保険・損保のAI活用事例【2026年最新】東京海上日動・SOMPO AIエージェントを徹底解説

保険・損保業界のAI活用は2026年、社内の業務効率化から引受査定・保険金不正検知・代理店対話といった「本業プロセス」へ踏み込みました。その動きを加速させたのが、2026年6月1日施行の改正保険業法と、同月から業界共通の枠組みとして本格展開が始まった代理店業務品質評価制度です。

本記事は、各社の公式プレスリリース・金融庁公表資料を一次情報として、2026年8月時点で確認できる国内保険会社のAI導入事例を整理したものです。「導入しました」という発表の羅列ではなく、公式に開示されている数値と、その数値が実績値か目標値かまで区別して記載しています。

この記事でわかること

• 東京海上グループ／SOMPOグループ／MS&ADグループ／生命保険各社のAI導入事例と、公式に開示された効果数値
• 2026年に保険AIが一気に進んだ制度的な理由（改正保険業法・代理店業務品質評価制度）
• 同じ制度対応に対する損保ジャパンと三井住友海上の設計思想の違い
• 生成AIで作られた損害写真による不正請求と、それを検知する仕組み（国内初の事例）
• 金融庁「AIディスカッションペーパー第1.1版」の正確な位置づけと、AIに任せてはいけない領域の線引き
• 大手／中堅・外資／保険代理店という規模別の現実的な進め方

誰向けの記事か

• 保険会社（生損保）・共済団体のDX／IT／事業企画・コンプライアンス部門
• 保険代理店の経営者・管理責任者（特に乗合代理店）
• 保険業界向けにSaaS・AIソリューションを提供するベンダー、コンサルタント
• 金融業界のアナリスト・調査担当者

2026年の保険業界AI活用は「本業プロセス」に入った

2026年の保険業界は、「全社員へのAI配布」と「本業プロセスへのAI組み込み」が同時に進んだ年でした。2025年までの主戦場だった社内文書検索・議事録作成といった汎用用途は前提条件になり、各社の差は引受査定・支払査定・代理店管理といった保険固有の業務にどこまでAIを入れられたかに移りました。

現時点で確認できる変化は、大きく3つです。

1. 全社展開のスケールが桁違いになった — SOMPOグループは2026年1月の導入開始から半年で提供対象が3万4,000人に達し、社内で1万件を超えるAIエージェントが作られたと公表しています。
2. 査定・不正検知という「触れにくい領域」に入った — チューリッヒ生命が2026年7月に引受査定へマルチAIエージェントを本番投入し、三井住友海上・あいおいニッセイ同和損保が同8月に生成AI画像による不正請求の検知機能を導入しました。
3. 規制対応そのものがAI導入の理由になった — 改正保険業法の施行と代理店業務品質評価制度の本格展開に合わせ、損保各社が代理店との対話を支援するAIを相次いで投入しています。

公式に開示されている効果数値まとめ

各社の発表のうち、数値が公式資料で確認できるものだけを抜き出しました。実績値か目標・見込み値かを必ず併記しています。

この表の見方として重要なのは、保険業界のAI効果は「削減時間」で語られることが多く、売上や成約率で語られる例はまだ少ないという点です。人手不足と事業費率の改善が、当面の主目的になっています。

保険業界AI活用の最新タイムライン（2025年7月〜2026年8月）

直近1年強の主要な発表を時系列で並べると、2026年6月以降に発表が集中していることがわかります。

AIエージェントという言葉そのものの定義や仕組みは、AIエージェントとは？仕組み・種類・活用事例をわかりやすく解説で整理しています。

なぜ2026年に一気に進んだのか — 改正保険業法と代理店業務品質評価制度

2026年に損保各社が代理店向けAIを相次いで投入した直接の背景は、制度変更です。技術が成熟したから導入した、という順番ではありません。

改正保険業法が2026年6月1日に施行された

2025年5月に成立した改正保険業法が、2026年6月1日から施行されました。損害保険会社・保険代理店をめぐる一連の不祥事を受けた制度改正で、公表されている主な内容は次のとおりです。

• 特定大規模乗合保険募集人に対する体制整備義務の強化
• 苦情処理体制の整備
• 兼業業務の適切な管理
• 保険会社等による過度な便宜供与の禁止

いずれも、代理店側の業務品質を客観的に点検・記録・説明できる状態にすることを求める方向の改正です。

代理店業務品質評価制度が業界共通の枠組みになった

これと並行して、日本損害保険協会の代理店業務品質評価制度が2026年6月から業界共通の枠組みとして本格展開されました。中立的な第三者である代理店業務品質評議会が運営し、2025年12月25日には評価指針の一部改正と、様式・参考資料編の制定が行われています。

この制度のもとで保険会社が担うのは、代理店の自己点検結果を踏まえて対話し、品質向上を支援する役割です。ここで問題になるのが、対話の担い手である社員の力量差です。数千〜数万の代理店に対して、担当者ごとに指摘の深さや目線がばらつけば、制度そのものが機能しません。

この「目線を揃える」「準備工数を減らす」という課題に、損保各社が生成AIを当てたのが2026年6〜8月の一連のリリースです。

同じ制度対応、異なる設計思想（損保ジャパン vs 三井住友海上）

同じ制度に対応しながら、2社のアプローチは対照的です。

どちらが優れているかという話ではありません。 大量の社内データをすでに一つの基盤に集約している会社は前者、スピード重視で既存の代理店管理プロダクトを活かしたい会社は後者、という選択になります。中堅損保や共済がこの領域を検討する場合、自社にデータ統合基盤があるかどうかが最初の分岐点になります。

東京海上グループのAI活用事例

出典：東京海上日動火災保険 公式サイト

東京海上グループの特徴は、業務効率化・顧客接点・システム開発・事故予防という4方向に同時に手を伸ばしている点です。1つの基盤に寄せず、領域ごとに最適なパートナーを選ぶスタイルが一貫しています。

コンタクトセンターAI（2026年3月導入・年間約9万時間の削減見込み）

グループのコンタクトセンターには年間約700万件の問い合わせが寄せられています。2026年3月4日の公式リリースによると、東京海上日動は通話内容をリアルタイムでテキスト化し、問い合わせ内容を自動認識したうえで、回答案をオペレーターに提示する仕組みを導入しました。入電から通話中、終話後の管理業務までを一貫して支援します。

年間約200万件超の入電がある東京海上日動コミュニケーションズでの削減見込みは、2024年度実績をベースに次のように試算されています。

• 顧客向け：最大約30%、年間約5万8,000時間（約5分／件 × 約70万件）
• 代理店向け：最大約10%、年間約3万2,000時間（約1.5分／件 × 約130万件）
• 合計：年間約9万時間

導入支援は伊藤忠テクノソリューションズ（CTC）、AIシステムはPKSHA Technologyが担っているとされています。公式リリースでは、将来的にAIエージェントによる24時間365日の自動応対を目指す方針も示されています。ただし現時点で稼働しているのはあくまでオペレーターの支援であり、無人対応ではありません。

コンタクトセンター領域のAI導入をより具体的に検討したい場合は、コンタクトセンターのAI活用事例｜AmiVoice・ボイスボット導入ガイドで他業界の構成例も比較できます。

OpenAIとの戦略的連携（2025年9月）

2025年9月25日、東京海上ホールディングスはOpenAIとの戦略的連携を発表しました。契約・照会・文書処理など多様な業務領域に生成AIを統合し、将来的にはAIエージェントを中核とする業務基盤へ移行する構想です。営業店でのディープリサーチ機能の活用や、複数の業務アプリを横断して操作する自動化が目標として挙げられています。

このほか、2025年8月にはSalesforceの「Agentforce」採用も発表されており、基盤LLMと業務ワークフロー用のエージェント基盤を併用する構成になっています。

AI駆動開発の本格検証（2026年度）

2026年6月の日経クロステックの報道によると、東京海上日動は要件定義書・設計書・ソースコード・テストケースをAIで生成する「AI駆動開発」を導入し、AWSの開発ツール「Kiro」などを活用して2026年度に基幹系システムを含む10件以上の本番案件で検証する方針です。2027年3月までに効果検証結果と方法論ガイドをまとめ、2027年度には東京海上日動システムズの標準開発プロセスとして展開することを目指しているとされています。同社はこれを、ウォーターフォール・アジャイルに次ぐ「第3の開発手法」と位置づけています。

保険会社のAI活用というと業務側の話に偏りがちですが、システムを作る側のプロセスまでAIで変えるという事例は現時点で他に例が少なく、注目に値します。

自動車保険DAPへのAI事故防止機能（2026年12月提供開始予定）

2026年8月17日、東京海上日動は自動通報サービス付き自動車保険「ドライブエージェント パーソナル（DAP）」の最新機種に、「スマホながら運転警告機能」「誤踏み注意喚起機能」を追加すると発表しました。蓄積された走行データ・事故データをAIで分析し、危険運転の兆候を検知する仕組みで、2026年12月の提供開始が予定されています。

事故が起きた後の対応を効率化するAIから、事故そのものを起こさせないAIへ。 保険会社にとってのAIの目的が一段階シフトしていることを示す事例です。

東京海上グループのAI活用まとめ

SOMPOグループのAI活用事例

出典：SOMPOホールディングス 公式サイト

SOMPOグループの特徴は、「配って終わり」にしない定着設計です。全社員へのAIエージェント配布にとどまらず、現場社員が自部門用のエージェントを自作する市民開発を回し、その利用実績を数値で開示しています。

SOMPO AIエージェント：3万4,000人への展開と定着実績

2025年12月26日の発表時点で対象は国内グループ約3万人でしたが、2026年7月時点では3万4,000人に提供されています。メイン基盤はGoogle Cloudの「Gemini Enterprise」で、一部でMicrosoftの「Copilot Studio」も検証中です。

基盤選定の理由として、同社は約款・マニュアルといった社内ナレッジとの相性、そしてGemini Notebookの存在が決め手だったと公表しています。なぜその基盤を選んだのかを公式に説明している事例は珍しく、他社が基盤選定を検討する際の実務的な参考になります。

導入から数カ月後の実績として、2026年7月30日開催のGoogle Cloud Next Tokyo '26で、SOMPOホールディングス デジタル・データ戦略部長 兼 損害保険ジャパン執行役員CDOの中島正朝氏が次の数値を公表しています。

• 市民開発により、数カ月で1万件超のAIエージェントが誕生
• 週1回以上利用する社員が80%超
• 部長以上の利用率は98%

これらは同社の登壇内容として公表された社内実績であり、第三者による監査を経た数値ではない点は踏まえて読む必要があります。それでも、全社導入したAIツールの多くが「配ったが使われない」で止まる中、利用率まで開示している事例は貴重です。

なお、管理職以上は「SOMPO AIエージェントリーダーシップ研修」の受講が必須とされています。利用率98%という数字は、研修を必須化した結果でもあるという読み方が妥当でしょう。

現場が作った実際のエージェント

公表されている現場発のエージェントには、次のようなものがあります。

• SOMPO音声メモアプリ：会議の録音を自動でGemini Notebookに追加し、参加者へ共有する
• レカみる：自動車事故のレッカー費用の妥当性を一次チェックする
• モクさぽ：目標設定・社内ガイドラインを学習し、社員の目標設定を支援する
• モジオコ：写真やスクリーンショットをテキスト化する

各部門が作成した公式のGemini Notebookを全社に公開し、ナレッジを共有する運用も行われています。「レカみる」のように保険固有の実務判断を扱うエージェントが現場から出てくる点が、汎用ツール導入との違いです。

損保ジャパン「対話・フィードバック補助機能」（2026年7月末リリース）

2026年8月7日の公式リリースによると、損害保険ジャパンは2026年1月に公表した代理店業務品質評価システムを機能拡張し、7月末に社内展開を開始しました。Palantir FoundryとPalantir AIPを基盤に、代理店の自己点検結果に対して、点検項目ごとの背景・法令内容と、自社独自の客観的判定基準・定量実態データを統合分析し、生成AIが対話シナリオの素案を自動生成します。

公式に挙げられている効果は次の3点です（いずれも定性的な表現）。

1. フィードバックの目線統一と対話スキルの高位平準化
2. 自己評価と実態の乖離を可視化した、データに基づく客観的で深度のある対話
3. 対話準備から評価プロセスまでの効率化

同社は、生成AIの素案には必ず人間（社員）が確認・修正で介在するHuman-in-the-Loopを徹底すると公式に明記しています。2026年度の自己点検プロセスで全面的に活用される予定です。

損保ジャパンのその他の取り組み

• おしそんLLM（2025年7月1日〜）：代理店と営業店、営業店と本社の間の照会回答業務を支援するRAG型のツール。全国営業店で利用開始。
• 対話要約モデル：ELYZAと共同開発。コールセンターの対話ログの要約に活用。
• 固定資産台帳の確認・転記自動化：AI insideの「Heylix」を活用し、精度95%を公表。
• 代理店業務品質評価システム（2026年1月）：LLMが一次判定し、社員が確認するワークフロー。

社内ナレッジ検索の中核となるRAGの構成を検討している場合は、RAGとは？仕組み・構築方法・最新動向をわかりやすく解説が実装面の参考になります。

SOMPOひまわり生命「まんなか」：顧客が直接触るAI

2026年7月31日、SOMPOひまわり生命はMILIZEと共同開発した無料AIリスク診断サービス「まんなか」の提供を開始しました。「介護（親）」「健康（自分）」「老後資金」という3つのリスクを可視化するサービスで、個人情報の登録が不要・非対面で完結する無料AI診断サービスとしては国内保険会社初と同社は説明しています（2026年7月時点、同社調べ）。

簡単な質問への回答から、AIと専門家の知見でリスク傾向を分析してレポート形式で表示し、SNSやメールで家族と共有できます。企画から診断エンジンの実装まで約2カ月で立ち上げたとされています。

金融庁の整理では、顧客に直接サービスを提供する分野での生成AI利用には保守的な金融機関が大半とされています。その中で、個人情報を取得しない設計にすることで顧客接点にAIを出したという点に、このサービスの実務的な意味があります。

SOMPOグループのAI活用まとめ

MS&ADグループのAI活用事例

出典：MS&ADインシュアランスグループホールディングス 公式サイト

MS&ADグループで2026年に最も注目されたのは、AIで作られた不正請求をAIで検知するという新しい防御の取り組みです。

生成AI画像による保険金不正請求の検知機能（2026年8月・国内初）

2026年8月3日、三井住友海上・あいおいニッセイ同和損保・テックユニオンは共同で、生成AI画像を用いた保険金不正請求の検知機能を導入したと発表しました。国内の保険会社が保険金支払業務にこの種の機能を導入するのは初とされています。

• 検知対象：損害状況写真、修理見積書、領収書などの損害立証資料
• 検知内容：生成AIによって作成・加工された画像、および改変・流用が疑われる画像
• 仕組み：電子的特徴と付随情報を、複数の検知技術により多層的に分析（3社共同で特許出願中）
• 位置づけ：検知結果は損害サポート部門における保険金支払業務の「参考情報」として活用

ここは誤解しやすいポイントなので明確にしておくと、この機能はAIが不正を認定する仕組みではありません。あくまで担当者の判断材料の一つとして提示されるもので、最終的な判断は人が行います。検知精度・誤検知率は公表されていません（2026年8月時点）。

3社は本機能を不正利用対策の第一段階と位置づけ、AI技術の進化に合わせて検知技術を拡充していく方針を示しています。

三井住友海上：代理店自己点検の対話支援ツール（hokan連携）

2026年6月、三井住友海上は代理店の自己点検チェックシートの回答と実際の業務運営の乖離をAIが分析し、改善ポイントと対話アドバイスを作成するツールを発表しました。対話・フィードバック内容の記録管理も可能です。株式会社hokanと連携して構築されており、2026年6月に一部の部支店で先行導入し、2026年10月から全国で本格展開する予定とされています。

あいおいニッセイ同和損保「AI Central Voice」（2026年1月）

テックタッチが提供するAIエージェントで、VoC（顧客の声）・従業員フィードバック・アプリストアのコメント・照会内容といった非構造化データを構造化データに変換します。苦情因子や頻出照会の特定、苦情の類型・量感の変遷の追跡を通じて、新規施策の検討や効果測定に活用されています。期待効果として照会件数の削減が掲げられていますが、実績数値は公表されていません。

MS&ADグループのその他の取り組み

• 三井住友海上「MS-Assistant」：全社員が利用する生成AIチャット環境。Azure OpenAI Serviceを基盤とし、NECとの協業で業務特化LLMを搭載したと公表されています。
• MS1 Brain：契約情報・顧客情報をAIで分析し、代理店の営業担当者に提案タイミングを示すシステム。ベンダー公表事例では成約率が大きく改善したケースが紹介されています。
• あいおいニッセイ同和損保の運転アドバイスプラットフォーム：テレマティクス自動車保険の走行データと運転アドバイスのデータベースを組み合わせ、ドライバー別のアドバイスを生成AIで自動作成。2025年11月から実証を開始。
• テレマティクス損害サービスシステム：トヨタ自動車との共同開発。コネクティッドカーデータ、ドライブレコーダー映像、AI動画解析、判例DBによる過失割合判定を組み合わせた事故対応の自動化。

生命保険会社のAI活用事例

出典：第一生命ホールディングス 公式サイト

生保領域で2026年に最も進んだのは、引受査定（アンダーライティング）と書類処理です。特にチューリッヒ生命の事例は、国内で数値目標つきの引受査定AIエージェントが確認できる数少ないケースです。

チューリッヒ生命「New Business 2.0」：12体のAIエージェントで引受査定

2026年7月1日、チューリッヒ生命は生命保険業界初となるマルチAIエージェントを組み込んだ新契約査定システム「New Business 2.0」を導入しました。既存査定システムのルールエンジンを高度化したうえで、マルチAIエージェントを組み合わせた構成です。

医務査定・環境査定・モラル査定（不正検知）・情報集約など、カテゴリーごとに特化した12体のAIエージェントが並列で稼働し、データ分析、業務タスクの整理、引受コメント案の自動生成を行います。

公式に示されている目標値は次の2つです。

• 自動査定率を60%に向上
• 手動査定案件の査定業務に要する時間を77%削減

この2つはいずれも同社が掲げる目標値であり、達成実績ではありません。 また、自動査定率の目標が60%ということは、裏を返せば残り約4割は人による査定が前提ということです。引受査定の完全自動化は、業界最先端の事例でもまだ視野に入っていません。

同システムは2026年7月17日発表の「Insurance Asia Awards 2026」で「AI Initiative of the Year」を受賞しています。開発はチューリッヒ・インシュアランス・グループ内で行われ、外部パートナー名や使用モデルは公表されていません。

第一生命：生成AI活用の次世代AI-OCR（2026年4月24日稼働）

第一生命は2026年4月24日から、新しいAI-OCRシステムの業務利用を開始しました。同社は2020年7月からAI-OCRで保険金・給付金支払いや各種契約手続きの自動化を進めてきましたが、従来のオンプレミス型基盤がハードウェア保守期限を迎えたことに伴う刷新です。

新システムはMicrosoft Azure上の「Azure OpenAI」と「Azure Document Intelligence」で構成され、公式リリースでは次の効果が明記されています。

• 免許証等の本人確認書類の帳票認識・文字認識精度が約2割向上
• オンプレミスからクラウドへの移行により処理量に応じた柔軟な運用が可能になり、ランニングコストを約1/2に削減

設計・開発は株式会社ヘッドウォータースが担当したと発表されています。注目すべきは設計思想で、生成AIとAzure AI Serviceを最大限活用しつつ、人による確認・判断を組み込んだHuman in the Loopのインターフェースとしている点です。

保険AIの導入で「精度」と「コスト」の両方に公式の数値が出ている事例は極めて少なく、社内で投資対効果を説明する際の参考値として使いやすい事例といえます。

このほか第一生命は、5年間で4,000億円規模のデジタル投資方針や、営業拠点へのAIアバター展開を公表しています。

住友生命：台本のないAIロールプレイング

住友生命は2025年4月25日から新人層の営業職員を対象にAIロールプレイングシステムの運用を開始し、2026年1月19日のアップデートで生成AIを活用したAIアバターとの「台本のない自由なロールプレイング」に対応しました。顧客とのリアルな対話、臨機応変な対応、ニーズの深掘り、次回アポイント取得までの一連の流れをトレーニングできるとされています。

業務効率化ではなく人材育成にAIを使うという軸で、営業職員チャネルを持つ生保にとって参考になる方向性です。

明治安田生命・日本生命

• 明治安田生命「MYパレット」：2024年10月に提供を開始した生成AI搭載の活動支援アプリで、営業職員約3万6,000人が利用しています。新規開拓からアプローチ、提案、アフターフォローまで営業プロセス全般を支援する「デジタル秘書」的な位置づけです。2025年1月にはアクセンチュアと包括的パートナーシップ契約を締結しています。なお、時間削減率などの定量成果は現時点で公表されていません。
• 日本生命「N-Chat」：2024年から全内務職員約2万人が利用可能な生成AIチャットで、約20種類のテンプレートが用意されています。

金融機関が共同でAIエージェント開発に取り組む動きも出ており、NEC×Anthropic×金融8社のコンソーシアムには明治安田生命が参画しています。単独開発から業界共同開発へという流れは、今後の保険AIを見るうえで押さえておきたい論点です。

業務別に見る保険業界のAI活用マップ

企業別ではなく業務別に整理すると、自社のどこから着手すべきかが判断しやすくなります。

着手順のおすすめ

現時点で定量効果が見えやすく、規制リスクも相対的に低い順に並べると次のようになります。

1. 社内文書・バックオフィス（全社員が対象で積み上げ効果が大きい）
2. 代理店・営業店の照会応答（RAGで実装しやすく、制度対応にも直結）
3. コンタクトセンターのオペレーター支援（削減時間で効果を説明しやすい）
4. 書類のデータ化（AI-OCRの世代交代でコスト削減も見込める）
5. 引受・支払査定の一次処理（データ蓄積とガバナンス整備が前提）
6. 顧客に直接AIが応対する領域（規制論点が最も重い）

業種横断で活用イメージを掴みたい場合は、生成AIの企業活用事例50選｜業種別・業務別に整理もあわせて確認できます。

保険会社が選んだAI基盤の比較

各社の基盤選択には、既存IT環境と用途がそのまま反映されています。

基盤選定で重要なのは「どのLLMが賢いか」ではなく、社内のどのデータとつなぐかです。 SOMPOが約款・マニュアルとの相性を理由に挙げ、損保ジャパンがデータ統合基盤の上にAIを載せているのは、いずれも同じ考え方に立っています。

保険以外の金融セクターと比較して自社のポジションを確認したい場合は、金融・銀行のAI活用事例｜メガバンク・地銀の導入比較や銀行・金融機関のAI活用事例（与信審査・不正検知・マネロン対策）が参考になります。

生成AIで攻められ、AIで守る時代へ

保険業界にとって生成AIは、業務効率化の道具であると同時にリスク要因でもあります。2026年に顕在化したのが、生成AIで作成・加工された損害写真や見積書、領収書による保険金不正請求です。

従来の不正請求は、実在する写真の使い回しや、事実と異なる申告が中心でした。しかし画像生成AIの普及により、存在しない損害を写実的に作り出すことが誰でも可能になりました。損害立証資料が写真中心である損害保険にとって、これは支払査定の前提を揺るがす変化です。

これに対する国内保険会社の公表された対抗策が、2026年8月に三井住友海上・あいおいニッセイ同和損保・テックユニオンが導入した検知機能です。ここでの設計上のポイントは3つあります。

1. 単一の技術に頼らない — 電子的特徴と付随情報を、複数の検知技術で多層的に分析する構成
2. AIに認定させない — 検知結果は保険金支払業務の「参考情報」であり、不正の認定は人が行う
3. 恒久対策とは位置づけない — 生成技術の進化に合わせて検知技術を拡充する前提（第一段階と明言）

中小の保険会社や共済がすぐに同等の仕組みを導入するのは現実的ではありませんが、少なくとも「提出された画像が生成AI製である可能性」を査定フローの想定リスクに追加しておくことは、規模を問わず今すぐ実施できる対応です。

生成AIそのもののリスクを体系的に把握したい場合は、生成AIのセキュリティリスクと対策で情報漏えい・プロンプトインジェクション・偽情報生成といった論点を整理しています。決済領域の不正検知手法と比較したい場合は決済・キャッシュレス業界のAI活用事例｜不正検知も参考になります。

金融庁「AIディスカッションペーパー第1.1版」の正しい読み方

保険会社のAI導入を語るうえで頻繁に引用される文書ですが、その位置づけを誤って理解している解説が少なくありません。 まず押さえるべきは、これが規制文書ではないという点です。

この文書は何か

• 正式名称は「AIディスカッションペーパー（第1.1版）— 金融分野におけるAIの健全な利活用の促進に向けた初期的な論点整理 —」。2026年3月3日に公表された全55ページの文書
• 2025年3月の第1.0版に、2025年6月〜12月に開催された「金融庁AI官民フォーラム」の議論を反映して改訂したもの
• 本文に「モニタリング上の目線や金融機関等に求める具体的対応を示すものではない」と明記されている

つまり、「金融庁がこれを義務付けた」という書き方は誤りです。論点整理であり、社内ルール策定の参考資料として使うのが正しい位置づけです。

根拠データは、2024年10月3日〜11月15日に実施された「金融機関等のAIの活用実態等に関するアンケート調査」で、合計130社が回答しています。回答者の約4割が預金取扱金融機関、次いで金融商品取引業者（16.9%）、保険会社（11.5%）という構成です。

金融庁のスタンス

引用価値が高いのは次の3点です。

1. 「チャレンジしないリスク」も十分に認識されるべきと明記し、リスクベース・アプローチのもとで経営陣の主体的関与を求めている
2. 技術中立が基本スタンス。既存の法令等は、AIを利用しているか否かにかかわらず適用される
3. イノベーションの過程で問題が生じても「金融機関等を過度に萎縮させないように行政対応を行う」「規制の適用関係の明確化等を通じてセーフハーバーの提供に努める」と表明

保険業務との関係では、従来型AIのユースケース一覧に「保険金等の請求管理自動化」「与信審査・信用リスク管理・引受審査」が含まれ、リスク管理の高度化の項に「保険金不正請求の検知」が明記されています。国際動向としては、欧州保険・企業年金監督局（EIOPA）が保険分野のAIガバナンスに関する意見書を公表している旨も紹介されています。

AIエージェントに関する記述

第1.1版では「2025年は『AIエージェント元年』とされる」と明記され、AIエージェントを「特定の目標を達成するために自律的に行動するAIシステム」、LLMをその思考・判断を担う「頭脳」と整理しています。複数のエージェントが相互作用するエージェンティックAIが実現すれば金融分野の多数のプロセスを自動化できる可能性があり、人手不足対応の観点からも業務実装を考える必要があるとの指摘が紹介されています。

課題として挙げられている項目（社内チェックリストに流用できる）

同ペーパーが整理する課題は、そのまま社内のAIガバナンス整備項目として使えます。

全社的な体制に関する課題

• データ整備・データマネジメント
• AIガバナンスの構築、社内ルールの策定
• 専門人材の確保・育成、投資対効果
• モデル・リスク管理、適切なサードパーティの選択
• 情報セキュリティ・サイバーセキュリティ、金融犯罪対策

個々のAIシステムに関する課題

• 説明可能性の担保
• 公平性・バイアス
• ハルシネーション
• 個人情報保護、規制対応

生成AIで新たに生じた課題としては、ハルシネーション、低い回答精度、適切な基盤モデルの選択、基盤モデルの頻繁なバージョンアップへの対応が挙げられています。最後の項目は見落とされがちですが、基盤モデルが更新されるたびに出力が変わるため、査定や照会応答に使う場合はバージョン変更時の再検証プロセスを業務手順に組み込んでおく必要があります。

なお同ペーパーでは、生成AIによるコールセンター支援について「既に業務に習熟している職員に追加的にもたらす便益は限定的だが、新たに職務に従事する職員には大きな助けとなり、職場全体の離職率低下に大きく寄与」という評価も紹介されています。AI導入の効果を時間削減だけで測ると、定着・離職率という重要な効果を取りこぼすという示唆です。

規制対応そのものにAIを使う動きについては、法律・法務のAI活用事例｜AI法施行・LegalTechでも整理しています。

AIにできないこと・任せてはいけないこと

各社の公式資料から確認できる「線引き」は、驚くほど一貫しています。先進事例ほど、AIに最終判断をさせていません。

1. AI単独で判断を確定させない（Human-in-the-Loopが事実上の業界標準）

• 損保ジャパン：生成AIの対話シナリオ素案には「必ず人間（社員）が介在して確認・修正」と公式に明記
• 第一生命：AI-OCRに「人による確認・判断を適切に組み込んだHuman in the Loop」の構成を採用
• MS&AD：AI画像検知の結果は保険金支払業務の「参考情報」であり、AIが不正を認定するわけではない
• 金融庁DP：稟議書など顧客に重要な影響を及ぼす業務では「人の関与（Human in the loop）を必須とする運用が大半」と記載

2. 顧客に直接AI出力を提示する用途には保守的

金融庁DP第1.1版は、「ハルシネーションのリスクや、生成AIに関する各金融機関等でのガバナンス体制に関する整理が途上であることを踏まえ、顧客に直接サービスが提供される分野においての生成AI利用についてはより保守的に運用している金融機関等が大半」と整理しています。

コンタクトセンターも、現状はオペレーター支援という間接利用が主流です。無人での完全自動応対は、東京海上日動のリリースでも「将来的には」という表現にとどまっています。

3. 引受査定・支払査定の完全自動化は実現していない

業界最先端のチューリッヒ生命でも、自動査定率の目標は60%です。残りは人手による査定が前提であり、「AIが査定を代替する」という表現は現時点では正確ではありません。

4. 学習データの量と質がボトルネックになる

金融庁DPでは、不正検知について自社内の学習データが限られ精度が出ず本番利用を見送った先も存在すると記載される一方、与信・引受審査は自社のヒストリカルデータの蓄積が厚く「AIのみの判断でも比較的高い精度」との評価が少なくないと対比されています。同じ「AIによる判定」でも、自社にデータが十分あるかどうかで結果が大きく変わるということです。

5. 中小代理店に大手と同じ導入は不可能

大手の事例はPalantir Foundry、Azure、Google Cloudといったデータ基盤への大型投資を前提としています。代理店規模でそのまま真似することはできません。一般的には、RAGによる社内ナレッジ検索、募集資料のコンプライアンスチェック、体制整備報告書の作成支援といった軽量な用途から始めるのが現実的です。

AIエージェントに業務権限を与える際の設計上の注意点は、AIエージェントのセキュリティ対策で権限設計・ログ管理の観点から整理しています。

規模別の現実的な進め方

大手の事例をそのまま持ち帰っても機能しません。組織規模ごとに、現時点で狙える打ち手は明確に分かれます。

費用感について

保険会社の大型導入案件は個別見積のシステム開発が中心で、導入費用を公式に開示している事例はほとんど確認できません（2026年8月時点）。相場を断定する情報には注意が必要です。

公式に確認できるコスト関連の数値は、第一生命がAI-OCR基盤をオンプレミスからAzureへ移行し、ランニングコストを約1/2に削減したという1件のみです。基盤側の価格（Gemini Enterprise、Azure OpenAI、OpenAI Enterprise等）は各ベンダーの従量・ライセンス体系に依存し、保険会社向けの特別価格は公表されていません。

代理店規模であれば、法人向け生成AIの利用料は1ユーザーあたり月数千円程度から始められます。まずはライセンス費用よりも、業務ルール策定と教育にかかる工数を見積もっておく方が実態に合います。

導入前に確認すべき項目

1. 対象業務を1つに絞ったか — 全社展開の前に、効果を数字で説明できる業務を1つ決める
2. その業務のデータは揃っているか — 学習・参照させるマニュアルや過去データが整理されていないと精度は出ない
3. テナント分離された法人向け環境か — 入力データがモデル学習に使われない契約条件かを必ず確認する
4. 人の確認をフローに組み込んだか — 顧客に影響する業務では、AI出力をそのまま採用しない設計にする
5. 基盤モデル更新時の再検証手順があるか — バージョンアップで出力が変わる前提で運用手順を作る
6. 効果測定のKPIを決めたか — 削減時間だけでなく、利用率・定着率も測る（SOMPOが利用率を公表しているのはこのため）
7. 要配慮個人情報の取り扱いを整理したか — 健康状態・傷病歴は特に慎重な扱いが必要

こんな保険会社・代理店におすすめ

全社的なAIエージェント導入を進めやすいケース

• 社内文書・照会応答・議事録など、全社員に共通する業務の総量が大きい組織
• 約款・マニュアル・過去の照会履歴といった参照させるナレッジが整理済み
• Microsoft／Google／AWSのいずれかと大規模契約があり、テナント分離環境を構築しやすい
• 経営層が業務プロセスと組織のあり方の見直しまでコミットしている
• 利用率・定着率まで含めて効果を測る文化がある（配って終わりにしない）

まず1業務に絞って段階的に進めた方がよいケース

• 社員数が数十人規模の代理店で、AI専任の担当者を置けない
• 社内のAI利用ルールがまだ策定されていない
• 顧客の健康情報・契約情報を扱う業務が中心で、入力範囲の線引きが未整理
• 基幹システムが古く、外部AIと連携するAPIがない
• 過去データがExcel・紙・個人フォルダに分散していて、参照元として使える状態にない

段階的に進める場合の順序

1. 顧客情報を入力しない前提で、社内文書の要約・作成に限定して生成AIを導入する
2. 社内ルール（入力禁止情報、確認義務、ログ保存）を明文化する
3. 過去の照会履歴・マニュアルを整理し、RAGによる社内ナレッジ検索を試験導入する
4. 制度対応業務（自己点検、体制整備報告書の下書き）へ適用範囲を広げる
5. 効果を数値で確認したうえで、顧客接点や査定領域への適用を検討する

よくある質問

Q1. 保険会社はAIエージェントにどこまで判断させられますか？

2026年8月時点の各社の実装を見る限り、AIは分析・素案作成・一次判定まで、最終判断は人というのが共通の設計です。損保ジャパンは対話シナリオ素案に社員の介在を必須とし、MS&ADのAI画像検知は結果を「参考情報」と位置づけ、第一生命のAI-OCRもHuman in the Loopを前提としています。金融庁のディスカッションペーパーでも、顧客に重要な影響を及ぼす業務では人の関与を必須とする運用が大半と記載されています。

Q2. 引受査定はAIで完全自動化できますか？

現時点ではできません。業界で最も踏み込んだチューリッヒ生命の「New Business 2.0」でも、自動査定率の目標値が60%です。残りは人による査定が前提で、この60%と77%削減という数字自体も実績ではなく目標値として公表されています。

Q3. 東京海上日動の「年間約9万時間削減」は実績ですか？

いいえ、削減見込みです。2024年度の入電実績（東京海上日動コミュニケーションズで年間約200万件超）をベースに、顧客向け最大約30%・代理店向け最大約10%の削減を試算した数値です。2026年3月4日の公式リリースに基づきます。

Q4. SOMPOはなぜGemini Enterpriseを選んだのですか？

同社の公表内容によると、約款・マニュアルといった社内ナレッジとの相性、およびGemini Notebookの存在が決め手だったとされています。一部ではMicrosoftのCopilot Studioも検証されており、単一ベンダーに完全固定しているわけではありません。

Q5. 生成AIで作られた偽の損害写真は見抜けるのですか？

三井住友海上・あいおいニッセイ同和損保・テックユニオンが2026年8月に導入した検知機能が、国内保険会社では初の公表事例です。電子的特徴と付随情報を複数の検知技術で多層的に分析する仕組みで、3社共同で特許出願中とされています。ただし検知精度・誤検知率は公表されておらず、AIが不正を認定する仕組みでもありません。3社自身も、これを不正利用対策の第一段階と位置づけています。

Q6. 金融庁のAIディスカッションペーパーは守らないと処分されますか？

いいえ。同ペーパーには「モニタリング上の目線や金融機関等に求める具体的対応を示すものではない」と明記されており、規制文書ではなく論点整理です。むしろ「チャレンジしないリスク」も認識されるべきと記載され、行政対応で過度に萎縮させない方針も示されています。社内のAIガバナンス整備の参考資料として使うのが適切です。

Q7. なぜ2026年6月以降に代理店向けAIの発表が集中したのですか？

2026年6月1日に改正保険業法が施行され、同月から日本損害保険協会の代理店業務品質評価制度が業界共通の枠組みとして本格展開されたためです。保険会社は代理店の自己点検結果を踏まえた対話で品質向上を支援する役割を担うことになり、その対話の目線統一と準備工数削減にAIが投入されました。技術が先ではなく、制度が先という順番です。

Q8. 中小の保険代理店でも生成AIは導入できますか？

できます。ただし大手と同じことはできません。現実的な出発点は、社内マニュアル・過去の照会履歴を対象としたナレッジ検索、募集資料のチェック支援、自己点検や体制整備報告書の下書き作成といった顧客の個人情報を入力しない用途です。導入時は、入力データがモデル学習に使われない契約条件であることを必ず確認してください。

Q9. 保険業界のAI市場規模や導入率の最新統計はありますか？

2026年時点の網羅的な統計は確認できていません。参考値として、NRIの調査では国内保険会社における生成AIの取り組み件数が2023年に11件、2024年に26件と増加しています（2025年4月公表）。これは2024年時点の数値であり、2026年の実態を示すものではない点に注意してください。

Q10. 保険会社がAIで一番効果を出しやすい業務はどこですか？

公表されている数値から判断すると、コンタクトセンターの応対支援と、書類のデータ化（AI-OCR）が最も効果を説明しやすい領域です。前者は削減時間として（東京海上日動：年間約9万時間の見込み）、後者は精度とコストの両面で（第一生命：精度約2割向上・ランニングコスト約1/2）公式数値が出ています。逆に、営業支援や商品開発は効果の定量化が難しく、公表数値が少ない傾向にあります。

まとめ

2026年8月時点の保険・損保業界におけるAI活用は、次のように整理できます。

• 段階が変わった：全社員へのAIエージェント配布は前提条件になり、競争軸は引受査定・不正検知・代理店品質管理といった保険固有の業務に移った
• 制度がAI導入を駆動した：2026年6月の改正保険業法施行と代理店業務品質評価制度の本格展開が、損保各社の代理店向けAI投入の直接の背景になっている
• 公式数値は限定的だが確実にある：東京海上日動の年間約9万時間（見込み）、第一生命の精度約2割向上・コスト約1/2（実績）、チューリッヒ生命の自動査定率60%・時間77%削減（目標）を区別して読むことが重要
• 定着まで開示した事例が現れた：SOMPOの1万件超のエージェント・週1回以上利用80%超という数値は、導入効果を利用率で語る先例になった
• 最終判断は人が握っている：Human-in-the-Loopは業界の事実上の標準であり、顧客に直接AIが応対する領域には各社とも保守的
• AIは防御対象でもある：生成AI画像による不正請求に対し、国内でも2026年8月に検知機能の導入が始まった

保険業界のAI関連情報は半年で状況が変わります。導入検討の際は、解説記事だけでなく、各社の公式プレスリリースと金融庁の公表資料を必ず一次情報として確認してください。

あわせて読みたい関連記事

• AIエージェントとは？仕組み・種類・活用事例をわかりやすく解説
• 金融・銀行のAI活用事例｜メガバンク・地銀の導入比較
• 銀行・金融機関のAI活用事例（与信審査・不正検知・マネロン対策）
• 証券会社のAI活用事例｜金商法対応と実務
• 生成AIのセキュリティリスクと対策
• 生成AIとは？仕組み・種類・活用例をわかりやすく解説