銀行と保険でAIの試験導入が失敗する理由（2026年）

要約

• 企業のAI支出が倍増する一方で、95％の組織は測れる見返りを得ていない。この「本番との隔たり」は、失敗の代償が大きい規制産業でいっそう広く深い。
• AIの試験導入の多くは、モデルの出来ではなく本番の構成の弱さで失敗する。成功している少数の企業は、目的の定まらないチャットボットの実験ではなく、統制された業務と明確な投資対効果を優先している。
• 規制産業により合う指標は統制解決率だ。規程の内側で安全に解決された案件の割合を指す。単なる作業の完了から、準拠し監査できる成果へ焦点を移す。
• たとえばJinbaのような基盤は、規制下の企業の法令、費用、運用の現実に合わせた統制されたAIワークフローの土台を提供し、本番との隔たりを埋める助けになる。

企業のAI支出は記録的な水準に達している。BCGの2026年のAIレーダーによれば、企業はAIへの支出を売上比でおよそ倍にする見込みだという。0.8％から1.7％へ、である。一方でNVIDIAのState of AI 2026の報告では、86％の組織が今年AIの予算が増えると見込んでいる。

それでいて、そのほとんどが測れる成果を生んでいない。

MIT NANDAの2025年の「GenAI Divide」の報告によれば、95％の組織が測れる見返りをまったく得ていない。生成AIへの投資からである。企業のAIに300〜400億ドルが流れ込んでいるのに、損益に見える本当の価値を引き出しているのは5％にすぎない。残りは、本番に届く前に静かに死んでいく有望な試験導入の輪の中にいる。

これが企業のAIの本番との隔たりであり、2026年を規定する事業上の課題である。

だが、Stanford HAI、Deloitte、Gartnerといった主要な「State of AI」の報告が見落としていることがある。この隔たりは均等には分布していない。銀行、保険、資産運用、医療といった規制産業では、失敗の率は高く、代償は鋭く、「本番に耐える」という言葉の水準そのものが根本的に違う。

本稿はAIの試験導入の失敗の解剖を行い、規制下の環境で実際に本番を生き延びる業務を地図にし、2つの独自の枠組み ──統制解決率とAI生存性マトリクス── を示す。多くのチームが今日使っている指標より、正直で行動につながる物差しである。

支出と価値の断絶

2026年に向けて取締役会に生じている緊張はこうだ。企業は、AIの本番の規律を解く前にAIの予算を増やしている。

とくに金融サービスでは、NVIDIAの2026年の報告が、調査したほぼすべての組織がAI支出の増加または横ばいを見込んでいることを示している。52％が運用の効率化を主な理由に挙げた。BCGの調査では、経営トップの50％が自分の職はAIをうまくやれるかにかかっていると考えている。速く動けという要請は本物だ。

だが構成のない速さは無駄になる。

生まれつつある分かれ目は、もはやAIを使う企業と使わない企業の間ではない。デモ映えするAIと本番を生き延びるAIの間にある。

価値を引き出している5％の企業は、必ずしも優れたモデルを回しているわけではない。優れた業務を回している。

失敗の解剖：一貫した型

失敗の型は無作為ではない。独立した複数の調査機関が、同じ結論に辿り着いている。

RAND研究所のAI案件の失敗に関する調査は、繰り返し現れる3つの原因を挙げる。実際の利用者の問題を解くことより最新の技術を入れることに向かうこと。データを管理しモデルを確実に展開する基盤を欠くこと。そして、本番で技術が実際にできることと噛み合わない問題にAIを当てることだ。

Gartnerはデータの整い方という観点を加える。2026年までに、AIに使える状態のデータに支えられていないAIの案件の60％が打ち切られるとGartnerは予測する。別の調査では、生成AIの概念実証の少なくとも50％が初期の段階の後に打ち切られていた。データの質の低さ、不十分なリスクの統制、上がる費用、あるいは明確な事業価値を示せないことが原因だ。

McKinseyの2025年の世界のAI調査もこれを裏づける。試験導入から規模のある効果への移行は、多くの組織でいまも道半ばだ。注目すべきは、成果の高い企業を分けたのがモデルの品質ではなく統制の規律だったことである。成果の高い企業は、モデルの出力に人の検証が要るのはどんなときかを明確に定めている割合が、はっきり高い。

これらすべての証拠に共通する分母は、悪い技術ではない。本番の構成の弱さだ。現実の世界で機能するのに必要な、業務の制約、データの統制、運用上の責任の所在を欠いたままAIが展開されている。

規制産業が、より厳しい現実に直面する理由

隔たりの痛みは業界によって同じではない。規制下の機関にとって、「本番に耐える」AIの水準は明確に厳しく、失敗の代償も桁違いに重い。

失敗の形の違いを考えてほしい。小売のチャットボットが誤れば、顧客を苛立たせる。金融サービスの助手が誤れば、規制上の露出を生み、適合しない助言を出し、非公開のデータを漏らし、監査に落ち、苦情を招き、運用上の損失を起こしうる。消費者向けの技術なら低い評価が付くだけの同じモデルの誤りが、銀行では何百万ドルもの損と規制の目を招く。

それは展開の問いそのものを変える。

問いはこうではない。「AIはその質問に答えられるか」

問いはこうだ。「その機関は、AIが規程の内側で答え、承認されたデータを使い、正しく引き上げ、判断の経路を記録し、費用を抑え、権限のない行動を避けたことを証明できるか」

規制当局はすでに目を向けている。2026年6月、イングランド銀行のサラ・ブリーデン副総裁は、エージェント型AIには規制の見直しが要るかもしれないと警告し、既存の監督の枠組みが、決済や取引のような領域で自律的に動くエージェントを想定していないと指摘した。金融安定理事会も同様に、金融分野でのAIの普及と関連する脆さを、重要な懸念の領域として挙げている。

米国では、消費者金融保護局がすでに、銀行が導入したチャットボットについて、不正確な情報を与えること、人への引き継ぎの体験が悪いこと、そして顧客を解決の「堂々巡り」に閉じ込めることを問題視している。AIが問題を解決も、適切な引き上げもしない状態だ。

規制下の機関にとって、本番のAIには6つの譲れない条件がある。

これらを無視した汎用の対話型AIの導入は、成果が出ていないだけではない。見えないリスクを積み上げている。

統制解決率という考え方

金融サービスのAIの運用チームの多くは、おなじみの指標の組を追っている。

• 人への引き継ぎを避けた率
• AIの中で完結した率
• 平均の対応時間
• 1件あたりの費用
• 顧客満足度

どれも有用だ。だが規制産業では、危ういほど不完全でもある。

たとえばAIの中で完結した率が高くても、AIが間違った案件を抱え込んでいるなら誤解を招く。人の助言者、コンプライアンス担当、規制上の専門家へ引き上げるべきやり取りを、手元に留めている場合だ。統制の低いまま完結率だけが高いのは勝ちではない。水面下でリスクが積み上がっているだけである。

より良い物差しが統制解決率だ。

統制解決率とは、AIが扱った案件のうち、承認された規程の内側で、承認されたデータを使い、正しく引き上げ、完全な監査の跡を残し、法令上の逸脱なく解決された割合を指す。

この指標は「AIが答えた」と「AIが安全に正しく答えた」を分ける。規制下の機関が目指すべき物差しであり、上へ報告すべきものでもある。

この捉え直しは効く。「AIは働いているか」から、「AIは組織の制約の内側で安全に働いているか」へ話を移すからだ。取締役会、リスク委員会、規制当局へ報告する規制下の機関にとって、実際に効くのはこの問いである。

AI生存性マトリクス

すべてのAIの業務が同じリスクを負うわけではない。そしてAIのリスクもすべて同じではない。企業が犯す最大の誤りは、AIの展開を二択として扱うことだ。AIを入れるか入れないか、である。本当の問いはもっと繊細だ。どの業務ならAIに自律的に任せられ、どれにガードレールが要り、どれは人が主導すべきか。

以下のマトリクスは、業務の型を本番のリスクとAIの適合に照らして地図にし、規制下の環境で実際に生き残るものを示す。

型ははっきりしている。

リスクが上がるほど自律を下げたとき、AIは本番を生き延びる。

これが、成功する5％の導入と、止まる95％を分ける中核の原理だ。規制産業でAIをうまく使っている企業は、AIを減らしているのではない。より精密に入れている。自律的なAIをリスクの低い適合の高い業務に集め、リスクの高い業務は決定論的な統制、人の確認点、統制の層で包んでいる。

5％の企業が違うこと

生き延びて広がる少数のAIの導入には、一貫した構成と運用の型がある。McKinseyの調査は、成果の高い企業が人の検証を予備の手段ではなく設計された統制として扱っていることを裏づけている。その違いが鍵だ。

これらの型を構成に置き換えると、規制下のAIの導入に必要な5層の本番の枠組みになる。

1. 意図の層── 依頼を分類し、そもそもAIが進んでよいかを判断する。
2. 規程の層── 依頼を、承認された用途、言い回しの基準、管轄、商品の規則に照らして確認する。
3. 検索の層── 承認された社内の知識に応答を根づかせ、出典の表示とアクセス制御を伴わせる。
4. 業務の層── あらかじめ定めた決定論的な手順を実行する。尋ね、確かめ、引き出し、引き上げ、記録する。
5. 証拠の層── やり取り、使った出典、下した判断、引き上げの起点、最終の結果の完全な記録を残す。

これが、チャットボットを入れることと、統制されたAIワークフローの土台を入れることの違いだ。前者はデモ映えする。後者は本番を生き延びる。たとえばJinbaのような基盤は、この統制された土台を提供するために設計されており、Jinba FlowでのAIによる開発と、Jinba Appでの業務利用者の統制された実行を組み合わせる。

取締役会の指標：普及から本番の価値へ

この話題が取締役会の議題に上るのは、AIが技術の取り組みであることをやめ、予算、リスク、事業の型の判断になったからだ。財務責任者は、想定を超えた推論の費用について問われている。リスク責任者は、AIの導入が準拠しているかを問われている。業務の責任者は、自動化が本当に手作業を減らしているのか、それとも新しい誤りの経路を作っているだけなのかを問われている。

その水準で効く指標は「立ち上げたAIの試験導入の数」ではない。本番で検証され、価値が見え、リスクが勘定に入ったものである。

最も重要な転換はこれだ。AIの普及を報告してはならない。AIの本番の価値を報告せよ。

普及の指標（立ち上げた試験導入、作った連携、研修を受けた職員の割合）は作り出しやすく、反論もしにくい。本番の価値の指標は得るのが難しく、そして退けるのははるかに難しい。何年も過大に約束され過小に届けられてきた導入の後で、AIの見出しの数字に懐疑を強めている規制当局、監査人、取締役会にとって効くのも、こちらである。

結論：勝ちを分ける問いは変わった

企業のAIは新しい段階に入りつつある。試験導入、概念実証、「AIを第一に」の戦略資料に彩られた実験の時代は、説明責任の時代に道を譲っている。そこで問われるのは、いくつのAIの取り組みを立ち上げたかではなく、そのうちいくつが本番の現実との接触を生き延びたかである。

また、Stanford HAIのAI Index 2026、BCGのAI Radar 2026、そしてRANDのAIの失敗の根本原因の調査は、どれも同じ構造の問題を指している。現実の世界で機能するのに必要な統制、データ、業務の構成のないまま、AIが展開されているということだ。

規制産業にとって、その問題は深刻だ。本番との隔たりは、賭け金が最も高いところでこそ最も広い。

その隔たりを埋める機関は、最大のAI予算や最先端のモデルを持つところではない。最初から違う問いを立てるところだ。

どのAIの業務なら、法令、費用、監査、運用の現実を生き延びられるか。

「どうすればAIをもっと速く採り入れられるか」ではなく、この問いこそが、持続するAIの投資と、静かに消える高価な試験導入を分ける。

よくある質問

企業のAIの本番との隔たりとは何ですか。

企業のAIの本番との隔たりとは、高い水準のAI支出と、測れる事業上の見返りの極端な少なさとの断絶のことです。調査では95％の組織が投資からまったく価値を得ていないと示されています。この隔たりが生まれるのは、試験導入ではうまく動くAIの案件の多くが、本番の環境の複雑さを生き延びられないからです。主な原因は、構成の弱さ、データ統制の不備、そして現実の運用と法令の要求に応えられないことにあります。

規制産業でAIの試験導入の多くが失敗するのはなぜですか。

法令対応、監査可能性、データ統制、リスク管理の厳しい要件を扱うようには設計されていないからです。消費者向けの技術と違い、金融や医療でAIが誤れば、規制上の制裁、情報漏えい、金銭の損失といった重い結果を招きえます。試験導入は、業務の安全より模型の性能を優先し、明確な引き上げの経路を欠き、AIが規程の内側で動いたことを監査人に示せずに失敗することが多くあります。

統制解決率とは何ですか。

統制解決率とは、AIが安全かつ正しく、組織のすべての規程と法令の規則に沿って解決した案件の割合を測る指標です。単なる作業の完了ではなく、監査でき準拠した成果を優先するため、「AIの中で完結した率」のような従来の指標より優れた物差しになります。問題が解決されたかどうかだけでなく、それが安全に正しく解決されたかを測れます。

規制下の企業は、どうすればAIを安全に展開できますか。

目的の定まらないモデルより統制された業務の構成を優先し、業務のリスクが上がるほどAIの自律を下げることです。汎用のチャットボットではなく測れる業務の詰まりどころから始め、リスクの高い作業には決定論的な統制と人の確認点を置き、AIの応答を承認された知識に根づかせ、規程、検索、監査可能性のための多層の構成を実装することが主な段取りになります。

規制下の環境で、まず自動化するのに最も安全なAIの業務は何ですか。

本番のリスクが低く、AIとの相性が高いものです。社内の知識の検索、顧客対応の振り分け、承認された知識の集まりからの一般的なよくある質問への回答などが挙げられます。金融の助言や決済の実行のようなリスクの高い活動は、完全に自律にすべきではありません。AIは、最終の判断と責任を持つ人の担当を支える形にすべきです。

取締役会は、企業のAIの価値をどう測るべきですか。

普及の指標ではなく、本番で検証された指標で測るべきです。立ち上げた試験導入の数を追うのではなく、削減できた費用、短縮できた期間、法令上の逸脱の率といった具体的な事業の成果に目を向けてください。最も重要なのは、統制解決率、解決1件あたりの費用、監査の完全さのように、現実の価値とリスク管理を映す指標です。

本稿は、規制産業のAIについてJinbaが毎月出す深掘りの報告の第1回である。この連載は、AIの実験から統制されたAIの本番運用へ移ろうとする金融サービス、保険、資産運用の責任者に向けて、独自の枠組みと物差しを示していく。今後の報告では、統制解決の物差し、業務の型ごとの企業のAIの運用費、そして規制産業のAI準備度の指数を扱う予定だ。