AIのトレンドを受けた国内金融機関に必要な対応について（基本編）

生成AIについては、日本国内の金融機関においても急速に業務への適用が進んでいる。金融庁が2025年3月4日に公表したAIディスカッションペーパー「金融機関等におけるAIの活用実態と健全な利活用の促進に向けた初期的な論点整理」によると、アンケート調査対象の金融機関等の７割以上が、幅広く一般社員向けに生成 AI の活用を認めていると言う（図1）。また、生成AIの導入後の活用状況についても、69%以上が「導入後よりも現在の方が活発に利用されている」もしくは「導入後から大きな変化なく継続的に利用されている」との結果となっている。

これらの背景としては、日本の金融機関のDXへの取り組みの遅れに対する懸念や、人材不足といったことがあると考えられる。また、Chat GPTに代表される生成AIは使い勝手がよく、投資をしなくても、まずは試すことができるという点も受け入れられやすかったと推測される。また、ここ10年ほどで広がったRPAによる業務効率化の実体験も影響していると考えられる。業種別にみると日本の大手金融機関のRPA普及率は他業界より高いと言われており、こうしたテクノロジーと業務の親和性も高いといえる。

こうしたことを勘案すると、生成AIはビジネス課題の解決として飛躍的にできることが広がったという一方で、ある種、これまでの技術の延長線上にあるものであり、ナレッジをしっかりと蓄積していくことが肝要である。ナレッジを蓄積し、AIをより活用していくためには、以下の対応が必要と考えられる。

AIについては、海外金融機関でも積極的に活用されているケースがあるが、技術の進歩・浸透の速度が速いことから、投資に見合った十分な成果を得られている状況とはいえず、明確な勝者は存在しないと言われる。そうした不確定な状況においては、実際の製品やサービスを使ってみて、試行錯誤を繰り返し、手触り感を得ることが重要となる。従来の大規模なパッケージ製品などと比較し、AIに関するものはスモールスタートが可能である。特に生成AIについては、従来型のAIと比較し、大規模な仕組みを構築しなくてもユーザー主導で利用できるものも多くある。
また、公的な機関が公表しているレポートやDXに積極的に取り組んでいる事例も参考になる（図2）。なお、他社事例については、自社とは条件が合わないケースや情報入手時にはすぐに古い情報になっていることが多くあることから、そのものを真似するということではなく、事例における狙いや背景・ポイントを理解し、自社の経営環境や事業特性と照らし合わせて施策を考えることが肝要である。

従来型のシステム開発では、システム開発時や大規模なシステム更改時にデータを定義し移行する、もしくは、新たにデータを蓄積していくというアプローチが中心であったが、AIによるシステム開発では、存在するデータを活用していくというアプローチとなる。したがって、データ自体がなければ有効にAIを活用することは難しい。データ整備については、具体的なゴールの設定は一朝一夕にはいかないが、日本の金融機関では多くのレガシーシステムが存在し、データ活用において機動的な対応が難しいケースがあることから、まずは使いやすい状態にすることが重要である。データを使いやすい状態にする手段としては、データウェアハウスやデータレイクのような統合のインフラを整備する方法や内部APIにてデータを連携しやすくするなどいくつかの方法がある。また、データ整備に当たっては、金融機関の保有するデータは膨大であり、すべてのデータをさまざまな切り口で整備するというのは現実的ではない。そのため、いくつかのユースケースを検討し、それらを実現するために必要なデータを定め、整備を進める必要がある。また、データの品質やセキュリティを守るためのデータガバナンスの仕組みも求められる。

基幹システムなどの大規模システムの開発においては、ユーザーが定義した要件にもとづき、IT部門が設計開発をするというウォーターフォール型の開発が現在でも多く取り入れられている。しかしながら、AIやデータ活用に主眼を置くと、技術の特性や限界を確認しながら進める必要があることから、ウォーターフォールのように要件を定義しきることは困難である。したがって、業務設計と実装を一体として考えることができる業務・IT・データに精通した人材を増やしていくことが重要となる。業務とITの知識の壁が低くなっている点は以前から指摘されており、業務部門とIT部門の人事異動が頻繁に行われるケースがあるが、AIを活用する上では、それに加えデータについても精通していることが望まれる。また、AI開発においては「Human-in-the-Loop(HITL／人とAIを統合したシステム）」として、人間が介在しAIの精度向上や倫理的な面の確保をすることが求められることから、AI特性の理解も必要である。こうした人材は育成に時間がかかることから、経験者を外部から獲得することも選択肢として考えることになる。しかしながら、IT・データに精通した人材は各企業で求められており、容易ではないことから、中長期的な視野から自社で育成していくことも並行して進める必要がある。
また、人材を活かしていくためには、組織のあり方も変えていく必要がある。大きく中央集権、自律分散といった考え方があるが、ハイブリッドのような形態も考えられる。事業規模が小さい場合やビジネスモデルがシンプルな場合は中央集権でスピード感をもって取り組むことが望ましいが、そうでない場合は自律分散もしくはハイブリッドでの対応が中心となる。それぞれにメリットとデメリットがあることから、事業特性や文化などに応じた形で見直していくことが望まれる。