財務（トレジャリー）管理におけるAI：流動性、為替、支払

著者: Jane Ha · 更新日: 2026年10月11日

財務（トレジャリー）管理におけるAIとは、機械学習と言語モデルを使って、現金と流動性を予測し、為替エクスポージャーを定量化し、支払の不正をスクリーニングし、運転資本を引き締めることです。資金調達、ヘッジ、資金の支払実行に関する権限は、引き続きトレジャリーの担当者が持ちます。 データが数値で、タイムスタンプが付いているため、トレジャリーはAIに向いた分野です。同時に、間違った答えを最も取り消しにくい分野でもあります。銀行から出ていった現金は戻ってこないからです。

本記事は、トレジャリー機能のどこにAIを置くべきか、どの統制を併せて整えるべきかを検討する財務責任者、CFO、コントローラー、財務ディレクター向けです。部門全体の視点は金融・会計におけるAIと、計画のハブであるFP&AにおけるAIから読み始めてください。予測の仕組みについてはAIによるキャッシュフロー予測をお読みください。

重要なポイント

• 2026年のAFP Payments Fraud and Control Survey（トレジャリー実務者465人、2026年1月実施）では、米国の組織の76%が2025年に支払詐欺の未遂または実被害を経験し、74%がビジネスメール詐欺の影響を受け、最も狙われた手段は小切手の58%で、ACH借方（30%）、電信送金（25%）が続きました（AFP）。
• 同じAFP調査で、支払詐欺への対策にAIを使っていた組織は17%にとどまりました（AFP）。
• FBIの2025年インターネット犯罪レポートは、ビジネスメール詐欺の苦情24,768件を記録しました。報告された損失額は$3,046,598,558で、2024年の$2,770,151,146から増加しています（FBI IC3）。
• AFPの2026年Treasury Benchmarking Survey（回答425件、2026年5月実施）では、現金と流動性の予測が、トレジャリーの最優先事項（63%）であると同時に、最も難しい業務（49%）でもありました（AFP）。
• 同じ調査で、AIと新興テクノロジーに関するポリシーは5点満点中2.9点と、測定したポリシー領域の中で最も低く、38%がAIの機会とリスクの管理を重大な課題に挙げました（AFP）。
• 世界の外国為替取引高は2025年4月に1日あたり9.6兆ドルに達し、2022年から28%増加しました。取引の89%で、片方の通貨は米ドルでした（BIS）。

トレジャリーにおけるAIの役割

AIが関われるトレジャリーの仕事は4つあります。手元の現金がいくらになるかを把握すること、どの通貨・金利のリスクを抱えているかを把握すること、支払を安全に実行すること、必要以上に運転資本を滞留させないことです。AIの貢献は3つの形をとります。1つ目は、履歴から予測することです（銀行データと元帳データに対する予測分析）。2つ目は、おかしく見えるものにフラグを立てることです（支払と残高に対する異常検知）。3つ目は、文書を起案または要約することです（言語モデルがポジションレポートを朝のブリーフィングに変えます）。

少なくとも監督なしでは、AIに資金を動かさせたり、会社をヘッジに拘束させたりすべきではありません。AFPの数字は、出発点が重要な理由を示しています。トレジャリーチームは自社のAIポリシーの成熟度を、すべてのポリシー領域の中で最も弱いと評価している一方で、詐欺の未遂は4分の3の組織を襲っています。ツールは、それを取り巻くルールよりも速く到来します。

トレジャリー機能別に見るAIの活用場面

職種別の実例

流動性の予測。 5か国にまたがる14の銀行口座を管理する財務責任者は、毎週月曜日に、各地域の財務チームから送られてくるスプレッドシートを使って、13週間の予測を手作業で作り直しています。予測モデルは、毎日の銀行残高と未決済の売掛金・買掛金を取り込み、ベースラインと予測の幅を出し、どの地域が最も予測を外すかを示します。財務責任者は月曜日を、ファイルの収集ではなく、予測の外れの検討に使えるようになります。モデルの選択と精度の測定は、AIによるキャッシュフロー予測で詳しく扱っています。現金予測はトレジャリーのリーダー自身が最も難しいと考える領域であり、最初の対象として自然です。

為替エクスポージャー。 ユーロで請求書を発行し、円で仕入先に支払い、シンガポールドルで子会社に資金を供給している企業があります。ネットのエクスポージャーを計算するためのデータは3つのシステムに分かれています。AIの層が未決済の請求書と発注書を読み取り、通貨と決済日に対応づけて、ネットエクスポージャーのレポートを毎日更新します。ヘッジの判断は、引き続き財務責任者とヘッジ方針に委ねられます。規模感を知るうえで、ドルの役割は重要です。2025年4月には、世界の為替取引の89%でドルが片方の通貨でした。そのため、ドルのエクスポージャーはほとんど避けられず、管理するしかありません。

支払詐欺のスクリーニング。 ビジネスメール詐欺は、誰かを説得して、変更された銀行口座に支払を送らせることで成立します。2025年のFBIの苦情データでは、この種の事案が24,768件、報告された損失は30億ドル超です。送金予定のすべての支払を、仕入先の履歴（新しい口座番号、異例の金額、不自然なタイミング）に照らして採点するモデルは、電話確認に値するごく一部を保留にできます。すべてを捕捉できるわけではなく、既知の番号への担当者によるコールバックの代わりではなく、それと並べて運用すべきです。AFPの回答者のうち、支払詐欺対策にAIを使っていたのは17%だけで、多くの企業はいまも手作業のレビューに頼っています。

運転資本。 支払履歴を読み取るAIモデルは、どの顧客の支払が遅れるか、どの仕入先への支払なら条件を破らずに数日動かせるかを予測します。成果は運転資本に表れます。突発的な資金不足が減り、早期支払割引を活用しやすくなります。入力データは売掛金管理と買掛金管理から得られます。だからこそ、これらのプロセスを自動化する際には、トレジャリーも議論に加わるべきです。

統制要件：AIが現金に触れる前に満たすべきこと

トレジャリーの古典的な統制は、資金にアクセスできる個人が1人だけだとリスクになるために存在します。AIは、同じく間違うことも、操作されることもある新しい種類の担い手を加えます。以下の統制は維持してください。

職務分掌。 支払を準備する担当者やシステムが、承認する側であってはなりません。どちらも単独で仕入先の振込先情報を変更できてはなりません。支払バッチを起案するAIエージェントは、準備担当者です。承認権限は与えず、1つのサービスアカウントが作成と実行の両方を行えないようにしてください。

支払の実行承認。 しきい値を超えるすべての支払には、断る判断をするための情報を持つ人間の承認者が必要です。金額、受取人、口座の変更履歴、AIのリスクスコアとその理由です。緑のチェックマークしか見えない承認者は、それをクリックするだけになります。これはヒューマン・イン・ザ・ループによる統制であり、担当者に実際の時間と実際の権限がある場合にのみ機能します。

振込先口座の変更。 受取人の口座変更は、すべて高リスクとして扱ってください。依頼文に書かれた連絡先ではなく、すでに登録されている連絡先を使った独立した確認を求めます。これはビジネスメール詐欺への防御策であり、AIは不正なメールをより説得力のあるものにするため、この統制は一層重要になります。

モデルの監督。 各モデルに、担当者、文書化された目的、使用するデータ、テスト結果、変更ログを持たせます。予測を実際の現金に対してスケジュールに沿ってバックテストし、見直しのきっかけとなる許容範囲を設定します。モデルが推奨した内容と、人間が行った対応を記録します。

アクセスとデータの制限。 モデルに必要なのは、残高と取引への読み取りアクセスです。銀行ポータルへの書き込みアクセスが必要なことはほとんどありません。支払開始のためのAPI認証情報は、メールや文書も読み取るツールには持たせず、機微な銀行データを未承認の公開チャットボットに入力しないでください。

フォールバック。 ツールが間違っていたり利用できなかったりした場合に、トレジャリーがどう動くかを把握しておきます。手作業の予測、手作業のスクリーニング用チェックリスト、自動化を停止できる指名された担当者です。

トレジャリーへのAI導入：ステップごとの進め方

1. 読み取り専用の業務から始めます。 予測、エクスポージャーの報告、日次のポジション要約は、資金を動かせません。信頼を築き、データの問題を低コストで明らかにします。
2. データを整理します。 銀行フィード、ERPモジュール、TMSのデータ、スプレッドシートを一覧にします。口座コードの不一致、重複した取引先、古い仕入先レコードを先に直してください。確認すべき点は財務のデータ準備状況で説明しています。
3. 現在の精度のベースラインを測ります。 現在の予測が、予測期間（来週、来月、来四半期）ごとにどれだけ外れているかを記録します。ベースラインがなければ、モデルが役立っているかどうかを判断できません。
4. 並行して実行します。 少なくとも2〜3サイクルの間、既存のプロセスと並べてモデルに予測させ、1行ずつ比較します。
5. スクリーニングは、ブロックではなくフラグ付けとして追加します。 何かを自動で保留にさせる前に、まず詐欺検知モデルにレビュー対象の保留を挙げさせます。誤検知を追跡してください。アラートであふれたチームは、それを読まなくなります。
6. 承認ルールを書き出します。 誰が何を、どのしきい値で、画面にどの情報が表示された状態で承認するかを決めます。ローンチ前に内部監査に読んでもらってください。
7. 1つの法人または1つの地域でパイロット導入します。 予測誤差、発せられたアラート、捕捉された確認済みの不正、削減された工数、インシデントを測定します。
8. 四半期ごとにレビューします。 バックテストを行い、アクセス権を再確認し、人間が引き続きレビューを行っていることを確かめます。

よくある落とし穴

• 予測を事実として扱うこと。 モデルが出すのは、中心的な推定値と幅です。資金調達は、その幅に対して計画してください。
• 質の悪い銀行データを入力すること。 元帳で誤分類された現金は、同じ方向に一貫して外れる予測を生みます。
• エージェントに鍵を渡すこと。 AIのサービスアカウントに支払開始の権限を与えると、職務分掌が1つの認証情報に集約されてしまいます。
• アラート疲れ。 支払の大きな割合にフラグを立てるスクリーニングは、無視されるようになります。レビュー担当者と一緒にしきい値を調整してください。
• ポリシーがないこと。 AFPのベンチマークでは、AIポリシーがトレジャリーで最も成熟度の低い領域でした。最初のインシデントの後ではなく、パイロットの前にルールを書いてください。
• モデルの監視を省くこと。 顧客の支払行動は、金利の変動や市場のショックの後に変わり、穏やかな月で学習したモデルはドリフトします。バックテストをスケジュールに沿って再実行してください。
• ハルシネーションを含む説明文。 現金ポジションを要約する言語モデルは、誤った数字をよどみなく述べることがあります。数字を思い出させるのではなく、数値を渡して引用させてください。

測定すべき指標

• 予測の質： 予測期間別の誤差、バイアス（一貫して高いか低いか）、許容範囲内に収まった週の割合。
• 流動性の成果： 遊休資金の残高、与信枠の利用、短期借入のコスト。
• 不正と統制： 保留した支払、確認された防止済みの損失、誤検知率、保留の解決までの時間。
• プロセス： 現金ポジションの取りまとめに費やした工数と、当日中に完了した例外処理の割合。

次に読む記事

今四半期に1つだけ取り組むなら、現在の現金予測の精度のベースラインを測り、読み取り専用モードでモデルを並べて動かしてください。続いて、構築についてはAIによるキャッシュフロー予測、トレジャリーを計画につなげる方法はFP&AにおけるAI、ガバナンスの全体像は金融におけるAIの概要をお読みください。どのツールも支払処理（ペイメントラン）に近づける前に、承認ルールと口座変更のルールを書き出しておいてください。