AIG が保険引受の非構造文書処理に生成AIを入れ、案件処理を「3〜4週間 → 1日未満」に短縮したと報じられている。数字の派手さより重要なのは、この事例がコスト削減ではなく処理キャパシティの拡大として設計され、そのまま事業KPI（見積件数・成約件数）に接続されている点だ。AIエージェントの業務導入を検討する開発会社・事業会社の意思決定者向けに、作る側の目線でこの設計を読む。
要点（出典に書かれている事実のみ）
- AIG Assist は、ブローカーのカバーレターや損害履歴、物件評価書などの非構造の引受申込書類をLLMで抽出・構造化し、引受基準に照らして評価・優先順位付けし、要約を引受担当に渡す。
- 初期導入では申込の処理時間が 3〜4週間から1日未満へ、データ抽出精度は約75%から90%超へ改善したとされる。
- 2025年末時点で Lexington は 37万件超の申込を受領（前年比26%増）、中規模物件分野で submit-to-bind 比率が35%改善したと報告。
- 2026年Q1について CEO の Peter Zaffino は、見積件数+30%、見積所要時間-55%、成約件数約+40%と述べている。
- 特許出願中の「Auto Extract」を含み、Anthropic および Palantir をパートナーとして構築。リスク選定・価格・補償・証券構成の判断は引受担当が保持する設計。
- 次段階として、申込取り込み・リスク評価・価格ベンチマーク・所見統合を担う専用エージェント群とオーケストレーション層を開発中。
- AIG は元の申込件数の内訳・測定期間・他施策の寄与を開示しておらず、2030年目標（50万件・成約率6%・保険料40億ドル）は達成値ではなく目標である。
AIで自動化できる業務は、どこで線を引かれたのか
この事例で自動化されたのは、文書から事実を取り出して並べ替えるまでである。抽出、構造化、引受基準との突き合わせ、優先順位付け、要約。ここまでがAIの担当範囲だ。
一方で、価格をいくらにするか、どこまで補償するか、そもそも引き受けるかは人間に残されている。私はこの線引きを、遠慮や慎重さの結果とは読んでいない。責任の所在が金額で定量化される判断は、外に出しても運用コストが下がらないからだ。誤りの期待損失が大きい工程を自動化すると、検証コストが自動化の利得を食う。線を引く基準は「AIにできるか」ではなく「間違えたときの損失を誰がいくらで負うか」である。
「削減」で測ると、この事例の要点を読み違える
日本の業務AI導入の話は、たいてい工数削減率で語られる。だがAIGが挙げた数字の並びを見ると、削減系は見積所要時間-55%の1つだけで、残りは見積件数+30%、成約件数+40%、申込受領37万件超という、いずれも上向きの量の指標である。
これは、引受担当の処理能力が制約だった業務で、その制約を外した結果として売上機会そのものが増えた、という構造だ。削減率だけを追う導入設計では、この効果は最初から測定対象に入らない。
作る側として言うと、この違いはKPI設計の段階でほぼ決まる。「何時間減ったか」を成果指標に置いた案件は、処理量が増える方向の改善が評価されないため、要件がそちらに伸びない。受託でAI導入を引き受けるとき、私が最初に握りにいくのはモデルでもツールでもなく、この指標の置き方である。ここを業務KPI（工数）で止めるか事業KPI（件数・成約）まで繋ぐかで、同じ実装でも案件の価値が変わる。パナソニック コネクトの「工数削減97%」や美的集団がAI活用を「削減時間と削減額」で管理する話と並べて読むと、指標の置き場所の違いがはっきりする。
精度75%→90%超という数字を、実装としてどう読むか
抽出精度が約75%から90%超に上がった、と書かれている。研究の出自から言えば、この手の数字は分母の定義がないと比較できない。どの項目を、どの書式の書類で、どう正解と照合したのか。AIGはそこを開示していない。
ただ、実装の感覚としては妥当な水準に見える。非構造の申込書類は書式が送り手ごとにばらつく。ルールベースやOCRテンプレートで組むと、書式の種類だけ分岐が増え、保守が破綻する領域だ。ここがLLMで一段抜けるのは、精度の絶対値より「書式が増えても実装が増えない」という保守性の変化が大きい。
一方で90%超という数字は、裏を返せば1割前後は人が直す前提ということでもある。だから引受担当が最終判断を持つ構成と精度水準は、セットで設計されている。ここを切り離して「精度90%出たから任せられる」と読むと事故る。
次の難所はモデルではなく、オーケストレーション層になる
AIGは次段階として、申込取り込み・リスク評価・価格ベンチマーク・所見統合をそれぞれ専用エージェントに分け、受け渡しを調整するオーケストレーション層を作っていると報じられている。
この構成に進んだ時点で、難所はモデル選定から受け渡しの設計に移る。どのエージェントがどの前提で動いたのか、途中で判断が変わったらどこまで戻すのか、失敗したときにどこで止めるのか。単体エージェントなら人間が全部見てから判断すればよかったものが、多段になると中間状態の正しさを機械側で担保する必要が出てくる。順豊控股の約1.5万エージェントでも、次の課題は数ではなく協調だと整理されていた。監視基盤の再設計が同時に必要になるのも同じ理由だ。
自社で同じものを作るとしたら、私が最初に用意するのは各エージェントの出力スキーマと、どの段階で人間に戻すかの停止条件である。ここを後から足すのは、ほぼ作り直しになる。
AIエージェントの導入事例を読むときに、確かめること
導入事例は成功として語られるので、そのまま読むと判断材料にならない。AIGの件も、申込件数の内訳、測定期間、他の施策の寄与は開示されていない。2030年の目標値は目標であって実績ではない。
同業の意思決定者として確かめる価値があるのは、次の3点だと考えている。
- どの工程を自動化し、どの工程を人に残したか（線引きの理由が説明できるか）
- 成果をどのKPIで測っているか（削減だけか、量の増加まで測っているか）
- 精度の数字に分母があるか（何を正解として、どの範囲で測ったか）
この3つが読み取れる事例だけが、自社の設計に転用できる。AIGの記事は1と2が明示されていて、3が欠けている、という読み方になる。
出典: Artificial Intelligence at AIG (Emerj)
