株式会社renue
アウトソーシング効率化エージェント
アウトソーシング効率化エージェントで、この記事のテーマを実務に落とし込めます
renueが社内で運用しているシステムをサービス化したものです。何ができるか、どう動くかをサービスページでご覧ください。
銀行の稟議書作成をAIで効率化する方法｜財務データ×案件情報からLLMが融資稟議ドラフトを自動生成
銀行の法人営業担当にとって、融資稟議書の作成は最も時間を要する定型業務の一つです。顧客の財務データ、案件情報、業界動向、担保評価等の多様な情報を統合し、審査部門が判断できる形に構造化した文書を作成する——この一連のプロセスをLLM（大規模言語モデル）で効率化する動きが急速に広がっています。みずほFGでは「Wiz Create」シリーズで与信稟議作成を支援し、NTTデータは京都銀行に融資稟議書作成AIサービスの導入を決定しています（出典：NTTデータ "京都銀行に融資稟議書作成AIサービス導入"）。
業務の詳細フロー（現状の手作業）
ステップ1：顧客の財務データ収集
融資先企業の決算書（BS/PL/CF）を入手し、主要財務指標（売上高、営業利益率、自己資本比率、流動比率、有利子負債比率等）を算出・整理します。決算書はPDFで受領することが多く、手動でのデータ入力が発生します。
ステップ2：案件情報の整理
融資の目的（運転資金、設備投資、M&A等）、融資金額、期間、金利条件、担保・保証の条件、返済原資の見通し等の案件情報を整理します。顧客との面談記録やCRM情報を参照します。
ステップ3：信用分析・リスク評価
財務データに基づく定量分析と、業界動向・経営者の資質・事業の将来性等の定性分析を行い、信用リスクを評価します。内部格付けモデルの算出結果も参照します。
ステップ4：稟議書の執筆
上記の分析結果を統合し、審査部門が融資の可否を判断できる稟議書を執筆します。案件概要、融資条件、財務分析、業界分析、リスク要因、取り上げ理由（融資の妥当性の論拠）等のセクションで構成されます。この執筆作業に最も時間がかかります。
ステップ5：上席・審査部門へのエスカレーション
作成した稟議書を上席に回覧し、修正を経て審査部門に提出します。審査部門からの指摘事項への対応・修正も発生します。
課題・ペインポイント
- 作成時間の長さ：1件の稟議書作成に数時間〜1日を要し、営業担当の顧客対応時間を圧迫
- 財務データの手動入力：PDFの決算書から財務データを手動で転記する作業が非効率で、転記ミスのリスクも存在
- 品質のばらつき：営業担当の経験・スキルにより稟議書の分析の深さ、論理構成、表現力にばらつきが生じる
- 修正の繰り返し：上席・審査部門からの指摘による修正が複数回発生し、リードタイムが長期化
- 過去事例の活用不足：同業種・同規模の過去の稟議事例が組織内に蓄積されているが、検索・参照が困難
AI化のアプローチ（LLMによる実装イメージ）
入力データの設計
- 財務データ：決算書の数値（OCR/AI-OCRで抽出して原本と照合）と、検証済みの計算処理で算出した主要財務指標
- 案件情報：融資目的、金額、期間、条件、担保・保証の内容
- 業界情報：対象企業の属する業界のレポート・動向（社内リサーチ部門のレポートまたは外部データ）
- 顧客情報：CRMに蓄積された過去の面談記録、取引履歴、既存の与信残高
- 稟議書テンプレート：自行の稟議書フォーマット、審査基準、必須記載事項
LLMへの指示（プロンプト設計の考え方）
- 役割設定：「あなたは銀行の法人営業部門の稟議書作成支援AIです。以下の財務データと案件情報に基づき、審査部門向けの融資稟議書のドラフトを作成してください」
- 構成の指定：「①案件概要（融資目的・金額・条件の要約）、②企業概要（業種・規模・沿革）、③財務分析（収益性・安全性・成長性の定量分析）、④業界分析（業界動向と当該企業のポジション）、⑤融資の妥当性（返済原資の確認・融資効果）、⑥リスク要因と軽減策、⑦結論（取り上げ理由）の構成で作成してください」
- 分析基準の明示：「財務分析では、計算処理で算出済みの以下の指標を記載し、根拠資料に沿ってコメントしてください。売上高経常利益率、自己資本比率、流動比率、有利子負債/EBITDA倍率、インタレスト・カバレッジ・レシオ」
- 過去事例の参照：「以下の同業種の過去稟議書（承認済み）の論理構成と表現を参考にしてください」
人間が判断すべきポイント
- 与信判断の最終決定：融資の可否・条件の最終判断は審査権限者が行う。AIのドラフトは判断材料であり、最終決定ではない
- 定性的なリスク評価：「この経営者は信頼できるか」「この事業計画は実現可能か」の定性判断は人間の営業担当・審査担当者が行う
- 顧客との関係を踏まえた条件設計：「この顧客とは長期的な取引関係があり、条件面で一定の配慮が必要」等の経営判断
- 担保評価の最終確認：不動産担保の評価額、保証の有効性の確認は専門的判断が必要
他業種の類似事例
- 証券会社のリサーチレポート：IR資料を入力し、LLMが決算分析レポートのドラフトを自動生成（実装例：AWSの生成AIによる財務諸表分析。財務資料を読み込み、分析結果を文章化する構成）
- コンサルティングファームの提案書：クライアント情報＋過去事例からLLMがピッチ資料のドラフトを生成
- 保険会社の引受査定：申込書＋診断書＋告知書のデータをAIが分析し、引受判断の参考レポートを自動生成
導入ステップと注意点
ステップ1：決算書OCRの導入（2〜4週間）
PDFの決算書から財務データを自動抽出するOCR/AI-OCRパイプラインを構築します。金額・単位・会計期間を原本と照合した構造化データとして出力し、別の計算処理で主要な財務指標を算出できるようにします（出典：AWS 財務諸表分析の実装例）。
ステップ2：稟議書テンプレートとプロンプトの設計（2〜3週間）
自行の稟議書フォーマットをLLMのプロンプトに落とし込みます。審査部門の「良い稟議書の要件」をヒアリングし、プロンプトに反映します。
ステップ3：過去稟議書の学習データ化（2〜4週間）
承認済みの過去稟議書をベクトルデータベースに格納し、RAGで類似案件を参照できるようにします。業種別・融資種別でタグ付けします。
ステップ4：パイロット運用・精度検証（4〜8週間）
一部の支店・チームでパイロット運用を実施し、AIドラフトの品質を審査担当者が評価します。NTTデータの京都銀行向けサービスでは、AIドラフトの品質が大幅に向上し、審査役の合格基準を達成する水準に到達しています。
注意点
- 機密情報の管理：顧客の財務データは高度な機密情報であり、LLMへの送信時のセキュリティ（暗号化、オンプレミス運用等）を確保すること
- 数値の正確性：LLMが財務指標を誤って算出・記載するリスクがある。OCR抽出値を原本と照合し、指標は検証済みの計算処理で算出してLLMに渡す。元の数値・計算式・算出結果と稟議書内の記載を照合すること
- 審査の独立性：AIが生成した稟議書が審査部門の判断に不適切な影響を与えないよう、「AIドラフトであること」の明示と審査の独立性を確保すること
renue視点：専用ツールではなく汎用LLMで実現する理由
稟議書作成の本質は「財務データと案件情報を統合し、論理的な文章で審査部門を説得する文書を作ること」です。みずほFGの「みずほLLM」やNTTデータの専用AIサービスは大規模金融機関向けですが、中小の金融機関でも汎用LLMとOCR、RAGの組み合わせで同等のアプローチが実現可能です。営業のベテランがどのように稟議書を構成しているか——その「暗黙知の言語化」がAI化の第一歩であり、一度言語化すればそれはLLMの仕事にできます。
まとめ
銀行の融資稟議書作成は、財務データの収集・分析・文書化という一連のプロセスでLLMによる大幅な効率化が可能です。みずほFGの「Wiz Create」、NTTデータの京都銀行向けAIサービスなど、業界での導入が急速に進んでいます。ただし、与信判断の最終決定、定性的なリスク評価、顧客との関係を踏まえた条件設計は完全に営業担当・審査担当者の専門性と経験の領域です。
設計観点の整理: 銀行融資稟議書AIの3大落とし穴
2025-2026年時点の公開文献（みずほフィナンシャルグループ「みずほLLM」開発プロジェクト公式資料、みずほ金融特化LLM銀行実務テスト89.0%正答率Ledge.ai報道、金融庁「AIディスカッションペーパー第1.0版」2025-03、金融庁AI官民フォーラム2025-06-18、Lendfoundry「AI-Powered Loan Origination 2025」、V7 Labs「AI Commercial Loan Underwriting 2025」、TimVero「AI Lending 2026」、工商銀行「工銀智涌」千億金融大模型公式発表、工商銀行「智貸通」「工小審」公式、邮儲銀行連合建模、中国銀行/建設銀行/招商銀行 DeepSeek事例ほか）を踏まえ、銀行の融資稟議書作成業務における生成AI／機械学習導入で繰り返し観察される「設計上の落とし穴」を3つの論点として整理する。特定ベンダーや社内プロジェクト事例には触れず、公開ガイドライン・業界報告に限って設計観点を提示する。
① 稟議書AI×みずほLLM×3層アーキテクチャ×融資提案作成支援×銀行法責任分界
日本市場の代表事例として、みずほフィナンシャルグループは「みずほLLM」開発プロジェクトを業界公開発表。3層の構想（Foundation「金融特化LLM」+Task-specific LLM（融資・マーケット等専門）+Collaborative Expert LLMマルチ連携）を示し、2025年12月の発表では第1段階の金融特化LLMを構築した。オープンウェイトモデルをベースに社内マニュアル・研修資料・規程・手順書を学習、銀行実務テストで合格水準を達成したと公表しています（業界公開レポート参照：みずほFG 金融特化LLMプロジェクト、みずほFG 金融特化LLM公式PDF、Ledge.ai みずほ金融LLM 89%、みずほFG 生成AI業務効率化、日鉄ソリューションズ みずほWeights & Biases 2025-10、みずほFG AI活用未来金融、みずほDX 生成AIメンバーインタビュー、みずほ銀行 AI開発新潮流、みずほ銀行 住宅ローンAI事前診断、メンバーズ 金融業界生成AI 2025-08）。
国内では、NTTデータの2026年2月25日発表によると、京都銀行の若手担当者による試験運用で融資稟議書の作成時間が約半分になった。これは同サービスの試験運用で得られた効果であり、金融機関全体に共通する削減率ではない。金融庁AIDP第1.0版（2025年3月、17頁）のアンケートでは、回答した金融機関等の7割以上が文書要約・翻訳・文書等の校正／添削／評価の各用途を導入済みとされる。
設計観点として整理すると、融資稟議書AIでは、法令・監督指針との整合性を確認する際に、信用供与限度額や銀行の健全性に関する早期是正措置など、各制度の対象と適用関係を個別に整理する必要がある。設計原則として（a）AI生成稟議書は「審査担当者のドラフト補助」位置付け、最終承認は与信権限者（支店長・審査部長・役員会）による人間判断、（b）信用格付・自己資本比率算定・貸倒引当金計算への影響評価はDeterministicロジック＋LLMサマリのハイブリッド、（c）金融庁「主要行等向けの総合的な監督指針」・中小・地域金融機関向け監督指針＋バーゼル規制リスクアセット算定整合、（d）利益相反管理（特定関係者との取引・大口信用供与規制・銀行グループ内取引規制）AI自動検知、（e）稟議書AI生成履歴・審査判断・与信決裁ログの完全Audit Trail＋金融庁検査対応――が業界公開ベンチマークで推奨される。
② AI Commercial Loan Underwriting×Agentic AI×Credit Memo Copilot×Compound AI×承認サイクル短縮
グローバル動向として、AI搭載Loan Originationプラットフォームでは、申込書・財務諸表の情報抽出や不足資料の確認を支援する機能が紹介されている。V7 Labsの商業融資AI解説は、文書抽出、財務指標の計算、リスク要因の整理、人間による判断を分けた処理を示している。Credit Memo Copilotのような文書作成支援も、担当者が根拠を確認する与信ワークフローに組み込む。Agentic AI Frameworkでは自律エージェントが多段階与信ワークフロー（データ取得→リスクモデル実行→異常値検知→例外ルーティング）を人間ハンドオフ最小化で実行可能となっている（業界公開レポート参照：Lendfoundry AI Loan Origination 2025、ScienceSoft AI Lending 2026、V7 Labs AI Commercial Loan 2025、TimVero AI Lending 2026、Canopy AI Lending、Beam AI Loan Processing Agent、Biz2X Automated Loan Approval、Lyzr AI Credit Risk 2025、deepset AI Loan Underwriter、HES FinTech AI Lending Regulations 2025）。効果を評価する際は、申込受付から承認までの期間と、担当者が資料整理・分析・差し戻しに使った実作業時間を分けて測定する。対象案件の複雑さや必要書類、審査権限が異なるため、他社記事の削減率を自社の承認日数や人件費削減率へそのまま適用しない。
設計観点として、商業融資AIの落とし穴は「Fair Lending規制×アルゴリズム差別防止×ECOA/Regulation B」である。設計原則として（a）米国ECOA/Regulation Bの禁止属性による差別防止、Fair Housing Actは住宅関連取引、FCRAは消費者信用情報利用等の対象を区別する。人種・性別・出身国・宗教・婚姻状態等の取扱い、年齢の限定的な利用例外、住宅分野の障害等の保護を法令ごとに確認し、判断用データと適法な監視・検証用データを分け、意図的な代理変数による差別も防ぐ、（b）Adverse Action Notice（対象取引では具体的な否決理由又は理由を取得する権利の通知が必要。事業向け融資の通知方法には区分がある）、（c）Explainability確保（SHAP/LIME等でFeature Importance提示）、（d）モデルバイアスの定期検証（各法令で禁止される差別と代理変数の影響を確認）、（e）CFPB（米消費者金融保護局）・OCC（通貨監督庁）・Fed・FDIC連邦規制当局検査対応、（f）EU AI Act Annex III 5(b)の自然人の信用力評価・信用スコアリング（金融詐欺検知は除外）の対象確認。法人向け融資一般を一律に高リスクとせず、対象の高リスク義務は2027年12月2日から適用。GDPR22条は自然人に法的又は同程度の重大な効果を与える、専ら自動処理による判断の対象・例外を確認――が業界公開ベンチマークで推奨される。
③ 中国信貸AI×工商銀行智貸通/工小審×邮儲グループの共同モデル構築×Multi-regional Lending Governance
中国では2025年時点で、工商銀行は2025年半期報告で、企業向けの千億パラメータ規模の大モデル「工銀智涌」を構築して利用していると公表した。業務全体での利用と、個別の融資審査を支援するアプリケーションの役割は分けて捉える必要がある。信用業務では、同報告68頁は、信貸全工程を対象とする新世代エージェント群「智貸通」の本番投入と、審査用AI助手「工小審」の機能拡充を分けて記載している。知識・データ・タスク・文書・リスク管理という5種類の支援機能を導入時に整理する場合も、各製品の実装範囲と人間の審査責任を個別に確認する。邮儲銀行の2024年年次報告75頁では、完全子会社の郵惠萬家銀行について、AI・グラフDB・プライバシー保護計算等の導入、開源大モデルの試行、信貸領域での共同モデル構築を記載している。共同モデル構築という記載だけで連合学習の特定方式を採用済みとは判断しない（業界公開レポート参照：Finance UN 2025年銀行業AI十大典型応用、広西財経網 国有六大行2024年金融科技投入 2025-04、BetterYeah 2025銀行業AI智能化転型6大突破口、知乎 5家銀行大模型+智慧信貸、華為 工商銀行金融行業通用モデル、上海市金融委 銀行業精準服務 2026-04、金科創新社 工商銀行商業銀行人工智能応用実践、Finance UN AI重塑銀行業競争格局、工商銀行公式 AI大模型応用、新浪財経 銀行業AI深度応用 2025-04）。
中国銀行の2025年3月の業績説明はDeepSeek R1の内部配備とマーケティング助手・授信報告作成等への適用推進を、建設銀行の同月発表はDeepSeek-R1を基にした金融モデルの本番環境への私有配備を説明している。招商銀行の同月説明会（28～29頁）はV3/R1の私有クラウド配備と、金融用途への慎重な適用方針を示しており、3行が同じ信貸機能を一律に配備したという意味ではない。
設計観点として、Multi-regional展開銀行稟議書AIの構造課題は「銀行法×中央銀行規制×Basel III/IVの地域差分」と「クロスボーダー与信情報管理」である。日本（銀行法+金商法+金融庁監督指針+バーゼル規制）／米国（Bank Holding Company Act+National Bank Act+OCC+Fed+FDIC+CFPB+ECOA+FCRA+CRA+Dodd-Frank+SR 11-7 Model Risk Management）／EU（CRR/CRD IV+ECB SSM+EBA+ICAAP+EU AI Act（自然人信用評価等のAnnex III対象義務は2027-12-02適用）+GDPR Art.22）／英国（FCA/PRA+Ring-fencing）／中国（商業銀行法+人民銀行法+銀行業監督管理法+国家金融監督管理総局指導意見+PIPL+征信業管理条例（中国内の企業・個人の信用情報収集・提供等を対象、2013年3月15日施行）+中国網信弁生成AIサービス暫行管理弁法（2023-08-15施行、中国の公衆向け提供が対象。内部利用だけは対象外）+対象サービスの網信部門への備案・登録）が並存する。公開文献に基づく設計観点として、多拠点展開銀行は「Regional Lending Engine（法域別銀行法+監督指針+バーゼル規制+現地言語財務解析）＋Global Credit Intelligence Layer（匿名化Credit Scoring Model+Corporate Data+Industry Benchmark）＋Cross-jurisdictional Lending Governance Orchestration（多国籍大口与信+関連会社取引+連結資本規制+Fair Lending同時遵守）」の3層設計を、本記事では検討案として提示する。各層に含める情報と処理は、法域・対象顧客・自行の与信業務に合わせて検証する。
