[第2部] トレードクラフトを語る：大規模なトレードクラフト - Insights Investigatorが専門家の方法論をAIに導入する仕組み

人工知能の進展により、情報へのアクセスはかつてないほど容易になりましたが、調査担当者が直面する課題は、単にデータを見つけることではありません。分散した情報源から、関連性と信頼性が高く、任務に適した情報を見つけることは、依然として困難です。さらに大きな課題は、その情報を発見し、関連付け、何が重要かを見極めることです。

経験豊富なアナリスト、調査担当者、インテリジェンス専門家は、単に情報を検索するだけではありません。問いを適切に設定し、関連性の高い情報源を特定し、仮説を検証し、手掛かりを追い、調査結果の妥当性を確認したうえで、結論を裏付ける十分な根拠があるか、あるいはさらなる証拠が必要かを判断します。こうした専門知識は、多くの場合、長年にわたる実務経験を通じて培われます。

Babel StreetがInsights Investigatorを開発するにあたり、実証済みの調査原則をシステムに反映することを目標の一つとしました。AIを単独の回答エンジンとして捉えるのではなく、高度な言語モデルと、Babel Street独自の保有データ、調査ワークフロー、実務家の専門知識を組み合わせることに注力しました。

その結果、単なる情報検索にとどまらず、ユーザーがより効果的な調査を実施できるよう支援するシステムが実現しました。

In Talking Tradecraftシリーズ第1回では、当社のリーダーが考える分析技法と、エージェント型AI時代におけるその意味を掘り下げました。

パート2では、Babel StreetがInsights Investigatorのワークフローにトレードクラフトをどのように組み込んでいるかを解説します。

最後にパート3では、当社の実務担当者へのインタビューを通じて、適切な調査手法を実践するために従っているルールを紹介します。

調査AIにおける汎用言語モデルからの脱却

大規模言語モデル（LLM）は極めて高性能なツールですが、あらゆるテクノロジーと同様、その有効性は活用方法によって決まります。

最新のAIシステムは、タスクへの取り組み方を規定する構造化された指示、運用上の制約、意思決定フレームワークによって制御できます。これらの仕組みにより、モデルが一貫したプロセスに従い、情報を適切に評価し、可能な限り正確にユーザーの目的を達成できるよう動作することが保証されます。

プロダクトマネージャーのAndrew Alachは、目指したのは即座に結論へ飛びつくシステムではなかったと説明する。「見つけた情報源に基づいて、即座に結論を導き出そうとしないよう、システムに徹底させています」

この考え方が重要なのは、調査によって完全な情報が得られることはほとんどないためです。効果的な分析には、証拠を収集し、相反する情報を評価し、不確実性がどこに残っているかを把握することが必要です。

検索拡張生成が調査に重要な理由

現代の調査AIを支える重要な要素が、検索拡張生成（RAG）です。簡単に言えば、RAGにより、言語モデルは回答を生成する前に関連情報を検索できます。システムは学習時に得た知識だけに依存するのではなく、最新のデータコレクションにアクセスして関連コンテンツを特定し、それらの情報に基づいて回答を生成できます。

そのような根拠付けは必要ですが、調査実務の専門技法とは異なります。RAGは、エージェントが最新かつ関連性の高い情報源に基づいて作業できるようにします。調査実務の専門技法は、専門家の調査手法をエージェントの指示、計画フレームワーク、ツール、意思決定ロジック、調査方針の転換、検証手順、裏付け確認の実務にどのように組み込むかによって生まれます。

President兼Chief AI OfficerのJohn Larsonは、この課題を専門知識というより広い観点から説明しました。タスクがアイデンティティ解決、地政学分析、技術インテリジェンスのいずれに関わる場合でも、調査担当者が十分な情報に基づいて意思決定を行うには、蓄積された膨大な知識へのアクセスが必要になることが少なくありません。RAGは、必要な時点でその専門知識を利用できるようにします。

Babel Streetのエージェントは、より質の高い情報を取得するだけでなく、Babel Streetのデータに基づき、経験豊富な実務家の専門的な調査手法も組み込まれています。

Babel Street Dataを活用した調査AI

当然の帰結として、あらゆる調査システムの有効性は、最終的には利用可能な情報の質と網羅性に左右されます。ここで、Babel Streetのデータ戦略が大きな差別化要因となります。

Insights Investigatorは、Babel Streetが保有する、一般公開データ、商用データ、ミッションに関連するデータの膨大なコレクションを横断的に活用します。限定的な文書リポジトリや単一種類の情報に制約されることなく、Babel Streetの幅広いデータエコシステムを活用して、関係性を特定し、背景情報を明らかにし、関連するインテリジェンスを抽出します。

調査担当者にとって、これはデータセットではなく、問いから調査を始めることを意味します。

調査の起点が人物、組織、ユーザー名、電話番号、船舶、イベント、場所、脅威指標のいずれであっても、InvestigatorはBabel Streetの広範なデータコレクションを活用し、さらなる分析につながる可能性のある手掛かりの特定を支援します。

その結果、より包括的な調査の出発点が得られ、対象を取り巻く情報環境をより明確に把握できます。

AIワークフローへの調査規律の組み込み

データへのアクセスは重要な要素ですが、Insights Investigatorの中核となる設計原則は、経験豊富な調査担当者の規律ある調査手法をテクノロジーに反映させることです。

プロダクト管理担当ディレクターのJesse Bennetterによると、開発チームは社内各部門の経験豊富な実務担当者と緊密に連携しました。その目的は、熟練した調査担当者が利用可能なツールをどのように活用し、どのような問いを立て、検索条件をどのように絞り込み、手掛かりをどのように追跡するかを把握することでした。

同氏は次のように述べています。「社内のメンバーが培ってきたベストプラクティスを取り入れ、当社の機能をどのように活用しているかを把握することに努めました。その結果、経験豊富な実務担当者が日々用いている調査手法を体系化し、Investigatorが調査タスクに取り組む方法に組み込むことができました」

実質的に、Babel Streetは、実証済みの調査手法をInsights Investigatorに組み込み、実務で活用できるようにしました。

検索クエリだけでなく、調査の実務ノウハウを取り込む

当社の調査手法の専門家は、調査が直線的に進むことはほとんどないと確認しています。通常、経験豊富な調査担当者は、問いを起点に仮説を立て、複数の調査経路を追い、別の説明の可能性を評価し、新たな情報が明らかになるたびに理解を継続的に深めていきます。

Johnは、ID特定の事例を通じてこのプロセスを説明しました。調査担当者は、調査の切り口を次々と変えながら、断片的な情報から別の情報へとたどり、人物、アカウント、デバイス、場所、記録を関連付けていきます。

課題は、システムによってこのような思考様式を大規模に支援する方法を見極めることでした。Investigatorは、単にプロンプトに従って動作するのではなく、タスクを分解し、調査計画を策定・実行し、利用可能なツールを活用し、複数の調査経路をたどり、前提を検証し、調査結果の根拠となる証拠を明らかにするよう設計されています。

このアプローチは、単純な指示の範囲を超えるものです。経験豊富なアナリストが問題を分解し、証拠を追究し、別の説明を検証し、調査の進展に応じて情報を評価する方法、すなわち調査手法そのものを再現しようとする取り組みです。

AI調査で人間の判断が引き続き中核となる理由

AIは調査ワークフローを大幅に迅速化できますが、判断は依然として人間の責任です。真実を保証できるAIシステムはありません。Insights Investigatorは、裏付けを探し、矛盾する情報や不確実性を特定し、アナリストが検証できるよう出典付きの証拠を提示する設計となっています。

Johnはまた、AIが生成した結論を無批判に受け入れること、すなわち確証バイアスの危険性も指摘しました。これは、「AIが提示したのだから正しいと、ただ思い込んでしまう。これは大きな誤りです」という問題です。

そのため、Investigatorはアナリストに取って代わるのではなく、その業務を支援するよう設計されています。Johnはさらに、「最終的には、人間がその中心にいる必要があります……情報を確認し、評価し、判断し、裏付けを取るためです」と述べました。

調査AIとエージェント型ワークフローの未来

調査の未来は、言語モデルの大規模化や処理速度の高速化だけで決まるものではありません。

その未来を決定づけるのは、組織が信頼できるデータ、調査の専門知識、そして「AIを活用したワークフロー」をいかに効果的に組み合わせるかです。

Babel Street Data、検索主導型のインテリジェンスワークフロー、専門家の知見に基づく調査手法、具体的な運用上のガードレールを統合することで、Insights Investigatorは、組織が単純な情報検索を超え、より高度な調査支援モデルへ移行できるよう支援します。こうしたガードレールには、データとツールへのアクセス制御、計画とアクションの透明性、必要に応じた人による承認、引用と出典情報、システムがどのように調査結果に至ったかを示す監査可能な記録が含まれます。

その結果、単に質問に答えるだけでなく、実務担当者がより効果的に調査し、業務効率を高め、より多くの情報に基づいて意思決定できるよう支援するAIシステムが実現します。