金融のリサーチは、AIで速くなりました。
速くなったぶん、上司に聞かれたときに困るようになりました。
ベータ登録・答えてほしい問いを送る いま何に答えられるか（在庫を見る）
実際に、汎用AIに「ネット銀行大手3行の収益力を比較して」と頼んだ表を検証した結果です。
| 事故 | 何が起きたか | 実際は |
|---|---|---|
| 別法人の混入 | 住信SBIネット銀行の列に427億円 | SBI新生銀行の数字。名前が似た別法人 |
| 定義の取り違え | 経費率29.6%「最も効率的」 | OHR＝経費÷業務粗利益＝87.6%で最下位 |
| 期ズレ | 純利益147億円で「安定」 | それは前期。最新期は46億円 |
| 出所の欠落 | 根拠は「各社IR資料」の一言 | 頁も期も無い。検証は自分で全部やり直し |
4つとも、金融の定義を知らなければ検知できません。そして4つとも、出てきた表は綺麗でした。
AIが賢くないからではありません。AIの手元に、一次資料が無いからです。
決算説明資料のPDF、有価証券報告書の注記、地域金融機関の開示——Web検索では十分に拾えません。 手元に無い資料は、どれだけ賢いモデルでも読めません。 だから私たちは、モデルではなく、資料のほうを用意しました。 金融の公開一次資料10万件・200万頁超を集め、 そこから出所（資料名・頁・領域）まで特定した事実を機械検証つきで蓄積しています。 現在の在庫はカバレッジページでいつでも確認できます（毎日自動更新・手書きの数字なし）。
| 汎用AIだけ | このサービス | |
|---|---|---|
| 出所 | 「各社IR資料」 | 資料名・頁・該当領域つき |
| 定義 | 明示されない | OHR＝経費÷業務粗利益と明記。全行同一定義 |
| 範囲・期 | 混在に気づけない | 連結/単体・決算期を明記。ズレていれば警告 |
| あなたの作業 | 全数字の裏どり（半日） | 出所リンクの確認だけ（数分） |
数字を返すだけでなく、使うときの落とし穴を先に警告します。
⚠️ この比較には別法人が含まれています（住信SBIネット銀行／SBI新生銀行）
⚠️ この値は計画値です。実績表と並べないでください
⚠️ この2社は単体と連結が混在しています。揃えてから比較してください
汎用AIは、必ず何かを答えます。知らないときも答えます。しかも正しいときと同じ顔で。 あなたが役員説明で数字を守り切れなくなるのは、AIが黙ったときではなく、自信満々に間違えたときです。
このサービスの回答は、常に3つのどれかです。
| 意味 | あなたがすること | |
|---|---|---|
| A | 在庫にあり、検査すべてに合格 | そのまま使えます |
| B | 在庫にあるが、要確認の警告つき | 何がどう危ういか書いてあります。読んでから |
| C | 在庫にありません | 他をあたってください。ここで粘っても嘘しか出ません |
Cのとき、推測で埋めません。これは方針ではなく構造です——回答文の生成にAIを使っておらず、 出力に載るのは検証済みカードだけなので、出所を持たない事実が出力に現れる経路がそもそも存在しません。 そしてCのときは、代わりに何なら答えられるか（収録機関・資料種別・期間）を同じ画面でお見せします。
このサービスはグラフを読み取って数値を答えることをしません。技術的にできないからではなく、 それが推測だからです。棒と数値の対応を一度でも取り違えると、数字も出典も頁も正しいのに意味だけが違う—— あとから誰も気づけない誤りになります。だから「その図はこの資料のこの頁のこの領域にあります」と 場所を返します。あなたが見た図が、根拠です。
機密情報の入力は不要です。届くのは公開情報を検証したファイルです。 社内の数字をAIに入れずに、調べものだけを済ませられます。
金融ビジネスのリサーチに、17年携わってきました。
駆け出しの頃はOCRもない時代で、紙のデータ集を手で叩いてExcelに転記していました。 国立国会図書館で、古くて分厚い総務省の統計データ集を借りて、入力する。 脚色なく、200時間はデータ入力をしていたと思います。
AIが登場して、検索とストーリー作りはずいぶん楽になりました。 人間がリサーチの本質——仮説を作ること——に集中できるようになった。それは本当です。
でも、AI時代のリサーチはそれはそれで苦しい。 人間の頭では処理しきれない量の情報をAIが出してくるので、取捨選別が難しい。 情報量に思考を掻き乱されて、何が言いたいのか結論づけられないまま時間が過ぎる。 そして、AIが出してきた情報が正しいのかを確かめる仕事は、結局残っている。 AIが作ったデータ集と一次情報を突き合わせて正確性を担保するのに、馬鹿にならない工数が取られる。
この作業は、なぜか決まって締切間近の夜中にやることになります。 疲労が溜まり、人間が集中すべき仕事——考えること——の品質が薄れる。 ここは、紙を叩いていた頃から何も変わっていません。
賢いモデルでも、間違います。そして「AIがこう言っているから」で通るほど、 社会はまだAIを信用していません。数字を守る責任は、いまも人間にあります。
だから、突き合わせの仕事のほうを機械にやらせることにしました。 一次資料を先に集め、事実の一つひとつに出所を付け、間違いの型を検査として実装する。 私が夜中にやっていた確認作業を、構造で置き換えたものが、このサービスです。
① 間違いの型は、運営の中でしか集まらない。
検査の9類型は、机上で設計したものではありません。このサービスを作り、運用する中で
実際に踏んだ失敗——分母で結論が逆転した経費率、数字は正しいのに期だけ違った表、
名簿を数え間違えた要約AI——を、ひとつずつ検査に変えたものです。事故の記録はいまも毎週増えており、
そのたびに検査が増えます。同じものを後から作るには、同じ失敗を全部踏み直す必要があります。
② あなたの問いが、在庫の形を決める。
答えられなかった問いはすべて記録され、翌日の在庫化の優先順位になります。
「勘定系システムの更改事例」に答えられるようになったのは、その問いを投げた利用者がいたからです。
使う人が増えるほど、次に答えられる問いが増える——この蓄積は、モデルと違って買ってこられません。
| 使い方 | 料金 | 内容 |
|---|---|---|
| webで検索・閲覧 | 無料（準備中） | 1日10問まで／カバレッジ閲覧はいつでも |
| 自分のAIから使う | 月3,000円（ベータ受付中） | MCP/API接続・リサーチパックのダウンロード（公正利用の上限あり） |
| 法人 | 月30,000円 | 5席／請求書払い・利用ログ・席の管理 |
エンジンは「調べる道具」です。その先には、調べ方を決め、結論を出し、資料にする仕事があります。 そこは人がやります——ただしエンジンと同じ規律（すべての数字に出所、在庫に無いことは無いと言う）で。
貴社のリサーチ計画と結果をレビューし、修正案を提示します。 当社は調べません。見る側に回ります。「この比較、分母は揃っていますか」「この期、混ざっていませんか」を、 外から言う人がいる状態を作ります。納期3営業日。
いただいたテーマでリサーチ計画を立て、結果を納品します。月2テーマまで。 納期は内容により個別に調整します。
ライトと同じ内容で、月6テーマまで。
プロンプトの書き方は教えません。間違い方の実物を教えます。
教材は、このエンジンを作る過程で実際に踏んだ失敗です——分母ひとつで最効率にも最下位にもなる経費率、 数字も出典も正しいのに期だけ違う表、61行の名簿を「64行」と数えた要約AI、 長音1文字の見落としで名簿から消えた銀行。すべて実測で、作り話はありません。
午後は、受講者ご自身が直近にAIで作った資料を持参いただき、それを検証します。 他人の失敗例より、自分の資料に赤が入るほうが身につきます。 最後に、自社版のチェックリスト（A4×1枚）を各自が作って持ち帰ります。
登録時に「答えてほしい問い」を3つお聞きします。在庫化の優先順位に使い、 答えられるようになった時点でお知らせします。メールアドレスはこの連絡と重要なお知らせにのみ使い、 広告への利用・第三者への提供はしません。