# 長期にわたる金融業務をエージェントで回す — Arca の Aman Singh 氏

- 番組: [Latent Space: The AI Engineer Podcast](https://ai-curator.jp/podcasts/shows/cmv3z5bz700015o10zwiyz4qc)（Latent.Space）
- 元のタイトル: Using Agents for Long-Horizon Financial Work — Aman Singh, Arca
- 配信日: 2026年11月1日
- 長さ: 26分
- 要約作成日: 2026年11月1日
- トピック: [#AI エージェント](https://ai-curator.jp/topics/AI%20%E3%82%A8%E3%83%BC%E3%82%B8%E3%82%A7%E3%83%B3%E3%83%88) [#金融](https://ai-curator.jp/topics/%E9%87%91%E8%9E%8D) [#ハーネス](https://ai-curator.jp/topics/%E3%83%8F%E3%83%BC%E3%83%8D%E3%82%B9) [#エージェントメモリ](https://ai-curator.jp/topics/%E3%82%A8%E3%83%BC%E3%82%B8%E3%82%A7%E3%83%B3%E3%83%88%E3%83%A1%E3%83%A2%E3%83%AA) [#ガードレール](https://ai-curator.jp/topics/%E3%82%AC%E3%83%BC%E3%83%89%E3%83%AC%E3%83%BC%E3%83%AB) [#eval](https://ai-curator.jp/topics/eval)
- URL: https://ai-curator.jp/podcasts/cmvws7ft700015q11e2f521sw

## 要約

AI ネイティブな資産運用会社 Arca で AI プラットフォームを率いる Aman Singh 氏が、独自ハーネス、モデル選定、記憶、安全対策、監査性について語った。AI はアドバイザーを置き換えず、その周辺業務を担う位置づけで、エージェントが人を促す設計が特徴だという。評価と改善のループや具体的な顧客事例も紹介された。

## ポイント

- Arca は SaaS 企業ではなく自らが金融ファームであり、AI はアドバイザーの周辺業務を担い、顧客は人間の共感あるサービスとして体験すると説明している。
- モデルは Anthropic や OpenAI のフロンティアモデルを使うが、独自ハーネスはモデル非依存で、社内ベンチマークで選定する。外部評価が高かった Luna は遅くコスト高だったという。
- 10日に及ぶ業務は顧客ごとの永続的な記憶と日次の振り返り（dreaming）で状態を維持し、新しいシグナルを受けたエージェントが状況を把握する。
- 安全策は決定論的な制約を軸に、書き込み時の LLM 検証、プロンプトインジェクション検知、PII チェック、小型モデルの合議を重ねる。送金・売却・顧客への直接連絡は人が関与する。
- 全アクションの変更ログで監査性を確保し、スタッフの修正や取消には理由を求めて eval 化する。夜間にメタエージェントがトレースを分析してハーネス改善を提案する。

## 章立て

- [00:00] **Arca の事業と AI の役割** — Arca は幅広い金融サービスを提供し、AI はアドバイザーの周辺業務を担う。顧客は AI と直接やり取りしない。
- [02:05] **モデル選定と独自ハーネス** — Anthropic や OpenAI を使い、社内ベンチマークで選ぶ。ハーネスはモデル非依存で、タスクの複雑さに応じて階層化している。
- [05:01] **税金対応の例と人の関与** — 10日間にわたる業務で、分析はエージェントが行い、取引実行などは人が担う。
- [07:11] **長期タスクの記憶** — 顧客ごとの記憶システムと日次の振り返りで、日をまたぐ業務の状態を保つ。
- [09:22] **安全対策と監査性** — 決定論的な制約、LLM 検証、インジェクション対策、データ流出対策、変更ログによる監査を説明。
- [12:53] **マネージドエージェントと競合観** — 記憶などの知能を外部に預けるリスクを指摘し、AI ツールを使う企業と AI ネイティブ企業の違いを語る。
- [15:46] **サンドボックスと検証** — サンドボックスは計算の外出しに使い、生成された成果物を決定論的チェックと小型モデルで検証する。
- [20:15] **フィードバックの改善ループと事例** — 修正理由を eval 化し、夜間のメタエージェントで改善を提案する。知識ベースの更新方法と、手数料の見落としを見つけた事例も紹介。

## 解説記事

AI Engineer New York 2026 の会場で、Latent Space の Richard MacManus 氏が、Arca の AI 責任者 Aman Singh 氏に話を聞いた。Arca は AI ネイティブな資産運用会社で、6400万ドルを調達したと紹介されている。Singh 氏は AI プラットフォームチームを率い、事業を AI で動かすための基盤であるハーネスを作っている。

#### AI はアドバイザーの周辺業務を担う

Arca は財務計画、税務、保険、相続などを扱い、事業売却直後の人、早期リタイアを目指す技術系経営者、初めて住宅を買う家族など顧客層は幅広い。Singh 氏は、AI の役割はアドバイザーの置き換えではなく、その周辺業務の代替だと述べる。顧客は AI を直接意識せず、人間のアドバイザーの共感を通じて、これまでにない水準のサービスを受けるという。

特徴として繰り返されたのが「エージェントが人に促す」という設計だ。Singh 氏は、AI ツールを持つサービス会社ではユーザーがエージェントに指示するが、Arca では提案型のサービスが24時間動くと説明する。また自社が SaaS ではなくファーム自身なので、業務の進め方を標準化し、エージェントもその型で動けるとも述べている。

#### モデル非依存のハーネスと長期の記憶

使うのは Anthropic や OpenAI のフロンティアモデルで、主力は Claude だが、過去には Gemini や OpenAI も使ったという。選定の基準は社内ベンチマークで、外部評価が高かった Luna は遅くコストもかかったため合わなかったと語る。ハーネスは自社開発でモデル非依存。税務分析のような重いタスクは上位ティア、背景処理は下位ティアと振り分け、アドバイザーはこの選択を意識しない。

例として挙がった税金の支払い対応は約10日にわたる。エージェントは資産配分を分析し、10万ドルを作る最適な売却方法を検討するが、送金や売却、顧客への直接連絡は人が関与する厳格なルールがある。カストディアンとの API 連携は深いが、現状は自律取引を行わず、エージェントは取引を提案するにとどまる。

日をまたぐ業務を支えるのが記憶システムだ。顧客ごとに、現在の状況、担当者、これまでの経緯、短期・長期で追うべき事項を保持する。さらに日次の振り返り（dreaming）で状態を更新する。メール返信は同じエージェントに戻り、途中の電話のような新しいシグナルは新しいエージェントが起こされ、記憶から状況を把握して関連する案件に貢献する。

#### 決定論的なガードレールと監査性

安全策の中心は、判断をエージェントの手から外す決定論的な制約だ。データを書き込むツールの呼び出しごとに高速な LLM が検証し、メールや文書、通話などの入力経路ではプロンプトインジェクションを検知する。外部へデータが出る場面（Web 検索やカレンダー招待など）では、PII の決定論的チェックと小型モデルの合議でデータ流出を防ぐ。能力の端で封じ込める、という考え方だと説明している。

監査性は標準で備わっているという。エージェントも人も、何が・誰によって・どの部分から・いつ変更されたかの変更ログが残り、UI での変更もエージェントへの通知に使える。サンドボックスは計算の外出し用で、エージェントはその内部にいない。コードで顧客データを集計して財務計画の PDF を作り、出力時に生の口座番号の混入を決定論的に検査し、リターンの約束など不適切な記述を小型モデルで検出する。Singh 氏は、AI は些細な違反も見逃さないため、人よりコンプライアンスが良くなる面があると主張している。

また、モデルは金融知識に自信過剰で、2025年の税率区分を平然と使う例を挙げた。ハーネスが金融上の厳密さが要る場面を検知し、検証済みの知識ベースや Web 検索へ誘導する。これは自前ハーネスだからできることだと述べている。

#### 評価と改善、知識の更新、外部依存への姿勢

スタッフが編集や取消をする際は理由の入力を求め、これが eval になる。フィードバックはエージェントのトレースと対にして保存し、毎晩メタエージェントがトレースを分析して、誤解を招くツールやエラー、知識不足などの改善案を出す。ただしプロンプト変更の反映前には人間のエンジニアが入る。エージェントに任せると修正のたびにプロンプトが肥大化し、一般化できないためだという。

業務知識はファイル形式の知識ベースで、製品内の「knowledge」タブから専門家が直接編集する。エージェントは知識を引用し、誤りはトレース分析で浮かび上がる。

Anthropic の Managed Agents のような製品には慎重だ。記憶や運用知識というインテリジェンスを外部に預けると、事業に影響を与える統制を失うため、モデルには強気でも製品への依存は避けたいという。Anthropic の金融分野参入は業界への追い風としつつ、AI ツールを持つ会社と AI ネイティブな会社は別物だと語った。

事例として、年1500ドルの手数料を払い、対応も鈍いと感じていた見込み客の話が出た。エージェントが書類を読み、本人が把握していなかった手数料と、現アドバイザーが受託者責任（fiduciary）を負わない点を示した。RMD（必要最低分配額）の期限切れなど、人が大規模に追いにくい事項を先回りして指摘するのも標準動作だという。

#### まとめ

Arca の事例は、金融のような高リスク領域でも、人の関与点を明確にし、決定論的な制約と監査ログ、評価ループを組み合わせれば、長期業務にエージェントを使えることを示す。特に、モデルは入れ替え可能にしつつ、記憶や知識といった中核を自社で持つ方針は、エージェント活用を考える日本の企業にも参考になる。なお、これは Singh 氏自身の説明であり、効果の数値的な検証は番組では示されていない。

> この要約・解説記事は、元の音声の文字起こしをもとに AI（Claude）が日本語で作成したものです。出典: Latent Space: The AI Engineer Podcast「Using Agents for Long-Horizon Financial Work — Aman Singh, Arca」