株式会社renue
AI導入・DXの悩みをプロに相談してみませんか？
AIやDXに関する悩みがありましたら、お気軽にrenueの無料相談をご利用ください。 renueのAI支援実績、コンサルティングの方針や進め方をご紹介します。
生命保険の引受査定をAIで効率化する方法｜診断書・告知書のマルチモーダルAI読解からリスク判定の自動化まで
生命保険会社の引受査定は、申込者の健康状態を評価し、保険引受の可否・条件を判断する最重要業務です。診断書、健康診断書、告知書等の医療文書をOCRで���み取り、過去の���受データと照合してリスクを判定する——この一連のプロセスをマルチモーダルAIとLLMで効率化する動きが急速に広がっています。明治安田生命は2025年1月にAIリスク予測モデルを導入し、楽天生命はAI引受システムを本格稼働させています。
業務の詳細フロー（現状の手作業）
ステップ1：申込書・告知書の受領
保険の申込書と告知書を受領します。告知書には、申込者の過去の傷病歴、現在の健康状態、服薬状況、健康診断の結果等が記載されています。告知書は紙またはWeb告知で提出されます。
ステップ2：医的書類の確認
告知内容に基づき、追加の医的書類（診断書、健康診断書、人間ドック結果、主治医の意見書等）の提出を求める場合があります。これらの書類はPDFまたは紙で��出され、内容の読み取り・データ化が必要です。
ステップ3：医学的リスクの評価
査定担当者（アンダーライター）が、告知内容と医的書類を読み込み、申込者の医学的リスクを評価します。既往症の重篤度、現在の治療状況、将来の悪化リスク等を判断し、引受査定マニュアル・引受基準表と照合します。
ステップ4：引受判断の決定
医学的リスクの評価結果に基づき、引受の可否と条件を決定します。「標準体」（通常条件で引受）、「条件体」（保険料割増・特定部位不担保等の条件付き引受）、「謝絶」（引受不可）のいずれかを判定します。
ステップ5：結果通知・対応
判定結果を申込者（営業担当者経由）に通知します。条件体の場合は条件の内容を説明し、申込者の承諾を得ます。謝絶の場合はその旨を丁寧に伝えます。
課題・ペインポイント
- 医的書類の読み取り負荷：手書きの診断書やフォーマットが異なる健康診断書の読み取り・データ化に時間がかかる
- 査定のリードタイム：書類の不備→再提出→再査定のサイクルが長期化し、顧客の契約意欲が低下するリスク
- 査定品質のばらつき：アンダー��イターの経験により判断にばらつきが生じ、同じケースでも異なる結果になることがある
- 専門人材の不足：医学知識と保険知識の両方を持つ査定担当者の育成に時間��かかり、人材が不足
- 新しい医療情報への対応：新しい疾病、治療法、薬剤に関する査定基準のアップデートが追いつかない
AI化のアプローチ（マルチモーダルAI×LLMによる実装イメージ）
入力データの設計
- 告知書データ：Web告知の場合は構造化データ、紙告知の場合はOCRで自動抽出
- 医的書類：診断書、健康診断書、人間ドック結果のPDF/画像（マルチ��ーダルAIで読み取り）
- 引受基準：自社の引受査定マニュアル、引受基準表、疾病別の査定ガイドライン
- 過去の査定データ：類似ケースの過去の査定結果と判断根拠（RAGで参照）
- 医学情報データベース：疾病の予後、治療法の最新情報、薬剤情報
処理パイプライン
- OCR/マルチモーダルAIによるデータ抽出：診断書・健康診断書から疾病名、検査値、治療内容、処方薬等を自動抽出（出典：COMITX "保険審査AI-OCR"）
- データの構造化・標準化：抽出データを標準フォーマットに変換（疾病名のICD-10コード化、検査値の基準値との比較等）
- 引受基準との自動照合：構造化されたデータを引受基準表と照合し、該当する査定区分を自動判定
- リスクスコアリング：AIが複数の要因を統合的に評価し、リスクスコアを算出（出典：明治安田生命 "AIリスク予測モデル導入"）
- 査定意見書のLLMドラフト生成：LLMが査定結果と判断根拠をまとめた査定意見書のドラフトを自動生成
人間が判断すべきポイント
- 条件体・謝絶��最終判断：AIのスコアリング結果を参考にしつつ、最終的な引受判断はアンダーライターが行う
- 非定型ケースの判断：告知内容が複雑、複数の既往症がある、希少疾��等の非定型ケースは人間の専門判断が必要
- 営業部門との調整：「大口契約で条件緩和の相談がある」等のビジネス判断を含むケース
- 申込者への説明：謝絶や条件付き引受の結果を申込者に説明する対面コミュニケーション
他業種の類似事例
- 銀行の住宅ロー���審査：申込情報＋信用情報のAIスコアリングで定型案件を自動承認（本シリーズ参照）
- 損害保険の損害調査：事故写真＋聞き取りメモからマルチモーダルLLMが報告書を自動生成（本シリーズ参照）
- 製薬会社の臨床データ分析：治験データの自動読み取り・構造化・分析レポート生成
導入ステップと注意点
ステップ1：医的書類のOCR構築（4〜8週間）
診断書・健康診断書のフォーマットは医療機関によって異なるため、多様なフォーマットに対応できるOCRモデルを構築します。SOMPOひまわり生命の事例のように、確信度に基づく制御（高確信度は自動処理、低確信度は人手確認）を実装します。
ステップ2：引受基準のデータベース化（2〜4週間）
自社の引受査定マニュアル・基準表をAIが参照可能な構造化データベースに変換します。疾病別の判定基準、条件体の基準、謝絶基準をルール化します。
ステップ3：スコアリングモデルの構築・検証（4〜8週間）
過去の査定データ（引受結果とその後の保険金支払い実績）を学習データとして、リスクスコアリングモデ���を構築・検証します。
ステップ4：段階的自動化（継続）
まず「標準体」の自動判定から開始し、精度検証を経て「条件体」の一部にも自動化を拡大します。楽天生命の事例では段階的な自動化範囲の拡大に成功しています（出典：楽天生命 "AI引受業務DX"）。
注意点
- 公平性・差別禁止：AIの判定が特定の属性（年齢、性別、地域等）に対して不当に差別的にならないようバイアスチェックが必要
- 説明可能性：保険業法上、引受拒否・条件設定の理由を申込者に説明する義務があり、AIの判定根拠が説明可能であることが重要
- 医療情報の機密性：診断書・健康診断書は最高レベルの個人情報であり、厳格なセキュリティ管理が必要
Renue視点：専用ツールではなく汎用LLMで実現する理由
引受査定の核心は「医的書類を読む→リスクを評価する→判断根拠を書く」という言語処理です。査定担当者の暗黙知——「この疾病でこの治療経過なら標準体で引受可能」「この検査値の組み合わせは要注意」——を言語化してプロンプトに落とし込めば、汎用LLMが査定意見書のドラフトを生成できます。専用の引受システムに比べ、汎用LLMはプロンプトの修正だけで新しい疾病・治療法への対応が可能であり、柔軟性で大きなアドバンテージがあります。
まとめ
生命保険の引受査定は、OCR/マルチモーダルAIによる医的書類の読み取り→データ構造化→引受基準との照合→リスクスコアリング→査定意見書のLLMドラフト生成のパイプラインで大幅な効率化が可能です。明治安田生命のAIリスク予測モデル、楽天生命のAI引受システムなど、業界での実装も加速しています。ただし、条件体・謝絶の最終判断、非定型ケースの専門判断、申込���への説明は完全にアンダーライターの医学知識と保険の専門性の領域です。