金融犯罪対策チームは、限界に達しつつあります。
それは、詐欺が新しいからでも、マネーロンダリングの発見が突然難しくなったからでもありません。金融犯罪の規模が、いまや多くの機関の人員体制や業務の進め方と根本的にかけ離れてしまっているからです。
一般的な金融サービス企業では、従業員の非常に大きな割合が、調査を伴う業務に縛られています。具体的には、不正対策業務、取引モニタリング、制裁チェック、オンボーディング時のコンプライアンス対応、紛争処理、そしてカスタマーサポートなどです。
不正行為は単に増えているだけではなく、人間のどんなチームよりも速いペースで加速しています。
詐欺師たちはAIを使っています。ディープフェイクはますます安く、そしてもっともっと本物らしくなっています。攻撃のサイクルは短くなっています。
それでも多くの組織の内部では、日々の現実は何も変わっていないように見えます。アラートキューは誤検知であふれ、明確な理由もなく顧客が締め出され、正当なビジネスが審査の宙ぶらりん状態に置かれています。
ほんの2年前までは、銀行やフィンテック企業にできる対処法といえば、人手をさらに大量に投入することしかありませんでした。
しかし今は2026年、業界は手作業がスケールしなくなったときにいつも行うこと、つまり自動化への移行を進めています。しかも今回は、エージェント型AI（Agentic AI）によって、それを実現するための手段が本当に整っているのです。
具体的には、証拠を収集し、文脈を解釈し、調査にそのまま使える結論を導き出し、場合によっては自律的に行動を起こすことさえできるAIシステムのことです。
それでも、これほどの期待があるにもかかわらず、金融犯罪分野におけるAIエージェントの初期導入の多くは失敗に終わっています。
モデルが弱いからではなく、その導入の仕方が間違っているからだ。
どういうことですか？
規制された環境では、ガードレールなしに自信満々のストーリーを生み出すエージェントは、リスクを減らすどころか、新たなリスクを生み出してしまいます。
そしてリスク管理チームは、意外かもしれませんが、リスクが好きではありません。
これらのチームはすぐに、自分たちの時間の多くをAIエージェントの検証や修正、そして手取り足取りのサポートに費やしてしまっていることに気づきます。
彼らは以前より効率的になっているわけではありません。より重要な業務に時間を使えているわけでもありません。フラストレーションが募り、プロジェクトは行き詰まってしまい、最悪の場合には完全に棚上げされてしまいます。
しかし、正しく導入できたらどうでしょうか？
Sardine独自のオンランププラットフォームでA/Bテストを行ったところ、AIエージェントに支えられたフローは、単に人手を減らすだけではないことが分かりました。収益化までの時間が49％も短縮されたのです。これは、単なる効率化によるコスト削減ではなく、事業成長に対する定量的なインパクトです。
なぜ金融犯罪対策チームはエージェント型AIで失敗してしまうのか
実際の不正検知やマネーロンダリング対策（AML）の業務フローにAIエージェントを構築・導入してきた結果、私たちは予測可能な3つの失敗パターンが何度も繰り返し現れるのを目にしてきました。
不正検知、マネーロンダリング対策（AML）、あるいはトランザクションモニタリングにAIエージェントの導入を検討しているのであれば、これらの失敗パターンを理解しているかどうかが、「強力な戦力増強ツール」を構築できるか、「大きなリスク」を抱え込むかの分かれ目になります。
AIエージェントの3つの失敗パターン
故障モード第1弾：幻覚を起こす調査員
チームが最もよく犯す間違いは、コンテキストや機能を詰め込みすぎたAIエージェントを導入してしまうことです。
その考え方は理解できます。「私たちは大量のデータを持っている。モデルに全部食わせよう。そうすればうまくやってくれるはずだ。」
実際には、これは幻覚を引き起こす最も早い近道です。
問題は、最新のモデルが能力不足であることではありません。問題は、金融犯罪の調査が本質的に対立的かつ証拠主導であり、大きくて自由度の高いプロンプトを与えると、モデルが前提や憶測で空白を埋めてしまう可能性が高まることです。
エージェントに「この顧客のプロフィール全体を確認して、不審かどうか判断してください」と依頼すると、その指示はあまりにも曖昧で、範囲が広く、解釈の余地が大きすぎるタスクを与えていることになります。
そしてモデルは、その特性を最もよく発揮する形で動作します。もっともらしい物語を生成するのです。
たとえその物語が間違っていても。
この問題をさらに深刻にしているのは、不正検知やマネーロンダリング対策（AML）におけるハルシネーションがしばしば微妙で分かりにくいことです。エージェントが事業カテゴリを誤って推定したり、2つの取引当事者の間に実際にはない関係をあるとみなしたり、その業界ではまったく正常な取引であるにもかかわらず、異常な取引だと主張したりする可能性があります。
だからこそ、金融犯罪分野におけるエージェント型AIは、一見ほとんど直感に反するような原則に基づいて構築されなければなりません。すなわち、「文脈を減らしたほうが、より信頼できる結論が得られる」ということです。
言い換えると、すべてを知っている「スーパーエージェント」を導入するのは避けるべきです。その代わりに、それぞれが一つのことを極めて高い精度でこなせる、専門特化したエージェントの集合を実装しましょう。
これは、Sardine が私たちの言う「アトミックエージェント」、つまり特定の調査プリミティブに特化して設計された AI エージェントの開発に注力している理由の一つです。例えば：
- 取引データを解釈できるデータアナリストエージェント that can interpret transactional data
- 外部調査を行い、調査結果を要約できるOSINTエージェントです
- あるKYBエージェントで、企業の実在性や所有関係を検証できます
- エンティティネットワークと共有識別子を解釈できるグラフアナリストエージェントです
根本的な設計思想は、エージェントは人間そのものを置き換えるのではなく、特定のスキルを置き換えるというものです。今日の不正調査には多様なスキルが求められるため、プロセスの各ステップごとに専任のAIエージェントが必要になります。
このアプローチにより、各エージェントがより小さな意思決定範囲の中で動作するため、幻覚（ハルシネーション）のリスクは大幅に低減されます。何が重要かを「推測」させるのではなく、特定の文脈において、特定のデータを取得し、解釈し、要約するように指示されます。
そうして、単に賢いだけでなく、信頼できるシステムを構築するのです。
失敗モード第2号：過度に疑い深いエージェント
2つ目の故障モードは、技術的というより運用上の問題です。AIエージェントが幻覚を起こさない場合でも、別の欠点に悩まされることがよくあります。それは、何かを悪意あるものだと早合点しすぎてしまうことです。
これはモデルが「偏執的」だからではありません。詐欺検知は本質的にパターン駆動型であり、モデルはシグナルを認識するように訓練されています。しかし金融犯罪の文脈では、文脈的な裏付けのないシグナル認識は、予測可能な結果――過剰なエスカレーション――を生み出してしまいます。
エージェントは高額な海外取引先への支払いを検知し、警告を出す。
エージェントは、複数の事業体が同じ住所を共有してつながっているのを確認し、それがペーパーカンパニーのネットワークだと判断します。
エージェントは資金の循環的な流れを確認し、レイヤリングの可能性を示唆します。
人間の審査者からすると、その出力は知的に聞こえます。適切な語彙を使い、経験豊富な調査官のように「聞こえ」ます。しかし、それはしばしば金融犯罪オペレーションにおける最も重要な現実、つまりほとんどのアラートが誤検知であるという点を見落としてしまいます。
ここで多くのAI導入が、業務負荷を減らすどころか増やしてしまい、新たなボトルネックを生み出してしまいます。というのも、いまやアナリストはアラートを確認するだけでなく、しばしば過度に疑い深いエージェントの推論内容まで精査しなければならないからです。
この失敗パターンは、トランザクションモニタリングにおいて最もはっきりと現れます。そこでは、フラグが立てられた行動の大部分が、実際にはまったく犯罪ではありません。
良い例としては、自己取引が挙げられます。
自己取引は、特に取引量の多い事業において、アラートを引き起こす最も一般的なパターンの一つです。一見すると不審な循環取引のように見えることがありますが、実際には関連口座、子会社、あるいは社内の関連組織間で資金が移動しているだけである場合が多くあります。
「不正の兆候」に関するシグナルで訓練されたAIエージェントには、これらは不審な異常に見えるかもしれません。しかし実際の調査担当者にとっては、通常の業務オペレーションにすぎません。
なぜこうなるのでしょうか？
私たちは、大量のデータセットでAIを訓練すれば、必要なことはすべて学習できると考えがちです。しかし実際には、本当のドメイン専門性とは、そのデータに対して私たちが持っている洞察のことです。そして、こうした洞察は本来、そのデータセットの外側にあるものです。
データセットやプロンプトをいじるだけでは、できることには限界があります。実際の現場のドメイン知識を取り込むには、正しい問いを立てるよう明確に訓練され、制約されたエージェントを設計する必要があります。
- この取引先区分は、このビジネスにとって妥当でしょうか？
- この取引は自己取引ですか、それとも第三者との取引ですか？
- それらの主体は、所有関係、共通の識別子、または業務上の構造によって結びついていますか？
- このパターンは業界における通常の取引フローと一貫していますか？
エージェントがこれらの枠組みに沿って考えることを求められると、「とりあえず不正と決めつける」ことをデフォルトの結論とする可能性は大幅に低くなります。
失敗パターン3：ブラックボックスエージェント
たとえあなたのAIエージェントが幻覚や過度な疑いを避けられたとしても、最も重要な点で失敗してしまう可能性があります。
それは、正当化できない結論を導き出すことがあります。
金融犯罪の分野では、正確さだけでは不十分です。ある事業者が不審だとエージェントが判断した場合でも、コンプライアンスチームは次の点に答えなければなりません。
- エージェントはどのような証拠を用いたのか？
- それはどのようなデータソースに依存していましたか？
- その判断は再現できますか？
- 監査人はこの考え方を受け入れるでしょうか。
- 規制当局はそれを認めるでしょうか。
多くのAIツールがうまく機能しなくなるのは、まさにこの部分です。
彼らは物語としての結果を出力しますが、証拠の連なりを示しません。外部情報をあいまいに引用し、出典も明確にしません。なぜその結論に至ったのかという根拠を記録せずに、推奨だけを提示します。
しかし、規制された環境においては、AIはブラックボックスであってはなりません。 証拠を示す仕組みである必要があります。優れたAIエージェントは、チャットボットというより、体系的に調査を行う捜査官のように振る舞うべきです。
- 定義されたクエリなどから、決定論的にデータを取得できる必要があります
- 一貫した形式で結果を要約できること
- なぜ取引相手が重要なのかを説明する必要があります
- 不確実性を隠すのではなく、むしろ強調すべきです
これは「ブラックボックスAI」が何を意味するのかという私たちの定義を変えるものです。もはや、私がそのモデルの判断や推論を理解できるかどうかという問題ではありません。
エージェントがアラートキューやケース管理、アナリストへのエスカレーションといった調査ワークフローの中で動作する場合、人間が承認し、正当化し、監査できるアウトプットを生成する必要があります。
だからこそ、最も重要なエージェントの能力のひとつは推論ではなく、ドキュメンテーションなのです。
最適なROIを実現するAIエージェントの導入方法
幻覚、過度な疑念、そしてブラックボックス的な出力が予測可能な失敗パターンなのであれば、解決策は段階的なチューニングではありません。構造そのものを変える必要があります。
これらの問題は、モデルに「もっと注意深くして」と頼んでも解決しません。調査業務の分解・実行・記録のしかた自体を再設計することで解決するのです。これこそが、私たちがSardine’s AI Agent Gardenを構築した背景にある土台となる考え方です。これは、1人の調査員を丸ごと置き換えるのではなく、個々の調査スキルごとに対応する小さなエージェントの集合体です。
私たちの目標は、あらゆることができる全知の「不正検知ブレイン」をひとつ作ることではありません。そうではなく、経験豊富な調査チームのように振る舞うシステムを構築することです。それぞれの専門家が自分の役割を果たし、明確な記録を残し、次のステップへと引き継いでいくような仕組みを目指しています。
いくつかの例を見てみましょう。
データアナリストエージェント：「何が起きたのか？」
ほとんどの調査は同じ問題から始まります。生のデータは、人間の速度では読み取れないのです。トランザクションモニタリングは、その最も分かりやすい例です。
何百件、何千件もの送金を前にして、問いかけるのは簡単なのに答えるのは骨が折れるような疑問に答えようとしています：主要なカウンターパーティは誰か？ リスクの分布はどうなっているのか？ 外向きフローと内向きフローの割合は？ 「奇妙な」行動はパターンなのか、それとも一度きりのものなのか？
Data Analyst Agent は、最初の分析を素早く行うために設計されています。直近の時間枠におけるセッションやトランザクションを含むアクティビティを構造化して可視化し、カウンターパーティをランキングし、高額かつ高リスクな項目を優先的に抽出し、さらにフローの向きやタイミングといったコンテキストも提示します。
私たちのトランザクションモニタリングの仕組みでは、まず決定論的なリトリーバル、つまりあらかじめ定義された期間内の、あらかじめ定義された取引の集合を取得することから始まります。これにより、エージェントが何を分析するかを即興で決めてしまうことがないようにしています。
ここで最も実用的な価値が発揮されます。エージェントがデータのクエリと分析を一つの簡潔な要約に圧縮し、人間がそれに目を通すだけで、次にどこを確認すべきかを即座に把握できるようになるのです。
OSINTエージェント：「文脈は何か？」
何が起きたかを把握できるようになると、次に立ちはだかるボトルネックは「解釈」です。多くのコンプライアンスチームに不足しているのはデータではなく、「文脈」です。相手方の名前だけでは、その取引に妥当性があるかどうかはほとんど分かりません。そしてトランザクション・モニタリングにおいては、その取引が「筋が通っているかどうか」がすべてなのです。
OSINTエージェントは、調査において最も単純だが最も時間のかかる作業――エンティティ名の文字列を、意味のある事業カテゴリと信頼性チェックへと変換する――ために作られています。これは実在する事業者なのか？ 何をしている会社なのか？ 顧客の事業内容ともっともらしく関連しているか？ ミスマッチやペーパーカンパニー的な振る舞い、あるいは完全な虚偽を示すシグナルはないか？
重要なのは、これはすべての取引相手に対して行うわけではないという点です。本当に重要な相手、つまり先に抽出された最高リスクかつ最高価値の取引相手に対してのみ行います。そうすることで、OSINT が終わりのない“ウサギの穴”（そしてトークンの浪費）になるのを防ぎ、再現性のある調査プロセスへと変えることができるのです。
良い例としては、人間の調査員がビジネスの関係性グラフを見ていて、ジュネーブの住所に紐づいた高リスクの事業体を発見する場面が挙げられます。書類上はその住所は「正当」そうに見えますが、実際にはバーチャルオフィスや私書箱、あるいは無関係な企業が何十社も利用している共有サービス拠点である可能性も同じくらい高いのです。
アナリストに複数の情報源をまたいで住所を手作業で調査させるのではなく、OSINTエージェントがグラフ内のアドレスノードから直接実行され、その場所が実際に何を示しているのかを構造化された要約として生成します。
この場合、エージェントは、その住所がジュネーブの高級エリアにある専用オフィスビルとして位置付けられるだけの十分なデータを見つけ出します。しかし同時に、その住所が私書箱の集約拠点として利用されており、潜在的に不正行為を隠す役割を果たしている可能性が高いことも浮き彫りにします。
最後の点は非常に重要です。金融犯罪の分野では、捜査官に必要なのは単により多くのデータではなく、どのデータが誤解を招くものなのかを見極めることです。
グラフアナリストエージェント：「本来つながっているはずのないものは、どれか？」
もしOSINTエージェントがそのアドレスが何であるかを教えてくれるなら、グラフアナリストエージェントはそれを誰が他に使っているのかを教えてくれます。
上の例では、OSINTエージェントがジュネーブの住所の背景を明らかにし、共有利用やデータの不整合が起きている可能性を指摘した時、次に出てくるべき論理的な問いは「この住所は格式高いのか？」ではありませんでした。そうではなく、こうでした：実際にどれだけ多くの企業がこの住所と結びついているのか？
そこでグラフアナリストエージェントの出番となります。
調査担当者に、関連するあらゆるエンティティを一つずつ手作業で調べさせるのではなく、エージェントがビジネスに対して完全な Connections Graph 検索を実行し、共有されている識別子を手がかりに、つながりのあるすべてのエンティティを洗い出します。
示されたケースでは、グラフによって共有住所を通じてつながった複数の事業体が即座に浮かび上がり、その中には多数の組織が集中して共有している住所も含まれていました。
ここで重要なのは可視化そのものではなく、その背後にあるパターンです。
スクリーンショットでは、中央にある住所ノードに多数の周辺ビジネスノードが紐づいている様子がわかります。こうしたクラスター状のまとまりは、文脈によってまったく異なる意味を持ち得ます。正当な複数テナント型の商業ビルである可能性もあれば、シェアオフィス事業者、あるいは無関係な事業者が多数利用するバーチャル住所である可能性もあります。
Graph Analyst Agent は直感に頼りません。ノードの数やリンクの数、最も頻繁に共有されている識別子、最も密集したクラスターがどこにあるかといったネットワーク構造を要約し、その構造を明示的なリスク評価に変換します。これにより、調査担当者はエージェントが何を結論づけたのかだけでなく、なぜその結論に至ったのかも素早く把握できます。
この相互作用は意図的なものです。Graph Agent は、共有アドレスや繰り返し現れるノード、クラスターといった構造的パターンを特定し、OSINT Agent はそれら高シグナルなノードに文脈を与える役割を果たします。両者を組み合わせることで、本来であれば何十回もの手作業による検索が必要なところを、ある企業がその広範なネットワークの中でどのような位置づけにあるのかを一望できる、統合されたビューへと変換できるのです。
それが、派手なUIと実用的な調査ツールとの違いです。
KYB担当者：「これらの事業は本当に関連しているのか？」
アラート疲れの大きな原因のひとつは、きわめて単純な制約にあります。多くのモニタリングシステムは、企業グループの構造を理解していないのです。
企業グループが子会社、社内ファイナンスのためのビークル、財務関連の組織、兼任取締役、あるいは本体に近いブランド名などを用いて事業を行っている場合、システムはそれらの取引を第三者リスクと同様に扱います。
当社のKYBエージェントは、調査担当者が常に、そして頭を悩ませながら問い続けている疑問に答えるために設計されています：「この2つの事業体は本当につながっているのか？」 この問いの答えを知ることで、調査プロセス全体が大きく変わり得ます。
例えば、アナリストがハンガリー企業とスペイン企業の間の国境を越えた取引を調査しているとします。KYBエージェントは、両者が同じ親会社の子会社であることを即座に明らかにします。それだけでなく、そのうち一社はグループの財務機能として運営されており、そのことがこの取引に対する極めて正当な説明となります。
連鎖型およびハイブリッド型AIエージェント
個々のエージェントだけで止まってしまうと、AIツールを寄せ集めただけの状態になってしまいます。便利ではありますが、変革的とは言えません。本当の力は、これらのエージェントをどのように組み合わせて、全体として一貫したワークフローとして運用するかにあります。
- データアナリストエージェントがショートリストを作成します。
- OSINTエージェントは、外部データを用いてリストを充実させます。
- グラフ分析エージェントがネットワークリスクを追加します。
- KYBエージェントは関係性を確認します。
- 最終的なアウトプットは、ケースファイルに貼り付けて利用できる説明文になります。
そのために、私たちはAIエージェントを二つの中核となる原則に基づいて展開できるよう設計しました。
1つ目は「チェイニング」です。これは、同じ案件調査の中で、複数のエージェントを順番に連携させて動かせるようにすることを指します。それが重要である理由は3つあります。
第一に、各ステップの範囲を絞り、検証しやすくしてくれます。何か問題が起きたときに、どこで失敗したのかを特定できるようになります。
第二に、システムは結論を出す前に証拠を集めるよう文字通り設計されているため、エージェントが早まって結論に飛びつくのを防ぎます。
三つ目に、その過程で副産物としてドキュメントが生成されますが、これは規制された現実世界で生き残る唯一の種類のAIアウトプットです。
第二の原則は、各AIエージェントが「コパイロット」と「完全自律」の2つの異なるモードで運用できるということです。
企業ごとに、どの業務であればAIに任せてもよいと感じるか、またどの業務には人間を介在させたいかという許容度は異なります。高い確度で「グリーン」と判定されたIDVチェックを処理するのと、複雑なトランザクションモニタリングの調査を行うのとでは、まったく別の話になり得ます。
そのため私たちは、AI Garden を複数のモードで利用できるようにしました。既存のケース管理システムに組み込むためのAPI、適切なタイミングで適切なエージェントが動作するようにするアラートキューのトリガー、そしてアドホックな調査のためのスタンドアロンのチャット機能などです。
しかし、表面的な違いにかかわらず、根本的な考え方は変わりません。エージェントは専門家のように振る舞うべきであり、システムは調査パイプラインのように機能すべきなのです。
金融犯罪におけるエージェント型AIの真の可能性
エージェント型AIは、単なる新しいツールのカテゴリーではありません。
それは新しいオペレーティングモデルの始まりです。
調査業務が人間のリサーチ速度に縛られず、証拠が自動的に収集される世界。誤検知がチーム全体の時間を奪うこともなく、審査キューの逼迫によって顧客が締め出されることもない世界です。
しかし、そのような未来が自動的に訪れるわけではありません。規制された意思決定の現実を深く理解しつつ、ガードレールやモジュール性を備えたエージェントを慎重に導入してこそ、初めて実現するのです。