東京海上日動 — Tractable AI導入で自動車事故損害査定を数日から数十秒に短縮、査定士工数30%削減

企業概要

• 社名: 東京海上日動火災保険株式会社
• グループ: 東京海上ホールディングス傘下
• 事業: 損害保険（自動車・火災・傷害・賠償責任保険等）
• 規模: 国内損保業界最大手、保険料収入約2兆円超
• AIパートナー: Tractable（英国、損害査定AI専門スタートアップ）
• DX方針: 「デジタルを活用し、顧客の迅速な事故解決・保険金支払いを実現」

背景と課題

自動車事故発生後の損害査定プロセスは、従来以下のような課題を抱えていた。

• 査定担当者の現地訪問: 事故車両を直接確認するため、日程調整・移動に数日を要していた
• 写真による遠隔査定も属人的: 経験豊富な査定士でないと正確な判定が難しく、品質にばらつきがあった
• 大量案件への対応: 台風・豪雨などの大規模災害時には査定件数が急増し、処理が追いつかない
• 顧客満足度への影響: 保険金支払いの遅延が顧客不満の主因となっていた

これらを解決するため、「写真1枚で損害額を即時算出できるAI」の開発・導入を検討。世界各国の保険会社と実績を持つTractableを選定した。

導入したシステム・AI

① Tractable AI損害査定システム

英国スタートアップTractableが開発したコンピュータービジョンベースの損害査定AI。

• 技術基盤: ディープラーニング（CNN: Convolutional Neural Network）
• 学習データ: 世界数百万件の事故車両写真と実際の修理費用データで訓練
• 入力: 事故車両の写真（スマートフォン撮影可）
• 出力: 破損箇所の特定・修理費用の自動算出・損害レベルの分類

② 写真アップロード・ワークフロー統合

• 顧客または修理工場がスマートフォンで撮影した写真を専用アプリからアップロード
• AIが数十秒で解析結果を返す
• 査定士はAIの出力をレビューするだけでよく、単純案件は承認ワンクリックで完結

③ 大規模災害時の一括処理機能

• 台風・水災発生時に大量の損害査定案件を並列処理
• 従来は数週間かかっていた査定を数日以内に完了
• 衛星画像・ドローン映像との連携も検討中

成果

実装方法

システムアーキテクチャ

東京海上日動とTractableの連携は「写真収集 → クラウドAI解析 → 査定ワークフロー統合」の3層構造で実装されている。

1. フロントエンド層: 顧客向けスマートフォンアプリ・修理工場向けWebポータルから写真をアップロード
2. AIエンジン層（Tractable）: クラウド上のCNNモデルが破損箇所を検出し、修理費用を算出。過去の修理事例データと照合して精度を担保
3. 査定ワークフロー層: AI出力を社内の損害査定システムに取り込み、査定士がレビュー・承認。単純案件は自動承認ルールを適用
4. 学習フィードバック層: 査定士が修正した結果をTractableモデルに定期フィードバックし、日本市場向けに継続的に精度改善

品質担保の仕組み

• 信頼度スコアリング: AIが査定結果に信頼度スコアを付与。閾値以下の案件は必ず人間査定士がレビュー
• エッジケース管理: 全損・特殊車両・改造車など標準外の案件は自動的に専門査定士へルーティング
• 監査ログ: AI判定と人間判定の差分をすべて記録し、定期的に精度監査を実施

自前で実装するなら（参考コード）

OpenAI Vision APIを使った車両損害査定システムの参考実装です。Tractableのような専用モデルの代わりに、GPT-4oのVision機能で類似の仕組みを構築できます。

import base64
import json
from pathlib import Path
from openai import OpenAI

client = OpenAI()

def encode_image(image_path: str) -> str:
    """画像ファイルをBase64エンコード"""
    with open(image_path, "rb") as f:
        return base64.b64encode(f.read()).decode("utf-8")

def assess_vehicle_damage(image_path: str, vehicle_info: dict) -> dict:
    """
    車両損害写真をAIで査定する
    Args:
        image_path: 事故車両写真のパス
        vehicle_info: 車種・年式・グレード等の情報
    Returns:
        損害査定結果（JSON形式）
    """
    b64_image = encode_image(image_path)

    response = client.chat.completions.create(
        model="gpt-4o",
        response_format={"type": "json_object"},
        messages=[
            {
                "role": "system",
                "content": (
                    "あなたは自動車損害査定の専門AIです。\n"
                    "車両損害写真を分析し、以下のJSON形式で回答してください:\n"
                    "{\n"
                    '  "damage_areas": ["損傷箇所のリスト"],\n'
                    '  "severity": "minor/moderate/severe/total_loss",\n'
                    '  "estimated_repair_cost_jpy": 数値,\n'
                    '  "confidence_score": 0.0から1.0,\n'
                    '  "requires_human_review": true/false,\n'
                    '  "notes": "特記事項"\n'
                    "}"
                )
            },
            {
                "role": "user",
                "content": [
                    {
                        "type": "text",
                        "text": (
                            f"車両情報: {json.dumps(vehicle_info, ensure_ascii=False)}\n"
                            "この車両の損害を査定してください。"
                        )
                    },
                    {
                        "type": "image_url",
                        "image_url": {
                            "url": f"data:image/jpeg;base64,{b64_image}",
                            "detail": "high"
                        }
                    }
                ]
            }
        ],
        max_tokens=1000
    )

    result = json.loads(response.choices[0].message.content)
    return result

def batch_assess_disaster_claims(image_paths: list[str], vehicle_infos: list[dict]) -> list[dict]:
    """
    大規模災害時の一括査定処理
    信頼度が低い案件を自動フラグ立て
    """
    results = []
    for path, info in zip(image_paths, vehicle_infos):
        assessment = assess_vehicle_damage(path, info)
        assessment["image_path"] = path
        # 信頼度0.8未満は人間レビューキューへ
        if assessment.get("confidence_score", 0) < 0.8:
            assessment["requires_human_review"] = True
        results.append(assessment)
    return results

# 使用例
result = assess_vehicle_damage(
    image_path="accident_photo.jpg",
    vehicle_info={
        "make": "Toyota",
        "model": "プリウス",
        "year": 2021,
        "grade": "E",
        "mileage_km": 45000
    }
)
print(f"損傷箇所: {result['damage_areas']}")
print(f"損害程度: {result['severity']}")
print(f"修理費用見積: {result['estimated_repair_cost_jpy']:,}円")
print(f"信頼度: {result['confidence_score']:.0%}")
if result["requires_human_review"]:
    print("→ 人間査定士によるレビューが必要です")

アーキテクチャのポイント: 本番環境では asyncio と aiohttp で並列処理し、大規模災害時の数千件を同時処理できるよう設計します。confidence_score による自動ルーティングが品質担保の鍵です。

参照

• 東京海上日動プレスリリース「AIを活用した自動車損害査定の全国展開」(2020年1月)
• Tractable公式「東京海上日動 導入事例」