a16z 1万字の長文：金融サービスはいかにGenerative AIを活用するか？
TechFlow厳選深潮セレクト
a16z 1万字の長文：金融サービスはいかにGenerative AIを活用するか？
個別化された消費者体験、効率的な運営、より良いコンプライアンス、改善されたリスク管理、そして動的な予測・レポートという5つの目標に焦点を当て、既存企業やスタートアップがどのようにジェネレーティブAIを活用しているかを見ていきましょう。
Web3業界の深掘り報道に専念し潮流を洞察執筆： Angela Strange、Seema Ambleなど、a16z
翻訳：InvestmentAI
テクノロジーが急速に進化する今日、AI（人工知能）およびML（機械学習）は金融サービス業界で10年以上にわたり活用されており、リスク管理の改善から基本的な不正検出スコアリングまで、さまざまな分野で進歩を遂げてきました。そして今、大規模言語モデル（Large Language Models、以下LLMs）に基づく生成AIは歴史的な飛躍を示しており、教育、ゲーム、ビジネスなど多くの分野を変革しつつあります。従来のAI/MLが既存データに基づいて予測や分類を行うことに主眼を置いていたのに対し、生成AIはまったく新しいコンテンツを創造することが可能です。
膨大な非構造化データを訓練に用い、ほぼ無限の大規模な計算能力を組み合わせることで、金融サービス市場において数十年にわたる最大の変革がもたらされるかもしれません。インターネット、モバイル、クラウドコンピューティングといった過去のプラットフォーム転換では、金融サービス業界は常に一歩遅れていましたが、今回は新たな生成AIに対して、優れた新興企業だけでなく既存企業もいち早く取り組むことが期待されています。
金融サービス企業は大量の歴史的金融データを保有しており、それらのデータを活用してLLMをファインチューニングしたり、BloombergGPTのようにゼロから訓練することで、あらゆる金融に関する質問に即座に回答できるようになります。たとえば、顧客とのチャット記録や追加の製品仕様データで訓練されたLLMは、その企業の製品に関するすべての質問に瞬時に応答できるでしょう。また、10年分の疑わしい取引報告書（SARs）で訓練されたLLMであれば、マネーロンダリングの陰謀を示唆するような取引パターンを識別することも可能です。我々は、金融サービス業界が生成AIを活用して以下の5つの目標を達成しようとしていると確信しています。個別化された消費者体験、効率的なオペレーション、より強固なコンプライアンス、改善されたリスク管理、そして動的な予測・レポーティングです。
既存企業と新興企業の競争の中で、AIを使って新製品を開発したりオペレーションを改善する際には、初期段階では専有金融データへのアクセスを持つ既存企業に優位性がありますが、正確性とプライバシーに対する高い基準が後に彼らの足かせとなる可能性があります。一方、新規参入企業は当初、公開されている金融データでモデルを訓練する必要があるかもしれませんが、すぐに自社のデータを収集し始め、それを新たな製品展開の突破口として利用していくでしょう。
それでは、この5つの目標について詳しく見ていきましょう。既存企業とスタートアップはそれぞれどのように生成AIを活用しているのでしょうか。
個別化された消費者体験
ここ10年間、コンシューマーフィンテック企業は大きな成功を収めてきましたが、依然として「人的介入なしで個人の貸借対照表や損益計算書を最適化する」という最も野心的な約束を果たせてはいません。この約束が未達成なのは、ユーザーインターフェースが金融意思決定に影響を与える人間の状況を十分に捉えられず、適切なトレードオフを提示したりクロスセリングを行ったりする方法が不十分だからです。
人間の状況の一例として、経済的に困難な時期における支払い優先順位の決定があります。消費者がこのような判断をする際、実用性（ユーティリティ）とブランドという2つの要因を複雑に絡ませて考慮します。そのため、こうした意思決定を適切に再現する体験を設計するのは極めて難しく、結果として人的スタッフなしでの高品質な信用教育の提供が困難になっています。Credit Karmaのようなサービスは顧客の課題の80％を解決できますが、残りの20％はまるで神秘的な深淵のようで、さらに状況を捉えようとすると、逆に過度に狭い範囲に限定されたり、誤った精度を装ったりすることで、消費者の信頼を損ねてしまいます。
現代の資産運用や税務申告にも同様の課題があります。資産運用においては、特定の資産クラスや戦略に特化したフィンテックソリューションであっても、人間のアドバイザーに勝てません。なぜなら人々はそれぞれ独自の希望、夢、不安に強く影響されるからです。そのため、人間のアドバイザーはほとんどのフィンテックシステムよりも顧客に合ったアドバイスを提供できてきたのです。税務に関しては、現代のソフトウェアがあっても、米国人は毎年60億時間以上を税務処理に費やし、1200万件の誤りを犯しており、収入の申告漏れや、出張費の控除など知らぬ間に見逃している恩恵も多く存在します。
大規模言語モデル（LLMs）はこうした問題に対して、消費者の金融意思決定をより深く理解・ナビゲートするという洗練された解決策を提供します。これらのシステムは、「なぜ私のポートフォリオに地方債が含まれているのですか？」といった質問に答えたり、「満期リスクと利回りのトレードオフをどう考えるべきですか？」といった判断を評価したり、最終的には「将来的に年老いた両親を経済的に支援できる柔軟な計画を立てられますか？」といった人間の状況を意思決定に組み込むことが可能になります。これらの能力により、コンシューマーフィンテックは高価値ながら用途が限られたツールから、消費者の金融生活全体を最適化するアプリケーションへと進化するでしょう。
効率的なオペレーション
生成AIツールが銀行業務に浸透する世界では、Sallyは住宅購入を決意した瞬間に事前承認された住宅ローンを持てるはずです。
しかし、この世界はまだ実現していません。主な理由は以下の3つです。
-
第一に、消費者情報が異なるデータベースに分散していることです。これにより、クロスセルや消費者ニーズの予測が極めて困難になっています。
-
第二に、金融サービスは感情に左右されやすい購買行動であり、複雑で自動化が難しい意思決定プロセスを伴います。つまり、銀行は多数のカスタマーサポート担当者を雇い、個人の状況に応じた最適な金融商品についての質問に答える必要があります。
-
第三に、金融サービスは厳しい規制の下にあります。つまり、住宅ローンなどの各製品のプロセスには、複雑で非構造的な法律に準拠するため、融資担当者やオペレーターといった人的要員が関与しなければなりません。
生成AIにより、複数の場所からデータを抽出したり、非構造化された個人状況や非構造化されたコンプライアンス規則を理解するといった、労力のかかる作業の効率が1000倍向上するでしょう。具体例を挙げると：
-
カスタマーサポート担当者：各銀行には何千人ものカスタマーサポート担当者がおり、製品内容や関連するコンプライアンス要件を熟知して顧客の質問に答える必要があります。ここで、ある新人担当者が、過去10年間の顧客サポート通話記録で訓練された大規模言語モデル（LLM）を使えるとしたらどうでしょうか。彼／她是非に関わらず、どんな質問にも即座に正しい回答を生成でき、より幅広い製品について深く説明でき、研修期間も短縮できます。既存企業は、自社の専有データや特定顧客の個人情報を、他社が利用可能な汎用LLMの改善に使われないよう注意する必要があります。新規参入企業は、データセットの構築方法に創造性を求められるでしょう。
-
融資担当者：現在の融資担当者は、通常、10近くの異なるシステムからデータを取得して融資文書を作成しています。生成AIモデルがこれらのすべてのシステムのデータで訓練されていれば、担当者は顧客名を入力するだけで、瞬時に融資文書が生成されます。正確性の確認は依然として必要ですが、データ収集プロセスははるかに効率的かつ正確になります。
-
品質保証（QA）：銀行やフィンテック企業の品質保証の多くは、多数の規制機関の規定に完全に準拠していることを確認することに費やされています。生成AIはこのプロセスを大幅に加速できます。たとえば、Vesta社はFannie Maeの販売ガイドラインで訓練された生成AIモデルを用いて、住宅ローン担当者に直ちにコンプライアンス上の問題を通知できます。多くの規制ガイドラインは公開されているため、新規参入企業にとって魅力的な入り口となるかもしれません。ただし、真の価値はワークフローエンジンを持つ企業に帰属するでしょう。
これらすべてが、Sallyが即座に住宅ローンを取得できる未来へのステップです。
より強固なコンプライアンス
将来、コンプライアンス部門が生成AI技術を積極的に採用すれば、世界中で年間8000億ドルから2兆ドルに及ぶ違法なマネーロンダリングの大部分を阻止できるかもしれません。麻薬密輸、組織犯罪、その他さまざまな違法活動も、ここ数十年で最大の打撃を受けることになるでしょう。
現在、私たちはコンプライアンスに年間数百億ドルを費やしていますが、実際に阻止されている違法な資金洗浄はわずか3％程度です。多くのコンプライアンスソフトウェアは「ハードコード」されたルールに基づいて構築されています。たとえば、反マネーロンダリングシステムでは、コンプライアンス担当者が「1万ドルを超える取引をマークする」などのルールを実行できます。しかし、こうしたルールの適用は往々にして効果が薄く、多くの金融機関は法律により大量の誤検知（フェイクポジティブ）を調査する義務を負っています。重罰を避けるため、コンプライアンス部門は数千人の従業員を雇用しており、その人数はしばしば銀行全体の10％以上を占めます。
しかし、生成AIを活用できるようになれば、未来の状況は大きく変わります。
-
より効率的なスクリーニング：生成AIモデルは、個人に関する複数システムの主要情報を瞬時に統合し、コンプライアンス担当者の面前に提示することで、取引のリスク評価を迅速化できます。
-
マネーロンダリング行為のより的確な予測：過去10年間の疑わしい取引報告書（SARs）で訓練されたモデルがあれば、AIは明示的な指示なしに報告書から新たなパターンを発見し、どのような行動がマネーロンダリングに該当するかを自ら定義できるようになります。
-
高速な文書分析：コンプライアンス部門は、内部ポリシーや手続きの遵守だけでなく、規制要件への適合も担っています。生成AIは契約書、報告書、メールなど大量の文書を分析し、問題のある箇所やさらなる調査が必要な領域を特定できます。
-
トレーニングと教育：生成AIは、リアルなシナリオを模したトレーニング教材の作成にも活用でき、コンプライアンス担当者がベストプラクティスを学び、潜在的なリスクや不正行為を認識する手助けをします。
新規参入企業は、数十の機関が公開するコンプライアンスデータを活用し、検索と統合を迅速かつ容易に行うことができます。一方、長年にわたるデータ蓄積を持つ大手企業は、適切なプライバシー保護機能の設計が求められます。
改善されたリスク管理
ArchegosやLondon Whale（ロンドンホエール）はギリシャ神話に登場する生物のように聞こえるかもしれませんが、実際には世界的な大手銀行が数十億ドルの損失を被ったリスク管理の重大な失敗を象徴しています。それに加えて最近のシリコンバレー銀行の破綻もあり、リスク管理が依然として多くのトップ金融機関にとって大きな課題であることが明らかです。
AIの進歩によって信用リスク、市場リスク、流動性リスク、運用リスクを完全に排除することはできませんが、こうした避けられないリスクをより迅速に識別・計画・対応する上で、この技術が重要な役割を果たすと考えています。具体的には、AIがリスク管理の効率化に貢献できる以下の分野があります。
-
自然言語処理：ChatGPTのようなLLMは、ニュース記事、市場レポート、アナリストの調査など大量の非構造化データを処理し、市場リスクやカウンターパーティーリスクの包括的な視点を提供できます。
-
リアルタイムインサイト：市場環境、地政学的イベント、その他のリスク要因に関する即時の知識により、企業は変化する状況に迅速に適応できます。
-
予測分析：より複雑なシナリオを実行し、早期警告を提供する能力により、企業はリスクをより能動的に管理できるようになります。
-
統合：独立したシステムを統合し、AIを用いて情報を統合することで、リスク露出の包括的な視点を提供し、リスク管理プロセスを簡素化できます。
動的な予測とレポーティング
LLMは財務上の疑問に答えるだけでなく、金融サービスチームの内部オペレーションプロセスの改善や、財務チームの日常業務の合理化にも貢献できます。財務分野の他の側面は大きく進歩しましたが、現代の財務チームの日常業務は依然としてExcel、電子メール、手動操作を要するBIツールに依存しています。データサイエンスリソースの不足により基本的なタスクの自動化が妨げられており、CFOとそのチームは煩雑な記録維持や報告業務に時間を取られ、重要な戦略的意思決定に集中できていません。
一般的に、生成AIはこれらのチームがより多くのデータソースから情報を取得し、傾向の把握、予測の生成、レポート作成のプロセスを自動化するのに役立ちます。具体的な活用例は以下の通りです。
-
予測：生成AIは、Excel、SQL、BIツール内での数式やクエリの作成を支援し、分析の自動化を可能にします。また、こうしたツールはパターンを発見し、マクロ経済要因などより広範で複雑なデータセットから予測因子を抽出し、モデルの調整方法を提案することで、企業の意思決定を支援できます。
-
レポーティング：取締役会向けレポート、投資家向け資料、週次ダッシュボードなど、多種多様なデータから手動で情報を抽出してレポートを作成する代わりに、生成AIはテキスト、チャート、グラフなどを自動生成し、さまざまなテンプレートに応じて柔軟に内容を調整できます。
-
会計・税務：会計・税務チームは、規則を参照し、それを実際のケースにどう適用するかを理解するために膨大な時間を費やします。生成AIは税法を要約・統合し、減税の可能性についての提言を行うことで支援できます。
-
調達・支払：生成AIは、契約書、発注書、請求書の自動生成・調整や、支払いリマインダーの送信などを支援できます。
しかし、現在の生成AIは判断力や正確な答えが求められる分野（これは財務チームにとって必須です）においてまだ限界があります。生成AIモデルの計算能力は進化を続けていますが、現時点では正確性を完全に信頼することはできず、少なくとも人間による最終確認が必要です。モデルの急速な改善、より多くの訓練データ、数学モジュールとの統合により、新たな活用可能性が広がっていくでしょう。
課題
この5つのトレンドの中で、新規参入企業と既存企業は、生成AIに基づく未来を実現するために2つの主要な課題に直面しています。
-
財務データを扱えるようにLLMを訓練すること：現在のLLMは主にネット上のデータで訓練されています。金融サービスの特定ニーズに対応するには、財務データでモデルをファインチューニングする必要があります。新規企業は公開されている企業財務データ、規制ファイル、その他の入手しやすい公開財務データから始め、徐々に自社が収集したデータを用いてモデルを最適化していくでしょう。銀行のような既存企業、あるいはLyftのような大手プラットフォームは、すでに保有する専有データを活用できるため、初期段階での優位性を持つかもしれません。しかし、既存の金融サービス企業は新たなプラットフォーム変革に対して保守的になりがちです。これが、自由度の高い新規参入企業に競争上の優位をもたらす可能性があります。
-
モデル出力の正確性：金融に関する答えは個人、企業、場合によっては社会全体に影響を与えるため、これらの新しいAIモデルは可能な限り正確でなければなりません。誤った答えを捏造したり、自信ありげに聞こえるが間違った答えを出したりしてはいけません。特に税務や財務的健康に関わる重要な質問については、流行文化の質問や高校生のエッセイよりもはるかに正確な回答が求められます。最初の段階では、AIが出した答えを最終的に検証する「人間の監督者」が必要となるでしょう。
生成AIの台頭は金融サービス企業にとって間違いなく大きなプラットフォーム変革であり、よりパーソナライズされたソリューションの提供、コスト効率の高いオペレーション、コンプライアンスの強化、リスク管理の改善、柔軟な予測・レポーティングの実現につながります。上記の2つの主要な課題をめぐって、既存企業とスタートアップが競い合うことになります。どちらが最終的に勝つかはまだわかりませんが、1つだけ明白な勝者がいます。それは、未来の金融サービスを利用する消費者なのです。
TechFlow公式コミュニティへようこそ
Telegram購読グループ：https://t.me/TechFlowDaily
Twitter公式アカウント：https://x.com/TechFlowPost
Twitter英語アカウント：https://x.com/BlockFlow_News
a16z
