銀行がAIを利活用する8つの方法

上述のレポートに反して、ほとんどの銀行では潜在的に、このような結果ではなく、AI利活用の先駆者となることができます。私たちは2025年6月と7月の2回に分けて、各行のリーダーや、EYの銀行およびテクノロジーを専門とするチームに話を聞き、銀行がAIの機会を生かすための8つの方法を見つけました。

もしくは通常顧客に接するフロント部門が、AI投資を主導すべきです。フロント部門は、AIが顧客体験をどのように改善し、成長を生み出すかを正確に理解できるため、より高いリターンが見込める分野でAI利用が展開されるでしょう。

3. ROIを無視しない

AIのROI評価は複雑で、短期的には予想よりも低いことが多いです。さらに複雑なのは、AI導入にはワークフローやプロセスの変更が伴うため、その直接的な影響を算定するのが難しいことです。このため、一部の銀行はROI計算を完全に無視しています。

歴史を振り返ると、即時の短期的なリターンを期待する際には、慎重であるべきと示唆されます。例えばインターネットバンキング台頭時の初期が当てはまると考えられ、当初の初期段階において算定されたコスト削減結果は時期尚早だったと思われます。実際の経済的利益が表れ始めたのは、それから数年後のことだったからです。AIも同様の軌道をたどり、長期的な利益が短期的な成果をはるかに上回っていくだろうと考えられます。

少なくとも、A/Bテストを使ったROIの大まかな評価は、ユースケースの優先順位付けに役立ちます。また、個々のユースケースと、データ、技術、人的能力への基盤的投資を区別することも役立ちます。これらの基盤投資は、ROIの正当性にかかわらず継続しなければなりません。

「ROIは、たとえ大ざっぱな推定であっても無視してはいけません」と、EY EMEIA Corporate, Commercial and SME BankingリーダーのJames Sankeyは述べています。「目を大きく開いてこの旅に臨むことが助けになります。多くの人はROIがプラスになると予想していますが、全ての技術コストを考慮すると、最初の2年間はマイナスになるかもしれません」

4. 持続可能な成功のためのAIプラットフォームの構築

多くの銀行は、ユースケースをゼロから構築するため、AIのスケールに苦労しています。このアプローチは迅速な一方で、長期的な課題を生むことが多いです。AIのユースケースは、有効なテクノロジーやツール、ケイパビリティの寄せ集めに依存し始めてしまうのです。

より持続可能な戦略は、あらゆるユースケースで再利用可能な基盤的な能力のプラットフォームを構築することです。これらの機能には、AI-OCR、機械学習、検索拡張生成（RAG）構造、ベクターデータベース、プロンプトライブラリが含まれます。長期的には、このプラットフォームアプローチは機能の重複や複数の基盤システムの維持を回避することで、スケーラビリティを高め、コストを削減することにつながります。

統合されたプラットフォームがなければ、銀行はプロセス統合やクライアントサービスの改善を制限してしまうサイロ化されたAIエージェントのリスクを負います。Matt Coxは「現在、銀行は長年使ってきたプラットフォームに組み込まれたAIに大きく依存しています」と説明します。「しかし、これらは分断されており、与信のようなサービスでプロセスを結びつけることは不可能です。この連携がなければ、与信業務の提供方法を変えたり、顧客サービスの提供を改善したりすることは不可能です。プラットフォームアプローチがこれを可能にしています」

5. データ問題の現代的な修正方法を探る

不完全または質の低いデータは、AIをスケーリングしていく上で最大の障壁になります。この課題に対する標準的なアプローチは、人材を投入することです。しかし、これには限界があり費用もかかるため、多くの銀行がデータ品質向上を支援するAI搭載のツールを使用することを模索しています。AIは良いデータを必要としますが、同時にデータの質を向上させる手助けにもなります。銀行はすでに、最新のツールを用いてデータ検証やコンプライアンスの向上を実感しています。

「私たちは大手銀行がAIを使って、信用審査に使われるデータを理解・解釈し、基礎となる記録の正確性を検証するのを支援しました」と、Ernst & Young LLPのEY Americas Corporate, Commercial and SME AI Banking Lead部門のManaging Directorを務めるAdam Smithは述べています。「これにより約90%に大幅に上昇し、従業員は誤りの可能性が高い特定の問題に集中できるようになりました」

銀行は、新しいAI搭載ツールがデータ課題にどのように対応し、手動での修正の必要性を減らすかを探るべきです。これらのツールはまだ成熟途中かもしれませんが、今日でも役立つ可能性があります。

6. クラウドとオンプレミスのバランスを再評価する

銀行がAIを広く活用し、技術が成熟するにつれて、必要な計算能力は劇的に増加します。ここで、クラウドの容量を使うべきかオンプレミスのどちらを使うべきかという問題が生じます。クラウドが提供するスケーラビリティや柔軟性を好む人もいます。他の企業は、クラウドとオンプレミスのセキュリティ・制御の利点を融合させるハイブリッドアプローチを採用しています。

実際には、大規模なコンピューティングインフラを構築するための初期コストが非常に高く、実現可能なのは大手銀行のみです。

しかし、実現できる銀行にとっては大きなメリットがあります。「私たちはAI搭載の銀行アプリケーションの構築、展開、保守を可能にする独自のGPUインフラを構築しました」と、RBC Commercial BankingのEVP and Chief Operating OfficerであるNiranjan Vivekanandan氏は述べています。「これにより、われわれは強化されたセキュリティ、プライバシー、データ主権が保障されます。これは非常に重要です。なぜなら、信頼は顧客との関係において不可欠な要素だからです」

銀行は、クラウドコストやベンダー依存度に関する仮定を再評価する必要があります。AIワークロードの増加に伴い、クラウドの価格モデルも進化しており、少数のプロバイダーへの依存は戦略的な懸念を生んでいます。

7. 将来のスキル要件を評価する

技術スキル不足は、AI利活用の可能性を台無しにする可能性があります。エージェント型AIから価値を生み出す際の課題について尋ねられた際、銀行の58%が技術スキルや能力の不足を強調しました。スキル不足は、銀行がAIを活用する上での課題の一つとして認識されています。

対処すべき分野は2つあります。まず、全労働力がAI搭載ツールを使いこなす能力と自信を持つスキルアップが必要です。ターゲットを絞った研修コースと変革管理プログラムの組み合わせが不可欠です。次に、AIのスケールアップに伴い、ソフトウェアエンジニア、ユーザーインターフェースやユーザーエクスペリエンスの専門家、ビジネスアナリストなど、技術チームに特定の能力を追加しなければなりません。「AIやデータエンジニア、アプリケーション開発者、サイバーセキュリティの専門知識を持つ人材であれ、銀行は5年前の3倍から5倍の人員を必要としています」とEY Americas Financial Services AI Leader.のSameer Guptaは述べています。

こういった人材を引きつけ、維持することも同じくらい重要です。銀行は、特に銀行業がAIにそぐわないと見なしている候補者にアピールするために、AIの野望を外部に発信していく必要があるかもしれません。社内では、多様なプロジェクトや明確なキャリアパスを提供することで、需要の高い人材の定着に役立ちます。

8. リスクへの新たな注意を

特に顧客向けアプリケーションにおけるAIのスケーリングには、リスクとリターンが伴います。AI搭載ツールの出力の質が主な関心事であり、特にクライアントに直接アドバイスを提供する場合はなおさらです。EYのResponsible AI Pulse調査によると、銀行リーダーの3分の2が信頼性の低いAI出力を主要から中程度の懸念と考え、48%が誤ったAI生成情報が真剣に受け止められることを懸念しています。

銀行はまた、独自情報が大規模言語モデル（LLM）の訓練に使われる場合、データガバナンスについても懸念しています。MUFG BankのChief of Staff for Asia PacificのOsamu Abe氏は次のように説明しています。「データ漏えいは、私たちにとって最大のリスクの一つです。私たちは、独自データを他の企業と共有されるLLMに共有したくないかもしれません。何と混ぜられているのか分からないので。私たちは、ビジネスやニーズに合わせたデータセットをキュレーションできることを重視します」

銀行はこれらの脅威をどのように軽減できるのでしょうか？　まずは、複雑な言語ベースの生成AI（GenAI）モデルのリスク管理とモデルガバナンスには、より高度なアプローチが必要です。それは新しいスキルを意味します。

次に、AIアプリケーションやその周辺のワークフローを設計する際の透明性に関する懸念に対処する必要があります。例えば、ナレッジマネジメントツールの開発者が、LLMによって作成されたアドバイスは必ずソースの資料を参照することを指定できます。徹底的なリスク評価によって、人間の関与が必要かどうかも判断されるべきです。

また、リスクチームと密接に連携し、生成AIユースケースを拡大するために必要なチェックの順序を定義すべきです。「生成AIはプライバシー、知的財産、ベンダー、データ、意思決定に関するリスクの側面を大幅にもたらすため、安全に技術を活用する方法を見つける必要があります」とINGのChief Analytics OfficerのBahadir Yilmaz氏は述べています。「生成AIのために評価すべきチェックは140件ありますが、そのうち一部は自動化されています」