許認可業務にAIはどこまで使えるか

なぜ今、許認可業務にAIが入り始めたのか

申請書の作成は、地味で時間がかかる。根拠法令の特定、添付書類の洗い出し、記載様式への落とし込み——一連の作業に担当者が半日以上を費やすことは珍しくない。

この状況に変化を促す動きが、米国で具体的な形を取り始めた。OpenAIとPacific Northwest National Laboratory（PNNL）は、AIが連邦許認可プロセスをどこまで加速できるかを測定するベンチマーク「DraftNEPABench」を共同で開発した。対象はNEPA（全米環境政策法）に基づく環境影響評価文書——インフラ整備や開発プロジェクトに必須の、分量も手間も大きい書類だ。

日本の建設・開発許可や環境アセスメントと構造が近く、米国の事例を「対岸の話」と流すには示唆が多すぎる。

DraftNEPABenchが示した「15%削減」の意味

DraftNEPABenchが提示した数字は、文書作成時間の最大15%削減だ。一見地味に見えるが、これは「全工程の自動化」ではなく、草案生成という特定フェーズへの介入だと理解する必要がある。

環境影響評価文書の作成には、現地調査や法的判断など人が担う工程が厳然と残る。AIが担うのは、過去事例の参照・条文照合・構成案の生成——いわば「下書きの下書き」だ。それでも15%の削減が実現するなら、年間数十件の申請を抱える総務・法務部門では積み上がる時間は無視できない。

さらにPNNLとOpenAIは、このベンチマークをインフラ審査の近代化に応用できると位置付けている。単なる省力化ツールではなく、審査プロセス全体の再設計を視野に入れた取り組みとして提示している点は見逃せない。

許認可業務の4ステップ、AIはどこまで入れるか

ステップ1：根拠法令・様式の特定

申請の種類によって根拠法令は異なる。建設業許可なら建設業法、食品衛生法に基づく営業許可なら自治体の条例も絡む。AIは過去の申請データや法令データベースを参照し、必要書類の一覧と根拠条文を数分で洗い出す。人が数時間かけてやっていた作業だ。

ステップ2：ドラフト生成

様式が決まれば、事業概要・所在地・担当者情報などの定型項目はAIが自動入力できる。DraftNEPABenchが狙うのも、まさにこのフェーズだ。過去の類似申請書を参照しながら記載漏れを防ぐ構成を生成する。

ステップ3：法的整合確認

ここから性質が変わる。生成されたドラフトが現行法令に照らして適切かどうかの判断は、法的責任を伴う。AIは矛盾箇所のフラグ立てや条文との差分表示を担えるが、最終的な判断は人間が行う必要がある。誤った申請書を提出した場合の損害は、時間削減の便益を容易に上回る。

ステップ4：提出・フォローアップ

電子申請が普及した行政手続きでは、フォーム入力の自動化も現実的になりつつある。ただし提出後の問い合わせ対応や補正指示への回答は、担当者の裁量と状況判断が求められる。AIはリマインドや進捗管理の補助には使えるが、窓口との交渉を代替するには至っていない。

日本企業が今すぐ着手できること

米国の事例を参照しながら、日本の行政・法務・総務部門が動くとすれば、まず「どの申請業務が繰り返し発生しているか」を棚卸しするところから始まる。

頻度が高く、様式が標準化されているものほどAI導入の費用対効果は出やすい。建設業許可の更新、産業廃棄物収集運搬業の許可、各種補助金の申請書——こうした定型性の高い業務が最初のターゲットになる。

「AIは草案を作り、人は判断する」——この役割分担を制度設計の段階から明確にしないと、AIが作った書類を誰も確認しないまま提出するリスクが生まれる。ガバナンスの設計がツール選定より先に来る。

社内で申請書のひな型と過去の提出データを整備することが、実は最大のボトルネックだ。AIに読み込ませる「正解データ」の質が、生成物の精度を直接決める。ツールを入れる前に、データを整える。その順番を間違えると、自動化は機能しない。

まとめ

OpenAIとPNNLの取り組みが示したのは、許認可業務の全自動化ではなく「草案生成フェーズへの集中投資」だ。最大15%の時間削減という数字は、法的判断を人が持ち続ける前提の上に成立している。日本企業が動くなら、まず繰り返し発生する定型申請のデータを整備し、ドラフト生成から試す——それが現実的な一手目になる。