- 審査の効率化は「判定の自動化」と「資料整理の自動化」を分けて考えます。前者は信用コストを動かし、後者は主に工数と回答の速さを動かします。リスクの性質が違うので、承認の手続きも分けます。
- 投資判断は、信用コスト＋審査工数＋機会損失＋運用費の合計で比べます。信用コスト率が数bpの環境では、工数と機会損失の改善が信用コストの改善と同じ程度の金額になることもあるため（2節の【架空例】）、効果の見積もりから外さないことが大切です。
- スコアリングは「モデルの精度」より「入力される財務情報の質」と「どの層の申込が集まるか」で結果が変わります。2000年代の中小企業向けスコアリング貸出の教訓を、導入前の診断に組み込みます。
1. 業務フロー：時間とお金はどこで使われているか
事業性融資（企業向けの融資）の審査は、金融機関ごとに名称は違っても、おおむね次の流れで進みます。
| 工程 | 主な作業 | 担い手 | 効率化の余地 |
|---|---|---|---|
| 受付・資料徴求 | 決算書・試算表・借入明細・資金繰り表などの受領、不足資料の依頼 | 営業店 | 不足の自動判定、受付の電子化 |
| 財務の整理 | 勘定科目の転記、指標の計算、前期との比較 | 営業店・審査部 | 抽出と照合の自動化（人の確認を残す） |
| 実態の把握 | 事業内容、取引先、資金使途、返済原資の確認 | 営業店 | 面談記録の整理支援。判断は人 |
| 格付・スコア | 財務・定性情報から債務者の区分や点数を付ける | 審査部・リスク管理 | スコアリングモデル（モデル・リスク管理の対象） |
| 案件の審査・稟議 | 金額・期間・保全・条件の妥当性を判断し、稟議書にまとめる | 営業店・審査部 | 稟議書の下書き支援。決裁は権限規程どおり人 |
| 実行・期中管理 | 契約・実行、決算ごとの見直し、延滞の早期把握 | 営業店・管理部門 | 期中モニタリングの自動化 |
表は編集部の整理です。工程名・権限は各金融機関の規程で異なります。
判定（格付・スコア）は工程の一部にすぎません。効率化の対象を選ぶ前に、どの工程に何時間かかっているかを測る（5節）ことが先です。
2. お金の構造：信用コスト・工数・機会損失
(1) 信用コスト
日本銀行によると、2025年度の信用コスト率は大手行7bp、地域銀行6bp、信用金庫7bpでした（1bp＝0.01%）。日本銀行は信用コストを低位と評価しつつ、地域銀行で信用コストが10bp以上の先の割合が増えたことにも触れています。全国銀行の貸出金は2026年3月末に前年同月末比28兆538億円（4.6%）増えており（全国銀行協会）、率が低くても残高が大きいと金額は大きくなります。
個々の貸出の損失は、デフォルトの確率（PD）、デフォルト時の損失率（LGD）、デフォルト時の貸出額（EAD）の積で表す考え方が一般的です（期待損失＝PD×LGD×EAD）。スコアリングが動かすのは主にPDの見積もりの精度です。
(2) 審査の工数と(3) 機会損失
審査の工数と、回答が遅いことによる失注は、公表された業界統計が見当たりません。自社で測る必要があります。次は説明用の計算です。
| 項目 | 式【架空例】 | 年額 |
|---|---|---|
| 信用コスト | 中小企業向け貸出残高1兆円×信用コスト率6bp | 6億円 |
| 審査の工数 | 年6,000件×1件4時間×時間単価5,000円 | 1.2億円 |
| 機会損失 | 6,000件×回答の遅れによる失注5%×平均3,000万円×利ざや1.0% | 0.9億円 |
計算：1兆円×0.06%＝6億円。6,000×4×5,000＝1.2億円。6,000×5%＝300件、300件×3,000万円＝90億円、90億円×1.0%＝0.9億円。すべて説明用の仮の数字です。
この例では、信用コストを1割改善すると0.6億円、工数を半分にすると0.6億円、失注を半分にすると0.45億円の効果です。信用コストだけを見て「審査AI」を選ぶと、工数と速さの効果を見落とします。逆に、工数削減だけを見て判定の基準を緩めると、数年後に信用コストで取り返されます。
3. 選択肢の比較：4つの手段
| 手段 | 動かすお金 | 向く案件 | 主なリスク | 必要な統制 |
|---|---|---|---|---|
| スコアリング（統計・機械学習モデルによる判定・格付） | 信用コスト、工数（小口の自動判定） | 小口・定型の案件、件数が多く過去の貸倒れデータがある領域 | 財務情報の質が低いと精度が落ちる。集まる申込の層が変わる。説明が難しい | モデル・リスク管理（開発・独立検証・承認・モニタリング） |
| 資料整理の自動化（抽出・照合・指標計算） | 工数、回答の速さ | ほぼすべての案件。特に資料が多い案件 | 読み取りの誤り、誤りに気づかない転記 | 根拠の表示、人の確認、誤りの記録と再学習 |
| 定量ルール（基準値・権限規程・自動差し戻し） | 工数、判断のばらつき | 明確な基準が書ける条件（必要資料の有無、権限の上限など） | 状況の変化に追いつかない。例外が増えると形骸化 | ルール変更の承認と記録 |
| 人の審査（審査部・営業店） | 信用コスト（大口・複雑な案件）、取引関係 | 大口、新規業種、事業の将来性の評価が必要な案件 | 工数、属人化、回答の遅れ | 権限規程、審査記録、研修 |
4つは置き換えではなく組み合わせです。資料整理の自動化は、判定の基準を変えずに工数と回答の速さの改善を狙えます。スコアリングは、判定の責任と検証の体制を用意してから入れます（モデル・リスク管理の記事）。
2026年5月25日に施行された事業性融資推進法では、事業全体を担保とする企業価値担保権が使えるようになりました。担保や保証に頼らず事業の実態と将来性を評価する審査では、人の判断の比重が下がるわけではなく、むしろ資料整理の時間を減らして実態把握に時間を回す設計が求められます。
4. 判断基準：総費用の式
手段を比べるときは、次の合計が最小になる組み合わせを選びます。
総費用＝信用コスト（Σ PD×LGD×EAD の実績・見込み）＋審査工数（件数×時間×単価）＋機会損失（失注件数×平均金額×利ざや＋過剰な否決の逸失利ざや）＋運用費（システム利用料・検証・監視の人件費）
| 案【架空例】 | 信用コスト | 工数 | 機会損失 | 運用費 | 合計 |
|---|---|---|---|---|---|
| 現状 | 6.0億円 | 1.2億円 | 0.9億円 | 0 | 8.1億円 |
| A：資料整理の自動化 | 6.0億円 | 0.7億円 | 0.6億円 | 0.2億円 | 7.5億円 |
| B：小口のスコアリング自動判定 | 6.3億円 | 0.9億円 | 0.5億円 | 0.3億円 | 8.0億円 |
| A＋人の審査を大口に集中 | 5.7億円 | 0.8億円 | 0.6億円 | 0.2億円 | 7.3億円 |
合計の検算：現状6.0＋1.2＋0.9＝8.1。A 6.0＋0.7＋0.6＋0.2＝7.5。B 6.3＋0.9＋0.5＋0.3＝8.0。A＋集中 5.7＋0.8＋0.6＋0.2＝7.3。Bで信用コストが増える前提は、自動判定で通る層に財務情報の質が低い先が混ざると仮定したもの【架空例】。
判断の基準は3つです。(1) 合計で下がるか、(2) 信用コストの見込みがどれだけ不確かか（貸倒れの結果は数年遅れて出る）、(3) 失敗したときに元に戻せるか。資料整理の自動化は(3)が容易で、判定の自動化は戻すまでに貸出が積み上がる点が違います。
5. 現状診断と導入手順
- 工程ごとの時間を測る：2〜4週間、代表的な営業店と審査部で、受付から決裁までの各工程の時間と待ち時間を記録する。
- 回答までの日数と失注を記録する：申込日・回答日・結果（実行／否決／辞退）と辞退の理由を残す。辞退の理由が取れない場合は推定であることを明記する。
- 否決と貸倒れの関係を確認する：過去の承認先の貸倒れ実績に加え、否決した先が後でどうなったかは分からない（観測できない）ことを前提に置く。モデルの評価の注意点は評価の記事で扱います。
- 資料の質を調べる：決算書の形式（税理士作成か、電子データか、紙か）、勘定科目内訳の有無、試算表の更新頻度を件数で数える。
- 手段を選び、並行稼働する：まず判定を変えない資料整理の自動化を、人の作業と並べて数か月動かし、誤りの種類と件数を記録する。
- 判定の自動化は限定範囲から：金額の上限・業種・既存取引先などの範囲を決め、独立検証と承認を経て開始する。範囲の拡大はモニタリングの結果を見て決める。
6. 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 |
|---|---|---|
| 経営・取締役会等 | 与信方針、リスク許容度、モデル・リスク管理の枠組み | 個別案件の可否 |
| 融資・審査の部門長 | 自動化の範囲、権限規程、人の審査に回す条件 | モデルの検証結果の合否 |
| 審査担当者 | 個別案件の審査意見、例外の判断 | モデル・ルールの変更 |
| モデル開発（第1線） | モデルの設計・テスト・監視指標 | 使用の承認 |
| リスク管理・モデル検証（第2線） | 独立検証の結果、使用制限の要否 | 営業目標 |
| システム・データ担当 | 資料の取り込み、抽出の品質、ログの保存 | 判定基準 |
職務の詳しい切り分けは採用向けの記事にまとめています。
7. 失敗・延期・残置の判断
経済産業研究所（RIETI）のディスカッションペーパー「中小企業向けスコアリング貸出：日本の場合」は、2000年代中ごろに広がった中小企業向けスコアリング貸出で、一部の大手行が損失の急増を受けて取扱いを絞った経緯を整理しています。論文は、損失の主な原因がモデルにあったのかを問い、財務諸表の開示や監査の義務がない中小企業の財務情報の質を論点に挙げています（検証結果の詳細は原文で確認してください）。
ここから導入の判断に使える教訓は次のとおりです。
- 入力の質を先に確かめる：決算書の信頼性が低い層に自動判定を広げない。資料整理の自動化で照合の誤りを数えると、この質を測る材料にもなります。
- 集まる申込の層の変化を監視する：「早く・簡単に借りられる」商品には、他で断られた先が集まりやすくなります。開発時のデータと申込の分布を比べる指標を持ちます。
- 延期の基準を先に決める：独立検証が間に合わない、説明の手段がない、戻し方が決まっていない場合は、判定の自動化を延期し、資料整理の自動化だけを進めます。
- 残置も選択肢：大口・新規業種・再生支援の案件は、人の審査を残す方が総費用が小さいことがあります。