8月31日、Wole Olorunlekeが「What I Learned About Ai Trust From Reconciling Over 100 Billion Transactions」と題した記事を公開した。著者はナイジェリア・英国でフィンテックサービスを展開するMoniepointのFinance Systems担当VP。同社は2023年にユニコーン評価を獲得したアフリカ最大級のデジタル決済プラットフォームで、銀行インフラが未整備な市場でリアルタイム決済を成立させるため、独自のデータ処理基盤を構築してきた。

1000億件超のトランザクション照合の実務から著者が導いた結論は逆説的だ。AIの信頼性を高めたければ、まずAIの話をやめるべきだ。 先に問うべきは「アクティブユーザー」「収益」といった言葉の定義を組織全体で合意できているか——その一点だ。

「3チームが同じデータから3つの答えを出す」問題

著者が2026年カイロ開催の「AI Everything MEA」パネルで語ったのは、SMS通知料金がMAU（月間アクティブユーザー数）に与える影響の話だった。

Moniepointでは、月初に中央銀行の規定に基づき、システムが自動でSMS通知料金の引き落としと利息収入の記録を生成する。顧客は何もしていない。アプリも開いていないし、送金もしていない。しかし「1件でもトランザクションがあれば月間アクティブユーザー」と定義していると、この顧客は「アクティブ」として計上される。結果として何が起きるか。

• マーケティングはMAUが高いと取締役会に報告する
• プロダクトは同じデータを見て「平均取引額が低い＝エンゲージメントが低い」と判断する
• ファイナンスは収益を生まないトランザクションとして別の絵を描く

3チーム。同じ元データ。3つの異なるストーリー。

著者が強調するのは「これはモデルの問題ではない」という点だ。この定義の混乱の上にAIを乗せれば、チャーン予測も信用スコアリングもパーソナライゼーションも、すべてその混乱を引き継ぐ。「アクティブ」が何を意味するか誰も合意していない状態で、AIは正しく動作できない。

ナイジェリアの銀行インフラが強制したアーキテクチャ

Moniepointがデータガバナンスを意識的に設計したのは、理想論からではなく制約からだ。

ナイジェリアでは多くの銀行がMoniepointの処理量に対応できるAPIを持っていない。そのため、銀行明細を手動でシステムにアップロードする必要があった。するとすぐに信頼性の問題が生じる——アップロードした人間が承認もできるなら、検証が成立しない。

そこで構築したのがメーカー・チェッカー方式（maker-checker）だ。操作を実行した者とそれを承認する者を必ず別にするという原則で、金融システムの不正防止や内部統制の要として広く使われる手法である。アップロード担当者は承認者になれない。これはコンプライアンス上の要請ではなく、運用上の必要性から生まれた原則だ。

この原則はその後のすべての設計に貫かれた。決済レポートも、自動照合の判断も、すべてに完全な管理の連鎖（chain of custody）が記録される。どのパイプラインが判断を下し、誰がそのパイプラインを構築し、どのロジックを使ったか——すべて遡れる。この追跡可能性があるからこそ、自動照合を信頼できる。なければ、スケールする規模のすべてのトランザクションを人間がレビューすることになり、現実的に不可能だ。

「全員にSQLを覚えさせる」は解ではなかった

チームが拡大するにつれ、財務担当者が自分でSQLを書いてデータを取得するようになった。しばらくは機能した。しかし10人のアナリストがそれぞれ微妙に異なるロジックでクエリを書けば、微妙に異なる答えが返ってくる。MAUの問題と本質的に同じ断片化が、チーム全体に広がった。

Moniepointが構築したのは会話型分析インターフェースだ。財務チームが「今月の事業体別収益は？」と自然言語で問えば、信頼できる答えが返ってくる。ただし著者が強調するのは、これが機能する理由だ。

「会話型分析インターフェースは、その下にガバナンス層が存在するからこそ機能する。正規の定義、データの系譜、共有の語彙——これなしでは、会話型AIはただ悪いSQLを高速で書くチャットボットに過ぎない。ガバナンスはAIの機能ではない。ガバナンスこそがAIを可能にするものだ。」

投資家・評価者向け：AIガバナンスを見抜く3つの質問

著者はパネルで、AI企業を評価する際にピッチデックではなく以下の3つを問うべきだと提示した。

① トライアングレーション・テスト
「RevenueまたはMAUを、Finance・Product・取締役会レポートの3箇所で見せてほしい」——数字が一致していればデータガバナンスがある。「マーケティング向けにはロジックが違う」という説明が始まったら、AIの問題ではなく真実の問題を抱えている。

② セマンティック・テスト
「『アクティブユーザー』や『収益』の定義は誰が持っているか？」——組織内で定義の管理責任を持つデータスチュワードや一元化されたガバナンス層を指差せるかどうか。「まあ、みんな何となくわかってる」という答えなら、AIは高速な幻覚生成エンジンになっている。

③ ポストモーテム・テスト
「最後にデータが間違っていたのはいつで、どうやって発見し、どう修正したか？」——具体的なパイプライン・ロジック・担当者を指差せる会社は成熟している。「データが間違ったことはない」という答えは、スケールで運用していないか、問題を把握していないかのどちらかだ。

「Phase 2にいる」と正直に語ることの価値

著者はパネルで、Moniepointの現状についても率直に語った。照合自動化、会話型分析、収益保証——これらはFinance Systemsチームが自チームの問題を解くために構築したもので、現在本番稼働中だ。しかし各チームが独自の定義と前提でそれぞれのAIを構築してきた結果、サイロをまたいで合成できない状態になっている。

著者はAI活用の成熟度を3段階で整理している。Phase 1は「各チームが個別にAIを使い始めた段階」、Phase 2は「ガバナンスの必要性を認識し整備中の段階」、Phase 3は「組織横断でAIが統合され機能している段階」だ。現在は組織横断でデータ定義・ガバナンス・データ標準を一元化するエンタープライズデータフレームワークを構築中であり、著者の言葉を借りれば「多くの企業がPhase 1にいながらPhase 3をピッチする。Moniepointは確実にPhase 2にいる」。

パネルの投資家はこれを即座に支持した。「ギャップを明確に語れる会社は、そのギャップを埋める計画がある」。AIブームの中で「できる」を競う風潮が強まるほど、「今どこにいるか」を正直に語れる組織の希少性は増す。

詳細はWhat I Learned About Ai Trust From Reconciling Over 100 Billion Transactionsを参照していただきたい。