Anthropic は最近、金融サービス専用の AI エージェントを提供し始め、投資銀行、資産運用、保険、信用分析、企業財務などのシーンを狙っている。Anthropic の発表によると、これらのエージェントのテンプレートは、ピッチブック作成、KYC 審査、月次の締め・決算などの金融業の高負荷で時間のかかる業務に利用でき、さらに Claude Cowork、Claude Code、Claude Managed Agents と統合することも可能だ。
ただ、これが金融リサーチャーに取って代わるとは言い切るのは早いだろう。Podcast『Hardcore 財經通識（ハードコア金融教養）』は Facebook 上で、Anthropic が中金融研究産業のある痛点を突いているのは確かだという。すなわち、重要な情報が大量にありながら、重複性が非常に高い情報の更新作業だ。しかし金融データは往々にして目に見える誤りではない。junior analyst は時間の経過とともに成長し、data sense を身につけていく。多くの情報は「取れる」だけでは足りず、さらに、今回会社がどんな見方（口径）に変えたのか、どの指標は前期と直接比較できないのか、どの数字は経営陣が包んだだけのものなのかを知らなければならない。
Anthorpic は金融リサーチ産業の情報更新作業を助けられる
Anthropic は今回、金融サービス向けの 10 種類のエージェントを提供し、簡報の作成、財務諸表の査読、credit memo の執筆などのタスクを実行できる。
かつて国内大手金控のトレーディングルームで働いていた『Hardcore 財經通識』の司会者 Paku は、市場のこうしたツールへの反応は、極端に走りやすいと指摘する。ひとつは「金融業末日」「AI が投資の聖杯を破解する」だ。一方で、多くのユーザーが、数時間の vibe coding で回測績績を驚くほど出す投資エンジンを使って自慢することもある。ただ彼は、この2つの語りはいずれも、金融リサーチの実際の仕事を過度に単純化しすぎていると考えている。
Paku によれば、Anthropic が金融研究産業の痛点として突いているのは、重要な情報が大量にある一方で、重複性が極めて高い情報更新作業だ。ファンダメンタルズ・リサーチでは、買い手であれ売り手であれ、財務報告、earning call、データベース、簡報、モデル、顧客へのレポートは互いに密接につながっている。アナリストがモデルを構築する前に、データが先に揃っていなければならない。そして、企業の特性差は非常に大きく、リサーチ過程では、ほぼ避けられない形で、データベースや文書をまたいだ整理・補助情報が必要になる。
とりわけ決算シーズンでは、売り手側のアナリストが一つの sector をカバーするとなれば、大量の財務諸表、earning call、重要指標、財務モデル、リサーチレポートを同時に更新しなければならない。junior analyst の支援があったとしても、全体のプロセスは依然として地獄のようだ。各社が注目する metrics は異なり、モデルの調整方法も異なる。さらに顧客は、時間が極めて高価な大型ファンドであることが多く、アナリストは短時間のうちに、本当に価値のある best idea を抽出しなければならない。
金融リサーチの最大の荒唐無稽：80% の時間は低価値業務に費やされる
Paku は、金融リサーチの本当の逆説（弔詭）は、成果が往々にして最初に選んだ判断の方向性に大きく左右される点だと考えている。たとえば、どの重要指標を見るべきか、どのトレンドに焦点を当てるべきか、欠損データをどう扱うべきか、どうやって企業をまたいで比較するのか。ただ現場では、アナリストは大量の時間をデータの取り出し、Excel の作成、レポートの更新、簡報作りに費やしている。
言い換えれば、リサーチ成果は 80% が判断に左右される可能性がある一方で、作業時間の 80% はデータの整理とフォーマット更新に奪われている。
これこそが Anthropic の金融エージェントの切り口だ。分析者に直接投資の聖杯を見つけさせるのではなく、約 60% の完成度を目指したリサーチ・ワークフローを作り出そうとしている。まずアナリストがデータを掴み、データベースをつないで、モデルを更新し、簡報やドキュメントを整理するのを手伝い、そして人間が自然言語でどこが間違っているのか、どこを補うべきか、どの段階に新しいデータが必要かを示す。
Paku はこれを、「とても速いが、それでも“口令一つで一つの動作”が必要な junior」に似ていると形容する。価値は、シニア・アナリストを置き換えることにあるのではなく、大量の低価値な工数を下げて、真のリサーチ判断を人間に戻すことにある。
最大のリスク：金融データの誤りはたいてい隠れたところにある
ただし Paku は、金融エージェントの最大の挑戦は、レポートを書けるかどうかではなく、データが正しいことを確保できるかだと強調している。
彼は、金融データの更新でいちばん厄介なのは、誤りがしばしば顕在的な誤りではない点だと述べる。数字は「存在しているように見える」かもしれないが、実際には完全に配置が間違っていたり、論理が通っていなかったり、定義が誤っていたりする。さらに厄介なのは、誤りが下流へ広がるほど、追跡コストが指数関数的に増えることだ。モデル、簡報、レポート、投資 memo がすべて誤ったデータの上に構築されていると、最後に戻って誤りを確認する必要があり、そのコストは、最初から人間がデータの出どころや定義を判断していれば済んだコストよりはるかに高くなる。
これは junior analyst が時間とともに伸びていく部分であり、いわゆる data sense だ。多くの重要情報は構造化されたデータベースにはなく、management presentation、earning call、財務諸表の注記、そして会社が独自に定義した metrics の中に隠れている。これらの情報は「掴めれば良い」というだけではなく、会社が今回どんな口径に変えたのか、どの指標は前期と直接比較できないのか、どの数字は経営陣の包み込み（言い換え）にすぎないのかを知らなければならない。
同様の問題は金融 AI benchmark にも現れている。最近 BankerToolBench の研究では、たとえ最も優れた最先端モデルであっても、投資銀行の junior analyst のエンドツーエンド・ワークフローのテストでは、半数近い採点項目が不合格であり、銀行家の評価では client-ready 基準に 0% で到達したとされている。これは AI エージェントが一部の業務は処理できるようになってきたことを示しているが、高リスクな金融成果をそのまま納品できるところまでは明確な距離があることを意味している。
AI は SQL を書けるが、LTV と churn rate を自由に発揮できない
Paku もまた、単純なデータ取得のタスクだけなら、AI は確かに非常に有効になり得ると指摘している。とりわけ現代の ETL ツールがすでにかなり成熟している状況では、適切なインターフェースと人の介入が組み合わさったシステムを用意できれば、金融エージェントはリサーチ業務のワークフロー効率を高める可能性がある。
しかし、本当に危険なのは、ユーザーが AI により複雑な計算、または定義への強い依存がある指標を自ら算出させたときだ。たとえば、分群別 LTV、churn rate、単位経済モデルなどである。もし人間が先に公式と benchmark をきちんと投入せず、AI に自由にやらせてしまうと、結果は非常に危険になり得る。その理由は、これらの指標は単なる数学の問題ではなく、ビジネス上の定義、データの取り方（口径）、そして業界の文脈に依存しているからだ。公式を一箇所でも間違えると、投資判断全体がずれてしまう可能性がある。
Anthropic の金融エージェントは「AI の投資聖杯」でもなければ、ユーザーが 2 時間の vibe coding で年率 2000% のバックテスト・エンジンを作るためのおもちゃでもない。金融リサーチのワークフローを再構成しようとする産業向けツールだ。
最も起こり得る変化は、アナリストを大量のデータ更新、Excel の整理、レポートの体裁づくり、簡報制作から解放し、人間が再び判断に時間を振り向けられるようにすることだ。つまり、どの指標が重要か、どのトレンドを追うべきか、どのデータは信じられないか、そしてどの比較方法が人を誤らせうるのか、にだ。
この記事「Anthorpic が金融向けの専用 AI Agent を推す、業界関係者が“Claude はアナリストを代替できない”という重要点を明かす」は最初に 鏈新聞 ABMedia に掲載された。
