賃貸の入居審査をAIで自動化｜仕組みと滞納予測スコアの落とし穴

入居審査をAIで自動化するとは何か

賃貸の入居審査をAIで自動化するとは、申込者の年齢・年収・雇用形態・過去の家賃滞納履歴といったデータを学習済みのモデルに入力し、家賃を滞納する確率をスコアとして算出して、審査担当者の判断を補助する仕組みを指します。

誤解されやすい点を先に1つ。AIは可否を自動で決めるのではなく、「当たりをつける」補助役にとどまります。実在する製品も「審査支援」「判断の平準化」と位置づけており、最終的な可否は人が判断する設計です。だから導入の検討も「審査をAIに丸投げできるか」ではなく「人の判断をどこまで速く・均一にできるか」で考えるとぶれません。

仕組み——何を入力し、何を出力するのか

入居審査AIの中身は、要素に分けると理解しやすくなります。入力されるのは申込者の属性データです。年齢・雇用形態・年収・過去の滞納履歴などで、家賃債務保証会社の事例では9項目ほどを使うとされています（リース株式会社、2021年）。出力されるのは「滞納の起こりやすさ」を表す確率やスコアです。可否そのものを機械が決めるのではなく、審査基準を平準化するための参考値として担当者に提示されます。

ここで押さえておきたいのが、家賃保証会社の系統によって審査の見え方が変わることです。クレジットやローンの延滞履歴を参照できる信販系（CICやJICCといった指定信用情報機関に照会する系統）、協会系、独立系では、見ている情報も判断の重みも異なります。信用情報の照会には本人の同意が前提になり、保有される期間は機関や情報の種類で違います。「どの保証会社の審査か」で結果が変わるのは、AIの精度以前に、参照しているデータベースが違うからです。

なお、保証会社のあいだで滞納情報を共有する業界団体の枠組みは、近年見直しが進んでいます。共有の仕組みは時期によって変わるため、「保証会社どうしで滞納履歴が常に筒抜けになっている」と固定的に考えるのは正確ではありません。最新の運用は各団体の公式情報で確かめる前提で扱うのが安全です。

実在する事例——滞納予測AIの中身

仕組みの話を具体に落とすため、公式に確認できる事例を1つ見ておきます。家賃債務保証を手がけるリース株式会社は、滞納予測AIを搭載した入居審査支援の仕組み（smeta入居審査AI）を公開しています。自社の保証業務で蓄積したデータをもとにモデルを開発し、反社会的勢力のチェックや官報情報の参照、信用情報機関との連携を組み合わせ、申込内容を段階的なスコアとして整理する設計です（リース株式会社、2021年）。

同社は、紙ベースで1件あたり約45分かかっていた審査が導入後に約16分へ短縮し、滞納予測の精度は70%を超えると発表しています（同社公表値、2021年）。ただし、ここは読み方に注意が必要です。

これらは提供元が自社で公表した数値であり、第三者が検証した結果ではありません。「延滞を繰り返す属性の特徴量から」という限定もついています。導入を検討するときは、こうした数値を「期待値の上限」ではなく「環境によって変わる一例」として受け止め、自社のデータで小さく試してから判断するのが実務的です。

精度の限界——スコアを過信できない理由

滞納予測のスコアには、構造的な弱点が2つあります。1つ目は判断根拠の不透明さです。AIが「このスコア」と出した理由を人が説明しにくい、いわゆるブラックボックスの問題があります。情報法を専門とする九州大学の成原慧准教授も、滞納予測AIをめぐって判断の透明性を課題として挙げています（日経クロステック、2021年）。根拠を示せないスコアは、申込者からの問い合わせにも社内の決裁にも答えられません。

2つ目は、過去データの偏りをそのまま引き継ぐことです。モデルは過去の審査結果や滞納の記録から学びます。もし過去の審査に人の偏見や偏りが含まれていれば、AIはそれを「正しいパターン」として再現します。

効率化したつもりが、過去の偏りを高速で再生産する装置になりかねません。スコアが高い・低いという結果だけを見て、その背後にあるデータの素性を問わないことが、いちばん危ない使い方です。

落とし穴①——個人情報保護法をまたぐ場面

入居審査は、個人情報を集中的に扱う業務です。だからこそ、AIやクラウドを挟む瞬間に法律上の論点がいくつも立ち上がります。整理しておくべき点は次のとおりです。

とくに見落とされやすいのが、委託先の監督が「努力目標」ではなく義務だという点です。審査の一部を外部サービスに任せた場合でも、選定と監督の責任は依頼した側に残ります（個人情報保護委員会ガイドライン）。また個人情報保護委員会は2023年に、生成AIサービスに入力した情報が学習に利用される可能性があること、犯罪歴などの要配慮個人情報は取得に原則本人同意が必要なことを注意喚起しています（個人情報保護委員会、2023年）。

ここで「クラウドAIに入れたら必ず学習される」と決めつける必要はありません。法人向けのプラン（たとえばChatGPTのEnterprise・Team・API)は、既定では入力データを学習に使わないと提供元が明示しています（OpenAI、2026年6月時点）。プランや契約で扱いが変わるため、使う前に公式の条件を確認し、必要なら学習に使わない設定を選ぶ——この一手間が、同意と委託の整理とセットで効いてきます。

落とし穴②——公平性と差別のあいだ

この記事でいちばん伝えたい論点がここです。滞納予測AIに「どの属性を入力するか」は、業務効率の話に見えて、実は差別の問題と地続きになっています。

賃貸の入居では、属性だけを理由にした拒否が法律上問題になる場面があります。国籍だけを理由に契約を断ることは平等の趣旨に反するとされ、貸主の賠償責任が認められた裁判例もあります（不動産流通推進センター）。障害があること、高齢であること、子育て世帯であることだけを理由にした門前払いも、障害者差別解消法などの観点から不当な取り扱いとされます（国土交通省／全日本不動産協会）。国は住宅セーフティネット制度で、低所得者・高齢者・障害者・子育て世帯・外国人などを「住宅確保要配慮者」と位置づけ、入居を拒まない仕組みを進めています（国土交通省）。

逆に言えば、国籍や障害といった属性をスコアの入力にした瞬間、人がやれば差別になる判断をAIで自動化・正当化してしまう恐れがあります。「機械が出した数字だから公平」というのは錯覚です。スコアは過去のデータを映す鏡であって、データに偏りがあれば偏った判断を返します。属性をモデルに入れる前に「これを人が手作業の審査でやったら差別にならないか」を一度問う。この一歩が、効率化を法令違反に変えないための歯止めになります。

メリットとデメリットを並べて見る

ここまでを踏まえると、入居審査AIは「使い方しだいで両側に振れる道具」だと分かります。会社側から見た効果と注意点を対にして整理します。

専用製品なしで始める、現場の最初の一手

「いきなり審査AIを入れる」必要はありません。中小の現場で効果が出やすいのは、手元のデータを振り返るところから始めることです。過去にどんな条件の入居者で滞納や早期退去が起きたか、入金遅延の傾向はどうか——自社の管理データを整理するだけでも、審査の勘どころは言語化できます。専用AIは、その勘どころを「速く・均一に」するための後工程と考えると順序を間違えません。

汎用AI（ChatGPTなど）を使うときに守る原則はシンプルです。

個社の生データは入力せず、手順や観点づくりに使うのが安全な入口です。たとえば審査フローの抜け漏れチェックや、ヒアリング項目の整理に使います。次のようなプロンプトなら、個人を特定する情報を渡さずに役立てられます。

あなたは賃貸管理の実務に詳しいアシスタントです。
入居審査で確認すべき項目を、次の3観点で漏れなくチェックリストにしてください。
(1) 本人確認  (2) 支払い能力  (3) 契約上の信頼性
・各項目に「なぜ確認するか」を一言添えてください
・特定の個人を識別する情報は入力しません（一般的な観点だけで作成）

この使い方なら、個人情報の同意や委託の整理を急がずに、AIの土地勘を社内に貯められます。属性（国籍・障害・年齢など）でふるい分ける用途には使わない——この一線だけは最初に引いておきます。

まとめ

入居審査をAIで自動化するとは、申込者のデータから滞納確率をスコア化し、人の判断を補助することです。実在するサービスもあり、審査の高速化や平準化という効果は見込めますが、公表される数値は一例として読み、自社データで検証する姿勢が要ります。そのうえで外せないのが2つの落とし穴です。個人情報保護法では利用目的の通知・第三者提供の同意・委託先監督が義務になり、公平性の面では属性をスコアに入れることが差別の自動化につながりかねません。AIを「公平な機械」と過信せず、最終判断と説明責任を人が持つ——この設計を崩さなければ、入居審査AIは現場の負担を確かに軽くします。自社の審査業務にどう組み込むかは、データの扱いと法令の両面から専門家と一緒に設計すると安全です。

関連記事

• 賃貸管理をAIで効率化する全体像記事を読む›
• 賃貸仲介のAI活用、現場の実践記事を読む›
• 見込み客のスコアリングと追客優先度の付け方記事を読む›
• 不動産業務で顧客の個人情報をAIに入れるときの注意記事を読む›
• 不動産会社のAIセキュリティとデータ管理記事を読む›

よくある質問