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

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。