FP&AにおけるAI：ドライバーベースの予測、シナリオ、差異分析

著者: Jane Ha · 更新日: 2026年10月11日

FP&A（財務計画・分析）におけるAIとは、機械学習と言語モデルを使って、ベースラインの予測を作成し、どの事業ドライバーが数字を動かすのかを検証し、シナリオを実行し、差異コメントを下書きする仕組みです。ただし、前提、ストーリー、提言はアナリストが担います。 計画業務のうち、機械的で反復的な部分を加速します。数字が何を意味し、次に何をすべきかを決める部分を置き換えるものではありません。

本記事は、AI for Financeコレクションの計画と財務（トレジャリー）のセクションのハブです。計画サイクルのどこでAIが役立ち、どこで役立たないのかを知りたいCFO、FP&Aリーダー、財務マネージャー向けに書かれています。部門全体の視点については、財務・会計におけるAIから始めてください。ここから先は、それぞれの業務の詳細が専用のガイドにあります。AIによるキャッシュフロー予測、AIによる差異分析、AIによるシナリオプランニング、AIによる支出分析、財務（トレジャリー）におけるAIです。

重要なポイント

• 2025年のAFP FP&A Benchmarking Survey（世界のFP&A実務者362人）では、AIを毎日、毎週、または毎月使っている人が23%、さらに40%が試験導入中で1年以内の実装を予定していました（AFP）。
• 同じAFPの調査で、課題として61%がデータの信頼性の欠如を、60%が利用可能なデータの不足を挙げ、96%が今も計画にスプレッドシートを使っています（AFP）。
• Gartnerの『2025 AI in Finance Survey』（CFOと財務のシニアリーダー183人）では、AIを使っている財務部門は59%で、2024年は58%、2023年は37%でした。また、回答者の91%が当初の影響は小さいか中程度だったとしています（Gartner, via CPA Practice Advisor）。
• M3コンペティションの月次系列1,045本を対象としたPLOS ONEの研究では、8つの統計的手法が、検証したどの機械学習手法も、すべての精度指標とすべての予測期間で上回りました（Makridakis, Spiliotis and Assimakopoulos, 2018）。
• LLMベースの3つの予測モデルを調べた2024年の研究では、言語モデルを取り除いても、基本的なアテンション層に置き換えても、予測性能は低下しませんでした（Tan et al., arXiv）。

FP&AでAIが変えるもの

FP&Aには、繰り返し発生する4つの業務があります。数字を予測する、何がそれを動かすのかを説明する、もしもの場合を検証する、そしてそれらすべてが何を意味するのかを経営陣に伝えることです。AIが役立つ度合いは、この4つの間で均一ではありません。

予測。 機械学習は過去の実績、季節性、外部のシグナルを読み取り、毎月スプレッドシートのモデルを作り直すよりも速くベースラインを作成します。売上、人件費、需要に適用される予測分析を考えてください。ベースラインは出発点であり、判決ではありません。

ドライバーのモデリング。 ドライバーベースの計画は、損益計算書を業務上のインプットに結びつけます。リードからパイプライン、受注、売上へ。あるいは、数量と価格から利益率へ。AIは、どのドライバーが履歴を実際に説明しているかを検証することで役立ちます。モデルは、売上の変動を説明するのが、新規顧客の件数よりも解約であることを示せます。それは、計画をどこに向けるべきかを教えてくれます。

シナリオ分析。 ドライバーが組み込まれれば、10のケースの実行には数日ではなく数分しかかかりません。そのため、チームが「もしも」の質問を受け、それに応じる頻度が変わります。意味のあるシナリオを選ぶ技術はシナリオプランニングで、AI特有の仕組みはAIによるシナリオプランニングで扱っています。

コメント。 言語モデルは、差異の背後にある元帳の明細を読み取り、説明の最初の段落を下書きできます。それでもアナリストはすべての主張を確認します。下書きは、誤っているときも同じ自信に満ちた調子で書かれるからです。

計画サイクルのどこにAIが当てはまるか

機能別の実例

SaaSの財務チームは、新規受注を予測します。一定の成長率を使う代わりに、モデルはステージ別のパイプライン、ステージから成約までの過去の率、季節性を使います。アナリストは毎月、モデルの数字を営業責任者の見立てと比較します。両者の差が設定した幅を超えたときが、交わす価値のある会話です。

小売業のマーチャンダイズ財務グループは、価格、販促カレンダー、天候を使ってカテゴリー別の需要を予測します。繰り返されるパターンが多い細かな粒度の履歴は、機械学習が最も力を発揮しやすい場面です。どこでも勝つわけではないため、チームはまず単純なベースラインと比較してテストします。

サービス業の企業は、月次の差異報告をより速く作成したいと考えています。言語モデルが、元帳とタイムシートのデータから「収益は予算を$400k下回っており、2つの事業部門での稼働率の低下が原因です」と下書きします。FP&Aマネージャーは、CFOに渡す前に稼働率の数値を元データと照らして確認し、提言は自分で書き直します。

製造業のオペレーション財務チームは、購買データを支出分析ツールに取り込み、何千もの自由記述の明細行をカテゴリーにまとめて、価格が乖離している仕入先を浮かび上がらせます。財務のパートナーはこれを使って、仕入先との交渉に備えます。仕組みの詳細はAIによる支出分析で扱っています。

財務（トレジャリー）チームは、顧客別の過去の支払タイミングから週次のキャッシュを予測し、毎週月曜日に予測を実績と比較します。手法と統制については、AIによるキャッシュフロー予測と財務（トレジャリー）におけるAIで扱っています。

FP&AへのAI導入：ステップごとの手順

1. 上回れるベースラインから始めます。 月次売上や入金など、予測の1行を選び、現在の手法の精度を記録します。その数字がなければ、何かが改善したことを証明できません。
2. ツールの前にデータを確認します。 勘定科目表、製品の階層、顧客レコードが期間をまたいでどれだけ一貫しているかを調べます。AFP調査での最大の障害は、ツールそのものではなく、データの信頼性とアクセスのしやすさでした。AIに向けた財務データの準備のチェックリストは、最初の確認として適しています。
3. 単純な統計的手法をAIの手法と並べてテストします。 同じ履歴に対して、季節性ナイーブ予測か基本的な指数平滑法のモデルを、機械学習モデルの隣で実行します。複雑なモデルが、標本外で単純なモデルを上回らなければ、導入しないでください。
4. 事業部門とともにドライバーツリーを作ります。 営業、オペレーション、人事と一緒に、どの3〜6のドライバーが重要か、それぞれの責任者は誰か、データはどこから来るのかを合意します。入力に責任者がいないモデルは、誰も信用しないブラックボックスになります。
5. 正直にバックテストします。 直近の6〜12か月を除外し、事前情報なしに予測して誤差を測定します。結果が実際より良く見えないよう、テスト期間は学習に含めないでください。
6. 丸1サイクル、並行して実行します。 AIの予測と人の予測を、少なくとも1四半期にわたって並べて作成し、差を検証します。モデルがどこで優れ、どこで外れたかを文書化します。
7. レビューの工程を定義します。 すべての出力について、誰が確認し、何と比較し、何を上書きできるのかを明記します。クリックして通すだけではなく、本物のヒューマン・イン・ザ・ループのレビューとして扱ってください。
8. 精度を継続的に追跡します。 予測誤差は、一度きりではなく、期間ごとに測定します。事業が変われば、モデルはドリフトします。価格の変更や新製品によって、昨年の関係は一夜にして崩れることがあります。
9. その後でエージェントを検討します。 手作業のワークフローが安定したら、AI予測エージェントがスケジュールに沿って実行し、レビューのために例外を提起できます。

導入：エビデンスが示すこと

FP&Aに限った導入は、財務全体の数字が示すよりも初期の段階にあります。AFPの2025年調査では、AIを毎日、毎週、または毎月使っている回答者は23%にとどまり、40%が試験導入中で1年以内の展開を計画していました。これは、拡大の段階ではなく、実験の段階にある専門職です。

より広いGartnerのシリーズは、CFOの側から同じパターンを示しています。財務でのAI利用は、2023年の37%から2024年の58%、2025年の59%へと上昇し、回答者の91%が当初の影響は小さいか中程度だったと報告しました。さらに先に進んでいる組織は、大きな効果を報告する確率が3倍近くありました。このパターンは、データとプロセスが整った後、パイロットの後に価値が訪れることを示唆しています。

この2つの調査は、異なる母集団（FP&A実務者とCFO・財務のシニアリーダー）を、「AIを使っている」の異なる定義で測定しているため、それらのパーセンテージをひとつの傾向であるかのように並べないでください。

FP&AにおけるAIの限界

複雑だからといって、より正確とは限りません。 M3データを使ったPLOS ONEの研究では、機械学習の手法は、すべての精度指標と予測期間で単純な統計的手法に劣り、はるかに多くの計算も必要としました。著者らは、結果はデータの長さやビジネス指向の性質といったデータの特徴に左右される可能性があると注意を促しています。これは、自社の履歴でテストすべき理由として受け止めてください。テストには、常に単純なベンチマークを含めてください。

言語モデルは予測器ではありません。 LLMベースの時系列予測モデルを調べた2024年の研究では、言語モデルを取り除いても、基本的なアテンション層に置き換えても、精度は損なわれませんでした。言語モデルは得意なこと、つまり読み取りと下書きに使い、数字の予測には時系列モデルを使ってください。

履歴は必ずしも指針にならない。 あらゆる統計的予測は、未来が過去に似ていると仮定します。価格の変更、顧客の喪失、規制の変化、供給ショックがそれを崩します。アナリストの判断とシナリオ分析が最も重要になるのは、そこです。

ハルシネーションを含むコメント。 モデルは、変化していないドライバーを引用した、説得力のある差異の説明を書くことがあります。AIのハルシネーションの問題は、財務のQ&Aでも現実のものです。上場企業に関する10,231問のテストであるFinanceBenchでは、検索システムと併用したGPT-4 Turboが81%で誤答するか回答を拒否しました。これは特定のモデルの2023年のテストで、新しいモデルはより優れていますが、下書きのすべての数字が元のセルを指すよう求める根拠にはなります。

データの品質。 AFPとGartnerのどちらの調査も、主な障害として、テクノロジーよりもデータの問題を上位に挙げています。一貫性のないマッピングで学習したモデルは、自信に満ちた誤ったベースラインを生み出します。

過信。 誰も疑問を持たない洗練された予測こそ、警戒すべき失敗です。数字ごとに責任者を置き、予測を実績と比較し続けてください。

測定すべき指標

• **予測精度：**ラインと期間ごとの平均絶対パーセント誤差を、AI導入前のベースラインと比較。
• **バイアス：**誤差が一貫して高い側か低い側に偏っていないか。多くの場合、ランダムな誤差よりもコストがかかります。
• **サイクルタイム：**期末から予測と差異報告までの日数。
• **アナリストの工数：**資料の組み立てと分析に費やした時間。
• **意思決定での活用：**予測とシナリオが、スライドだけでなく、判断を変えた頻度。

次に読む記事

今四半期に1つだけ行うなら、予測の1行を選び、現在の精度を記録し、丸1サイクル、どのAIツールとも並べて単純な統計モデルを実行してください。そのうえで、このセクションのガイドに進みます。コメント作成が決算週を圧迫しているならAIによる差異分析から、流動性が心配ならAIによるキャッシュフロー予測から、経営陣が「もしも」と尋ね続けるならAIによるシナリオプランニングから始めてください。最良の結果は、モデルが出したからではなく、実績があるからチームが信頼する予測です。