銀行のAI統制:モデルからワークフロー実行へ

概要

  • 2026年4月のOCC、Federal Reserve、FDICのガイダンスは、従来のモデルリスク管理から生成AIとエージェント型AIを除外しています。そのため、LLMワークフローには別個の統制と、実行単位の監査証拠が必要です。
  • EU AI Actは、信用スコアリング、保険のリスク評価、KYC処理を、透明性と人の監督を必要とする高リスク用途に分類しています。
  • 銀行と保険会社が求めるべき能力は5つです。オンプレミスまたはプライベートクラウド導入、実行単位の監査ログ、Active Directory・SSOと連携するRBAC、決定論的な実行、予測可能な実行ごとの費用です。
  • 決定論的なワークフロー実行は再現可能なコンプライアンス証拠を生成し、ワークフローごとの費用を15〜60倍削減できます。Jinba Flowは、オンプレミス導入と変更不能な実行単位のログを備えてこれを提供します。

金融サービスにおけるAIガバナンスは、モデル監視の問題とは異なる、ワークフロー実行の問題です。KYC文書処理、融資審査、コンプライアンスチェックに大規模言語モデルを導入する銀行や保険会社は、規制当局、監査担当者、取締役会に対して妥当性を説明できなければならない判断を生成しています。問われるのは、モデルが平均的に良い性能だったかではなく、なぜこの顧客の申請がこのように処理されたかです。

規制環境は、これを急務にしています。EU AI Actは、信用スコアリング、保険のリスク評価、KYC処理を、高リスクAI用途に分類し、それぞれに透明性と人の監督を求めます。NIST AI Risk Management Frameworkは責任あるAI導入の国内基準を示しています。また2026年4月17日、OCC、Federal Reserve、FDICは、モデルリスク管理に関する改訂監督ガイダンスを発行し、大半のベンダーや記事がまだ参照するSR 11-7とOCC 2011-12を置き換えました。

この改訂には、AIガバナンスのベンダーの多くが対応していない点があります。新ガイダンスは、生成AIモデルとエージェント型AIモデルを対象範囲から明示的に除外しています。LLMを基盤とするKYC自動化、融資審査ワークフロー、文書審査パイプラインは、モデルリスクガイダンスの対象外です。別個の統制の枠組みと、独立した監査可能な証拠の連鎖が必要です。

技術企業向けに作られた汎用AIガバナンス基盤は、その証拠を生成する設計ではありません。

汎用基盤が埋められない不足

多くのAIガバナンス基盤は、取り組み全体の層で動作します。モデルを一覧化し、ポリシーに対応付け、資産全体のモデルの健全性を示すダッシュボードを作ります。IBMはこれをうまく表現しています。watsonx.governanceは、AIエコシステムの更新される全体像による「可視性」と、自動的なポリシー適用による「制御」を提供します。これらは有用な能力で、全体の取り組みのガバナンスは必要ですが、それだけでは不十分です。

異議のある融資判断やKYCのフラグを審査する検査担当者に、モデルが前四半期のバイアス評価に合格したというダッシュボードは不要です。必要なのは、その日に、その顧客について行われた具体的なワークフロー実行のすべてのステップ、入力、出力を示す変更不能なログです。モデル単位のガバナンスでは生成できず、実行単位のガバナンスだけが生成できます。

一方、未審査のツールで別々に実験するチームは、承認・統制された環境の外で文書を処理するたびに、コンプライアンス上のリスクを蓄積します。無承認のAI利用は金融機関のコンプライアンスリスクであり、規制上の指摘に先立つパターンです。

銀行と保険会社が求めるべき5つの能力

金融サービスに最適なAIガバナンス基盤と称するなら、5つの基準を満たす必要があります。準拠した導入とリスク要因を分ける能力です。

1. オンプレミスまたはプライベートクラウド導入

顧客のPII、KYC文書、融資審査ファイルは、複数顧客が共有する公開クラウドで処理できません。外部ネットワークから隔離された導入とプライベートクラウド導入は、好みではなく必須条件です。満たせない基盤は、評価開始前に対象外になります。

2. 個々のワークフロー実行に紐付いた完全な監査ログ

概要ダッシュボードでは監査担当者を満足させられません。すべてのワークフロー実行で、各ステップ、入力データ、下された判断、生成した出力を記録する変更不能なログが必要です。これが規制対応で妥当性を説明する証拠の最低基準です。

3. Active Directory・SSOと連携するRBAC

無承認のAI利用をなくすには、ガバナンス基盤を機関の既存IDインフラと連携する必要があります。Active Directoryに紐付いたロールベースのアクセス制御は、承認された担当者だけが自動化ワークフローを設計、変更、承認、実行するようにします。これがなければ、ガバナンスポリシーとツールの実態が乖離します。

4. 再現可能なコンプライアンス証拠のための決定論的な実行

確率的なAIエージェントは、同一入力から異なる出力を生成します。監査では、ある実行のコンプライアンス証拠を別の実行の説明に使えないことになります。決定論的でルールに基づく実行は、同じ入力から同じ出力を保証し、証拠を再現可能で監査可能にします。

5. 大規模運用時のコスト予測可能性

Gartnerは、2028年までにエージェント型ワークフローごとのAI推論費用が5倍超になると予測しています。確率的なエージェントは、タスクにLLMの推論が必要かにかかわらず毎回トークンを消費し、これをさらに悪化させます。決定論的な基盤は、固定され予測可能な実行ごとの費用を提供します。金融サービスの規模では、コスト差は周辺的ではなく構造的です。

金融サービス向け主要AIガバナンス基盤の比較

Gartnerは2026年5月、初のMagic Quadrant for AI Governance Platformsを公表しました。新しい分野であり、多くの機関の評価基準は、金融サービスが求めるワークフロー層の要件にまだ調整されていません。以下の表では、上記5つの基準を4つの基盤に適用します。

能力

Jinba

IBM watsonx.governance

Credo AI

OneTrust

オンプレミス/プライベートクラウド導入

✅

✅

🟡

🟡

個々のワークフロー実行に紐付いた監査ログ

✅

🟡

❌

❌

Active Directory/SSOと連携するRBAC

✅

✅

✅

✅

決定論的な実行

✅

❌

❌

❌

大規模運用時のコスト予測可能性

✅

❌

❌

❌


Jinba:ワークフロー実行層のガバナンス

Jinbaは、YCの支援を受けたSOC II準拠のAIワークフロー基盤です。規制下の大企業向けに作られ、主な導入先は銀行と保険会社です。違いは構造にあります。ガバナンスを事後に観測するのではなく、実行時に強制します。

導入。Jinbaは、外部ネットワークから隔離された環境でのオンプレミスおよびプライベートクラウド導入に対応します。厳格なデータ所在地要件を持つ金融機関も、自社インフラの外で顧客データを処理せずに導入できます。

監査ログ。Jinba Flowは、個々のワークフロー実行について、完全で変更不能な監査ログを生成します。各ログにはすべてのステップ、入力、出力を記録します。全体の取り組みの概要ではなく、特定の判断に関する規制当局の問いに答える実行単位の証拠です。

RBACとID。Jinba Appはワークフローの構築と実行を分離します。構築担当者はJinba Flowで自動化を設計・導入します。コンプライアンス担当者、KYC分析担当者、融資処理担当者などの業務利用者は、RBAC、SSO、Active Directory連携を備える統制された画面で承認済みワークフローを実行します。このアーキテクチャは、無承認のAI利用を生む条件をなくします。

決定論的な実行。Jinbaのワークフローは、設計上80%がルールに基づきます。同じ入力から毎回同じ出力を生成するため、コンプライアンス証拠は再現可能で監査可能です。これが説明可能性の要件に対するアーキテクチャ上の答えです。取締役が特定の融資申請の却下理由を問うとき、ステップごとに追跡できます。

コスト予測可能性。同じ決定論的なアーキテクチャによって、確率的なエージェントの同等方式より費用を15〜60倍削減します。大規模運用時のワークフローごとの月額費用を数百ドルから$5〜20へ下げます。毎日数千件の取引でAIの試行を本番へ進める機関にとって、予算を維持できる道です。


IBM watsonx.governance:企業規模の取り組み全体のガバナンス

IBM watsonx.governanceは、全社のAIガバナンス活動で認められたリーダーです。強みは幅広さと連携です。モデル群全体の可視性を提供し、ポリシー適用を自動化し、ユースケース単位のコンプライアンス証拠を記録します。IBMは、大規模に統制した2,700件のAIユースケースを実績として挙げています。

金融サービスでは、その実績が制約も示します。全体の取り組みの指標は、AI資産全体についての問いに答えますが、個々の取引への問いには答えません。監査機能はモデルの結果とリスク情報を追跡しますが、特定のKYCチェックのステップ単位のログは生成しません。またIBMは決定論的な実行を強制しないため、その基盤の確率的なエージェントには、大規模運用でコンプライアンスとコスト両方のリスクがあります。

AI資産一覧とポリシー対応付けの正式な管理基盤が必要な機関に、watsonx.governanceは成熟した、十分な支援のあるインフラを提供します。ただし単独では、ワークフロー層のガバナンスの不足を埋めません。


Credo AIとOneTrust:ポリシーとリスクの文書化の専門基盤

Credo AIとOneTrustは、AIガバナンスのポリシー、リスク評価、コンプライアンス文書化の層で動作します。両者はAIシステムを一覧化し、規制の枠組みに対応付けることを支援します。どちらもRBACと標準的な企業向けアクセス制御を備えます。

どちらも、細かな実行ごとの監査ログは生成しません。役割は、ワークフロー実行ごとの決定論的な出力を記録することではなく、導入前および導入中のモデルの評価と文書化です。両者の導入の選択肢は、金融サービスの外部ネットワークから隔離された環境向けに設計された基盤ほど成熟していません。どちらも、大規模な確率的実行のコスト構造には対応しません。

規制文書化とAIリスク評価では、両基盤に実質的な役割があります。ただし、ワークフロー層のガバナンスの代わりにはなりません。

モデル監視からワークフローガバナンスへ

OCC、Federal Reserve、FDICの改訂ガイダンスと、モデルリスクの対象から生成AIとエージェント型AIを明示的に除外したことにより、AI主導の金融ワークフローのコンプライアンス負担は、多くの機関が依拠してきた枠組みの外に移っています。取り組み全体のガバナンスツールは必要ですが、それだけでは不十分です。

検査担当者の要求を満たす基盤は、取引単位の証拠を生成するものです。すべての自動判断について、何が、どの順序で、どのデータによって起きたかを正確に示す変更不能なログです。この証拠は、モデル層で監視する基盤ではなく、実行層で統制する基盤からしか得られません。

説明に耐えられるAIワークフローインフラを構築する準備がある機関の次のステップは、現在の導入が5つの基準に対してどこに位置するかを評価し、制御されていない実行リスクを持つワークフローを特定し、次の検査周期の前に計画を作ることです。

Jinbaのコンサルティングチームは、MUFGやMitsubishi Bankを含む企業とこの評価に取り組んできました。約70件の導入事例を基盤としています。無料のAI戦略評価は、AIへの準備状況の評価と、経営陣が取締役会へ提出できる明確な計画を、Big Fourへの依頼で一般的な6〜12か月ではなく、数週間で提供します。

機関が現在、金融データを使うAIワークフローを実行しているなら、統制の枠組みを確立する時期は規制上の指摘が起きる前です。Jinbaの無料AI戦略評価を予約してください。

よくある質問

モデル単位とワークフロー単位のAIガバナンスの違いは何ですか?

モデル単位のガバナンスは、資産全体にわたる集計されたモデル性能、リスク、ポリシー遵守を監視します。ワークフロー単位のガバナンスは、個々の自動判断について変更不能なステップごとの証拠を記録します。金融規制当局と監査担当者が、KYC、融資審査、コンプライアンススクリーニングなどの高リスク用途で求めるのは後者です。

改訂されたOCC、Federal Reserve、FDICのモデルリスクガイダンスは、生成AIにどう影響しますか?

2026年4月の共同ガイダンスは、従来のモデルリスク管理の範囲から生成AIモデルとエージェント型AIモデルを明示的に除外しています。そのため銀行と保険会社は、SR 11-7型のモデル検証に頼るのではなく、LLM主導のワークフローに別個の統制の枠組みを確立し、取引単位の監査証拠を生成する必要があります。

金融サービスのAIガバナンスの主な要件は何ですか?

金融機関は5つの能力を求めるべきです。オンプレミスまたはプライベートクラウド導入、個々のワークフロー実行に紐付いた完全な監査ログ、Active Directory・SSOと連携するRBAC、再現可能なコンプライアンス証拠のための決定論的な実行、大規模運用でも予測可能な実行ごとの費用です。

AIのコンプライアンスに決定論的な実行が重要なのはなぜですか?

決定論的な実行は、同じ入力から毎回同じ出力を保証します。そのため、コンプライアンス証拠は再現可能で監査可能です。一方、確率的なAIエージェントでは、同一入力が異なる結果を生むことがあり、規制当局が特定の判断を検証する能力を損ないます。

実行単位の監査ログとは何ですか?

実行単位の監査ログは、1回の自動ワークフロー実行について、すべてのステップ、入力、判断、出力を記録します。資産全体の概要ではなく、なぜ融資が承認され、KYC案件にフラグが付いたかを再現するために、検査担当者が必要とする具体的な証拠を提供します。

銀行と保険会社は、無承認のAI利用をどうなくせますか?

構築と実行を分離し、既存のIDインフラと連携するAIワークフローガバナンス基盤を導入するべきです。Active DirectoryとSSOに紐付いたRBACは、承認された担当者だけがワークフローを設計、変更、実行するようにし、未審査のツール利用を生む条件を取り除きます。

金融サービスに最適なAIガバナンス基盤は何ですか?

主要な選択肢には、Jinba、IBM watsonx.governance、Credo AI、OneTrustがあります。金融サービスで最も重要な違いは、ワークフロー実行層でガバナンスを強制し、実行ごとの監査ログを生成するかです。この能力ではJinbaが先行し、IBMは取り組み全体のガバナンスを提供し、Credo AIとOneTrustはポリシーの文書化に重点を置きます。

大規模なAIワークフローガバナンスには、どれくらいの費用がかかりますか?

コストはアーキテクチャに依存します。決定論的でルールに基づく基盤は、確率的なエージェントに比べてワークフローごとの費用を15〜60倍削減でき、大規模運用のワークフローごとの月額費用を数百ドルから約$5〜20へ下げます。毎日数千件を処理する機関には、予測可能な実行ごとの料金が不可欠です。

人馬一体のワークフロー構築を体験せよ

エンタープライズ組織を支えるAI基盤

無料で始める