「Excelの集計屋」から「経営の参謀」へ――データとAIで変える管理会計の未来【後編】

　前編では、管理会計がExcelの集計作業に埋もれている現状と、そこから抜け出すためのデータ基盤づくりについて書いた。アウトプットから逆算して設計し、マスタを整え、ダッシュボードを定着させる。ここまでが「集計屋」を脱するための土台だ。

　後編のテーマは、その土台の上に何を載せるか。AI予測や生成AIは管理会計をどこまで変えられるのか。同時に、「AIで何かやれ」という号令がなぜ失敗しやすいのかも率直にお伝えしたい。

管理会計の4段階――AIが変える領域はどこか

　管理会計の成熟度は、大きく4つの段階に分けて考えるとわかりやすい。Level 1は「集計屋」で、何が起きたかを正確にまとめる段階。Level 2は「解説者」で、なぜそれが起きたのかを説明できる段階だ。前編で扱ったデータ基盤の整備は、このLevel 2までを支える土台にあたる。

　後編で扱うのはその先だ。Level 3は「航海士」。これから何が起きるかをAI予測で先読みする段階。Level 4は「参謀」。予測をもとに最適な打ち手を提示する段階で、管理会計の最終ゴールにあたる。

　現場はいまどのあたりにいるか。我々の肌感では、営業担当や事業部が「このぐらいになりそうです」と出してくる見込み数値は、ほぼすべての企業が持っている。ただし、その見込みをAIの予測と突き合わせてチェックしている企業となると、半分以下だろう。残りは現場の数字をそのまま積み上げているだけで、ここに伸びしろがある。

　では、AI予測といっても何を使えばいいのか。ここで整理しておきたいのが、統計モデル・機械学習と生成AIの役割分担だ。統計モデルや機械学習は理論ベースで動き、「この変数が売上にどれだけ影響しているか」を説明しやすい。経営層に予測の根拠を問われたとき答えを返せるのが強みだ。

　一方、生成AIの得意領域は別のところにある。ダッシュボード上で売上が20％落ちている項目を検知し、自然言語でレポートを生成するような用途で、営業日報や議事録といった非構造化データからの情報抽出を行ってくれる。Power BIのCopilotのような機能がすでにこれを実現しつつある。

　使い分けの原則はシンプルで、「説明を求められる予測」には統計モデル、「言語化や情報収集」には生成AIを使う。生成AIの場合、なぜその結果になったかの過程が見えにくく、経営層のブラックボックスへの不信感は現実に存在する。両方を組み合わせるハイブリッド運用が落としどころになるだろう。

生成AIが変える報告業務――「御用聞き」からの脱却

　生成AIが管理会計の実務をどう変えるか、もう少し具体的に見ていく。

　いま多くの企業で起きているのはこんなサイクルだ。売上が落ちている項目が見つかると、担当者が各部署に聞いて回る。営業に聞き、物流に聞き、集まった情報をExcelにまとめて経営陣に報告する。この「御用聞きサイクル」にかなりの工数が食われている。

　ここで使えるのがRAG（Retrieval Augmented Generation：拡張検索生成）だ。AIが自分の知識だけで答えるのではなく、社内のデータを検索してから回答を生成する仕組みで、管理会計の文脈ではこう動く。ダッシュボード上で売上が前年比マイナス20％と出たら、それをトリガーにAIが日報や議事録から関連情報を探しにいく。「大口顧客のキャンペーンが急遽取りやめになった」という記述を見つけたら、数字と背景情報をセットにして報告文を生成する。こうした部分をAIに任せることにより、担当者が何日もかけて聞き回っていた作業を、かなりの部分で自動化できる。

　ただし、日報やメールをそのまま放り込めばうまくいくわけではない。AIに参照させるデータは設計が必要だ。内部データならSFAやCRMの日報、作業ログ、広告キャンペーンの実績。外部データについてはWebクローリングの情報だけでなく、マクロ経済指標や業界レポートのような「硬いデータ」も保持しておくことが有効だ。市場調査データがあれば「市場は10％成長しているのに、うちは5％しか伸びていない」というギャップにも気づける。

　こうした報告文の自動生成――いわゆるナラティブ生成をスモールスタートで始めるなら、まずAIに書かせる報告文の「型」を決め、差異が大きい項目（売上や販促費など）から着手し、データ投入時にAIが自動でラベルを貼る仕組みを入れる。全部を一度にやろうとせず、小さく回し始めるのがコツだ。

　こうした仕組みが動き始めると、数字の分析と一次的な解釈はAIが担い、人はその先の意思決定に時間を使えるようになる。

リソース配分の最適化――管理会計の最終ゴール

　報告の自動化は通過点にすぎない。経営の最終的な意思決定は「リソースをどう配分するか」に集約される。売上予測だけでなく、売上を最大化するためのリソース配分の最適な組み合わせまで提示すること。ここが管理会計の最終ゴールだ。

　従来、この配分はどう決まっていたか。去年の踏襲か、えいやっと決めるところが多いのではないだろうだか。例えば、販促比率30％をそのまま踏襲し、その内訳も経験と勘で決めている。ここにAIのシミュレーションを入れれば、過去データから「SNSへの配分をこう動かせばリーチ数がこう伸び、売上はこう変わる」という因果モデルを組み、最適な組み合わせを算出できる。

　すでに広告費の最適化については一定の実績が出ており、ノーコードで最適化モデルを組めるツールも登場している。一方、細かくデータを蓄積できない領域では、まだまだ難しいのが実情だ。

陥りやすい3つの落とし穴と、正しい始め方

　実際に走り出すと、多くの企業が陥るポイントがある。

　1つめは「データさえあればAIが整理してくれる」という誤解だ。予測モデルやRAGの精度は、8割がデータの質で決まる。マスタがバラバラで入力ルールも不統一なデータを流し込めば、結果も支離滅裂になる。前編でマスタ整備の話を先に書いたのは、この順番を間違えると何も始まらないからだ。

　2つめは手段の目的化。「AIで何かやれ」という号令のもと、経営課題が不明確なままツールを入れても、誰も使わない高価な玩具になる。アウトプットから入るという原則は、AI活用の段階でも変わらない。

　3つめはブラックボックスへの不信感。精度が高くても根拠を説明できないAIより、精度はそこそこでも「なぜそうなるか」がわかるExcelの方が信頼される。AIが意思決定の場から排除されるのはこのパターンで、統計モデルとのハイブリッド運用が現実的な解になる。

　正しい始め方は、意思決定を1つに絞ったスモールスタートだ。期間は3カ月が目安。小さく作って回し始め、「もっと見たい」という声が出てきたらあるべき姿をアップデートしていく。ROIを定量で示すのは正直難しいので、定性的に「こうありたい」を説明し、小さく成果を見せて広げるのが現実的だ。

　推進の起点になるのは情報システム部門やデータ活用組織であることが多い。データを社内に浸透させるミッションと、全社横断テーマである経営管理は相性がいい。ただし、あるべき姿を知っているのは経理や経営企画の側なので、データの「器」とマスタの整合性は情シスが、計算ロジックやレポートの切り口といった「中身」は経理・経営企画が持つという責任共有が理想だ。両者をつなぐブリッジ人材がいれば、なお動きやすい。

　情シスやデータ活用の立場からすると、経営管理系のデータは「金鉱脈」だ。ERPやシステムはあるものの、テコ入れの余地はまだまだ残っている。作るべきはAI本体ではなく、汚れたデータをAIが使える形に整えるパイプラインの方だ。現場がChatGPTに機密データを貼り始める前に、安全に試せる「砂場」を先回りして用意しておくことも大事になる。

　経理や管理会計の立場であれば、意識したいのはスピードだ。100％正確な来週のデータより、80％の精度で今日出る予測の方が経営判断には役立つ。AIの予測を武器に、全社横断のビューで事業部と議論を戦わせる。そのチャレンジの入り口は、毎月の数字で「大きく動いた項目」を1つ拾い、理由を調べるところにある。

　管理会計の高度化は、一夜にして実現するものではない。だが、アウトプットから逆算して基盤を整え、小さく始めてAIを載せていくというステップは、どんな規模の企業でも踏み出せる。集計屋から参謀へ。そのための道具は、もう揃い始めている。

竹野 雄尋／株式会社ブレインパッド

アナリティクスコンサルティングユニット
シニアマネジャー

外資系コンサルティング企業、AIベンチャー企業にてデータ活用による新規事業開発に従事後、ブレインパッドに入社。現在は、小売、消費財、エンタメ業界クライアント向けに消費者データを活用するプロジェクトを推進。

当該業界における、将来を見据えたデータ活用組織立ち上げ、ビジネスアナリティクス高度化、マーケティング分析などのコンサルティングにより、企業のデータ活用の高度化を支援している。

三谷 貴志／株式会社ブレインパッド

アナリティクスコンサルティングユニット
マネジャー

欧州原子核研究機構（CERN）にて素粒子物理学の研究・データ解析に従事後、ブレインパッドに入社。現在は、広告領域やグローバル事業など、多様なクライアント向けにビッグデータを活用するプロジェクトを推進。

ビジネスアナリティクス支援、データ基盤・ダッシュボード構築、自然言語処理・LLMの技術開発まで幅広く手掛け、企業のデータ活用の高度化を支援している。