業界ガイド:銀行
銀行業務でClaudeを使う方法:銀行チームのための実践ガイド
ケース処理は速くなっても、最終承認は人が行う。
このガイドは、リテール、商業、プライベートバンクで働く人が、コンプライアンス、KYCおよびAMLのケース対応、不正調査、業務、顧客対応、レガシーコードの分野でAnthropicのClaudeを活用したいと考えている場合に向けたものです。内容は、Anthropicが金融サービス向けに公開している情報と、Anthropicの公式記事や顧客導入事例で名前が挙がっている銀行の発言に基づいています。
銀行業務でClaudeを使う方法は、どの銀行でも業務を遅らせている文書中心の作業から始まります。KYCファイルを確認してギャップを指摘する、ケースデータからAMLの調査報告書を作成する、規制変更をポリシー更新にまとめる、不正利用のケースノートを書く、業務上の不一致を照合する、レガシーコードを現代化する、といった作業です。Claudeは文書を読み込み、整理し、素早く文章を作成します。判断を行い、報告書を提出し、規制当局への説明責任を負うのは銀行の職員であり、AIが関わるすべての工程は銀行のモデルリスク管理とデータ管理のルールの内側で行われます。
公開日
要点まとめ
- 最も効果が高い銀行業務での活用は、KYCファイルの確認、AMLケースの調査報告書作成、規制変更の要約、業務の照合作業、コードの現代化です。
- Anthropicが2026年5月に公開したエージェントテンプレートには、KYCスクリーナー、総勘定元帳照合ツール、月次決算クローザーが含まれています。
- Anthropicの報告には、N26、bunq、BNY、Citi、FISといった銀行での具体的な取り組みが挙げられており、業務プロセスの自動化から開発者向けプラットフォームまで幅広く紹介されています。
- AIはアナリストを支援する存在です。不審な取引の判断や規制当局への報告は、引き続き人が担う責任です。
- すべての活用は、銀行のモデルリスク管理、データ保護、記録保持のルールの範囲内で行われます。
コピーして使える
今日から使えるプロンプト
KYCファイルのギャップ確認
あなたは商業銀行のKYCアナリストです。以下に要約した法人顧客のオンボーディング文書を、当行のチェックリスト(法人設立文書、当行の基準値を超える実質的支配者までの所有構造、コントローラー、資金源、想定される取引活動、制裁および有害情報の確認結果)と照らして確認してください。チェックリストの各項目について、有、欠落、不整合のいずれかを示し、その判断の根拠となる文書を引用してください。リレーションシップマネージャーへの追加確認依頼をリストにしてください。チェックリストと文書:[paste]。
実際の銀行のチェックリストを貼り付けてください。出力は一般的なリストではなく、自行の手順を反映したものになるはずです。
AML調査報告書のドラフト
以下のアラート詳細、取引の要約、アナリストのメモから、AML調査ケースファイルのナラティブ部分を作成してください。構成は、対象者と関係性、発生したアラートとシナリオ、確認した取引活動(日付と金額は記載どおりに)、アナリストの所見、未解決の論点の順にしてください。中立的で事実に基づいた言葉遣いにしてください。その取引が不審かどうかの結論は出さないでください。その判断は私が行います。資料:[paste]。
結論を調査担当者本人に留めておくことは、良い実務であると同時に規制当局が期待していることでもあります。
規制変更の要約
以下の規制文書を、銀行のコンプライアンス委員会向けに要約してください。内容には、何が変わるのか、対象は誰か、記載されている施行日、以下に挙げる既存の当行ポリシーのうち影響を受けそうなもの、法務部への確認事項を含めてください。四百語以内にまとめてください。すべての要件について原文を引用し、原文にない要件は追加しないでください。規制文書と当行のポリシー一覧:[paste]。
必ず実際の文書を貼り付けてください。Claudeの学習データには最新版が含まれていない可能性があります。
不正利用のケースノートと顧客向け通知
以下はカード不正利用ケースの詳細です:争いのある取引、顧客の申告内容、デバイスおよび位置情報データ、調査担当者の所見です。まず、証拠と調査担当者の判断をまとめた社内向けケースノートを作成してください。次に、検知方法を明らかにせずに結果と今後の対応を説明する、平易な言葉での顧客向け通知文を作成してください。通知文は二百語以内にしてください。詳細:[paste]。
社内向けケースノートと顧客向け通知文を分けることで、検知方法の詳細が顧客とのやり取りに漏れないようにできます。
レガシーコードの解説
以下のCOBOLプログラムが何を行っているかを、セクションごとに、これを再実装するJava開発者向けに平易な言葉で説明してください。プログラムが適用しているすべての業務ルール、読み書きしているすべてのファイルやテーブル、意図的でないように見える挙動を一覧にしてください。その上で、再実装後の動作が元と同一であることを確認できるテストケース一式を提案してください。プログラム:[paste]。
既存の挙動から導き出したテストケースこそが、現代化を安全にする鍵です。
Anthropicより
Anthropicが銀行向けに提供しているもの
Claude for Financial Services
2025年7月に発表されたAnthropicの金融サービス向け製品は、Claudeモデル、Claude Code、エンタープライズアクセスを、Snowflake、Databricks、S&P Globalといったデータプラットフォームへのコネクタや導入パートナーと組み合わせたものです。Anthropicは、データはデフォルトでは学習に使用されないとしています。
· 出典
Agents for financial services
2026年5月に公開された十種類のエージェントテンプレートで、KYCスクリーナー、総勘定元帳照合ツール、月次決算クローザー、ステートメント監査ツールなどが含まれ、Claude CoworkおよびClaude Codeのプラグイン、またClaude Managed Agents向けのクックブックとして提供されています。
· 出典
Anthropic and TCS partnership
Anthropicは2026年6月、規制業界向けにClaudeを活用した製品を構築するため、TCSとのパートナーシップを発表しました。銀行向けの融資アドバイザリーや保険会社向けの請求処理などが含まれます。
· 出典
実践例
銀行のチームはClaudeをどう使っているか
Anthropicが公開した導入事例によると
N26
Anthropicの顧客導入事例によると、デジタルバンクのN26は、十を超える社内の活用事例でAWS Bedrockを通じてClaudeを使用しており、特定の業務プロセスにおいてタスクの大部分を自動化し、手作業の処理を削減しています。
Anthropicが公開した導入事例によると
bunq
bunqに関するAnthropicの顧客導入事例では、Claude Codeが新人開発者の意味のあるコードへの貢献を以前よりもはるかに速くしていること、そしてスピーディな口座開設と高い自動サポート解決率が報告されています。
Anthropicが公開した導入事例によると
FIS
Anthropicの金融サービスページでは、FISの最高経営責任者が、マネーロンダリング対策の調査のためにAnthropicと共にエージェントを構築したことを説明しています。
Anthropicが公開した導入事例によると
BNY
Anthropicの2026年5月の金融サービスに関する記事で、BNYのCIOは、ケースを最初から最後まで処理するAIデジタル従業員について説明しています。
Anthropicが公開した導入事例によると
Citi
Anthropicの2025年10月の金融サービスに関する更新情報によると、Citiは計画立案とエージェント型コーディングのために、AI搭載の開発者向けプラットフォームでClaudeを使用しています。
説明用のシナリオ
人が最終承認するKYC更新レビュー
- アナリストが定期レビューのケースを開き、顧客の文書を承認済みのワークスペースに読み込みます。
- Claudeが各文書を銀行のチェックリストと照らして確認し、有、欠落、不整合の各項目を一覧にします。
- アナリストがギャップを確認し、新たな実質的支配者の申告が必要な所有権の変更を見つけます。
- Claudeがリレーションシップマネージャーへの依頼と、銀行所定の形式のケースノートのドラフトを作成します。
- アナリストが両方を確認し、依頼を送付し、自分の名前で判断を記録します。
銀行とClaude：公開されている数値
主要なワークフロー
銀行全体でのClaude活用事例
銀行業務向けAIがアナリストと業務部門の時間を最も節約できる領域です。
KYCとAMLのためのAI
チェックリストに基づくKYCファイルの確認、実質的支配者の要約、そしてケースデータから作成するAML調査報告書のドラフトを、アナリストの判断のために提供します。
銀行における不正検知AI
Claudeは取引モニタリングモデルの代わりにはなりませんが、調査担当者がケースを要約し、ノートを作成し、顧客に結果を説明する作業を支援します。
銀行コンプライアンスのためのAI
規制変更の要約、ポリシーのギャップ分析、コントロールテストの文書化、そして原文から作成する規制報告のコメンタリーです。
業務
総勘定元帳の照合、不一致の調査、月次決算のコメンタリー、そして正式な記録システムに紐づく手順書の作成です。
コードの現代化
レガシーな基幹バンキングコードの解説、現在の挙動を捉えるテストの作成、そしてClaude Codeを使った開発者による再実装の支援です。
顧客対応
クレーム対応、通知文、サポート文面のドラフトを平易な言葉で作成し、顧客に届く前に職員が確認します。
コンプライアンスと不正対応
銀行はコンプライアンスと不正検知にAIをどう使っているか
銀行がコンプライアンスと不正検知にAIをどう使っているかを尋ねると、二つの異なる答えが返ってきます。検知そのものは通常、専用の取引モニタリングモデルや不正検知モデルが担っています。Claudeのような生成AIが役立つのは、アラートが発生した後の作業です。ケースの事実を集め、調査報告書のドラフトを作成し、KYCファイルのギャップを確認し、判断内容を書き上げる、といった部分です。調査担当者の時間の多くはここに使われています。
Anthropicはこのワークフローに直接向けた製品を構築しています。2026年5月に公開した金融サービス向けエージェントテンプレートには、照合や決算のエージェントと並んでKYCスクリーナーが含まれています。Anthropicの金融サービスページでは、FISの最高経営責任者が、AML調査を数日から数分に短縮するエージェントをAnthropicと共に構築したことを説明しています。BNYのCIOは、ケースを最初から最後まで処理するデジタル従業員について述べています。
不正検知における誤検知(フォールスポジティブ)をAIは減らせるのでしょうか。専用モデルであればそれが可能で、銀行各社も成果を報告していますが、これは汎用アシスタントとは異なるツールです。Claudeができることは、証拠を整理し、アナリストが確認するための判断案を作成することで、各アラートの処理を速くすることです。
エージェント型AI
銀行におけるエージェント型AIと業務における生成AI
銀行におけるエージェント型AIとは、Claudeが文書を集め、ルールを適用し、各ステップを人が指示することなく結果を用意する、複数ステップにわたるワークフローを指します。KYCスクリーニング、総勘定元帳の照合、月次決算は、ステップが明確で出力を確認できるため、良い候補です。Anthropicのエージェントテンプレートに総勘定元帳照合ツールと月次決算クローザーが含まれているのも、まさにこの理由からです。
銀行業務における生成AIは、明確な境界線があるときに最もうまく機能します。エージェントが準備し、人が承認するという境界線です。実務上これは、エージェントの出力がすべてレビュー待ちのキューに入り、エージェントの各ステップが記録され、モデルが米国のSR 11-7のようなモデルリスク管理の枠組みの中に置かれることを意味します。規制当局が問うのは、そのツールが何を生成したかだけでなく、どのように検証・モニタリングされたかです。
コードの現代化は、あまり目立たない機会です。多くの銀行は、今ではほとんど理解している人がいない数十年前のコードで重要な業務を動かしています。Claudeはそのコードを解説し、業務ルールを文書化し、何かを変更する前にテストを作成する支援ができます。Anthropicの2025年10月の記事では、CitiのCTOが、計画立案とエージェント型コーディングのために開発者向けプラットフォームでClaudeを使用していることが述べられています。
ツールの選定
銀行業務におけるClaudeとChatGPTの比較
銀行業務におけるClaudeとChatGPTの比較という問いには、自分たちの実際のファイルで答えるのが一番です。終結したKYCケース、過去の調査、そしてチームが既に作成した規制要約を用意してください。それぞれのツールで同じプロンプトを実行し、正確さ、出典の引用方法、情報が欠けているときの振る舞いを比較してください。
銀行では、決め手となるのは単純な性能よりもガバナンスであることが多いです。デプロイの選択肢、データの保管地域、保持期間、監査ログ、そしてサードパーティリスクやモデルリスクのプロセスにツールが適合するかどうかです。例えばN26は、Anthropicの顧客導入事例によると、AWS BedrockでClaudeを利用しています。承認されたルートを決めるのは調達部門とリスク部門です。
どのツールを使うにしても、このページで紹介したプロンプトやレビューの習慣は活かせます。重要なのは、的確な指示を書き、出力を原資料と照らして確認するスキルです。
導入の始め方
銀行チームへのClaude導入を安全に進める
承認済みのワークスペースから始める
顧客データについては、銀行が承認したデプロイのみを使用してください。プロンプトはまず合成データや終結したケースでテストしてください。
一つの業務キューを選ぶ
KYCの定期更新レビューのような繰り返し発生する業務を一つ選び、導入前と導入後で所要時間とエラー率を測定してください。
手順をプロンプトに落とし込む
チェックリストやポリシーの文書をプロンプトやプロジェクトに貼り付けてください。そうすることで、出力は一般的な内容ではなく自行の手順に沿ったものになります。
すべての出力に確認担当者を置く
AIが作成した判断、ノート、報告書のそれぞれについて、特定の担当者が承認する形でワークフローを設計してください。
限界
銀行が人による判断を維持すべき領域
Claudeは文書を誤読したり、注釈に隠れた実質的支配者を見落としたり、その後変更された規制を要約してしまうことがあります。リレーションシップマネージャーのように顧客を把握しているわけではありません。AIが関わるすべてのレビューには特定の確認担当者が必要であり、規制報告に記載するすべての数値は正式な記録システムに紐づいている必要があります。
不審な取引の報告、顧客との取引終了、融資の謝絶といった法的な重みを持つ判断は、当行のポリシーに基づき銀行の職員が担い続けます。公正な貸付や消費者保護に関するルールも、AIが関わる顧客判断すべてに適用されるため、これもClaudeの役割を準備と文書化にとどめておくべき理由の一つです。
顧客データは法律と契約によって保護されています。承認されたデプロイのみを使用し、データ最小化の原則に従い、顧客情報を個人アカウントに貼り付けることは絶対にしないでください。
展開が始まる前にスキルを身につける
銀行でAIをうまく使うことは実践的なスキルです。的確な指示、確認可能な出力、良いレビューの習慣です。無料のNightschool AIカリキュラムは、最初のレッスンから実践形式です。
よくある質問
銀行はコンプライアンスと不正検知にAIをどう使っていますか?
検知そのものは通常、専用のモニタリングモデルや不正検知モデルが担い、Claudeのような生成AIはアラート発生後の調査担当者を支援します。ケースの事実収集、KYCファイルの確認、報告書のドラフト作成、判断内容の記述などです。Anthropicの記事では、FISがAML調査を数日から数分に短縮するエージェントについて語っています。結果を決めるのは今もアナリストです。
銀行はAIをどのように使っていますか?
銀行は、コンプライアンスとKYCレビュー、不正調査、カスタマーサービス、照合や決算といった業務、ソフトウェア開発、社内の情報検索にAIを活用しています。Anthropicの顧客導入事例では、N26が特定の業務プロセスにわたってタスクを自動化していることや、bunqがClaude Codeを使って新人開発者をより早く戦力化していることが紹介されています。
銀行業務でAIはどの仕事を代替しますか?
現時点でAIが担っているのは、職務全体ではなくタスクです。文書レビュー、ケース報告書の初稿作成、照合作業、定型的な顧客対応などです。判断力、関係性、規制当局への説明責任を中心とした職務は残ります。AIの出力を指示し確認する術を身につけた人は、より複雑な仕事を担うようになる傾向があります。
不正検知における誤検知をAIは減らせますか?
専用の不正検知・モニタリングモデルであれば可能で、誤検知の削減は通常そこから生まれます。Claudeのような汎用アシスタントは異なる形で役立ちます。証拠を整理し、調査担当者が確認するための判断案を作成することで、各アラートのレビューを速くします。
Claudeは銀行で使われていますか?
はい。Anthropicが公開している記事や顧客導入事例には、N26、bunq、BNY、Citi、Commonwealth Bank of Australiaといった銀行の名前が挙がっており、業務プロセスの自動化、開発者向けプラットフォーム、エージェントワークフローが取り上げられています。Anthropicはまた、金融サービス向けのコネクタやKYCスクリーナーのようなエージェントテンプレートも公開しています。
銀行におけるエージェント型AIとは何ですか?
エージェント型AIとは、KYC文書の収集、ルールの適用、ギャップの指摘といった複数ステップの処理を、人が各ステップを指示することなく実行するAIシステムを指します。銀行業務においては、記録の保存とモデルリスクの監督のもと、人が結果を承認するレビューキューで終わるべきものです。
銀行が顧客データにAIを使うのは安全ですか?
サードパーティリスク、データ保護、モデルリスクの審査を経て銀行が承認したデプロイを通じてであれば、安全に行うことができます。Anthropicは、同社の金融サービス向け製品ではデフォルトでデータを学習に使用しないと述べています。職員は顧客情報のために個人アカウントを使用してはいけません。
銀行はAIが関わる業務をどのように検証すべきですか?
AIをモデルリスク管理下にあるプロセスの一部として扱ってください。想定する用途を定義し、終結したケースでテストし、エラー率を測定し、すべての出力に特定の確認担当者を必須とし、各ステップを記録し、品質を継続的にモニタリングします。規制当局は、それがどのように検証されたかを問うでしょう。