FSB「AIの責任ある導入に関する健全な実務慣行」と企業のAI管理体制

金融安定理事会（FSB）は2026年10月15日、最終報告書「Sound Practices for Responsible Adoption of Artificial Intelligence (AI)」を公表しました。金融機関がAIを導入する際の12の健全な実務慣行を示す文書です。金融庁も翌16日に「金融安定理事会による最終報告書「AIの責任ある導入に関する健全な実務慣行」の公表について」として公表を案内し、原文へのリンクを掲載しています。2026年6月10日に公表された市中協議版に寄せられた約160件の意見を反映して、今回の最終報告書が確定しました。

対象は銀行・保険会社・資産運用会社・決済事業者などの金融機関ですが、取締役会の関与、利用状況の文書化、重要性に応じたリスク評価、人による監督、外部サービスへの依存の管理など、内容の大半は業種を問わないAI管理体制の論点です。

参考記事: 金融庁AIディスカッションペーパー第1.1版の公表（2026年3月17日）／AI事業者ガイドライン第1.2版の公表（2026年5月12日）

報告書の位置づけ

FSBは2024年11月の報告書「The Financial Stability Implications of Artificial Intelligence」で、金融システムの安定に関わるAIの4つの脆弱性を指摘していました。サードパーティ依存と提供者の集中、市場の相関、サイバーリスク、モデルリスク・データ品質・ガバナンスの4つです。今回の報告書はその続編にあたり、金融機関の側で何をすればよいかを実務慣行の形で示します。AIを導入しないことによる競争力の低下やサイバー脅威への対応力の低下にも触れています。

FSBは、この実務慣行を拘束力のある国際基準ではなく、各金融機関の状況に合わせて使う実務上のツールキットと位置づけます。

The sound practices are non-prescriptive and do not constitute a binding international standard. Rather, they serve as a practical toolkit that financial institutions can tailor to their specific context and risk profile, and integrate into existing frameworks where appropriate, including those for cyber and third-party risk.
出典: FSB「Sound Practices for Responsible Adoption of Artificial Intelligence (AI)」 Executive summary

各金融機関が自らの状況とリスクに合わせて調整し、サイバーやサードパーティのリスク管理など既存の枠組みに組み込んで使うもので、報告書は比例原則も明記しています。規模が大きく複雑で、他の機関とのつながりが多い金融機関や、重要業務にAIを使う場合には、より厳格な対応が適切とされます。小規模な機関や重要性の低い利用には、該当する実務だけを選び、または修正して適用してよいとしています。報告書に従ったとしても、各国の法令・規制上の義務は免除されません。

12の健全な実務慣行

12の実務慣行は、組織横断的なAIガバナンス（1〜4）と、AIライフサイクル全体のリスク管理（5〜12）の2群に分かれます。いずれも金融機関に採用が推奨される実務で、以下の「求めます」は法的義務を指すものではありません。

番号	実務慣行	原語
1	戦略的方向性と監督	Strategic direction and oversight
2	ガバナンスと責任の明確化	Governance and accountability
3	リスク管理枠組みへの組込みと文書化	Incorporation of AI risks into risk management framework and effective documentation of AI use
4	組織の適応力	Organisational adaptability
5	重要性とリスクの評価	Materiality and risk assessment
6	選定プロセス	Selection process
7	データガバナンス	Data governance
8	説明可能性と透明性	Explainability and transparency
9	性能管理	Performance management
10	人による監督	Human oversight
11	サイバー・ICTリスク管理	Cyber and ICT risk management
12	サードパーティAIリスク管理	Third-party AI risk management

組織横断的なAIガバナンス（1〜4）

実務慣行1は、取締役会と上級経営陣がAI導入を事業モデル・リスク選好・戦略と整合させ、監督する役割を定めています。取締役会と上級経営陣には、リスク選好を設定する際にAIのリスクを織り込み、高リスク・高重要性の利用を採用する基準や、禁止する利用を定めることが求められます。禁止の例には、評価したリスクがリスク選好を超える重要業務での完全自動の意思決定を挙げています。取締役会は、AI導入の方針が戦略と整合しているか、法令・規制を守っているか、経営陣が実効的に実施しているかを判断できる情報の報告を受けます。

実務慣行2は、役割と責任の明確化を扱い、3つの防衛線（事業部門、独立したリスク管理部門、内部監査などの独立した保証）のような既存の体制を土台にすることを想定しています。第1線は利用事例ごとの業務上の成果・統制・重要性・リスクを評価し、第2線は組織全体のAIリスクを俯瞰して、第1線の活動を独立に検証します。第3線は、重要性とリスクに応じた保証を担います。AIで別のAIの性能やリスクを監視する場合は、監視するAIを監視対象から独立させます。

実務慣行3は、AIリスクを既存のリスク管理の枠組みに組み込み、AIの利用を文書化することを求めます。既存の利用事例台帳やモデル台帳を活用してよく、重要性の低い利用事例まで同じ粒度で文書化する必要はありません。文書と記録は改ざんや削除から保護します。文書化の項目は次のとおりです。

実務慣行4は、AIの進展に合わせて監督・ガバナンス・リスク管理の実務と人材の能力を更新し続けることを扱います。人材育成として、全職員への基礎的なAI研修、開発者・検証者・リスク管理者・監査人への役割に応じた専門研修、取締役会と上級経営陣への監督研修が挙げられています。あわせて、職員がAIの出力に異議を唱える機会を保ち、AIが使えないときや誤った出力を出したときに業務を遂行できる技能を維持すること（技能低下（deskilling）への対処）を求めています。

AIライフサイクル全体のリスク管理（5〜12）

ライフサイクルの例として、企画、設計・開発、テスト・検証、導入、運用・監視、再評価、廃止の7段階が示されています。実務慣行5〜10はその各段階に、11と12は全段階に横断する事項として位置づけられています。

実務慣行5は、利用事例の重要性（materiality）とリスクを企画段階とその後に体系的に評価することを求めます。重要性は、その利用事例が金融機関の存続や重要業務、法令・規制上の義務の履行にとってどれだけ重要かを指し、重要度、中断をどこまで許容できるか、扱うデータ、代替可能性の観点から評価します。リスクは金融機関や顧客に与え得る害を指し、重要性が低くてもリスクが高い利用事例はあり得ます。例として、自律性の高いAIエージェントが重要性の低い業務を担っていても、許された範囲の外で動けば大きな害を生じ得ることが示されています。評価は一度で終わらず、重要業務に広げると決めたときや、インシデントや性能低下を検知したときに繰り返します。

実務慣行6は、業務目的と運用・技術上の要件、重要性とリスクを踏まえたAIモデル・システムの選定を扱います。内製か外部調達かオープンソースか、従来型AI・生成AI・エージェントAIのどれかを決める場面が対象です。高性能なモデルは単純なモデルに比べて複雑で計算量が多く、説明可能性が低い場合があるため、最も複雑なモデルが常に最適とは限らないとされています。

実務慣行7はデータガバナンスで、学習・テスト・利用に用いるデータの正確性・完全性・一貫性・信頼性・安全性を保つことを求めます。外部のAIにプロンプトや社内文書を与える場面や、検索拡張生成（RAG）で社内の機密データにアクセスさせる場面も、データガバナンスの対象に含まれます。

実務慣行8は説明可能性と透明性を扱い、説明可能性をあるかないかではなく程度の問題と捉えています。不正検知のように予測力が優先される場面では低い説明可能性を受け入れ、与信や保険引受のように顧客への影響が大きい場面ではより高い説明可能性を求めます。説明可能性が限られる場合に補う統制には、許容する利用事例の限定、別のモデルとの比較（ベンチマークやチャレンジャーモデル）、感応度・ストレステスト、データガバナンスの強化、検証とテストの拡充、人による監督の強化を挙げます。それでもリスク選好に収まらないなら、性能が劣っても説明可能性の高いモデルや非AIの手法を選ぶとしています。顧客への透明性については、AIとやり取りしていること、AIが決定に重要な影響を与え得ること、限界があること、説明・異議・救済の権利（それらが適用される場合）を知らせることが例示されています。あらゆる場面でAIの利用を顧客に開示することまでは求めていません。

実務慣行9は性能管理を扱い、従来型AIは予測値と実績値の比較で評価できます。一方、生成AIは許容される出力に幅があり、唯一の正解がない場合があるため、人の判断と定性的な指標が必要になると報告書は述べています。評価の観点は、精度、出力のばらつき、頑健性、安定性、ストレス下の挙動です。合否の基準はできるだけ出力を見る前に定め、継続的な監視と定期的なテストに加えて「red teaming」（担当者が意図的に誤動作や弱点を探す試み）を行うことも挙げます。開発段階のテストでは、学習データにだけ合う過学習と、法令違反や差別につながる許容できないバイアスの有無を確かめます。

実務慣行10は人による監督を扱い、形だけの監督ではなく、人が介入する能力と権限を持ち、実際に介入する動機づけもある実質的な監督を求めます。導入後の監視は設計・開発に関与しなかった職員に割り当て、責任者を段階ごとに文書化します。形態として次が挙げられています。

実務慣行11はサイバー・ICTリスク管理で、既存の実務をAIに適用することを基本とします。具体的には、基本的な対策の徹底、ネットワークの分割、認証とアクセス管理、多層防御、セキュア・バイ・デザイン、迅速なパッチ適用が挙げられ、無許可利用（shadow AI）を監視・防止・是正する措置も含まれます。脅威の情報源としては OWASP の Top 10（機械学習、LLM、エージェント）、MITRE ATLAS、NIST AI 100-2 E2025 を参照しています。

実務慣行12はサードパーティAIリスク管理を扱います。FSBの2023年のサードパーティリスク管理ツールキットなどの技術中立的な既存の枠組みに基づきつつ、AI固有の論点を加えています。AIとして販売されていないサービスに組み込まれた「埋め込みAI」の把握も求め、ISO/IEC 42001 のような認証は補強的な証拠にはなるものの、単独ではデューデリジェンスと継続的な監視の責任を満たすのに十分でない場合があるとしています。十分な保証が得られないなら利用しない判断もあり得ます。契約条項として挙げられているのは次の項目です。

生成AI・エージェントAIの留意点

12の実務慣行は全てのAIに適用されますが、報告書は生成AIとエージェントAIについて、関連する実務慣行の中で追加の留意点を示しています。

生成AIについては、もっともらしいが誤った出力（ハルシネーション）に加え、長文や複雑な入力の一部を見落としたまま、流暢で完全に見える出力を返すことがあるというリスクが指摘されています。文書化の項目として、プロンプトのバージョン管理と以前の設定に戻せること、モデルのパラメータと性能の記録、推論過程のログを挙げています。一方で、モデルに推論の過程を説明させても、それが実際の処理を正確に表しているとは限りません。追加の検証なしに権威ある記録として扱わないよう、注意が付されています。

エージェントAIについては、次のリスクが挙げられています。

対応として、記録の要件が2つ示されています。一つは、各エージェントに固有の識別子を与え、どの行動を取り、誰が設定し監督したかを見えるようにすること（visibility）です。もう一つは、何をきっかけに動き、どの情報とツールにアクセスし、どのステップを経て、権限内で行動したかを追えるようにすること（traceability）です。エージェントのツールやシステムへのアクセス権限が増えると、権限の組合せによってリスクが大きく膨らむ可能性があるため、新しい権限を単独で評価せず既存の権限と合わせて評価することも求めます。記録の範囲はリスクに応じて定め、全ての中間処理を残すのではなく、リスクに影響する行動や判断を追跡できるようにします。

エージェントAIでは、人による監督だけでなく、エージェントが行える行動の範囲をプログラム上で制限する統制を組み合わせることが求められています。具体策には、一定額以上の取引や取り消せない行動の前に人の承認を求める条件を定めること、目標を個別のステップに分けて各ステップに統制を置くことが挙げられています。最小限の権限（least agency）を与えることと、kill switch を実装してテストすることも含まれます。

サードパーティAIについては、エージェントの行動に対する法的責任を含めて、契約上の責任の所在を明確にすることが求められています。また、同じモデルやデータ基盤に多くの金融機関が依存することで行動が同質化し、横並びの行動や景気変動の増幅を招き得るという、金融システム全体のリスクも引き続き指摘しています。

市中協議版からの変更点

2026年6月10日の市中協議版に対し、7月22日の締切までに銀行・保険会社・ノンバンク・業界団体・技術提供者・当局などから約160件の回答がありました（回答概要）。最終報告書では、AIを人の能力を補う技術と位置づけたうえでの技能低下リスクの追加、監査可能性を支える文書化の記述、取締役会と上級経営陣の役割の明確化、高リスク・高重要性の利用事例での透明性の重視、サードパーティAIリスク管理の範囲の拡大、エージェントAIとマルチエージェントシステムの考慮事項が加わりました。回答には、サードパーティのフロンティアモデルについて提供者からの情報が足りずデューデリジェンスができないという懸念が多く含まれています。

日本の枠組みとの関係

金融機関については、金融庁が2026年3月3日に公表したAIディスカッションペーパー（第1.1版）が国内の論点整理にあたります。金融庁は2026年9月15日の2026事務年度金融行政方針で、同ペーパーの改訂等を通じて金融機関等のAI利活用に係る実務上の課題を整理すると記載しています。FSBの報告書は、その参照先の一つになると考えられます。FSBの報告書自体も、金融庁の「モデル・リスク管理に関する原則」（2021年）を、重要性とリスクの評価や性能管理に関する既存の枠組みの例として参照しています。

金融機関以外の企業については、総務省・経済産業省のAI事業者ガイドライン（第1.2版）が、AI開発者・提供者・利用者に共通するガバナンスの考え方と、別添で実務の例を示しています。AI推進法は基本法で、活用事業者の責務（活用による事業活動の効率化・高度化や新産業の創出に努め、国・自治体の施策に協力すること）を定めていますが、利用台帳の整備やリスク評価の手続のような具体的な管理体制を義務づけるものではありません。したがって一般企業は、AIの管理体制を整える際に、拠り所とするガイドライン類を自社に合わせて選ぶことになります。

金融機関以外の企業への適用

12の実務慣行は、一般企業がAI管理体制を点検するときの項目としても有用です。金融機関に固有なのは主に、金融システムの安定を前提にした記述です。同じモデルへの依存が市場で行動の同質化を生むという論点、重要業務の継続に関する監督上の要求、監督当局や金融規制への言及がそれにあたります。取締役会の関与、役割分担、利用の文書化、重要性に応じた評価、人による監督、外部依存の管理は、業種が違っても当てはまります。

各項目の比重は、AIの調達方法によって変わります。報告書によれば、小規模な金融機関は主に外部のAIを導入する側（deployer）となり得ます。生成AIサービスの利用と社員が社内向けに作るツールが中心の一般企業も同じで、外部提供者の管理（12）、外部のAIに社内文書を渡す場面を含むデータの扱い（7）、利用の文書化（3）、人による監督（10）が中核になります。選定・説明可能性・性能管理（6・8・9）は外部のAIを使う場合にも対象で、提供者から得られる情報を確認したうえで、利用事例の重要性とリスクに応じて導入前のテスト、継続的な監視、説明可能性を補う統制を組み合わせます。

報告書の比例原則では、重要性の低い利用には該当する項目だけを選び、修正して適用してよいとされています。どの項目を軽くしたかとその理由は文書に残し、利用が拡大したときの見直しに用います。

ロジットパートナーズ法律会計事務所のサービス

当事務所では、AIガバナンス構築において、AI利用の実態把握とリスク評価、基本規程と利用基準・データの取扱基準・申請と承認の手続の整備、役員研修に対応しています。生成AIの利用規程を一式で約2か月かけて整える定型のサービスも用意しています（生成AI利用ガバナンスパック）。FSBの12の実務慣行のような枠組みを自社の規程や点検表に落とし込む作業や、AIの利用状況を対象とする内部監査の設計も扱います（内部統制構築、内部監査支援）。

生成AIサービスの利用規約やAI機能を組み込んだ業務ソフトの契約について、データの利用、モデルの変更の通知、責任の所在などの条項を点検する業務も、あわせて扱います（契約書作成・レビュー）。