FSBが金融機関のAIガバナンスに関する12の実践を提案

2026年10月15日、金融安定理事会（FSB）は「金融機関による責任ある人工知能の採用に関する健全な実践」の最終報告書を発表し、金融機関が参考にすべき12のガバナンス実践を提案しました。この報告書は、AI戦略、リスク評価、データ管理、人工監視、サイバーセキュリティ、第三者サービスなどの側面をカバーし、金融機関が近年生成AIやエージェントAIを導入する中で生じた一連の管理問題に対応しています。

金融機関のAIガバナンスは、ビジネスリーダー、リスクチーム、外部サプライヤーをつなげます。

この報告書は公開意見募集を経て最終化され、機関が自らのビジネスとリスク状況に応じて参考にできる国際的な実践フレームワークを提供します。金融機関は実施する際に、地域の具体的な法律や規制要件を考慮する必要があります。

なぜこの一連の実践が取締役会、データ、モデル、サプライヤーなど多くの側面をカバーする必要があるのでしょうか？一般的なプロジェクトを通じて理解できます：銀行がAIを用いて中小企業向けの融資を支援しようとしています。ビジネスチームは審査時間を短縮したいと考え、モデルチームは識別精度を気にし、コンプライアンスチームは顧客情報と決定の説明を重視し、運用チームはサプライヤーがサービスを停止した場合でも融資業務が継続できるようにする必要があります。モデルのパフォーマンスだけを確認しても、他の関係者の質問には答えられません。FSBのこの報告書は、これらの意思決定を同一の管理プロセスに組み込もうとしています。

1. 12の実践は機関ガバナンスからAI全周期へと広がる

FSBは12の実践を2つのグループに分けました。最初の4つは機関レベルのガバナンスに焦点を当て、残りの8つはAIの導入、開発、展開、継続的使用の各段階をカバーしています。

4つの機関ガバナンスの実践は、責任、記録、継続的調整を管理フレームワークに組み込みます。

機関ガバナンスの部分では、まず取締役会と上級管理職がAIの使用をビジネスモデル、リスク許容度、全体戦略と一緒に考慮することを求めています。AIが信用審査、顧客サービス、取引監視、内部意思決定に関与する場合、管理職はそれがどこで使用され、どのような機能を担い、エラーが発生した場合にどのような影響があるかを理解する必要があります。

第二の実践は責任の明確化を強調しています。機関はビジネス、技術、リスク、コンプライアンス、監査チームがそれぞれどのような責任を負うかを明確にし、AIリスクを既存のリスク管理フレームワークに組み込む必要があります。第三の実践はこの考えを引き継ぎ、AIの使用方法、リスク評価、および関連するコントロールを記録することを求めています。

記録の価値は、問題が発生したときに、機関がシステムがどのような判断を下したか、どのデータを使用したか、誰が決定を下したか、そしてその時点でどのコントロールが機能していたかを再現できることにあります。第四の実践は、技術とビジネス環境が変化するため、ガバナンス構造もそれに応じて調整する必要があることを機関に思い出させます。

これら4つの実践は、AIプロジェクトが誰によって承認され、誰が維持し、誰が停止する権限を持つかを決定します。取締役会はモデルのパラメータを個別に審査する必要はありませんが、機関がAIをどの重要なビジネスに導入し、どのような利益を期待し、どの程度のリスクを負う準備があるかを把握する必要があります。管理職はその後、全体的な要件を製品承認と職務に落とし込みます。たとえば、融資業務の責任者はAIの提案がどの段階の承認に進むかを決定し、モデルリスクチームはテストを設計し、コンプライアンス担当者は顧客の権利を確認し、内部監査は前述のコントロールが実際に機能しているかを評価します。職務間に空白がある場合は、稼働前に最終的な決定者を指定する必要があります。

FSBが言う文書は、製品説明書を保存することと同じではありません。ユースケースは、ビジネス目的、データソース、モデルバージョン、テスト結果、人工介入の位置、第三者依存、および重大な変更記録を追跡できる必要があります。その後、顧客が承認結果に異議を唱えた場合、機関はこれらの資料に沿ってプロセスを再現できます。すでに購入したオフィスソフトウェアについても同様です：元々AIを含まない製品に自動要約や顧客分類機能が追加された場合、機関は入力データの流れと使用範囲を再確認する必要があります。

後の8つは具体的な使用シーンから出発し、AIユースケースの重要性とリスク評価、モデルとシステムの選択、データガバナンス、説明可能性と透明性をカバーしています。後続の実践は、システムのパフォーマンス、人間の監視、ネットワークおよび情報通信技術（ICT）リスク、第三者AI依存にも関わります。

12の実践はガバナンステーマに従って編成されており、多くの要件がAI使用の複数の段階にわたって貫かれています。機関は自らの規模、ビジネスの複雑さ、金融システムにおける役割、AIが重要なビジネスに入る程度に応じて、コントロール措置の深さを決定できます。

ここでの「重要性評価」（materiality assessment）は、簡単に言えば、特定のAIアプリケーションが機関の重要なビジネス、顧客の権利、またはリスク決定に影響を与えるかどうかを判断することです。会議の議事録を整理するためのツールと、融資承認や顧客資産管理に関与するシステムは、異なる審査強度を設定する必要があります。FSBは、アプリケーションシーンとリスクに応じてガバナンスの強度を設定し、機関がより大きな影響を与える用途により多くのコントロールリソースを投入できるように提案しています。

このライフサイクル管理は、機関がデータ、モデル、ビジネスシーンを一緒に見直すことを要求します。トレーニングと運用データの質はモデルの出力に影響を与え、モデルの更新は既存のパフォーマンスを変える可能性があり、顧客と従業員の使用方法も新たなリスクをもたらす可能性があります。したがって、リスク評価は選定、テスト、稼働、継続的運用にわたって貫かれる必要があります。

第五の「重要性とリスク評価」は、プロジェクト立ち上げ時に第一回目を完了し、その後、用途が変更されたり、データ範囲が拡大したり、モデルが更新されたりする際に再実施されるべきです。カスタマーサービスの知識ベースが製品の営業時間を回答することと、自動的に顧客に高リスク投資商品を推奨することは、異なる消費者に対して異なる結果をもたらします。機関は影響を受ける人数、決定の可逆性、データの感度、財務リスク、および人工的な引き継ぎ能力を評価表に組み込み、どのようなテストと承認が必要かを決定できます。こうすることで、リソースは実際に顧客に損害を与えたりサービスを中断させたりする可能性のあるシステムに優先的に流れます。

第六の実践は選定です。市場には自社で構築したモデルもあれば、外部APIや一般的なソフトウェアに組み込まれたAI機能もあります。ビジネスチームは通常、価格と機能を最初に見ますが、リスクチームは次のような質問をしなければなりません：モデルは本機関の言語、顧客層、市場条件で安定して機能するか？サプライヤーの更新時に通知はあるか？データはさらなるトレーニングに使用されるか？限られた技術資料しか得られない場合、機関はまず用途とデータ範囲を制限し、稼働後に自社のサンプルを使って継続的にテストすることができます。購入したデモを正式な検証と見なすべきではありません。

第七、八の実践はデータと説明に関連しています。もし融資履歴のサンプルが特定の顧客を欠いている場合、モデルはその種の申請に対して継続的に不正確になる可能性があります。また、前線の従業員が推奨結果を説明できない場合、顧客の異議を処理することがさらに難しくなります。データガバナンスはしたがって、完全性、正確性、出所の許可、アクセス権およびセキュリティを含みます。説明可能性の要件もシーンに応じて配置されるべきです：内部検索のための出所を提供することと、顧客にその融資機会に影響を与える決定を説明することでは、達成すべき明確さの程度が異なります。FSBは、説明が難しいモデルに対して用途制限、再確認、追加テストなどの補償コントロールを設定することを許可しており、重要なのは決定を下す人が十分な情報を把握することです。

第九、十の実践は日常運用に入ります。機関はモデルのパフォーマンスがビジネス環境の変化に伴って変わるかどうかを監視し、エラー率、苦情、異常な呼び出し、人工的な再判断の状況を観察する必要があります。監視指標は元の用途と関連付ける必要があります。人工監視も実際の権限を持つべきです。監査員が画面上で「同意」をクリックするだけでは、根拠が見えず、出力を変更する権限もないため、監視は機能しにくくなります。高リスクプロセスには強制的な二次確認、サンプリング再確認、自動停止閾値を設定できます。人工がなぜモデルの提案を採用または覆したのかを記録することで、逆にテストを改善できます。

最後の2つの実践はAIを技術およびサプライチェーン環境に戻します。モデルインターフェース、データコネクタ、エージェントツールは新たな攻撃の入口となる可能性があり、サイバーセキュリティ演習は、提示の注入、キーの漏洩、誤ったツールの呼び出し、外部サービスの中断をカバーする必要があります。サプライヤーリスクには、モデルのパフォーマンス、透明性、トレーニングおよび運用データの質、サブコントラクトのチェーン、および集中依存が含まれます。複数の銀行が少数のクラウドプラットフォームや基盤モデルを同時に使用している場合、特定のサプライヤーの故障はより広範なビジネス影響を持つ可能性があります。機関は少なくとも重要な依存先がどこにあるか、重要なビジネスが中断した場合に誰が引き継ぐかを知る必要があります。

2. 公開意見により最終稿に運用レベルの詳細が補完された

FSBは2026年6月に相談稿を発表し、7月22日に意見募集を終了しました。最終的に約160件のフィードバックが寄せられ、銀行、保険会社、その他の金融機関、業界団体、技術サービスプロバイダー、学界、公共部門からのものでした。全体として、回答者は原則に基づき、比例性を強調する実践を支持し、同時に実施における実際の困難も提起しました。

最終稿は原則指向と技術中立のフレームワークを保持し、小規模機関が既存の職務と外部専門能力を活用してガバナンスを実施する方法についての説明を補足しました。ケーススタディの部分には保険会社、資産管理機関、決済サービスプロバイダーの実践が追加され、これらの実践がより多くのタイプの機関に適用できるようになりました。FSBはケーススタディを実践パスの展示として位置づけており、具体的なアレンジは機関自身の状況に応じて行う必要があります。

第三者AIはフィードバックの中で集中している問題の一つです。金融機関が外部モデルや組み込みAI製品を使用する際、可視化されたモデル、データ、サプライチェーン情報はしばしば限られており、独立したリスク評価の難易度が増します。少数の重要なサービスプロバイダーがAIインフラストラクチャにおいてシェアを増やすことで、機関はサービス中断後のサプライヤーの切り替えやビジネスの回復に関心を持つようになっています。

第三者依存とサイバーセキュリティもAI全ライフサイクル管理に組み込まれました。

最終稿はそのため、第三者AIに関する議論をさらに拡張し、組み込みAI、サブコントラクトサービス、およびサプライチェーン依存をカバーし、集中度管理、ビジネス継続性、退出計画を強調しました。重要なサービスの退出計画は、簡単に言えば、サプライヤーがサービスを停止したり、契約が終了したり、リスクが機関の許容範囲を超えたりした場合に、機関がどのようにサービスを切り替えたりビジネスを維持したりするかを示します。

契約交渉の中で、金融機関は次の4つの事柄について情報を取得できます：サプライヤーが入力と出力をどのように処理するか、重大なモデルやサービスの変更をどのように通知するか、事故時に提供できるログ、契約終了後にデータがどのように返還または削除されるか。大規模なサービスプロバイダーは必ずしもすべての顧客のカスタマイズ条項を受け入れるわけではありませんが、機関はアクセス範囲を制限し、内部バックアッププロセスを保持し、代替パスを定期的にテストすることで単一の依存を減らすことができます。いわゆる退出計画は、最終的には人員、データ形式、変換に必要な時間に落ち着くべきであり、契約の中の「終了可能」といった表現に留まるべきではありません。

エージェントAIも修正の重点となりました。これは一般的なテキスト生成ツールとは異なり、設定された目標の後に複数のステップを連続して実行できるものであり、一部のシステムは外部ツールを呼び出したりビジネスデータにアクセスしたりします。フィードバック意見は、実行前の承認、最小権限、不変の操作記録、実行時監視などのコントロールの考え方を提案しました。最終報告書は関連する考慮事項を追加し、この部分の実践はまだ発展途上であり、将来的にはより深い指針が必要になる可能性があることを説明しました。

相談フィードバックはまた、複数の機関が同じモデルや少数のサプライヤーに依存する場合、市場行動が同じになり、リスクが相互に増幅される可能性があることを指摘しました。最終報告書は、単一の金融機関がどのように責任を持ってAIを採用するかに焦点を当てていますが、より広範なシステムリスクは他の金融安定性評価を通じて引き続き観察されます。

3. 金融機関にとっての重要な作業は原則を日常のプロセスに組み込むこと

この12の実践は機関内部に落とし込まれ、まず持続的に更新されるAI使用リストが必要です。このリストは、システムがどのビジネスにサービスを提供し、誰が責任を持ち、どの顧客や重要なプロセスに影響を与え、どの外部モデルやクラウドサービスに依存し、異常が発生した場合にどのように一時停止または切り替えるかを示す必要があります。AI能力は一般的なオフィス、カスタマーサービス、または分析製品に組み込まれている可能性があるため、リストは調達プロジェクト以外の日常ソフトウェアやビジネスツールをカバーする必要があります。

次に、AIリスク評価は調達と試用段階から始まるべきです。ビジネスチームはアプリケーションの目標を説明し、技術チームはモデルとデータを評価し、リスクおよびコンプライアンス担当者はそれが顧客の意思決定、重要なビジネス、または法的義務に与える影響を判断します。システムが稼働した後、機関は運用パフォーマンスを継続的に観察し、データやモデルの更新が新たなリスクをもたらすかどうかを確認する必要があります。

モデルの決定経路が説明しにくい場合、機関は用途を制限したり、人工的な再確認を増やしたり、追加テストを設定したりしてリスクを低減できます。このような「補償的コントロール」は、モデルの透明性不足によるリスクを緩和するために使用され、データ保護、消費者の権利などの法的義務とともに実施されます。

実用的には、12の実践を4つの納品物に圧縮できます：取締役会が承認したAI使用原則、継続的に更新されるアプリケーションと依存リスト、各重要ユースケースの評価とテスト記録、異常時の停止と回復計画。この4つの資料は相互に接続されています。リストは管理層にどのプロジェクトがあるかを知らせ、評価はどのコントロールがより厳格であるべきかを決定し、テストはコントロールが有効であるかを証明し、事故記録は再びルールの修正を促進します。小規模機関も既存のリスク会議や調達プロセスを再利用でき、重要なのは責任と証拠が追跡可能であることです。

4. これは管理の参考であり、実施は所在法域による

FSBはこの12の実践を機関の状況に応じて調整可能な実践ツールとして位置づけています。機関がこのフレームワークを適用する際には、AIユースケースを所在法域におけるデータ保護、消費者の権利、アウトソーシング管理、モデルリスク、または金融機関ガバナンスに関する具体的な要件と逐一対照する必要があります。

その現実的な役割は、共通のガバナンスリストを提供することにあります：取締役会の責任、内部文書、モデル選択、人工監視、サプライヤー管理から、機関はこれに基づいて既存のプロセスが重要な側面をカバーしているかを検証できます。AIが金融業務にさらに進出するにつれて、このリストの背後にいる責任者、コントロール措置、緊急計画も継続的に更新する必要があります。

国際政策の観点から見ると、FSBの実践にはもう一つの価値があります：異なる法域は類似の問題を用いて金融機関のAIアプリケーションを検討できます。規制当局は必ずしも同じ表を使用するわけではありませんが、リスクが誰に帰属するか、モデルが重要なビジネスでどのように機能するか、外部依存が故障した場合に顧客が影響を受けるかどうかに関心を持つでしょう。機関がこれらの証拠を準備できれば、異なる地域のデータ、消費者保護、慎重な規制要件に直面した際にも、自らのコントロール措置を説明しやすくなります。

本コンテンツは、一般的な情報提供のみを目的としたものであり、金融、投資、法律、または税務に関する助言を構成するものではありません。ここに記載されているイベント、報酬、オンラインキャンペーン、またはそれらに関連する情報は、暗号資産の購入、売却、取引、その他いかなる取引の推奨、勧誘、または招待とみなされるべきではありません。暗号資産は価格変動が非常に大きく、損失が発生する可能性があります。WEEXのサービス、プロダクト、および関連イベントの提供状況は、地域によって異なる場合があります。お客様は、ご自身の参加が適用される現地の法令を遵守していることを自ら確認する責任を負うものとします。