結論（3行）
- 査定支援の仕組みは「書類を読む（OCR・項目抽出）」「条件を当てる（ルールエンジン）」「材料を探して示す（検索・AIによる支援）」「決める（人の承認）」の4つに分けて選びます。
- 評価は処理時間とコストだけでは足りません。過少支払（正当な支払を削ること）を現行より増やさないことを、満たさなければ採用しない条件として先に置きます。
- 不払い・減額の方向の判断は人が根拠を確かめて決め、システムは「根拠を示す」「迷ったら人に渡す」「記録を残す」役に徹する設計が、監督指針や海外の当局の考え方とも整合します。
1. お金の構造：査定の費用と、誤りの費用は別に数える
生命保険会社の給付金は2024年度に5兆697億円、損害保険会社の正味支払保険金は約5.6兆円でした（生命保険協会、日本損害保険協会）。この支払を支える査定業務の費用は、主に次の3つです。
- 処理の費用：書類の受付・入力、不備の照会、査定、再鑑、支払の人件費とシステム費用
- 誤りの費用：過大支払の回収、過少支払の追加支払と契約者への説明、苦情対応
- 遅延の費用：処理日数が延びることによる契約者の不利益と問い合わせ
注意すべきは、過少支払は会社の費用としては小さく見えることです。払わなかった分は手元に残るため、「誤りの費用」の合計で比べると、正当な支払を削る仕組みが有利に見えてしまいます。【編集部の見方】2005〜2008年の不払い・支払漏れ問題で多くの会社が行政処分を受けた背景にも、この構造があったと考えます（支払管理態勢の解説）。
2. 4つの仕組みの比較表
| 仕組み | 得意なこと | 誤り方 | 主な費用 | 主な運用者 |
|---|---|---|---|---|
| OCR・項目抽出（書類を読む） | 診断書・領収書・診療明細書などから日付・日数・名称・金額を取り出し、入力の手間を減らす | 読み違い（数字・日付）、欄の取り違え、手書きや様式の違いへの弱さ。誤りに気づかず次工程に流れる | 利用料・開発費、確認画面の開発、様式ごとの調整 | 事務部門・システム部門 |
| ルールエンジン（条件を当てる） | 契約の保障内容と請求内容を突合し、支払対象・計算・他の給付の漏れ候補を判定する | ルールの書き漏れ・商品改定への追随遅れ。書かれていない例外に弱い | ルールの作成・テスト・保守の人件費 | 支払部門（業務ルールの持ち主）とシステム部門 |
| 検索・AIによる支援（材料を探して示す） | 約款条項・社内基準・過去の類似判断を探して示す、書類の要点をまとめる、不備や矛盾の候補を挙げる | 関係の薄い根拠を示す、もっともらしい誤りを書く、根拠の場所が示せない | 利用料、評価データの作成、継続的な評価の人件費 | システム部門・支払部門 |
| 人の承認（決める） | 例外・医学的・法的な判断、契約者への説明、最終的な支払可否 | 見落とし、担当者による差、件数が多いと確認が形式化 | 査定担当・専門査定の人件費、教育 | 支払部門（査定担当・医務・法務） |
表は編集部の整理です。サービス各社の機能や精度は「製品説明」であり、自社の書類で検証するまで導入実績とは扱いません。
公表されている動き
- 金融庁のAIディスカッションペーパー（2025年3月）は、保険会社などへのアンケートで、従来型AIの業務効率化の例に「保険金等の請求管理自動化」、リスク管理の例に保険金不正請求の検知や査定業務での活用を挙げ、保険の業態固有の論点として引受審査・査定・保険販売を整理しています。
- 2025年6月の金融庁AI官民フォーラムでは、大手損害保険グループの発表者が、事故・災害の損害査定でのAI画像解析により査定の均質化・標準化と不正請求の検知に効果が得られていると述べています（会社の発表。効果の数値は抜粋で確認できず）。
- 生命保険協会は、診断書の機械印字化ソフトの普及に向けた補助金支給に取り組んだことがあります。書類が電子・定型になるほど、OCRより「データで受け取る」ほうが誤りを減らせます。
3. 自動化してよいこと・しないこと
| 区分 | 例 | 考え方 |
|---|---|---|
| 自動化しやすい | 書類の項目抽出（確認つき）、契約情報の表示、計算、漏れ候補の抽出、不備の候補の提示 | 誤っても人の確認や再鑑で拾える設計にする |
| 条件つきで自動化を検討 | 書類と契約が定型に一致し、支払う方向の案件の処理 | 対象範囲・条件を文書化し、事後のサンプル検証を必ず置く |
| 人が決める | 不払い・減額・告知義務違反の適用・免責の判断、医学的・法的判断、苦情案件 | 監督指針は高度な法的・医学的判断を要する案件で法務部門や医師の意見を聞く態勢を求めている。システムは根拠の提示と記録に徹する |
米国の保険監督者の団体NAICが2023年12月に採択したAI利用に関するモデル通達は、AIの管理の対象に「保険金の管理と支払」と「不正検知」を明示し、消費者に不利益な結果をもたらしうる判断に使うモデルの一覧を保険会社が持つことへの期待を示しています（法令ではなくモデル通達）。日本の制度とは別ですが、不利益な方向の判断ほど説明と記録を厚くするという考え方は共通しています。
4. 判断基準：制約を先に、効率を後に
採用の条件（満たさなければ採用しない）：同じ請求群で、①過少支払の件数が現行以下 ②不払い・減額の判断に人の承認と根拠の記録が残る ③システムが判断できない案件が人に渡る
そのうえで比べる：処理日数、1件あたりの処理時間、過大支払の件数、運用費用
そのうえで比べる：処理日数、1件あたりの処理時間、過大支払の件数、運用費用
架空例：OCR＋確認画面の導入を判断する【架空例】
以下は説明用の架空の数字です。実在企業の実績ではありません。
| 項目 | 現行（手入力） | 案1：OCRの結果をそのまま使う | 案2：OCR＋根拠を示す確認画面 |
|---|---|---|---|
| 月の請求件数 | 10,000件 | 10,000件 | 10,000件 |
| 1件あたりの入力・確認時間 | 8分 | 1分 | 3分 |
| 月の作業時間 | 約1,333時間 | 約167時間 | 500時間 |
| 支払額に影響する項目の誤り | 20件 | 100件 | 15件 |
| うち過少支払の方向 | 10件 | 50件 | 7件 |
| 採用の条件①（過少支払が現行以下） | 基準 | 満たさない | 満たす |
前提【架空例】: 作業時間＝件数×分÷60（10,000×8÷60≒1,333、10,000×1÷60≒167、10,000×3÷60＝500）。案1はOCRが入院日数などを1%（100件）読み違え、半数が少ない方向と置いた。案2は読み取りの確信度が低い項目と、書類内の矛盾（入院日と退院日と日数が合わない等）がある項目を強調表示し、根拠の位置を画面に示して人が確認する。
時間の削減だけなら案1が最大ですが、過少支払が5倍になり採用の条件を満たしません。案2は削減幅が小さくても（約1,333時間→500時間、約833時間の削減）、誤りを減らせます。「人の確認を外す」ことで得られる時間は、誤りの増加と引き換えだと明示して比べます。
5. 評価で測ること
| 測ること | 定義の例 | なぜ必要か |
|---|---|---|
| 項目ごとの抽出精度 | 支払額に影響する項目（日付・日数・手術の有無・金額）ごとの正解率 | 全体の平均では重要な項目の誤りが隠れる |
| 過少支払・過大支払の方向別件数 | 誤りが支払額をどちらに動かすか | 正当な支払を削っていないかを直接見る |
| 根拠の正確さ | 示した根拠（書類の位置、約款条項）が本当に結論を支えている割合 | 人が確認できる形でないと承認が形式化する |
| 人への引継ぎ率と見逃し | システムが「判断できない」として人に渡した割合と、渡すべきだったのに渡さなかった件数 | 自動処理の範囲が適切かを確かめる |
| 処理日数 | 受付から支払までの日数の分布 | 契約者から見た効果 |
エンジニア側の評価の設計はエンジニアの責任範囲の記事、合成書類での演習は抽出評価の演習で詳しく扱います。
6. 導入手順（E2E）
- 現状を測る：書類の種類別件数、入力・確認時間、不備照会の件数、処理日数、過去の追加支払・回収の原因を同じ表にする。
- 評価用の書類を用意する：実在の診断書は外部に出さず、社内の権限ある環境で使うか、合成の書類を作る。病歴は個人情報保護法の要配慮個人情報にあたるため、取扱いの規程を先に確認する。
- 対象を絞る：書類の種類と請求の種類を1つずつ選び、支払額に影響する項目を決める。
- 並行稼働する：現行の手順を残したまま新しい仕組みの結果を記録し、過少支払・過大支払の方向別に比べる。ここで採用の条件を満たさなければ延期する
- 確認画面を設計する：確信度が低い項目、書類内の矛盾、根拠の位置を示し、担当者が修正した記録を残す。
- 人に渡す条件を決める：不払い・減額の候補、様式外の書類、専門査定の回付条件に当たる案件は必ず人へ。
- 範囲を広げる：書類・請求の種類を1つずつ追加し、そのたびに並行稼働で確かめる。
- 商品改定と連動させる：特約の追加・改定のたびにルールと抽出項目を見直し、テストする。
- 事後検証に組み込む：自動処理した案件からも定期的にサンプルを取り、支払部門以外が見直す。
7. 体制：決めること・決めないこと
| 役割 | 決めること | 決めないこと |
|---|---|---|
| 支払部門の責任者 | 自動化してよい範囲、人に渡す条件、採用の条件の水準 | モデルや製品の技術的な選定の詳細 |
| 査定担当・専門査定 | 個別案件の支払可否と金額。システムの示した根拠の採否 | システムの仕様 |
| 支払管理・コンプライアンス | 並行稼働と事後検証の結果の評価、苦情との照合 | 個別案件の一次査定 |
| システム企画・エンジニア | 抽出・突合・検索の仕組みの正確さ、評価の方法、記録と変更管理 | 支払可否、自動化範囲の最終承認 |
| 経営 | 投資の可否、延期・中止の承認 | 個別の判断 |
8. よくある失敗と注意点
- 削減時間だけで決める：人の確認を外した時間は誤りの増加と引き換えです。方向別の誤りを並べて判断します。
- 製品説明の精度をそのまま信じる：様式・手書き・画質で精度は大きく変わります。自社の書類か、それに似せた合成書類で測るまで判断に使いません。
- AIの要約を判断の根拠にする：要約は書類そのものではありません。根拠は書類の該当箇所と約款条項で示し、担当者が原本を確認できるようにします。
- 不正対策と支払漏れ対策を別々に作る：不正の疑いの検知だけを強めると、正当な請求の処理が遅れたり不払いが増えたりします。同じ評価表で両方を見ます。
- 残置の判断：様式がばらばらで抽出精度が上がらない書類は、無理に自動化せず手入力のまま残し、データで受け取る取組み（簡易請求・電子化）を優先するのも選択肢です。
9. 関連する記事
出典（2026年10月12日確認）
- 生命保険協会「2025年版 生命保険の動向」
- 日本損害保険協会「種目別統計表（2024年4月〜2025年3月）」
- 金融庁「AIディスカッションペーパー（第1.0版）」（2025年3月）
- 金融庁「金融庁AI官民フォーラム（第1回）議事要旨」（2025年6月18日）
- 金融庁「保険会社向けの総合的な監督指針」Ⅱ－4 業務の適切性
- NAIC「NAIC Members Approve Model Bulletin on Use of AI by Insurers」（2023年12月）
- 生命保険協会「診断書様式作成にあたってのガイドライン」
- 生命保険協会「診断書機械印字化ソフト普及に向けた補助金支給の取組み」
- 個人情報保護委員会「『要配慮個人情報』とはどのようなものを指しますか」（FAQ）