メインコンテンツに移動する
デロイトへようこそ

もし想定していない内容が表示されている場合は、上記で変更してください。

経営管理業務向け「経営管理AIエージェント」を開発し社内活用を開始

データ構造・KPI定義・分析ノウハウを「Skills」として体系化し、エージェントループによる自律的な経営管理分析を実現

デロイト トーマツは、経営管理業務に特化したAIエージェント「経営管理エージェント」を開発し、社内での活用を開始しました。財務・案件・稼働に関する社内データを横断的に読み解き、経営管理上の問いに対して数分で根拠付きの示唆を提示します。データの構造や活用用途、KPIの定義、要因分析の進め方といった業務知識をAgent Skillsとして体系化し、AIエージェントが分析ロジックを都度設計・実行するエージェントループと組み合わせた点に特長があります。

Key Points

  • 経営管理データの構造・目的・活用用途・KPI定義・分析観点を、Markdown形式のSkillsとして体系化
  • 計算ロジックを作り込まず、AIエージェントが問いに応じて集計方法を都度設計・実行するエージェントループを実装
  • BIの専門知識がなくてもチャットから分析でき、手動で10〜20分を要した分析を1〜2分程度に短縮
  • PL・稼働・案件・経費・受注進捗など15種類の経営管理データを投入し、社内での活用を開始
  • より高度なレポート分析に向け、Ontology(オントロジー)の導入検証を推進

開発の背景

経営管理業務では、月次の実績集計、予実差異の要因分析、着地見込みの試算、経営層向け報告資料の作成といった一連の作業が、毎月繰り返し発生します。データそのものはBIツールや基幹システムに蓄積されている一方で、複数のデータを突き合わせ、差異の所在を特定し、報告の形に整えるまでの工程は依然として人手に依存していました。

その結果、初期分析にたどり着くまでのリードタイムが長く、意思決定が後ろ倒しになる、あるいは経験と勘に頼った判断に流れやすいという課題がありました。また、定型レポートは前提条件の変更や指摘対応が発生するたびに手戻りが生じ、更新工数が大きくなりがちです。

経営管理業務を、人手中心のデータ収集・分析・資料作成から、AIエージェントによる自動集約・分析・提案へ転換。分析の高速化、判断精度向上、業務標準化を実現する。

図1:Agentic AIの活用による経営管理業務の変化(Before/After)

汎用の生成AIをそのまま用いても、この課題は解消しません。社内固有の指標が何を指すのか、どのファイルのどの列を見るべきか、どの粒度で比較すべきかをAIは把握できないためです。デロイト トーマツは、この「社内固有の前提知識をどう与えるか」を出発点として、業務知識そのものを構造化して蓄積するアプローチを採りました。

経営管理の業務知識を「Skills」として体系化

本エージェントの中核は、経営管理業務の知識をAgent Skills(Markdown形式の知識定義)として整備した点にあります。Skillsには大きく「前提情報」と「考え方」の2層を格納しています。

「前提情報」には、投入データの構造と意味を記述します。BIツールからエクスポートしたファイルがどの形式で、どの列が何を表し、どの粒度・どの期間・どの断面のデータなのかに加え、そのデータをどの目的でどの問いに使うべきかという活用用途まで含めて定義しています。あわせて、組織階層と、社内固有の目的・意味と算出式を明文化しました。

「考え方」には、分析の進め方を記述します。要因分析では何を比較基準とし、どの規模の差異を対象とし、どこで発生しているかをどう特定し、どのドライバーに分解するか。また、経営層向けには全社・法人・PMLといった粗い粒度から入り、必要に応じて細部へ降りるといった、担当者が経験的に行っている判断の順序を手順として整理しています。

経営管理AIエージェントが指標定義や分析ルールを活用し、社内データを自動集計・検証。根拠を追跡可能な形で示唆を抽出し、迅速で信頼性の高い意思決定を支援する。

図2:経営管理エージェントの実装方法

Skillsはテキスト形式で記述されるため、システム改修を伴わずに業務部門側で追記・修正できます。新しいデータファイルが増えた場合や、指標の定義が変わった場合も、該当するSkillsを更新するだけで反映され、判定精度を継続的に高めていくことができます。Skillsの整備にはClaude Coworkを、エージェントとしての実装にはClaude Code等を用いています。

エージェントループによる実装

本エージェントは、あらかじめ計算ロジックを作り込む方式を採っていません。利用者からの問いに対して、AIエージェントがSkillsを参照しながら、どのデータを使い、どう集計するかをその場で設計し、実際にコードを生成・実行して数値を算出します。結果を検証し、必要であれば集計方法を修正して再度実行する。この観測・計画・実行・検証のループを自律的に回すことで、事前に想定していなかった問いにも対応できます。

経営企画AIエージェントが社内データを自動検索・集計・検算し、根拠を示しながら収益や案件状況を分析。迅速かつ透明性の高い経営判断を支援する。

図3:エージェントループによる実行画面

数値は推測せず、必ずツールによる算出結果として提示します。回答には参照した列や出典を確認できる導線を設けており、利用者が根拠をたどったうえで判断できるようにしています。認証などの共通機能、売上・稼働等のファイル登録、Skillsの更新といった機能を備え、利用者が独自に試したいExcelファイルを追加して分析することも可能です。なお現状はExcelファイルを前提としたデータ保持であり、今後はRDB化とMCP/API連携による外部データ取得へ段階的に拡張していきます。

社内での活用開始

売上や収益性、人員稼働状況などの経営管理データを統合し、各組織の業績管理や意思決定を担う責任者向けの分析基盤として活用を開始しました。

頻繁に利用される分析テーマはあらかじめテンプレート化されているため、利用者は分析観点を一から検討することなく、迅速に業績分析へ着手できます。また、分析結果は要約やグラフとともに提示されるほか、追加で確認すべき論点や深掘りの観点も提案されるため、データの把握だけでなく、次のアクションにつながる洞察の獲得まで支援します。

AIエージェントが組織・案件・利益・人員データを横断分析し、異変検知から原因特定、改善施策の提示までを一気通貫で支援。迅速で精度の高い経営判断を実現する。

図4:経営管理エージェントの実画面(数値・名称はダミーデータ)

これにより、BIの専門知識がない担当者でも予実分析、要因分析、将来予測をチャット形式で即時に実施できるようになり、経営管理分析のセルフサービス化が進みました。手動では10〜20分を要していた分析も、1〜2分程度で処理できます。本アプローチは社内利用にとどまらず、クライアント向けのソリューションとしての展開も想定しています。

今後の展開 ― Ontology(オントロジー)の活用

現在のSkillsは、データやKPIの意味を自然言語で記述する方式です。単一データ内の分析や、あらかじめ想定された組み合わせの分析には十分に機能する一方、複数のデータをまたいで多段の推論を要する問いでは、参照すべき経路の判断がAIエージェントの解釈に委ねられる部分が残ります。

そこでデロイト トーマツは、より高度なレポート分析の実現に向けて、Ontology(オントロジー)の導入検証を進めています。組織・案件・人員・顧客・期間といった概念と、それらの関係性を機械可読な形で明示的に定義することで、「どのデータをどの順に、どのキーで結合して辿るべきか」をエージェントが構造的に決定できるようにする狙いです。これにより、分析の再現性と、複雑な問いに対する掘り下げの深さの向上が期待されます。

デロイト トーマツは今後、Ontologyの検証結果を踏まえたSkillsの高度化と、RDB化・MCP/API連携によるデータ基盤の拡張を進めるとともに、本エージェントを同社が推進する「Agentic BPR」の構成要素として位置づけ、経営管理業務の設計から、AIによる分析・報告、経営層の意思決定支援までを一体で支援していきます。

執筆者

大塚 貴行/Takayuki Otsuka | 合同会社デロイト トーマツ プロダクト バイスプレジデント

このページはお役に立ちましたか?

ご協力ありがとうございました。

Our thinking