コインチェックが進めるAIネイティブ化の構想と現在地
生成AIを社員へ配布し、会議資料、要約、調査、プログラミングに使ってもらう企業は増えた。しかし、ツールを配っただけで組織全体の生産性が大きく変わるとは限らない。
個人の作業が速くなっても、業務の前後にある情報探索、規定確認、データ入力、承認、レビュー、意思決定が従来のままなら、会社全体の処理速度は上がりにくいからである。
コインチェックが掲げるのは、AIを前提に全社のオペレーションを「ゼロ・フリクションに近づける」構想だ。同社のApplied AIグループの公式紹介では、Claude CodeやCursorの社内展開、BigQuery・dbtを使うデータ基盤、MCPによる社内システム接続、AI活用の教育とガバナンスを一体で扱うとしている。
これは、AIチャットを新たに足す仕事ではない。AIが働く前提で、データ、規定、業務プロセス、IT基盤、権限、教育、組織を組み直す仕事である。本稿ではこれを、会社のOSを書き換えることとして整理する。
「ゼロフリクション」は、統制をなくすことではない
社内には、小さな摩擦が無数にある。
- 必要な規定や最新の手順が見つからない
- どの申請を使い、誰が承認するのか分からない
- 同じデータを複数のシステムへ転記する
- 担当部署の確認待ちで作業が止まる
- 資料作成のために複数のサービスを行き来する
ゼロフリクションとは、こうした探索、転記、待ち時間を減らし、人が判断や創造的な仕事へ集中できる状態である。
ただし、暗号資産交換業のように高いセキュリティと統制が必要な業務では、承認やルールそのものをなくすことはできない。目標は、統制を外すことではなく、統制を保ったまま処理を滑らかにすることだ。
たとえば社員が「この手続きを進めたい」と依頼した時、AIは承認済みの規定を検索し、必要な申請、入力項目、確認事項を提示できる。低リスクの下書きや転記は支援できるが、権限変更、対外送信、金融・法務上の重要判断は人が確認する。このように、探索と定型処理を減らし、判断の責任を残す。
課題を知る人と実装する人を、同じ責務に置く
従来は、業務部門が課題を整理して要件を作り、IT部門へ依頼し、IT部門が実装する。この分業は必要だが、AIネイティブ化では認識合わせと優先順位調整が遅延要因になりやすい。
コインチェックのコーポレートインテリジェンス部は、Applied AIグループを含み、AI基盤・データ・業務ツール・ガバナンス・社内浸透を横断して扱う。AI Agent Day 2026のセッション概要も、同社がAIネイティブ化の構成、教育、組織展開をテーマにしていることを示す。
ここから得られる設計原則は明確である。
課題の発見 ── 業務知識 ── AI・データ・システム実装 ── 効果検証
↑ ↓
└────────── 現場の利用と改善 ──────────┘
業務の摩擦を知る人、実装できる人、データと統制を管理する人が別々の組織に分かれたままでは、このループが遅くなる。全員を一つの部署に集める必要はないが、同じKPIと意思決定の場で動ける体制は必要である。
AIへの投資は、ツール代ではなく「業務処理能力」への投資になる
AIエージェントが調査、資料作成、コード生成、データ集計、規定確認、申請補助を担い始めると、費用を単なるSaaSライセンスとしてだけ扱うと判断を誤る。
投資判断では、次を一緒に見る。
| 観点 | 確認すること |
|---|---|
| 任せる業務 | どの処理を、どの条件でAIが担うか |
| 期待価値 | 時間削減だけでなく、品質、意思決定速度、顧客価値、リスク低減をどう測るか |
| 運用コスト | モデル利用料、データ整備、接続、監査、レビュー、教育、保守にいくらかかるか |
| 資産性 | スキル、規定、データ定義、テスト、ログが再利用可能な形で残るか |
| 代替可能性 | 特定モデルや製品を替えても、知識と業務設計を移せるか |
AIに人の仕事の一部を担わせるなら、人材配置や外部委託と同じように、期待する成果、責任範囲、品質、監督コストまで含めて管理する必要がある。
投資すべきは、モデルではなく自社固有の三つの資産
モデルやAI製品の優位性は短期間で変わる。一方、次の三つは、製品を乗り換えても残る。
1. ルール
業務知識、社内規定、判断基準、申請手順、例外、禁止事項を、AIと人が同じように参照できる形へ構造化する。重要なのは、最新版と正本を明確にし、矛盾した資料を同列に置かないことだ。
2. データ
予算、コスト、KPI、業務実績、人員、顧客、契約など、AIが答えや処理に必要とするデータを、意味、更新頻度、所有者、品質、アクセス権とともに管理する。データがあっても、正本と鮮度が分からなければAIは安全に使えない。
3. ガバナンス
AIが何を読めるか、どの操作をできるか、どこで人が承認するか、誰が変更履歴を確認するかを定義する。便利な接続ほど、最小権限、操作上限、監査ログ、停止・復旧が重要になる。
この三つを整えることは、特定のAI製品に閉じない「AI Readyな業務基盤」を作ることである。
AIの実務能力は、モデルより接続先で決まる
AIが文章を作れても、社内規定、データ、申請システム、勤怠、採用、ドキュメント、チケット管理へ安全に接続できなければ、業務を完了できない。
コインチェックがMCPを使った社内システムとの接続を進めるのは、このためである。MCPはAIエージェントが外部のツールやデータを利用するための接続レイヤーであり、Claude Codeの公式ヘルプもGitHub、Slack、データベースなど外部ツールとの接続手段として説明している。Claude CodeのFAQ
ただし、MCPをつなげば安全になるわけではない。接続先ごとに、次を決める必要がある。
- AIと利用者が参照できる情報の範囲
- 読み取り、下書き、更新、外部送信を分けた権限
- 秘密情報、個人情報、顧客情報の扱い
- 操作回数、金額、対象範囲などの実行上限
- 参照データ、ツール呼び出し、承認、実行結果の記録
- 異常時の停止、取消、復旧の手順
AIエージェントの実務能力は、モデルの賢さだけでなく、信頼できるデータと安全な権限でどこまで業務へ接続できるかで決まる。
業務手順を「スキル」として共有資産にする
繰り返し発生する業務は、AI用のスキルとして定義できる。スキルは、長いプロンプトではなく、AIが仕事を進めるための再利用可能な業務仕様である。
例: 月次報告書作成スキル
目的: 経営会議向けの月次報告書を作る
入力: 対象期間、事業部、KPI定義
参照: 正本データ、前月報告書、承認済みの表現ルール
処理: データ取得 → 差分確認 → 下書き作成 → 未確認事項の抽出
出力: 報告書案、根拠、要確認事項、変更履歴
人間の判断: 数値の最終確認、重要な解釈、対外・経営向け表現の承認
スキル化の目的は、AIに任せることだけではない。担当者の暗黙知を、手順、判断基準、例外、責任者として残し、チームで改善できるようにすることだ。
個人が高度なプロンプトを持っているだけでは、その人の異動や退職で知識が失われる。スキルとして管理すれば、所有者、版、テスト、変更履歴、利用ログを持たせ、組織の業務資産として育てられる。
規定と業務ナレッジは、人間だけでなくAIも読める形にする
規定、手順書、FAQを人間向けの文書としてだけ管理すると、AIに正確な判断材料を渡しにくい。情報が複数箇所に重複し、最新版が分からず、変更理由が追えなければ、人間もAIも迷う。
そのため、規定やルールには次の性質が必要になる。
- 見出し、対象、適用条件、例外、禁止事項が明確である
- 正本、版、更新日、責任者、承認状態が分かる
- 変更理由とレビュー履歴を追える
- テキストとして検索・参照できる
- 利用者の権限に応じてアクセスを制御できる
GitとMarkdownによる管理は一つの実装方法である。重要なのはツール名ではなく、規定を「更新・レビュー・履歴・検索・権限」を持つ運用対象として扱うことだ。これはAIの精度を上げるだけでなく、監査可能性と人間側の業務品質も高める。
一つの利用環境を深く整え、知識は製品に閉じ込めない
複数のAIを自由に使える状態は、一見便利に見える。しかし、各製品ごとにセキュリティ確認、権限設定、データ接続、教育、サポート、スキル管理が必要になる。選択肢だけを増やすと、どの環境も業務で使える水準まで整わないことがある。
一定期間、中心となるエージェント環境を決め、接続、ガードレール、教育、利用支援へ集中的に投資する方法には合理性がある。その一方で、ルール、データ定義、スキル、テスト、評価ケースは、Markdownや構造化データなど移植しやすい形式で残す。
利用環境: 深く整える
知識・ルール・業務仕様: 特定製品に閉じ込めない
この分離ができれば、将来モデルや製品を替えても、会社固有の知識と業務設計を再利用できる。
教育は、研修ではなく「隣に聞ける人」で定着する
非エンジニアにAIエージェントを配っても、最初から使いこなせるわけではない。何を頼めばよいか、失敗時にどうするか、自分の仕事へどう当てはめるかが分からず、利用が止まる。
有効なのは、全社研修と部門内支援を組み合わせることだ。
- 全社には、利用可能な範囲、禁止事項、基本的な成功例を示す
- 各部門には、日常的に相談できるエバンジェリストやアンバサダーを置く
- 業務に近い小さな成功例を共有する
- 雑な依頼でも試せる安全な環境を用意する
- 成功・失敗・不足ナレッジを、スキルとガイドへ戻す
最初から複雑なプロンプト技法を教えるよりも、「自分の仕事が一つ楽になった」という体験を作る方が定着につながる。教育の目的は操作方法の暗記ではなく、社員がAIと業務を組み替える能力を身に付けることだ。
AI利用率ではなく、何が会社の資産として残ったかを測る
利用者数、利用回数、ライセンス消化率、削減時間は必要な指標である。しかし、それだけでは一過性の利用と、会社の能力向上を区別できない。
| 使われたかを見る指標 | 会社に残ったかを見る指標 |
|---|---|
| アクティブユーザー、会話数、利用時間、モデル利用量 | 承認済みスキル数、再利用数、更新済み規定、正本化したデータ、評価ケース、改善されたワークフロー |
AIの費用対効果は、次のように考えるとよい。
短期の削減時間・品質向上・リスク低減
＋
再利用可能な知識・データ・スキル・運用基盤の蓄積
÷
モデル利用料・接続・保守・監査・教育の総コスト
一度だけ時間を短縮しただけでは、組織能力は増えない。手順、判断基準、接続、評価が次回も使える資産として残るかを見る必要がある。
Human-in-the-Loopを外さない
AIエージェントに業務を任せる範囲を増やしても、すべてを自動化するべきではない。特に金融、法務、コンプライアンス、人事、経営判断では、AIの出力をそのまま採用することは危険である。
| 段階 | AIに任せること | 人が担うこと |
|---|---|---|
| 支援 | 検索、要約、下書き、情報整理 | 内容の採否、最終表現 |
| 提案 | 根拠付きの案、手続き候補、確認項目 | 適用条件、例外、リスクの確認 |
| 限定実行 | 低リスクの定型処理 | 条件設定、サンプリング監査、例外対応 |
| 高リスク | 必要情報の収集と論点整理 | 最終判断、承認、対外説明、責任 |
人間を最後の承認ボタンにするだけでは足りない。何を根拠に、どの条件を確認し、何が不足していれば止めるのかを、画面・ワークフロー・監査ログへ埋め込む必要がある。
まとめ：AIネイティブ化は、会社のOSを更新すること
AIネイティブ化とは、社員全員がAIチャットを使うことではない。AIがアクセスするデータを整え、規定を構造化し、業務手順をスキル化し、システムとの接続を用意し、適切な権限・監査・教育を実装することである。
そこで初めて、AIは個人の便利な道具から、会社を動かす業務基盤へ変わる。
コインチェックの取り組みが示すのは、AIを導入することではなく、AIと人間が一緒に働く前提で、会社のOSそのものを作り直すという発想である。IT技術者に求められるのは、モデルを選びAPIをつなぐことだけではない。人、AI、データ、ルール、権限、監査を組み合わせ、組織の摩擦を安全に減らす業務アーキテクチャを設計することだ。
作成日: 2026年7月24日