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。
証券会社のAML/KYC審査をAIで効率化する方法｜取引パターン分析からスコアリング・一次スクリーニングの自動化まで
マネー・ローンダリング対策（AML）と本人確認（KYC）は、証券会社のコンプライアンス部門にとって最も業務負荷の高い領域です。毎月数千〜数万件のアラートが発生するトランザクションモニタリングの中から、真に疑わしい取引を見極め、疑わしい取引の届出（STR）の要否を判定する——この一次スクリーニングをAIで効率化するアプローチを解説します。
業務の詳細フロー（現状の手作業）
ステップ1：取引モニタリングシステムによるアラート検知
トランザクションモニタリングシステムが、事前に設定されたルール（閾値超過、短期間の大量取引、制裁対象国への送金等）に基づいてアラートを自動検知します。
ステップ2：一次スクリーニング（調査員による確認）
検知されたアラートを調査員が1件ずつ確認します。顧客の属性情報、取引履歴、口座開設時のKYC情報、過去の調査履歴等を参照し、「このアラートは精査が必要か、正常取引として消し込めるか」を判断します。この作業が最も時間を要します。
ステップ3：二次調査（詳細調査）
一次スクリーニングで「要精査」と判断されたケースについて、より詳細な調査を行います。取引の経済合理性の確認、資金の出所・使途の確認、関連口座の調査等を実施します。
ステップ4：疑わしい取引の届出（STR）判定
詳細調査の結果、疑わしい取引に該当すると判断した場合、金融庁（JAFIC）へ疑わしい取引の届出（STR: Suspicious Transaction Report）を提出します。届出の要否判定は高度な専門判断を要します。
ステップ5：記録の保存・定期レビュー
調査結果・判断根拠を記録として保存し、定期的なレビュー（バックテスト）を実施して検知ルールの有効性を検証します。
課題・ペインポイント
- 大量の誤検知（フォルスポジティブ）：ルールベースのモニタリングシステムは誤検知率が高く、アラートの大半が正常取引。調査員の時間の大部分が「問題なし」の確認に消費される
- 調査員の慢性的な人員不足：AML/KYC調査の専門知識を持つ人材は希少で、金融機関間で人材の争奪が続いている
- 規制強化への対応：FATF（金融活動作業部会）の第4次相互審査を受け、日本の金融機関にはAML/CFT態勢の一層の強化が求められている
- 新手の手口への対応：暗号資産を介したマネロン、複雑な法人スキーム等の新しい手口に既存ルールが追いつかない
- 判断基準の属人化：STR届出の要否判断が調査員の経験に依存し、判断にばらつきが生じる
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
- 取引データ：検知されたアラートの取引詳細（取引日時・金額・相手方・取引種類・頻度）
- 顧客データ：KYC情報（氏名・住所・職業・年収・取引目的）、口座開設日、過去の取引パターン
- 過去の調査結果：同一顧客・類似パターンの過去のアラート調査結果と判断根拠
- 制裁リスト：OFAC、EU、国連等の制裁対象者リスト、PEPs（政治的に重要な人物）リスト
- ネガティブニュース：対象顧客に関する報道・SNS情報のスキャン結果
LLMへの指示（プロンプト設計の考え方）
- 役割設定：「あなたは証券会社のAML調査支援AIです。以下のアラート情報を分析し、一次スクリーニングの判断を支援してください」
- リスクスコアリング：「以下の要素に基づきリスクスコア（1〜100）を算出してください。①取引の異常度（通常パターンからの乖離）、②顧客リスク（職業・国籍・PEPs該当）、③取引相手のリスク（制裁リスト・高リスク国）、④過去のアラート履歴、⑤経済合理性の有無」
- 判断根拠の言語化：「スコアリングの根拠を日本語で説明してください。どの要素がリスクを高めているか、なぜこのスコアになったかを調査員が理解できる形で記述してください」
- 推奨アクション：「①消し込み（正常取引）、②追加調査要、③STR届出検討の3段階で推奨アクションを提示してください」
人間が判断すべきポイント
- STR届出の最終判定：疑わしい取引の届出は法的義務であり、最終判断は必ず人間（コンプライアンス責任者）が行う
- コンテキストの理解：「この顧客は海外赴任から帰国したばかりで大口送金は正当」等の個別事情の理解は人間の判断
- エスカレーション判断：「このケースは経営層に報告すべきか」「当局への自発的な情報提供が必要か」の判断
- 検知ルールの見直し：AIの分析結果を踏まえ、モニタリングルールの閾値・パラメータを見直す判断は人間が行う
他業種の類似事例
- 銀行のAML/KYC：横浜銀行×NECの事例では、AML取引モニタリングAIで調査対象を大幅に削減。AIスコアリングにより調査の優先順位付けを実現（出典：NEC "AMLサービス"）
- 保険会社の不正請求検知：過去データのパターン分析＋テキスト分析で不正請求の疑いをAIが自動フラグ
- EC・決済サービスの不正検知：クレジットカード不正利用の検知にAIスコアリングを導入し、正常取引の誤ブロックを削減
導入ステップと注意点
ステップ1：過去のアラート・調査データの整理（2〜4週間）
過去の調査結果（消し込み/要精査/STR届出）を学習データとして整理します。調査員の判断根拠が記録されているデータを優先的に収集します。
ステップ2：リスクスコアリングモデルの設計（2〜4週間）
スコアリングの評価軸と重み付けを設計します。規制当局のガイドライン（金融庁「マネー・ローンダリング及びテロ資金供与対策に関するガイドライン」）を踏まえた設計が必要です。
ステップ3：LLMによるスコアリング・判断根拠生成のテスト（4〜8週間）
過去の調査済みケースでLLMのスコアリング精度を検証します。AIの推奨と実際の調査結果の一致率を測定し、プロンプトとスコアリング基準を改善します。
ステップ4：並行運用と精度検証（8〜12週間）
AIスコアリングと従来の人手調査を並行運用し、AIが見逃すケース（フォルスネガティブ）がないかを重点的に検証します。
注意点
- 規制当局との事前相談：AML業務へのAI導入は金融庁・JAFIC等の規制当局に対する説明が必要。導入前に方針を相談することを推奨
- 説明可能性の確保：AIのスコアリング根拠が調査員・監査人・当局に説明可能であること。ブラックボックスモデルは避ける
- フォルスネガティブへの厳格な対応：疑わしい取引を見逃すリスク（フォルスネガティブ）は法的リスクに直結するため、AI導入初期は人間のダブルチェックを維持すること
Renue視点：専用ツールではなく汎用LLMで実現する理由
AML/KYCの一次スクリーニングでは、「取引データを読む→顧客情報と照合する→リスクを評価する→判断根拠を言語化する」という一連のプロセスがあります。専用のAMLソリューションは数億円規模の導入コストがかかりますが、汎用LLMによるスコアリング＋判断根拠生成は、プロンプトの設計と過去データの構造化で実現可能です。特に「判断根拠の言語化」はLLMの最も得意とする領域であり、調査員が「なぜこのスコアなのか」を即座に理解できるレポートを自動生成できます。
まとめ
証券会社のAML/KYC審査は、大量のアラートに対する一次スクリーニングが最大のボトルネックです。AIによるリスクスコアリングと判断根拠の自動生成により、調査員は真にリスクの高いケースに集中でき、誤検知対応に費やす時間を大幅に削減できます（出典：Moody's "AML in 2025"）。ただし、STR届出の最終判定、個別事情の理解、エスカレーション判断、検知ルールの見直しは必ずコンプライアンス担当者が行うことが不可欠です。