本記事は、SnowflakeのForward Deployed EngineerチームがSnowflakeプラットフォーム上でAI駆動の契約審査エージェントを構築した方法を共有する社内ケーススタディです。このツールはSnowflake内で使用されており、最先端のAI機能が、リスクが高く規制の厳しいワークフローをどのように変革できるかを示す例としてここで共有されています。
使用されたSnowflakeのテクノロジー：Snowflake Openflow、Snowflake Cortex AI、Cortex Agent、データ Agent Run、Snowflake AI Extract、Streamlit in Snowflake、Snowflake Intelligence
従来の審査プロセス
リスクの高いエンタープライズソフトウェアの世界では、見積もりから現金化までのライフサイクルは、契約審査のスピードと正確さに大きく依存しています。従来、経理業務を拡張するには、手作業による人員を追加し、カスタマイズされた顧客の注文書、基本合意書（MSA）、および修正契約を苦労して審査する必要がありました。この手作業によるアプローチは、運用上のボトルネックを生み出し、収益認識に影響を与える非標準的な条項を特定する際に、ヒューマンエラーのリスクをもたらす可能性があります。
エンタープライズ規模において、Snowflakeは、構造化されたキャパシティコミットメントから特殊なマーケットプレイス契約まで、大量の顧客契約を処理しています。これらの各契約イベントには、キャパシティコミットメント、割引構造、請求頻度、インセンティブ条項など、独自の商業条件が含まれており、収益認識のコンプライアンスと内部監査の制御のために細心の注意を払って審査する必要があります。
このプロセスに対する内部制御をテストする際、監査担当者は各PDFを1行ずつ読み、標準または非標準の条件がもたらす影響を確認し、関連する収益処理の妥当性を審査します。しかし、Snowflakeの取引量が増加するにつれて、このモデルはスケールしなくなります。四半期ごとに何千もの注文書があり、それぞれに人間による慎重な審査が必要です。
「監査チームは、非標準的な条件を見つけるためにPDFを手作業でスキャンするのに何時間も費やしていましたが、全体のサンプルに対してしか保証を提供できていませんでした」と、Internal Audit担当VPであるAmrita Kapoorは述べています。「私たちはこのモデルを覆す必要がありました。AIに全体を網羅的に読み込ませることで、監査担当者は例外処理に専門知識を集中させることができます。これにより、最終的に保証範囲が大幅に拡大し、将来的にはこの時間の節約をプロセスオーナーに還元することも可能になります」
ブラックボックスではなく、監査担当者のコパイロットを構築
チームの設計原則はシンプルでした。検出レイヤーを自動化する一方で、「非標準」とみなすものについては監査担当者が包括的な制御を維持するというものです。これは判断を置き換えることではなく、干し草の山から針を探すような退屈な時間をなくし、専門家がその後の対応の決定に集中できるようにすることでした。
契約審査エージェントは、次の3つのレイヤーで機能します。
取り込みと抽出：注文書のPDFは、ソースシステムからGoogle Driveを経由し、Snowflake Openflowを通じてSnowflakeステージに流れます。Cortex AI関数を搭載したCortex Agentがレイアウトの抽出を処理し、AI Extractを使用して、顧客名、キャパシティ量、割引条件、支払いスケジュール、および数十の収益関連データポイントなどの構造化されたフィールドを抽出します。
プレイブックに対する分類と新規条件のフラグ付け：エージェントは、モデルの判断だけに頼るのではなく、抽出されたすべての条件をユーザーマネージドのプレイブック（「標準」と「非標準」の定義を示す、生きたルールのセット）と照らし合わせて評価します。プレイブックは、監査チームが所有し直接編集できるガバナンスの効いたSnowflakeテーブルであり、エンジニアリングチケットは必要ありません。エージェントはすべての条項をこれと照らし合わせてスコアリングし、標準または非標準の分類を生成します。これには、信頼度スコア、条項レベルの抜粋、ページ参照、および条件にフラグが付けられた理由の自然言語による説明が含まれます。
表示、審査、学習：検出結果は、ポートフォリオレベルの可視性を提供する管理者ダッシュボードと、詳細な審査のための契約詳細ビューを備えた、審査担当者中心のアプリケーションに表示されます。監査担当者は、すべての検出結果を承認、上書き、またはエスカレーションできます。抽出された値に対するものであっても、分類に対するものであっても、すべての修正はログに記録され、プレイブックのルールと同様に抽出のヒントとして保持されます。これらは長期メモリに保存され、その後の実行のたびにエージェントにフィードされます。各スキーマフィールドに対するカスタムのAI Extractの質問により、監査担当者はエージェントが特定の条件を解析する方法を調整でき、バッチごとに精度と再現率を高めることができます。並行して動作するSnowflake Intelligenceエージェントは、アプリに直接アクセスすることなく、監査ステータスや非標準の割合を確認できる自然言語インターフェースを関係者に提供します。
"AIエージェントは単にテキストを解析（パース）するだけでなく、自ら『推論』を行っています。特定の文言がなぜ非標準的とみなされるのか理由を解説し、社内規定（プレイブック）のルールを引用した上で契約書の抜粋を提示するため、レビュー担当者はスムーズに確認や修正を行うことができます。さらに、下されたすべての判断はログとして記録されます。"
Charles Xu
AIが生成した説明用の例です。実際の顧客や企業のデータに基づくものではありません。
プレイブック：監査担当者がルールを作成
ほとんどのAI契約ツールには、「標準」とは何かという固定されたモデルが搭載されています。これは監査において問題となります。非標準の定義は、ビジネスの状況、規制の変更、取引構造によって進化するためです。
プレイブックマネージャーにより、監査担当者が直接制御できるようになります。これはSnowflakeに保存された編集可能なルールエンジンであり、アプリケーションのUIからアクセスできます。
- 各ルールは、条件、その検出基準、およびその分類（標準か非標準か）を定義します。
- すべての変更（アクション、ルールID、変更者、日時、古い値、新しい値）は、不変の監査証跡に記録されます。
- ルールは、コードの変更や再デプロイを行うことなく、次の処理の実行時に直ちに有効になります。
これにより、監査チームは新しい契約パターンに数分で対応できるようになります。第4四半期の取引で新しい割引構造が現れた場合、監査担当者がルールを追加すると、エージェントはコーパス全体でそれにフラグを付け始めます。プレイブックは、エンジニアリングのスプリントのスピードではなく、ビジネスのスピードに合わせて進化します。
AIが生成した説明用の例です。実際の顧客や企業のデータに基づくものではありません。
未知のパターンの検出
ルールベースの検出は、既知のパターンを捕捉します。しかし、契約書は創造的なドキュメントであり、既存のルールでは予測できない新しい条項が現れます。そこで役立つのが、新規条件の検出機能です。
システムは2層のアプローチを採用しています。第1に、既知の標準的な契約言語のコーパスが埋め込まれ、インデックス化されます。エージェントは、このコーパスから意味的に離れた条項に遭遇すると、新規の可能性があるとしてフラグを立てます。第2に、フラグが立てられた条件は既存のプレイブックのルールに照らして評価され、純粋に新規の言語と既知のパターンが分離されます。
検出された新規条件は別のビューに表示され、監査担当者が「意味のある異常」か「日常的なノイズ」かをラベル付けします。これらのラベルはシステムにフィードバックされ、今後の実行で何を優先すべきかを学習させます。時間が経つにつれて、契約書を最もよく理解している担当者によって調整され、新規条件の検出機能はより正確になります。
結果
- 審査時間を70%削減：以前は複数レベルの準備が必要だった作業がAIによって処理されるようになり、数日かかっていた作業が数時間で完了します。
- 人員を比例して増やすことなく包括的なカバレッジを実現：取引量の増加に合わせて監査チームを拡大することなく、四半期ごとに数千件の注文書を審査し、収益への影響を確認しています。
- 設計段階からの監査可能性：すべての抽出、分類、ルールの変更、修正は、詳細な来歴とともにログに記録されます。これは、外部監査人が期待するような証拠の追跡記録です。
- 継続的な精度の向上：審査サイクルのたびに修正とラベルがシステムにフィードバックされ、バッチ処理のたびに精度が向上します。
AIが生成した説明用の例です。実際の顧客や企業のデータに基づくものではありません。
顧客契約の枠を超えて
同じアーキテクチャが、他の種類の契約にも拡張されています。このパターンは一般化できます。抽出スキーマを定義し、そのドキュメントタイプにおける「標準」の意味を定義するプレイブックのルールを作成すれば、エージェントに網羅的な読み取りを任せ、専門家は判断に集中できます。
Unstructured Data Application担当PMであるNikolai Scholz氏は、次のように述べています。「ビジネスに合わせて契約審査をスケールさせる唯一の方法は、このようなシステムを利用することです。このシステムがなければ、運用チームを直線的に拡大するしかありません。しかし、このシステムがあれば、チームを小規模に保ちながらカバレッジを拡大できます。さらに、専門家がシステムに学習させるため、四半期ごとにシステムはよりスマートになります」
