最前線で働く：詳細を見逃さない金融デューデリジェンス向け AI を構築するヘビアの取り組み

Hebbia は、機関投資家の厳格な要件に耐えうるよう設計された AI プラットフォームです。トップ 50 の資産運用会社の 3 分の 1 以上、および一流の投資銀行や法律事務所が利用しています。

同社の創設プロダクトマネージャーであるディヴィヤ・メータ氏は、その大半の時間を大手投資銀行、プライベート・エクイティ、クレジット関連の主要顧客との打ち合わせに費やしています。

これらの顧客は、数千もの分厚い文書にわたる分析に基づいて意思決定を行います。数字一つ間違えれば、取引全体の成否が逆転してしまう世界です。

精度へのこだわり：Hebbia の姿勢

銀行員や投資家が機会を評価する際、意思決定に影響を与える可能性のあるあらゆるデータを精査する必要があります。そこには企業の公開開示書類、与信契約書、社内文書、CRM から得られる構造化データなどが含まれます。

Hebbia ではメタ・プロンプティング技術により、自然言語での問い合わせを処理可能なプロンプトに変換します。その後、Claude が数百に及ぶ文書に対して分析の各ステップを実行します。得られた回答はすべて Hebbia の「Matrix」内にある個別のセルに格納され、完全な透明性、追跡可能性、そして操作の自由度が保証されます。

こうした精度を大規模に維持し続けるのは、アディティヤ・ラマナサン率いる応用 AI 研究チームの役割です。同氏にとってこの取り組みの本質は「シグナルを見つけること」にあります。つまり、モデルが適切なデータを、正しい文脈で活用し、顧客が知りたい情報を的確に引き出す仕組みを作ることなのです。

「適切なデータに接続し、正しいエコシステムに組み込むことができれば」とラマナサンは言います。「そうして初めて、金融のプロフェッショナルが追い求めるようなアルファ（超過収益）を得られるのです。」

その目標を達成するためには、新しいモデルをすべてヘビア独自の金融特化型ベンチマークに通し、置き換える既存のモデルと直接比較する必要があります。また、モデルの進化に合わせてベンチマークで測定する項目も拡張し、常に最新の状態を保つ必要があります。このベンチマークは意図的に厳しい基準に設定されています。

「ハードルは極めて高く、顧客もその高い基準を厳しく課しています。それは当然のことです」とメータは語ります。「最終的には、投資判断という重大な決断を下す際に、ヘビアで構築された分析結果と成果物に依存しているのですから。」

ヘビアのチームは、新しいClaudeモデルをすべて金融特化型ベンチマークに通し、置き換える既存のモデルと直接比較しています。

過去最大の差でヘビアの評価基準を突破

応用AIチームの研究員であるジョー・レナーは、各新しいClaudeモデルをこのベンチマークにかけます。ここでは、金融知識労働者の主要なユースケースを再現した一連のテストが行われます。その一つが、財務文書に対する質問応答と引用文献の特定です。もう一つのテストでは、顧客が実際に実行するようなオープンエンドで多角的な分析タスクに対し、チャット製品で使用されているツールを備えたヘビアのエージェントシステムを実行します。

Claude Fable 5 は、レンナー氏がこれまで測定した中で最も大きな差をつけて両方の基準をクリアしました。質問応答と引用のテストでは、金融文書における精度が約 20% 相対的に向上し、新モデルの中で彼が見た中では最高水準でした。引用の一致率はほぼ横ばいでしたが、レンナー氏はこの向上は、モデルが見つけた証拠をより深く理解できるようになったためだと考えています。

「結局のところ、2 つの根本的な能力が問われます。一つは膨大なデータセットから適切な情報を見つけ出す力、もう一つはそれを正しく統合する力です」とディヴァヤ氏は語ります。「これらはモデルの基本機能のように思えますが、金融やリサーチのワークフローを考えると、その影響は計り知れません。」エージェント実行では、複数の部分からなる要求のすべてを同時に把握し、それぞれの回答に対して出典を明記して応答しました。

Claude Fable 5 はまた、より広い範囲で活躍を見せました。自由形式の分析においては、データの多様な断面から推論を行い、チームがさらに詳しく調べる価値があると感じる結論に至りました。レンナー氏はこれを、モデルが長いタスクをどう維持しているかに起因すると説明します。つまり、要求のすべての部分を視野に留め続け、必要な事実が返ってくるようサブエージェントやツールを自らプロンプトし、推測ではなく出典に基づいて各主張を裏付けるのです。

Claude Fable 5 で取引デューデリジェンスの新基準を確立する

顧客に競争優位性をもたらす情報は、通常、非構造化された独自文書の中に眠っています。

構造化された定量的データであれば金融業界でも既にモデル化が進んでいますが、それらよりも分析が難しいのが非構造化の質的データです。Hebbia は「Matrix」を構築してこうした質的作業を体系化し、モデル生成のたびに扱える範囲を広げています。

具体的には、数千文書に及ぶデータルームで、関連する情報を特定し、根拠を示しながら投資メモの各セクションを起草するようなケースが想定されます。あるいは、クレジット取引に関わるあらゆる文書（信用契約書、修正条項、サイドレターなど、それぞれ数百ページにわたる濃密な技術文書）を分析し、非構造化された大量データから完全なコベナントパッケージ、財務条件、運用制限などを抽出するケースも含まれます。

「これらは実は、Anthropic のモデルがこれまで非常に得意としてきた種類の文書です」とメータ氏は語ります。

以前の Sonnet や Opus モデルでは、Matrix はすでに信用契約書のコベナント（貸し手が自身のために設ける厳格な保護条項）の抽出と要約が可能でした。しかし Claude 3.5 Sonnet を用いることで、Hebbia は残りの業務にも着手しています。つまり、これらのコベナントをベースにした多段階分析です。生データの監視情報と比較し、リスクを特定し、最終的にはコベナントレビューの初稿や社内メモを作成するまでを一貫して行います。以前はクレジット専門企業が外部チームに高額な報酬を支払って手作業で作成させていた業務です。

Claude Fable 5 は、金融専門家向けに設計された Hebbia の AI プラットフォーム「Matrix」の能力をさらに拡張し、信用契約条項の要約など、より長時間かつ多段階にわたるタスクも処理可能になりました。

次のステップ

Claude Fable 5 のようなモデルがこうした作業を最初から最後まで完遂できるようになった今、比較の基準は「AI が代替した専門家の工数」へと移っています。

AI 登場以前、経営幹部へのプレゼン資料作成のために専務取締役が指示を出した場合、若手銀行員が会社を理解し、財務データを抽出してスライドを作成するまでには、2〜3 日かかっていました。Opus の登場前では、初稿の完成までのタイムラインは 12〜24 時間短縮されましたが、Hebbia で採用された初期の Opus モデルではさらに短縮され、エンドツーエンドで約 1 日で完了するようになりました。その後、Hebbia はこの一連の業務を「Matrix」に定式化しました。Matrix は決定的なエージェントステップを通じて複数のソースからデータを収集し、分析を実行し、数分で最終的な資料、財務モデル、内部調査レポートを作成します。これにより、銀行員はどの買い手企業を狙うか、どう位置づけるかに集中して時間を割くことができます。Claude Fable 5 はさらにこのプロセスを加速させると同氏は語っています。

いかに優れたモデルであっても、作業をステップに分解することは依然として重要です。なぜなら、各企業が分析に使用するドキュメントの選定や、各工程の構築方法についてコントロール権限を持ちたいと考えているからです。そのため Hebbia は、単一のモデル実行ではなく、Claude Agent SDK を採用して、これらの業務をより小さく、反復可能で検証済みのステップとして構成するアプローチを採用しています。

「取引のライフサイクルを圧縮することは、投資先獲得における競争力に大きな影響を与える」とメータ氏は語る。顧客との対話を通じてその実情を感じているという。

2〜3 年前は、幻覚現象や計算の正確性といった防御的な質問が主流だった。しかし現在、会話は完全に様変わりしている。「ワークフローの自動化をどう進めるか」「一連の手順をどのように連携させるか」「高品質で整合性の取れたスライド資料を 10 枚、15 枚、20 枚とワンクリックで生成するには？」といった前向きな問いが投げかけられている。

Claude Fable 5（https://www.anthropic.com/claude/fable）での利用を開始する。