債権回収の「回収率」と「利益率」を同時に上げる ─ AIスコアリングが変える、督促のリソース配分
債権回収の利益率は、回収金額に応じた成功報酬で決まります。回収率が1%上がれば利益が直接増え、1%下がれば利益が直接減る。それだけシンプルな事業構造です。
しかし、多くの法律事務所が同じ壁にぶつかっています。「全件に同じ督促アクションを打っている」「回収率が担当者のスキルに依存している」「コストをかけても回収額が頭打ち」。集客を増やしても処理の仕方が変わらなければ、利益率は改善しません。
本記事では、「データ基盤の整備を前提に、スコアリングによる債権の優先順位付けとアクション最適化を行う」という、債権回収の利益構造を根本から変えるアプローチについて解説します。弊社が法律事務所の支援を通じて方法論として整理してきた内容です。
1. 何が起きているか：「全件同じアクション」の構造的な非効率
債権回収は「選別」の事業である
債権回収の業務を単純化すると、「どの債権に、どの手段で、いつアクションするか」の意思決定の連続です。月に数千件から数万件の債権を扱う法律事務所では、この判断を日々繰り返しています。
ここに構造的な問題があります。
多くの事務所では、受任した債権に対して「全件同じ督促スケジュール」を適用しています。受任直後にSMS、数日〜翌週以降にオートコール、一定期間経過後に督促状を送るといった段階的な督促を、全件一律に適用する。金額が大きくても小さくても、回収見込みが高くても低くても、同じ手順です。
この「全件一律」のアプローチには、2つの非効率が潜んでいます。
1つ目は、回収見込みの低い債権にコストをかけ続けること。連絡先が無効で回収確率が極めて低い債権にも、督促状（1通あたり百円〜百数十円規模）やオートコール（1回あたり十円〜数十円規模）を繰り返し実施する。月次で数万件に対してこの督促コストが積み上がると、回収できなかった債権に対する「ムダ撃ち」のコストは無視できない金額になります。
2つ目は、回収見込みの高い債権にリソースを集中できていないこと。本来は手架電（直接の電話）など手厚い対応によって回収率をさらに引き上げられるはずの優良債権が、低見込み債権と同じ扱いを受けている。ここに利益率改善の余地があります。
なぜ「全件一律」が続くのか
この非効率は、多くの事務所で認識されています。では、なぜ変わらないのか。
第1の理由：判断基準が属人化している
「この債権は回収できそうだ」「この債権は後回しでいい」という判断は、ベテラン担当者の経験と勘に依存しています。金額帯、滞納期間、連絡先の有効性、過去の督促反応—こうした複数の要素を総合的に判断するノウハウは言語化されておらず、新人や事務員に引き継ぐことが困難です。結果として、「全件同じアクション」が最も安全な運用になってしまいます。
第2の理由：データが散在し、分析基盤がない
過去の回収データは事務所のファイルサーバーや個人のExcelに分散しています。「どの属性の債権がどの手段で回収できたか」を横断的に分析する環境が整っていないため、経験則を検証する手段がありません。
第3の理由：使えるツールが市場に存在しない
日本のリーガルテック市場は約350〜400億円規模で成長を続けていますが、売上の60〜70%は契約レビューと電子契約に集中しています。「債権回収の意思決定を最適化するAI」は、そもそもプロダクトとして存在しないに等しい状況です。法務データのセンシティブ性（個人情報・訴訟記録・財務データ）と、事務所ごとに異なる業務フローが参入障壁となり、汎用SaaS化が困難な領域だからです。
2. なぜ「回収率を上げろ」だけでは利益率が改善しないのか
回収率と利益率は連動するが、比例するとは限らない
「回収率を上げれば利益が増える」—これは正しいですが、条件付きです。
回収率を上げるために、全件への督促回数を一律に増やすとどうなるか。SMS・オートコール・督促状の実施回数が増えるため、督促コストが上昇します。回収見込みの高い債権からの回収は確かに増えますが、回収見込みの低い債権に対するコスト増加分は回収額で回収できません。全体として「回収額は増えたが、コストも増えた。利益率はほぼ変わらない」という結果になりかねません。
逆に、コスト削減だけを目指して督促を一律に減らせば、回収率が下がります。
この「回収率向上とコスト削減のジレンマ」は、「全件一律」のアプローチを前提とする限り解消できません。弊社が法律事務所の支援を通じて見えてきたのは、問題の本質はアクションの「量」ではなく「配分」にあるという構造です。
3. 前提としてのデータ基盤：スコアリング以前に必要な整備
ここから解決策の話に入りますが、その前にどうしても触れておく必要がある前提があります。AIスコアリングやアクション最適化は、それ単体で機能するものではありません。前段にあるデータ基盤が整備されていることが必須条件です。
「全件一律」の運用から抜け出せない事務所の多くは、AIやスコアリング以前に、判断の根拠となるデータそのものが使える状態になっていません。ここを整えないままツールを導入しても、期待する成果は得られません。
データ基盤として必要な3つの条件
1. 履歴の一元化
債権属性、債務者属性、督促履歴（SMS／オートコール／督促状／架電）、入金履歴、コミュニケーション履歴が、同一の構造で横断的に参照できる状態にあること。案件管理システム・CTIログ・担当者のメモ・個別のExcelに分散した状態では、回収パターンを横断で見ることができません。
2. 定義の統一
「回収成功」「接触成功」「反応あり」といった業務上の重要イベントが、担当者や案件によってブレることなく同じ定義で記録されていること。同じ事象が人によって違うラベルで記録されていると、どんなに件数を集めても分析には耐えません。
3. 分析可能な粒度
日次・案件別・アクション別など、必要な切り口で切り出せる粒度でデータが保持されていること。月次集計しか残っていなければ「いつ・どの手段が効いたか」は追えません。
データ基盤の整備が、スコアリングの精度を決める
スコアリングモデルの精度は、モデルのアルゴリズムの良し悪しよりも、その前段のデータの整い方に強く依存します。同じモデルでも、データが整った事務所では機能し、データが散在した事務所では精度が出ません。
この点は、「AIを入れれば回収率が上がる」という短絡的な理解とは逆です。AIに到達する以前の整備が、成果のほとんどを規定しています。次章以降で扱うスコアリングとアクション最適化の前提として、この認識を押さえておく必要があります。
4. AIスコアリングが変えること：「量」ではなく「配分」の最適化
ここで言う「AI」とは何を指すか
本稿で扱う「AIスコアリング」は、過去の回収データから回収可能性のパターンを学習する機械学習モデルを用いて、個々の債権に対して「回収できる確率」を数値化する仕組みを指します。
生成AIのように自然言語を生成するものではなく、入力された債権情報から確率値を出力する識別・推定モデルです。分類・回帰といった統計的手法を発展させたものであり、「AI」と呼ぶか「機械学習」「統計モデル」と呼ぶかは文脈次第ですが、本稿では業界で一般的な呼称としてAIスコアリングという言葉を使います。
スコアリングの考え方
データ基盤上に蓄積された過去データ（債権金額、滞納期間、連絡先の有効性、最終入金からの日数、過去の督促に対する反応パターンなど）をモデルに学習させ、新たに受任した債権ごとに「この債権は回収率が高い／中程度／低い」というスコアを算出します。
重要なのは、スコアリング自体が目的ではないことです。スコアをもとに「誰に・何を・いつ・どのくらいの頻度で行うか」というアクション設計を変えることが本質です。そしてスコアはあくまで判断基準の1つであり、実運用ではそれ以外の情報（債権特性、直近の接触状況、タイミング要因など）とあわせて意思決定する前提で設計します。
3つの設計原則
弊社がリーガルテックAI領域の支援を通じて整理している、スコアリング運用の基本的な設計原則は、以下の3つです。
原則1：高スコア層にはアクションを「増やす」
回収確率が高い債権（Aランク）に対しては、手架電の追加や督促状の早期送付など、手厚いアクションを集中させます。この層は督促に対する反応率が高く、追加アクションのコストを回収額で十分にカバーできます。
弊社のシミュレーションでは、高スコア層へのアクション強化によって、この層の回収率がさらに数ポイント向上する結果が出ています。もともと回収率が高い層の数ポイント改善は、金額換算では大きなインパクトになります。
原則2：中スコア層は「タイミング」を最適化する
回収確率が中程度の債権（Bランク）は、全体の件数で最も大きなボリュームゾーンを占めます。この層に対するアプローチは、アクション量の増減ではなく「タイミングの最適化」が鍵です。
受任直後の初動を早めること、督促の間隔を調整すること。同じコストのまま、接触タイミングを変えるだけで回収率が改善する余地があります。弊社の支援では、このタイミング改善だけで回収率が数ポイント向上した例があります。
原則3：低スコア層は「ムダ撃ち」を止める
回収確率が低い債権（Cランク）に対しては、督促状や架電などの頻度を減らします。この層は連絡先が無効であったり、過去の督促に一切反応がなかったりする債権が中心です。
ここで「回収額が減るのでは」と懸念される方もいるかもしれません。しかし実際には、この層のアクション削減による回収額の減少は限定的です。一方、督促コストの削減は確実に発生します。その浮いたコストを高スコア層に再配分することで、全体としての利益率が向上する構造です。
この3原則を同時に適用した場合の変化
弊社が十万件規模の債権データに対して実施したシミュレーションでは、上記の3原則を組み合わせた場合、以下のような変化が確認されました。
- 回収率：全体として向上（具体的な改善幅はデータ特性により異なる）
- 督促コスト：回収見込みの低い層へのアクション削減により低下
- 粗利：回収額向上 × コスト削減の複合効果で改善
特筆すべきは、「回収額の向上」と「コストの削減」が同時に起きていることです。これは「全件一律」のアプローチでは構造的に実現できなかった結果です。
5. なぜ汎用AIではなく「自社データで学習させたAI」が必要なのか
回収率を左右する変数は事務所ごとに異なる
「AIスコアリング」と聞くと、汎用的なAIサービスを導入すればよいと思われるかもしれません。しかし、債権回収のスコアリングでは、それが機能しない構造的な理由があります。
まず、回収率を左右する変数は事務所ごと・クライアントごとに大きく異なります。たとえば、ある事務所では「債権金額帯」が回収率予測で最も効く変数となる一方、別の事務所では「債務者の居住エリア」や「過去の接触履歴の有無」のほうが重要になるケースもあります。同じ事務所内でも、クライアントの業界や債権の性質によって、有効なアクションの組み合わせは変わってきます。
さらに、法務データには個人情報・訴訟記録・財務情報など極めてセンシティブな情報が含まれます。このデータをクラウドの外部サービスに送信することは、個人情報保護の観点からも、クライアントとの契約上も困難です。
弊社が構築するスコアリングモデルは、事務所の環境内にAI基盤を構築し、その事務所の過去データのみで学習させる設計を取っています。これにより、データを外部に出すことなく、その事務所固有の判断パターンを反映したモデルが構築されます。
使うほど精度が上がる「蓄積優位性」
このアプローチのもう一つの特徴は、運用するほどモデルの精度が向上することです。
スコアリングに基づいてアクションを実施し、その結果（回収できたか・できなかったか・いつ回収できたか）がフィードバックデータとしてデータ基盤に蓄積されます。半年、1年と運用を続けることで、「どの条件の債権にどのアクションが効きやすいか」の判断精度が継続的に上がります。
この蓄積されたデータと学習済みモデルは、後から参入した競合が複製することができません。先行して運用を開始した事務所ほど有利になる構造です。これは以前の記事「法律業務特化AI×独自データで、事務所経営を再設計する3つの原則」で解説した「独自データの蓄積による競争優位」の具体的な実装例です。
6. 実際に起きた変化
弊社が法律事務所の債権回収業務を支援した一連の取り組みでは、以下のような水準の変化が生まれています。
- 回収率：1.5倍に向上
- コスト（施策コスト＋人件費）：50%削減
- 工数（戦略立案・リスト作成・報告書作成）：75〜90%削減
- 戦略立案：月次で十万件超規模の債権に対する戦略立案が数秒で完了
ここで強調しておきたいのは、これらの変化はAIスコアリングの導入単独で生まれたものではない、ということです。データ基盤の整備（履歴・定義・粒度の揃え直し）、スコアリングモデルの構築、アクション設計の再構築、そしてそれを日々回すための運用設計—これらの組み合わせによって得られた結果です。AIはその構成要素の1つであり、基盤となるデータ整備とオペレーションの仕組みがなければ、同じモデルを載せても同じ成果にはつながりません。
特に大きかったのは、「担当者による回収率のバラつきがなくなった」ことです。これまでベテラン担当者の経験と勘に依存していた「どの債権にどうアプローチするか」の判断を、整備されたデータとスコアに基づく統一基準で運用する体制に移行。新人スタッフでも一貫性のある対応が可能になり、属人化から脱却しました。
この変化は「回収率が上がった」というツール導入の効果にとどまりません。組織として「判断基準が変わった」という、より根本的な変化です。以前は「担当者のスキル＝回収率」だった構造が、「整備されたデータ × スコアによる判断基準 × 担当者の実行力＝回収率」に変わりました。
関連事例：回収率が1.5倍に向上！AIで属人化を解消し、約20万件の債権管理を効率化
7. まとめ：「同じことを全員にする」をやめることが、利益率改善の起点になる
債権回収の利益率を改善する方法は、突き詰めると2つしかありません。「回収額を増やす」か「コストを減らす」か。そして「全件一律」のアプローチを変えない限り、この2つを同時に実現することはできません。
この「配分の最適化」を実現するために必要なのは、AIスコアリング単体ではありません。前段にあるデータ基盤の整備、スコアを起点としたアクション設計の再構築、そして運用オペレーションの作り替え—この3つがそろってはじめて、高見込み層にはリソースを集中し、低見込み層への「ムダ撃ち」を止める、という配分転換が機能します。月に数万件の債権を扱う事業においては、この「配分の差」が数千万円単位の利益差に直結します。
弊社がリーガルテックAI領域で一貫して大事にしているのは、「AIを後から既存業務に足す」のではなく、「データ基盤を整え、AI前提で業務フロー全体を設計し直す」という考え方です。債権回収においては、それが「全件同じ督促スケジュール」から「整備されたデータとスコアに基づくアクション最適化」への転換に当たります。
債権回収の回収率と利益率の改善に課題を感じている方は、まずは現在の督促フローが「全件一律」になっていないか、そしてその判断根拠となるデータが一元化・定義統一・分析可能な粒度で整理されているかを確認するところから始めてみてください。
