「AIを入れた」だけでは業務は変わらない。Wealth Management（資産運用・富裕層向け金融アドバイザリー）業界では、チャット補助にとどまる導入が多く、本質的な変革には届いていないという指摘が続いています。2026年6月、Sam Sova氏（Subatomic CEO）は「ソフトウェアを買うのをやめ、AIを雇う」という考え方を提唱しました。ここでいう「AI coworkers（AI同僚）」は、社内のワークフロー・データ・ベストプラクティスを学習したエージェント型AIが、ツールではなく組織の一員として動く姿を指します。
この記事では、金融業界の動向を手がかりに、他業種にも応用できる導入の実務ポイントを整理します。
- AI coworkersと従来のAIツールの違い
- 導入前に整えるべきデータ基盤の要件
- トークンコストの把握とLLM非依存運用の考え方
- Vantage Financialの導入実績が示す効果
AIツールとAI coworkersの違い
Wealth Management業界では、CRM更新の自動化や議事録作成など、既存業務を少し速くするAI導入が広がっています。The WealthStack Podcast（2026年4月）でも、現状の多くは「速いメモ取りやCRM更新」にとどまり、変革には届いていないと指摘されています（参考）。
一方、AI coworkersは受動的な補助ではありません。エージェント型AI（agentic AI）は、人間が指示を出すたびに応答するのではなく、目的に向けて自律的にタスクを進めます。SubatomicのSam Sova氏は、新入社員に業務説明とツールアクセスを渡すのと同様に、AI coworkersにも社内データと業務手順を学習させるべきだと説明しています（参考）。
導入の目的も異なります。単なる効率化ではなく、クライアント情報を横断的に統合し、成長につながる判断を支援する点が強調されています。Sova氏は運用効率は出発点にすぎず、成長こそが本当の価値だと述べています。
なぜデータ基盤が先決か
AI coworkersを動かす前提は、整ったデータ基盤です。Sova氏は、構造化データと非構造化データを正規化し、クライアントの同一人物を正しく突き合わせる作業が不可欠だと指摘しています。CRM、ポートフォリオ管理、メール、市場データなど複数システムに散らばった情報を、AIが参照できる形に統合する必要があります。
Subatomicの導入事例でも、「悪いデータの上に自動化を載せると、間違いが速くなるだけ」という考え方が示されています。Vantage Financialでは、自動化の前にテックスタック全体にわたる統合データレイヤーを構築したうえでAI coworkersを導入し、初年度で8,000時間の削減、50万ドル超の運用価値、4人分相当の業務効果を報告しています（参考）。
AWS for Industriesの技術解説でも、マルチエージェントが複数ソースからリアルタイム取得する方式と、統合データプラットフォームを単一の正とする方式が比較されています。後者は標準化済みデータセットへの問い合わせに集中できるため、精度向上とコスト削減の両面で有利と説明されています（参考）。同記事では、リレーションシップマネージャーが業務時間の約3分の2を非コア業務に費やしているという調査結果も引用されており、データ整備と自動化の必要性が業界全体の課題として位置づけられています。
トークンコストの見える化
エージェント型AIは、1回の対話で複数回のLLM呼び出しやツール実行を繰り返すため、従来のチャットボットよりトークン消費が膨らみやすい構造です。Sova氏は、導入前にAIがどのデータにアクセスし、出力がどう生成されるかを把握したうえで、トークン関連コストを追跡・最適化する体制が必要だと述べています。
実務では、チーム・プロジェクト・クライアント単位でコストを帰属させる仕組みが求められます。LLMゲートウェイやオブザーバビリティツールを挟み、入力・出力トークン数と推定コストをリクエストごとに記録するのが一般的なアプローチです。予算上限の設定や、異常なループによる暴走コストの検知も、採用判断とセットで設計する必要があります。
LLMを固定しない運用
Sova氏は、単一の大規模言語モデル（LLM）への依存を避け、LLM非依存（LLM-agnostic）な構成を採用すべきだと主張しています。品質とコストのバランスは、モデルごとに変わるため、用途に応じて切り替えられる基盤が前提になります。
ルーティングの基本は明快です。定型的な分類や要約には小型・低コストのモデルを使い、複雑な推論や顧客向け文書生成だけ高性能モデルにエスカレートする方式です。SubatomicのCTO Karl Simon氏も、業務プロセスは高い変動性を持つため、AI coworkersはその変化速度に追従できる柔軟性が必要だと説明しています（参考）。
モデル選定を固定しないことは、ベンダーロックインの回避にもつながります。新モデルの登場や価格改定が頻繁な2026年の環境では、基盤側でモデルを差し替えられる設計が、長期運用の条件になります。
「採用」としてのAI導入判断
Sova氏の主張の核心は、AI導入をテックスタックへの追加ではなく、組織の採用判断として扱う点にあります。採用なら、役割定義、パフォーマンス監視、コスト管理、データアーキテクチャの整備がセットで求められます。
Subatomicは2025年1月に正式ローンチし、2025年10月に700万ドルのシード資金を調達しました。顧客はクライアント面談準備、バックオフィス業務、ビジネスフレームワーク策定などをAI coworkersに任せ、チャットだけでなくテキストやメール経由でやり取りする例も報告されています（参考）。「人間の同僚と同じように、バックグラウンドで協働する」という設計思想は、ユーザーに新しいツールの使い方を強いる従来型ソフトウェアとの対比として語られています。
金融業界に限らず、複数システムにデータが散在し、専門人材の確保が難しい組織には、同じ論理が当てはまります。AI coworkersの導入を検討する際は、まずデータの正規化とコスト監視の仕組みを整え、LLMは用途に応じて切り替えられる基盤を用意する。Sova氏がWealth Management向けに示した3本柱は、業界を問わず実務設計の出発点になります。