AIを経理へ導入する話は、つい「請求書を何枚自動処理できたか」という議論に偏りがちです。
しかし、OpenAIのCFO、Sarah Friar氏が公開した実践記は、そこから一歩先へ進んでいます。目標は月次決算を少し速くすることではなく、会社の状態を継続的に把握し、意思決定までの流れを作り直すことです。
OpenAIが掲げているのは「ゼロデイ決算」と、継続的に更新される予測です。ただし、完成済みの成功物語として紹介しているわけではありません。どちらも現在進行形の目標であり、AIを配れば自然に実現するものでもありません。公式記事から見えてくるのは、技術の導入以上に、仕事の単位や責任の置き方を変える必要性です。
教訓1：全員に渡し、実際の課題で試す
最初の教訓は、利用者を一部の専門家へ限定しすぎないことです。OpenAIの財務チームは、現場が日々困っている仕事を持ち寄るハッカソンを実施しました。そこで生まれた事例が、承認済みの資料を根拠に投資家からの質問へ答える「IR-GPT」です。調達や税務向けのカスタムGPTも作り始めたといいます。
ここで大切なのは、便利そうなAI機能を先に探すのではなく、繰り返し発生する仕事を先に持ち込んだ点です。
現場の担当者は、業務上の例外や判断基準を知っています。一方、技術担当者は、安全なデータ接続や試作を支援できます。
ボトムアップの実験と経営側の優先順位が結び付いて、初めてAI導入が「触ってみた」で終わらなくなります。
ハッカソンは、ハックとマラソンを掛け合わせた言葉です。エンジニアやデザイナー、企画担当者などがチームを組み、数時間から数日という限られた時間で集中してソフトウェアやサービスを開発します。
最近ではIT開発にとどまらず、営業や財務などの現場の課題を持ち寄り、AIツールや業務自動化の仕組みを短期間で試作する社内ハッカソンも広がっています。現場の課題と多様な職種の知見を掛け合わせ、素早くイノベーションを生み出せる点が大きな特徴です。
教訓2：資料作成ではなく意思決定から逆算する
予測会議の前には、データ収集、表計算の照合、差異の説明、グラフ作成、資料化といった作業が連なっています。個々の作業をAIで数分ずつ短縮しても、判断までの経路が分断されたままでは、得られる効果は限定的です。
OpenAIは、重要な意思決定を起点として、必要なデータ、承認、引き継ぎを逆向きに設計する考え方を示しています。
ゼロデイ決算の構想では、承認済みの支出計画、総勘定元帳、発注、未払計上、取引明細を継続的に照合します。AIが差異の初期説明を作成し、例外を人へ引き渡します。最終的な数字の検証と承認は、財務部門が担当します。
つまり、「締め作業が消える」という話ではありません。期末になってから会社の状態を慌ただしく再構築する負担を減らす設計です。
同じ基盤は予測にも利用できます。統計モデル、営業会話、顧客単位の根拠、業務データ、財務担当者の判断を一つの画面で扱い、何が変わったのか、なぜ変わったのか、どの判断によって結果を変えられるのかを追えるようにします。AIは答えを決めるのではなく、判断材料を更新し続ける役割を担います。
教訓3：財務担当者自身が道具を作る
三つ目の教訓は、財務担当者が単なるAIの利用者から、業務ツールの作り手へ変わることです。OpenAIでは、チームメンバーがChatGPT WorkやCodexを使い、静的な表計算やスライドを、対話できるダッシュボードへ置き換え始めています。
公式記事では、広告事業を担当する非エンジニアのメンバーが、月次予測を週次・日次の計画へ落とし込むツールをCodexで作った事例が紹介されています。このツールでは、曜日や休日を考慮し、予測を比較しながら、数値を承認済みのモデルへ結び付けられます。
重要なのは、「コードを書けるようになった」ことだけではありません。問題を最もよく理解している人が、解決策の形を自ら調整できるようになったことです。
もっとも、誰でも作れることは、誰でも本番環境へ投入してよいことを意味しません。データの定義、テスト、アクセス権、変更管理は、むしろこれまで以上に重要になります。小さな試作品を早く作り、財務部門とIT部門が共同で本番運用の基準へ引き上げる仕組みが必要です。
教訓4：速さと責任をセットにする
IR-GPTは、過去の資料を探して回答案を整える作業を、数時間から数秒の初稿作成へ短縮したといいます。しかし、完成した回答を自動送信するわけではありません。担当者が内容を読み、文脈を加え、投資家ごとに説明が矛盾していないかを確認します。「AIが作業を速め、人が結果に責任を持つ」という線引きが明確です。
財務業務でAIを使うなら、アクセスできるデータ、実行できる操作、承認が必要な場面、例外のエスカレーション先をあらかじめ決めなければなりません。
AIの出力を根拠となる資料へ結び付け、予測には説明を持たせ、承認済みの数値を変更する場合には財務部門の許可を求めます。精度の高いモデルを選ぶだけでは、監査可能な仕組みにはなりません。
教訓5：席数やトークンではなく仕事の成果を測る
AI導入の効果測定も変える必要があります。ライセンス数や利用トークンが増えたことは、活用が進んだ証拠にはなっても、価値が生まれた証拠にはなりません。
OpenAIは、重要な仕事を完了できたか、従業員による確認や手戻りを含めていくら掛かったか、実際に利用できる品質だったか、判断を速く、または良くできたか、という問いを挙げています。
決算業務であれば、締めに要した日数、自動照合できた取引の割合、例外件数、差異の説明に掛かった時間などを測れます。予測業務では、予測精度、更新頻度、新しいシナリオを作成するまでの時間、意思決定への寄与などが指標の候補になります。
単価の安いモデルでも、人による確認作業が増えれば総コストは上がります。モデル単体の価格ではなく、信頼できる成果へ到達するまでに掛かった費用で比べるべきだという指摘は、非常に実務的です。
日本企業が始めるなら、一つの判断を選ぶ
壮大な「AIネイティブ財務部門」をいきなり掲げるよりも、毎月繰り返され、根拠となる情報が散らばっており、確認責任者が明確な一つの仕事から始めるのが現実的です。予実差の一次説明、監査依頼に対する資料探索、支出申請の不備確認などが候補になります。
選んだ仕事について、入力データ、AIが担当する範囲、人が承認する地点、記録するログ、評価指標を一枚に整理します。対象が小さくても、意思決定までの流れを丸ごと設計することが大切です。
単発の文章生成を増やすだけでは、古い業務の上に新しい確認作業を積み重ねることになりかねません。
OpenAIの事例が示しているのは、経理業務の無人化ではありません。AIに探索、照合、初稿作成、シナリオ作成を担わせ、人は例外への対応、判断、説明責任に時間を使います。
その役割分担を業務全体へ組み込めたとき、AI導入は「便利な機能」から、会社の意思決定を変える仕組みへと進んでいきます。
参照：OpenAI「What building an AI-native finance function taught me」
コメント