届いた書類を人が1枚ずつ確認している業務にAIを入れるとき、社内の説明はたいてい「速くなる」という形になります。保険大手AIGが公表している引受審査の事例は、そこへ別の軸を足してくれます。速さではなく、審査する対象の範囲です。
Claudeの公式導入事例によると、AIGは引受の審査に組み込む Underwriting by AIG Assist を作り、展開した事業ラインでは申込の審査時間を90%以上短縮し、対象となる申込の100%を審査できるようになったと書かれています。2026年3月31日時点で8つの事業ラインへ広がっており、北米で最大級の事業の1つとされるLexington Middle Market Propertyでは、引受担当者が30%超多くの申込をレビューし、55%速く見積を出せるようになったとされています。
先に補足を2つ置きます。1つめは、この取り組みの数値が2つの時点に分かれていることです。早期の展開時点として公表された値と、2026年3月31日時点として公表された値があり、測っているものも違います。2つめは、これがAIを提供している側が公開した導入事例で、第三者の検証は入っていないことです。費用、契約の条件、測定の期間、人がどこまで確認しているかは、いずれも記載がありません。確認日は2026年11月19日、原文は英語です。
この記事で扱うのは3つです。公表されている数値が何を測った値なのか。「対象となる申込の100%」という表現をどこまで読めるのか。そして同じ種類の業務を持っている日本の担当者が、公表値ではなく設計だけを借りる方法です。
起点は速さではなく、様式のそろわない書類だった
事例ページの背景は2023年から始まります。AIGはこの年、引受の工程を遅らせている原因として、保険ブローカー、顧客、第三者から多様な様式で届くデータを人手で取り込み、確認している作業を挙げました。原文の表現は across many formats です。AIGは200を超える国と地域で、企業と個人の資産保全とリスク管理を支えている保険組織だと紹介されています。
出発点がここだという順番は、読み飛ばさない価値があります。遅かったのは判断そのものではなく、判断に入る前の準備でした。事例ページには、引受担当者は以前、リスクの要約に取りかかる前のデータ集めに数週間を費やしていたと書かれています。いまは整えられたリスク要約と完全な監査証跡から、各レビューを始められるという記述です。
もう1つ押さえておきたいのは、この仕組みが何を意図して作られたかです。事例ページは、Claude 2.0 のモデルから始めて、展開した事業ラインで受け取ったすべての申込のデータを処理し分析することを意図して作られた、と書いています。全件を見ることは後から出てきた副産物ではなく、最初に置いた設計目標として書かれています。
この構造は保険に限った話ではありません。自由記述のアンケート、フォームに貼り付けられたメールの本文、代理店や販売店から届く様式の違う申込書。人が読んで形をそろえる作業が判断の前段にある業務は、どの会社にもあります。書類のレビューそのものをAIへ渡した例は契約書レビューをAIに任せたSpellbookの構成で扱いました。あちらは製品として外へ売っている側、こちらは自社の業務へ入れた側です。
公表された数値は、時点が2つに分かれている
Claudeの金融業界向けの資料には、AIGが引受の中でClaudeを使い、早期の展開でレビューの期間を5倍超に圧縮し、データの精度を75%から90%超へ引き上げたと書かれています。同じ内容は2025年7月15日に公開されたAnthropicの発表にもあり、そちらではAIGのCEOであるPeter Zaffino氏の発言として載っています。
導入事例ページ側の数値は、脚注で2026年3月31日時点と示されています。結果として並ぶのは3つです。Quoted submissions が+30%、Time-to-quote が−55%、Submissions bound が+40%。あわせて、展開した範囲では審査時間を90%以上短縮し、対象となる申込の100%を審査できるようになったとされています。
社内資料でいちばん起きやすい誤りは、この2組を足すことです。「5倍速くなって、さらに90%短縮された」という読み方は、どちらのページにも書かれていません。前者は早期の展開時点の、後者は2026年3月31日時点の記述で、測定の期間も対象の件数も示されていません。足し合わせた瞬間に、出典へ戻れない数字になります。
同じページの中でも、分けて読むべき箇所があります。結果の見出しは Quoted submissions +30% ですが、本文側の説明は「30%超多くの申込をレビューし、55%速く見積した」です。見出しは見積まで進んだ件数、本文はレビューした件数で、指しているものがそろっていません。どちらも同じページの記載なので、引用するときは「どちらの文から取ったか」を書き添えるのが安全です。
| 公表値 | その値が指している範囲 |
|---|---|
| 審査時間を90%以上短縮 | 展開した事業ライン(原文は Where deployed) |
| 対象となる申込の100%を審査 | 同じ、展開した事業ライン |
| Quoted submissions +30% / Time-to-quote −55% / Submissions bound +40% | Lexington Middle Market Property の事業。2026年3月31日時点 |
| 8つの事業ライン | 直近1年で広げた範囲(原文は eight lines of business) |
| レビューの期間を5倍超に圧縮/精度を75%から90%超へ | 早期の展開(原文は early rollouts)。時期と対象の事業は示されていない |
| 請求側の応答が数日から数時間へ、補償範囲の確認が数時間から数分へ | 初期のパイロット(原文は early pilots) |
公表値の読み分けが必要になるのは、この事例に限りません。Mercado Libreが部門ごとにAIを広げた順番では、同じページの中に数え方の違う2つの人数が並んでいました。導入事例を社内へ回すときは、数字を抜き出す前に「どの文に、どの条件で書かれているか」を1行で残しておくほうが、あとの議論が短く済みます。
「対象となる申込の100%」をどこまで読めるか
この事例でいちばん転用しやすいのは、短縮率ではなく審査の母数を全件に置いたという設計です。ただし、この表現は読み過ぎやすい形をしています。原文は enabled review of 100% of applicable submissions で、かかっているのは「展開した事業ラインの、対象となる申込」です。
「対象となる」の判定条件は書かれていません。どの申込が対象で、どれが外れるのかを決める基準が公表されていないため、100%という数字は母数の定義とセットでしか意味を持ちません。全社のすべての申込が審査されるようになった、という読み方はできません。
それでも、この置き方には学ぶところがあります。審査する件数を人の処理能力で決めると、母数は毎年の人員計画に縛られます。母数を先に「対象の全件」と決めてしまうと、足りない部分が仕組みの側の課題になります。何件処理できるかではなく、何を必ず見るかから設計するという順番です。マーケティングの業務でも、問い合わせの全文を読むのか、届いたレビューを全件分類するのか、公開前のクリエイティブを全パターン確認するのか、という形で同じ問いが出てきます。
もう1つ、この事例を自社へ持ち込むときに外せないのが監査証跡です。事例ページは、引受担当者が要約と完全な監査証跡からレビューを始められると書いています。AIが整えた材料で人が判断する業務では、後から「なぜその判断になったのか」を辿れる状態が要件になります。社内でAIの利用を広げる段取りそのものはState Farmが先に敷いたリスク審査の道筋が参考になります。
引受の次は請求。ただしパイロットと書かれている
AIGはClaudeを請求(クレーム)の組織へも広げています。Claims by AIG Assist について書かれているのは、初期のパイロットという前提つきの2つの変化です。請求が出されたあとに顧客へ応答するまでの時間が数日から数時間へ、補償範囲の確認が数時間から数分へ短くなったとされています。
ここに率の数値は出てきません。単位の変化として書かれているだけです。パイロットの段階で件数も期間も公表していないという点は、引受側の数値と区別して扱う必要があります。社内で「請求でも成果が出ている」と要約してしまうと、まだ公表されていない段階のものを実績として渡すことになります。
今後の方向として書かれているのは、目的ごとに作ったエージェントのチームによって引受チームができることを広げる、という探索です。Anthropicの支援を受けて構築・展開するとされており、時期、対象の業務、投入の規模はいずれも書かれていません。
導入事例ページには、Eric Andersen氏(ページの表記は President & CEO)の発言として、AIへの向き合い方は単純で、顧客と同僚に価値を生むものでなければならない、という趣旨の内容が載っています。作るすべての業務の流れは、同僚が速く、賢く、より一貫して働けるようにし、同時に顧客の体験と結果を良くするものであるべきだという書き方です。なお役職の表記は、2つのページでそれぞれに書かれているとおりに記載しています。
公表されていないこと
自社の判断材料にする前に、記載が無い項目を残しておきます。
| 項目 | 今回の参照範囲での記載 |
|---|---|
| 展開した事業ラインの名前(Lexington以外) | 記載なし |
| 「対象となる申込」の判定条件 | 記載なし |
| 人が確認している範囲と差し戻しの割合 | 記載なし |
| 要約の精度をどう測ったか | 記載なし(早期の展開では75%から90%超という記述のみ) |
| 測定の期間と比較の対象群 | 記載なし |
| 費用、ライセンス、契約の条件 | 記載なし |
| 社内データの取り扱いの範囲 | 記載なし |
| 請求側のパイロットの件数と対象 | 記載なし |
| 日本語での提供、日本の拠点での利用 | 記載なし |
この表の目的は、右の列を埋めないことです。とくに測定の期間と比較の対象群は、埋めたくなります。そこを想像で補うと、公表された短縮率が自社でも再現できる根拠として扱われてしまいます。
日本の担当者が持ち帰れる3点
公表値そのものより、設計のほうを借りる前提で3つ挙げます。どれも規模に依存しない部分です。
1つめは、母数を先に決めることです。この事例は、受け取ったすべての申込を処理し分析するという意図から始まっています。道具を選んでから「どこまで処理できるか」を考える順番ではありません。自社で置き換えるなら、必ず見る対象を先に1つ決めます。問い合わせの全文、特定チャネルのレビュー全件、公開前のクリエイティブの全パターン。どれでも構いませんが、選別の基準を人の処理能力で決めている箇所を見つけるところが出発点です。
2つめは、時間・件数・成約を混ぜないことです。この事例の公表値は、審査時間の短縮、レビューした件数の増加、見積と成約の増加という3つの層に分かれています。時間が短くなれば件数が増え、件数が増えれば成約が増える、という因果はページに書かれていません。社内で効果を測るときも、この3つは別の指標として置きます。時間だけが短くなって件数が変わらない状態は、十分に起こります。
3つめは、監査証跡を最初の要件に入れることです。AIが作った要約から人が判断を始める業務では、根拠を辿れることが品質管理の前提になります。あとから足すのは難しく、仕組みの作り直しになります。要約と同時に、どの資料のどこを根拠にしたのかが残る形を、選定の段階で条件に入れておきます。
なお、どの施策も効果は業務の内容と運用の条件によって変わります。この事例に出ている数値は、この会社のこの条件での公表値です。同じ道具を入れれば同じ数字になることを示すものではありません。
まとめ
AIGの公式導入事例で公表されているのは、2023年に多様な様式で届くデータの人手処理を課題として特定し、Claude 2.0 の時点から Underwriting by AIG Assist を作り、展開した事業ラインで審査時間を90%以上短縮して対象となる申込の100%を審査できるようになったこと。2026年3月31日時点で8つの事業ラインへ広がり、Lexington Middle Market Property では Quoted submissions が+30%、Time-to-quote が−55%、Submissions bound が+40%とされていることです。請求側は初期のパイロットで、応答が数日から数時間、補償範囲の確認が数時間から数分へと、単位の変化として書かれています。
費用、測定の期間、人が確認している範囲、「対象となる」の判定条件は公表されていません。それでも設計として持ち帰れるものはあります。審査する母数を先に決め、時間と件数と成約を別に測り、監査証跡を最初から要件に入れる。この事例が速さの話に見えて実は範囲の話であるのは、最初に置いた目標が「全件を処理する」だったからです。
この分野の実務を相談したい方へ
記事で扱っている内容は、当社が実務として支援している領域です。 自社で進めるか外部に任せるかの判断からご相談いただけます。