結論：Claude Codeの金融エージェント基盤とKYCスクリーナーテンプレートを活用すれば、AMLアラート調査の初期トリアージから SAR（疑わしい取引の届出）ドラフト生成まで、コンプライアンスチームの調査工数を大幅に圧縮できる。
- 要点1：Anthropicが公開した金融サービス向け10エージェントテンプレートには KYC スクリーナーが含まれ、エンティティファイル組立・ソース文書レビュー・エスカレーションパッケージングを自動化する（Anthropic公式 2026年5月）
- 要点2：NVIDIAの2026年調査（回答者800名超）によると、金融機関の42%がエージェンティックAIを使用または評価中で、21%が本番デプロイ済み（NVIDIA Blog 2026年1月）
- 要点3：Claude Code v2.1のフック・サブエージェント・監査ログ機能により、コンプライアンス要件を満たしたまま調査パイプラインを構築可能
対象読者：金融機関のコンプライアンスエンジニア・開発者・PM・AML担当マネージャーで、Claude Code導入を検討している方
今日やること：本記事のStep 1のアラート構造化スクリプトをローカル環境で動かし、手元のサンプルデータで動作確認する
事例区分: 実装パターン解説
本記事は、Anthropic公式の金融エージェントテンプレートとClaude Codeの機能を組み合わせたAML調査自動化の実装パターンを解説しています。数値は試算・想定値であり、特定企業の実績ではありません。実装時は所属組織の規程・コンプライアンスに従ってください。
「AMLアラートが1日200件超えて、もう物理的に人手が足りない」
先日、地方銀行のコンプライアンス部門でシステム開発を担当しているエンジニアから、こんな相談を受けました。トランザクションモニタリングシステムが吐き出すアラートの大半は誤検知（false positive）で、調査員がひたすら手作業で確認しているのだと。
正直、これは金融業界のコンプライアンス部門が抱える普遍的な課題です。FATF（金融活動作業部会）の基準強化とともにアラートの閾値が下がり、結果として調査すべきアラート数だけが膨れ上がる。一方で、本当に疑わしい取引を見逃すことは許されない。
そこで注目したいのが、Anthropicが2026年5月に公開した金融サービス向けエージェントテンプレートです。KYCスクリーナーを含む10種のテンプレートが、Claude CodeとClaude Coworkのプラグインとして提供されています。FIS（金融テクノロジー大手）との提携では、AML調査を「数日から数分に圧縮する」エージェントの構築が進んでいると、FIS CEO Stephanie Ferris氏が明言しています（Anthropic公式発表 2026年5月）。
この記事では、Claude Code v2.1を使ってAMLアラート調査パイプラインを構築する5つの実装手順を、コピペ可能なコードとプロンプト付きで解説します。
AMLアラート調査とは — 金融コンプライアンスの最大ボトルネック
トランザクションモニタリングの構造的課題
AML（Anti-Money Laundering：マネーロンダリング対策）のアラート調査とは、トランザクションモニタリングシステムが「疑わしい」とフラグを立てた取引について、コンプライアンス調査員が背景情報を収集し、リスク判定を下すプロセスです。
具体的なフローは次の通りです：
- アラート発火 — ルールベースまたはMLベースのモニタリングシステムが閾値超過を検知
- 初期トリアージ — 調査員がアラートの優先度を判定（L1レビュー）
- 深掘り調査 — 顧客KYC情報、過去取引、外部データベース（制裁リスト、PEPリスト等）を突合
- 判定・文書化 — 調査結果をまとめ、要エスカレーションならSAR（Suspicious Activity Report）を作成
- 監査対応 — 調査プロセスの全記録を保全
なぜ自動化が求められるのか
NVIDIAの第6回「State of AI in Financial Services」調査（2026年1月公開、回答者800名超の金融サービス専門家）によると、金融機関の65%がAIを積極的に活用しており、前年の45%から大幅に増加しています。とりわけエージェンティックAI（自律型AIエージェント）については、42%が使用または評価中で、21%が本番環境にデプロイ済みです（NVIDIA Blog 2026年1月22日）。
AML調査の自動化が急務とされる背景には、以下の構造的要因があります：
- 誤検知率の高さ — 一般的なルールベースシステムのfalse positive率は90%以上とされ、調査員の時間の大半が「問題なし」の確認に費やされる
- 規制強化の加速 — FATF第5次相互審査を控え、各国の監督当局がモニタリング体制の高度化を要求
- 調査員不足 — コンプライアンス人材の採用競争が激化し、人手による全件調査が物理的に困難に
なぜClaude Codeか — Anthropic金融エージェント基盤の現在地
10種の金融エージェントテンプレート
Anthropicは2026年5月、金融サービス向けに10種のエージェントテンプレートを公開しました。Claude CodeおよびClaude Coworkのプラグインとして利用でき、Claude Managed Agentsのcookbookとしても提供されています（Anthropic公式 2026年5月）。
リサーチ＆クライアントカバレッジ向け5種：
- Pitch builder（ピッチ資料作成）
- Meeting preparer（会議準備）
- Earnings reviewer（決算レビュー）
- Model builder（モデル構築）
- Market researcher（市場調査）
ファイナンス＆オペレーション向け5種：
- Valuation reviewer（バリュエーションレビュー）
- General ledger reconciler（総勘定元帳照合）
- Month-end closer（月次決算）
- Statement auditor（財務諸表監査）
- KYC screener（KYCスクリーニング）
本記事で注目するのは最後のKYC screenerです。このテンプレートは「エンティティファイル組立、ソース文書レビュー、コンプライアンスレビュー向けエスカレーションのパッケージング」を担います。
Claude Opus 4.7のベンチマーク実績
Claude Opus 4.7は、Vals AIのFinance Agent Benchmarkで64.37%のスコアを記録し、業界トップの成績を収めています（Anthropic発表 2026年5月時点）。これは金融タスクに特化した第三者ベンチマークであり、Anthropicが保証する値ではなく、ベンチマークのバージョン更新で数値が変動する可能性があります。
FISとのAMLエージェント提携
FIS CEO Stephanie Ferris氏は「AML調査を数日から数分に圧縮するエージェントを共同開発しており、与信判断、不正防止、預金保全のエージェントが続く」と述べています（同上）。
金融機関のコンプライアンス審査全般にClaude Codeを適用した事例については、銀行コンプライアンス審査の書類処理をClaude Codeで85%削減した実装事例も参考になります。
動作環境とセットアップ
検証環境
本記事のコード例は以下の環境で動作確認しています：
# 動作環境（2026年5月20日時点）
# OS: Ubuntu 22.04 LTS / macOS 14.x
# Claude Code: v2.1.145
# Node.js: v22.x LTS
# Python: 3.12+（データ前処理用）
# モデル: Claude Sonnet 4.5（Claude Codeデフォルト）
# Claude Codeのバージョン確認
claude --version
# claude-code v2.1.145
# プロジェクト初期化
mkdir aml-investigation-agent && cd aml-investigation-agent
claude /initディレクトリ構成
# プロジェクト構成（動作環境注釈: Claude Code v2.1.145）
aml-investigation-agent/
├── CLAUDE.md # プロジェクト固有の指示
├── .claude/
│ └── skills/
│ └── aml-triage/
│ └── SKILL.md # AMLトリアージスキル定義
├── src/
│ ├── parsers/
│ │ └── alert_parser.py # アラートCSV/JSON構造化
│ ├── agents/
│ │ ├── kyc_collector.py # KYC情報集約エージェント
│ │ └── sar_drafter.py # SARドラフト生成
│ └── connectors/
│ ├── sanctions_list.py # 制裁リストAPI連携
│ └── pep_checker.py # PEPリスト照合
├── hooks/
│ └── audit_logger.sh # 監査ログフック
├── tests/
│ └── test_alert_parser.py
└── data/
└── sample_alerts.json # テスト用サンプルデータStep 1 — アラートデータの構造化パイプライン
生のアラートデータを扱える形にする
トランザクションモニタリングシステムから出力されるアラートは、金融機関ごとにフォーマットが異なります。まずはClaude Codeにアラートの構造を理解させ、統一的なJSONスキーマに正規化するパイプラインを構築します。
CLAUDE.mdに以下のプロジェクト指示を記述します：
# CLAUDE.md（動作環境: Claude Code v2.1.145）
# プロジェクト: AMLアラート調査自動化パイプライン
## コンテキスト
- 金融機関のトランザクションモニタリングシステムから出力されるAMLアラートを処理する
- アラートは CSV / JSON / XML の混在フォーマットで到着する
- 全処理の監査ログを保全する（金融規制対応）
## コーディング規約
- Python 3.12+、型アノテーション必須
- 個人情報（氏名・口座番号）はログ出力時にマスク処理する
- 外部API呼び出しは必ずリトライ+タイムアウト設定を入れる
- テストは pytest で書く、カバレッジ80%以上
## セキュリティ
- APIキーは環境変数から読む（ハードコード禁止）
- 顧客データは /tmp に残さない
- 全てのファイル操作をaudit_logger.shでフック記録するアラート正規化のプロンプト例
Claude Codeに以下のプロンプトを投げると、パーサーの雛形が自動生成されます：
# Claude Code プロンプト（動作環境: Claude Code v2.1.145, Sonnet 4.5）
# ターミナルで直接入力:
claude "src/parsers/alert_parser.py を作成してください。
以下の要件:
1. CSV/JSON/XMLの3フォーマットを自動判定して読み込む
2. 統一スキーマ AlertRecord(alert_id, timestamp, customer_id,
transaction_amount, currency, counterparty, risk_score,
rule_triggered, raw_data) に正規化する
3. customer_id はログ出力時に末尾4桁以外をマスクする
4. Pydantic v2 の BaseModel で型を定義する
5. pytest のテストも tests/test_alert_parser.py に書く
不足している情報があれば、最初に質問してから作業を開始してください。"ポイントは、最後の「不足している情報があれば質問してから」の一文です。これにより、Claude Codeが仮定を置く前に確認を挟むようになり、的外れなコードが生成されるリスクを下げられます。
Step 2 — 取引パターン分析エージェント
サブエージェントで並列分析を走らせる
Claude Code v2.1のサブエージェント機能を使うと、1つのアラートに対して複数の分析を並列実行できます。これはAMLの調査フローとの相性が抜群です。
# .claude/skills/aml-triage/SKILL.md
# 動作環境: Claude Code v2.1.145, サブエージェント機能
# AMLトリアージスキル
## トリガー
- 「AMLアラートを分析」「トリアージ実行」「アラート調査」と言われたら起動
## 分析フロー（3つのサブエージェントを並列起動）
### Sub-Agent 1: 取引パターン分析
- 対象顧客の過去90日間の取引履歴を取得
- 金額の分布、頻度、時間帯パターンを算出
- 通常パターンからの逸脱度をスコアリング
### Sub-Agent 2: カウンターパーティ分析
- 取引相手のリスクプロファイルを収集
- 制裁リスト（OFAC/EU/UN）との照合
- PEP（政治的に重要な人物）リストとの照合
### Sub-Agent 3: 地理的リスク評価
- 取引の発信国/受信国のリスクレーティング
- FATF高リスク国リストとの照合
- 既知の租税回避地との取引有無
## 出力フォーマット
- JSON形式の統合リスクレポート
- risk_level: HIGH / MEDIUM / LOW
- recommended_action: ESCALATE / MONITOR / DISMISS
- evidence_summary: 判定根拠の要約サブエージェント起動のコード例
# Claude Code内でサブエージェントを活用するプロンプト例
# 動作環境: Claude Code v2.1.145
claude "アラートID TXN-2026-05-001 を分析してください。
data/sample_alerts.json から該当アラートを読み込み、
AMLトリアージスキルに従って3つの分析を並列実行し、
統合リスクレポートを output/report_TXN-2026-05-001.json に出力してください。
仮定した点は必ず '仮定' と明記してください。
数字と固有名詞は、根拠（出典/計算式）を添えてください。"Claude Codeのサブエージェント機能（v2.1.117で導入されたForked Subagents）により、各分析タスクが独立したコンテキストで並列実行されます。親エージェントは各サブエージェントの完了を待ち合わせ、結果を統合してリスクレベルを判定します。
信用スコアリングモデルの構築についてはClaude Codeの型推論を活用した別のアプローチもあります。詳しくは信用スコアリング開発をClaude Codeで自動化｜7手順を参照してください。
Step 3 — KYC情報の自動集約
Anthropic KYCスクリーナーテンプレートの活用
Anthropicの金融エージェントテンプレートに含まれるKYCスクリーナーは、以下の3ステップで動作します：
- エンティティファイル組立 — 顧客の基本情報、法人登記、実質的支配者情報を集約
- ソース文書レビュー — 本人確認書類、財務諸表、過去の取引記録を横断的にレビュー
- エスカレーションパッケージング — 要注意フラグ付き案件をコンプライアンスレビュー用にパッケージ化
これをローカル環境のClaude Codeで再現する場合、以下のようなデータコネクタ設計が必要です：
# src/connectors/kyc_aggregator.py
# 動作環境: Python 3.12+, Claude Code v2.1.145
# 注意: 実際の金融データへの接続は組織のセキュリティポリシーに従ってください
from dataclasses import dataclass
from datetime import datetime
import json
import os
@dataclass
class KYCProfile:
"""KYC情報の統合プロファイル"""
customer_id: str
entity_type: str # "individual" | "corporate"
risk_rating: str # "high" | "medium" | "low"
last_review_date: datetime
pep_flag: bool
sanctions_hit: bool
adverse_media_count: int
source_documents: list[str]
notes: str
def aggregate_kyc_data(customer_id: str) -> KYCProfile:
"""
複数のデータソースからKYC情報を集約する。
実装時は組織のAPI仕様に合わせて各コネクタを差し替えること。
"""
# 1. 内部CRMから基本情報取得（実装例・接続先は要差替え）
base_info = fetch_from_crm(customer_id)
# 2. 制裁リスト照合（OFAC SDN List API等）
sanctions_result = check_sanctions_lists(
name=base_info["name"],
country=base_info["country"]
)
# 3. PEP照合
pep_result = check_pep_database(
name=base_info["name"],
date_of_birth=base_info.get("dob")
)
# 4. アドバースメディア検索
# ※ AIによるメディア分析は補助ツールであり、
# 最終判断は必ず人間のコンプライアンス担当者が行うこと
media_hits = search_adverse_media(base_info["name"])
return KYCProfile(
customer_id=mask_id(customer_id),
entity_type=base_info["entity_type"],
risk_rating=calculate_risk(sanctions_result, pep_result, media_hits),
last_review_date=datetime.now(),
pep_flag=pep_result["is_pep"],
sanctions_hit=sanctions_result["has_hit"],
adverse_media_count=len(media_hits),
source_documents=base_info.get("documents", []),
notes=""
)データコネクタの拡張
Anthropicは8つの新規データコネクタ（Dun & Bradstreet、Fiscal AI、Financial Modeling Prep、Guidepoint、IBISWorld、SS&C Intralinks、Third Bridge、Verisk）を追加し、MoodyのMCPアプリは6億件超のパブリック/プライベート企業データへのアクセスを提供しています（Anthropic公式 2026年5月）。Claude Code環境でこれらのコネクタをMCP経由で利用することで、KYC情報収集の網羅性が向上します。
Step 4 — SAR（疑わしい取引の届出）ドラフト生成
調査結果の文書化を自動化する
AML調査で最も時間を要するのが、調査結果のドキュメント化です。特にSAR（日本では「疑わしい取引の届出」）は、記載事項が法定されているため、漏れがあると監督当局から指摘を受けます。
Claude Codeを使って、調査結果から SARドラフトを生成するプロンプト例：
# SARドラフト生成プロンプト（動作環境: Claude Code v2.1.145, Sonnet 4.5）
# 注意: 生成されたドラフトは必ずコンプライアンス担当者がレビューすること
# AIは補助ツールであり、SAR提出の最終判断者ではありません
claude "output/report_TXN-2026-05-001.json の調査結果を読み込み、
SAR（疑わしい取引の届出）のドラフトを作成してください。
以下のセクションを含めること:
1. 届出対象者の概要（氏名・住所はマスク処理）
2. 疑わしい取引の概要（日時、金額、取引種類）
3. 疑わしいと判断した理由（具体的な事実の列挙）
4. 取引パターンの分析結果（過去90日との比較）
5. 関連するKYC情報の要約
6. 調査担当者の所見欄（空欄 — 人間が記入）
フォーマットは output/sar_draft_TXN-2026-05-001.md に出力。
このドラフトは参考資料であり、提出前に必ずコンプライアンス部門の
レビューと承認を経ること。仮定した点は '仮定' と明記すること。"SARドラフトの品質を担保する仕組み
SARドラフトの自動生成で注意すべきは、法的に求められる記載事項が漏れないことです。Claude CodeのCLAUDE.mdにチェックリストを埋め込んでおくことで、生成時に自動バリデーションが走るようにします：
# CLAUDE.md に追記（動作環境: Claude Code v2.1.145）
## SARドラフトのバリデーションルール
SAR ドラフトを生成する際は、以下の必須セクションが全て含まれているか確認すること:
- [ ] 届出対象者情報（個人/法人の別、属性情報）
- [ ] 疑わしい取引の詳細（日時、金額、通貨、取引種類）
- [ ] 疑わしいと判断した根拠（事実ベース、推測は明記）
- [ ] 関連取引の時系列
- [ ] KYCプロファイルの要約
- [ ] 調査担当者所見欄（空欄で生成、人間が記入）
- [ ] 「本ドラフトはAI補助ツールで生成。提出前に必ず人間がレビュー」の注記
いずれかが欠けている場合、生成を完了せず不足項目を報告すること。Step 5 — 監査ログとコンプライアンス対応
Claude Codeのフック機能で全操作を記録
金融規制においては、調査プロセスの再現可能性が極めて重要です。「いつ、誰が（どのエージェントが）、何を参照し、どう判断したか」の全記録が求められます。
Claude Code v2.1のフック機能（PostToolUseフック）を使えば、全てのツール実行を自動的にログに記録できます：
// .claude/settings.json（動作環境: Claude Code v2.1.145）
// PostToolUseフックで全操作を監査ログに記録
{
"hooks": {
"PostToolUse": [
{
"type": "command",
"command": "hooks/audit_logger.sh",
"args": ["${tool_name}", "${file_path}"],
"timeout": 5000
}
]
}
}#!/bin/bash
# hooks/audit_logger.sh
# 動作環境: Claude Code v2.1.145 フック機能
# 用途: AML調査の全操作を監査ログに記録
TOOL_NAME="$1"
FILE_PATH="$2"
TIMESTAMP=$(date -u +"%Y-%m-%dT%H:%M:%SZ")
LOG_DIR="audit_logs/$(date +%Y-%m)"
mkdir -p "$LOG_DIR"
# 監査ログエントリ（JSON Lines形式）
echo "{\"timestamp\":\"$TIMESTAMP\",\"tool\":\"$TOOL_NAME\",\"file\":\"$FILE_PATH\",\"agent\":\"claude-code\",\"session\":\"$CLAUDE_SESSION_ID\"}" \
>> "$LOG_DIR/audit.jsonl"Anthropicの公式ドキュメントによると、Managed Agentsでは「長時間セッション（マルチアワーの案件処理）、ツール単位の権限制御、マネージド資格情報ボールト、Claude Consoleでの全ツール呼び出し・判断の監査ログ」が提供されます（Anthropic公式 2026年5月）。ローカルClaude Codeでの実装はフック機能で同等のログ基盤を構築できます。
権限制御のベストプラクティス
AML調査パイプラインでは、--dangerously-skip-permissionsフラグの使用は避けるべきです。代わりに、.claude/settings.jsonでツール単位の許可リストを設定します：
// .claude/settings.json（権限設定部分）
// 動作環境: Claude Code v2.1.145
{
"permissions": {
"allow": [
"Read(src/**)",
"Read(data/**)",
"Write(output/**)",
"Write(audit_logs/**)",
"Bash(python3 src/**)"
],
"deny": [
"Write(src/**)",
"Bash(rm *)",
"Bash(curl *)"
]
}
}VaR（Value at Risk）計算など、金融リスクモデリングにおけるClaude Codeの活用は金融リスク計算をClaude Codeで刷新｜VaR実装ガイドで詳しく解説しています。
【要注意】よくある失敗パターンと回避策
失敗1：AIの出力を無検証でSARに転記する
❌ Claude Codeが生成したSARドラフトをそのまま監督当局に提出する
⭕ 必ずコンプライアンス担当者がレビューし、事実関係を確認してから提出する
なぜこれが重要か：AIは補助ツールであり、最終判断者ではありません。SARの内容に誤りがあった場合、提出責任は金融機関側にあります。Claude Codeで生成したドラフトはあくまで下書きとして扱い、人間による最終チェックを必ず挟んでください。
失敗2：顧客の個人情報をそのままプロンプトに入れる
❌ claude "口座番号 1234-5678-9012 の取引を分析して"
⭕ claude "顧客ID CUST-XXXX-9012（末尾4桁のみ表示）の取引を分析して"
なぜこれが重要か：Claude CodeはAPIを通じてAnthropicのサーバーとデータをやり取りします。個人情報保護法および各金融機関の情報セキュリティポリシーに準拠するため、プロンプトに含める顧客情報は必ずマスク処理してください。データの前処理段階でマスク→分析→結果をマッピングテーブルで復元する設計が推奨されます。
失敗3：制裁リスト照合をAIだけに任せる
❌ Claude Codeにフリーテキストで「この名前が制裁リストに載っているか確認して」と聞く
⭕ OFAC SDN List等の公式APIを呼び出すスクリプトを作り、Claude Codeはその結果を解釈・統合する役割に限定する
なぜこれが重要か：制裁リスト照合は法的義務であり、LLMの知識カットオフや幻覚（hallucination）リスクがある推論に頼るのは危険です。制裁リストは日々更新されるため、必ず公式APIの最新データを参照し、Claude Codeはその結果の統合・レポーティングに特化させてください。
失敗4：監査ログを後から設計する
❌ まず動くパイプラインを作り、監査ログは「あとで入れる」
⭕ プロジェクト初日にPostToolUseフックを設定し、全操作を記録する
なぜこれが重要か：金融規制当局の検査では「調査プロセスの完全な再現」が求められます。後付けのログは、ログが存在しない期間のギャップを生み、規制リスクになります。Claude Codeのフック機能はプロジェクト設定ファイルに書くだけで有効になるため、初日に入れるコストは最小限です。
ROI試算 — 導入効果の想定モデル
以下は想定モデルケース（仮説試算）です。実際の効果は組織の規模・業務フロー・既存システムにより異なります。
想定条件
- 中堅地銀、コンプライアンス調査員5名体制
- 1日あたりのAMLアラート数：150件（うちfalse positive推定85%）
- 1件あたりの平均調査時間：現状45分
- 調査員の人件費：想定 年間600万円/人
想定効果（試算値）
| 指標 | 導入前（想定） | 導入後（試算） | 改善 |
|---|---|---|---|
| L1トリアージ時間/件 | 45分 | 12分 | -73% |
| False positive除外の自動化率 | 0%（全件手動） | 60%（自動判定） | — |
| SAR作成時間/件 | 3時間 | 45分 | -75% |
| 調査員1人あたり処理可能件数/日 | 10件 | 30件（試算） | +200% |
NVIDIAの2026年調査では、AI導入済み金融機関の61%が年間コスト5%超の削減を達成し、25%は10%超の削減を報告しています（NVIDIA Blog 2026年1月、回答者800名超）。AML調査の自動化は、このコスト削減効果が最も顕著に現れる領域の一つと考えられます。
なお、Anthropic APIの利用コスト、社内システム連携の開発工数、コンプライアンス部門との合意形成にかかる期間は組織ごとに異なるため、導入検討時には個別の費用対効果分析を行ってください。
段階的導入のロードマップ
Phase 1（1〜2ヶ月）: パイロット検証
少数のサンプルアラート（50〜100件）でStep 1〜2を試行。既存の手動調査結果と突合し、Claude Codeの判定精度を検証します。この段階では本番データではなく、匿名化済みの過去データを使用します。
Phase 2（3〜4ヶ月）: 部分導入
L1トリアージ（初期スクリーニング）にClaude Codeパイプラインを導入。調査員はClaude Codeの出力をレビューし、最終判定を下す「人間参加型（Human-in-the-loop）」の運用を開始します。監査ログの整備もこの段階で完了させます。
Phase 3（5〜8ヶ月）: 全面展開と高度化
SARドラフト生成（Step 4）を含む全パイプラインを稼働。KYCデータコネクタの拡充、モデルのファインチューニング（必要に応じて）、ダッシュボード整備を進めます。監督当局への説明資料の準備もこの段階で行います。
よくある質問（FAQ）
Q1: Claude CodeによるAML調査自動化とは何ですか？
A1: Claude Code（Anthropicが提供するエージェント型コーディングツール）を使い、金融機関のAMLアラート調査プロセス（トリアージ、KYC情報収集、リスク評価、SAR作成支援）を自動化する実装パターンです。AIは補助ツールとして機能し、最終判断は人間のコンプライアンス担当者が行います。
Q2: 導入コストはいくらですか？
A2: Claude Codeの利用料金はAnthropic公式サイトで確認してください（2026年5月時点）。API利用のトークン課金のほか、社内システム連携の開発工数が主なコスト要因です。具体的な費用は組織の規模と要件により異なるため、個別の見積もりが必要です。
Q3: 無料で試せますか？
A3: Claude CodeはAnthropicアカウントで利用開始できます。無料枠の有無と範囲は公式サイトの最新情報を確認してください。本記事のStep 1（アラート構造化）はサンプルデータで試行可能です。
Q4: 既存のAMLシステム（SAS、NICE Actimize等）と何が違いますか？
A4: 既存のルールベースAMLシステムはアラートの「発火」に特化しています。Claude Codeベースのアプローチは、発火後の「調査」フェーズを自動化する補完的な位置付けです。既存システムを置き換えるのではなく、調査員の作業を支援するレイヤーとして組み合わせる設計が推奨されます。
Q5: 中小の金融機関でも導入できますか？
A5: 可能です。本記事で紹介した実装パターンはClaude Code CLI + Pythonで構築でき、大規模なインフラ投資は不要です。ただし、顧客データの取り扱いについては所属組織の情報セキュリティポリシーとコンプライアンス規程に必ず従ってください。導入の具体的な進め方は、UravationのClaude Code 個別指導でもサポートしています。
まとめ：今日から始める3つのアクション
- 今日やること：Claude Code v2.1をインストールし、本記事のStep 1（アラート構造化スクリプト）をサンプルデータで動かす。10分で最初の正規化パイプラインが動く
- 今週中：自社のAMLアラートフォーマットを1種類選び、alert_parser.pyのスキーマを自社仕様に合わせる。CLAUDE.mdにコンプライアンス要件を記述する
- 今月中：Phase 1のパイロット計画を策定し、過去の匿名化済みアラート50件でClaude Codeの判定精度を検証する
次回予告：次の記事では、Claude Codeを使った金融機関のレギュラトリーレポーティング（規制報告書）自動生成パイプラインを解説する予定です。
参考・出典
- Agents for financial services — Anthropic（参照日: 2026-05-20）
- From Pilot to Profit: NVIDIA State of AI in Financial Services 2026（参照日: 2026-05-20）
- Advancing Claude for Financial Services — Anthropic（参照日: 2026-05-20）
- Claude Code Changelog — Claude Code Docs（参照日: 2026-05-20）
- Banks enter agentic AI era as tech race heats up — Bloomberg Professional（参照日: 2026-05-20）
- Jamie Dimon says AI is already reshaping JPMorgan Chase’s workforce — CNBC（参照日: 2026-05-20）
著者: 佐藤傑（さとう・すぐる）
株式会社Uravation代表取締役。早稲田大学法学部在学中に生成AIの可能性に魅了され、X（旧Twitter）で活用法を発信（@SuguruKun_ai、フォロワー約10万人）。100社以上の企業向けAI研修・導入支援を展開。著書『AIエージェント仕事術』（SBクリエイティブ）。SoftBank IT連載7回執筆（NewsPicksで最大1,125ピックス）。
ご質問・ご相談は お問い合わせフォーム からお気軽にどうぞ。
Claude Code の導入支援・個別指導については Claude Code 個別指導 をご覧ください。
AI研修・受託開発のご相談は 法人向けAI研修 にて承っています。
