このシリーズのこれまでのブログでは、主要な金融サービス (FS) 組織が、価値を求めて AI をどのように拡張し、仕事を再考するエージェント アーキテクチャなどの人間主導のアプローチを使用しているかを調査しました。
このブログでは、その変化をうまく導く方法、つまり、ビジネス成果の追求、適切な投資とリスク選好の設定、急速で分散した変化の管理、人間主導のシフトの維持に焦点を当てています。
アクセンチュアの 2026 年の銀行業界のトップトレンド:制約のない銀行業務がここにある
詳細
私たちの調査によると、経営幹部の 86% が 2025 年に生成 AI (GenAI) への投資を増やす計画を立てています。 80% が AI の価値が期待を超えると期待しています。しかし、コア プロセスに AI を拡張した組織は 34% のみです。そうした企業は、予想される ROI を超える可能性が 3 倍高くなります。
これらのリーダーは明確な特徴を共有しています。それは、CEO の強力な後援、価値第一の戦略、強固な基盤、つまり安全なデジタル コア、高品質のデータ、責任ある AI フレームワーク、熟練したチーム、企業教育です。このパターンは FS で特に強いです。
エージェント AI の登場により、その差はさらに急速に拡大しています。リーダーは、エージェント アーキテクチャに戦略的に投資する可能性が 4.5 倍、2025 年に GenAI への投資を大幅に増加させる可能性が 6 倍高くなります。彼らは前進し、加速しています。
概念実証の段階で行き詰まっているか、ためらっている組織は遅れをとっています。金融サービスにおける AI の拡張に対する障壁は何ですか?
• リーダーシップの不確実性、制約された投資、不明確なリスク選好
• 過度に厳格で画一的なリスクガバナンス
• ビジネスへの関与が限定的であり、AI を単なる技術変化として扱う
• 従来のプラットフォームと断片化されたデータ
• 企業の変更や再利用ではなく、コストにのみ焦点を当てたビジネスケース モデル
しかし、最大の障壁は、人材、変化、採用への投資のレベルです。 AI で成功するには、その旅に労働力を連れて行かなければなりません。
2026 年のダボス会議で、アクセンチュアはこのギャップを直接強調しました。今日の企業は従業員 1 ドルにつき 3 ドルをテクノロジーに投資していますが、両方のバランスをとっている企業は長期的に収益性の高い成長を達成する可能性が 4 倍高くなります。また、Pulse of Change の調査では、経営幹部が AI を成長エンジンとみなしているものの、AI の役割に合わせて従業員のスキル再教育を優先していると回答したのは 43% のみであることも明らかになりました。この人間の能力、特に変更管理とスキルアップへの投資が不足していることが、AI のスケーリングに重大なブレーキとなっています。
次の問題はどこに投資するかです。優先順位付けは、実現可能性、リスク選好度、価値実現までのスピード、および全体的なビジネス成果を反映する必要があります。各企業の優先事項はそれぞれ異なりますが、明確なパターンが現れてきています。 220 の銀行にわたる独自のタスクレベル分析を使用して、PBT が 29% 上昇し、3 年間で 2,550 億ドルの機会が見込まれることを特定しました。最も豊富な価値プールは、顧客サービス、販売、IT エンジニアリング、ソフトウェア配信、製品開発、価格設定、リスクにあります。
どこから始めればよいかわかったら、次の問題はそれを買う余裕があるかどうかです。 AI は急速に変化しており、従来、ほとんどの銀行や保険会社にとって投資に占める割合はかなり小さいため、これは興味深い質問です。一流の CEO は、CFO、CDO/CIO、取締役会と協力して、GenAI とエージェント AI に対する新たな投資意欲を設定しています。
既存の変革およびテクノロジー資金の大幅な方向転換（場合によっては 30%）が見られ、また、追加の 1 回限りの資金調達や、AI を使用した既存の変革への投資の加速も見られました。 AI リーダーの中には、すでに早期収益を通じて自己資金を調達し始めている人もいます。
AI への投資のバランスのとれたポートフォリオは、投資の分散を考慮すると有益です (Hosanger、2025)。コスト削減、成長、再発明の間。短期的な勝利（コンセンサス、勢い、学習を構築する）と長期的な変化（より有意義な利益を得るために必要）の間。
バランスの取れた AI ポートフォリオにより、次の分野に投資が分散されます。
これらの投資はどのような変化に向けられるべきでしょうか? AI 自体への投資、エコシステム パートナーからのエージェントの調達とトレーニング、さらには社内エージェントの開発とテストが必要であることは明らかです。見落とされがちなのは、次のような「優れた基盤」への継続的な投資です。
ROI を最大に高めるのは、人材、リーダーシップ、採用、スキル、新しい働き方への投資です。しかし現在、組織は人材に 1 ドルごとに 3 ドルをテクノロジーに費やしており、重要な価値が未開発のままになっています。
アジアの大手銀行向けに、私たちは CEO と協力して責任ある AI を確立し、機能を構築し、AI CoE と提供プラットフォームを確立するとともに、望ましさ、実現可能性、実行可能性について数百のアイデアを迅速に評価しました。その結果、18 か月で 35 件の GenAI 変更が提供され、年間 2 億ドルの生産性のメリットが得られ、顧客のクエリ処理時間が半分になり、信用評価時間が 80% 削減されました。ポートフォリオを評価および管理するための体系的な方法が不可欠です。
再利用は不可欠です。モジュール式 AI コンポーネントにより、導入コストが削減され、速度が向上します。抽出、要約、調査、レビュー、テストを行うユーティリティ エージェントは、複数のワークフローにわたって使用できます。たとえば、文書抽出エージェントは、KYC、申請、引受業務、サービスをサポートできます。
各再利用には依然として状況に応じたテスト、導入設計、監視が必要です。従業員と同様、エージェントも企業での「導入」と役割別のトレーニングの両方が必要です。
ここまでは順調ですか？価値と投資は増加していますが、AI を拡張するには、責任を持ってどこでどのように使用するかについて明確な決定が必要です。
リーダーシップと取締役会の中核となる責任は、AI に対するリスク選好の「どこでプレーするか」を形成することです。つまり、どの意思決定、プロセス、顧客とのやり取りが AI に適切で、どれが適切でないかを決定することです。これらの選択は明確であり、定期的に見直され、ビジネス戦略、規制上の期待、文化的価値観に沿ったものである必要があります。
リスク選好は一時的ではなく継続的である必要があります。主要な FS 組織は、モデルのドリフト、データ フロー、エージェント チェーン、導入の品質、責任ある AI の結果を追跡するために、リアルタイムのモニタリング ルームと AI コントロール ルームを導入しています。
取締役会、規制当局、リーダーシップチームには、AI がどこに導入され、何を行うか、意図したとおりに機能しているかどうかなど、明確な透明性が必要です。強力な説明責任の枠組みはこの透明性を強化し、リスクが顕在化した場合のオーナーシップ、エスカレーション、タイムリーな介入を保証する必要があります。
責任ある AI の主要な側面をさらに詳しく分析し、それに必要な変化を見てみましょう。
偏見と危害の防止は、同僚と顧客の両方にとって重要です。私たちの目的はシンプルです。AI を使って危害を避け、善を行うことです。私たちは、優れた設計、高品質のトレーニング データ、グループ間の公平な扱い、厳格なテストとモニタリングを通じて偏見を軽減します。十分にテストされたモデルでもドリフトする可能性があるため、特に保護された属性に関して問題が発生した場合は、継続的なチェックとエスカレーションが必要です。人間にも偏見があるため、人々とエージェントが共に学習し、一緒に偏見に対抗できるようなインタラクションを設計する必要があります。
人事部門では、責任ある AI に特別な注意が必要です。 EU AI 法は、雇用、昇進、給与など、人々のキャリアと生活に影響を与える意思決定において雇用主が AI を使用する方法を制限しています。 AI が従業員に関する予測や推奨事項を提供する場合でも、その使用は倫理的で、範囲が明確で、科学的根拠があり、すべての従業員グループにわたって公平でなければなりません。
透明性、説明可能性、正確性が重要です。顧客や同僚は、AI がいつどのように使用されているかを知りたいと考えており、多くの FS プロセスでは 100% の精度を期待しています。特にインターフェイスがより会話的で人間らしくなるにつれて、AI の使用を開示する必要があります。 AI の出力は解釈可能で追跡可能であり、引用によってサポートされている必要があります (たとえば、投資の概要はソース文書を参照している必要があります)。信頼性は不可欠です。 GenAI は幻覚を見せたり、欠陥のある出力を生成したりして、信頼を損なう可能性があります。精度は向上していますが、特に AI エージェントがサポートする顧客対応の意思決定においては、エラーを発見し、警戒心の強い「主導権を握る人間」として行動できるように人材を訓練する必要があります。
AI はプライバシー、機密性、サイバーセキュリティのリスクも高めます。 AI システムは、「必要最小限の」データ使用を含むデータ保護ルールに従う必要があります。同僚は、どの顧客または従業員のデータが使用されたかを説明できる必要があります。基本的なレベルでは、安全なプロンプトに関する明確なガイダンスが必要です。たとえば、クライアント、同僚、機密データを公開ツールに決して入力しないなどです。 「必要最小限の」データ使用を含む保護ルール。同僚は、どの顧客または従業員のデータが使用されたかを説明できる必要があります。基本的なレベルでは、クライアント、同僚、機密データを公開ツールに決して入力しないなど、安全なプロンプトに関する明確なガイダンスが必要です。
さらに詳しく知りたい場合は、「生成 AI による責任の再考」をご覧ください。私たちは、原則から実践へと移行し、クライアントがリスク選好と責任ある AI に関して正しい方向性を設定できるよう支援します。一例として、シンガポール金融管理局との連携が挙げられます。プロジェクト ベリタスの一環として、業界全体のフレームワーク、ツール、手法の構築を支援しました。この協力を基盤として、シンガポール金融庁とアクセンチュアを含む業界パートナーは、金融機関が責任ある AI を実行し、大規模かつ安全に価値を加速できるよう支援することを目的とした例を含む実践的なガイダンスにその成果を翻訳しました。
信頼を構築するための責任ある AI がなければ、導入は停滞し、価値観は崩壊します。 FS のような規制のある業界では、明確なリスク選好と責任ある AI 実践により、組織は自信を持って、迅速かつ安全に拡張できるようになります。車のナビゲーション システムやシートベルトと同様に、コントロールを失うことなく迅速に移動できるようになります。
AI を、固定された目標を持った直線的な変化ではなく、急速に進化する変化として扱うことが重要です。
AI は過去のテクノロジーの波よりも 2 ～ 3 倍の速さで進歩していますが、そのどれもが完成していません。規制、顧客、社会の期待も同様に急速に変化しています。
AI の技術的能力は、より少ないエラー、より強力な推論とロジック、改善されたマルチモーダルな入力と出力により、より高い精度を拡張しています。かつて手の届かなかった仕事（推論、計算、行動）が強みになりつつあります。しかし、AI はすべてのタスクに均等に影響を与えるわけではありません。 Dell’Aqua et al. (2023) は、一部のタスクが大きな利益を得る一方、他のタスクでは利益が得られないギザギザのフロンティアを示しています。機能が成長するにつれて、そのフロンティアは進化しています。
何百もの新しいモデルが登場しており、それぞれに異なる強みとコストがあります。適切なモデルを選択することが重要です。エージェント アーキテクチャは、多くの場合、小規模な専門モデルに依存します。 Accenture Refinery およびエコシステム パートナーでは、モデルの「スイッチボード」を使用して、適切なコントロールを組み込みながら最適なオプションを選択します。
このペースが行動を起こさない原因となるべきではありません。変化に対して適応的かつ継続的なアプローチが必要です。 AI は開始と終了のある線形プログラムではありません。それは継続中です。それには、「立ちっぱなし」のプロジェクトではなく、継続的な資金と永続的なチームが必要です。それには、予期せぬ展開や競合他社やパートナーからのシグナルに対する寛容さ、反復的な学習、顧客や同僚からのフィードバック、固定された考え方ではなく成長する考え方が必要です。 急速な変化は、価値の実現と学習において先行者利益と複合効果を生み出します。
AI は、集中型のプロジェクトではなく、分散型のビジネス変更として扱われなければなりません。
AI は企業全体に急速に普及し、あらゆる場所での作業を加速させています。かつては何年もかかっていたことが、今では数か月かかります。数か月かかっていたものが、今では数週間かかります。これは大きなチャンスを生み出しますが、それはリーダーとチームが共通のビジョンに沿って連携し、明確なガードレール内で活動する場合に限ります。
調整がなければ、変更が分散すると、すぐに重複や無秩序が生じます。ビジネス全体のリーダーは、高価値の機会を特定し、提供機能にアクセスするためのサポートを必要としています。大規模な AI への取り組みでは、CDO や CIO だけでなく、強力なビジネス プロダクト オーナーが、実際の顧客のニーズと商業的価値に基づいた成果を確保することも必要です。
AI の普及に伴い、人事機能も進化する必要があります。銀行や保険会社の人事チームは、従業員が AI に対応し、新しい仕事に移行できるよう支援する必要がありますが、人間とエージェントによる大規模な従業員への備えも整える必要があります。人事部の任務は現在、人材とインテリジェントなエージェントを組み合わせた労働力を調整することにまで及んでいます。これには、AI スキルの迅速な構築、職務構造の再構築、パートナーとの学習経路の拡大、好奇心と共同学習の文化の育成が含まれます。 AI のトレーニング、倫理、変化への回復力を中核的な人材慣行に組み込むことで、人事部門は従業員が AI を恐れるのではなく、自信を持って AI を使用できるように支援できます。
多くの金融サービス組織はすでに AI センター オブ エクセレンスまたはフェデレーション AI ネットワークを運用しています。これらのチームが効果的であるためには、データ エンジニアリング、モデル開発、プロンプト エンジニアリング、テスト、作業設計、同僚の関与、採用、および変更管理にまたがる学際的なチームである必要があります。私たちはあらゆる規模のクライアントのためにそのようなチームを構築しました。彼らの成功は、適切なツール、モデル、インフラストラクチャ、データ基盤、および責任ある強力な AI ガードレールへのアクセスにかかっています。
価値、投資、責任ある拡張、分散された変化はすべて重要ですが、AI は人間中心の変化として扱われた場合にのみ成功します。 AI は顧客や同僚のために機能する必要があります。人間主導のアプローチは責任あるビジネスの一部であり、はるかに大きな利益をもたらします。それは信頼を築き、懸念事項に対処し、人間とエージェントのやり取りをサポートし、採用を促進し、新しい働き方を可能にします。
信頼はあらゆる変革の中心にあります。チームが新しい働き方を実験して採用するには、心理的安全性が必要です (Edmondson、2018)。恐怖、対立、信頼の低さは、変革の失敗の 85% を占めています (Accenture Transformation GPS、2025)。
労働者は AI についてさまざまな意見を持っています。多くの人がそれを学び、活用したいと考えており、多くの場合、すでに私生活の中でそれを信頼しています。同時に、彼らは雇用の安定、仕事の激しさ、養子縁組、倫理について心配しています。リーダーは、明確な従業員戦略、正直なコミュニケーション、および変更の管理方法における誠実さで対応する必要があります。
これは意見が二極化している分野です。 AI は一部の仕事を自動化し、さらに多くの仕事を強化し、新しい仕事を生み出すでしょう。効果は不均一であり、時間の経過とともに明らかになります。
CXO の 29% のみが GenAI の障壁として従業員の抵抗を指摘していますが、従業員の 40.8% は雇用の余剰を懸念しています。これは導入リスクをリーダーが無視するわけにはいきません (Accenture、Learning、Reinvented 調査、2025 年)。
リーダーは、AI を受け入れる人々が成長することを強調する必要があります。アンドリュー・ンがダボス会議で述べたように、「AI を使用する人の生産性ははるかに向上し、AI を使用しない人に取って代わられるでしょう。」目標は、人々を置き換えることではなく、増強を通じて人々がより優れたパフォーマンスを発揮できるように支援することです。明確なスキル再教育の道筋、従業員への目に見える投資、実践的な学習機会により、不安が採用に変わります。
AI への投資に合わせた人員計画により、雇用、再教育、再配置を管理することで不必要な余剰人員を削減できます。人々はスキルを身につけて適応するのに時間が必要であり、計画はそれらの努力を導くのに役立ちます。リーダーは誠実にコミュニケーションをとり、可能な限り積極的に変化を組み立てる必要があります。
AI は人間と機械の境界と仕事の心理を再構築しています。生成的でエージェント的な AI は、労働者の有能感、自律性、つながりを脅かす可能性があります。従業員の 60% は AI がストレスや燃え尽き症候群を増大させることを懸念していますが、それを予想している経営幹部はわずか 37% です。私たちはリーダーシップと思慮深い作業設計を通じて対応する必要があります。
MIT の Acemoglu と Johnson (2023) は、テクノロジーと AI の開発、特に問題定義と作業の共同設計における労働者の関与の重要な役割を強調しています。これにより、より優れたソリューション、導入、使用が可能になり、より大きな価値の実現がもたらされます。
優れた作品デザインにより、人間はペースとスタイルをコントロールできるようになります。パフォーマンスを向上させ、創造性のためのスペースを確保します。たとえば、AI によって投資提案の作成にかかる時間が短縮されると、リレーションシップ マネージャーはクライアントに対する綿密な作業、つまりアドバイス、関係構築、意思決定のサポートに集中できるようになります。
専門家と一緒に AI をテストすることで、説明可能性と信頼性も向上します。 DeepMind-Moorfields の研究では、AI の推論を分析することで専門家の理解と自信が高まることが示されました。
大手銀行では、一連の商業銀行 AI 対応プロセス ソリューションを使用して設計しました。 リレーションシップマネージャーとそのチーム。これらはタフな群衆で、終身在職期間を経た専門家であり、通常はテクノロジーに対して非常に懐疑的であり、当然のことながらクライアントを守ります。 AI の開発への関与とテストを通じて、信頼を築くことができました。これにより、パイロット中の継続的なフィードバックが継続され、改善のためのスケールアップが行われ、より良い仕事、信頼、採用につながりました。
AI を採用するということは、新しい作業 (プロンプト、エージェントの使用、出力のチェック) を開始し、古い作業を停止することを意味します。どちらも不快感を引き起こす可能性があります。そして、これは今後数年間にわたって繰り返し起こるでしょう。
AI は直感的に感じられるかもしれませんが、導入は自動的には行われません。組織には、準備と価値の実現のために反復可能なパターンが必要です。リーダーが AI を創造性の触媒として組み立てると、従業員は自分の習慣を適応させる自信が 20% 高まります。
役立つもの:
モチベーションは様々です。早期採用者はアクセスと継続的な学習を望んでいます。大部分は指導と時間が必要です。後から採用する人には安心感と信頼が必要です。すでに AI を使用している従業員と、まだ AI を使用していない従業員との間に大きな溝があることを示す証拠が一貫しています。
測定は重要です。アクセス、使用状況、一般的なプロンプトとエージェント、ワークフローへの統合の深さを追跡します。費やした時間、品質、結果の変化を測定します。役割、チーム、場所全体のパターンを分析します。測定を「不気味ではなくクールに」保ち、監視ではなくグループの洞察に焦点を当てます。
初期の展開が雰囲気を決めます。 AI が主にコスト削減として組み立てられている場合、約束が破られた場合、トレーニングが過度に技術的である場合、ツールがワークフローの外にある場合、または AI が準備が整う前にリリースされた場合、導入は失敗します。
ある世界的な銀行では、ChatGPT Enterprise と Microsoft Copilot の採用が 400% 以上増加しました。私たちのアプローチは、圧力ではなく、まず探索を奨励しました。 3 つのグループが出現しました。
早期導入者に力を与え、80% が実用的な価値を見出して最初の一歩を踏み出せるよう支援することで、導入と成果の両方を加速しました。最終的には、後発採用者のほとんどが、同僚にとってのメリットを認識して参加するようになりました。
多くの労働者は、AI が倫理的に使用されるかどうか疑問に思っています。 53% が成果物の品質と不明確な説明責任を懸念していますが、これを懸念していると考えている経営幹部はわずか 21% です。
組織が明確なリスク選好フレームワークと責任ある AI 実践を持っている場合、それらを可視化する必要があります。リーダーは、これらの実践がどのように意思決定を導き、透明性を確保し、リスクを管理し、説明責任を明確にするかを示す必要があります。懸念を表明するための明確なチャネルが不可欠です。
ある FS 機関では、行動とコミュニケーションの両方を通じて倫理的懸念に対処しました。私たちは責任ある AI ガイドラインを確立し、明確な説明責任を持つプロダクト オーナーをトレーニングし、従業員を共同設計に参加させ、説明ツールを構築し、報告と内部告発のチャネルを作成し、AI の監視に重点を置いた第 2 の防御線を確立しました。リーダーはこれらの措置を明確かつ一貫して伝えました。
考慮すべきいくつかの重要な点 — あなたの考えやアイデアをお聞かせください:
<オル>次回のブログでは、AI を同僚として活用して労働力をどのように再考できるかを検討します。
分散型の急速な変化を導くこれらの方法をより広範な市場シグナルに結びつけるには、2026 年のトップ銀行トレンドをお読みください。 報告する。