4. AI × 与信・信用スコアリング（Credit Scoring）

与信・信用スコアリングは、金融領域における AI 活用の中でも特に実務性が高く、 「精度の高さ」よりも「説明できるかどうか」 が重要となる領域です。

AI の導入によってモデル精度を高めることは可能ですが、 ブラックボックス性が増すと規制・業務の両面で使用が困難になります。

そのため、本章では 金融特有の要求に AI がどう向き合うべきか を整理します。

4-1. 最初に結論：与信は「モデル」ではなく「意思決定」である

市場予測と異なり、与信は 予測問題であると同時に「意思決定問題」 です。

市場予測モデルが外れても損失の範囲で済むことが多い一方、 与信モデルが外れたり誤作動したりすると 「不公平な審査」や「規制違反」 に直結します。

したがって、与信領域は 「精度が高い」という理由だけでは成立しない世界 なのです。

4-2. 与信モデルの本質：確率を意思決定に変換する

与信業務は「データ収集 → スコアリング → 意思決定 → モニタリング」というプロセスで進みますが、 AI が担うのはこのうち スコアリングの一部だけ です。

本質は、 「デフォルト確率（PD）」という不確実性を、「貸す／貸さない」の意思決定に翻訳すること にあります。

金融実務では、期待損失は次のように分解されます：

Expected Loss = PD × LGD × EAD

• PD：デフォルト確率
• LGD：回収不能率
• EAD：エクスポージャ（貸出額など）

AI は主に PD の推定精度向上 に寄与し、 LGD や EAD はビジネス側の設計でカバーされるのが一般的です。

4-3. 従来モデル vs AI モデル：トレードオフの理解が不可欠

与信領域では、従来手法（ロジスティック回帰・スコアカード方式）と AI モデル（LightGBM、XGBoost など）が併存します。

双方には明確なトレードオフがあります。

● 従来モデル（ロジスティック回帰・スコアカード）

• 強み：解釈しやすい、規制適合性が高い、ガバナンスが効く
• 弱み：非線形や高次元データの表現が苦手

● AI モデル（ツリーベース・ML モデル）

• 強み：非線形・高次元データに強く、精度が向上しやすい
• 弱み：判断プロセスがブラックボックス化しやすい

つまり、AI によって精度は上がっても、 説明可能性が下がると実務では使えない というジレンマが生じます。

4-4. Explainability（説明可能性）と SHAP の本質

与信領域での AI 活用を決定づけるのが SHAP（Shapley Additive Explanations） です。

金融実務においては、顧客・社内審査・規制当局に対して、 「なぜこの人が審査に落ちたのか？」 を説明することが不可欠です。

SHAP は以下を可能にします：

• 特徴量（属性・財務指標など）がスコアに与えた寄与度を可視化
• 全体の重要度（summary plot）と、個別ケースの要因（force plot）を両方説明
• AI の判断を「金融の言葉」に翻訳

例：
「この企業の PD が高いのは、負債比率の上昇と営業利益率の低下が主因です。」

SHAP は、
“ブラックボックス AI”を“説明できる AI”に変換するための不可欠な装置 なのです。

4-5. 実務での AI 導入パターン：AI が最終判断を行わない理由

金融機関では、AI が単独で与信判断を行うことはありません。

AI 特有のリスク（データドリフト、バイアス、モデル劣化など）を管理するため、 次のようなハイブリッド構成が採用されます。

• AI が PD（デフォルト確率）を算出（精度向上）
• ルールベースのガードレールで調整（ブラックリストなど）
• SHAP で理由を説明可能にする
• 最終判断は必ず人間が行う

AI は与信担当者を代替するのではなく、
判断を高度化し、透明性を担保する“補助者” として機能します。

4-6. まとめ：精度の AI → 説明できる AI へ

与信・信用スコアリングにおける AI の本質：

• 精度向上よりも、説明責任の確保が最重要。
• AI モデルは強力だが、ブラックボックスのままでは使えない。
• 人間の最終判断を支援する“説明可能な仕組み”として設計すべき。

つまり、与信領域における AI は、
「判断する機械」ではなく、「判断を説明できる形で支援する機械」 でなければならないのです。