金融・保険向けDify活用（レポート分析・審査支援）

金融業界での AI 活用の背景

金融業界は大量の非構造化テキスト（契約書・財務報告書・規制文書・顧客問い合わせ）を扱う。従来はすべて人手で処理していたが、LLM を活用することで：

審査書類の事前スクリーニング時間を大幅短縮
アナリストが高付加価値な分析業務に集中できる
24 時間対応のサポート体制を低コストで実現

ユースケース1: 財務レポート自動分析

シナリオ

決算短信・有価証券報告書・IR 資料を入力すると、投資判断に必要な数値・リスク・成長ドライバーを自動抽出してサマリーを生成する。

入力: 決算短信PDF（30ページ）
  ↓
出力:
  【財務サマリー】
  売上高: 1,200億円（前年比+8.5%）
  営業利益: 180億円（同+12.3%）
  営業利益率: 15.0%（前年 14.5%）

  【成長ドライバー】
  - 主力製品Xの海外展開が寄与（売上+42億円）
  - コスト削減施策が奏功（販管費比率 -1.2pp）

  【リスク要因】
  - 為替感応度: ドル1円変動で営業利益±2.5億円
  - 原材料価格上昇が続く場合、Q2 以降に影響の可能性

  【アナリストコメント生成用メモ】
  前回予想との乖離: 売上+3%, 利益+5%（上振れ）

ワークフロー設計

Workflow 構成:

[Start]
  │ {{report}}: 決算書 PDF
  │ {{company}}: 会社名・証券コード
  ▼
[Doc Extractor]
  │ PDF テキスト抽出
  ▼
[並列実行]
  ├── [LLM A: 主要財務指標の抽出]
  │     → JSON 形式で数値を抽出
  │
  ├── [LLM B: 成長ドライバー・リスク分析]
  │     → 定性的な分析コメント
  │
  └── [LLM C: 前回予想との比較]
        → ナレッジベースの過去データと比較
  ▼
[Code: 財務比率の計算]
  │ Python で ROE・ROA・PER 等を計算
  ▼
[Template: レポートフォーマット]
  ▼
[End]
  出力: アナリスト向けサマリーレポート

ユースケース2: ローン・保険審査の事前スクリーニング

シナリオ

申込書類（収入証明・勤務先情報・資産状況）を受け取り、審査担当者向けの「事前チェックリスト」を自動生成する。最終判断は必ず人間が行う。

入力: 申込書類一式
  ↓
出力（審査担当者向けチェックリスト）:
  ■ 基本審査結果
  申込者: 田中〇〇（35歳）
  申込金額: 3,000万円 / 返済期間: 35年

  ■ 自動チェック項目
  ✅ 収入証明書: 年収620万円（3年平均）
  ✅ 雇用形態: 正社員（勤続7年）
  ⚠️ 既存ローン: 自動車ローン残高80万円（確認推奨）
  ✅ 返済比率: 推定28%（基準35%以下）

  ■ 担当者確認事項
  - 勤続年数の変動あり（3年前に転職歴）→ 理由確認
  - 副業収入の記載あり → 安定性の確認

設計上の注意点

審査補助ツールとしての設計原則:

1. 「AI が判断する」ではなく「AI が整理する」
   → 出力は「チェックリスト」「疑問点の洗い出し」
   → 承認・否認の判断は必ず人間

2. 差別・バイアスの防止
   → 性別・年齢・出身地等は審査基準から除外
   → プロンプトに明示する

3. 金融庁ガイドラインへの対応
   → AI を使用していることを顧客に開示
   → 判断根拠の説明責任を確保する設計

ユースケース3: 保険約款 Q&A ボット

シナリオ

複雑で読みにくい保険約款を、顧客が自然言語で質問できるボットに変換する。「この保険は〇〇の場合に出ますか？」という質問に根拠付きで回答する。

顧客: 「自転車で歩行者にぶつかってケガをさせた場合、この保険は適用されますか？」
  ↓
ボット:
  「ご加入の個人賠償責任特約の場合、自転車事故による対人賠償も
   補償の対象となります。
   
   ただし以下の場合は補償外です：
   - 故意による事故
   - 業務中の事故（通勤・通学は補償対象）
   - 競技・練習中の事故
   
   詳細は約款第5条（賠償責任）をご確認ください。
   ご不安な場合は担当代理店（0120-XXX-XXX）にお問い合わせください。
   （出典: 個人賠償責任特約 第5条）」

ナレッジベース設計

保険約款の RAG チャンキング戦略:

問題点:
  保険約款は「第5条に定める場合を除き...」等の
  相互参照が多く、単純なチャンキングでは文脈が失われる

解決策:
  1. 条文単位でチャンキング（条番号をメタデータに付与）
  2. 用語定義集を別ナレッジベースに登録
  3. Q&A 形式でよくある質問を追加登録
     「自転車事故は対象か？」→「第5条により対象。ただし…」

プロンプトの工夫:
  「回答に必ず条文番号を引用してください」
  「補償対象外の場合も必ず説明してください」
  「断言せず『一般的には』『約款によると』と前置きする」

ユースケース4: コンプライアンスチェック自動化

シナリオ

社内の営業資料・顧客提案書を送ると、金融商品取引法・景品表示法等への抵触リスクがある箇所を自動的にフラグアップする。

入力: 投資信託の販売資料（草稿）
  ↓
出力:
  ■ コンプライアンス確認結果

  🔴 要修正（2件）:
  [P.3 上部] 「元本保証」の記載
  → 投資信託は元本保証ではありません。
    「元本を確保するよう運用します」等の表現に修正が必要です。
    （根拠: 金融商品取引法第38条）

  [P.7 グラフ] 過去実績の表示
  → 「過去の実績は将来の運用を保証するものではありません」
    の注記が必要です。（内閣府令）

  🟡 要確認（1件）:
  [P.5] 「業界最高水準のリターン」
  → 優良誤認の可能性。根拠データの明示、または表現の修正を検討。

セキュリティ・コンプライアンス設計

金融業界特有の要件:

データ保護:
  → Azure OpenAI（データ処理契約 DPA あり）を推奨
  → または完全セルフホスト

監査ログ:
  → すべての AI 処理をログに保存（誰が・何を・いつ処理したか）
  → Dify のセルフホスト + 外部 SIEM への転送

説明責任:
  → AI の判断根拠を常に説明できる設計
  → 「なぜこの回答をしたか」のトレース可能性

人間の関与:
  → 与信判断・コンプライアンス違反の最終判定は必ず人間
  → Human Input ノードで承認フローを組み込む

参考：他のユースケース

PDFドキュメント分析パイプライン — 財務書類の処理基本設計
構造化データ抽出ワークフロー — 申込書類からのデータ抽出
コードレビュー自動化 — コンプライアンスチェックの設計パターン参考