企業のAIエージェントを本番運用する：規制業種に本当に必要なもの

要約

88％の組織がAIを使っている一方、営業利益への測れる効果を報告するのは39％にとどまる。多くの案件が規制下の環境の本番の要求を満たせないからだ。
本番までの主な壁は、3つの要の面での備えの不足にある。監査できる出力のための決定論的な実行、データを自社に留めるデータ主権、そして組み込まれた統制である。
規制産業でうまくいく構成は8対2の型を使う。中核の判断には8割の決定論的でルールに基づく業務を、補助の作業には2割の生成AIを当てる。
AIをうまく展開する組織は、それを業務の土台として扱い、次のような道具を軸に処理を作り直す。Jinbaのような、決定論的で統べられ、オンプレミスに置けるように作られた道具だ。

規制下の金融機関での70件を超える本番のAIエージェントの導入にもとづく

要旨

企業のAIの取り入れは転換点に達した。だが実験と本番のあいだの隔たりは、かつてないほど広い。

マッキンゼーの2025年のState of AIの調査では、88％の組織が少なくともひとつの業務でAIを使っている。それでも3分の2近くが実験と試行の段階で止まったままだ。AIへの投資から企業水準で測れる営業利益への効果を報告するのは、わずか39％である。道具はある。予算も付いている。問題は、企業のAIの取り組みの多くが結局は出荷されないことだ。

難所はもはやモデルの質ではない。難所は本番への備えである。

規制下の金融機関での70件を超えるAIエージェントの導入を通じて、Jinbaは一貫した型を見てきた。本番に届いた導入は、3つの条件を共有していた。

決定論的な実行 ── 出力が再現でき、説明でき、監査できる
データ主権 ── 機微な情報が承認された環境の中に留まる
統制の仕掛け ── RBAC、監査の跡、承認の流れ、版管理が初日から組み込まれている

失敗した、あるいは止まった導入は、たいていこのうち少なくともひとつを欠いていた。

本稿は本番への到達点を示す。実際の導入から導いた、規制下で企業のAIエージェントが実証から本番へ本当に移れるのかを見極めるための実践的な枠組みだ。

本稿の各節は、現実の課題をその到達点に照らして試す。

第1節：本番との隔たり

企業のAIの取り入れは伸びている。本番の展開は追いついていない。

AIの市場はかつてない伸びを見せている。OpenAIの2025年のState of Enterprise AIレポートは、企業のやり取りの量が前年比8倍に伸び、100万を超える法人の顧客がOpenAIの製品を使っていると報じる。ガートナーの予測では、2026年末までに企業のアプリの40％が作業に特化したAIのエージェントを備える。2025年の5％未満からの伸びだ。展開への切迫はかつてなく強い。

だが取り入れと本番の展開は同じではない。

マッキンゼーのデータがより全体を語る。88％の組織が事業のどこかでAIを使っている。3分の2近くは全社に広げられていない。そして測れる営業利益への効果を報告するのは39％だけだ。組織は実験ではうまくやっているが、安全、法令対応、監査可能性、統制を求める環境の中でAIを運用に乗せることには多くが苦しんでいる。

取り入れは展開ではない。

この隔たりは規制産業でいっそう際立つ。改革のチームの審査を通った実証は、安全、法務、法令対応に届いた途端に止まることが多い。AIが力尽きたからではない。その周りの土台が本番のために作られていなかったからだ。

本番への到達点を導入する

70件を超える規制下の案件におけるJinbaの経験にもとづくと、うまくいった企業のAIエージェントの展開は、稼働の前に一貫して3つの要求を満たしていた。

要求	実務では何を意味するか
決定論的な実行	出力が再現でき、説明でき、監査できる。すべての判断を辿って見直せる
データ主権	機微な顧客、金融、健康の情報が、承認されたオンプレミスや主権のあるクラウドの環境の中に留まる
統べられたアクセス	役割に応じたアクセス制御、改ざんできない監査の記録、承認の流れ、版管理が最初の展開から働いている

この枠組み ── 本番への到達点 ── は、企業のAIの議論に対するJinba独自の貢献だ。調査から導いたものではない。本番で導入が成功し、また失敗するのを見て導いたものである。本稿の残りは、これを眼鏡として使う。

第2節：決定論の問題

多くの企業のAIエージェントが、規制下の業務では本番に耐えない理由

現代の企業のAIエージェントの多くは大規模言語モデルの上に建っている。この仕組みは本質的に確率的だ。同じ指示を二度動かせば、違う答えが返りうる。文章の生成や着想では、この揺らぎはたいてい許され、望ましくもある。規制下の業務では、それが法令対応の失敗になりうる。

金融機関、保険会社、医療の組織が日々下している判断を考えてほしい。

KYCの確認
マネーロンダリング対策の調査と警告のさばき
融資の引受
保険金の査定
規制への報告
契約の法令適合の確認

これらの処理はどれも、説明可能性と再現性を求める規制の枠組みの中にある。監査人や規制当局が必ず問う中心の問いはこうだ。「なぜこの仕組みはこの判断を下したのか」確率的な仕組みは、その問いに一貫して答えられない。火曜日のまったく同じ取引が、月曜日とは違うリスクの点数になるかもしれない。何かが変わったからではなく、確率のモデルとはそういうものだからだ。

これは理屈の上の心配ではない。マッキンゼーの2025年のState of AIの調査では、AIの不正確さが、企業のAIの展開で最もよく報告される悪い結果だった。説明可能性と規制への適合は、組織がいま積極的に和らげようとしている最大級のリスクに並ぶ。その一方で、各国の金融の規制当局は、自動の判断、モデルの統制、運用の強靭さへの期待を厳しくしている。デジタル・オペレーショナル・レジリエンス法（DORA）、そして欧州銀行監督機構と欧州証券市場監督機構の指針である。

多くの企業がまず手を伸ばす道具 ── ChatGPT、Claude、Gemini ── は、この環境のために作られていない。それぞれの持ち場では優れている。だが「生成に優れている」と「規制下のKYCの業務で本番に耐える」は、別の水準だ。

8対2の本番の構成

Jinbaの規制下の導入を通じて、生成AIの価値を犠牲にせずにこの緊張を解く、一貫した構成の型が現れた。

8割は決定論的な実行 ── ルールに基づく業務、構造のある判断の木、APIの連携、明示された業務の論理。これが監査に耐える背骨だ。すべての段階が辿れ、すべての出力が再現できる。

2割は生成AI ── 判断を伴わない補助の作業に使う。調査の記録の要約、顧客への説明の下書き、書類の一次確認の生成など。モデルは助けるのであって、決めない。

これは回避策ではない。監査の悪夢を生まずに、規制下の企業がAIの生産性の果実を得られるようにする構成である。

実例：三菱UFJはClaudeやChatGPTと並べてJinbaをどう使っているか

この構成が実務でどう働くかを最もはっきり示すのが、世界最大級の金融機関のひとつである三菱UFJフィナンシャル・グループだ。同社は外部の大規模言語モデルの道具と並べてJinbaを動かしている。置き換えではない。

役割の分担は明確だ。ClaudeとChatGPTは、創造的な揺らぎが許される社外向けの生成の作業を担う。Jinbaは、改ざんできない監査の跡が厳格な規制の要件である社内の決定論的な業務を担う。リスクの点数づけ、上申の判断、法令の点検、承認の回付。これらは決定論の層に留まる。

これが8対2の型の現実の証拠だ。規制下の機関に生成AIの居場所がない、という話ではない。業務の各層に適した道具を当てられるかどうかが、その機関が本番でその仕組みを本当に動かせるかを決める、という話である。

第3節：データ主権の壁

クラウドのAIが広がりを止めるところ

規制産業では、同じ場面が繰り返される。あるチームがクラウドのAIの道具で実証をうまく回す。結果は説得力がある。経営も沸く。そしてその案件が最高情報セキュリティ責任者、最高コンプライアンス責任者、あるいは法務の責任者の机に届き、そこで止まる。

問われるのはほぼいつも同じことだ。「私たちのデータはどこへ行くのか」

これがデータ主権の壁だ。そしてこれは事務手続き上の不都合ではない。人気のクラウドを前提としたAIの基盤の多くが、構造的に解けない硬い技術と規制の制約である。クラウドを第一に置く構成が土台に焼き込まれており、オンプレミスや外部遮断の展開の選択肢がない。こうした道具では、データは建物の外へ出るしかない。

規制産業では、たいていそこで会話が終わる。

壁がどこにあるか、業界ごとに

承認された環境から出せないデータの種類は業界で異なるが、Jinbaが関わる業界ではどこも同じ型だ。

銀行：顧客の個人情報、取引の履歴、与信の情報、疑わしい取引の届出（SAR）、そしてマネーロンダリング対策の調査の元データは、厳しいデータの所在の要求の下にある。多くの管轄で、この情報を国境を越えて移すには、標準的なクラウドのAIのベンダーの契約では備わらない特定の法的な根拠が要る。

保険：保険金のデータ、保険金に伴う医療の記録、引受の履歴、契約者の情報は、基本の個人情報の法令に加えて、業界ごとのデータの扱いの規則の下に置かれることが多い。

医療：保護対象の医療情報（PHI）は法律 ── 米国のHIPAA、欧州と英国の同等の枠組み ── によって統べられ、患者のデータをどこで処理し保存できるかを厳しく縛る。適合する基盤なしにPHIを処理するクラウドのAIの展開は、試行ではない。負債である。

行政：住民の記録、機密の情報、主権に関わるデータは、外部とつながらない外部遮断やオンプレミスの環境での展開を要することが多い。この水準で動く機関には、クラウドのみのAIのベンダーはそもそも選択肢にならない。

規制が壁をさらに硬くしている

DORA ── デジタル・オペレーショナル・レジリエンス法は、2025年1月に欧州の金融の分野で発効した。情報通信のリスク管理、運用の強靭さ、そして外部の技術への厳しい監督に重心を置くこの法は、金融機関のAIのベンダーの調達の仕方を根本から変えた。問いはもはや「このAIは動くか」だけではない。いまは「どこで動くのか。誰がそれに触れられるのか」である。

多くの機関にとって、DORAはデータ主権の議論を、好みから法令の要件へと移した。

Jinbaの実績値：Jinbaの70件を超える規制下の企業の導入では、オンプレミスまたは主権のあるクラウドでの運用は、好みではなく調達の要件だった。Jinbaの顧客の中で、社内のデータの所在と安全の審査を先に満たさずに共用の公開クラウドへ展開した金融機関はひとつもない。

この型は ── 日本、米国、その他の銀行の顧客に一貫して ── データ主権の壁の実証の土台になっている。これは例外ではない。規制下の企業の展開では、これが普通なのだ。

第4節：本番の展開は実際どう見えるか

実演の先へ：70件を超える本番の導入からの目安

企業のAIエージェントの公の議論は、実演に寄りがちだ。人事の質問に答える対話、メールを要約する助手、会議の記録を書く助手。どれも本物の用途で、本物の価値を出す。だが規制産業の導入が本番に届いたときの姿は、そういうものではない。

規制下で本番に耐えるエージェント型AIの業務は、運用の仕組みである。多段階の処理を扱い、業務の規則を課し、承認の連なりを通して判断を回し、取られたすべての動作の完全な監査の跡を生む。人を助けるだけではない。以前は複数の人の引き継ぎ、仕組みの照会、手作業の記録を要した業務を、丸ごと束ねるのだ。

よくある例として、ひとつのKYCの口座開設の業務は、30から40の個別の段階を含みうる。

本人確認の書類の収集と検証
参照のデータに照らした本人の実在の確認
複数の一覧にまたがる重要な公的地位にある者と制裁の照合
不利な報道の照合
社内のモデルに照らしたリスクの点数づけ
危険が高いと見立てた場合の上申の回付
アナリストへの通知と案件の割り当て
多段階の承認の待ち行列の管理
規制のための記録の生成
顧客への通知と状況の更新

この各段階に、正しいデータ、正しい論理、そして何がなぜ起きたかの完全な記録が要る。法令に適い続けながらこれを日に数百件へ広げることは、対話の仕事ではなく土台の仕事である。

本番の目安のデータ

次の表は、規制産業にわたるJinbaの本番の導入から得た展開の目安をまとめたものだ。

指標	目安
業務の説明から本番の展開までの平均	数か月ではなく数日
本番の業務の段階数の中央値	30〜40段階
最初の展開で最も多い用途	KYCの口座開設とマネーロンダリング対策の警告のさばき
従来のコンサルタントや自動化の道具での目安	3〜6か月と30万ドル超
本番の展開に関わる典型的な部署	法令対応、情報システム、業務、法務

この表は、引用して埋め込める資料として作った。次のデロイトやマッキンゼーのまとめ記事に、Jinbaの出典つきで現れる類の数字である。

最もうまくいく組織が、AIを違うふうに考えている理由

導入を通じて、広げられる組織と止まる組織を最もはっきり分けるのは、技術の予算ではなく心構えだった。

最も速く動く組織は、AIのエージェントを生産性の道具ではなく業務の土台として扱う。「アナリストにもっと良い助手をどう渡すか」を問うのではない。「AIが決定論的な段階を担い、人が判断を要する場面に集中するように、口座開設の業務をどう作り直すか」を問うのだ。

これはマッキンゼーのState of Organizations 2026レポートの要の発見と重なる。業務の作り直しは、AIが収益に効くかどうかを最もよく言い当てる要因のひとつだ。成果の高い組織は、既存の処理の上にAIを重ねるのではなく、AIを軸に処理を作り直す割合がはっきり高い。51件の成功した導入をもとにしたスタンフォードのEnterprise AI Playbookも同じ結論に至る。成功する展開の単位は、単一のAIの道具であることはほとんどない。適した地点にAIを埋め込んだ、作り直された業務である。

規制産業にとって、この洞察には具体的な含みがある。業務の作り直しは、本番への到達点の制約の中で起きねばならない。その業務が求める決定論、主権、統制の要求を満たせないAIを軸に、法令対応の業務を作り直すことはできない。構成が先に来るのだ。

第5節：統制の層 ── 止まった導入に欠けていたもの

導入を止めるのはAIではない。統制の層だ。

規制下の組織がAIの取り組みで最も時間と金を失う思い違いはこれだ。実証でモデルの出来が良ければ、難しいところは終わったと考えてしまうこと。

そうではない。

本番に届く前に大きく遅れたり止まったりした導入では、原因がモデルの出来だったことはまれだ。AIは動いていた。その周りを囲うべき仕組みが動いていなかった。

本番の関門で現れる障害は、ほとんどいつも統制に関わるものである。

役割に応じたアクセス制御（RBAC）が設定されていない。誰がどのデータを見られるのか。誰がどの業務を起こせるのか。誰が変更を承認できるのか。アクセスの型が定まっていなければ、規制下の実務にAIのエージェントを置くことを承認する法令対応のチームはない。
監査の記録がない。AIのエージェントが取るすべての動作について、改ざんできず時刻の入った記録は、規制の確認、社内の監査、事故の調査の基本の要求だ。これを出せない仕組みは、規制下では本番の候補ではない。
版管理がない。AIの業務が変わるとき ── 規則が変わり、規制が変わり、事業の処理が変わるとき ── 組織は、ある時点でどの版の業務が動いていたのかを正確に知る必要がある。版管理がなければ、更新のたびに監査のリスクが生まれる。
承認の流れがない。新しい業務が動き出す前に、誰が承認するのか。稼働中のエージェントへの変更は誰が確認するのか。承認の連なりが定まっていないと、AIの展開は統制の空白になる。
クラウドの要件で調達が止まる。多くの組織で、第3節に述べたデータ主権の壁は最終の姿に効くだけではない。調達がそのベンダーを承認することそのものを止める。その基盤をオンプレミスに置けないなら、発注書は起票されない。

Jinbaの導入から見えたこと：本番の展開の手前で最もよく見られる統制の障害は、それまでの道具の構成に改ざんできない監査の記録がないことだ。たいていはMicrosoft Power AutomateやUiPathの導入で、規制水準の監査の跡を前提に作られていない。こうした仕組みを置き換えるとき、統制の土台は一から作り直さねばならない。

統制が、企業のAIにおける競争力の分かれ目になりつつある

デロイトの2026年の企業AI実態レポートは、AIの取り入れが加速するなかで組織が閉じねばならない要の穴として、統制、業務の作り直し、測定を挙げる。問いはもはや、AIがその作業をできるかどうかではない。組織がAIを、安全に、繰り返し、規模を出して ── そのすべての判断に完全な責任を持って ── 動かせるかどうかである。

マッキンゼーのState of AI Trust 2026は、とくにエージェントの時代の文脈で同じことを述べる。AIのエージェントが単純な助手から運用の業務の中の自律的な担い手へ移るにつれ、統制の層が展開の中で最も重い部分になる。最初から統制を組み込む組織は、より速く広げ、法令対応の事故も少ない。

輪を閉じる：本番への到達点をもう一度

本稿は3つの部分からなる枠組みで始まった。各節はそれに照らして導入を試してきた。型は保たれている。

到達点の条件	止まった導入に欠けていたもの
決定論的な実行	再現できる監査の跡がない。大規模言語モデルだけの構成で、同じ入力から一貫しない出力が出る
データ主権	クラウドのみのベンダーの構成が、データの所在の要求と噛み合わない。安全の審査で調達が止まる
統制の仕掛け	RBACが未設定、監査の記録がない、版管理が未実装、承認の流れが未定義

3つの条件をすべて満たす組織は本番へ進む。ひとつでも欠く組織は試行の段階に囚われたままだ。多くは無期限に、技術の試験はすべて通るのに運用の承認は決して越えられない実証を回り続ける。

実務では何を意味するか

規制下の機関のAIの責任者、最高リスク責任者、最高コンプライアンス責任者にとっての実務の結論はこうだ。試行をひとつでも回す前に、自社のAIの構成を本番への到達点に照らして評価すること。

あとではない。先にだ。

統制の層をあとから付け足すのは簡単ではない。データ主権の要求は、ベンダーの選択肢をまるごと消す。決定論的な実行は、設計の段階で下す構成の選択だ。最も速く本番へ進む組織は、これらを前提条件として置き、3つすべてを備えて出荷される道具を選ぶ組織である。

結び：規制下で勝つ構成

企業のAIの議論は成熟しつつある。問いは「どのモデルが最良か」から次へと移りつつある。「どの構成なら自分たちの環境で本当に動くか」

取り入れは加速している。企業のやり取りの量は前年比8倍に伸びている。ガートナーは、今後12か月で企業のアプリにおけるAIのエージェントの展開がおよそ10倍に増えると見る。勢いは本物で、切迫にも理がある。だが規制産業では、正しい土台なしに速く動いても、速い成果にはならない。

銀行、保険、医療、行政で、長く持ちこたえる本番水準のAIの力を築く組織は、最も高性能なモデルを追う組織ではない。運用として最も筋の通った構成を築く組織だ。次を組み合わせた構成である。

決定論的な実行を中核に。監査の跡が要るすべての判断のために
統べられた業務を、RBAC、記録、版管理、承認の連なりとともに、展開の初日から
主権のある基盤を、規制が求める場所に機微なデータを留めるために
的を絞った生成AIを端に。法令対応のリスクを持ち込まずに補助の力が価値を足すところへ

これが実務における本番への到達点だ。そして規制下の金融機関での70件を超える導入にもとづけば、これこそが、AIから本物の本番の価値を生んでいる組織と、いまも試行が法令対応の関門を越えるのを待っている組織を分ける構成である。

よくある質問

規制産業で、企業のAIの案件の多くが本番に届かないのはなぜですか。

「本番への到達点」を満たすように作られていないからです。監査できる出力のための決定論的な実行、機微なデータを自社に留めるデータ主権、そして組み込まれた統制が含まれます。多くのAIの試行は技術としては成功を見せますが、そこで止まります。

決定論的なAIの実行とは何で、法令対応でなぜ欠かせないのですか。

決定論的なAIの実行とは、同じ入力を受け取れば毎回同じ再現できる出力を仕組みが返すことです。規制当局と監査人が、なぜその判断が下されたのかについて明確で説明でき辿れる記録を求めるため、法令対応では欠かせません。KYCの確認や融資引受のような業務では、確率的なAIでは足りません。

ChatGPTやClaudeのような生成AIを、規制下で安全に使うにはどうすればよいですか。

8対2の構成の型を当てることで、生成AIを規制下でも安全に使えます。生成AIは判断を伴わない補助の作業（2割）に使い、中核の監査できる判断は決定論的でルールに基づく業務（8割）が担います。たとえば生成AIが調査の記録を要約したり、下書きを作ったりします。

AIの展開におけるデータ主権とは何を意味しますか。

AIの展開におけるデータ主権とは、顧客の個人情報、金融の記録、健康の情報といった機微なデータが、オンプレミスのデータセンターや主権のあるクラウドなど、組織が承認し統制する環境の中に留まることを求めるものです。クラウドを前提とする多くのAIの基盤は、処理のために自社のサーバーへデータを送ることを要します。

本番に耐えるAIの仕組みで、最も要となる統制は何ですか。

最も要となるのは、役割に応じたアクセス制御（RBAC）、改ざんできない監査の記録、業務の版管理、そして定義された承認の連なりです。試行の段階では見落とされがちですが、本番では譲れません。RBACは、権限のある利用者だけが特定の動作を行えるようにします。

自社は、AIの実験から本物の事業の価値づくりへ、どう移ればよいですか。

実験から価値づくりへ移るには、AIを生産性の道具ではなく中核の業務の土台として扱うことです。初日から本番への到達点を満たすAIを軸に、処理を作り直します。既存の処理の上にAIを重ねるのではなく、最もうまくいく企業は業務そのものを作り直しています。