1,000社超の企業調査をAIで半自動化、資産運用会社が対話の時間を生み出した方法

投資先の数は1,000社を大きく超える一方、ESG評価の机上調査には1銘柄あたり数時間かかるため、現実的には時価総額上位の銘柄から手をつけるしかない。加えて、評価項目や評価軸を決めていても担当者の主観は入り込み、各銘柄の情報を常に最新へ更新することも難しく、評価した時点と現在との間にずれが生まれていました。

見えていた課題は処理量の多さですが、その裏にあったのは、本来価値を生む工程と、そのための準備工程が同じ人の時間を奪い合っていた構造ではないでしょうか。運用会社に求められているのは投資先との対話そのものであり、公開文書を読んで改善余地を探す作業は、対話に入るための下ごしらえにあたります。人手の総量が決まっている以上、下ごしらえに時間を割けば割くほど対話に使える時間は減り、逆に対話を優先すれば調査の網は狭くなる。この二者択一を崩さないかぎり、対象銘柄を増やしても評価の質を保てないという行き詰まりがあったと考えられます。

効いたのは、AIに任せる範囲を「定例的・定型的な判断」に限定して設計したことだと考えられます。この取り組みでは、公開文書を読み込んでESGの観点から評価するという工程を切り出し、対話そのものは人が担うという線引きが最初から明確でした。業務内容を把握するアセスメント、活用の妥当性と実効性を確かめるPoC、そして開発という順序を踏んでいる点も、「AIで何かすごいことをする」ではなく「今この作業をAIに置き換えられるか」という問いから出発した設計思想の表れと読めます。

もう一つの山場は、教師データの偏りへの対処でした。評価が高い開示内容は該当するテキストを拾いやすい一方、評価が低いケースはそもそも記載がなく、教師データが良い例に偏って評価スコアが高く出すぎる傾向が生じています。ここでHEROZ側から提案されたのが、LLM（大量の文章を学習した言語AI）に要約文を作らせ、その要約文に対して評価を付けて教師データにするという工夫です。文章が存在しない状態を扱えるデータの形に変換したわけで、評価にメリハリを付けるうえでの決め手になったと見られます。データが「ない」ことをどう学ばせるかは、文書評価のAI化でつまずきやすい部分であり、この対処の仕方は他の業務にも通じる考え方でしょう。

説明責任を業務要件として最初から掲げた点も、実用性を左右したポイントです。機関投資家として評価結果を外部に説明する立場にあるため、出力が中身の見えない状態になることは避けたいという要求があり、実現できるかは当初は見通せていませんでした。結果として、判断の根拠となった公開文書の該当箇所を参照でき、重要な箇所がハイライトされる形に設計されています。さらに、判断基準は時間とともに変わるという前提を置き、新しい判断事例を教師データとして追加して継続的に更新していく体制を敷いたことも、出来合いの仕組みでは得にくい持続性につながっていると考えられます。

机上調査の対象範囲は、人手では時価総額上位に絞らざるを得なかった状態から、TOPIX採用銘柄全体、すなわち投資対象企業のほぼ全てへ広がりました。公開情報が更新されると評価も速やかに更新され、日次で最新情報に基づく評価を参照できる状態になっています。AIによる統一的・定量的な評価により企業間の比較や同一企業の時系列比較も可能になり、机上調査に費やしていた業務時間が大幅に減った分を、投資先との対話に振り向けられるようになりました。社内では、この仕組みを部内で紹介したところ他グループから自分たちの業務でも使いたいという声が上がり、新たな活用アイデアが生まれています。