2つの目標：ゼロデイ・クローズと継続的予測、いずれも未達成

彼女はこの課題を解決するために2つの目標を設定しました。これらには順序があります。

なぜ最初にゼロデイ・クローズを実現しなければならないのか？ 予測は帳簿の数値に基づいて計算されるからです。帳簿が毎日更新されていれば、予測もいつでも再計算できます。しかし、帳簿が月末まで締まらなければ、どれだけ頻繁に予測を計算しても、それは先月の古い数値に基づいています。計算すればするほど、間違いが早まります。

なぜこの2つのために2年を費やす価値があるのか？ その理由は「速さ」自体にあるのではありません。関帳が速くなること、予測を頻繁に更新することはあくまで手段です。本当に欲しいのは結果が変えられるうちに、その変化に気づくことだ。四半期が終わってから売上ラインが落ちたことに気づいても、もう手遅れです。月の途中で気づけば、予算追加、広告削減、価格変更など、まだ対応できます。

この2つの目標は、現在も構築中だ。この記事が語るのは方向性と、すでに変わった働き方であり、完成した成果ではありません。関帳に現在何日かかるのか、予測をどのくらいの頻度で更新しているのか、具体的な数字は一切示されていません。

1日だけの財務ハッカソンで IR-GPT を開発

最初のステップは、全員にツールへのアクセス権を与え、各自が自分の業務で試せるようにすることです。しかし、アクセス権を与えるだけでは不十分です。ほとんどの人は少し試して放置してしまう。誰も「この業務をどう改善できるか」をわざわざ考える時間がないからです。

そこで彼女たちはハッカソンを開催しました。1日、財務チーム全員が通常業務を離れ、各自が一番煩雑だと感じる反復作業を持ち寄り、その場でツールにします。さらに、セールスエンジニアにも協力してもらいました。彼らは社内で技術に詳しく、普段は顧客のソリューション構築を支援している人たちです。誰かが行き詰まったら、すぐに質問できるようにするためです。1日で、一人が最初から最後まで完遂できます。最も面倒な毎月の作業を1つ選ぶ → 使えるものを作る → 同僚に試してもらう → その場で修正する、という流れです。

その日の成果の1つが IR-GPT だ。投資家は投資判断や追加投資の際に多くの質問を投げかけます。昨年のこの収入はどう計算されたのか、このコストはなぜ増えたのか、この数字が前四半期と合わないのはなぜか、などです。以前は、その質問が来るたびに、誰かが過去の資料を調べて手作業で回答を作成していました。IR-GPT は、「承認済みで外部に公開可能」な資料をカスタム GPT に読み込ませ、初稿を作成させるものです。その後、調達部門や税務部門もそれぞれ専用のものを作りました。

ここでの教訓は、両方向からのアプローチが必要だということです。現場の人間が、どの工程が煩雑で、どのようなツールが必要かを最もよく理解しています。しかし、彼らが作るのは小さなツールが大半です。リーダーは、会社にとって最も重要なことに目を向け、人と予算をそこに集中させる必要があります。以下の提案は、リーダーが重要だと判断したことに合致したからこそ、大規模に展開する価値がありました。

意思決定から逆算し、プロセス全体を再設計

ハッカソンは出発点に過ぎません。本当の変革は別のところにあります。AI によって「一度に作り変えられる仕事の規模」が変わりました。

これまでの効率化は、特定のステップに焦点を当てていました。表作成を速くする、データ検索を速くする、文書作成を速くする、といった具合です。各ステップの速度が2割向上しても、最終的なプロセスは変わりません。なぜなら、ステップ間の待ち時間や引き継ぎの数は減らないからです。今は違う規模で動けます。「生データから意思決定まで」の全プロセスを、一から設計し直すことができます。

この方法はそのまま真似できます。まず、実際に意思決定が必要なことを1つ選びます。「来四半期の広告予算を増やすべきか」などです。次に、その決定に必要なデータ、承認者、引き継ぎの工程を逆算して列挙します。列挙したら、各工程に「AI が自動計算できるか」「催促できるか」「完遂できるか」を問いかけます。

5種類のデータを自動照合、AI が初稿を作成し、財務が承認

関帳プロセスを逆算して作られたのは、ワークベンチです。前述の4つの場所に分散していた情報をすべて1つのページに統合し、常に自動照合します。承認済み予算、財務システムの実際の支出、契約済み未払いの購買発注、見越し計上された未収費用、個々の取引詳細です。

統合後、「今月は予算を超過した」という表示があれば、クリックして該当する取引や購買発注を確認できます。AI が超過の理由を説明する初稿を作成し、不審な点を洗い出す。人間は数値の正確性を確認し、重要性を判断し、最終的に承認します。

照合ワークベンチ：左欄の3つのデータソース（予算、財務システム、購買発注）には緑の「照合済み」マーク。中欄は今月の費用の計算過程。右欄は Codex が作成したレビューコメントで、「下書き」と表示。期間は「April · Demo year」、発注番号は DEMO-1042、金額はすべて $x.x と、デモデータであることが分かる。出典：OpenAI

この画像の右下に、役割分担を最も明確に示す一文があります。

Codex は機械的な部分を自動化します。判断は財務が担う。

スクリーンショット右下の原文：Codex automates the mechanics. Finance owns the judgment.（和訳：Codexは機械的な部分を自動化し、判断は財務が担う）

もう1つ、覚えておく価値のある言葉があります。関帳という作業自体はなくなりません。なくなるのは、期末後に先月を必死に再構築する時間です。

予測提案は4つの根拠を提示、承認して初めて有効に

照合台が扱うのは「先月、実際にいくら使ったか」です。予測台が扱うのは、さらに難しい課題です。来四半期にどれだけ売上を見込めるか、そして、その数値をなぜ変えるのか。

2つ目の画像は、38秒のスクリーンレコーディングです。ツール名は StratFin DS。開くと表が表示され、同じ四半期に3つの数値が並ぶ。モデルが自動計算した値、前回承認された値、今回の値です。後ろの2列は、その差を直接示す。誰がどれだけ数値を上方修正したのか、一目で分かるようにしています。

下にスクロールすると、個別の顧客を調整できます。顧客を1社選択し、グラフ上の点を希望の位置までドラッグすると、周囲の数値が即座に連動して変わります。

最も注目すべきは「推奨」ページです。AI が特定の顧客の数値を上方修正するよう提案し、同時に「なぜその提案をするのか」という根拠を脇に表示します。それぞれに接続済みのソースが明記されています。

ここで重要なのは別の点です。理由を1つずつ検証可能な形に分解していることだ。Gong の記録を辿って通話を聞き直すこともできますし、Slack での価格改定の議論が妥当かどうかを自分で判断することもできます。どの根拠が欠けても、その提案が成立するかどうかを、人間が自分で判断できます。

38秒の録画：3つの数値が並ぶ四半期テーブル → 顧客を選択してドラッグで予測変更 → エビデンス付きの AI レコメンデーション、という流れ。画面内の顧客名 APEX Inc. は仮名。出典：OpenAI

同じページのさらに上位は、このツールを使って予算配分を行う。マーケティング費用がどこでまだ効果を上げているか、どこが頭打ちか、次の1ドルをどこに回すのが最も効果的かを確認します。

マーケティング費用対効果の曲線：横軸は1日の支出、縦軸は得られる成果。曲線が右に行くほど平坦になる＝「ある程度使うと、追加の効果は上がらない」。図中のR²=0.94は、曲線がデータによく適合していることを示します。下の表は、チャネル間での予算移動案。出典：OpenAI

コードが書けない財務担当者が Codex でツールを作る

このようなツールが作れるようになった背景には、作り手の変化もあります。

OpenAI 経済研究チームが7月末に発表したレポートには、2つの数字があります。財務専門職の仕事固有の AI 利用のうち、40% が従来の財務業務の範囲外であり、そのうち22% はエンジニアリング関連だ。

この40%をどう読むべきか。8職種を並べると、比較対象が見えてきます。財務は、実は範囲外業務が最も少ない職業の1つだ。

つまり、この数字はこう読むべきです。範囲外業務が最も少ない職種でさえ、4割は専門外の仕事をしています。

彼女のチームでは現在、全員が ChatGPT Work と Codex を使い、自分用のツールを作っています。ChatGPT Work は OpenAI が今年7月にリリースした業務用エージェントで、複数のソフトウェアを横断してデータを取得し、数時間にわたって自律的に作業を続け、完成した表、スライド、ウェブページを納品します。Codex はコード作成に特化したエージェントです。これにより、成果物の形態が変わりました。従来は Excel と PPT を納品し、その後は使われず、データが変われば作り直しが必要でした。今は、1つのページを納品し、さらに質問を続けることができ、元データが変われば自動的に連動します。

最も具体的な例：広告業務を支援するチームメンバーは、これまでプログラミング経験がまったくなく、Codex を使って、月次広告予測を週次・日次計画に分解し、営業日や祝日を考慮し、異なる予測バージョンを比較し、すべての数値を承認済みモデルに紐付けるツールを作りました。マーケティング責任者は開くだけで、何が変わったのか、どこに投資すべきか、追加コストが何をもたらすのかを確認できます。

財務担当者が専門性を失ったわけではありません。彼らの専門性が、より遠くまで及ぶようになったのです。以前は要件定義をして、実装を待つことしかできませんでしたが、今は自分が欲しいものを直接作れます。さらに、自ら作るプロセス自体が、この業務はなぜずっとこのやり方なのか、と疑問を持たせます。

AI は初稿を書けるが、承認済みの数値は変えられない

誰もがツールを作れ、AI が数秒で成果物を出す時代になると、次の問題は変わります。「これが間違っていたら、誰の責任なのか」です。

IR-GPT を例に考えよう。以前は、投資家から質問が来ると、アナリストは過去の資料を調べ、回答を起草し、これまでの他の投資家への説明と矛盾がないか確認し、数人でレビューをして、数時間、時には徹夜で対応していました。今は、「承認済みで外部に公開可能」な資料を読み込ませることで、数秒で質の高い初稿が得られる。

しかし、ここで言及されているのはあくまで初稿です。人が読んで修正するのにどれくらい時間がかかるかは、記事には書かれていません。「数時間が数秒になった」とは言えません。投資家向け広報チームの仕事は減っていません。初稿を読み、判断と背景を追加し、異なる投資家に渡る回答が一貫しているかをチェックする必要があります。AI が省いたのは、資料探しとタイピングの時間だけです。責任は依然として人にあります。

そこで彼女たちは、ルールを明確に定めました。IT 部門やリスク管理部門と協力して、以下の4点を文書化します。

さらに、破ってはいけないルールが3つある。

3つ目が最も重要で、最も明確に説明する価値があります。「承認済みの数値」とは、社内で認識され、各部門が予算配分の基準とし、外部向けにも説明している予測のことだ。この数値が変われば、影響は下流に波及します。この部門の予算を組み直す必要があるのか、取締役会向けの説明を修正する必要があるのか。このため、AI が勝手に変更することは許されず、特定の個人が簡単に変更することも許されません。必ず財務部門の承認が必要です。前述の予測ツールにある「要確認」タグや、「提案を採用」ボタンは、このルールを UI に表現したものです。

記事では、業界の流行語にも触れています。「トークンマキシング」の熱狂は、もう過ぎ去りました。

この流行が過ぎ去ったのは、必要な管理手段がすでに整備されているからです。ユーザーごとの使用量上限、予算設定、役割ベースのアクセス権限、単純なタスクは低コストなモデルに割り当てる、一定額を超える購入には承認を必要とする、といった具合です。AI 費用は、光熱費や出張費と同じように管理できるようになった。同時に、チームには試行錯誤の余地も残されています。

ルールを明確に定めると、むしろAIをより速く動作させられます。エラーが発生しても、どのステップで何が起きたか、誰に連絡すべきかが分かるからです。照合、集計、資料準備が速くなれば、人はAIに任せられない仕事に時間を割けます。前提に疑問を呈すること、ビジネスへのアドバイス、最終的な意思決定です。

AI の価値を見極める：4つの質問、2つの指標

管理ができた後は、投資対効果をどう判断するかです。答えはこうです。購入したシート数や消費トークン数は、何も語りません。重要なのは、仕事が適切に完了したか、実際のコストがいくらかです。

各ワークフローについて、4つの質問をする。

財務チームにとって「重要な仕事」とは、具体的には次のようなものです。予測を更新した、差異の理由を説明した、監査の質問に回答した、取締役会の質問に回答しました。さらに、関帳と予測には、それぞれ表にできる指標があります。

最後に、「コスト削減」の考え方を修正する言葉があります。最も安いモデルが、必ずしも最も費用対効果が高いとは限りません。より高性能なモデルに変えて、一度で使える回答が得られれば、試行錯誤や手戻りにかかる人件費が、モデルの価格差を上回る可能性があります。

チームに使ってもらうには、まず理想像を見せよ

記事は、彼女がよく口にする言葉で締めくくられています。「you can't be what you can't see」、見たことのないものには、なれない。財務チームに AI の可能性を信じてもらうには、まずその姿を見せる必要があります。そして、それは CFO 自身が率先して始めるべきです。

目標は2つ：帳簿を常時確認可能にし、予測も随時更新できるようにします。予測は関帳に基づくため、帳簿が確定しなければ、頻繁に計算しても古いデータでの計算になります。

起点はハッカソン。財務チームが1日で、各自の最も煩雑な作業をツール化しました。その後定めた方法：AI が変えるのは「一度に動かせる仕事の規模」。生データから決定までの全プロセスを再設計できます。

この方法は応用可能：決定事項を1つ選び、必要なデータ、ツール、承認、引継ぎを逆算して列挙し、各工程を AI が自動化・調整・完遂できるか判断します。

予測ツールは修正提案を出す際、「なぜ」という根拠を併記します。4つの根拠はすべて接続済みソース付きで、信頼度も表示。人間が「採用」をクリックして初めて有効になります。

承認済みの数値は AI は変更不可。初稿と提案は可能だが、ベースライン変更は財務部門の承認が必要。コードが書けない社員も Codex で予測を分解できます。

購入したシート数や消費トークン数は無意味。

• 重要な仕事か
• 実際のコスト：従業員時間、レビュー、手戻りを含める
• 品質はそのまま使えるか
• より速い・より良い決定につながったか

関帳は、サイクル期間、自動照合率、異常件数、差異説明時間で評価。予測は、精度、更新頻度、シナリオ作成時間、意思決定の質で評価。詳細は本文に完全な指標と制約あり。