9月1日、Databricksが「How Discovery Bank delivers hyper-personalized banking at scale: behavioral AI, governed data, and real-time decisioning」と題した記事を公開した。南アフリカのDiscovery Bankが行動AIと統治されたデータ基盤を用いて、大規模なハイパーパーソナライズ銀行サービスを実現した手法について詳しく紹介している。

「35歳以下全員に貯蓄プッシュ」をやめた銀行

ハイパーパーソナライズとは何か。記事はこう定義する。「今週アプリの投資セクションを3回閲覧し、給与が振り込まれ、定期預金が満期を迎えようとしているクライアントに、特定の提案を表示すること」だ。年齢や属性でひとくくりにするセグメントマーケティングとは根本的に異なる。

2019年に開業したDiscovery Bankは、南アフリカの銀行業を刷新することを目的に設立された。同行の基盤にあるのは「シェアードバリューバンキング（Shared-value Banking）」という考え方だ。これはDiscoveryグループが保険事業で培った独自の理念で、クライアントが金融行動を改善すれば銀行のリスクも下がり、社会全体の金融健全性も高まるという設計思想を指す（Discoveryグループの公式説明も参照）。この思想を実装するために、行動科学・保険数理・AIをデータ基盤の中核に据えた。

再利用可能なデータプロダクトが全ての起点

Discovery Bankのアーキテクチャで最も注目すべき点は、「チャネルごとに別々のモデルを作らない」という設計原則だ。

同行はDatabricksプラットフォーム上で、デモグラフィック情報・取引履歴・デジタルエンゲージメント・貯蓄・借入・リワードへの参加状況・ライフスタイル関連データを統合し、以下を含む再利用可能なデータプロダクトを構築している。

• エンジニアリング済みフィーチャー
• 行動インジケーター
• モデルスコア
• トレンド・予測・レコメンデーション

これらはDelta Lake、MLflow、Unity Catalogによって管理・ガバナンスされ、マーケティング・デジタル体験・サービシング・行動変容施策をまたいで同じ定義・同じコントロールのもとで利用される。

この設計の成果として記事が挙げる数字は具体的だ。パイプライン開発は20倍高速化、データプロダクト作成は5倍高速化。さらに1日あたり300本以上のモデルを構築できる体制を実現し、ROIは500%超と報告されている。なお、これらの数字はDatabricksおよびDiscovery Bank自身による報告値であり、第三者機関による検証数値ではない点は留意されたい。

TRUST™：「この人らしいか？」で不正を検出する

同行の不正検出システム「TRUST™アラート」は、従来型の不正対策とは発想が異なる。

従来型は「このトランザクションは既知の不正パターンに一致するか？」を問う。TRUST™は「このトランザクションは、このクライアントの行動として自然か？」を問う。

数億件の金融インタラクションを処理し、予測モデル・クラスタリング・分位点回帰・異常検出を組み合わせて、各取引の「そのクライアントにとっての異常度」を定量化する。

重要なのは結果が二値（OK/NG）ではなくリスク評価であることだ。中程度のリスクなら「なぜ異常と判断したか」を説明した上でクライアント自身に判断を委ねる。高リスクならアカウントのロックまで自動実行する。判定はAzureベースのサービングアーキテクチャ上で数百ミリ秒以内に返される。

説明可能性をシステム設計に組み込んでいる点も重要だ。リスクスコアだけでは不十分で、クライアントも運用チームも「なぜフラグが立ったのか」を理解できなければ現場では使えない。

生成AIは「基盤の上に乗せる」——置き換えではない

Discovery Bankは2025年5月にDiscovery AIをリリースした。本記事の公開時点（2026年9月）ではすでに稼働から約1年が経過している。コンセプトは「プライベートバンキングの民主化」——ただしチャット界面で人間のプライベートバンカーを模倣するのではなく、保険数理・行動インテリジェンスによって体験そのものを変えることを目指す。

生成AIのアーキテクチャは4層構造だ。

1. ガバナンス済みデータ層：クライアント・商品・トランザクション情報
2. 分析層：予測モデルが生成するフォーキャスト・行動インサイト・レコメンデーション・ネクストベストアクション
3. コントロールツール・サービス層：AIが参照できる情報と機能の公開
4. 生成層：特化型LLM・プロセス・エージェントによるアクションと応答の決定

エージェントは既存のコントロール環境を置き換えない。TRUST™アラートは引き続き不正リスクを評価し、Unity CatalogがAIエージェントにまたがるガバナンスを提供し続ける。マルチモーダルシステムが書類を分類・フィールド抽出・データ照合・不整合検知を行い、次のステップをクライアントに案内するといった用途にも展開されている。

積み上げ方の順序が重要

記事が強調する教訓は、実装の順序だ。

1. ガバナンス済みデータ基盤と再利用可能なデータプロダクトを先に作る
2. 行動モデルとデシジョニングをパーソナライゼーションと不正防止に適用する
3. 生成AIをその上に乗せ、インテリジェンスへのアクセスを容易にする
4. エージェントが制御されたアクションを実行し、複雑なジャーニーを再設計する

いきなり生成AIから着手しない——これがDiscovery Bankの実装から得られる最も実践的な知見だ。裏を返せば、ステップ1と2が不完全なまま生成AIを導入しても、エージェントが参照すべき「信頼できるデータ」も「再利用可能なインテリジェンス」も存在しないため、ハイパーパーソナライズは成立しない。ROI 500%超や1日300モデルといった数字は、この順序を守った結果として生まれたものであり、生成AI単体の成果ではない点は見落とされやすい。

詳細はHow Discovery Bank delivers hyper-personalized banking at scale: behavioral AI, governed data, and real-time decisioningを参照していただきたい。