8月6日、startuphub.aiが「Snowflake: AI cuts contract review by 70%」と題した記事を公開した。SnowflakeがAIエージェントを活用して社内の契約レビュー工数を70%削減した実装事例を詳述した内容だ。特筆すべきは「AIに最終判断を委ねない」という設計方針であり、その核心にあるのがプレイブックをモデルに埋め込まず外部テーブルとして管理するという構造的な選択である。単なる自動化の成功事例ではなく、エンタープライズにおけるAI導入の設計思想として参照価値が高い。

「人間の判断を代替しない」という設計思想

Snowflakeの社内Forward Deployed Engineer（FDE）チームが構築したこのAIエージェントは、「人間の判断を置き換えるのではなく、補助する」ことを明確な設計目標としている。FDEとは、顧客の現場に深く入り込んでエンジニアリング課題を解決する役割を担うエンジニア職であり、Snowflakeのような大規模エンタープライズSaaS企業においては社内外の複雑な業務課題を技術で橋渡しするポジションとして知られる。今回のシステムはそのFDEチームが自社法務・監査業務の効率化のために内製したものだ。

システムは自社プラットフォーム上に3層構造で実装されており、Snowflake Cortex AIとSnowflake AI Extractを基盤とする。

第1層：構造化データの抽出

PDFの契約書を取り込み、Cortex AgentとAI Extractを使って、顧客名・キャパシティ・割引条件・支払いスケジュールといった構造化フィールドを抽出する。非構造化ドキュメントを後続処理が扱いやすい形式に変換するこの層が、パイプライン全体の精度を左右する起点となる。

第2層：プレイブックとの照合・分類

抽出した契約条項を「プレイブック」と照合し、標準的な条項か非標準の条項かを分類する。ここで特徴的なのが、このプレイブックの管理方法だ。静的な学習済みモデルに判断基準を埋め込むのではなく、プレイブックはSnowflakeの管理テーブルとして実装されており、監査チームが直接編集できる。エンジニアリングチームへのチケット起票なしに、ビジネスルールや規制変更への対応が可能だ。この「判断基準をモデルの外に出す」という設計は、法務・コンプライアンス領域のように頻繁にルールが変わる業務ドメインにおいて特に有効に機能する。

第3層：レビュアー向けUIとフィードバックループ

エージェントはフラグを立てた条項に対し、信頼スコア・該当箇所の抜粋・フラグ理由の自然言語説明を付与する。結果はレビュアー向けアプリケーションで提示され、監査担当者は「承認」「オーバーライド」「エスカレーション」の3択で対応できる。担当者が修正を加えるたびに「抽出ヒント」として蓄積され、以降の処理精度が継続的に向上する仕組みだ。単発の自動化ではなく、運用を通じてシステムが成熟していく設計になっている点が重要である。

なぜこの設計が現場で機能するのか

エンタープライズのAI導入がよく失敗するパターンとして、「モデルの判断根拠が見えない」「ビジネス側がルールを変更できない」「人間のレビューループが設計に入っていない」という3点が挙げられる。

このシステムはその3点をすべて正面から解決している。判断根拠を説明テキストで提示し、プレイブックをテーブルとして外部化し、オーバーライドのたびにシステムが学習する。「70%削減」という数字の背景には、AIが全件を自律処理しているのではなく、AIが一次スクリーニングを行ったうえで人間が最終判断するという構造がある。この分業の境界設計こそが、精度と説明責任を両立させている核心だ。

契約レビューにAIを活用する試みはエンタープライズ法務領域で広がりつつあるが、「どこまでをAIが担い、どこから人間が介在するか」という境界の引き方は各社各様であり、業界横断的なベストプラクティスはいまだ模索段階にある。その意味で、今回のSnowflakeの事例は設計の透明性・変更容易性・フィードバックループという三要素を同時に実装した具体的な回答として注目に値する。

Snowflakeが自社製品で自社課題を解いた事実

この事例は、Snowflakeが外部顧客向けに提案する前に、自社の法務・監査業務で同じスタックを実際に使っている点で説得力がある。Cortex AIやAI Extractといった自社サービスを組み合わせることで、追加の外部SaaSなしに契約レビューパイプラインを構築したことを示している。いわゆる「ドッグフーディング」の実践であり、製品の実用性を自社業務で検証したうえで顧客に提示できるという点で、営業・技術両面での信頼性につながる。

エンタープライズ向けのAIエージェント活用において、「どこまでを自動化し、どこから人間が介在するか」の境界設計が最も難しい部分だが、この事例はプレイブックの外部化・フィードバックループの内製・段階的な精度向上という三つの具体的な実装方針を通じて、その問いに対する実践的な回答を示している。

詳細はSnowflake: AI cuts contract review by 70%を参照していただきたい。