re:Invent 2025: PwCとBMOによる金融機関のAI活用事例―財務報告から資金管理まで
はじめに
海外の様々な講演を日本語記事に書き起こすことで、隠れた良質な情報をもっと身近なものに。そんなコンセプトで進める本企画で今回取り上げるプレゼンテーションはこちら！
re:Invent 2025 の書き起こし記事については、こちらの Spreadsheet に情報をまとめています。合わせてご確認ください
📖 re:Invent 2025: AWS re:Invent 2025-PwC & BMO: AI-Powered Finance Transformation -From Reporting to Treasury Insights
この動画では、PwC CanadaのRakesh ShettyとBank of MontrealのRam Peddu、PwCのAbhinav Raviが、金融機関における2年間のAIトランスフォーメーションの旅を共有しています。規制環境下でのAIガバナンス構築、パイロットから本番環境への移行における課題、特に財務数字の精度確保の重要性が語られます。ユースケース選定では、ビジネス価値、実現可能性、ビジネスアラインメント、規制リスクの4つの柱で評価し、ポリシー管理では3ヶ月かかる作業を8時間で実現した事例も紹介されます。Amazon Bedrockを基盤とした共通ケイパビリティの構築、合成データの活用、エージェントシステムへの進化、そして従業員のデジタルアップスキリングの必要性が強調されています。最後に、人、プロセス、パフォーマンスの重要性と、実験から投資収益率重視への転換が今後の方向性として示されます。
※ こちらは既存の講演の内容を最大限維持しつつ自動生成した記事になります。誤字脱字や誤った内容が記載される可能性がありますのでご留意下さい。
本編
Bank of MontrealにおけるAI活用の財務トランスフォーメーション：2年間の旅の始まり
はい、私の声が聞こえていることを願います。こんにちは、本日のセッションにお越しいただきありがとうございます。これから20分間で私たちの2年間の旅についてお話ししますので、私たちが経験したこの素晴らしい体験を一緒に見ていきましょう。私たちはAIを、クライアントの一社における財務トランスフォーメーションの旅を強化するための強力なツールとして検討しました。その前に、ここにいる3人について簡単に自己紹介させてください。
まず私から始めます。Rakesh Shettyです。私はPwC CanadaのFinance and Transformation practiceをリードしており、主に金融サービスと将来に向けた財務テクノロジーの最適化に焦点を当てています。私と一緒に、クライアントであり同僚でもあるRamがいます。あなたの方から簡単に自己紹介をお願いします。皆さんこんにちは、私の名前はRam Pedduです。Bank of MontrealのRiskとFinanceのChief Data Analytics Officerを務めています。皆さんこんにちは、Abhinav Raviです。私はPwCの金融サービス向けのCloud、Data、AI practiceをリードしています。
それでは、これをインタラクティブに進めていきます。私がおそらくモデレーターの役割を務めて、私たちが旅を通じて経験したことを少し引き出していきたいと思います。最初の質問はRamに向けてです。全体として、私たちはこれに2年間取り組んできました。少し立ち止まって、銀行とそのAIの旅について4つの重要なポイントでお話しできればと思います。なぜトランスフォーメーションなのか？なぜコーポレート機能においてなのか？この2年間で経験したいくつかの課題は何か？コンセプトから本番環境まで、ソリューションの実装だけでなく、さらに重要なのは、ビジネス導入の観点からビジネスユーザーを活性化させること、そしてそれに対する経験についても、私たちが直面した障害は何だったのか。では、銀行と今日のあなたの旅について少しお話しいただけますか。
それでは、私が取り組んできたいくつかのユースケースを共有させていただきます。Rakeshが言及していたように、これは約1年前に始めた旅で、財務とリスクを見て、AI の観点から何ができるかを検討しました。明らかに、私たちは金融機関です。銀行業のような厳しく規制された業界です。私たちが最初に見る必要があったのは、AIトラストの構築でした。そこでは、AIガバナンスの側面を見ていました。公平性であれ、透明性であれ、説明責任であれ、このカンファレンスでAIガバナンスの観点から学んできたすべてのことです。それが私たちが確実に行う必要がある最優先事項でした。
そして最大の課題は、想像できると思いますが、パイロットを構築することです。それは常に簡単ですが、パイロットを実施した後、それをどうやって本番環境に移行するか？パイロットと本番環境の間のリードタイムをどうやって短縮するか？課題は何か、Rakeshが聞いていましたね？いくつかの課題は何か？それは、出てくる数字にどうやって信頼をもたらすかということです。なぜなら、それは財務とリスクだからです。数字は私たちにとって非常に重要で、小数点レベルまで重要です。AI の観点から出てくる数字が正しい種類の数字であることをどうやって確認するか、そしてそれに対してどのようなガードレールを設けるか、ということですよね？そこから私たちの旅は始まりました。進めていく中で、共有すべき興味深いストーリーがいくつかあります。それから、BMOの観点からリスクのユースケースも検討しています。それらについてもさらに共有していきます。
ええ、そして私たちがクライアント全体で観察していること、そしてBMO全体からの学びの一つとして大きいのは、個別のユースケースから組織全体の変革へと移行するシフトです。そしてその道に入ると、異なるユースケース間で注意を払う必要がある多くのシナジーが存在します。つまり、Ramが金融のユースケース、リスクのユースケースについて言及していたように、コンテンツ生成とコンテンツ要約は2つのユースケース間に存在する2つの共通事項かもしれません。ですから、モデルをどのようにアーキテクチャするか、異なるサービスをどのように活用するかという観点で、これら2つの異なるユースケース内または間で構築できる多くの共通パターンが存在する可能性があります。
これが実装部分を進める中で得た主要な学びの一つでした。これはより多くのケイパビリティを構築することについて話しています。私たちは皆、一つのユースケースから次のユースケースへと進む傾向がありますが、異なるユースケース全体で使用できるケイパビリティをより多く構築できないでしょうか。例えば、私たちはAmazon Bedrockを基盤として始めましたが、今それを構築すれば、RAGであれagenticなものであれ、一度構築すれば、同じ種類のケイパビリティ、例えばコンテンツ抽出であれば、一つのユースケースのために構築すれば、他のユースケースに対しても確実に同じようなことを適用できます。
金融機能の変革とユースケース選定：効率性、正確性、そしてビジネス価値の追求
金融について続けますと、実際に金融で働いたことのある私たちの何人かは、金融に最後に素晴らしいことが起こったのは1999年のY2K問題でした。覚えている方もいらっしゃると思いますが、時間に間に合わせて総勘定元帳を実装しました。そして25年後の今、私たちは金融を変革しています。
私たちが学んだことは、ROIを見て、どのようにユースケースを特定するかというとき、それらを3つの柱の下に置くということです。3つの柱とは、クローズプロセスであれ、差異分析であれ、プロセスをどのようにより効率的にできるか。どのようにより効果的になれるか。Ramが指摘したように、精度と正確さの度合いが重要です。なぜなら私たちは規制された環境にいて、実際にこれらの数字を市場に報告しているので、正確でなければなりません。私たちが理解した最も重要なことは、AIは、私たちがどれだけ愛していても、私たちが行うことを補強するためにここにあるということです。
ですから、それは従業員体験のエネーブルメントと、今日の人材をどのように実際にエンパワーするかということがすべてです。デジタルアップスキリングについて考えるとき、例えば金融を持つことについて考えるとき、それはもはや会計を学ぶだけではありません。彼らはより良いストーリーテラーになる必要があります。どのように実際に枠にとらわれない考え方を生み出すか。従業員体験をエネーブルすることに関するソフトスキルのいくつかは、私たちの観点から学んだことです。
さて、それを実際にパフォーマンスをどのように測定するかということと結びつけると、Ramへの質問があります。私たちは最初、3つのユースケースから始めました。すべて生産性に焦点を当てていましたよね？MD&Aレポートの作成にかかる時間を削減できるか、あるいはナラティブやコメンタリーに関連する何かを削減できるか、といったことです。それから、トランスフォーメーションができるかどうかに移行しました。実際にいくつかのプロセスをつなぎ合わせることができるか？3つ目は明らかにディスラプションですが、Chief Data and Analytics Officerとしてのあなたの見解をぜひお聞きしたいです。Gen AIから、そしてもちろん今ではagentic AIへと移行する中で、私たちはどのように変革しているのでしょうか？
基本的なことは変わらないと思います。私たちは皆、ビジネス戦略から始めます。私たちが達成しようとしているのは何か？例えば、私たちはここに立って、2026年にファイナンスの観点から、リスクの観点から何を達成したいかを見ています。その大きな傘を取って、この観点からAIがどのように役立つかを考えます。ビジネスケースの観点から見ると、私たちは常にビジネス価値を追求しますよね？このユースケースが生み出すことができるビジネス価値は何か？
時にはそれは効率性ですが、考慮すべき他のいくつかのこともあります。その1つは実現可能性です。はい、これは素晴らしいユースケースですが、銀行内または業界内で持っている能力を考えると、実際にそれを解決できるのか、そしてそれを解決するのにどれくらいの時間がかかるのか？それが実現可能性の側面です。それから、2つ目に見ているのは、銀行として、そしてチームとしてどれだけ一致しているかです。チームはそれに取り組む準備ができているか？ビジネスリーダーやエグゼクティブのサポートはあるか？ビジネスアラインメントの側面です。
繰り返しになりますが、規制の側面に戻ってきますが、それを行うか行わないかのリスクが時にはあります。例えば、リスクのユースケースでは、特定のことを実際に解決するよう規制上のプレッシャーがかかっています。それはポリシー管理かもしれませんし、他の何かかもしれません。その柱も見ています。つまり、1つは明らかに生み出す価値です。2つ目に見るのはビジネスアラインメントです。3つ目はその実現可能性、そしてそれを行うか行わないかのリスクです。これが私が見る柱であり、私たちが進めていく中で、それぞれにおいてどんどん良くなっていき、それらを前進させています。
規制環境下での新技術活用と価値実現のスピード：数ヶ月から数日への挑戦
Abhinavへの質問です、あなたのお気に入りの質問ですね。私たちが学んだもう1つのこと、そして私たちの中には日々学んでいる人もいますが、今朝キーノートを見たときに全く新しいことを聞きましたよね。私たちが学んだのは、毎週何か新しいものが出てくるということです。例えば、3ヶ月前にClaudeか何か特定のモデルを使って構築したユースケースが、3ヶ月後には、ツールに新しいガジェットがあります。それを規制された環境と結びつけると、テレビで見るものが職場でも使えるという意味ではないんですよね？趣味としてのAIと実践でのAIのバランスになります。
Abhinavさん、あなたはBank of Montrealと同じように他の銀行でも働いていましたね。規制環境ではまだ承認されていないこれらの新しいツールを実際にどのように活用し、そのバランスをどう取るかについて、あなたの経験はどのようなものでしたか？これはおそらくそれ自体で一つのセッションを設けられるような質問だと思います。なぜなら、これは皆さんの多くが日々直面している課題だと確信しているからです。私たちは二つの視点を適用し始めています。一つはユースケースのライフサイクルの観点から。もう一つは全体的なSDLC、つまりソフトウェア開発ライフサイクルの観点からです。
新しいツールが登場すると、それは常にとても心躍るものです。これらの新しいツールをどのように活用し始めるか？それらはおそらくGAではなく、一部は下位環境で使用でき、一部は本番環境まで使用できるかもしれません。しかし、本当の問題は、全体的なユースケースのライフサイクルを見たときに、要件抽出のステップがあり、ソリューション設計のステップがあり、開発があり、それからデプロイメント、そして監視とテストがあります。
では、どの段階で新しいツールを実際に使用したいのかということが、規制環境内では複雑になってきます。監視とデプロイメントの中では、おそらくツールを活用できるでしょうが、要件生成そのものに使い始めるときはかなり安全性が低くなりますし、さらにリスクが高いのは、動的にその場でモデルを選択するために使い始めるときです。ですから、開発ライフサイクルのどこでこれらの新しいツールや新しい提供物を実際に活用したいのかという観点から、ユースケースの立場で批判的思考を重ねる必要があります。
一つお話ししたいことがあります。あなたに価値実現までのスピードについて話してもらおうと思っていたのですが、新しいツールについて話されましたね。ユースケースの平均的なライフサイクル、そして私は設計、構築、テスト、デプロイを行う従来のアジャイルを挙げているだけですが、重要なのは実際にどのように要件を捉えるかということです。ここにいる私たちの中には金融関係の人もいますよね。私たちは日々やっていることに没頭しすぎて、良いものがどのようなものかを考えません。Ramさんは素晴らしい例を持っていて、彼は3ヶ月かかるはずだったものをポリシー管理で8時間で実現できたんです。つまり、それは一例に過ぎませんが、Ramさん。そこでのあなたの経験をぜひ聞かせてください。
それはむしろ挑戦ですよね？私たちは社内と社外の両方の人々と一緒にセッションを行いました。私たちはただ部屋に集まって、従来はMVPとして製品を作り、ユーザーの前に出すのに3ヶ月かかると言いました。私たちは何ができるか見るために自分たちに挑戦するにはどうすればいいか？なぜなら、Rakeshさんが言及しているように、時々起こることは、私たちがユースケースを構築し、それをユーザーに持っていくと、ユーザーは初めてそれを見て、他に3つのことがあればいいのにと言うのです。あるいは例を挙げましょう。6ヶ月前にプロジェクトを始めて構築しましたが、突然今、始めた当時は、おそらくエージェント的ではなかったのに、今突然ユーザーが、ねえ、市場で他のものを見ているんだけど、もっとエージェント的でもっと良いことをしているものがあるよ、と言っています。どうやってそれを変えるのか？
では、私たち全員にとっての大きな課題は、スピードについてどう考えるかということです。スピードというのは、ユーザーの前に何かを出すのに3ヶ月かけるのではなく、数日でできるように自分たちに挑戦できるか、ということです。何ヶ月もかかっていたことを、数週間に変えられないか？数週間かかっていたことを、数日に変えられないか？これが私がチームに投げかけた課題で、こう言ったんです。「君たちはハッカソンに行くよね。私はいつもハッカソンをやる人たちに感銘を受けている」と。もちろん、ハッカソンで作ったものがそのまま本番環境に入れられるという意味ではありませんが、要は、制約のある環境、限られた時間、手元にあるツールで、実際にユーザーのところに持っていって見せられるものを作れるか、ということです。ですから、毎日状況が変化している中で、これは私たちにとってますます重要になってきます。新しいツールが出てきています。これは私たちにとって重要になってくるでしょう。
組織全体の変革に向けて：教育、ガバナンス、そして今後の展望
ツールの側面について触れておきたいことが一つあります。ユーザーが来てこう言うんです。「日常生活では使っているのに、なぜエンタープライズにはないのか？」と。これは私たちが答えなければならないことです。しかし、私たちの立場から言うと、私たちがやっていることは、BMO内部でAI for Allというカリキュラムを構築したことです。また、AI for Finance and Riskというカリキュラムも構築しました。これはキュレーションされたコースコンテンツで、人々がそれを学ぶことができます。表面的なことだけではありません。AIとは何かを知るだけでなく、もう少し深く掘り下げたい場合は、そこに時間を費やすことができます。AIの基礎について学ぶこともできます。上級レベルに進みたければ、それもできます。エージェンティックについて学びたければ、それもできます。でも、人々を一緒に連れていく必要がありますよね？
私たちは皆ここにいて、明日にでも構築できます。自分たちの組織に戻ってアプリケーションを構築できます。でも、人々を一緒に連れていく必要があります。人々を連れていく方法は、明らかに私たちはそれをチェンジマネジメントと呼んでいますが、その一部は彼らを教育すること、AIを知っているというだけでなく、もっと教育を受けてもらうことです。例えば、「明日、今やっている日々の仕事でこれらのツールを使うかもしれない」ということについてです。例えば、私たちは銀行の他の部門にCopilotを展開しました。Copilotを使っていますか、使っていませんか？あるいは、やっているときに、まだ手動で要件定義をしていますか？これを使えていますか？
もう一つは、銀行内のパートナーを巻き込めるか、ということです。規制環境があるため、リスク担当者を非常に早い段階から巻き込んでいますか？モデルガバナンスの担当者を非常に早い段階から巻き込んでいますか？法務担当者やIR担当者を非常に早い段階から巻き込んでいますか？つまり、これらのユースケースを始めるために、どんな人たちを集める必要があるのか、それが成功の鍵となります。私たちがユースケースを構築して持ち帰り、「素晴らしい製品を作ったから成功するだろう」と期待するということではないんです。これを成功させるために、初日から適切な人たちを部屋に集めるというメカニズムを通過する必要があります。そして今、過去6ヶ月を振り返ってみると、おそらくデータマイグレーションやクラウドマイグレーションの取り組みを見ると、過去数年間実行されてきた方法と同じではなくなるでしょう。
ソースとターゲットをマッピングする全体的なマッピングの側面、テストシナリオやテストスクリプトの実行、あるいはターゲットコードの生成でさえ、これらすべてがエンドツーエンドで自動化される可能性があります。ですから、ライフサイクル全体で同じ数のデータエンジニアや同じ数のテスターは必要ありません。すべては、より速く、より迅速に、より安く、そしておそらく最も効率的で正確な方法でそれを実現できるか、ということなのです。
もう一点、これは両者への質問かもしれませんが、その後ファイナンスの話に戻ります。結局のところ、データの機密性について考えるとき、特にパブリッククラウド環境において、銀行に関しては、常にPIIデータ、つまり従業員データや顧客データについて話します。これらは非常に機密性が高く、重要で、したがって機密情報です。しかし、ファイナンスにおいては、未公開データであれば、それは登録された機密情報とみなされます。つまり、本番環境のデータセットを下位層の環境でそのまま使うことはできません。規制されなければならないのです。では、あなた方の経験はどうでしょうか？暗号化やガードレールの設置について、私たちは長い道のりを経てきたことは知っています。ですので、あなたにはガバナンスについての質問を、そしてあなたにはAWSの活用と、それをどのように実現できたかについての質問をします。では、まずあなたからガバナンスについてお願いします。
繰り返しになりますが、これは新しいことではありません。今日、銀行内でAIを使用していようがいまいが、私たちにはロールベースのアクセス制御があります。しかし、エージェントシステムのために、これらのガードレールやコントロールを強化する必要があるかもしれません。例えば、今朝のキーノートセッションで、エージェントができること、できないこと、アクセスできるもの、できないものを定めるポリシーの作成について話していました。例えば、ファイナンスには承認や仕訳入力があります。10ドル、あるいは特定の閾値、例えば100ドル以下であれば、エージェントに取引を許可しますが、特定の閾値を超える場合は、そういったポリシーを作成しなければなりません。そういったフレームワークを作成する必要があります。先ほど述べたように、AIガバナンスもあります。その主要なポイントは、公平性、透明性、そして説明責任です。PIIレベルから考える際には、さらにいくつかのコントロールを構築する必要があるかもしれません。
しかし、もう一つ言いたいのは、データは常にAI構築における課題だということです。しかし、MVP段階にいるときは、非常に高品質な合成データを構築して、作業を開始し、構築することもできます。考えるべきことは、3年前や4年前の状況と比べて、今日合成データでできることは大きく異なるということです。
その通りです。そして、Anthropicのブースがすぐ近くにあると思います。BMO自体では、ご覧になったかもしれませんが、私たちは多数のこれらのエージェントシステムの構築を始めました。そこでは、合成データを作成するだけでなく、モデルのトレーニングのためにできるだけ代表的なものにする方法についても取り組んでいます。さらに一歩進んで、エージェントに、実際に構築するMLモデルを微調整するための異なるパラメータを生成させ、そのモデルがそれらのトレーニングデータセット上で実行され、さらに洗練されるようにしています。つまり、かなり前から存在していた合成データを、次のステップに進め、ML実現まで全て進めるということです。これが今日までの私たちの旅です。
最後にまとめたいと思います。あと1分ありますので、Ramさんへの最後の質問をして締めくくりたいと思います。次は何ですか、Ramさん？ファイナンスの今後5年間はどのようなものになるでしょうか？願わくば、毎年ここに来るたびに、より良いストーリーをお話しできればと思います。ぜひあなたの見解をお聞かせください。
ええ、そうですね、昨年は実験がすべてでしたが、今年は投資収益率がすべてになるでしょう。ですから、すべては再びビジネス戦略から始まります。2026年の時間軸でビジネスが達成したいことは何か、そしてAIの観点から私たちはどのように支援するのか。私たちはリスクと財務の両方の観点から、本当に高品質なユースケースを持っています。そこでは、先ほど申し上げたように、そのビジネス価値、それを実行する、または実行しないリスクを明確にしてまとめています。そのフレームワークをまとめる必要があります。最上位の象限は何か、ビジネス価値が高く、実現可能性が高いユースケースはどこにあるのかを配置し、それらを追求していくのです。しかし、状況は変化していきますし、私はこのカンファレンスで見ているものに本当にワクワクしています。そして、PwCが私たちと協力し、私たちの仕事を加速してくれたことに感謝の言葉を述べないわけにはいきませんし、AWSの観点からも、ツール、プラットフォームを提供し、私たちの仕事をさらに加速するのを助けてくれたことに感謝します。
素晴らしいですね。終わる前に最後に一つ言いたいことがあります。私たちは皆、人、プロセス、テクノロジーと言って育ってきました。今日は人、プロセス、そしてパフォーマンスについて考えながら帰路につくことになるでしょう。テクノロジーは電気のようなものです。それはここになければなりません。それを最善のために使う方法が重要なのです。セッションにご参加いただき、本当にありがとうございました。もし何か質問があれば、私たちはここにいますので。ありがとうございました。
※ こちらの記事は Amazon Bedrock を利用し、元動画の情報をできる限り維持しつつ自動で作成しています。
Discussion