方針を示すものではないと書いています。第1.1版は、2025年3月4日に公表した第1.0版に、「金融庁 AI官民フォーラム」で得られた知見を加えて改訂したものでした。
この資料の特徴は、ユースケースを社内利用(業務効率化等)、対顧客サービスへの間接的な利活用、対顧客サービスへの直接利用の3つに分けた点です。自社の用途をこの3つのどれに置くかを先に決めておくと、以降の論点をどこから読むかが定まります。AIモデルについては、他のモデルと同様に適切なリスク管理が重要とし、「モデル・リスク管理に関する原則」のリスクベース・アプローチを踏まえて、リスクの大きさに応じた管理をするのが適当と考えられる、という整理です。
FISCは第14版(2026年3月)で、官公庁に加え、各協会・団体が公表したAI・生成AIに関するガイドラインやレポートを分析し、その内容を安全対策基準に反映しました。社内のシステム管理の規程が第13版以前の基準を前提にしている場合は、第14版で改訂された項目と照らし合わせてから、生成AIを管理の対象に加えてください。
金融分野のガイドラインは、与信事業で個人情報を取得するときは利用目的について本人の同意を得て、契約書などの利用目的を他の契約条項と分けて書くこととしています。要配慮個人情報と、労働組合への加盟・門地・本籍地・保健医療・性生活に関する情報は「機微(センシティブ)情報」とされ、法令等に基づく場合などを除いて取得・利用・第三者提供を行わないことになっています。安全管理措置(第8条)に「外的環境の把握」を含めることや、委託先の監督(第10条)も、生成AIの利用で関わる規定です。
2026年7月の改正(2027年4月1日から適用)は、詐欺などの犯罪に使われたおそれのある預貯金口座の情報を他の預貯金取扱事業者へ提供する場合を例に加えたもので、ここで挙げた規定は変わっていません。
生成AIサービスに個人情報を入れるときの個人情報保護法の論点は生成AIに個人情報を入れてよいかに、個人情報保護委員会の注意喚起の中身は個人情報保護委員会の生成 AI 注意喚起にまとめています。業種を問わない国の指針であるAI事業者ガイドラインとあわせて読むと、業種に共通する論点と金融に固有の論点を分けて整理できます。
論点は顧客対応・融資と審査・内部事務で変わる
同じ生成AIでも、内部事務では入力する情報と出力の誤りが、融資と審査では判断の説明と公平性が、顧客対応と勧誘では誤った回答と規制上の位置づけが、主な論点になります。業務ごとの論点と主に見る資料を並べると次のとおりです(金融庁「AIディスカッションペーパー(第1.1版)」2026年3月をもとにOffers AX編集部が整理)。
| 業務 |
使い方の例 |
主な論点 |
主に見る資料 |
| 内部事務 |
文書作成、議事録の文字起こし、規程の検索 |
機密情報・顧客情報の入力制限、入力したデータの再学習、出力の誤り |
個人情報保護委員会の注意喚起、金融分野のガイドライン(安全管理措置) |
| システム開発・運用 |
コードの生成、運用手順の作成 |
外部サービスとの接続点の管理、プロンプトインジェクションへの対策、委託先の管理 |
FISCの安全対策基準、ディスカッションペーパー(情報セキュリティ・サイバーセキュリティ) |
| 融資と審査 |
融資稟議書の下書き、与信審査・信用リスク管理 |
判断の合理性を説明できるか、学習・参照データの偏り、モデルの検証、与信での利用目的の同意、機微情報 |
ディスカッションペーパー(説明可能性・公平性)、モデル・リスク管理に関する原則、金融分野のガイドライン |
| 顧客対応 |
チャットボット、コールセンターの回答支援 |
誤った回答、生成AIによる回答であることの説明、人の対応への切り替え、会話ログの保存 |
ディスカッションペーパー(顧客向けサービスのリスク低減の取組事例) |
| 商品の勧誘・営業支援 |
顧客の属性や取引データをもとにした提案、投資商品の推奨 |
金融商品取引法上の「勧誘」への該当性、特定の商品に偏った勧誘の有無、推奨ロジックの文書化 |
ディスカッションペーパー(規制対応・顧客向けサービスの取組事例) |
内部事務で決めることは、機密情報や顧客情報をどこまで入力してよいかと、誤った出力をそのまま使わないための確認の手順の2つです。ディスカッションペーパーには、社員が生成AIの出力をもとに顧客や代理店に回答するときは、必ず社員が内容の是非を判断してから使うとしている金融機関の例が載っています。ハルシネーションはゼロにならない前提で、確認する人と確認の方法を業務の手順書に書き込んでおけば、担当者が替わっても運用が崩れません。
情報の入力制限は、規則だけでは守りきれないという声もあります。機密情報や個人情報の入力をシステムで自動的に制限する仕組み(マスキング等)を検討する先がある一方、完全には止められず、最終的には従業員教育や運用ルールの徹底に頼らざるを得ないという意見も寄せられました。漏洩の経路ごとの止め方は生成AIの情報漏洩を防ぐ順番で整理しています。
システム開発・運用では、外部の生成AIサービスとつなぐ接点が増えるほど、機密情報の流出や改ざんを防ぐ仕組みが要ります。ディスカッションペーパーも、他社との接続点がセキュリティホールになりうる点や、プロンプトインジェクションのような攻撃がAIシステムの誤動作や機密情報の漏洩を引き起こしうる点を挙げました。
委託先とクラウドは、学習への利用・所在地・責任の分担を確かめる
生成AIは多くの場合、外部事業者が提供する基盤モデルを使うため、委託先とクラウドの管理は避けられません。契約の前に、入力したデータが学習に使われないか、データをどこで扱うか、誰がどこまで責任を持つかの3点を確かめます。
ディスカッションペーパーによれば、従来のAI・生成AIのいずれでも「適切なサードパーティ(外部事業者)の選択」を課題に挙げた先が4割強に達しました。
1点目の学習への利用では、顧客情報をプロンプトに入れて生成AIサービスで処理する場合、サービスの提供者を個人データの取扱いの委託先として管理し、提供した個人データが金融機関の指示なく追加学習に使われないことなどを確かめる必要があると整理されています。入力したデータを提供者が保存しない契約や設定はゼロデータリテンション(ZDR)と呼ばれ、確かめる項目の1つです。
2点目の所在地では、外国にある第三者への提供の規制(個人情報保護法第28条第1項)を、サーバーの所在地ではなくAI事業者の所在地を軸に検討するとされています。ただし、安全管理措置としての外的環境の把握などでは、サーバーの所在地も考慮しなければなりません。
3点目の責任の分担では、基本設計者からプログラマー、システムの維持管理者まで関係者が複数いるため、プロダクトごとに内製と外部委託の範囲を決め、責任共有範囲を正しく管理する必要があるという声が金融機関から寄せられました。
日本銀行の調査では、サードパーティリスクへの対策(リスク評価や定期的な監査など)を実施している先は136先のうち38先、第三者のレビュー済みのサービスかISMAPなどの評価制度に対応したサービスに利用を限っている先は35先でした(日本銀行金融機構局「金融機関における生成AIの利用状況とリスク管理」2026年8月)。
専用の環境を用意した公表例もあります。三井住友フィナンシャルグループ・日本総合研究所・NECの3社は2023年4月11日、Microsoft Azure上のSMBCグループ専用環境で構築するAIアシスタント「SMBC-GPT」の実証実験を始めると発表しました。情報が社外に流出しないプロトタイプとして作り、社内の従業員だけが使える形にしています。置き場所の選び方は生成AIをオンプレミス・閉域・クラウドのどこで動かすかで5つの基準に分けて説明しました。
外部の支援会社に開発を頼む場合も、同じ3点を契約前に確かめてください。Offers AXは、原則としてお客様の既存の環境(GCP・Azure・AWSのいずれにも対応)に構築し、当社の環境に顧客データを保持しない進め方を取っています。契約が終わっても成果物はお客様の環境に残る設計です。AIの出力は下書きや参考情報として扱い、事実の認定などの判断は人が行う前提で設計します。
進め方は、課題調査とユースケースの選定、効果測定の設計、プロトタイプでの実業務の検証、効果を確かめたうえでの本実装、引き継ぎと運用体制の整備の順です。現場に近い距離で戦略と実装を一体で進めるFDE(Forward Deployed Engineer)の進め方で、要件定義書ではなく動くものをもとに合意を作ります。効果が出ない場合に中止を選べることも、契約の前提に含めています。支援の範囲と構築の方針はOffers AXのサービスページに載せました。自社の用途がどの区分に該当し、どこから始めるかを相談したい場合は、無料相談を申し込むからご連絡ください。
与信と勧誘では、人が判断する工程と記録を先に決める
AIの出力が顧客に影響する与信と勧誘では、どこで人が判断するかと、後から説明するために何を記録するかを、導入の前に決めておくことが欠かせません。
ディスカッションペーパーは、与信判断のように重要な判断にAIを使う場合、どのデータで学習したか、RAGなどでどのデータを参照したか、どのような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。生成AIで完全な説明可能性を確保するのは極めて難しいとも書かれています。説明しきれない部分を補うのが、記録です。
そのため、学習・参照したデータ、与えたプロンプト、出力、人の判断の4つを、1件の審査ごとに辿れる形で残してください。
公平性については、生成AIはモデル自体に起因する不公平が相対的に生じにくい一方、プロンプトや参照データに起因する不公平は生じうるとされています。過去の判断を学習データにしたAIモデルで偏りが見つかった場合は、過去の判断にも同じ問題があった可能性があり、業務プロセスの見直しにつなげる視点が重要だという指摘もあります。偏りの種類と確かめ方は、AI バイアスの用語ページで扱いました。
勧誘では、規制上の位置づけを先に確かめてください。金融商品取引法上の行為規制が適用される「勧誘」は、一般に金融取引への誘引を目的として特定の利用者を対象として行われる行為と解されており、AIを使う場合も同様の考え方が妥当とされています。該当するかどうかは個別具体的な事案に即して実質的に判断する必要があり、まず金融機関自身がAI・データ利活用の目的や態様、顧客への働きかけの内容を具体的に特定する必要がある、という整理です。
顧客向けのサービスについては、AI官民フォーラムで共有された取組を、提供前の「設計と事前検証」、提供時の「顧客への適切な説明・注意喚起」、提供後の「検証・モニタリング」、全体を支える「ガバナンス」の4つの局面に分けた整理が示されました。金融庁は、金融機関からの相談・照会に対応する際にこの整理を参照するとしています。局面ごとの具体例は次のとおりです。
- 設計と事前検証: RAGによる回答範囲の制限、回答内容のフィルタリング、AIによる対応と人による対応を利用者が選べるサービス設計
- 顧客への説明・注意喚起: 生成AIによる回答であることや誤りが含まれうることの注意喚起、顧客の理解を確かめるステップ、回答の根拠・情報ソースの明示、いつでも人の対応へ移れる設計
- 検証・モニタリング: 会話ログを保存したモニタリングと顧客へのフォローアップ、偏った勧誘をしていないかを客観的な数字で確かめること、推奨ロジックの文書化と第三者レビュー
- ガバナンス: 経営陣を含む全社的な体制と現場職員のリテラシー向上、用途に応じたリスクベースの対応、ゴールを明確にしたうえでライフサイクルを通じてリスク管理するアジャイルなガバナンス
実際の取り組みには差があります。日本銀行の調査で、利用・試行中の136先に人の関与や顧客向けサービスにかかわる対策の実施状況を聞いた結果は次のとおりでした(日本銀行金融機構局「金融機関における生成AIの利用状況とリスク管理」2026年8月)。
| 対策 |
実施している |
実施しているが改善の余地がある |
検討中 |
該当なし |
| 重要事項の判断プロセスに人が関与する |
80先 |
19先 |
15先 |
22先 |
| 回答に出典や根拠、一次情報を示す |
52先 |
43先 |
21先 |
20先 |
| 対外サービスでは生成AIによる回答だと明記する |
15先 |
10先 |
14先 |
97先 |
| 対外サービス等のリスクの高い用途で重点的にリスク管理する |
28先 |
23先 |
35先 |
50先 |
| 対外サービスを想定したレッドチーミングを行う |
6先 |
0先 |
28先 |
102先 |
重要事項の判断に人が関与する対策は80先が実施している一方、生成AIによる回答だと明記する対策やレッドチーミングは「該当なし」が多数でした。日本銀行は、出力を顧客に直接見せる利用に慎重な金融機関がほとんどであることを、これらを実施する先が僅少な理由に挙げています。
顧客に出力を見せる用途へ進む前に、少なくとも次の4つを書面にしておくと、所管や監査への説明に使えます。
- 人が最終判断する工程と、その担当
- 記録する項目(参照したデータ、プロンプト、出力、人の判断)と保存する期間
- 顧客が人の対応へ移る方法と、移ったあとの引き継ぎ
- 偏りや誤った回答を確かめる頻度と、確かめるときの指標
公開前に攻撃する側の立場で弱点を探す手法はAI レッドチーミング、自動で答える範囲と人に引き継ぐ条件の決め方はカスタマーサポートに生成AIを入れる前に決めることで詳しく扱っています。
規制の解釈は断定せず、所管に確かめる点を分けておく
公表資料で考え方が示された点と、個別具体的な事案に即して判断するとされた点を分け、後者は法務と所管に確かめてから進めます。
規制の適用関係の明確化を求める声は、個人情報保護、ITガバナンス、モデル・リスク管理、サイバーセキュリティの順に多く寄せられました(金融庁「AIディスカッションペーパー(第1.1版)」2026年3月)。金融庁は、いずれの論点もAI利用の有無に関わらず適用される既存の法令や監督指針、原則、ガイドライン等に沿った対応を金融機関に促すとしています。
考え方が示された例には、証券会社がシステム関連の子会社にAIシステムの開発を委託する際、顧客との会話データから非公開情報を事前に除外しておく必要は必ずしもないと考えられる、という整理があります。一方で、会話データを分析する担当者にアクセス権限を与えることが法人関係情報の管理態勢として適切か、AIの働きかけが「勧誘」に該当するかは、個別具体的な事案に即して実質的に判断する必要があるとされました。
ディスカッションペーパーの記述をもとに社内での分け方を整理すると、次のとおりです。
| 区分 |
例 |
社内での扱い |
| 公表資料で考え方が示された点 |
子会社への開発委託での非公開情報の扱い、生成AIサービスの提供者を委託先として管理すること |
根拠の資料名と該当箇所を、社内規程や稟議書に書き込む |
| 個別具体的に判断するとされた点 |
AIの働きかけの「勧誘」への該当性、会話データを扱う担当者の権限と法人関係情報の管理態勢 |
目的・態様・顧客への働きかけの内容を書面にし、法務と所管に確かめる |
| 公表資料に記載が無い点 |
自社固有の商品・サービスでの使い方 |
公表資料に記載が無いことを記録し、確かめた相手と日付を残す |
所管に確かめる窓口として、ディスカッションペーパーは金融庁の「FinTechサポートデスク」を挙げています。2015年の開設から2025年12月までに金融機関やフィンテック事業者などから受け付けた相談は合計2,603件にのぼり、その中にはチャットボットや保険業務の効率化などAIの利活用に関わるものもありました。迅速な回答を重視するため書面での回答は行っておらず、書面が要る場合は産業競争力強化法に基づくグレーゾーン解消制度の利用などが選択肢になるとされています。
社内では用途の区分・判断の担い手・モデルの一覧を決める
公的資料を読んだあとに社内で決めるのは、用途をどの区分に置くか、誰がリスクを審査して判断するか、使っているAIモデルをどう一覧にするか、の3つです。
日本銀行の調査では、経営直下の推進組織が強い権限を持って全社の取り組みを統括している先が20.6%、DX・IT部門などの特定の開発部門が全社の判断と実行を担う先が65.4%でした(日本銀行金融機構局「金融機関における生成AIの利用状況とリスク管理」2026年8月)。今後改善を要する課題には、事業部門の理解・スキルと生成AIに入力するデータの整備(いずれも67先)、DX・IT部門での利用推進人材の育成(66先)が多く挙がっています。生成AI特有のリスク審査ができる人材の確保を「実施している」と答えた先は、15先にとどまりました。
1つ目の用途の区分には、ディスカッションペーパーの3つ(社内利用・対顧客サービスへの間接的な利活用・対顧客サービスへの直接利用)を使い、区分ごとに承認と確認の手順を変えます。例えば、社内利用は利用ルールと入力制限まで、間接的な利活用はそこに人の確認と記録を加え、直接利用はさらに顧客への説明とモニタリングまで決める、という分け方です。
2つ目の判断の担い手は、推進する部門とは別に、リスクを審査する部門と最終的に承認する役職を決めることです。ディスカッションペーパーは、AIの利活用に関する経営陣の問題意識が相対的に高い先ほど導入が進んでいる傾向がうかがわれたとして、経営陣の主体的な関与を求めています。
3つ目のモデルの一覧は、モデル・リスク管理に関する原則にあるモデル・インベントリー管理のように、社内で使う重要なAIモデルを一覧で管理することです。生成AIの基盤モデルは外部事業者が提供し、頻繁に更新されます。一覧にはモデル名と提供元に加えて、更新を確かめた日と、更新後に出力を確かめた結果も残しておくと、事故が起きたときに原因を辿れます。
ディスカッションペーパーには、既存の業務フローを残したままAIサービスを付け足すだけでは効果が限られやすく、業務プロセス全体を見直すことが重要との声が多く聞かれた、とも書かれています。運用が決めたとおりに回っているかを内部監査で確かめる観点はAI 監査、社内ガイドラインに入れる項目と利用申請の流れは生成AIの社内ガイドラインとガバナンスの作り方、業務ごとにリスクを洗い出して見直すまでの工程はAI のリスク管理の進め方で扱っています。
最初の一歩は、使っている生成AIと使う予定の用途を一覧にし、3つの区分と業務ごとの論点の表のどこに該当するかを書き込むことです。顧客に出力が届く用途が1つでもあれば、その用途から人の判断と記録の決めごとを作り始めてください。