データをチャンスに変える：Metric in Motion ― AIが所有権の透明性をいかに強化するか

組織は、リスク管理、デューデリジェンス、コンプライアンス、透明性の確保において、関係性データへの依存度を高めています。本ブログでは、GLEIFのデータ品質管理およびデータサイエンス責任者であるゾルニツァ・マノロヴァが、AIがどのようにして、信頼性の高い所有権情報の品質、完全性、およびアクセス性を大規模に向上させる新たな機会を提供するかについて解説します。

---

---

相互接続がますます進む世界経済において、組織がデータを信頼し、効果的に活用する能力は、イノベーション、成長、そして競争力の基盤となります。

高品質なデータエコシステムは、組織が新たな機会を特定し、それを捉えることを可能にする変化とイノベーションの原動力である一方、データ品質が低いと、非効率性を招き、規制リスクや評判リスクにさらされることになりかねません。

GLEIFのデータ品質に関する取り組みや、その各セクターへの応用について、業界全体の認識を高めるため、この新しいブログシリーズでは、報告書に含まれる主要な指標について探っていきます。

今月の焦点：AIが所有権の透明性をどのように強化できるか。

グローバルな企業構造が複雑化する中、透明性、説明責任、およびリスクの洞察のためには、信頼できる所有権および関係性データへのアクセスがますます重要になっています。親会社と子会社の関係を含むこのデータは、取引主体がどのように結びついているかを示すことで、組織がリスクを評価し、コンプライアンスを支援し、より情報に基づいた意思決定を行うのに役立ちます。

グローバルLEIシステムにおいて、レベル2データは、親会社と子会社の企業構造、支店と本社のつながり、ファンド間の関係を特定することで、この重要な背景情報を提供します。「誰が誰の親会社か」という問いに答えるものとよく表現されるレベル2データは、取引主体の背後にある構造を明らかにし、金融およびビジネスエコシステム全体における信頼を強化するのに役立ちます。

グローバルLEIシステムにおけるレベル2データの価値の理解

規制監視委員会（ROC）とGLEIFが実施した最近の調査は、レベル2データの価値を浮き彫りにしています。回答者の約70％がレベル2データを利用していると報告し、85％近くがそれを質の高いデータであると評価しています。 また、回答者はレベル2データが既に組織の意思決定に組み込まれていることを確認し、様々な業務上および戦略的なプロセスを支援するためにレベル2データを利用していると報告しました。特に、統合された親会社関係情報を重視する声が多く見られました。

これらの調査結果は、重要なトレンドを浮き彫りにしています。信頼性の高い所有権情報への需要が高まる中、高品質な関係データを大規模に維持することが極めて重要となっています。

AIが関係性データ抽出に新たな可能性を切り拓く

人工知能（AI）が組織のデータ管理および分析のあり方を変革する中、関係データの品質、完全性、信頼性をさらに高めるというこのニーズに応える新たな機会が生まれています。

例えば、有益な関係情報はすでに広く入手可能ですが、年次報告書やその他の企業開示資料の中に埋もれているため、アクセスが困難な場合が多くあります。 親会社や子会社の詳細は、脚注、表、財務諸表注記、あるいは記述部分に記載されている場合があります。こうした開示情報は断片的で、書式も統一されておらず、大規模な手作業による確認が困難なため、構造化されたデータセットに統合するのは難しいのが現状です。

AIを活用した情報抽出は、こうした隠れた情報を解き放つ実用的な手段となります。年次報告書やその他の複雑なPDF文書から所有権の詳細を特定、解釈、構造化することで、AIは非構造化情報を構造化された関係データへと変換するのに役立ちます。また、文書間の情報を比較することも可能です。 これにより、レベル2データの取得と検証が改善され、より優れたリスク分析と意思決定が支援されるとともに、グローバルLEIシステムの全体的な品質と透明性が向上します。

実際、GLEIFはすでにAIベースの抽出技術を活用し、年次報告書から関係データを取得して構造化された形式に変換しています。これにより、GLEIFは年次更新プロセスとは別に、グローバルLEIインデックス内の既存の関係情報を確認・検証したり、必要に応じて更新を行ったりすることが可能になります。その結果、関係データは長期にわたり、より最新かつ信頼性の高い状態を維持できます。

「Transparency Fabric」の進展 ― GLEIF、 Open Ownership、およびOpenSanctionsが共同で立ち上げたイニシアティブ）における進展として、2025年には大規模言語モデル（LLM）の活用も導入されました。これにより、非構造化文書から情報を抽出・分析し、複雑な所有構造をより正確にマッピングするとともに、LEIと実質的所有権および制裁データの連携を支援します。

仕組み

この自動化プロセスは、LLMを用いた多段階プロセスにより、年次報告書のPDFファイルから親会社の子会社をすべて特定します：

• まず、AIが報告書を精査し、提供された定義や例に基づいて子会社候補を特定します。その後、AIは自身の結果を検証し、潜在的な抜け漏れ、見落とされた子会社、または誤って含まれた可能性のある項目を特定します。
• この検証を経て、結果は必要な形式の最終リストへと精査されます。これには、誤検知の除去、見落とされた子会社の追加、関連するページ参照の確認、および管轄区域や国情報などの詳細の標準化が含まれます。
• 最後に、AIが生成したリストを手動で抽出されたリストと比較し、正確性、完全性、および全体的な品質を評価します。

これにより、AIが複雑なPDF文書からの子会社データの抽出をいかに加速できるかが示されます。同時に、結果の検証、品質の向上、そして最終的な関係データの信頼性を確保するためには、人間の監視を組み合わせることが依然として重要です。

信頼性の高いLEIデータを活用したAI自体の改善

AIはレベル2の関係性データの検索や確認に役立ちますが、信頼性の高いLEIデータは、逆にこのタスクにおけるAI手法の活用を強化することができます。

GLEIFは、既存のLEIデータと年次報告書を活用し、GEPA（Genetic Pareto Reflective Prompt Evolution）アプローチを用いてプロンプトを最適化しました。GEPAは、どのプロンプトが最も優れた性能を発揮するかを推測するのではなく、ラベル付きデータと人間のフィードバックを用いて、より強力なプロンプトのバリエーションを進化させ、既知の例に対してテストを行い、最も優れたパフォーマンスを示すトレードオフを採用します。

このアプローチにより、AI開発は単なる実験から測定可能な改善へと移行します。 例えば、GEPAによって強化されたプロンプトは、取得された関係情報の測定可能な精度を向上させました。さらに興味深いことに、最適化後は、より小型で安価なモデルが、より大型で高価なモデルよりも優れた性能を発揮しました。これは、高品質なデータと体系的な最適化が、より大きなモデルを使用することよりも重要である場合が多いことを示しています。端的に言えば、より良い入力はより良い出力を生み出すのです。

AIイノベーションと信頼できるデータ基盤の融合

AIを活用した関係性データ抽出から得られる最も価値ある成果は、断片的な開示情報を、信頼性が高く、構造化され、実用的な関係性インテリジェンスへと変換する能力です。これにより、組織は世界経済全体において、より情報に基づいた意思決定を行うことが可能になります。

しかし、こうした知見の信頼性と実用性を確保するためには、信頼できるフレームワーク、ガバナンス、および標準化された識別子が依然として不可欠です。AIのイノベーションとグローバルLEIシステムの信頼できる基盤を組み合わせることで、所有権および関係性データの品質、網羅性、実用性を大規模に強化する機会が生まれます。

---