Andrej Jonovic、XBP Global CEO — インタビューシリーズ

Andrej Jonovicは、ミッションクリティカルな企業業務プロセスに注力する多国籍のテクノロジー・サービス企業、XBP GlobalのCEOです。XBP Globalは、医療、公共部門、金融サービスなどの規制対象分野でエージェント型AIを活用しています。これらの分野では、精度、セキュリティ、データ主権、監査可能性が不可欠です。このインタビューでは、Jonovicが適応型プロセスオーケストレーション、オープンウェイトモデル、インテリジェント文書処理、人による判定、そしてAIを技術的な能力から測定可能な業務成果へと結び付けるために必要なことについて語ります。

キャリアの出発点は取引法務で、その後、合併・買収、企業変革に携わり、最終的にはXBP Globalを率いる立場になりました。こうした経歴は、ミッションクリティカルな業務プロセスに人工知能を導入する際のガバナンス、商業上のリスク、組織への影響を評価するうえで、どのような影響を与えていますか？

私はまず、業務モデルの観点からAIを見る傾向があります。取引や変革に携わっていると、プレゼンテーションの段階を越えて実行に移したときに、その仕組みが本当に機能するのかを問うようになります。

これはAIにおいて非常に重要です。モデル単体では極めて高い性能を発揮しても、業務上の成果が悪くなることがあるからです。医療、公共部門、銀行業務では、処理精度、規制遵守、監査可能性は絶対に譲れません。データがどこに保存されているのか、システムに何が許可されているのか、意思決定がどのように管理されているのか、そして業務プロセスを大規模に実行した場合のコスト構造がどうなるのかを理解する必要があります。

ガバナンスは、そのアーキテクチャに組み込まれていなければなりません。モデルがどこで稼働しているのか、どの情報が企業の境界を越えるのか、監査証跡に何が記録されるのか、そして業務プロセスがより高度な管理を要する判断に至ったときに何が起きるのかを把握したいと思います。

おそらく、私の経歴が最も大きく影響しているのはこの点です。管理されたデモ環境でテクノロジーに何ができるかには、あまり関心がありません。ミッションクリティカルなプロセスに組み込み、信頼して使えるかどうかを知りたいのです。

XBP Globalは、エージェント型AIを、従来のルールベースの自動化やロボティック・プロセス・オートメーションを発展させたものと位置付けています。ワークフローがあらかじめ定められた指示に従う方式から、推論や意思決定を行い、複数のタスクを連携させるAIエージェントを活用する方式に移行すると、技術面では何が変わるのでしょうか？

アーキテクチャは、はるかに適応性の高いものになります。

従来のワークフロー自動化は決定論的です。ルールがあり、次の段階で何が起きるかが分かっているため、プロセスが複雑になるほどロジックを追加して組み込んでいきます。予測可能な業務では、これは非常にうまく機能します。ルールの数が膨大になったり、システムを再構築できる速度よりも速くプロセスが変化したりすると、難しくなります。

私たちが現在取り組んでいるのは、適応型プロセスオーケストレーションです。精度とコンプライアンスのために必要な箇所では決定論的なルールエンジンを維持しつつ、推論が価値を生むワークフローの部分にインテリジェントモデルを導入できます。エージェントはタスクを連携させ、情報にアクセスし、次のアクションを選択できます。プロセスで起こりうるあらゆる経路を、誰かがすべてハードコードする必要はありません。

もう一つの変化は、基盤となるモデルを、より簡単に置き換えられるようになることです。エンタープライズ向けのオープンウェイトモデルは、急速に性能が向上しています。パイプラインを適切に設計すれば、エコシステムの発展に応じて、運用プロセス全体を再構築することなく、より高性能なモデルを統合できます。

そのため、今後ますます重要になる技術的資産は、ワークフローそのものだと考えています。つまり、オーケストレーション、ドメイン知識、モデルを取り巻く制御機能とデータです。

多くの企業がAIを試験導入していますが、パイロット段階から本番環境への移行に苦労しています。エージェント型ワークフローを大規模に導入するうえで、企業が直面する最も一般的なアーキテクチャ上または組織上の障壁は何でしょうか？ 

クライアントは実験段階を脱しつつあります。デモを見て、非常に意欲的なROIの約束も聞いてきました。いずれ誰かが、このテクノロジーを実際のプロセスに組み込み、機能させなければなりません。

そこでアーキテクチャが難しくなります。本番環境のワークフローは、企業がすでに利用している環境と連携しなければなりません。機密情報はプライベートクラウドまたはオンプレミスに保管する必要があるかもしれません。既存システムにも引き続きアクセスできなければなりません。規制要件を満たす必要もあります。さらに、エンタープライズ規模で運用した場合にも経済性が成り立たなければなりません。

私たちは最近、世界規模で運航する航空会社の航空機群における整備ライフサイクルに関する業務を受注しました。すべての整備項目をベクトル化し、クライアントのプライベートクラウド内にある専用のベクトルデータベースに保存します。エージェント型のインフラがその情報へのアクセスを管理し、航空機のリース契約が終了したときや売却されたときに、記録を再現できるよう支援します。

これは、モデルが航空機の記録について質問に答えられると証明することとは、まったく異なる問題です。データ管理と、繰り返し確実に機能しなければならないプロセスを含む、業務環境全体を扱うことになります。

組織面での課題は、たいてい責任の所在にあります。本番運用とは何を意味するのかを定義できるほど、プロセスを深く理解している人が必要です。そうした運用上の規律がなければ、パイロットは長い間、印象的なままでも実用には至らないことがあります。

XBP Globalは、自動化と人間による確認を組み合わせ、特に重大な影響を伴う判断において、その体制を重視しています。AIシステムが自律的に実行できる判断と、人間がプロセスに関与し続けるべき判断を、どのように見極めていますか？ 

人間の役割は、判断や裁定を担うことを中心に設計しています。

重大な影響を伴うワークフローでは通常、高い確度でパイプラインを通せる作業が大量にあります。一方で、情報が不完全なケース、状況が特殊なケース、あるいは誤った判断をした場合の影響が大きすぎるケースもあります。

パイプラインがそのようなケースに達すると、案件はその分野の専門家に引き継がれます。専門家が解決し、その判断をシステムにフィードバックすることで、モデルは継続的に改善されます。

このフィードバックループは重要だと思います。人間による監督は、時間の経過とともにワークフローを改善できるとき、より大きな価値を発揮します。専門家は、モデルがまだ必要としているケースに、分野固有の知識をもたらします。

自律化の基準は、環境にも大きく左右されます。医療分野の審査、公共部門の記録、規制対象の金融業務には、影響の小さい社内業務とは異なる要件があります。許容できる確信度は、システムが判断を実行したときに、その判断が実際にどのような結果をもたらすかを踏まえて定める必要があります。

規制産業や公共部門で事業を展開する貴社のクライアントにとって、データ主権、セキュリティ、監査可能性は欠かせません。こうしたシステムの有用性を支える機能を損なわずに、保護された環境内で大規模言語モデルを運用するには、どうすればよいのでしょうか？ 

オープンウェイトモデルの登場によって、この問いへの答えは大きく変わりつつあります。

長い間、最高のモデル性能を得るには、情報を他社の環境に送る必要があると考えられていました。データを企業の境界内にとどめなければならない場合、これは明らかな問題になります。

現在では、エンタープライズ水準のオープンウェイトモデルを、データをクライアントの環境内に保ったまま、実運用のエージェント型パイプラインに統合できます。要件に応じて、プライベートクラウドやオンプレミスのインフラを利用できます。データ主権に関して組織が必要とする管理体制を維持しながら、モデルを取り巻くエコシステム全体の進歩による恩恵も得られます。

アーキテクチャは変更に対応できなければなりません。現在のモデルが、特定のタスクにおいて今後も最良であり続けるとは限りません。当社の学習プロトコルは、既存のパイプラインに新しいモデルをすばやく統合できるよう設計されています。

規制対象のクライアントにとって、この柔軟性は非常に価値があります。データの境界を維持しながら、ワークフローを継続的に改善できるからです。また、EU AI Actなどの要件への対応を始めるうえでも重要です。コンプライアンスを、技術の導入後に付け加えるものとして扱わずに済みます。

企業情報の多くは、今も文書、画像、レガシーシステム、紙の記録に閉じ込められています。インテリジェント文書処理はどのように進化しており、断片化したデータをAIエージェントが確実に利用できる情報へ変換するうえで、どのような役割を果たしていますか？

インテリジェント文書処理は、エージェント型ワークフローを支えるインフラの一部になりつつあると思います。

従来、文書処理の多くはテンプレートに基づいていました。文書の形式と必要な項目があらかじめ分かっており、システムがその項目を抽出していました。しかし、企業情報がそれほど整っていることはめったにありません。医療分野だけを見ても、EOB（給付内容説明書）、複雑なやり取りを含む文書、請求情報、さまざまな形式で届く記録などを扱うことがあります。

新しいアプローチは、文脈をより深く理解します。非構造化情報を取り込み、何が関連するのかを把握したうえで、後続のシステムが実際に利用できる構造化データに変換できます。これは重要です。エージェントは、基盤となる情報が不完全だったり、誤って解釈されていたりすれば、業務を確実に連携・実行できないからです。

規模が大きくなると、問題の性質も変わります。当社は、膨大な量の画像、請求、決済取引、その他の文書を処理する環境を運用しています。その規模では、抽出品質のわずかな差が、運用上の非常に大きな問題につながります。

そのため、IDPはインテリジェントなワークフローの最前線に位置するようになっています。断片化した情報を利用可能なデータに変換し、プロセスの次の段階が信頼できる情報に基づいて処理できるようにするとともに、その後のさらなる自動化の基盤を築きます。

XBP Globalは、レガシーなルールベースのプロセスをエージェント型AIパイプラインに移行し、初回処理での解決率を高めることについて説明してきました。AIシステムが信頼できる成果を出すには、組織のプロセス、例外、組織に蓄積された知識について、どのようなことを理解している必要がありますか？

組織に蓄積された知識の多くは、整理されたプロセス文書にまとめられていません。

それは旧来のシステムやルール群、そしてそのプロセスを何年も運用してきた人々の判断の中に存在しています。彼らは、どの情報が重要か、特定の状況でどのルールが適用されるか、誤った判断が下された場合に後続の工程で何が起こるかを理解しています。

その業務を移行する際には、こうした運用上の知識を維持しなければなりません。私たちの領域では、多くの場合、すべてのルールをすぐになくすべきだと考えるのではなく、決定論的なロジックとAIを組み合わせることを意味します。規制対象のワークフローには、要件が明確であるため、ルールエンジンが非常に有効な部分があります。一方で、変化への対応には、インテリジェントなモデルのほうがはるかに優れている部分もあります。

それぞれをどこに適用すべきかは、業務分野の専門知識によって判断できます。

だからこそ、初回対応での解決をモデルのスコアだけで評価することはできません。ワークフローは、プロセスの次の段階に進んでも問題のない結果を生み出す必要があります。後続のどこかで再びエスカレーションが発生するなら、問題を解決したのではなく、移したにすぎません。

システムは、取引の開始から完了まで、何をもって成功とするのかを把握できるだけの十分なプロセス理解を備えていなければなりません。

XBP Globalは、顧客業務だけでなく、自社がAIファーストの運営モデルへ移行する取り組みにも自動化を活用しています。社内を実証の場として活用する中で、どのようなことを学びましたか。また、生産性向上と人材育成、チェンジマネジメントのバランスをどのように取っていますか？

自社の業務にもかなり積極的に適用してきました。結果が自社の収益に直結するため、非常に早く学べると思うからです。

AIファーストの自動化施策によって、年間換算で6,500万～7,500万ドルの業務効率化が見込まれており、そのうち約3,500万ドルの効果が2026年中に生じると予想しています。従業員1人当たりの売上高は第2四半期に約8万9,000ドルとなり、前四半期の約8万2,000ドルから増加しました。年末までには10万ドル近くに達すると見込んでいます。

こうした指標は、運営モデルの生産性が実際に向上しているかどうかを示してくれるため、有用です。

人員への影響は現実に生じています。より生産性の高い運営モデルへの移行に伴い、2026年末までに世界全体の従業員数を約20％削減すると見込んでいます。チェンジマネジメントでは、生産性の変化によって人員要件も変わることを認識しなければなりません。

同時に、こうしたワークフローに携わり続ける人々には、より高い能力が求められます。業務を構成し、出力を評価し、より高い価値を生む意思決定に責任を持てる、業務分野の専門家、アーキテクト、オペレーターが必要です。

この変革を自社内で進めたことで、議論はずっと実務的になりました。どの自動化が持続的な効率化をもたらし、どの活動が単に誰かがAIをより頻繁に使っているだけなのかは、すぐに分かります。

企業のAIプロジェクトは、測定可能な事業成果よりもデモを通じてアピールされることがよくあります。インテリジェントなワークフローを評価する際、経営者はどの指標を使うべきでしょうか。また、精度、例外率、処理時間、運用コスト、リスク低減をどのように考慮すべきでしょうか？

ワークフローは、2つのレベルで測定すべきだと考えています。

運用レベルでは、精度、初回対応での解決率、処理時間、例外の件数、業務処理コストを把握したいと思います。規制対象の環境では、取引の監査可能性に加え、大量処理時にも統制が一貫して機能するかどうかも重視します。

次に、こうした改善が事業の収益性に結び付いているかを確認したいと思います。

XBPでは、第2四半期の調整後売上総利益率が24.9％に達し、過去最高を記録しました。同じく従業員1人当たりの売上高も約8万9,000ドルに増加しました。追加の自動化機会を特定したことで、年間換算の業務効率化目標も6,500万～7,500万ドルに引き上げました。

これらの指標が示すのは、ベンチマークのスコアとは異なるものです。テクノロジーが業務のコスト構造を変えているかどうかが分かります。

モデルの精度が非常に高くても、運用コストがかかりすぎたり、手作業によるやり直しが多すぎたりすれば、そのワークフローの導入は失敗となり得ます。経営者は、結果が最終段階に至るまで追跡する必要があると思います。テクノロジーは、実際に測定できる何らかの業務上の効果をもたらさなければなりません。

今後、エージェント型AIは既存の企業システムに追加されるレイヤーにとどまると思いますか。それとも、人、ソフトウェア、データ、業務プロセスが連携するための主要なオーケストレーションレイヤーになるでしょうか？

ワークフローのより多くの部分が、エージェント型になっていくと思います。

企業には今後も、特定の機能を担うシステム、データリポジトリ、アプリケーションが存在します。変わるのは、それらの間で業務がどのように進むかです。エージェント型のパイプラインは、情報を取得し、ツールを連携させ、アクションを実行し、取引に別種の介入が必要かどうかを判断できます。

航空会社の例には、すでにその姿が表れています。整備記録は顧客の環境内にあるプライベートなベクトルデータベースに保存され、エージェント型レイヤーが整備ライフサイクル全体を通じて、その情報へのアクセスと活用を管理します。

この種のオーケストレーションは、今後さらに一般的になると考えています。

基盤となるモデルは今後も変化し続けるでしょう。オープンウェイトモデルは急速に進歩しており、現在利用しているモデルの次の世代も登場するはずです。そのため、企業がモデルを取り巻く永続性のある仕組みを必要とするなかで、オーケストレーション層の重要性はますます高まっています。

プロセス、ドメイン知識、セキュリティ要件、企業向けの制御を軸にパイプラインを構築すれば、より優れたモデルが登場するたびに、その利点を引き続き活用できます。長期的な価値の多くは、そこにあると考えています。

素晴らしいインタビューをありがとうございました。さらに詳しく知りたい方は、XBP Globalをご覧ください。