【Human–AI Relations 領域12】AIと金融・信用・保険・消費者 ―― 予測が正確なら、それは利用者にとって良い金融判断なのか
【Human–AI Relations 領域12】AIと金融・信用・保険・消費者
―― 予測が正確なら、それは利用者にとって良い金融判断なのか
Human–AI Relations 監査インデックス β
領域12 / Domain 12
Finance・Consumer・Credit・Insurance
Evidence Cutoff
2026年9月
Document Status
Publication Version
0. この領域で扱うもの
本領域では、AIが、
個人向け金融支援
投資助言
Financial Planning（資金計画）
Credit Scoring（信用スコアリング）
Lending（融資）
Insurance Underwriting（保険引受）
Pricing（価格設定）
Fraud Detection（不正検知）
Portfolio Management（ポートフォリオ管理）
Agentic Finance（自律実行型金融AI）
などへ関与する場合を扱う。
中心的に区別するのは、
Prediction Accuracy（予測精度）
Recommendation Quality（推奨品質）
Consumer Outcome（消費者側の結果）
Financial Capability（金融能力）
Autonomy（自律）
Delegation（委任）
Authorization（認可）
Execution（実行）
Provider Incentive（提供者側の誘因）
Fairness（公平性）
Risk Distribution（リスク配分）
Responsibility（責任）
Contestability（異議申立て可能性）
である。
本領域の中心問いは、
AIが金融判断をより速く、便利に、正確にしたとき、それは利用者にとってより良い金融結果、公正な信用配分、望ましい保険制度、あるいは長期的な金融能力の向上を意味するのか。
である。
現時点の答えは、
それだけでは判断できない。
1. 中心原則（Core Principle）
本領域の中心原則は、
Prediction Accuracy ≠ Consumer Benefit
すなわち、
予測精度 ≠ 消費者利益
である。
これは、
予測精度は重要ではない
という意味ではない。
信用リスク、詐欺、損害発生確率等の予測精度は、金融システムにおいて重要な性能指標になり得る。
しかし、高精度な予測から、
利用者の利益
Affordability（返済可能性・負担可能性）
Financial Well-Being（金融上の健全性）
Fairness
Autonomy
Best Interest（最善利益）
適切なRisk Distribution
を自動的に導くことはできない。
2. 中心問い（Core Question）
制度的・消費者向け金融AIを監査するときには、
AIが金融判断を改善したか
という一文だけでは不十分である。
最低限、
誰がGoal（目的）を設定したのか。
誰のObjective（最適化目的）がシステムへ組み込まれているのか。
AIは何をPrediction（予測）し、何をRecommendation（推奨）し、何をExecution（実行）したのか。
誰がAuthorization（認可）を与えたのか。
どのOutcome（結果）が誰に生じたのか。
Benefit（便益）とRisk（リスク）はどの主体へ配分されたのか。
利用者は変更、停止、拒否、異議申立て、回復を行えるのか。
を見る。
3. 中心的な区別（Core Distinctions）
Domain 12では、以下の非含意を維持する。
Prediction Accuracy ≠ Consumer Benefit
Financial Outcome（金融上の結果） ≠ Financial Capability
Financial Capability ≠ Unaided Skill（無支援能力）
Information（情報） ≠ Recommendation
Recommendation ≠ Decision（判断）
Decision ≠ Authorization
Authorization ≠ Execution
Execution ≠ Responsibility
Advice Quality（助言品質） ≠ Better Financial Behavior（より良い金融行動）
Confidence（自信） ≠ Accuracy
Reliance（依存・利用） ≠ Appropriate Reliance（適切な依存）
Convenience（利便性） ≠ Financial Capability
Personalization（個別化） ≠ Suitability（適合性）
Personalization ≠ Best Interest
Personalization ≠ Fiduciary Duty（受託者責任）
Profit（利益） ≠ Best Interest
Provider Objective ≠ Consumer Interest（利用者利益）
Credit Approval（信用承認） ≠ Affordability
Credit Access（信用へのアクセス） ≠ Financial Well-Being
Default Reduction（デフォルト減少） ≠ Borrower Benefit（借り手利益）
Prediction Accuracy ≠ Fairness
Fairness Metric（公平性指標） ≠ Justice（正義）
Fairness Metric ≠ Legal Non-discrimination（法的差別禁止）
Risk Prediction（リスク予測） ≠ Socially Desirable Insurance Design（社会的に望ましい保険設計）
Risk Pooling（リスクプール） ≠ Uniform Pricing（一律価格）
Risk-Based Pricing（リスクベース価格） ≠ Price Optimisation（価格最適化）
Individualized Pricing（個別価格） ≠ Solidarity Destruction（連帯の破壊）
Detection（検知） ≠ Prevention（防止）
Delegation ≠ Abandonment of Decision（判断放棄）
Automation（自動化） ≠ Loss of Autonomy（自律喪失）
Automation ≠ Preservation of Autonomy（自律維持）
Precommitment（事前拘束） ≠ Guaranteed Autonomy（自律の保証）
Cognitive Offloading（認知的外部化） ≠ Deskilling（技能低下）
Backtest Performance（バックテスト成績） ≠ Live Performance（実運用成績）
Forecast Accuracy（予測精度） ≠ Investment Return（投資収益）
Investment Return ≠ Investor Welfare（投資家厚生）
これらの多くはConceptual Non-entailment（概念上の非含意）であり、Evidence Status（証拠状態）のA〜Fを機械的に付けない。
4. 主張類型の境界（Claim Type Boundary）
Domain 12では、以下を分離する。
Conceptual Claim（概念的主張）
例：
Prediction Accuracy ≠ Consumer Benefit
Descriptive / Empirical Claim（記述的・実証的主張）
例：
特定のFinTech貸出モデルが特定市場でApproval Rate（承認率）を変化させた。
Causal Claim（因果的主張）
例：
Alternative Data（代替データ）の利用が借り手のOutcomeを改善した。
Predictive Claim（予測的主張）
例：
共通基盤モデル依存が将来Systemic Risk（システミックリスク）を高める。
Normative Claim（規範的主張）
例：
保険制度はSolidarity（連帯）を維持すべきである。
Legal Claim（法的主張）
例：
特定法域でLender（貸し手）が不利な措置の理由提示義務を負う。
法律に書かれていることから、その制度設計がEmpirically Optimal（実証的に最適）だとは言えない。
逆方向も同じである。
5. 金融機能監査地図（Financial Function Map）
金融AIを単純な、
Information → Advice → Decision → Execution
という普遍的直線モデルでは扱わない。
最低限、
Goals / Preferences（目的・選好）
Legal / Product Constraints（法的・商品上の制約）
Data / Information（データ・情報）
Analysis / Scoring（分析・スコアリング）
Recommendation（推奨）
Ranking（順位付け）
Choice Architecture（選択設計）
Decision Formation（判断形成）
Human Review（人間による再検討）
Authorization
Delegation Scope（委任範囲）
Execution
Settlement（決済・履行）
Outcome
Monitoring（監視）
Detection
Contest / Reversal（異議・取消し）
Compensation（補償）
Revision（改訂）
を見る。
これはUniversal Process Model（普遍的工程モデル）ではなくAudit Map（監査地図）である。
6. 法的機能と日常語を分ける
Information、Recommendation、Advice等は、法域によって法的意味が異なる。
したがって、法域非依存では、
Factual Information（事実情報）
Education（教育）
Analysis（分析）
Personalized Recommendation（個別化された推奨）
Ranking
Decision Support（判断支援）
Discretionary Management（裁量運用）
Execution
という実際のFunction（機能）を記述する。
一方、
Regulated Advice（規制対象助言）
Personal Recommendation（個別推奨）
Suitability Obligation（適合性義務）
Best-interest Obligation（最善利益義務）
Fiduciary Duty
はJurisdiction-specific Legal Label（法域固有の法的分類）として扱う。
7. Financial Outcome ≠ Financial Capability
良い金融結果が得られたことから、
本人の金融能力が向上したとは言えない。
結果には、
Market Movement（市場変動）
Luck（偶然）
Automation
Adviser Support（助言者支援）
AI Support（AI支援）
が影響し得る。
逆に、本人が毎回すべてを自力で計算しないからといって、金融能力を失ったとも言えない。
8. Financial Capabilityを無支援能力へ縮めない
Financial Capabilityを、
AIなしで毎回金融判断を最適化できる能力
とは定義しない。
既存のFinancial Capability研究を尊重したうえで、AI利用時の監査では少なくとも、
Financial Knowledge（金融知識）
Decision Skill（判断技能）
Planning（計画能力）
Verification Skill（検証能力）
AI-use Competence（AI活用能力）
Ability to Compare（比較能力）
Ability to Refuse（拒否能力）
Ability to Revise Delegation（委任を修正する能力）
Access to Alternatives（代替手段へのアクセス）
Practical Control（実際的統制）
を区別する。
9. Unaided Capability ≠ AI-use Competence ≠ Joint-System Performance
AI時代の金融能力監査では、
Unaided Capability（無支援能力）
AIなしで理解・判断できる能力。
AI-use Competence（AI活用能力）
AIを選び、問い、検証し、誤りを見抜き、適切に委任できる能力。
Joint-System Performance（人間＋AI共同遂行）
人間＋AI全体として良いOutcomeを出せるか。
を分ける。
これらを一つのScore（単一指標）へ統合しない。
Financial Capabilityという既存Construct（概念）自体を新しく定義し直すわけでもない。
10. Delegation ≠ Autonomy Loss
金融判断をAIへDelegation（委任）すること自体は、Autonomy Loss（自律喪失）の証拠ではない。
確認すべきなのは、
Goalを誰が設定したか
Delegation Scopeを誰が決めたか
Risk Limit（リスク上限）を誰が設定したか
変更可能か
撤回可能か
Provider（提供者）を変更できるか
代替手段があるか
実行前後にMonitoringできるか
Action（行為）を取り消せるか
Conflict of Interest（利益相反）があるか
である。
11. Delegation ≠ Autonomy Preservation
逆方向も成立しない。
本人が最初に「任せる」と設定したからといって、
長期間にわたる全ての自動実行が自律的であるとは限らない。
特に、
Preference Change（選好変化）
Information Change（情報変化）
Provider Incentive
Default Effect（デフォルト効果）
Exit Cost（退出コスト）
Irreversibility（不可逆性）
を見る必要がある。
12. Precommitment
Jon ElsterのPrecommitment（事前拘束・自己拘束）はConceptual Lens（概念的補助線）として有用である。
人は、長期的に選んだGoalを実現するため、将来の自分の選択肢を意図的に制約する場合がある。
金融では、
Automatic Saving（自動積立）
Spending Cap（支出上限）
Trading Limit（取引制限）
などが考えられる。
したがって、
Fewer Immediate Options ≠ Less Autonomy
すなわち、
即時の選択肢が少ないこと ≠ 自律性が低いこと
の場合がある。
ただし、
Precommitment ≠ Guaranteed Autonomy
である。
13. Opt-in Self-binding ≠ Opt-out Default
本人が明示的に設定するOpt-in Self-binding（明示的な自己拘束）と、
解除しなければ自動継続するOpt-out Default（解除可能な初期設定）は分ける。
Defaultを維持したことから、
本人のReflective Preference（熟慮された選好）が確認されたとは言えない。
14. Cognitive Offloading ≠ Deskilling
金融計算、監視、Portfolio Management等をAIへ外部化することから、
長期的なSkill Degradation（技能低下）を自動的には推論しない。
AI金融利用による長期Deskillingについては、2026年時点でも直接的・長期的Evidenceは限定的である。
15. Principal–Agent Theory
Domain 12ではPrincipal–Agent Theory（本人・代理人理論）が重要な既存Prior Art（先行理論）である。
ただし、
Human = Principal
AI = Agent
という単純な擬人化構造にはしない。
実際には、
Consumer / Investor / Borrower
↔ Adviser / Platform / Financial Institution
↔ AI System / Vendor / Provider
というMulti-actor Structure（多主体構造）になり得る。
重要なのは、
Information Asymmetry（情報非対称）
Goal Misalignment（目的不一致）
Hidden Incentive（隠れた誘因）
Monitoring Difficulty（監視困難）
Delegated Authority（委任された権限）
Provider Objective
である。
16. Personalization ≠ Best Interest
AIが、
あなた向けです
と表示することと、
利用者のBest Interestを最適化していることは別である。
Personalized Recommendation（個別化推奨）を評価するときには、
Consumer Welfare（消費者厚生）
Commission（手数料）
Spread（スプレッド）
Transaction Fee（取引手数料）
Engagement（利用促進）
Retention（囲い込み）
Cross-selling（クロスセル）
Proprietary Product Preference（自社商品優先）
Transaction Frequency（取引頻度）
のどれがProvider Objectiveになっているかを見る。
17. Suitability ≠ Best Interest ≠ Fiduciary Duty
Suitability、Best Interest、Fiduciary Dutyは同義ではない。
さらにBest Interestは、
一般的な規範語
法律・規制上のTerm of Art（専門的法概念）
として意味が異なる。
したがって必ず、
Jurisdiction（法域）
Product Type（商品種別）
Regulated Actor（規制対象主体）
Professional Relationship（専門職上の関係）
Legal Source（法源）
Effective Date（適用日）
を確認する。
18. Fiduciary Duty ≠ AI Output Property
Fiduciary Dutyは、
AIの回答が親切か、個別化されているかという属性ではない。
誰が、どのLegal Relationship（法的関係）の中で、誰に対してどのDuty（義務）を負うかという問題である。
AIそのものが自然にFiduciary（受託者）になるとはしない。
19. Credit Outcomeを分解する
Credit（信用・融資）では最低限、
Application（申込）
Eligibility（資格）
Approval（承認）
Amount / Limit（金額・限度額）
Interest Rate（利率）
Fees（手数料）
Affordability
Repayment（返済）
Delinquency（延滞）
Default（債務不履行）
Debt Burden（債務負担）
Repeat Access（再アクセス）
Financial Distress（金融困難）
Financial Well-Being
を分ける。
20. Approval ≠ Affordability
Loan Approval（融資承認）があっても、
利率
手数料
Income Volatility（所得変動）
Household Obligations（家計上の義務）
Loan Term（返済期間）
によって返済負担が過大になる場合がある。
したがって、
Approval ≠ Affordability
である。
21. Credit Access ≠ Financial Well-Being
Credit Accessの増加はBenefitになり得る。
しかし、
More Credit Access
→ Better Financial Well-Being
とは限らない。
過剰債務、高コスト信用、Debt Spiral（債務循環）等もあり得る。
逆に、
Reduced Credit Access = Harm
とも常には言えない。
22. AI-assisted Credit Scoring
Chioda et al.のNBER Working Paperは、メキシコの大手FinTech Lender（フィンテック貸し手）を対象に、正式なCredit History（信用履歴）を持たないBorrower（借り手）について、Delivery AppのDigital Transaction Data（デジタル取引データ）がCreditworthiness（信用力）の予測に有用であることを示している。[D12-S01]
ただし、この研究はBorrower Welfare（借り手厚生）全体を直接評価するものではない。
したがって、
Alternative Data can improve prediction under some studied conditions.
すなわち、
代替データは、特定の研究条件下で予測性能を改善し得る。
は支持できる。
しかし、
Better prediction = better borrower welfare
とは言えない。
23. Invisible Primes
Di Maggio & Ratnadiwakaraの研究では、米国FinTech Platformにおいて、Alternative Dataを含むUnderwriting（審査）が、従来Modelなら拒否される低Credit Score層の一部を承認し、より低いRateを提示している。特にThin Credit File（信用履歴が薄い層）だが実際のDefault Riskが低い「Invisible Primes」がBenefitを受けている。[D12-S02]
さらに同研究では、Expanded Credit Access（信用アクセス拡大）がその後の一部Financial Outcomesへ与える影響も検討されている。[D12-S02]
これは重要なCounterevidence（反対方向の証拠）である。
したがって、
Algorithmic / Alternative-data lending necessarily worsens financial inclusion.
とは言えない。
一方、
AI lending is universally fair.
とも言えない。
24. Financial Inclusionを一語にしない
Financial Inclusion（金融包摂）を使う場合、
Application Access（申込可能性）
Approval
Usage（利用）
Pricing
Affordability
Product Quality（商品品質）
Consumer Protection（消費者保護）
Long-term Outcome（長期結果）
のどれを指しているか明示する。
「アクセス拡大」のみを「包摂成功」としない。
25. Credit Fairness
Credit Fairness（信用領域の公平性）を一つのMetricへまとめない。
最低限、
Approval Difference（承認差）
Pricing Difference（価格差）
Error Difference（誤り差）
Calibration（較正）
Equal Access（平等なアクセス）
Distributional Outcome（分配結果）
Legal Discrimination（法的差別）
を分ける。
Algorithmic Lendingについては、アクセス改善を示す研究もあれば、Proxy Variable（代理変数）やHistorical Bias（歴史的偏り）等への懸念もある。[D12-S02]
したがって、
Algorithmic Lending is Fairer
とも、
Algorithmic Lending is More Discriminatory
とも一般化しない。
26. Fairness Metric ≠ Justice ≠ Legal Compliance
Domain 11と同様に、
統計的なFairness Criterion（公平性基準）を満たすことから、
JusticeまたはAnti-discrimination Law（差別禁止法）への適合を自動推論しない。
法的評価はJurisdictionとDecision Context（判断文脈）に依存する。
27. Alternative Data
Alternative Dataには、
Transaction Data（取引データ）
Employment Data（雇用データ）
Education Data（教育データ）
Device Data（端末データ）
Location Data（位置データ）
Behavioral Data（行動データ）
Digital Footprint（デジタル足跡）
等が含まれ得る。
Alternative DataはThin-file Consumerの評価を改善する可能性がある。[D12-S01][D12-S02]
しかし同時に、
Privacy（プライバシー）
Proxy Discrimination（代理変数による差別）
Data Quality（データ品質）
Missing-data Effects（欠損データの影響）
Contestability
Opaque Exclusion（不透明な排除）
の問題もある。
Alternative Data ≠ Inclusion
である。
28. LLM Financial Advice
LLM（大規模言語モデル）は、
Investment Explanation（投資説明）
Portfolio Suggestion（ポートフォリオ提案）
Budgeting（予算管理）
Product Comparison（商品比較）
Saving Advice（貯蓄助言）
Risk Communication（リスク説明）
を提供し得る。
しかし、
Advice Quality ≠ Better Financial Behavior
である。
29. LLM Adviceには両方向Evidenceがある
Winder, Hildebrand & Hartmannの2025年PLOS ONE研究では、4研究を通じ、LLMによるInvestment Adviceが、
Geographical Concentration（地域集中）
Sector Concentration（業種集中）
Trend Chasing（トレンド追随）
Active Allocation（積極配分）
Total Expense（総費用）
という複数のPortfolio Riskを増加させたと報告している。[D12-S03]
したがって、
LLM advice automatically removes human investment biases.
とは言えない。
一方、これをもって、
All LLM financial advice increases risk.
とも一般化しない。
30. AI Financial AdviceとLife-cycle Theory
Choukhmane et al.の2026年NBER Working Paperでは、Representative Sample（代表性を意識した標本）にLLMへFinancial Adviceを求めるPromptを書かせ、そのAdviceに従った場合のLifetime Path（生涯経路）をSimulation（シミュレーション）している。[D12-S04]
GPT-5.2では、より幅広いDiversified Equity Funds（分散株式ファンド）への参加、年齢とともに低下するEquity Share（株式比率）、より大きなSaving Buffer（貯蓄余力）など、Life-cycle Theory（ライフサイクル理論）のPrescription（規範的処方）へ近づく結果が報告されている。[D12-S04]
ただしこれは、
現実の利用者が何十年もAdviceに従ったLive Outcome
の観察ではない。
したがって、
Simulated Lifetime Benefit ≠ Observed Long-term Investor Welfare
すなわち、
シミュレーション上の生涯便益 ≠ 観察された長期投資家厚生
である。
31. Traditional Robo-advice ≠ General-Purpose LLM Advice
Traditional Robo-advice（従来型ロボアドバイス）は、
Portfolio Construction（ポートフォリオ構築）
Risk Questionnaire（リスク質問票）
Automatic Rebalancing（自動リバランス）
Low-cost Management（低コスト運用）
など、比較的限定されたArchitecture（構造）を持つ。
General-Purpose LLM（汎用LLM）は、
Open-ended Dialogue（自由対話）
Generative Recommendation（生成的推奨）
User Prompt Dependence（利用者プロンプト依存）
Model Update（モデル更新）
Broad-domain Advice（広領域助言）
を持つ。
したがって、Robo-advice EvidenceをLLMへ直接転用しない。
32. Confidence ≠ Accuracy
AIとの対話後にUser Confidence（利用者の自信）が上がったとしても、
Financial AccuracyまたはDecision Quality（判断品質）が向上したとは限らない。
特に金融では、もっともらしい説明によってOverconfidence（過信）が増える可能性も考慮する。
33. Trust ≠ Reliance ≠ Appropriate Reliance
Domain 3の規格を維持する。
AIをTrust（信頼）していることと、
実際にRecommendationへ従うことは別である。
さらに、
AIが正しいときに従い、誤っているときに拒否できることと、
単にHigh Reliance（高依存）であることも別である。
34. Backtest ≠ Live Performance
金融AIではBacktest（過去データ検証）が多用される。
しかし、
Backtest Performance ≠ Live Performance
である。
最低限、
Look-ahead Bias（未来情報混入）
Data Leakage（情報漏洩）
Overfitting（過剰適合）
Survivorship Bias（生存者バイアス）
Transaction Costs（取引費用）
Slippage（約定ずれ）
Market Impact（市場影響）
Latency（遅延）
Regime Change（市場構造変化）
を確認する。
これらは金融Backtest一般におけるMethodological Risk（方法論上のリスク）であり、個別のLLM研究すべてに存在すると仮定しない。
35. Forecast Accuracy ≠ Investment Return
市場方向やReturn（収益）を高精度に予測できても、
Tradable Profit（実際に取引可能な利益）が得られるとは限らない。
Entry / Exit Timing（売買時点）
Fees
Spread
Competition（競争）
Risk
Capacity（取引容量）
が関係する。
36. Investment Return ≠ Investor Welfare
Investment Returnが高くても、
Volatility（変動性）
Drawdown（最大下落）
Liquidity（流動性）
Tail Risk（極端損失リスク）
Suitability
Tax（税）
Time Horizon（時間軸）
が利用者に合わなければInvestor Welfareは低下し得る。
37. InsuranceをPredictionからPricingまで分ける
Insuranceでは最低限、
Prediction（予測）
→ Underwriting（引受審査）
→ Risk Classification（リスク分類）
→ Risk-Based Pricing（リスクベース価格設定）
→ Behaviour-Based Pricing（行動ベース価格設定）
→ Price Optimisation（価格最適化）
→ Coverage / Exclusion（補償・除外）
→ Claims（保険金請求）
→ Fraud Detection（不正検知）
を区別する。
38. Prediction Accuracy ≠ Desirable Insurance Design
高精度Risk Predictionは、
Underwriting
Fraud Control（不正管理）
Adverse Selection（逆選択）の低減
へ寄与する可能性がある。
しかしInsuranceには同時に、
Affordability
Access
Pooling
Cross-subsidy（相互補助）
Coverage
Distribution（配分）
Solidarity
というInstitutional Question（制度的問題）が存在する。
したがって、
Prediction Accuracy ≠ Socially Desirable Insurance Design
である。
39. Risk-Based Pricing ≠ Price Optimisation
Risk-Based PricingはUnderlying Risk（基礎リスク）との関係で価格を変える。
Price Optimisationは場合によって、
Price Sensitivity（価格感応度）
Willingness to Pay（支払意思）
Switching Behavior（乗換行動）
等を利用する。
両者を単一の「AI個別価格」としてまとめない。
40. Risk Pooling ≠ Uniform Pricing
InsuranceではRisk Differentiation（リスク差別化）が存在していてもPoolingは成立し得る。
したがって、
Risk-based pricing exists
→ There is no risk pooling.
とはならない。
41. Individualized Pricing ≠ Solidarity Destruction
Granular Pricing（細粒度価格設定）が、
Cross-subsidy
Affordability
Pooling
Coverage
へ影響する可能性はある。
しかし、
Individualized Pricing automatically destroys solidarity.
という広い因果Claimは支持しない。
42. Telematics EvidenceはAdjacent Evidence
Jin & Vassermanは米国Auto Insurance（自動車保険）のVoluntary Monitoring Program（任意参加型監視制度）を研究し、Opt-in（参加を選択）したDriverがMonitoring期間中により安全な運転をするようになったことなどを報告している。[D12-S10]
これは、
Behavioral Monitoring can affect behavior and pricing under the studied design.
すなわち、
行動監視は、特定の制度設計下で行動や価格設定へ影響し得る。
ことを支持する。
ただしこれはGeneral-Purpose AIやGenerative AI（生成AI）固有のEffectではない。
Evidence Layer：Adjacent Evidence（隣接証拠）
として扱う。
43. Ewald
François EwaldのInsurance / Risk / Solidarity論はHistorical / Normative / Institutional Lens（歴史的・規範的・制度的補助線）として限定的に利用できる。
用途は、
InsuranceにはPrediction Accuracyとは別に、Risk Distribution、Pooling、Affordability、SolidarityというInstitutional Questionがある
ことを示す補助線である。
AI-specific Empirical Evidence（AI固有の実証証拠）にはしない。
44. Hayek
Friedrich HayekのDistributed Knowledge（分散知識）はOptional Lens（任意の補助線）としてのみ扱う。
複雑な金融判断に必要な全知識を、一人の利用者自身が内部保持することを唯一の成功条件とする必要はない、という補助線にはなる。
しかし、
AI delegation = Hayekian decentralization
とはしない。
同一Foundation Model（基盤モデル）への大量依存は、むしろDecision Mechanism（判断機構）を集中させる可能性がある。
45. Agentic Finance
Agentic Financeでは、AIが推奨だけでなく、
Buy / Sell（売買）
Transfer（送金）
Payment（支払）
Subscription Management（定期契約管理）
Loan Application（融資申込）
Insurance Purchase（保険購入）
等をExecutionする可能性がある。
この場合の中心問題はRecommendation Accuracyだけではない。
46. Agentic Control
最低限、
Credential（認証情報）
Authorization Scope（認可範囲）
Spending Cap（支出上限）
Transaction Limit（取引限度）
Allowed Assets（許可資産）
Allowed Counterparties（許可取引相手）
Confirmation Threshold（確認を要求する閾値）
Revocation（撤回）
Logging（ログ記録）
Rollback（巻き戻し）
Recovery（回復）
を評価する。
これらは2026年時点で重要なAudit Dimensions（監査軸）であるが、それぞれが十分条件として実証的に確立しているとはしない。
47. Authorization ≠ Execution ≠ Responsibility
金融Agentでは、
誰が認可したか
誰が実行したか
誰が止められたか
誰が取り消せたか
誰がLegal Responsibility（法的責任）を負うか
誰がOrganizational Responsibility（組織的責任）を負うか
を分ける。
AIがTransaction（取引）をExecutionしたことだけから、AIがFiduciary Dutyや法的責任を負うとはしない。
48. Common-model Dependency
多数のConsumersまたはFinancial Institutionsが同じFoundation Model / Providerへ依存する場合、
Correlated Error（相関した誤り）
Herding（群集行動）
Shared Vulnerability（共通脆弱性）
Provider Outage（提供者障害）
Common Update（共通更新）
Model Concentration（モデル集中）
が問題になり得る。
しかし、
Common AI Models will cause a systemic financial crisis.
という因果Claimを現時点では支持しない。
重要なResearch Gap（研究上の空白） / Risk Hypothesis（リスク仮説）として扱う。
49. Fraud Detection ≠ Fraud Prevention
Fraudでは、
Detection（検知）
→ Warning（警告）
→ User Response（利用者対応）
→ Blocking（遮断）
→ Recovery（回復）
を分ける。
高いDetection AccuracyからConsumer Harm Prevention（消費者被害防止）を直接推論しない。
さらにGenerative AIは、
Scam Text（詐欺文面）
Impersonation（なりすまし）
Personalized Fraud（個別化詐欺）
にも利用され得るため、防御側だけで評価しない。
50. 米国 — Black-box Model ≠ Explanation Exemption
米国では、CFPB Circular 2022-03が、複雑または解釈困難なAlgorithm（アルゴリズム）を使用しても、ECOAとRegulation Bに基づきAdverse Action（不利な措置）を受けたApplicant（申請者）へSpecific Reasons（具体的理由）を提示する義務から免れないと明記している。[D12-S05]
したがって、
Model Complexity ≠ Exemption from Adverse-Action Reason Requirements
すなわち、
モデルの複雑性 ≠ 不利な措置の理由提示義務からの免除
である。
ただしCFPB Circular自体をStatute（制定法）やCourt Judgment（裁判所判決）と同一視しない。
Source Type（資料種別）は、
Official Agency Policy Statement / Enforcement Interpretation（公的機関の政策声明・執行解釈）
として扱う。
51. EU AI Act
Regulation (EU) 2024/1689では、一定のCreditworthiness Evaluation / Credit Scoring（信用力評価・信用スコアリング）、およびLife / Health Insurance（生命・健康保険）のRisk Assessment / Pricing（リスク評価・価格設定）がAnnex III型High-risk AI（高リスクAI）の対象となる。[D12-S06]
これは「禁止」ではない。
また、Regulation (EU) 2026/1744により、Article 6(2) / Annex III型High-risk AIについてChapter III Sections 1–3の適用日は2027年12月2日へ変更された。[D12-S07]
したがって、
EU AI Act banned all AI credit scoring in 2024.
とも、
all high-risk obligations uniformly applied from August 2026.
とも書かない。
52. EU High-risk ≠ Empirically Harmful
EU法上High-riskへ分類されていることはLegal Fact（法的事実）である。[D12-S06]
しかし、
Legally High-risk
→ Empirically harmful in every deployment
とはならない。
逆にEmpirical Benefitが存在しても、法的Compliance（適合）が自動的に成立するわけではない。
53. 英国 — Targeted Support
FCAのAdvice Guidance Boundary Review（助言・ガイダンス境界見直し）では、Targeted Support（対象を絞った支援）のFrameworkが整備され、COBS 9Bは2026年4月6日付で発効している。[D12-S08]
FCAは、共通特性を持つConsumer Segment（消費者集団）に対してReady-made Suggestion（あらかじめ設計された提案）を提供する制度としてTargeted Supportを位置づけており、より包括的・個別化されたInvestment Adviceとは区別している。[D12-S08]
したがって、
personalized interaction = regulated full advice
という単純分類は避ける。
同時に、Targeted Support自体をAI専用規制とは扱わない。
54. 日本 — 金融庁AIディスカッションペーパー
日本の金融庁は2026年3月3日に「AIディスカッションペーパー第1.1版」を公表した。[D12-S09]
金融庁自身が、金融分野のAI活用について「初期的な論点整理」とし、今後のStakeholder Dialogue（関係者との対話）とPolicy検討の基礎と位置づけている。[D12-S09]
したがって、
Discussion Paper ≠ Binding Legal Rule
すなわち、
ディスカッションペーパー ≠ 拘束力ある法的義務
である。
55. Legal Claim Protocol
金融分野のLegal Claimには最低限、
Jurisdiction（法域）
Source Type（法源・資料種別）
Legal Effect（法的効力）
Effective Date（適用日）
Regulated Actor（規制対象主体）
Product / Activity Scope（商品・活動範囲）
を付ける。
特に、
Binding Law（拘束力ある法） ≠ Agency Guidance（行政機関ガイダンス）
Agency Guidance ≠ Discussion Paper
Discussion Paper ≠ Legal Obligation（法的義務）
Legal Classification（法的分類） ≠ Empirical Evidence
を維持する。
56. Counterevidence
Domain 12は、
AI bad / Human good
という構図を採用しない。
反対方向Evidenceとして、
Alternative DataがThin-file Borrowerを識別できる場合 [D12-S01][D12-S02]
Algorithmic LendingがCredit Accessを改善する場合 [D12-S02]
Traditional Robo-adviceが特定条件でDiversification（分散）を改善する場合
Automatic SavingがGoal Achievement（目標達成）を支援する場合
MonitoringがRisk Behavior（リスク行動）を変える場合 [D12-S10]
AutomationがHuman Inconsistency（人間判断の不整合）を減らす場合
を考慮する。
同時に、
AI good / Human obsolete
とも置かない。
Human Judgmentにも、
Bias
Overconfidence
Inconsistency
Conflict of Interest
があり、AIにも新しいFailure Mode（失敗形態）がある。
57. Evidence Architecture
Existing Research Tradition（既存研究伝統）
Behavioral Finance（行動ファイナンス）
Household Finance（家計金融）
Consumer Finance（消費者金融研究）
Financial Capability
Credit Risk（信用リスク）
Insurance Economics（保険経済学）
Principal–Agent Theory
Consumer Protection
Fair Lending（公正貸付）
Algorithmic Fairness（アルゴリズム公平性）
Direct AI-Specific Evidence（AI固有の直接証拠）
LLM Advice、AI / ML Credit Scoring、Agentic Finance等を直接扱う研究。
Adjacent Evidence（隣接証拠）
Robo-advice、Automatic Enrollment（自動加入）、Telematics（テレマティクス）、Traditional Algorithmic Trading（従来型アルゴリズム取引）等。
Interpretive Inference（解釈的推論）
既存理論をAI文脈へ適用した推論。
これらを混在させない。
58. Evidence Status
Empirical Claimについて原則として、
A — Established within stated scope
対象範囲内で確立
B — Direct empirical support
直接実証支持
C — Indirect / theory-consistent support
間接的・理論整合的支持
D — Plausible / untested inference
妥当そうだが未検証の推論
E — Insufficient / indeterminate
証拠不足・判定不能
F — Contradicted
反証されている
を用いる。
Evidence不足はFではない。
Conceptual、Legal、Normative ClaimへA〜Fを機械適用しない。
59. What We Can Say Now
2026年9月時点で比較的安全に言えること。
1.
高いPrediction AccuracyだけではConsumer Benefitを確立できない。
2.
Financial OutcomeとFinancial Capabilityは別の分析対象である。
3.
Financial Capabilityは、毎回すべてをAIなしで最適化できる能力と同義ではない。
4.
DelegationだけではAutonomy LossもAutonomy Preservationも証明できない。
5.
PersonalizationだけではSuitability、Best Interest、Fiduciary Complianceを確立できない。
6.
Personalized Financial SystemではProvider ObjectiveとConsumer Interestを分離して評価する必要がある。
7.
CreditではAccess、Approval、Pricing、Affordability、Default、Debt Burden、Financial Well-Beingを分離する必要がある。
8.
Alternative Data / MLを使ったLendingは、特定の市場・制度条件で一部のThin-file / low-score BorrowerのPredictionやAccessを改善し得る。[D12-S01][D12-S02]
9.
Credit Fairness Evidenceを一律に「AIの方が公平」「AIの方が差別的」と要約することはできない。[D12-S02]
10.
LLM Financial Adviceは利用者のInvestment Decisionへ影響し得るが、その方向は一様にBenefitではない。[D12-S03][D12-S04]
11.
Backtest PerformanceからLive Performanceを直接推論できない。
12.
InsuranceではRisk PredictionとPricing Policyを分離する必要がある。
13.
Risk PoolingはUniform Pricingを必要条件としない。
14.
Agentic FinanceではRecommendation QualityだけでなくAuthorization、Revocation、Logging、Rollback、Recoveryを監査する必要がある。
15.
ExecutionだけからResponsibilityを決定できない。
60. What We Cannot Say Yet
現時点のEvidenceから、以下を一般命題として支持しない。
AIによる金融助言は、投資家厚生を一貫して改善する。
AIによる助言は、人間による助言より一般に優れている。
LLMによる助言は、人間の金融Biasを自動的に除去する。
LLMによる助言は、常にInvestment Riskを増加させる。
AI LendingはHuman Lendingより一般に公平である。
AI LendingはHuman Lendingより一般に差別的である。
AI Credit Scoringは「真の返済能力」を測定する。
Credit Accessの増加は、必ずFinancial Well-Beingを改善する。
Default Reductionは、必ずBorrower Welfareを改善する。
PersonalizationはConsumer Best Interestを最大化する。
Financial Delegationは自律性を低下させる。
Financial Delegationは自律性を維持する。
Precommitmentは利用者の「真の選好」を保護する。
Cognitive Offloadingは長期Deskillingを引き起こす。
AI Insurance Pricingは社会的に望ましい。
細粒度の価格設定は必ずSolidarityを破壊する。
Fraud Detection Accuracyが高ければFraudは防止できる。
Backtestで市場を上回れば、Live Performanceでも市場を上回る。
高いInvestment ReturnはAdvice Qualityを証明する。
共通AI Modelへの依存は必ずSystemic Financial Crisisを引き起こす。
Agentic FinanceはHuman Decisionを安全に代替できる。
金融規制上のBest Interestは世界共通の同一Conceptである。
61. Boundary Conditions
各主要Claimでは最低限以下を明示する。
Actor（主体）
Consumer、Investor、Borrower、Lender、Insurer、Adviser、Platform、Provider、Regulator。
Financial Domain（金融領域）
Investment（投資）、Credit（信用）、Insurance（保険）、Payment（決済）等。
Product（商品）
Loan（融資）、Credit Card（クレジットカード）、Insurance Policy（保険契約）、Fund（ファンド）等。
Function（機能）
Prediction、Recommendation、Pricing、Execution等。
System Type（システム種別）
Rule-based（ルール型）、ML、LLM、Agentic。
Authorization Level（認可水準）
Human Approval（人間承認）、Limited Delegation（限定委任）、Automatic Execution（自動実行）等。
User Expertise（利用者熟練度）
Novice（初心者）、Experienced（経験者）等。
Provider Objective
何を最適化しているか。
Comparator（比較対象）
Human、Traditional Model、No Advice等。
Outcome
Institution-side Outcome（金融機関側の結果）かConsumer-side Outcome（消費者側の結果）か。
Time Horizon（時間軸）
Immediate（短期）、Months（月単位）、Years（年単位）。
Market Condition（市場条件）
どの市場環境で測定したか。
Jurisdiction
法的Claimがある場合。
Reversibility（可逆性）
判断・取引を戻せるか。
Contestability
異議を申し立てられるか。
62. Research Gaps
2026年9月時点で重要なResearch Gapは以下である。
Long-term LLM Financial Advice（長期LLM金融助言）
実際のConsumer Accountへ長期間接続した場合の、
Wealth（資産）
Debt（債務）
Loss（損失）
Capability（能力）
Autonomy（自律）
Harm（被害）
が十分に分かっていない。
Financial Capability under Persistent AI Use（長期AI利用下の金融能力）
継続的なAI利用によって、
Unaided Capability
AI-use Competence
Verification Skill
がどのように変化するか。
Agentic Finance
実世界での、
Authorization
Revocation
Recovery
Fraud
Liability（法的責任）
に関する長期Evidenceが不足している。
Borrower Welfare（借り手厚生）
ApprovalやDefaultだけでなく、
Debt Burden
Consumption Smoothing（消費平準化）
Resilience（回復力）
Stress（金融ストレス）
Long-term Household Welfare（長期家計厚生）
を見る必要がある。
Long-term Credit Distribution（長期信用配分）
AI Credit Systemが長期的にAccessやPricingをどう再配分するか。
Consumer Contestability（消費者の異議申立て可能性）
AI-based Credit / Insurance Decisionを利用者がどこまで訂正・異議申立てできるか。
Insurance Individualization（保険個別化）
Granular Pricingが、
Affordability
Pooling
Cross-subsidy
Coverage
Solidarity
へ与える長期影響。
Common-model Dependency（共通モデル依存）
同じFoundation Modelへの依存による、
Correlated Error
Herding
Systemic Concentration（システム集中）
Provider / Platform Power（提供者・プラットフォーム権力）
PersonalizationとProvider Incentiveの長期影響。
63. Classical Lenses
Principal–Agent Theory
Core Prior Art（中心的先行理論）。
ただしMulti-actor Structureとして使用する。
Jon Elster / Precommitment
Adopt with qualification（限定付き採用）。
Delegation、Self-binding、Revocabilityを考える補助線。
Friedrich Hayek / Distributed Knowledge
Optional（任意）。
知識分散を考える補助線としてのみ使用。
François Ewald / Insurance, Risk, Solidarity
Limited / Historical / Normative（限定的・歴史的・規範的）。
InsuranceをInstitutional Risk Distribution（制度的リスク配分）として理解する補助線。
いずれもDirect AI Evidenceにはしない。
64. Existing-Theory-First
Delegation / Autonomy
既存理論で概ね説明可能。
AI固有の拡張は、Continuous Execution（継続実行）、Revocation Architecture（撤回設計）等に有用。
Financial Capability
既存Frameworkを維持する。
AI-use Competence等は追加の監査軸として有用だが、新しい包括Constructを作る必要はない。
Personalized Advice
Principal–Agent Theory、Consumer Protection、Household Financeで大部分を扱える。
Credit Scoring / Fairness
Credit Risk、Fair Lending、Algorithmic Fairnessで基本構造を扱える。
Insurance Pricing
Insurance Economicsで基本構造を扱える。
Agentic Finance
既存理論で部分的に説明可能だが、AI固有の拡張が有用。
特に、
Continuous Execution
Machine Credentials（機械認証情報）
Revocation
Rollback
Common-model Dependency
には未解決部分が多い。
ただし、ここから「新しい包括理論が必要」とはまだ結論しない。
65. New Theory?
現時点の判定は、
New Comprehensive AI Finance Theory：No
すなわち、
新しい包括的AI金融理論：不要
である。
Domain 12の主要問題の大部分は、
Behavioral Finance
Household Finance
Consumer Finance
Financial Capability
Principal–Agent Theory
Consumer Protection
Credit Risk
Fair Lending
Insurance Economics
Choice Architecture
によって分析できる。
AI固有の拡張が特に有用なのは、
General-Purpose LLM Advice（汎用LLM金融助言）
Persistent Delegation（継続的委任）
Agentic Execution（エージェント型実行）
Foundation Model Dependency（基盤モデル依存）
Vendor-mediated Financial Infrastructure（ベンダー媒介型金融基盤）
Continuous Model Update（継続的モデル更新）
である。
66. Source Ledger
Source Ledger（出典台帳）は検索性・再検証性を優先するため、文献名、制度名、Source Type等は原語表記を基本とする。
[D12-S01] Chioda et al. — FinTech Lending to Borrowers with No Credit History
Chioda, L., Gertler, P., Higgins, S., & Medina, P. C.
FinTech Lending to Borrowers with No Credit History.
NBER Working Paper 33208.
2024; revised 2026.
DOI: 10.3386/w33208.
Source Type: Working Paper
Evidence Layer: Direct AI / ML Credit
Market: Mexico
Supports: Alternative transaction data can improve creditworthiness prediction for borrowers without formal credit history under the studied setting.
Does Not Support: General borrower welfare improvement; universal fairness.
[D12-S02] Di Maggio & Ratnadiwakara — Invisible Primes
Di Maggio, M., & Ratnadiwakara, D.
Invisible Primes: Fintech Lending with Alternative Data.
Management Science.
Published online 13 May 2026.
DOI: 10.1287/mnsc.2024.07854.
Source Type: Peer-reviewed empirical research
Evidence Layer: Direct AI / Alternative-data Lending
Market: United States FinTech platform
Supports: Alternative Data can expand access for some low-score / thin-file borrowers and improve studied subsequent financial outcomes.
Does Not Support: Universal fairness or suitability of all AI lending.
[D12-S03] Winder, Hildebrand & Hartmann — Biased Echoes
Winder, P., Hildebrand, C., & Hartmann, J.
Biased echoes: Large language models reinforce investment biases and increase portfolio risks of private investors.
PLOS ONE, 2025.
DOI: 10.1371/journal.pone.0325459.
Source Type: Peer-reviewed empirical research
Evidence Layer: Direct LLM Financial Advice
Supports: Under studied conditions, LLM investment advice increased multiple dimensions of portfolio risk.
Does Not Support: All models, users, prompts and financial tasks increase risk.
[D12-S04] Choukhmane et al. — AI Financial Advice
Choukhmane, T., de Silva, T., Lin, W., & Akuzawa, M.
AI Financial Advice: Supply, Demand, and Life Cycle Implications.
NBER Working Paper 35574, 2026.
DOI: 10.3386/w35574.
Source Type: Working Paper
Evidence Layer: Direct LLM Financial Advice
Supports: Under the study’s simulation framework, LLM advice can move some decisions toward life-cycle finance prescriptions.
Does Not Support: Observed long-term live investor welfare or actual realized returns.
[D12-S05] CFPB Circular 2022-03
Consumer Financial Protection Bureau.
Adverse action notification requirements in connection with credit decisions based on complex algorithms.
Jurisdiction: United States
Source Type: Official agency circular / policy statement
Legal Context: ECOA / Regulation B
Supports: Complex or black-box algorithm use does not remove the requirement to provide specific adverse-action reasons.
Does Not Support: Universal explanation law outside the relevant US legal scope.
[D12-S06] Regulation (EU) 2024/1689 — EU AI Act
Jurisdiction: European Union
Source Type: Regulation
Legal Effect: Binding EU law
Supports: Risk-based AI regulatory framework including relevant Annex III financial use cases.
Does Not Support: AI credit scoring is universally prohibited.
[D12-S07] Regulation (EU) 2026/1744
Digital Omnibus on AI.
Jurisdiction: European Union
Source Type: Regulation
Legal Effect: Binding
Supports: Updated AI Act implementation timeline.
Annex III Chapter III Sections 1–3 application: 2 December 2027.
Does Not Support: All AI Act provisions were delayed to the same date.
[D12-S08] FCA Targeted Support / COBS 9B
Financial Conduct Authority.
Advice Guidance Boundary Review / COBS 9B Targeted Support.
Jurisdiction: United Kingdom
Source Type: FCA rules and guidance
Effective: 6 April 2026
Supports: Targeted Support as a regulated support framework distinct from more comprehensive individualized investment advice.
Does Not Support: AI-specific regulation or universal advice taxonomy.
[D12-S09] Japan FSA AI Discussion Paper Version 1.1
金融庁.
AIディスカッションペーパー第1.1版
「金融機関等におけるAIの活用実態と健全な利活用の促進に向けた初期的な論点整理」
2026年3月3日.
Jurisdiction: Japan
Source Type: Discussion Paper / Policy Source
Legal Effect: Non-binding
Supports: Current Japanese regulatory-policy discussion on financial AI.
Does Not Support: Binding AI-specific legal duties.
[D12-S10] Jin & Vasserman — Buying Data from Consumers
Jin, Y., & Vasserman, S.
Buying Data from Consumers: The Impact of Monitoring in U.S. Auto Insurance.
NBER Working Paper 29096.
2021; subsequently revised.
Source Type: Empirical / economic research
Evidence Layer: Adjacent Evidence
Supports: Voluntary behavioral monitoring can affect driving behavior, pricing, insurer profit and studied welfare outcomes.
Does Not Support: Generative-AI-specific insurance effects.
67. Cross-Domain Connections
Domain 12は他の領域と強く接続する。
Domain 0 — Cross-Domain Audit Protocol
Authority（権限）、Decision Formation（判断形成）、Delegation（委任）、Execution（実行）、Responsibility（責任）。
Domain 1 — Learning / Capability
Learning（学習）、Capability（能力）、Cognitive Offloading。
Domain 2 — Decision Formation
Recommendation、Choice Architecture、Decision Formation。
Domain 3 — Trust / Reliance
Trust、Reliance、Appropriate Reliance。
Domain 8 — Accessibility
Financial Access（金融アクセス）、Digital Divide（デジタル格差）、Permanent Support（恒常的支援）。
Domain 9 — Work / Organization
Platform Incentive（プラットフォーム誘因）、Provider Power（提供者権力）、Professional Judgment（専門職判断）。
Domain 10 — Oversight / Safety / Control
Agentic Execution、Authorization、Rollback、Recovery。
Domain 11 — Institution / Law / Governance
Fairness、Contestability、Legal Source、Responsibility、Provider Governance。
68. Propagation Risks
Domain 12での誤りは複数Domainへ波及する。
特に危険なのは以下である。
Prediction Accuracy = Benefit
性能指標をHuman Outcome（人間側の結果）へ直結する誤り。
Financial Outcome = Capability
結果の良さを本人能力へ変換する誤り。
Delegation = Autonomy Loss
依存・委任を自律喪失とみなす誤り。
Personalization = Best Interest
個別化を利用者利益とみなす誤り。
Approval = Inclusion = Welfare
信用へのアクセスを厚生へ直結する誤り。
Risk Prediction = Fair Pricing
予測能力を規範的に望ましい価格設定へ変換する誤り。
Execution = Responsibility
実行主体と責任主体を同一視する誤り。
Backtest = Live Performance
過去データ上の成績を実運用能力とみなす誤り。
69. Existing-Theory-First Final Judgment
Domain 12の主要問題の大部分は、
Behavioral Finance（行動ファイナンス）
Household Finance（家計金融）
Consumer Finance（消費者金融研究）
Principal–Agent Theory（本人・代理人理論）
Financial Capability（金融能力）
Consumer Protection（消費者保護）
Credit Risk（信用リスク）
Fair Lending（公正貸付）
Insurance Economics（保険経済学）
Algorithmic Fairness（アルゴリズム公平性）
Choice Architecture（選択設計）
という既存の研究伝統によって扱うことができる。
AI固有の拡張が有用なのは、
General-Purpose LLM Advice（汎用LLM金融助言）
Persistent AI Delegation（継続的AI委任）
Agentic Financial Execution（エージェント型金融実行）
Provider-mediated Infrastructure（提供者媒介型インフラ）
Common-model Dependency（共通モデル依存）
Continuous Model Update（継続的モデル更新）
である。
したがって、
Existing Theory Mostly Sufficient; AI-specific Extension Useful
すなわち、
既存理論で概ね説明可能だが、AI固有の拡張は有用
と判定する。
新しい包括的な「Human–AI Finance Theory」は提案しない。
70. Final Assessment
Domain 12で最も危険な短絡は、
AIの予測精度が上がる
→ 金融判断が良くなる
→ 利用者が利益を得る
→ 金融制度がより公平になる
という連鎖である。
これは成立しない。
同様に、
AIへ金融判断を委任する
→ 人間の自律性が失われる
とも、
AIへ委任すれば人間はより自由になる
とも一方向には言えない。
金融AIでは、
Prediction（予測）
Recommendation（推奨）
Decision Formation（判断形成）
Authorization（認可）
Execution（実行）
Consumer Outcome（消費者側の結果）
Distribution（配分）
Responsibility（責任）
を分ける必要がある。
Creditでは、
Access（アクセス）
Approval（承認）
Pricing（価格設定）
Affordability（返済・負担可能性）
Default（債務不履行）
Debt Burden（債務負担）
Financial Well-Being（金融上の健全性）
を分ける。
Insuranceでは、
Risk Prediction（リスク予測）
Underwriting（引受審査）
Risk Classification（リスク分類）
Pricing（価格設定）
Pooling（リスクプール）
Affordability（負担可能性）
Coverage（補償）
を分ける。
Investmentでは、
Advice（助言）
Forecast Accuracy（予測精度）
Backtest（過去データ検証）
Live Performance（実運用成績）
Risk（リスク）
Return（収益）
Investor Welfare（投資家厚生）
を分ける。
Agentic Financeでは、
Credential（認証情報）
Authorization（認可）
Limit（上限）
Revocation（撤回）
Logging（ログ記録）
Rollback（巻き戻し）
Recovery（回復）
を含めてControl（統制）を評価する。
そしてFinancial Capabilityについては、
AIと一緒なら良い金融判断ができること
と、
本人自身の金融理解・判断能力が向上したこと
を同一視しない。
最終的な監査単位は、
Actor（主体）
× Financial Domain（金融領域）
× Product（商品）
× Provider Objective（提供者目的）
× AI / System
× Function（機能）
× Authorization（認可）
× Outcome（結果）
× Distribution（配分）
× Time Horizon（時間軸）
× Legal Regime（法制度）
× Reversibility（可逆性）
× Contestability（異議申立て可能性）
× Responsibility（責任）
である。
本領域の中心原則を最後に固定する。
Prediction Accuracy ≠ Consumer Benefit
すなわち、
予測精度 ≠ 消費者利益
である。
さらに、
Financial Outcome ≠ Financial Capability
金融上の結果 ≠ 金融能力
そして、
Delegation ≠ Autonomy Loss
委任 ≠ 自律喪失
である。
ただし同時に、
Accuracy is not irrelevant.
すなわち、
精度は無関係ではない。
また、
Financial outcomes do matter.
すなわち、
金融上の結果も重要である。
さらに、
Delegation can sometimes support autonomy.
すなわち、
委任が自律を支える場合もある。
Domain 12の目的は、
AIが金融に「良いか悪いか」を決めることではない。
重要なのは、
何が改善され、何が変化し、誰がBenefitを得て、誰がRiskを負い、誰がGoal・Authorization・Execution・RevisionをControlできるのか
を分解することである。
Publication Status
Publication Version
Evidence Cutoff
2026年9月
今後、以下に重大な変化があった場合にはSource Status（出典状態）を再監査する。
EU AI Actの金融用途に関する適用・解釈
FCA Targeted SupportおよびInvestment Advice規則
CFPB / US Fair Lendingに関するAI解釈
日本の金融AI政策・監督指針
Long-term LLM Financial Advice（長期LLM金融助言）
Agentic Finance
Common-model Dependency
Insurance Individualization（保険個別化）
AI Credit Scoringの長期Borrower Welfare
Persistent AI Use（継続的AI利用）とFinancial Capability
