OpenAIが語る、AIを中心に据えた財務構築から得た学び——可能性と統制が交わる場所
OpenAIは、ゼロデイクローズと、自動化され継続的に更新される予測という、異例に意欲的な2つの財務目標を掲げている。しかしCFOのSarah Friar氏によれば、いずれもまだ達成されていない。この率直な認識が、OpenAIが何を学んだのかという問いに有益な緊張感を与えている。同社が説明しているのは進行中の変革であり、完成済みの自律型財務部門を発表しているわけではない。
この違いは重要だ。OpenAIは自社モデル、ChatGPT Work、Codex、技術専門家、そして組織としての大きな注力を利用できる。それでも財務チームは、AIツールの導入自体は容易な部分だったと感じた。意思決定、データアクセス、承認、説明責任を再設計する方が難しかった。
この点で、OpenAIの主張は必ずしも華々しくない業界の実績と対照をなす。Gartnerによると、財務分野でのAI導入は2024年から2025年にかけてほとんど進展しなかった。BCGは、多くの財務チームが控えめ、あるいは測定不能なリターンしか報告していないとした。OpenAIの経験が示すのは、不足しているのは別の単独アシスタントではないということだ。重要な結果すべてについて人間が責任を負い続ける、再設計された運用モデルが必要なのである。
OpenAIの財務機能で何が変わったのか
OpenAIの財務プロジェクトは、タスクの自動化から、根拠と意思決定をつなぐ経路の再構築へと目標を移している。
Friar氏は、CFOとしてOpenAIに加わってから約2年後にあたる2026年8月10日、5つの教訓を発表した。同氏は、例外的な速度で成長する企業を支える小規模な財務組織を引き継いだと説明する。その環境でも、決算と予測は依然として反復的な手作業に依存していた。
OpenAIの2つの目標が、プロジェクト全体の枠組みを形作っている。ゼロデイクローズは、会社の財務状況について継続的に照合され、追跡可能な見通しを提供するものだ。継続的な予測は、事業環境、根拠、前提が変化するたびにその見通しを更新する。
同社はいまも両目標の実現に向けて構築を進めている。この留保は中心的な意味を持つ。なぜなら、ゼロデイクローズは本番で報告された成果ではなく、目標だからだ。OpenAIは、決算所要時間、予測精度、例外発生率、財務的リターンに関する独立した指標を公表していない。
それでも、同社の財務に関する教訓は、意味のある業務上の変化を明らかにしている。チームは、静的なスプレッドシートやプレゼンテーション資料から、承認済みの事業データ上に構築されたライブシステムへ移行している。これらのシステムは、分析、裏付けとなる根拠、シナリオ、追加の質問をつなぐ。
OpenAIはまた、承認済みの投資家向け広報資料に基づくカスタムGPT「IR-GPT」を作成した。このツールは、従来は広範な検索、草案作成、一貫性確認、レビュー調整を必要としていた投資家のデューデリジェンス質問に対する初期回答を準備する。
Friar氏によると、強力な初稿が数時間ではなく数秒で作成できるようになったという。投資家向け広報チームは引き続き回答を確認し、文脈を加え、投資家間での一貫性を確保する。モデルが準備を加速する一方、回答に対する責任は従業員が担い続ける。
財務ハッカソンは、このシステムに加え、調達や税務向けのカスタムGPTプロジェクトの創出にも寄与した。OpenAIは財務担当者とセールスエンジニアを組ませ、参加者に変えたい反復業務を持ち寄るよう求めた。この仕組みにより、実験は1日のうちにワークフロー設計へと転換された。
この変化は計画業務にも及ぶ。コーディング経験のない財務担当者が、Codexを使って広告予測ツールを構築したと報じられている。このツールは、平日と休日を考慮しながら、月次予測を週次・日次の計画へ変換する。
このツールは予測を比較し、数値を承認済みモデルと結び付けたまま維持する。マーケティング責任者は変更内容を確認し、追加支出を検討し、リターンが弱まり始める箇所を把握できる。この事例はあくまで同社による報告だが、プロジェクトの真の到達点を示している。
OpenAIは、不変のスプレッドシート業務の横にチャットボットを置こうとしているわけではない。同社が目指すのは、情報源を保持し、前提を可視化し、報告期間が終わる前に人々の行動を支援するライブの財務システムだ。
これが最初の大きな教訓である。AIネイティブな財務機能は、従業員がどれほど頻繁にモデルへプロンプトを入力するかで定義されるものではない。責任の所在を曖昧にせずに、運用サイクルが変化するかどうかで定義される。
継続的な予測は決算から始まる
最も重要な仕組みは、接続された根拠レイヤーだ。なぜなら、言語生成を高速化しても、断片化された財務記録を修復することはできないからである。
従来の月次決算では、複数の場所から情報を集める。実際の支出は総勘定元帳に記録されている一方、発注書は別の場所にあり得る。見越計上はスプレッドシートに残され、説明はメッセージやプレゼンテーションの注記に埋もれがちだ。
OpenAIは、承認済みの支出計画、総勘定元帳の実績、発注書、見越計上、取引詳細を、継続的に照合されるビューに接続しようとしている。照合とは、関連する財務記録を突き合わせ、調査が必要な差異を特定することを指す。
提案されているワークフローでは、AIが差異に関する初期説明を用意し、例外をフラグ付けする。財務部門が数値を検証し、判断を適用し、最終承認を完了する。決算そのものは残るが、月末後に出来事を再構成する慌ただしさは縮小し始める。
この違いは、よくある誤りを防ぐ。生成AIは差異について自信に満ちた説明を作成できるが、その自信は基礎となる記録が一致していることを証明しない。生成されたコメントが有用になる前に、システムには追跡可能なソースデータが必要だ。
継続的に更新される予測は、同じ基盤の上に構築される。OpenAIによると、そのワークフローは統計モデル、営業会話、アカウント単位の根拠、業務データ、財務上の判断を組み合わせる。インタラクティブなツールは、ベースライン、裏付けとなる根拠、代替シナリオを1つのビューに配置する。
たとえば、新規顧客のコミットメントが承認済みの予測に反映されていないとする。システムはその根拠を示し、調整が四半期または年度にどのような影響を及ぼすかを表示できる。財務部門は、ベースラインを変更するか決める前に、その前提を検討できる。
このプロセスは、モデルに公式計画を密かに改訂させることとは異なる。システムは推奨し、説明し、比較する。組織の承認済み見通しを変更すべきかどうかは、権限を持つ財務専門家が決定する。
このアプローチは、より広範な業界の証拠とも一致する。McKinseyの財務AI調査は、組織が計画、統制、運転資本、コスト管理にわたりAIを活用していることを明らかにした。また、統合の弱さがパイロットの拡大を妨げることが多いとも報告している。
McKinseyは102人のCFOを調査し、2025年には44％が5件を超えるユースケースで生成AIを使用していたとした。これは前回調査の7％から増加した。一方で、より広範な調査の回答者の約3分の2は、企業全体でのAI拡大にまだ着手していなかった。
この対比は、OpenAIの仕組みを支持する。企業は、それらをつなぐデータと意思決定の経路を再構築しないまま、ユースケースを積み重ねることができる。活動は広がっても、運用システムは断片化されたままだ。
OpenAIの財務モデルは、重要な意思決定から始め、そこから逆算する。チームは、必要なデータ、ツール、承認、引き継ぎをマッピングする。その後、AIが情報を分析し、業務を調整し、あるいは範囲が限定されたステップを完了できる場所を特定する。
この手法は、組織がコンテキストを管理する方法も変える。重要な根拠は、財務システム、業務ツール、契約、営業メモ、社内ディスカッションにまたがることが多い。適切に統制されたknowledge blendingワークフローは、それぞれの出所と関連性を保ちながら、これらの情報源を接続できる。
利点は、単にレポートが速くなることではない。リーダーは、何が変化し、なぜ変化し、どの行動が結果を変え得るのかについて、より最新の見通しを得られる。財務部門は説明資料を組み立てる時間を減らし、その前提を問い直す時間を増やせる。
しかしOpenAIは、新しいワークフローと従来のワークフローを比較するのに十分なデータを開示していない。公表された予測誤差の時系列や決算サイクルのベンチマークはない。この仕組みには説得力があるが、測定された効果は依然として明らかではない。
この隔たりが、示唆に富む運用モデルと、実証済みの業界標準を分けている。他のCFOは業務の順序を模倣できるが、OpenAIの結果が自動的に移転すると仮定することはできない。
財務専門家はビルダーへと変わる
OpenAIが最も明確に賭けているのは、ドメイン専門家が中央のエンジニアリング待ち行列を待つのではなく、自らのツールを形作るべきだという考え方だ。
Friar氏は、財務チームの全メンバーがChatGPT WorkとCodexを使い、カスタムダッシュボードやツールを構築していると語る。これは、すべての会計担当者がソフトウェアエンジニアになることを意味しない。財務の専門性が、システム設計プロセスのより深い部分まで届くようになることを意味する。
OpenAIは社内調査を引用し、財務専門家による専門的なAI活用の40％が、従来の財務業務の範囲外に関わるものだと示している。さらに22％はエンジニアリング関連のタスクに関わるという。これらの数値は利用パターンを示すものであり、人員代替や検証済みの生産性向上を示すものではない。
広告予測の事例は、このビルダーモデルがどのように機能するかを示している。その従業員は、月次計画の課題、承認済みモデル、そしてマーケティング責任者が下す必要のある意思決定を理解していた。Codexは、その知識をより細かな計画間隔を持つツールへと変換する助けとなった。
利点は、現場への近さにある。中央のソフトウェアチームは、技術的に洗練されたアプリケーションを構築できる一方で、重要な承認ルールや事業上の前提を見落とす可能性がある。財務専門家はすでに、どこで業務が曖昧になるか、どの例外が重要かを理解している。
しかし、その近さは新たなガバナンス要件も生む。有用なプロトタイプが、セキュリティ、文書化、テスト、保守の責任が明確になる前に業務運用へ入り込む可能性がある。スプレッドシートのマクロも同様の問題を生んだが、AIは非公式な開発の速度と規模を増幅し得る。
OpenAIは、ボトムアップの実験とトップダウンの戦略を組み合わせることでこれに対処している。従業員は反復的な問題を特定し、リーダーは事業価値の大きいワークフローへ資源を振り向ける。技術専門家は参加者がアイデアを構築し、テストするのを支援する。
これは、利用枠を購入して、活用が価値を生むことを期待するだけの方法よりも規律がある。従業員が関連する問題を発見する余地を必要とするため、アクセスは依然として必要だ。構造化されたイベント、承認済みデータ、明確な優先事項が、そのアクセスを運用プログラムへと変える。
このモデルは、財務とITの関係も変える。ITは引き続き、インフラ、ID、セキュリティ、統合に関する専門性を担う。財務は、会計ロジック、業務上のコンテキスト、統制要件、意思決定基準を提供する。
AIの経験を持つ280人超の財務幹部を調査したBCGも、同様の結論に達した。同社のAI ROI調査では、財務チームがIT部門やベンダーと連携した場合に、より強い成果が見られた。専任チームを十分に配置することも、報告された成功率を高めた。
BCGによると、調査対象CFOの40％は、既存ベンダーがすでにどのAI機能を提供しているのか把握していなかった。これは相反する2つのリスクを生む。企業は汎用的な機能を再構築してしまうかもしれないし、あるいは独自の意思決定コンテキストを表現できない汎用製品を受け入れてしまうかもしれない。
OpenAIのアプローチは、実践的な境界線を示している。一般的な統制やインフラには既存プラットフォームを活用しつつ、企業固有のデータや判断が大きな価値を生む領域ではワークフローをカスタマイズする。アルゴリズムによる予測は、しばしば後者に当たる。
このビルダーモデルは、従来型の財務ソフトウェア供給企業にも圧力をかける。SAP、BlackLineなどのエンタープライズベンダーはすでに、レポーティング、照合、支払い予測、決算管理にAIを組み込んでいる。彼らの強みは、確立された統合基盤と統制レイヤーにある。
OpenAIのモデルは、別の方向から彼らに挑戦する。財務担当者が承認済みの社内データを基にインターフェースを迅速に作成できるなら、価値はパッケージ化された画面から、信頼できるコンテキストと柔軟なワークフローへと移る。ベンダーは監査可能性を損なうことなく、カスタマイズを容易にしなければならない。
中央のテクノロジーチームもまた、圧力に直面する。その役割は、すべてのダッシュボード依頼を受け付けることから、安全な構成要素を整備することへ移行する。データアクセス、評価手法、再利用可能なコンポーネント、ログ、エスカレーション経路を定義する必要がある。
この変化によって、専門的な財務職がなくなるわけではない。財務上の判断とシステムの挙動を結び付けられる人材の価値は高まる。最も優れたビルダーは、数字がなぜ重要かだけでなく、それを支えるワークフローがどのように失敗し得るかも理解している。
そのため、必要な研修はプロンプトの指示にとどまらない。従業員は出力を検証し、データの欠落を認識し、前提を文書化し、モデルが行動すべきでない場面を判断する必要がある。こうした習慣なしに構築速度だけを高めれば、誤りをより速く生み出すことになり得る。
より高いスピードには、より強い統制が求められる
OpenAIの最も重要な逆転した考え方は、AIへのアクセスを広げるには、財務監督を減らすのではなく、より明示的な統制が必要だという点にある。
同社のIR-GPTの例は、この緊張関係を明確に示している。承認済みの資料に基づくシステムは迅速に回答を準備できるが、投資家向けの回答には法的、評判、整合性に関するリスクが伴う。そのためOpenAIは、人によるレビューを中心に据えている。
Friar氏によれば、CFOはAIシステムがアクセスできるデータと実行できる行動を定義すべきだ。また、承認要件、エスカレーション条件、承認済みの基準値に対する変更の責任者も明確にする必要がある。
すべての出力は信頼できる情報源に結び付けるべきだ。予測には説明を含め、承認済みの数値を変更する際には財務部門の承認を求める必要がある。これらの原則がなじみ深く聞こえるのは、既存の財務統制をAIが介在する業務へ拡張したものだからだ。
課題は実装にある。情報源へのリンクがあっても、生成された結論がその情報源を忠実に表している保証にはならない。レビュアーが承認を日常的なクリックとして扱うなら、人による承認ステップも十分な保護にはならない。
効果的な監督には、役割ベースのアクセス制御、活動ログ、バージョン履歴、評価テスト、準備と承認の明確な分離が必要だ。高リスクの行動には、より強い根拠と追加のレビューを求めるべきである。低リスクの下書き作成業務には、より軽い統制を適用できる。
OpenAIは、利用制限、モデルルーティングのルール、予算統制、承認しきい値にも言及している。モデルルーティングは、タスク要件、コスト制限、リスクに応じて異なるモデルを選択する仕組みだ。こうした統制により、CFOはAIを変動する営業費用として管理できる。
ただし同社は、統制テスト、エラー率、監査結果、インシデント履歴を開示していない。その提言は意図された設計を説明するものだ。すべての社内ツールが一貫してその基準を満たしていることを、独立して立証するものではない。
業界の証拠も、この慎重な見方を裏付けている。Gartnerの導入調査によると、2025年にAIを利用していた財務リーダーは59％だった。前年からの増加はわずか1ポイントにとどまった。
Gartnerは、成長の鈍化の一因として複雑性、データの問題、人材面の制約を挙げた。回答者の91％は、初期導入段階での影響を低い、または中程度と報告した。より成熟した利用者ほど、より強い成果を報告する可能性が大幅に高かった。
AIを利用する財務組織で最も一般的なユースケースはナレッジマネジメントで、49％を占めた。買掛金自動化が37％で続き、エラーおよび異常の検知は34％に達した。
これらの数字は、組織が明確に特定できる入力とレビューのポイントを持つ、範囲の限定されたワークフローを好むことを示唆している。完全自律型の予測や決算管理は、その影響がレポーティング、資本配分、コンプライアンス、経営判断にまたがるため、依然として難しい。
読者が「AI-native」を「AIが統制すること」と解釈するなら、その物語の説得力は弱まる。Friar氏の実際のモデルは、財務部門による責任の所在を維持している。AIは収集、下書き、比較、フラグ付けを行い、人が重要な出力を承認する。
この体制は、測定上の問題も生む。人によるレビュー時間が、見かけ上の自動化による効果を相殺する可能性がある。遅れて発見された誤りは、手戻りを増やし、意思決定を遅らせ、信頼を損なう。モデルが迅速に回答を生成しても、必ずしも総サイクルタイムを短縮するとは限らない。
したがって、統制はROIの計算に組み込むべきである。チームはレビュー工数、修正対応、統合、監視、継続的な評価を数える必要がある。そうしなければ、効率的なデモが高コストな本番ワークフローを隠してしまう可能性がある。
多くのプロセスが同じモデルプロバイダーやコンテキストレイヤーに依存する場合には、集中リスクもある。モデルの更新は、予測、調達、税務、投資家向け広報にまたがって挙動を変える可能性がある。財務チームは、変更後の出力を受け入れる前に回帰テストを行う必要がある。
同じ原則はデータ権限にも当てはまる。カスタムアシスタントは、回答の改善につながる可能性があるという理由だけで、機密記録を取得すべきではない。アクセスは従業員の役割、タスクの目的、組織の保持ポリシーを反映しなければならない。
OpenAIの主張は、自律性の主張ではなく統制設計として読むときに最も説得力を持つ。準備の高速化は、より短時間で多くの出力がレビュアーに届くため、トレーサビリティの必要性を高める。スピードは判断を要する場面の量を増やす。
AIのROIにはワークフローのスコアカードが必要だ
OpenAIは、CFOに対し、席数、プロンプト数、トークン消費量ではなく、完了した信頼できる業務を測定するよう求めている。
Friar氏は、各ワークフローについて4つの問いを提示している。AIは重要な業務を完了したか。従業員の時間、レビュー、手戻りを含めた後の結果のコストはいくらか。その結果は利用可能なものであり、スピードや意思決定を改善したか。
この枠組みは活動指標を退ける。利用者数の増加は導入を示すかもしれないが、決算業務が改善したかは示せない。トークン使用量は消費を明らかにできても、事業価値を立証するものではない。
財務チームには、各プロセスに結び付いた運用指標が必要だ。決算のスコアカードでは、サイクルタイム、自動照合、レビューが必要な例外、差異の説明に要する時間を追跡できる。予測のスコアカードでは、精度、更新頻度、シナリオ作成時間、意思決定の質を追跡できる。
これらの指標は、信頼できるベースラインを用いるべきだ。チームは、新しいワークフローと以前のプロセスを、類似した期間や条件で比較する必要がある。そうしなければ、季節的な変化や人員の違いがAIによる効果と誤認される可能性がある。
品質のしきい値も重要だ。数秒で届く初稿も、アナリストが作り直さなければならないなら、その価値は限定的である。重要なのは生の出力量ではなく、レビュー後に受け入れられた業務だ。
BCGによると、調査対象の経営幹部で財務AI施策のリターンを定量化できたのは45％にすぎなかった。リターンを測定していた企業のうち、3分の1は5％未満と報告した。報告されたリターンの中央値は10％で、多くが目標とした20％を下回った。
20％以上のリターンを報告した回答者は、およそ5人に1人にとどまった。BCGはまた、AIを単独のプロジェクトとして扱うのではなく、より広範な財務変革と結び付けた組織で、より強い成果が見られたとした。
ある例では、消費財企業の財務チームが、業務指標と財務指標を結び付けるドライバーツリーモデルを構築した。その構造に対する質問に答える生成AIインターフェースを導入したところ、BCGによれば、レポート作成時間は50％短縮された。
同じ基盤は後に、30％速く提供されるアルゴリズム予測も支えた。これらの数字は普遍的な結果ではなく、1件のコンサルティング事例を示したものだ。それでも、共有データとワークフローの再設計が累積的な価値を生み得る理由を示している。
最も安価なモデルが、実務上はより高価になることもある。性能の低いシステムでは、繰り返しの試行、より多くの確認、追加の修正が必要になる可能性がある。より高品質なモデルは、利用コストが高くても、総労働時間を十分に削減して相殺できる場合がある。
このため、モデルコストだけよりも、インテリジェンスの単位当たりの価値が有用である。分母にはモデル利用、実装、従業員の時間、レビュー、手戻りを含めるべきだ。分子には、受け入れられた業務または改善された意思決定を反映させる必要がある。
CFOは、生産性の余力と計上される財務リターンも区別すべきだ。アナリストの時間を節約しても、自動的に費用削減や収益創出にはつながらない。その効果を経済的なものにするには、組織がその余力を別の価値ある業務に振り向けなければならない。
予測精度にも同様の複雑さがある。より正確な予測が価値を生むのは、リーダーがそれを使って在庫、採用、マーケティング、インフラ、資本配分を変える場合に限られる。測定は予測と意思決定を結び付けなければならない。
同じ原則は、より速い決算サイクルにも当てはまる。より早い数値は、計画とリスク対応を改善し得る。しかし、後から修正が発生したり、レビュアーが数値への信頼を失ったりするなら、スピードの価値はほとんどない。
したがってOpenAIのスコアカードは、買い手とベンダーの双方に圧力をかける。買い手は導入前に許容可能な業務を定義しなければならない。ベンダーは、技術ベンチマークだけでなくワークフローの成果を反映する評価を支援する必要がある。
同社は、自社のスコアカード結果を公開していない。読者はこの枠組みを、達成済みのリターンの証拠ではなく、提案された規律として扱うべきだ。OpenAIの次のステップは、その主張を検証できるだけの運用データを公開することだ。
OpenAIのモデルが広がるかを示す3つのシグナル
次の試金石は、OpenAIが社内の運用哲学を、実際の財務統制の下で測定可能かつ再現可能な成果へ転換できるかどうかである。
最初のシグナルは、ゼロデイ決算と継続的予測に向けた進捗の公開だ。OpenAIは、サイクルタイム、照合カバレッジ、例外率、予測精度、改訂頻度を開示すべきである。複数の期間にわたる改善は、ワークフローの再設計が信頼できる価値を生むという同社の主張を強めるだろう。
指標がなければ、この話の説得力は弱まる。OpenAIは機密の財務詳細を開示する必要はないが、正規化された改善幅やプロセス指標は公開できる。それらがなければ、外部の人々は先進的なプロトタイプと安定した運用システムを区別できない。
2つ目のシグナルは、従業員が構築したツールにおいてもガバナンスが拡張可能であることの証拠だ。OpenAIは、財務チーム全体で幅広い構築活動が行われていると説明している。重要なのは、それらのシステムが一貫した権限設定、テスト、情報源のトレーサビリティ、バージョン管理、承認ポリシーを採用しているかどうかである。
独立監査の証拠は特に有用だろう。IR-GPT、予測ツール、その他の高影響ワークフローについて開示された評価フレームワークも同様である。重大なインシデントや統制されていないツールの増加は、このビルダーモデルに疑問を投げかけることになる。
3つ目のシグナルは、エンタープライズ財務ベンダーと大口顧客がどのように対応するかだ。SAP、BlackLineなどの既存サプライヤーはすでに、AI支援型の照合とレポーティングを提供している。今後のリリースは、設定可能でコンテキストに富むワークフローが標準的な製品要件になるかどうかを示すだろう。
DeloitteのCFO prioritiesも、この圧力を裏付けている。同社の調査は、年商が大きい企業の北米の財務責任者200人を対象に実施された。調査では、2026年に向けてテクノロジー変革が経営幹部の優先課題として存在感を増していることが示された。
OpenAIが示した5つの教訓は、広範な導入よりも厳密な試金石となる。従業員にアクセスを提供し、ワークフロー全体を再設計し、現場の専門家に構築を委ね、説明責任を維持し、信頼できる仕事を測定する。どの段階も、ほかの段階に依存している。
方向性のないアクセスは、散発的な実験を生む。信頼できるデータを伴わないワークフロー再設計は、もっともらしい不確実性を生み出す。ガバナンスなしに従業員が構築を進めれば運用リスクが生じ、有用な指標を伴わない統制は有望な取り組みを停滞させかねない。
したがって、openai whatのストーリーは、財務の専門家を財務上の意思決定から排除することではない。周辺の準備作業を自動化しながら、彼らの判断をリアルタイムのデータにより近づけることにある。
CFOにとって直ちに取るべき行動は、影響の大きいワークフローを1つ選び、その根拠、承認、ベースライン、成果指標を定義することだ。次に、統制を弱めることなくAIが総作業量を削減できるかを検証する。生成されるすべての回答に追跡可能性、レビュー可能性、経済的な測定可能性が求められるとしたら、財務チームはまず何を再構築するだろうか。
