Deepak Kinger：EvoluteIQ最高戦略責任者兼共同創業者へのインタビュー

Deepak Kingerは、EvoluteIQの最高戦略責任者兼共同創業者です。企業変革、金融サービス、自動化、人工知能にわたる20年以上の経験を持つ、テクノロジーとビジネス分野の経験豊富なリーダーです。EvoluteIQでは、会社全体の戦略策定に携わるとともに、主要なテクノロジー提携、ソリューションパートナーシップ、マーケティング、アナリストとの関係構築を統括しています。2019年にEvoluteIQを共同創業する前は、GALE Partners、Virtusa、Sapient、Headstrong、Wipro、Mphasisで上級管理職を務め、アジア太平洋地域の金融サービス事業の運営や、デジタルトランスフォーメーションに関する経営幹部への助言、新規事業の立ち上げ、大規模なテクノロジー案件の指揮などを担っていました。戦略、事業開発、顧客関係管理、損益管理、オペレーションに加え、AI、機械学習、ロボティック・プロセス・オートメーション、ブロックチェーン、データサイエンスなどの新興技術にも精通しています。

EvoluteIQは、企業が複雑なエンドツーエンドのビジネスプロセスを自動化し、統合的に運用できるよう支援する、エンタープライズAIおよびインテリジェントオートメーション企業です。同社のEIQ Platformは、エージェント型AI、生成AI、プロセスおよび意思決定の自動化、インテリジェントRPA、イベント処理、データファブリック、アナリティクス、エンタープライズコネクター、マルチチャネルアプリケーション開発を、ローコード／ノーコード環境に統合しています。このプラットフォームは、企業が既存システムを接続し、AIエージェントや自動化ワークフローを構築・導入し、その成果をモニタリングするとともに、顧客体験、財務、オペレーション、営業、サプライチェーン管理などの領域で自動化を拡大できるよう設計されています。2019年の創業以来、EvoluteIQはAI WorkbenchやAgentic Mesh Architectureなどの技術を通じて、エージェント型エンタープライズオートメーションに注力するよう事業領域を拡大してきました。また2025年には、グローバル展開とベンガルールの研究開発業務への追加投資を支援するため、Baird Capitalが主導する5,300万ドルの少数持分成長投資を発表しました。

2019年にEvoluteIQを共同創業する前、あなたは金融サービス、エンタープライズテクノロジー、デジタルトランスフォーメーションの分野で20年にわたり経験を積んできました。大企業で繰り返し目にした問題のうち、最終的にEvoluteIQを立ち上げる機会があると確信させたものは何でしたか。また、それらの問題に対して、どのような異なるアプローチを取りたいと考えていましたか？

EvoluteIQを立ち上げる前は、コンサルティング業界で25年間働き、その多くを大手金融機関の変革プロジェクトの支援に費やしました。初期のデジタルバンキングプログラムに加え、トレーディング、リスク管理、さらにはより広範なエンドツーエンドの変革にも携わりました。時がたつにつれて自動化への需要が高まり、私たちは大手ベンダー各社のプラットフォームを企業に導入する支援をしていました。

最終的に私たちがEvoluteIQの創業を決意したのは、他社のテクノロジーを導入する側から、自分たちで製品を開発する側へ移る機会があったからです。複数のテクノロジー、ライセンス、統合レイヤーを企業側で組み合わせる必要のない、より統合的な自動化アプローチを実現できると考えました。それが、2019年にEvoluteIQを立ち上げる動機の一つとなりました。

以前のUnite.AIのインタビューでは、共同創業者のSameet Gupte氏が、タスク単位の自動化から、AIを中核とするエンドツーエンドの自律運用へと企業を移行させるというEvoluteIQの幅広いビジョンについて語っていました。規制変更への対応管理は、個々のタスクの自動化からビジネスプロセス全体のオーケストレーションへ移行する必要性を、どのように示しているのでしょうか？

規制変更が単独のタスクだけに影響することは、ほとんどありません。2020年、私たちはLIBOR移行に対応するソリューションを構築しました。銀行は大規模な変更に直面していました。それは既存の契約に影響し、オペレーションチーム、パラリーガル、事業部門の担当者が契約を確認し、是正する必要がありました。多くの金融機関は、事実上、人員を増やして問題に対処していました。LIBORから得た教訓は、具体的な規制は変わっても、その根底にある課題は繰り返し生じるということです。規制変更への対応とコンプライアンスは、継続的に求められる業務要件です。

より最近のFinCenが提案した変更であるマネーロンダリング対策／テロ資金供与対策（AML/CFT）では、細部まで規定された「チェックリストを埋める」型のコンプライアンスモデルからの移行が見られます。これはコンプライアンスの負担を軽くするどころか、むしろ求められる水準を引き上げます。金融機関は規制を解釈し、自らのリスクを明確にし、それらのリスクが自社の業務モデルに何を意味するのかを判断しなければならないためです。この変化は必然的に、コンプライアンス部門や監査チームだけでなく、組織内のさまざまな部門や機能に及びます。

あなたは、銀行は大規模な規制変更のたびに新たな変革プロジェクトとして扱うのをやめ、規制変更への対応を恒常的な業務能力として構築すべきだと主張しています。実際には、どのような業務モデルになるのでしょうか。また、金融機関はこれまでなぜその構築に苦労してきたのでしょうか？

新しい運用モデルでは、変化は継続的に起こるものだと捉える必要があります。もはや、四半期ごとに、あるいは監査人が訪れるたびに導入すればよいプロセスではありません。LIBOR対応のソリューションを構築した経験から、ある規制変更への対応がいずれ完了しても、適応し続ける必要はなくならないことが分かりました。次の規制変更に備えるには、変更内容を理解し、業務要件に落とし込み、プロセスを更新することが求められます。

新しい運用モデルは、コンプライアンス部門の中だけに閉じたものであってはなりません。リスクベースのアプローチを強めても、最終的な遵守責任は引き続きコンプライアンス機能が担う可能性がありますが、オペレーション、法務、そして場合によってはカウンターパーティーリスク管理の重要性も高まります。規制変更が組織の広範な領域に及ぼす影響を過小評価することは、金融機関が犯し得る過ちの一つです。

これまで難しかったのは、企業が断片化した技術基盤と、サイロ化した運用モデルを築いてきたためです。事業部門ごとに別々のRPA、BPM、レポーティングなどのプラットフォームに依存していると、新たな要件への対応そのものが、システム統合プロジェクトになってしまいます。

新たな規制が導入されると、銀行はどの顧客、商品、契約、システム、プロセスが影響を受けるのかを特定する必要が生じる場合があります。この影響分析において、AIはどの部分を実質的に改善できるのでしょうか。また、プロセスのどの部分では、決定論的なルールや人間の判断が依然として必要でしょうか。

AIは、規制変更を理解し、実施するために必要な手作業を大幅に減らすことができます。具体的には、大量の情報を分析・分類し、人間がどこに注力すべきかを絞り込むのに役立ちます。たとえば、EvoluteIQの規制対応機能は、顧客と資産の種類に基づいて契約を分類し、優先順位を付け、その情報を企業システムや外部データソースと連携させたうえで、法務、リスク、オペレーションにまたがる後続業務を一元的に進行させることができます。これにより金融機関は、影響を受ける可能性のある対象を特定するだけでなく、プロセス全体で生じる変更を実際に管理できるようになります。

人間による管理と監督は、今なお不可欠です。規制対象となるプロセスには、金融機関が明確に定義された業務ルール、条件、例外、エスカレーション経路を必要とする部分があります。私たちが目指すモデルは、AIの適応力と、決定論的な自動化、そして適切な場面での人間の判断を組み合わせるものです。AIは対応が必要と思われる事項の解釈や提示を支援し、決定論的なルールは定義済みの判断をどのように実行するかを定め、例外や判断を要する案件は適切な担当者にエスカレーションできます。

規制の実施には、法務、コンプライアンス、リスク、オペレーション、データ、テクノロジーの各チームが関わることが少なくありません。AIとプロセスオーケストレーションは、個別のワークフローや相反する可能性のある業務ルールを作るのではなく、これらのチームが規制の共通の解釈に基づいて連携するうえで、どのように役立つでしょうか。

リスクベースのコンプライアンスモデルを強化するうえで最も大きな影響の一つは、責任が組織内のより広い範囲に及ぶことです。最終的な説明責任を負うのは引き続きコンプライアンス部門かもしれませんが、オペレーション、法務、カウンターパーティーリスクの各チームも重要な役割を担います。そのため金融機関は、コンプライアンス機能だけで実施できるものとして、規制対応を扱わないようにする必要があります。

だからこそ、統合プラットフォームが鍵となります。大規模な組織では、この新しいモデルのもとで、さまざまな記録システムや業務ルールを統合する必要がありますが、その際にはセキュリティの複雑さも考慮しなければなりません。統一的なアプローチを採れば、組織内の各部門がまったく別の技術基盤を使って同じ変更を実施するリスクを低減できます。

生成AIは複雑な規制文書を解釈できますが、コンプライアンス上の判断に関わる場面で、銀行はハルシネーションや解釈の不一致を許容できません。規制変更に用いるAIシステムには、どのような安全策を設けるべきでしょうか。また、意思決定のプロセスには、どの段階で人間の専門家が関与し続けるべきでしょうか。

第一に、AIエージェントを単独で導入してはいけません。適切なガバナンスがなければ、エージェントが無秩序に増えるおそれがあります。

第二に、組織が自動化できる範囲は、技術的な能力だけで決まるわけではありません。規制やプライバシーの要件、そしてデータを合法的に共有できるかどうかによっても制約されます。

守るべき設計の基本原則は、AIは解釈作業を加速させるべきであって、意思決定を担うべきではないということです。規制当局が求めるとおり、コンプライアンスに関する説明責任は、氏名が明確な担当者が負います。安全策は、AIが生成する内容に対する制御と、人間が判断するポイントを意図的に設けることの2つに大別されます。AIの出力はすべて、信頼できる正式な情報源に基づく必要があり、AIシステム内には入力と出力の両方に対するガードレールを設けなければなりません。

最後に、すべての出力について、出典となった条項、モデルとプロンプトのバージョン、信頼度、レビュアー、判断、その根拠を記録した監査証跡を維持する必要があります。

金融サービスでは、監査可能性が特に重要です。AIが規制を解釈し、業務ルールを作成し、影響を受ける顧客を特定し、ワークフローを開始する場合、金融機関は、各判断がどのように、そしてなぜ下されたのかを規制当局に明確に示せる証跡を、どのように維持できるでしょうか。

規制の厳しい業界では、最終的な判断を記録するだけではトレーサビリティとして不十分です。むしろ、その判断に至った経緯を再構成できることが重要です。つまり、使用した情報、適用したルール、下された判断、プロセス全体を通じて加えられた変更、人が介入した箇所、そして人が何を承認したのかを確認できる必要があります。

複数のエージェント、ビジネスルール、ワークフローが相互に連携するほど、トレーサビリティの重要性は増します。監査可能性はオーケストレーション層に組み込むべきです。判断の記録によって、判断やルールの変更とその根拠を追跡できます。また、エージェントのエンドツーエンドのトレーサビリティにより、自律的な一連のアクション全体を可視化できます。

特定の顧客、契約、取引がなぜそのように扱われたのかを規制当局から問われた場合、金融機関は、その結果を生み出したデータ、ルール、AIによる判断、承認、アクションまでさかのぼって追跡できる必要があります。これにより、説明可能性はモデルレベルの課題から、業務上の能力へと変わります。

大手銀行は数十年にわたるレガシーインフラ上で業務を行い、重要な顧客データや取引データが多くのシステムに分散しています。基盤となるテクノロジー資産を多額の費用をかけて置き換えることなく、再利用可能なAI主導のコンプライアンス層をどのように構築できるでしょうか。 

新たなエンタープライズ機能は、既存のインフラ内で動作しなければなりません。それ以外を期待するのは現実的ではありません。また、統合も重要です。顧客からは、複数のRPAプラットフォームを利用していたり、レガシーBPMシステムと複数の独立したレポート作成テクノロジーが全社に点在していたりするという話を、以前にも増して聞くようになりました。顧客は、置き換え先を探すよりも、ROIを生み出すツールやシステムに注力したいという姿勢を強めています。したがって、再利用可能なコンプライアンス層は、下位のすべてを置き換えることを前提とせず、既存の環境全体で機能する必要があります。

従来の基幹システムからロボティック・プロセス・オートメーション、機械学習、そして現在のエージェント型AIに至るまで、複数世代のテクノロジーを通じて金融機関と仕事をしてきました。今回のAIへの移行で根本的に異なる点は何でしょうか。また、金融機関がこれまでの自動化のサイクルで犯した過ちを繰り返すリスクは、どこにあるとお考えですか。

初期世代の自動化は、すでに十分に定義された業務を対象としていました。コアバンキングシステムは記録や取引をコード化しました。RPAは画面上のキー入力をスクリプト化しました。機械学習は、構造化データを基に、不正スコアや信用リスクなどの限定的な予測を、測定可能な精度で行いました。いずれの場合も、次に何が起きるかは人間または固定ルールが決め、テクノロジーは既定の手順を実行していました。

エージェント型AIは、いくつかの点で状況を変えます。

• 非構造化データを扱い、判断を伴う業務により効果的に対応します。銀行が自動化するのは、もはや単なるタスクではありません。成果そのものを委ね、システムが独自に進め方を選ぶようになります。
• 問題が表面化しないまま失敗します。銀行が画面レイアウトを変更すると、RPAボットは明確に動作しなくなり、誰かが修正しました。一方、言語モデルが誤った回答を出しても、流暢で、もっともらしく、自信に満ちているように見えます。これは問題です。
• その動作は確率的なものであるため、ハルシネーションを防ぐには、エンタープライズの文脈に基づかせることが極めて重要です。
• 最後に、AIを使った構築は低コストになり、ビジネスユーザーも午後のうちに実用的なエージェントを作成できるようになりました。かつて自動化のボトルネックはITの対応能力でしたが、今ではガバナンスの対応能力がボトルネックです。

金融機関は、従来の自動化時代に得た教訓が忘れられないよう注意する必要もあります。たとえば、次のような教訓があります。

• 壊れたプロセスの自動化。RPAが残した最大の負の遺産は、誰も見直していないプロセスの上に何千ものボットを重ねたことです。その結果、脆弱な技術的負債が生まれ、銀行はいまもその維持にコストを払い続けています。同じように分断されたワークフローの上にエージェントを導入すれば、より高度な形で同じ過ちを繰り返すことになります。銀行はまず業務を再設計し、そのうえで何を委ねるかを決めるべきです。
• 見栄えだけの指標を追うこと。実運用に移行するための予算が確保された道筋がなければ、概念実証は行き詰まります。導入したエージェントの数を数えるのは、実際のビジネス成果を測る代わりにボットの数を数えていたRPA時代の習慣を繰り返すことです。
• データ基盤への投資不足。機械学習から得られた教訓は、モデルの品質はデータの品質によって上限が決まるということです。古いポリシー、重複した文書、または相互に矛盾する情報源を参照するエージェントは、誤った前提に基づいて自信たっぷりに推論してしまいます。

今後、規制コンプライアンスは、AIシステムが規制の変更を検知し、その影響を評価してワークフローを更新し、人間の判断が必要な例外だけをエスカレーションする、継続的、あるいは部分的に自律化された形へと進化すると思われますか。その程度の自律性を銀行や規制当局が受け入れるには、何が必要でしょうか。

はい。ただし、自律化は段階的に進むでしょう。明確に定義された変更については、検知、トリアージ、影響の把握、ワークフローの更新が、ほぼ継続的かつ自動的に行われるようになります。曖昧なルールに関する判断、リスクの受容、規制上の見解は、引き続き人間が担います。現実的な最終形は「監督下の自律運用」です。機械が原則として一連のサイクルを実行し、人間は例外に応じて監督します。

これを実現するには、規制当局も、FCAやイングランド銀行によるデジタル規制報告の取り組みなどを踏まえ、構造化され、バージョン管理された形式で規則を公表する必要があります。

また、実行システムに可逆性とキルスイッチを組み込む必要があり、異常やエラー率の上昇、モデルの変更が検知された場合に、自律的なワークフローの変更を容易に元に戻せるようにしなければなりません。監督者自身も同様のツールを使えば、安心感はより早く高まるでしょう。これによりテストの共通言語が生まれ、将来的には機械同士による直接的な監督も可能になるかもしれません。

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、EvoluteIQをご覧ください。