こんな人・場面向けの記事です：全社に汎用の生成AIを契約するか、特定の業務に合わせて調整したAIを使うかを検討している、経営企画・情報システム・業務部門の担当者の方。
この記事で分かること
- ヘッジファンドのBridgewater AIA Labsは、投資家の日々の情報の仕分け業務6種類で、最先端の汎用AIを検証しました。単純な指示では、精度は平均で約50%にとどまりました[1]
- 同社が、専門家の判断を学習させて調整した、Alibaba製のオープンなモデル（Qwen3-235B）は、同社の評価で84.7%の精度を出しました。試した汎用AIで最も高かった78.2%を上回り、実行コストは約14分の1でした[2]
- ただし、この数値は同社と共同開発者自身による評価で、独立した第三者の検証ではありません。「汎用AIより特化型が常に良い」とは言えません[2]
何を検証した研究なのか
Bridgewater AIA Labsは、Thinking Machines Labと共同で、2026年6月30日に検証の結果を公開しました。対象は、投資家が毎日行う「情報の仕分け」の仕事です。ニュース、調査報告、企業の文書、メールなどから、判断に必要な情報を選び出す作業です[1]。
読むこと自体は簡単で、実際の仕事は、「これは重要か」「これは読むべきか」という小さな判断のくり返しだと、同社は説明しています[1]。次の6つの課題で、精度を測りました[1]。
| 課題 | 内容 |
|---|---|
| 金融記事の関連度 | 幹部クラスの投資家にとって、その記事が関連するかを分類する |
| 中央銀行の文書の関連度 | 今後の金利の方向を示すかを分類する |
| 一般文書の関連度 | 投資家の質問に答える助けになる文書かを分類する |
| 内容のラベル付け | 繰り返しの定型文か、個別の分析を含むかを分けて、個別内容の最終ページを特定する |
| 文書の切り詰め | 定型文が始まる位置を特定する |
| メールの切り詰め | 定型文が始まる位置を特定する |
結果：汎用AIは「単純な指示」では約50%
Gemini、Claude、GPTの各モデルは、課題を単純に伝えただけの指示では、平均で約50%の精度でした。専門家が書いた指示に変え、記事を3段階（関連していて面白い、関連しているが面白くない、無関係）に分けさせると、70%台半ばまで上がりました[1]。
それでも、投資家が日々の業務で信頼できるとする80%の基準には届きませんでした。自動で指示文を最適化する手法でも、これ以上の改善は見られなかったと報告されています[1]。
また、新しいモデルの精度は、費用に対してあまり伸びていないとされています。GPT 5.4は、5.2より費用が43%高いのに、精度の向上はわずかでした[1]。
調整したモデルの結果
同社は、オープンなモデルQwen3-235Bを、投資家の判断を反映したデータで追加学習（＝ファインチューニング）しました。追加学習の前のモデルは、平均44.8%の精度でしたが、学習の手法を加えて73.48%まで上がり、最終的にさらに改良されました[1]。
| 項目 | 結果 |
|---|---|
| 調整したモデルの精度 | 84.7%[2] |
| 試した汎用AIで最高の精度 | 78.2%[2] |
| 実行コスト | 汎用AIの約14分の1[2] |
この結果で重要なのは、学習に使った「正解データ」の質です。最初は外部の委託業者にラベル付けを頼みましたが、間違いが多く、学習した結果も低調でした。そこで、まず委託先のデータで学習したモデルを作り、そのモデルとラベルが食い違う例だけを、専門の投資家に見直してもらう方法をとりました[1]。
「Qwenは無料のオープンなモデルだが、良い結果が出たのは、専門家の判断を丁寧に集めたからだ」という点は、押さえておく必要があります。
自社の判断に当てはめるなら（筆者の整理）
以下は、報告の内容を、一般の企業に置き換えた筆者の整理です。Bridgewaterの結論そのものではありません。
| 報告された事実 | 自社で考える視点 |
|---|---|
| 単純な指示では約50%だった | 汎用AIは、指示の書き方で結果が大きく変わる。まず指示の改善を試す |
| 専門家の指示で70%台半ばまで改善 | 業務の判断基準を、専門家が言葉にする作業に価値がある |
| それでも80%の基準に届かなかった | 「使える精度」の基準を、業務ごとに先に決める |
| 調整で84.7%に到達 | 専門家の正解データがそろえば、調整の選択肢が現実的になる |
| 費用は約14分の1 | 件数が多い定型の判断では、実行コストの差が大きくなりうる |
具体例：問い合わせの仕分けで、使える精度を決めて試す手順（筆者の整理）
以下は、報告の考え方を、カスタマーサポート部門の問い合わせ仕分けに当てはめた筆者の例です。報告が示した手順ではありません。
- 担当者が、過去の問い合わせを数百件ぶん、正しい分類に仕分けし、正解データにする
- 「この精度なら任せられる」という基準を、先に決める（例：80%）
- 汎用AIに、単純な指示で仕分けさせ、正解データとの一致率を測る
- ベテランの担当者が、分類の考え方を文章にして指示文を改善し、もう一度測る
- 基準に届かない場合に限り、正解データを増やして調整を検討する
保存用チェックリスト：汎用AIか、調整したAIかを決める前に
- 対象の業務は、件数が多く、判断の基準が一定か（例：問い合わせの分類、文書の仕分け）
- 「使える精度」の基準（例：80%）を、導入前に決めているか
- 汎用AIで、指示の書き方を改善する試験を、先に行ったか
- 正解データ（専門家が判断した例）を、十分な量と質で用意できるか
- 調整に必要な費用・期間・体制と、汎用AIの利用料を、同じ条件で比べたか
- 機密情報を扱う場合の、データの取り扱いのルールを確認したか
上司・同僚に説明する3行
- Bridgewaterらの検証で、汎用AIは金融文書の仕分けで、単純な指示だと約50%、専門家の指示で70%台半ばだった[1]
- 専門家の判断で調整したモデルは84.7%で、汎用AIの最高78.2%を上回り、実行コストは約14分の1だった[2]
- ただし同社らの自社評価。自社では、まず指示の改善を試し、次に調整を検討する
よくある質問
Q1. 汎用AIの契約は、やめたほうがよいですか？
この報告は、汎用AIの契約をやめるべきだとは述べていません。特定の業務で、専門家の判断を学習させたモデルが、費用と精度で優れる場合がある、という結果です[1]。
Q2. 無料のオープンなモデルなら、すぐ同じことができますか？
いいえ。良い結果には、専門家が確認した正解データと、学習の手法が必要でした[1]。モデル自体が無料でも、準備の費用は別にかかります。
Q3. この結果は、他の業務にも当てはまりますか？
報告は、公開が許された一部のデータについての結果です。同社は、他の課題でも似た傾向があると述べていますが、詳細は公開されていません[1]。
限界・未確認事項
- 本記事は、Thinking Machines Labの公開記事（6月30日付）と、The Decoderの報道（7月3日付）に基づいています。
- 数値は、Bridgewaterとその共同開発者による社内評価です。両社には、成果を売り込む商業上の利益があると、報道も指摘しています[2]。
- 評価の対象は、金融文書の仕分けに限られます。他の業務や業界で同じ結果になるかは、この報告からは分かりません。
- 学習に使った正解データの費用や、調整にかかる総額は、確認できた範囲では示されていません。
- モデルの名前や費用は、今後変わる可能性があります。
コメント