WNS が公開した中東の大手銀行の事例を読んだ。貿易金融の業務をAIエージェントで再設計し、生産性60〜70%向上という数字が出ている。ここでは事例の事実を整理したうえで、AIエージェントを受託で作っている側から見て、この成果のどこに実装コストが埋まっているのかを書く。「モデルを入れれば業務が速くなる」という読み方をされやすい事例だからこそ、作る側の分解が要る。
事例の要点 (出典の事実のみ)
- 対象は中東の大手銀行。従来の貿易金融業務は「分断されたシステム、複数回の引き継ぎ、複雑なコンプライアンス要件」により、コスト増と処理遅延を招いていた。
- 対象業務は Letter of Credit (LC)、Letter of Guarantee (LG)、Open Account Financing (OAF)、ストラクチャード取引および回収 (Collections)。
- 構成は3層。定型業務を実行するAIエージェント、Appian によるワークフロー・オーケストレーション、そして例外処理と重要判断に集中する人間の専門家。
- 成果は、生産性 60〜70% 向上、処理時間 30% 短縮、コンプライアンス関連の引き継ぎ 50% 削減、CSAT 85% 超。
- 銀行側は maker (起票・処理担当) の役割を最適化し、運用の複雑性を下げることで、よりスケーラブルで顧客中心の貿易金融機能を確立した、と整理されている。
徐 聖博の見解
私がこの事例で注目したのは60〜70%という数字ではなく、AIエージェント・オーケストレーション・人間の3つが同時に設計されているという構成そのものだ。貿易金融は、書類の突合と規程への適合判断が業務の本体であり、判断を誤ったときのコストが極めて大きい領域である。そこで成果が出ているということは、モデルの精度で押し切ったのではなく、「どこまでをエージェントに任せ、どこから人間に上げるか」という境界が、業務単位で先に決まっているということだ。事実、成果として挙がっている項目のうち「コンプライアンス関連の引き継ぎ50%削減」は、モデル性能ではなくワークフローの再設計から出る数字である。
もう一点、Appian というワークフロー基盤が明示されている点を軽く見ないほうがいい。エージェントを業務に乗せると、必ず「誰がいつ何を承認したか」の記録と、失敗時の差し戻し経路が要求される。ここを自前で作らずに既存のBPM基盤に寄せたのは、統制と監査の要件が最初から見えていたからだろうと私は読む。デモが動くことと、監査に耐える業務が回ることの間には、この層のぶんだけ距離がある。
開発を生業にしている会社にとって、この事例が意味すること
SIerや開発会社の立場でこの手の案件を受けるとき、見積もりを外すのはモデル部分ではない。外すのは例外の境界定義だ。
私たちがAIエージェントのPoCから本番化の相談を受けるとき、最も時間を食うのは常に同じ場所である。「この条件のときエージェントは自分で判断してよいのか、人間に上げるのか」を、業務の担当者と一件ずつ詰める工程だ。この事例でいえば、LCとLGでは適合判断の性質が違い、回収は相手先とのやりとりが入る。つまり境界は業務ごとに別々に引く必要があり、4業務あれば4回引く。ここは生成AIで圧縮できない、純粋な業務分析の工数である。
したがって提案の組み立て方も変わる。「AIエージェントを導入します」ではなく、「対象業務を分解し、任せる範囲と統制を定義する工程」を独立したフェーズとして見積もりに立てるべきだ。ここを実装工数に混ぜ込むと、要件が固まらないまま実装が始まり、精度不足に見える問題として現れる。実際には設計の問題である。
もう一つ、社内の人材配置への含意がある。この事例で銀行がやったのは maker の削減ではなく「役割の最適化」だ。エージェントを入れた後に残る人間の仕事は、定型処理ではなく例外判断と顧客対応に寄る。同じことは開発会社の内部でも起きる。定型的な実装を自動化した先に残るのは、業務を分解して境界を引ける人材であり、そこが採用要件と育成計画の中心に移る。私は自社でもそう考えて動いている。
この事例をそのまま日本の案件に持ち込むときの注意
数字は再現条件とセットで読むべきだ、というのが研究出身者としての癖である。この事例には、対象業務の件数規模、エージェントに任せた処理の比率、測定期間が示されていない。60〜70%という生産性向上は、分断されたシステムと複数回の引き継ぎという改善前の状態が悪かったことの裏返しでもある。既にワークフローが整理されている業務に同じ構成を入れて同じ伸びが出る、とは読めない。
提案に使うなら、数字を引用するのではなく「業務分解 → 任せる範囲の定義 → オーケストレーション → 統制」という順序のほうを引用したほうがいい。順序は再現できるが、数字は再現できない。
出典: AI Agents Drive Intelligent Trade Finance for a Middle Eastern Banking Giant
