大手銀行が、LLMのガバナンスや不正検知まで含むAI基盤をApache-2.0で丸ごと公開した。
本記事では、Banco Santander（以下Santander）が2026年6月にGitHubで公開したAI関連リポジトリの内容と、金融業界にとける意味を整理します。
この記事でわかること
- Santanderが公開した11件のリポジトリと役割
- コードとデータの扱い方（Apache-2.0、合成・匿名化データのみ）
- 金融機関がAIを安全に運用するための技術スタックの全体像
何が公開されたか
2026年6月21日、フィンテック解説者のSimon Taylor氏が、SantanderがAI関連の取り組みをオープンソース化したと報じました（参考）。同日付近に、Santander AI LabのGitHub組織「SantanderAI」で複数リポジトリが一斉に更新されています。
公開されたコードはすべてApache License 2.0です。Santander AI Labの説明によれば、対象は責任あるAI、MLOps、グラフ機械学習、金融向けLLM評価です。実データは含まれず、合成データまたは匿名化データのみが扱われます。
Simon Taylor氏の整理では、大規模な規制産業におけるAI運用で問われる「判断は安全か、公平か、監査可能か、明日も同じ基準か」に答えるためのツール群として位置づけられています。
LLMの安全性とガバナンス
autoguardrails
LLMのガードレール（安全策）をストレステストする研究用スキャフォールドです。Karpathy氏のautoresearchに着想を得て、policy.mdという単一ファイルだけを書き換えながら、攻撃成功率（ASR）を最小化する方針を探索します。ジェイルブレイクや難読化リクエストへの耐性を、固定された評価スイートで計測する設計です。
mech-gov-framework
高リスクなLLM判断に対する「機械的ガバナンス（Mechanical Governance）」のPythonフレームワークです。テキストだけで方針を解釈するR1、ハードゲートやエントロピーのコミット・リビール、候補の凍結などを組み合わせるR2、適応型のR3という3段階のレジームを切り替えて比較できます。モデル非依存で、監査指標を数値化する点が金融向けの要件に合います。
llm_bridge
OpenAI、AWS Bedrock、Google Geminiを同一インターフェースで呼び出すベンダーニュートラルなLLMクライアントです。LLMClientに対してアダプターを差し替えるだけで、プロバイダーを変更できます。マルチクラウド環境でベンダーロックインを避けたい企業向けの実装例として公開されています。
公平性・堅牢性・不正検知
mutatis-mutandis
融資審査などで重要になる差別テストの研究コードです。論文「Mutatis Mutandis: Revisiting the Comparator in Discrimination Testing」に対応し、状況テスト（situation testing）と反事実比較子（cfST）で保護属性ごとの差異を検出します。保護されたグループと非保護グループの近傍個体を比較し、個別の差別報告を出力します。
sota-stressed-datasets
既存のベンチマークデータセットにノイズ、欠損、曖昧さ、フォーマット変更などの「ストレス」を加えた版を再公開するコレクションです。MLやLLMの堅牢性を、統制された劣化条件下で評価する用途を想定しています。データ本体はCC BY 4.0、ソースコードはApache-2.0です。
gen-fraud-graph
金融取引の合成グラフを生成し、グラフベースの不正検知モデルをベンチマークするPythonツールです。1,000件から1億件超のアカウント規模に対応し、マネーロンダリング型の不正リングを注入できます。TigerGraph、Neptune、Neo4jなどへの取り込み用CSVを出力し、PyPIでも配布されています。すべて合成データで、実際の顧客情報は使いません。
開発支援とその他のリポジトリ
ralph / ralph-vault-skill
AIコーディングCLIを反復実行するBash/PowerShellループです。各イテレーションでセッションをリセットし、indie AIコミュニティで話題のRalphループを銀行内ワークフロー向けに再実装したものです。ralph-vault-skillは、このループ向けのナレッジボールト生成スキルを提供します。
研究・MLOps系
関係性のある表形式データ向けのベイジアンネットワーク訓練ツールです。
構造因果モデル（SCM）を介入分布と反事実分布で比較し、公正な与信判断に応用する研究コードです。
LLM/AIの自動研究（autoresearcher）向け検索コアとして使える、依存関係のない遺伝的アルゴリズムエンジンです。
トリプレット損失で埋め込みを調整し、RAG（検索拡張生成）の検索精度をクエリに合わせて整えるツールです。
なぜ銀行がコードを公開するのか
Simon Taylor氏は、Santanderが競合を含む誰でもフォークできる形でAI制御レイヤーを公開した理由として、次の3点を挙げています。
- 優秀な人材の獲得——AI運用体制が整っていることのシグナルになる
- 社内への標準化——既存ツールの利用を促す
- 規制当局への透明性——監査可能な運用方法を示す
リリース承認には法務部門とCISO（最高情報セキュリティ責任者）が関与するという点も触れられており、単なる実験公開ではなく、コンプライアンスを前提にした運用だと読み取れます。外部貢献者はCLA（Contributor License Agreement）への署名が求められ、セキュリティ報告は専用メール（security-opensource@gruposantander.com）で受け付けます。
使い始めるには
各リポジトリはPython 3.9〜3.10以上を想定しています。llm_bridgeやgen-fraud-graphはPyPIからインストールでき、autoguardrailsはオフラインのスタブモデルで動作確認できます。実モデルでの検証にはOpenAI互換エンドポイントや各クラウドのAPIキーが必要です。
Santander AI Labは2026年5月にGitHub組織を立ち上げ、段階的にリポジトリを追加する方針を掲げています。金融以外の業界でも、LLMガバナンスや公平性監査、合成データによるモデル検証の参考実装として活用できる内容です。