6カ月前、買掛金管理チームのメンバーが、必要書類の不足している請求書を承認した。企業のERP（基幹系）システムは、その日付、金額、そして誰が承認をクリックしたかを把握している。しかし、その「理由」はまったく分かっていない。
ビジネス上の文脈（コンテキスト）は、財務全般の日常的な意思決定を形づくるが、1つのシステムに収まっていることはほとんどない。売掛金管理において、なぜある顧客には30日間の支払猶予が追加で与えられ、別の顧客は回収手続きに回されたのか。買掛金管理において、なぜ承認者はこのサプライヤーに対して例外を認めたのか。その答えは、メールの履歴、承認コメント、顧客との通話、過去の紛争、あるいは昨年同じ状況に対応した担当者の記憶の中にあるかもしれない。
1326人の財務リーダーを対象としたデロイトの「Finance Trends 2026」調査によると、財務部門の63%がAIを導入し、積極的に活用している。しかし、すでに利用している企業のうち、投資が「すでに明確で測定可能な価値をもたらしている」と回答したのはわずか21%だった。財務部門にAIエージェントを完全に統合している企業は、わずか14%にとどまった。
AIはすでに、財務に関するほぼすべての質問に答えることができる。しかし、その回答が自社のポリシーや過去の経緯に照らし合わせて通用するかどうかは別問題だ。コンテキストAIが、両者の違いを生み出す。
ルールが終わる場所から、財務の仕事が始まる
長年財務チームと仕事をしてきて、どこにでも当てはまる真実が1つある。それは「例外処理がすべての時間を消費する」ということだ。1万件の請求書は何の注目も集めずにシステムを流れていく。しかし、一致しない1件の請求書があれば、午後の残りの時間、3人の担当者がその対応に追われることになる。
私はこのあらゆるパターンを目にしてきた。請求書自体は正当だが、サプライヤーが異なる法人名を使用していた。承認がポリシーから外れているが、以前に同様の状況下で財務部門のシニアリーダーが同じ例外を承認していた、などだ。
だからこそ、AIシステムにより多くの財務データを与えても、それだけで有用性は高まらない。量とコンテキストは別物だ。「05A」のような社内コードを含む1000行のデータがあっても、そのコードが何を意味し、どの事業部門が使い、財務チームがどう解釈しているかをシステムが知らなければ、ほとんど何も伝えない。
コンテキストこそが、数字に「住所」を与える。
失われている記録は、往々にして「決定」そのものだ
大半の財務システムは、意思決定の「結果」を保存する。しかし、その決定にどのように至ったかという「完全な経緯」が保存されることはめったにない。
ここで、同じサプライヤーが同様の状況で別の請求書を提出したと仮定しよう。AIは過去の承認記録を見つけ出す。問題は、なぜその例外が認められたのかをAIが理解しているかどうかだ。最終ステータスには「承認済み」と表示されている。その履歴こそが、その承認を前例とすべきかどうかをシステムに伝えるのだ。
コンテキストAIは、その履歴を再構成できなければならない。該当する取引を特定し、関連するコミュニケーションや承認情報を取得し、適用されるポリシーを識別し、結論に至った証拠の連鎖を示すべきだ。同じ問題が再発したとき、過去の判断は分析に活かされうるが、無言のうちに普遍的なルールになるようであってはならない。
新任の買掛金管理マネジャーは、初日から会計や内部統制を理解しているかもしれない。しかし、特定のサプライヤーが複数の子会社を通じて請求書を発行していることや、特定の種類の例外は常にコントローラー（財務責任者）にエスカレーションしなければならないといったことを学ぶには時間がかかる。
時間の経過とともに、その人物は組織の記憶（インスティチューショナル・メモリー）を身につけていく。コンテキストAIは、財務部門がその記憶をより計画的に保存し、活用する手段を提供する。
また、これによりAIの判断を検証することも容易になる。ユーザーは、なぜ特定のベンダーに高リスクの格付けが割り当てられたのか、どの情報源がその評価に影響したのかを質問できるべきだ。システムは、以前に何を考慮したかを記憶していない状態でゼロから分析をやり直すのではなく、過去の分析に立ち返ることができなければならない。
信頼は、プロセスを示すことから生まれる
KPMGとメルボルン大学による2025年のグローバル調査（47カ国の4万8340人を対象）では、AIを使用している従業員の66%がその出力の正確性を定期的に検証しておらず、56%がAIを原因とする業務上のミスを報告していることが分かった。
財務部門は、裏付けのない結論が示されるたびに、誰かが必ずそれに気づいて修正するという前提で統制環境を構築することはできない。システムは、その導出プロセスを示さなければならない。
推奨されるアクションの場合、それは関連する取引、適用されるポリシー、裏付けとなるコミュニケーション、検討された過去の事例、使用された外部情報を提示することを意味する。また、後から分析を検証できるよう、AIが実行した内容を記録することも意味する。
これにより、より有用な監査可能性が生まれる。AIシステムが5つのアプリケーションにアクセスしたことを示すログは、単なる技術的な記録にすぎない。財務リーダーに必要なのは、それらのアプリケーションから得られた情報が、どのようにしてその推奨事項を裏付けたのかを理解することだ。
コンテキストは、より高い自律性へ向けた、慎重な道のりをサポートすることができる。証拠が揃っており、決定が確立されたポリシーに準拠し、状況が定義された権限の範囲内にある場合、財務チームはAIがアクションを実行することを許可できる。見慣れない例外、情報源の欠如、あるいは相反する前例がある場合は、その決定を適切な担当者に回すべきだ。
重要な境界線は、人間の仕事と機械の仕事の間にあるのではない。組織が「説明できる決定」と「説明できない決定」の間にあるのだ。
コンテキストは時間をかけて蓄積されなければならない
解決されたすべての例外は、組織の意思決定を強化する可能性を秘めている。課題は、どの決定が前例となるに値し、どの決定を一回限りの例外にとどめるべきかを見極めることだ。
これは、過去のすべての行動を容認された慣行としてAIに吸収させてよいという意味ではない。企業は一貫性のない決定を下すことがあり、人間も後で後悔するような例外を承認することがあるからだ。
財務チームは、単発の決定と承認された前例を区別しなければならない。決定を下す権限を誰が持っていたのか、それがいつ行われたのか、そしてどのバージョンのポリシーが有効であったのかを保存する必要がある。また、昨日の例外が明日のルールとして静かに定着してしまわないよう、古い情報を廃棄する明確な方法も必要だ。
市場に参入するAIエージェントの数が増え続ける中で評価を行う際は、システムが質問に答えられるか、タスクを完了できるかという点にとどまらず、その先を見据える必要がある。そのシステムは、推奨の背景にあるコンテキストや証拠を説明できるか。キャッシュパフォーマンス、例外処理、手作業の削減といった分野において、測定可能な改善を示すことができるか。決定が説明できず、その影響が測定できないのであれば、それは効果的な財務エージェントとは言えない。
本稿で提供される情報は、投資、税務、財務に関する助言ではない。個別の状況に関する助言については、資格を有する専門家に相談すべきである。
