AIエージェント能力アトラス › 仕事ごとの一覧 › 専門職サービス › 金融
与信審査
Credit underwriting
3/52026年: 実務品質（要確認）
2030年（予測）: 3/5 実務品質（要確認）
2030年（予測）: 3/5 実務品質（要確認）
12022
12023
22024
22025
32026
32027予
32028予
32030予
0 できない ／ 1 デモ止まり ／ 2 補助 ／ 3 実務品質（要確認） ／ 4 専門家並み ／ 5 専門家超え。「予」は予測。
専門家と比べて
定量比較データは乏しいが、CFPB検査で「1000以上の変数を使うMLモデル」を用いる一部金融機関がadverse action notice要件を十分満たせていないと指摘された。規制(ECOA/Regulation B、CFPB Circular 2026-03)がボトルネックとなり技術進歩とは独立に自律化レベルが停滞。
できること
大量データからの信用リスクスコアリング、異常検知、不採用理由候補の生成
まだできないこと
ECOA/Regulation Bが要求する「個人レベルで意味のある具体的理由」の説明をブラックボックスモデル単体で担保すること、差別的影響の自己監査、最終与信拒否の法的責任負担
なぜそうなのか
規制(ECOA/Regulation B、CFPB Circular 2026-03)と説明可能性の技術的限界が組み合わさり、レベルが頭打ちになっている。
これからの予測の根拠
CFPB Circular 2026-03(2026年5月)等、説明可能性要件は強化方向。技術が進んでも規制キャップにより自律化が制限され、XAI技術の成熟のみが突破口。
いま使える主な道具
FICO系MLスコアリング、Zest AI
根拠
- Innovation spotlight: Providing adverse action notices when using AI/ML models 2026
CFPBのAI/ML与信モデル説明要件 - Fair Lending AI Compliance: Credit Model Bias Testing (July 2026) 2026-07
1000超変数モデルの説明不足指摘事例
同じ分野のほかの仕事（金融）
AIエージェント能力アトラス 2026（2026-09-06 時点・v1.0）の1マスです。レベルは公開された実験・ベンチマーク・報告から付けた目安で、2027年以降は予測です。全マスに根拠のリンクがあります。作者は個人で、AI（Claude）と一緒に調べて作っています。