AI×保険の活用事例12選｜査定・引受・顧客対応の進め方【2026年】

照会と問い合わせが、人の手に収まらない

東京海上日動火災保険のコンタクトセンターには、お客さまと保険代理店から年間約700万件の問い合わせが寄せられています。同社は、コールセンター業界ではオペレーターの人材確保が課題になっており、商品やサービスが多様になるにつれて、オペレーターに求められる知識と対応力も増えていると説明しています（出典：東京海上日動 2026年3月4日発表）。

社内でも同じことが起きています。冒頭の損害保険ジャパンでは、ナレッジ検索システムを入れて課題を解決する力は上がったものの、そこでの照会が年間67万件に上り、回答の効率化と負担の軽減が新たな課題になっていました。

写真や書類をWebで受け取る手続きが当たり前に

保険金の請求では、事故の状況を示す写真や見積書をデータで出せる環境が整ってきました。お客さまには便利になった一方で、保険会社には、届いたデータを早く正しく確かめる仕組みが求められています。三井住友海上とあいおいニッセイ同和損保も、損害の資料をWebで受け取る機会が増えたことを、画像の改変や流用への備えが必要になった理由に挙げています（出典：三井住友海上・あいおいニッセイ同和損保・テックユニオン 2026年8月3日発表）。

金融庁の調査で見る、AI導入の現状

金融庁の同じアンケートでは、AIを何らかの形で利用している回答先のうち71.1%が、幅広く一般の社員に生成AIの利用を認めていました。資料では、専門の人材が限られる小規模な金融機関でも、学習済みの生成AIは比較的容易に導入できることも示されています。

金融庁はこの資料で、リスクへの対応が重要であることを前提としつつ、技術革新に取り残されて良い金融サービスを出せなくなる「チャレンジしないリスク」も十分に認識すべきだとしています。一方で、既存の法令等はAIなど特定の技術を使っているかどうかに関わらず適用されるとも書いています。AIを使っても、意向の把握や説明といった募集のルール、個人情報の扱いのルールは変わらないことを前提に、活用する業務を選ぶことが大切です。

従来型AIと生成AIは、出したい答えで使い分ける

保険でのAIの活用は、学習させたデータから確率や点数を出す従来型AIと、文章や画像を読んで言葉で答える生成AIの2つに分かれます。どちらが向くかは、出したい答えの形で決まります。

データと専門の人材がまだそろっていない保険会社は、学習済みの生成AIを文書の仕事に活用するところから始めると、短い期間で効果を確かめられます。実際の仕組みでは、ルールによる判定とAIエージェントを組み合わせる形も出てきています（事例4）。

保険金の請求・査定

保険金や給付金の支払いでは、診断書や本人確認書類、修理の見積書のように、様式の違う書類を大量に扱います。AI-OCRで書類を読み取って入力の手間と転記のミスを減らしたり、写真や見積書から損害額の算定を助けたりする使い方が中心です（事例1）。

保険金の支払いはお客さまの生活に直結します。公表されている事例でも、AIの結果だけで支払うかどうかを決めず、AIは材料をそろえる役にとどめ、最後の判断と説明は担当者が持つ形が基本です。

引受・リスク評価

引受は、申し込まれた保険を引き受けるか、どの条件で引き受けるかを決める業務です。過去の契約や健診のデータから病気のリスクを予測して査定に加える使い方と、申込書や診断書の確認を早くする使い方があります。医務・環境・モラルといった査定の観点ごとにAIエージェントを分け、査定を手分けさせる例も出てきました（事例4・事例5）。

予測の精度は使うデータの質と量で決まり、結果の妥当性を数理の専門家が確かめる必要もあります。データと人材がそろってから取り組む領域です。

顧客対応・コンタクトセンター

通話の内容をリアルタイムで文字にし、問い合わせの内容をAIが読み取ってオペレーターに回答案を示す使い方や、通話を要約して応対の記録の下書きを作る使い方です（事例9）。金融庁のアンケートでは、ハルシネーションなどのリスクを考えて、お客さまに直接提供するサービスへの活用は難しいと判断する先が大半で、職員の応対を助ける使い方が広がっていました。まずはオペレーターが使う回答案から始め、精度と運用を確かめてからお客さまへの自動応答に広げる順番が安全です。仕組みの作り方は 社内AIチャットボットの構築方法 で取り上げています。

募集・代理店支援

パンフレットなどの募集文書を生成AIで点検する、保険代理店から出された資料の評価を生成AIが一次判定する、営業職員の仕事を生成AIで支える、といった使い方があります（事例10〜事例12）。

ただし保険業法は、保険会社や保険募集人に、お客さまの意向を把握し、それに沿った提案と説明を行い、意向と契約の内容が合っているかをお客さまが確かめる機会を設けることを求めています（法第294条の2。出典：金融庁ほか『改正保険業法の施行後の保険代理店における対応状況等について』）。面談の記録の要約や提案の下書きはAIに任せられますが、意向を聞き取り、説明し、確かめるのは募集人の仕事として残しておきましょう。

不正検知

契約の内容や事故の申告、過去の請求、気象などの外部のデータを組み合わせて、不正が疑われる請求に印を付ける使い方です。生成AIで作ったり加工したりした画像を使う不正が心配されるようになり、2026年には損害保険の大手が相次いで、請求の画像を調べる機能を入れました（事例2・事例3）。データと専門の技術が要るため、専門の製品やベンダーと組むのが一般的です。

社内の文書処理・照会対応

商品の規定や事務の手続きを社員が普段の言葉で質問すると、生成AIがマニュアルを調べて回答案と参照先を示す使い方です。報告書や案内文の下書き、議事録の要約のように、型の決まった文書づくりも得意です（事例6〜事例8）。

お客さまに直接見せないため、リスクを抑えながら効果を確かめられます。マニュアルや過去の回答のように、すでに文書がそろっている業務から選ぶと、始めるまでの準備が少なくて済みます。情報の扱い方のルールづくりは 生成AIの情報漏洩対策 もあわせてご覧ください。

商品開発・保険料率の算定は、その先の段階

6つの領域でデータがたまってくると、その先に商品開発と保険料率の算定が見えてきます。引受のために作ったリスク予測のモデルは、どの層にどの保障を用意するかを検討する材料にもなります（事例5）。

ただし保険料率は、算出の根拠を数理の専門家が確かめる必要があり、商品の内容や料率を変えるときには所定の手続きも伴います。AIの出力をそのまま料率にすることはできません。まずは引受や支払いでデータの質を上げ、分析の土台をつくるところから進めるのが現実的です。

業務・効果・発表年月で比べる一覧表

業務ごとに並べました。会社名から各事例へ移れます。効果は各社の発表の表現のままで、見込みや目標の数字にはそのことを書いています。かっこ内は発表の年月です。

事例の選び方と、数字の読み方

載せたのは、2024年10月以降に発表された国内の事例で、導入した保険会社やベンダーが自ら公表しているものだけです。数字は出典のページにあるものをそのまま書き、丸めたり足し合わせたりしていません。見込みや目標、トライアルの段階の数字には、そのことを書いています。

今回の条件で数字まで確かめられた事例は、大手の保険会社が中心です。従業員数は12件とも発表の中で示されていないため、各事例の表では「公表なし」としています。規模の違う会社がどう当てはめればよいかは、代理店・中堅・大手で変わる最初の一歩で整理しました。

自社で事例を調べるときも、同じ見方が役に立ちます。数字が実績か見込みか、何件・何人を対象にした数字か、いつの発表かの3つを、発表した会社のページで確かめてから社内の資料に使いましょう。

第一生命｜機器の保守期限を機に、書類の読み取りを生成AIへ切り替え

第一生命保険は2020年7月から、保険金・給付金の支払いや契約の手続きでAI-OCRによる業務の自動化を進めてきました。ところが、社内に置いた従来の仕組みはハードウェアの保守期限を迎え、作り替えが必要になっていました。

そこで、Microsoft Azure 上の「Azure OpenAI」と「Azure Document Intelligence」を使うクラウドの仕組みに切り替え、2026年4月24日から業務で使い始めました。定型の帳票と非定型の帳票で読み取りの方法を使い分け、LLMによる読み取りと人の点検を組み合わせています。

免許証などの本人確認書類の認識の精度は約2割上がり、クラウドに移したことで運用にかかる費用は約1/2になりました。

参考になる点：機器や契約の更新の時期は、読み取りの仕組みを生成AIで見直すよい機会になります。

東京海上日動｜火災保険の請求画像から、生成AIの加工と使い回しを探す

東京海上日動火災保険は、事故の写真や見積書をデータで出せるようにして、請求の手続きを便利にしてきました。その一方で、写真の改ざんに加え、生成AIで精巧な画像を作ることも容易になり、不正請求の手口がさらに巧妙になることを懸念していました。

同社は2022年からShift Technology社と組み、契約内容や事故の申告に気象データなどの外部データも加えて、不正請求の兆候を早くつかむ仕組みを使ってきました。2023年からは請求書類の整合性の確認にも広げ、2026年7月には複数の請求で同じ画像や似た画像が使われていないかを調べる機能を、9月には生成AIによる作成・加工が疑われる画像を見つける機能を加えています。

検知の結果は支払いの可否を機械的に決めるものではなく、状況を確かめる際の参考情報として使い、最終的な判断は従来どおり担当者が行います。

参考になる点：不正の検知は一度で作り込まず、手口の変化に合わせて機能を足していく前提で設計しておくと長く使えます。

三井住友海上・あいおいニッセイ同和損保｜生成AIで作られた損害写真を見抜く

画像生成AIの広がりで、本物かどうかの見極めが難しい偽の画像を簡単に作れるようになりました。損害保険でも、これを悪用した不正請求のリスクが表に出始めています。損害の資料をWebで受け取る機会が増え、生成AI以外の手口である画像の改変や流用への備えも必要になっていました。

両社はテックユニオンと共同で、損害状況の写真や修理見積書、領収書などの画像を対象に、生成AIによる作成・加工や改変・流用の可能性がある画像を見つける機能を開発しました。2026年8月から、両社の保険金の支払い業務に導入しています。両社は、国内の保険会社として初めての導入だとしています（両社調べ）。

検知の結果は損害サポート部門の参考情報として使い、支払いの最終判断は従来どおり担当者が行います。お客さまの請求の手続きは変わらず、新たな負担もないとしています。

参考になる点：検知の結果を判断ではなく参考情報と位置づけると、お客さまの手続きを変えずに確認だけを厚くできます。

チューリッヒ生命｜12体のAIエージェントが、新契約の査定を分担

チューリッヒ生命保険では、複雑な案件を手作業で査定する担当者の負担が大きく、査定の期間が長くなると、保険募集人やお客さまの満足度が下がることが課題になっていました。

そこで2026年7月1日から、新契約の査定システム「New Business 2.0」の導入を始めました。医務査定・環境査定・モラル査定（不正検知）などの分野に特化した12体のAIエージェントを組み込み、総合査定に対応させています。同社は生命保険業界で初めての取り組みだとしており、このシステムは「Insurance Asia Awards 2026」の「AI Initiative of the Year」を受賞しました。

同社は自動査定率を60％に上げることを目標に掲げています（導入時点での目標）。手動で査定する案件でも査定業務の時間を短縮することを目指していますが、短縮の幅は2本の発表で表現が異なるため、ここでは割合を示していません。

参考になる点：審査を確認の観点ごとに分けると、AIに任せる範囲を一つずつ決めやすくなります。

明治安田生命｜約130万件の健診データで、引き受けられる人を広げる

明治安田生命保険の引受では、これまで傷病歴や現在の健康状態をもとに判断する、医学的な査定の方法を使ってきました。

2025年1月6日に発売した「循環器病 対策Pro」を対象に、AIを使った独自のリスク予測「健活未来予測モデル」を、この医学的な査定に組み合わせました。モデルは、同社の保険に加入しているお客さまの匿名化したデータ約130万件の健診情報と過去の病気の罹患歴をもとに、機械学習で作っています。対象は、健康診断書を出した契約年齢50歳以上の契約です。

これにより、今まで以上に正確できめ細かな査定ができるようになり、より多くのお客さまを引き受けられるようになったとしています。

参考になる点：AIを従来の基準の置き換えではなく、組み合わせる形で使うと、引受の判断を説明しやすくなります。

ライフネット生命｜社員全員が生成AIを使う会社が、次にAIエージェントを全部門へ

オンラインで保険を販売するライフネット生命保険では、社内の生成AIの利用率がすでに100%に達し、全社員が日常的にAIを使う状態ができていました。一方で、人がそのつど指示を出すチャット型のAIでは、複雑な定型業務の自動化には限界があったとしています。

そこで、Googleの技術をもとに自社でAIエージェントを開発し、2026年7月末に全部門への導入を終えました。複数のシステムや条件分岐をまたぐ業務を、自動かつ自律的に終わらせることを目指す仕組みです。自社開発にしたことで、金融機関に求められるセキュリティの水準も独自に満たせたとしています。

2026年7月からは全部門を対象にした研修も始め、部門ごとに指名した推進の担当者が、自部門の業務の流れをAIエージェントで設計できるようにしています。

参考になる点：まず全社員が生成AIを使える状態をつくり、そのうえで部門ごとの自動化へ進む順番は、専任の組織が小さい会社でも取り入れやすい進め方です。

損保ジャパン｜年67万件の照会に、生成AIが回答案と根拠を並べる

損害保険ジャパンは2017年から、Q&Aを横断して検索し、解決できなければそのまま本社に照会できるナレッジ検索システム「教えて！SOMPO」を使ってきました。ただ、そこでの照会は年間67万件に上り、回答の負担を軽くすることが新たな課題になっていました。

2023年から、マニュアルやQ&Aのデータをもとに回答案を作る「おしそんLLM」をエンジニア中心の内製チームで開発し、2024年度に一部の営業店と本社で試しました。画面には回答案と参照先の資料が並び、回答する社員が内容を確かめたうえで答えます。

トライアルでは、AIが答えられる照会（全体の約6割相当）で約4割の業務時間の削減効果が認められ、2025年6月に全国の営業店と本社へ広げました。

参考になる点：回答案と一緒に根拠の資料を表示しておくと、確かめる人が誤りに気づきやすくなります。

三井住友海上｜約1.2万人の社員の声で、照会に答えるAIを育てる

三井住友海上火災保険は2023年10月、全社員が使う生成AIの基盤「MS-Assistant」に、商品規定や事務手続きのルールの照会に自動で答える機能を加えていました。次の課題は、回答の精度を上げることでした。

NECの生成AI「cotomi」をもとに業務に特化したLLMを共同で開発し、2025年4月22日から運用を始めました。約1.2万人の社員のフィードバックを分析・学習し、文書の検索などに使える仕組みにしています。ハルシネーションに備え、適切な利用のルールも全社員に周知しています。

このLLMとAzure OpenAI Serviceの照会支援機能を組み合わせて回答の精度が上がったことを確かめ、全社に広げました。今後は保険代理店のシステムでの生成AIの活用も検討するとしています。

参考になる点：使う人の評価を集める仕組みを最初から入れておくと、使いながら回答の精度を上げられます。

東京海上日動｜年約700万件の窓口で、通話中のAIが回答案を出す

東京海上日動火災保険のコンタクトセンターには、お客さまと保険代理店から年間約700万件の問い合わせが寄せられます。応対の品質をそろえることに加え、オペレーターがより専門性の高い問い合わせに集中できる体制づくりが課題でした。

2026年3月から、東京海上日動コミュニケーションズが担うコンタクトセンターの主要業務にAIを導入しました。通話の内容をリアルタイムで文字にして問い合わせの内容を読み取り、オペレーターに回答案を示します。通話の要約や記録の作成も自動にし、入電から終話後の管理業務までをAIが支えます。

年間約200万件超の入電がある同社では、お客さま向けで1件あたり約5分・年間約70万件、代理店向けで1件あたり約1.5分・年間約130万件をもとに、応対時間の削減を見込んでいます。将来はAIエージェントによる24時間365日の自動応対を目指すとしています。

参考になる点：効果を「1件あたりの短縮時間×件数」で先に見積もっておくと、AIの導入後に答え合わせができます。

あいおいニッセイ同和損保｜年約8,000件の募集文書の点検に生成AI

あいおいニッセイ同和損害保険では、パンフレットなどの保険募集文書を、専門の審査部門が複数の担当者の目視で審査しています。作成した部署との間で修正のやり取りが多く、審査が終わるまでに多くの時間がかかっていました。

そこで野村総合研究所と共同で、生成AIで募集文書を点検するツールを開発し、2024年12月から運用を始めると発表しました。会社が決めた点検の項目に沿って、誤字脱字や記載内容の食い違いに加え、保険料に適用する割引率や加入条件の誤りといった保険特有の項目を確かめ、不備の指摘と適切な表現を示します。

初期点検にかかる時間を半分にし、約4,000時間分の効率化につながるとしています。2024年度は審査部門で使い始め、2025年度から営業部支店にも広げる予定と発表していました。

参考になる点：点検の項目が文書になっている業務は、その項目をそのままAIへの指示に使えるため、始めやすい候補になります。

損保ジャパン｜代理店の業務品質の評価を、生成AIの一次判定で

2026年度から、日本損害保険協会が主催する業界共通の「代理店業務品質評価制度」の運用が始まります。損害保険ジャパンでは、保険代理店から出された資料をもとに、決めておいた項目と基準に沿って社員が判定を行ってきました。

同社はPalantir Technologies Japanと組んで評価のシステムを開発し、2025年12月に運用を始めました。資料をシステムに上げると複数の社員が重ねて判定でき、LLMを使った生成AIが一次判定を行って、社員が確かめます。

判定の誤りや結果のばらつきを抑え、判定にかかる作業時間を短くするとしています。保険代理店の自己チェックの結果へのフィードバックの目線をそろえ、代理店との対話や指導の質を上げることも狙いです。

参考になる点：評価や判定の業務では、AIの一次判定を人が確かめる形にすると、担当者による判定のばらつきを抑えやすくなります。

明治安田生命｜営業職員約36,000人に、AIのデジタル秘書を

明治安田生命保険は、10年計画「MY Mutual Way 2030」のもとで「人とデジタルの効果的な融合」を重点方針の一つに掲げ、生成AIの個別業務での活用を進めてきました。一方で、ハルシネーションなどのリスクや急速な技術の進展に対応するには、自社の知見・人財・基盤がまだ十分ではないとしていました。

そこで2025年1月、アクセンチュアと包括的なパートナーシップ契約を結びました。取り組みの例に挙げたのが、生成AIなどで全従業員の業務を支える「デジタル秘書」の開発で、約36,000人を超える営業職員向けの「デジタル秘書 MYパレット」から順次展開するとしています。

契約期間は2029年度末までの約5年間、投資の規模は現時点で約300億円を想定し、DX・AI関連で中核を担う人財300名超の育成もめざすとしています。

参考になる点：全社の仕組みを一度に作らず、人数の多い職種向けの道具から順に広げると、現場の慣れ方を見ながら進められます。

成果が出ている業務に共通する4つの特徴

社内に広げられた会社がしていること

試したあとに社内へ広がるかどうかは、進め方の差で分かれます。公表されている事例から読み取れる共通点は、次の5つです。

12件の「参考になる点」を一覧で見る

各事例の最後に書いた「参考になる点」を、自社に当てはめやすいよう1つの表にまとめました。自社の業務に近い行から読んでください。

止まりやすい進め方と、その避け方

失敗を公表する会社はほとんどないため、ここでは金融庁の資料に寄せられた課題と、事例から読み取れる進め方の違いをもとに、止まりやすい形をまとめます。

金融庁の資料には、データの品質の問題（古い社内規程が残っていたなど）で、社内の文書を調べて答える仕組み（RAG）を試しても精度が上がらなかったという声が載っています。

1件あたりの時間が短くなり、お客さまの待ち時間も縮む

照会への回答や書類の入力、通話の後処理、査定の確認作業をAIが支えることで、1件あたりの時間が短くなります。社内の作業が早くなれば、保険金の支払いや引受の結果を待つお客さまの時間も短くできます。調べる、写す、まとめるといった作業をAIに任せれば、空いた時間を、お客さまへの説明や難しい案件の判断のように、人にしかできない仕事に回せます（事例9）。

担当者による品質のばらつきがそろう

経験によって回答や点検、評価の質がばらつく業務は、AIが同じ基準で回答案や指摘を出すことで、品質をそろえやすくなります。代理店の業務品質の評価に生成AIの一次判定を入れた事例のように、人によって見方が変わりやすい仕事ほど効果が出ます（事例11）。確かめる観点をAIに渡しておくと、だれが担当しても同じ順番で確認が進み、引き継ぎや新任の立ち上がりも早くなります。

人を増やさずに、件数の波をさばける

保険金の請求は、台風や地震のあとに一度に集まります。人の数で備えると、平常時は余り、災害時は足りません。AIで一次処理と回答案の作成を支えておくと、件数が一時的に増えても、担当者の人数を変えずに回せる幅が広がります。件数そのものが大きい業務では、1件あたりの短縮が小さくても合計は大きくなります（事例9）。

見落としやすい不正や書類の誤りを先に拾える

人の目だけでは気づきにくい不正請求の兆候や、募集文書の割引率・加入条件の誤りを、AIが先に拾えます。生成AIで作られた損害写真のように、目で見ただけでは判断が難しい材料も出てきており、機械で疑わしいものを絞ってから人が確かめる形が現実的になっています（事例2・事例3・事例10）。AIの役目は白黒をつけることではなく、人が確かめるべき案件を手前で絞ることです。

ベテランの判断の手順が、社内に形として残る

査定や引受の判断には、規程に書かれていない見方が残りがちです。AIに渡す指示文や参照する資料を作る過程で、どの順番で何を見るかを言葉にすることになり、結果としてベテランの手順が社内の資料として残ります。査定の観点ごとにAIエージェントを分けた事例でも、医務・環境・モラルといった確認の観点を切り分けたうえでAIに割り当てています（事例4）。

個人情報の扱いは、入れてよい情報の区分から決める

保険では、病歴や健康状態のように、金融分野のガイドラインで「機微（センシティブ）情報」とされる情報を扱います。機微情報は、法令等に基づく場合や、本人の同意に基づいて業務に必要な範囲で使う場合などを除いて、取得・利用・第三者提供を行わないことが原則です（出典：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」）。外部の生成AIサービスに入れる情報は、使い始める前に次のように分けておくと、現場で迷いません。

区分は一度決めて終わりではなく、使う業務が増えるたびに見直しましょう。社内ルールのひな形は 生成AIの情報漏洩対策 にまとめています。

AIの判断結果は、人が確かめて記録に残す

引受や支払いの判断にAIを使う場合は、理由を説明できるかが問われます。金融庁は、重要な判断にAIを使う場合、どのデータで学習したか、どのデータを参照したか、どのような指示が与えられたか、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。

金融庁の資料では、誤りがゼロにはならない前提で人がレビューする手順を組み込み、社員が生成AIの結果をもとにお客さまや代理店に答えるときは、必ず社員が内容を判断してから使うようにしている先があるとされています。AIは一次判定までとし、だれが、どこで確かめ、何を記録に残すかを、使い始める前に決めておきましょう。

不正検知で守りたい運用のルール

不正検知は、誤って印を付けたときにお客さまへの影響が大きい領域です。公表されている事例をもとに、運用で決めておきたいことを並べます。

金融庁の資料にも、不正案件に関する学習データを集めたくても実際の不正案件の発生件数が少なく、自社のデータだけでは不十分だという金融機関の声が載っています（出典：金融庁『AIディスカッションペーパー（第1.1版）』2026年3月）。疑わしい案件に印を付けたあと、だれがどの順で確かめるかを決めてから入れることが大切です。

誤回答や偏りに備える作り方

生成AIは、事実と違う内容をもっともらしく答えることがあります。金融庁の資料には、学習データや参照する資料に古い情報が多く混ざっていると、ハルシネーションが起きやすいという声が載っています。根拠となる文書を回答に含める、見つからないときはその旨を答えさせる、といった作り方も挙がっています。

偏りにも注意が必要です。同じ資料では、学習データが足りない、または特定の地域や属性に偏っていると、特定の属性を持つお客さまに不公平な扱いをするリスクが高まると指摘されています。生成AIでも、指示文や参照するデータが偏りの原因になりえます。引受や支払いのようにお客さまの不利益に直結する業務では、判定の結果を属性ごとに見比べる確認を、定期的な点検の項目に入れておきましょう。

データの準備も見落とせません。同じアンケートでは、約半数の金融機関が「モデル構築等のために十分な学習データの確保」と「学習データの品質管理」を課題に挙げています。

既存のシステムとデータにつながるか

保険でAIの活用がつまずきやすいのは、モデルの精度よりも手前の部分です。契約や請求のデータが基幹システムの中にあって、取り出すだけで開発が必要になる。約款やマニュアルが部署ごとのフォルダに分かれていて、どれが最新版か分からない。こうした状態では、AIにつなぐ前の準備で時間と費用が膨らみます。最初の1業務は、基幹システムに手を入れずに済む範囲から選び、つなぎ込みが必要な業務は効果を確かめたあとに回しましょう。

関連する法令・指針の確認先

AIを入れても、保険の募集や個人情報に関するルールはそのまま適用されます。導入の前に、少なくとも次の4つを、コンプライアンスの担当者と一緒に確かめておきましょう。

出典：金融庁ほか『改正保険業法の施行後の保険代理店における対応状況等について』2017年2月、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」、金融庁『AIディスカッションペーパー（第1.1版）』

銀行や証券のAI活用との違い

銀行や証券でのAI活用と比べると、保険には3つの違いがあります。まず、病歴や健康状態という機微情報を業務の中心で扱うため、外部のAIサービスに何を渡せるかの線引きが厳しくなります。次に、引受や支払いの判断がお客さまの不利益に直結するため、判断の理由を説明できる作りが欠かせません。

3つ目は、保険募集人や保険代理店という社外の担い手を介して売る形が多いことです。社内で使う仕組みをそのまま保険代理店に広げるには、委託元としての指導の範囲や、代理店に渡してよい資料の線引きを決めておく必要があります。

対象業務の洗い出しと、部門ごとの優先順位

査定・引受・顧客対応・社内照会の4つの部門について、当てはまる項目の数を数えてみてください。当てはまる数がいちばん多い部門が、最初の候補です。

保険でのAI活用の効果は、ツールの性能よりも、対象の業務の手順と元になる文書がどれだけ整っているかで決まります。候補の部門が決まったら、準備状況のセルフチェックで具体的な業務を1つに絞りましょう。

代理店・中堅・大手で変わる最初の一歩

保険会社と保険代理店では、規模によって最初に選びやすい業務と体制が変わります。事例に出てくるのは大手が中心ですが、進め方そのものは小さな会社にも当てはめられます。

保険代理店では、取り扱う保険会社が用意している資料やシステムとの関係も確かめておきましょう。金融庁などが保険代理店100先に行ったヒアリングでは、小規模な代理店は保険会社などから提供された定型の社内規則をアレンジして使い、募集管理の業務を店主自らか全員で担う傾向が見られました（出典：金融庁ほか『改正保険業法の施行後の保険代理店における対応状況等について』2017年2月）。AIの使い方のルールも、委託元の保険会社の定めと合わせて決めるのが現実的です。

小さく試す前に決めておく、評価の物差し

試す前に、今の件数と1件あたりの時間を測っておかないと、効果があったかを判断できません。そのうえで、一部の部署や担当者に絞ってAIを試し、「どの数字がどこまで良くなったら本番に進むか」「どうなったらやめるか」を先に決めておきます。損保ジャパンも、一部の営業店と本社で試して効果を確かめてから全国に広げています（事例7）。

保険では、時間の削減だけでなく、支払いまでの日数や点検の見落としのように、お客さまや募集の品質にかかわる効果も大きくなります。業務ごとの指標の例は次のとおりです。

1つの業務で追う指標は、主な指標1つと、あわせて見る指標1〜2つに絞ると、毎月の記録が続けやすくなります。保険のAI活用は、数字で効果を示せた業務から次の業務へ広がります。

削減時間をお金に直す試算の例

削減時間は「1件あたりに減る時間 × 月の件数」で出し、1時間あたりの人件費をかけてお金に直してから月の費用と比べます。東京海上日動の見込みも、1件あたりの時間と年間の件数から出されています（事例9）。業務ごとの計算の例は次のとおりです。数字はすべて計算の流れを示すための仮の値なので、自社の件数と時間に置き換えて使ってください。

ここから、ツールの利用料や保守費などの月の費用を引いた額が、月の効果の目安です。減った時間をそのまま人件費の削減と見なせるとは限らないため、空いた時間を何に回すかも、あわせて決めておきましょう。事例の数字を自社に当てはめるときも、発表の数字をそのまま使わず、自社の件数と時間で計算し直してください。

現場に定着させるための運用づくり

AIを入れても、使う人が使い方を知らなければ、業務にかかる時間は減りません。保険の現場でAIの活用を続けるには、研修と運用の形を決めておくことが大切です。研修の中身を「全員に配るもの」と「業務ごとに教えるもの」に分けると組みやすくなります。

本番に入ったあとは、減った時間と誤りの件数を毎月測り、使った人の評価を集めて、指示文や参照させる資料を直していきます。社内の照会がうまくいったら代理店からの照会へ、文書の点検がうまくいったら募集文書の作成の支援へと、同じ仕組みを使える業務に広げると、2つ目以降の手間が小さくなります。

そのまま使える指示文（プロンプト）の例

最初の1業務を決めたら、短い指示文から試すのが早道です。保険の仕事でよく使う3つを、お客さまの個人情報を入れずに試せる形で挙げます。

指示文には、根拠にする資料と、書かれていないときの答え方を必ず入れておきます。お客さまに出す文面は、募集人が確かめてから使ってください。

業務量・書類の種類・既存システムから見る向き不向き

候補の業務について、対象業務・データ・社内ルール・体制の4つの観点で確かめます。「はい」が多いほど、効果が出やすい状態です。「いいえ」が付いた設問は、右の列を先に済ませてから進みましょう。

「いいえ」が1つでも残る業務は、AIを入れる前の準備から始めたほうが、結果的に早く効果が出ます。

外部の支援を使うときの費用の考え方

AIの費用は、最初に一度かかる構築費と、毎月かかり続ける運用保守費（ツールやAPIの利用料、保守・改善）に分けて見ると比べやすくなります。始め方ごとの目安は次のとおりです。

金額は保険業界に限らない一般的な目安で、依頼する業務の条件や範囲によって変わります。初期の費用だけでなく、2〜3年の総額で比べましょう。工程ごとの内訳は AI導入の費用相場 にまとめています。

PR｜AIBUILDERZ AI導入支援サービス

PR

AIBUILDERZ｜AI導入支援サービス

システム構築は成果報酬型。AI研修から導入・構築・定着まで一気通貫で支援

AI研修からシステムの導入・構築・定着まで、一気通貫で支援するサービスです。業務アプリの構築費は事前にいただかず、実際に稼働させ、効果をご確認いただいてからお支払いが始まります。成果報酬型での対応は、当社が小規模と定義するシステムが対象です。

• 業種・規模を問わず支援どの業務からAIやシステムに置き換えるかを一緒に決め、効果の大きい業務から順に進めます。
• システム構築は成果報酬型業務アプリの構築費は事前にいただきません。稼働させ、効果をご確認いただいてからお支払いが始まります。
• AI導入の効果を可視化置き換える業務を一覧にし、導入前後の時間から、空いた時間とかからなくなった費用を毎月記録します。
• 小さく始めて、リスクを管理影響の小さい業務から始め、AIの実行結果は担当者が確認・承認してから反映します。

サービス資料をダウンロード無料診断を申し込む

当社のAI導入支援サービス「AIBUILDERZ」では、業務の洗い出しと可視化、対象業務の選定、ツールの選定、全体研修から始めます。業務効率化のシステムの構築は成果報酬型で、業務アプリの構築費は事前にいただかず、実際に稼働させ、効果をご確認いただいてからお支払いが始まります。どの業務から始めると効果が大きいかは、無料診断でご相談いただけます。

導入支援会社に確認しておきたい質問リスト

相談先は、大きく4種類に分かれます。どこに頼むかで、できることと気をつける点が変わります。

保険のAI活用の相談先を比べるときは、金額に加えて、次の質問への答え方を見てください。答えがあいまいなところは、契約の前にはっきりさせておきましょう。

金融庁のアンケートでも、従来型AI・生成AIのいずれでも、適切な外部事業者の選択を課題に挙げた先が4割強ありました。同じ資料には、外部事業者に過度に頼ることの弊害を指摘する声も載っています。人の確認を省くことを売りにする提案や、どのデータをどこに送るのかを説明できない提案は、見送ったほうが安全です。相談先の比べ方は AI導入支援の比較と選び方 もあわせてご覧ください。

1つの業務のAIから、複数のAIが分担する形へ

これまでは1つの業務に1つのAIを当てる形が中心でした。2026年に入ってからは、査定の観点ごとにAIエージェントを分けて総合査定に対応させる仕組みや、全部門にAIエージェントを広げる例が公表されています（事例4・事例6）。1業務ずつ試した会社ほど、指示文と資料の整え方が社内に残り、2つ目以降を早く作れるようになります。

社内向けの仕組みが、代理店や募集の現場へ広がる

最初に動いたのは、社内照会や文書の点検のように、社内で完結する業務でした。そこで作った仕組みは、代理店からの照会への回答や、募集文書の作成の支援にも使えます。代理店の業務品質の評価に生成AIの一次判定を入れた例や、代理店のシステムでの生成AIの活用を検討する例は、その延長にあります（事例11・事例8）。社外の担い手に広げるときは、渡してよい資料と、お客さまに出す前の確認の手順を決めておく必要があります。

商品設計と保険料率の算定へは、データが整った会社から

リスクの傾向の分析を、新しい商品の設計や保険料の水準の検討に使う動きもあります。ただしこの領域は、長い期間のデータと、結果の妥当性を確かめる数理の専門家が必要で、商品の内容や料率を変えるときには所定の手続きも伴います。

文書を扱う業務から始めてデータの整え方を社内に残した会社が、次にこの段階へ進む、という順番になりそうです。商品や料率にAIを使うかどうかは、技術より、データと検証の体制がそろっているかで決まります。

事例から持ち帰る判断のポイント

AIの活用を始めるときに、最初に決めることは3つです。どの業務から始めるか、AIの出力をだれがどこで確かめるか、効果をどの数字で測るかです。保険のAI活用は、この3つで形が決まります。この3つが決まっていれば、ツールや相談先は後から選べます。迷ったら、社内の照会や文書づくりのように、文書がそろっていてお客さまに直接出ない業務を1つ選びましょう。

業務を選んだら、今の件数と1件あたりの時間を測り、外部の生成AIに入れてよい情報の区分をコンプライアンス部門と決めておきます。そのうえで、試す範囲と、本番に進むかを判断する数字を書き出してください。社内向けの仕組みの作り方は 社内AIチャットボットの構築方法、全体の費用は AI導入の費用相場 もあわせてご覧ください。