7月28日、Computer Weeklyが「DBS holds off on letting AI agents run on their own as controls lag capability」と題した記事を公開した。東南アジア最大手銀行DBSは70〜80体のAIエージェントを実業務に投入しながら、自律運用をあえて封印している。その根拠として同行の最高データ・変革責任者が明言したのが「ケイパビリティの革新速度を5xとすれば、ガバナンス・統制の革新速度は1x。このギャップが埋まるまで自律性は認めない」という判断だ。AIエージェントの実運用が語られる場面では「何ができるか」に注目が集まりがちだが、DBSの事例は「どこで止めるか」という問いに正面から答えている点で異質だ。
能力と統制の速度差が問題の核心
DBS銀行の最高データ・変革責任者（Chief Data and Transformation Officer）であるNimish Panchmatiaは、AIエージェントの自律化を認めない理由を率直に語っている。
「ケイパビリティの革新速度を仮に5xとすると、ガバナンス・統制・管理の革新速度は1xだ。このギャップを埋めるまで自律性は認めない」
この発言は、大手銀行がAIエージェントの限界について公式に踏み込んだ、数少ない明確な表明だ。エージェント型AIはこれまでの生成AIチャットボットと異なり、複数のステップを計画・実行できる。だからこそ、制御が難しい。
DBSは2025年度年次報告書で、データ分析とAI施策が430以上のユースケース、2,000超のモデルを通じて約シンガポールドル10億（SGD 1 billion）規模の経済価値を生み出したと報告している。AI活用の規模は申し分ない。しかし、Panchmatiaが踏み込む先はその数字ではなく、「どこで止めるか」だ。
70〜80体のエージェントが動く法人融資の現場
DBSで最も先進的なエージェント展開が行われているのは法人銀行部門だ。大口法人顧客への融資承認に使われる「クレジットメモ」の作成を、70〜80体のエージェントの連鎖が担っている。
従来、リレーションシップマネージャーが120ページの年次報告書、同程度のサステナビリティレポート、財務諸表、業界分析を手作業でまとめていた。数日を要する作業だった。
エージェント群は外部ニュース、顧客に関する内部メモ、競合分析を統合し、所定フォーマットで出力する。ただし、そのアウトプットは「承認可能な状態」ではない。担当者はチャットインターフェースを通じて結論の根拠を問い返し、エビデンスを確認してから判断を下す。
Panchmatiaが「意外だった」と述べるのは、エージェントが気づく視点だ。「人間がすぐには直感しないような指摘が出てくることがある」と語り、他市場における顧客の競合動向をフラグとして挙げた事例を紹介している。その情報が元でクライアントから好反応を得たケースも複数あったという。このクレジットメモ事例は、エージェントを「自律的に動かす道具」としてではなく「人間の判断を強化する情報処理基盤」として位置付けるDBSの思想を最もよく示している。
エージェントは「楽な道」を選ぶ
自律運用を封じる理由は単なる規制対応ではなく、エージェント固有の行動特性にある。
「この技術は最も楽なパスを見つけるように設計されている。楽なパスが正しいパスとは限らない」
Panchmatiaが挙げる具体例がわかりやすい。2つのデータベースにアクセスできるエージェントに対し、特定のタスクでは1つしか使わないよう指示する。しかしエージェントは後に、両方を使えば速く処理できると学習してしまう。こうした挙動はDBS内では発生していないが、業界内では記録されているという。
このため、予期しない挙動はすべてフラグを立て、処理を停止してレビューにかける運用を徹底している。また、単一のエージェントチェーンが実行できるステップ数に上限を設け、ステージ間にチェックポイントを挟む。ステップが増えるほど「爆発半径（blast zone）」が広がり、障害の原因追跡が困難になるからだ。
銀行は他業種と比べてこのリスク感度が特に高い。「旅行業や小売業ほど規制が少ないわけではない」とPanchmatiaは語り、エージェント統制のための業界ツールがまだ未成熟だと指摘する。
3層アーキテクチャと「コントロールプレーン」
DBSのAI基盤は3層構造を取る。
- ナレッジ基盤層：構造化・非構造化の内部データと外部フィード
- ファクトリー層：エージェントと再利用可能なスキルをビルド・実行する場所
- コンサンプション層：顧客向けチャネルおよび内部ワークフロー
この3層全体を「コントロールプレーン」が覆い、ID管理、オブザーバビリティ、トレーサビリティ、ポリシー適用、セキュリティを担う。キルスイッチも備えている。
社員が自分で組み立てられる「パーソナル・チームエージェント」は本番システムから隔離されている。本番に触れる「エンタープライズエージェント」はすべて内製で、標準的なソフトウェア開発ライフサイクル（SDLC）の統制下に置かれている。
トークンコストの管理も徹底している。AIワークロードはプライベートクラウドで処理し、メモリをアプリケーション層で保持することでモデルへの受け渡しコンテキストを最小化する。さらに、動画生成のような高コスト機能は全行員4万人に開放せず、必要な部署（マーケティング等）にのみ割り当て、予算内で管理させる。
「モデルはコモディティになる」という前提
DBSのアーキテクチャは当初からモデル非依存を貫いている。Panchmatiaはその理由として、大規模言語モデルのコモディティ化を最初から織り込んでいたと述べる。DeepSeekの登場がそれを加速させたとも指摘し、金融機関が説明可能性への投資を積み上げた直後に推論能力がほぼ無償で手に入るようになった経緯を引き合いに出す。
「モデルはユーティリティ（汎用基盤）になると見ていた。モデルの上に何を構築するかが我々の競争力になる」
ここで指す「上の部分」とは、エージェントの精度を高めるためのソフトウェアスキャフォールディング（ハーネス）と呼ばれる仕組みだ。また、18〜36か月単位だった従来のIT投資サイクルはもはや機能しないとし、「新しいものが出たらすぐピボットできる俊敏性が必要だ」と述べている。
DBSの事例は、「AIエージェントを使っているか」ではなく「どこで自律化の線引きをするか」が問われる段階に金融システムが入りつつあることを示している。ガバナンスの整備が追いつくまで、人間のチェックポイントを外すつもりはない、という判断は現時点では合理的だ。
詳細はDBS holds off on letting AI agents run on their own as controls lag capabilityを参照していただきたい。
