Gargi Ray、Synopsys Inc グループ収益オペレーション担当 財務VP
MITの「2025 State of AI in Business」レポートは、経営層に衝撃を与える厳しい現実を突きつけた。企業のAIプロジェクトの95%が、プロトタイプから本番環境へ移行できていないのである。
現代の財務担当幹部にとって、この驚異的な失敗率は大規模言語モデル（LLM）への批判ではない。これは運用効率の根本的な失敗を示している。
多くの企業はここ数年、生成AIの「魔法」に魅了されてきた。しかし今、企業統合という硬い壁に突き当たり、その魔法は「絶対的な正確性」と「財務説明責任」という譲れない要件に置き換えられつつある。パイロットは立ち上げが驚くほど容易だ。きれいに整備され、取捨選択されたデータで機能するからである。だがそれは現実世界には存在しない贅沢でもある。
Fortune 500全体を見ると、多くの組織が、経済的な実現可能性や運用規模ではなく、技術的な実現可能性を前提に設計するサイクルに陥っている。「AIはこの問いに答えられるか？」と問うばかりで、「AIを、既存の基幹システム（システム・オブ・レコード）にどう違和感なく組み込むか？」を問えていないのだ。多くの取り組みは、単一のデータベース上の孤立したタスクにとどまる。後付けのAIエージェントは中核の財務ワークフローの外側に置かれている。取締役会の場でデモを行うのは容易だが、企業の真のシステム・オブ・レコードへつなぐ「結合組織」がないため、拡張はほぼ不可能である。
検索から推論へ：ケーススタディ
単純な問い合わせと、エンタープライズ級の問い合わせの違いを考えてみよう。単純な問い合わせは、「この契約書の主要条項を要約してほしい」といったものだ。これは孤立した検索の例であり、有用ではあるが、リスクは低い。
では、より複雑なビジネス上の問いを取り上げる。「この契約の支払条件は何か。過去の請求書において、この顧客は平均して何日遅れて支払っているのか。そして、その行動的な遅れは当社の第3四半期のキャッシュ予測にどう影響するのか」。この問いには部門横断のインテリジェンスが必要である。契約データベースだけでは答えられない。「PDFに記載された『net 30』」が、SQLテーブルの「Avg_Days_Late」によって補正されるべきだと理解するための、セマンティックなマッピングが求められる。もはや検索ではなく、推論の連鎖である。
エージェントA（法務）：契約書から「net 30」の支払条件を抽出する
エージェントB（与信・回収）：24カ月分の支払履歴を照会して行動的な遅れを算出し、ERPから今後の請求予定の200万ドルを特定する
オーケストレーター：200万ドルの流入見込みを遅れ分だけ調整し、決定論的な精度で第3四半期のキャッシュポジションを更新する
成功に向けた検討事項
企業はクリーンなサンドボックスでパイロットを設計するが、不整合なERPレコード、断片化したCRMの入力、M&Aに伴う例外といった「現実世界」に直面すると、精度は消え失せる。ハルシネーションを修正するための手動監視や、雑然としたデータを処理する計算リソースといった隠れたコストが、AIがもたらす価値を上回ることも少なくない。
成功する5%に入る可能性を高めるため、当社は、クリーンで統合されたデータベースと、堅牢なセマンティック層およびガバナンス層へ向けて戦略的に舵を切った。成功にはアーキテクチャ思考が必要である。実装を始める前に、全体の流れをマッピングし、情報のトレーサビリティを確立しなければならない。
当社におけるエージェント型AIの成功した展開を振り返ると、教訓は明確だ。統合データベースと確立されたトレーサビリティがなければ、深い洞察の自動化はできない。価値のギャップが埋まるのは、AIが実験であることをやめ、インフラになったときだけである。財務においてAIは、台帳そのものと同じくらい信頼性が高くなければならない。クリーンルーム型のパイロットが無視するようなエッジケース──買収、外れ値、雑然とした過去データ──を処理できなければならない。2026年における真の成功を定義するのは、LLMの洗練度ではなく、それを支えるデータアーキテクチャの堅牢性、動的なビジネスモデルへの適応力、データのセキュリティとガバナンス、そして独自のセマンティクスとワークフローである。
本稿で提供される情報は、投資、税務、財務に関するアドバイスではない。具体的な状況については、資格を持つ専門家に相談されたい。
