2026年の金融機関における大規模モデルの導入が「競争期」に入るが、多くのプロジェクトは「試行段階」（POC/内部デモ）にとどまっており、実際にビジネス価値を生み出しているものはほとんどない。問題はモデル自体にあるのではなく、**データ側の3つの大きな課題**（データの乱雑さ、AIがデータを理解できないこと、アプリケーションの難しさ）と**組織側の重要な欠如**（ビジネス、データ、エンジニアリングをつなぐ複合型チームの不在）にある。解決策としては、「データガバナンス→AIの準備→アプリケーションの導入」という3層構造を通じてデータの主権を再構築し、「シナリオ駆動型のアプローチと段階的な推進」で全体的なガバナンスを置き換え、FDEモデル（最先端のエンジニアチーム）と4種類のキーパーソンを活用して組織の壁を取り払うことである。
金融機関における大規模モデルの導入：盛り上がりはあるが、実際の成果は少ない
大手金融機関ほとんどが大規模モデルプロジェクトに取り組んでおり、投資研究、リスク管理、カスタマーサービスなどに応用しているが、その多くはまだ「概念検証」の段階にとどまっている（例えば、リーダーにAIが簡単な質問に答えることができることをデモンストレーションする）。なぜかというと、モデル自体に問題があるわけではない。汎用大規模モデルの能力は急速に向上し、コストも下がっている。問題はデータであり、さらにビジネス、データ、技術をつなぐ人材が不足していることだ。
データ導入の障害となる3つの大きな課題：AIが働きたくても「材料がない」
データの乱雑さ
金融機関のシステムは非常に多く（銀行の融資システムや資産運用システムは異なるベンダーが開発しており、証券会社のシステムも互換性がない）、以下のような問題が発生している：
- 同じ顧客が異なるシステムで異なる番号で管理されている（例えば、融資システムでは「張三123」とされ、資産運用システムでは「張先生456」とされるため、AIは同じ人だと認識できない）
- データのフォーマットが統一されておらず、頻繁に変更される
- データの品質が悪い（指標の計算方法が不明確で、モデルを変更するとメールで通知するしかなく、エラーが発生しやすい）
簡単に言えば、データが整理されていないため、AIは利用可能な情報を見つけることができない。
AIの準備不足
データがあっても、それを直接AIに提供できるわけではない。例えば、財務報告書には「純利益5億」と記載されていても、AIにとって「純利益」とは何か、その数値がどこから来たのか、他の指標との関係がわからない。AIがこれらのデータを使用すると、データの特定が困難で、インターフェースが統一されておらず、ビジネス用語の意味が理解できない（例えば、「レバレッジ比率」の意味は銀行と証券会社で異なる）。
アプリケーションの問題
汎用大規模モデルには専門的なデータが不足しており、更新も遅いため、偽の情報を生成しやすい。さらに、金融データのコンプライアンス要件が厳しく（誰がどのデータを見ることができるかが厳格に規定されているため、アプリケーションの導入が困難である。例えば、債券の格付けをAIに行わせようとしても、適当な数値を生成してしまい、その出典を確認することができないため、金融業界では使用できない。
データの主権を再構築する：3つのステップでAIにデータを活用させる
データの問題を解決するには、3層構造を構築し、段階的に進める必要がある：
1. データガバナンス：まずデータを整理する
単に番号を統一するだけでなく、以下の3つの問題を解決する必要がある：
- 主データの統一：同じ顧客/ビジネスにはすべてのシステムで同じ識別子を使用する（例えば、張三はどのシステムでも「張三001」とされる）
- データのトレーサビリティの確保：各データの出典を明確にし（例えば、「純利益」が財務報告書から来たのか、第三者のレポートから来たのか）、バージョンも追跡できるようにする
- 指標の統一：EBITDA（企業の収益能力を測る指標）には3つの計算方法があるため、どのシナリオでどの方法を使用するかを明確にし、AIが誤って使用しないようにする
重要なのは、これを技術者だけで解決できるわけではなく、ビジネス専門家とデータ専門家が協力することだ。ビジネス専門家は指標が実際にどのように使用されるかを知り、データ専門家はルールをシステムで認識できる標準に変換する方法を知っている。
2. AIの準備：データをAIが理解できる言語に変換する
整理されたデータでも、それを直接AIに提供できるわけではない。例えば、人間は「純利益5億」という数値を理解できるが、AIにとってはその意味や出典、他の指標との関係がわからない。AIがこれらのデータを使用すると、データの特定が困難で、インターフェースが統一されておらず、ビジネス用語の意味が理解できない。
3. アプリケーションの導入：AIの誤解を防ぐ
AIの誤解の原因は「自由な解釈」にあるため、解決策はモジュール化と制約である：
- モジュール化：複雑なプロセスを小さなステップに分割し（例えば、債券投資を債券選定、格付け、取引などに分ける）、各ステップを個別に検証し、エラーが発生した場合に迅速に問題を特定できるようにする
- 制約：AIは整理されたデータのみを使用し、自分で数値を生成することはできない。各ステップの出力はデータの出典まで追跡可能でなければならない。高リスクなタスク（例えば、大規模な取引の決定）は自動的に人間による処理に切り替えられる
結果として、以前は異なるシステム間のデータを確認するのに1〜2週間かかっていたが、今では数秒で結果が得られ、各ステップの正誤を確認できる。
実用的なアプローチ：「データの問題」を解決するのを待たずに、まずAIを動かす
多くの機関はすべてのデータを整理するのに1〜2年かけた後で大規模モデルを導入しようと考えているが、それは非現実的だ。データガバナンスは終わりのない作業であり（システムは常に追加され、データは常に変化している）、ガバナンスを完了する前に大規模モデルを導入しても効果がない。
まとめ
金融機関における大規模モデルの導入は盛り上がりはあるが、実際の成果は少ない。データの問題を解決するためには、技術者とビジネス専門家が協力し、3層構造を構築し、段階的に進める必要がある。これにより、AIを効果的に活用し、ビジネスの効率を向上させることができる。