Thomson Reuters・RBC、エンタープライズクラウドにAIエージェント統合

情報サービス大手Thomson Reutersと、カナダ最大の銀行**RBC（Royal Bank of Canada）**が、エンタープライズクラウドワークフローへのAI統合を大幅に拡大する計画を発表した。Thomson Reutersは法務AI「CoCounsel」を中核としたエージェンティックワークフロー基盤を構築し、RBCはAzure OpenAIを活用したリスク分析・顧客サービスの自動化を加速する。

両社の取り組みで特に注目すべきは、エージェンティックライセンス契約という新しいビジネスモデルだ。従来のシート単位（ユーザー数課金）からタスク単位課金へと移行するこの動きは、エンタープライズSaaS市場全体の課金体系を根底から変える可能性がある。Thomson Reutersは2026年のAI関連収益が前年比40%以上増加する見通しを示しており、エンタープライズAIが「実験フェーズ」から「本番ワークフロー統合フェーズ」へ確実に移行していることを裏付けている。

Thomson Reuters: 法務AIの最前線

CoCounselとは何か

Thomson ReutersのCoCounselは、法務専門のAIアシスタントだ。2023年にGPT-4を基盤として開発が始まり、2024年にはWestlaw（判例データベース）やPractical Law（法務テンプレート集）と統合された。2026年現在、CoCounselは世界中の5万以上の法律事務所と企業法務部門で利用されている。

CoCounselの特徴は、汎用的なチャットボットではなく、法務ワークフローに深く組み込まれたAIエージェントである点だ。具体的には以下の機能を提供する。

機能	説明	従来の作業時間	AI適用後
デューデリジェンス	M&A関連の契約書数百件を自動レビュー	2〜4週間	3〜5日
判例リサーチ	関連判例の検索・要約・引用チェック	数時間〜数日	数分
契約書ドラフト	テンプレートベースの契約書自動生成	2〜3時間	15分
コンプラチェック	規制変更に対する既存契約の適合性チェック	1〜2日	2〜3時間
リスクフラグ	契約条項のリスクスコアリングと要注意箇所の特定	半日	リアルタイム

エージェンティックワークフロー基盤

Thomson Reutersが今回発表した最大の進化は、CoCounselを**「ツール」から「エージェント」に昇格させた**ことだ。従来のCoCounselは、ユーザーが質問を投げかけ、AIが回答するQ&A型のインタラクションだった。新しいバージョンでは、**複数のタスクを自律的に連鎖実行する「エージェンティックワークフロー」**を実現している。

例えば、M&Aのデューデリジェンスでは次のような一連のプロセスが自動化される。

1. 対象企業の開示資料をOCRで読み取り、構造化データに変換
2. 各契約書の主要条項（チェンジ・オブ・コントロール条項、競業避止義務等）を自動抽出
3. Westlawの判例データベースと照合し、各条項のリスクレベルをスコアリング
4. リスクの高い条項についてドラフト修正案を自動生成
5. 人間の弁護士にレビューリクエストを送信（Human-in-the-Loop）

この一連のプロセスが、人間の指示は最初の1回のみで、あとはAIエージェントが自律的に実行する。Thomson ReutersのCTO、David Wongは「弁護士の役割は、AIエージェントの出力をレビューし、最終判断を下すことに集中できるようになる」と説明している。

RBC: 金融AIの本格統合

カナダ最大の銀行が賭けるAI戦略

RBC（Royal Bank of Canada）は、総資産約2兆カナダドル（約220兆円）を誇るカナダ最大の金融機関だ。従業員数は約9万人、世界36カ国で事業を展開している。RBCは2020年代前半からAI研究に積極的に投資してきたが、2026年に入り、その成果を本番のクラウドワークフローに大規模に組み込み始めた。

RBCのAI戦略は3つの柱で構成される。

1. リスク管理AI: 融資審査、信用リスク評価、マーケットリスクのリアルタイム監視
2. 顧客サービスAI: パーソナライズされた金融アドバイス、チャットボット、不正検知アラート
3. オペレーション効率化AI: 社内文書処理、コンプライアンス報告、規制対応の自動化

Azure OpenAIとの統合

RBCはMicrosoftとの戦略的パートナーシップのもと、Azure OpenAI ServiceをAI基盤として採用している。金融業界特有のデータ規制（個人情報保護、データ居住地要件）をクリアするため、カナダ国内のAzureリージョンでのデータ処理を保証する「ソブリンクラウド」構成を採用している。

領域	AI活用内容	効果
融資審査	申請書類の自動読取・信用スコア算出・条件提案	審査時間を5日→1日に短縮
不正検知	トランザクションパターンの異常検知・リアルタイムアラート	誤検知率を35%削減
顧客対応	AIチャットボットによる24/7対応・人間エスカレーション連携	対応コスト40%削減
コンプラ	規制変更の自動追跡・影響評価・レポート生成	報告作業を60%効率化
投資分析	市場ニュースの自動要約・ポートフォリオ影響分析	アナリスト生産性2倍

RBCのChief Technology Officer、Bruce Rossは「AIは銀行業務のすべてのレイヤーに浸透しつつある。我々の目標は、従業員がより価値の高い判断に集中できる環境を作ることだ」と述べている。

エージェンティックワークフローのアーキテクチャ

以下の図は、Thomson ReutersとRBCが構築しているエンタープライズAIワークフローのアーキテクチャを示しています。データソース層からAI処理層、ビジネスアプリケーション層、成果までの4層構造です。

このアーキテクチャの核心は、AI処理層がデータソースとビジネスアプリケーションの間に位置し、ワークフロー全体をオーケストレーションする点にある。従来のエンタープライズシステムでは、各アプリケーションが個別にAI機能を持つ「サイロ型」の構成だった。Thomson ReutersとRBCの新アーキテクチャでは、共通のAIエージェント基盤が複数のアプリケーションを横断的に制御する。

エージェンティックライセンス契約: SaaS課金モデルの革命

シート課金の限界

エンタープライズSaaS市場は長年、**シート単位課金（1ユーザーあたり月額○ドル）**が支配的な課金モデルだった。Salesforce、ServiceNow、Microsoft 365など、ほぼすべての主要SaaSがこのモデルを採用している。

しかし、AIエージェントの登場がこのモデルを根本から揺さぶっている。AIエージェントが人間の代わりにタスクを実行する場合、「ユーザー数」という概念自体が意味を失うからだ。例えば、Thomson ReutersのCoCounselが100件のデューデリジェンスを自動実行した場合、それは「1ユーザー」としてカウントすべきなのか、「100ユーザー分の作業」としてカウントすべきなのか。

タスク単位課金の台頭

Thomson Reutersが導入したエージェンティックライセンス契約は、この問題に対する一つの解答だ。具体的には以下のような課金体系になる。

課金単位	例	想定単価
タスク完了	デューデリジェンスレポート1件完了	$50〜$200
文書処理	契約書レビュー1件	$10〜$50
リサーチ	判例リサーチ1件（要約・引用付き）	$5〜$20
ドラフト	契約書ドラフト1件	$20〜$100
モニタリング	規制変更の継続監視（月額）	$500〜$2,000

この課金モデルの最大の特徴は、AIが実際に生み出した価値に比例して課金されることだ。デューデリジェンスレポート1件に$200を課金しても、従来は弁護士が2週間かけて行っていた作業（人件費換算で$10,000以上）に比べれば大幅なコスト削減になる。Thomson Reutersにとっても、シート課金よりも高い単価を設定できる可能性がある。

Salesforceも2025年末にAgentforceで会話単位課金（1会話$2）を導入しており、エージェンティック課金はエンタープライズSaaS市場のメガトレンドになりつつある。

課金モデル変革の影響

エージェンティック課金の台頭は、SaaS企業の収益構造を根本的に変える可能性がある。

SaaS企業にとってのメリット:

• ユーザー数に依存しない売上成長が可能
• AIの性能向上に比例して単価を上げられる
• 顧客のAI活用度が深まるほど売上が増加

SaaS企業にとってのリスク:

• ユーザー数ベースの予測可能な売上がなくなる
• AIの精度が低いとタスク課金への抵抗が生まれる
• 顧客が内製AIに切り替えた場合のリスク

エンタープライズSaaSベンダーのAI戦略比較

以下の図は、主要なエンタープライズSaaSベンダー6社のAI統合状況を比較しています。課金モデル、対応領域、LLM基盤、統合成熟度を横断的に評価しています。

Thomson Reuters vs. SAP vs. Salesforce

各社のAI戦略には明確な差別化ポイントがある。

観点	Thomson Reuters	SAP	Salesforce	ServiceNow	Microsoft
AI戦略	業界特化（法務）	水平展開（ERP全般）	CRM中心	IT運用中心	プラットフォーム全域
差別化	Westlaw判例DB	ERPデータ資産	CRMデータ資産	ITSMワークフロー	Office+Azure統合
課金	タスク単位	追加SKU	会話単位	追加SKU	$30/月/ユーザー
AI収益比率	約15%（2026年）	約8%	約12%	約10%	約20%（Copilot含む）
強み	専門知識の深さ	既存ユーザー基盤	エコシステム	自動化との統合	スケール
弱み	市場の狭さ	導入の複雑さ	価格の高さ	CRM領域の弱さ	機能の浅さ

Thomson Reutersの特異性は、法務という高単価・高専門性の領域に特化していることだ。SalesforceやServiceNowが「広く浅く」AI機能を展開するのに対し、Thomson Reutersは「狭く深く」展開する。CoCounselが生成する法務文書の品質は、汎用LLMのそれを大きく上回っており、この専門性がエージェンティック課金の高単価を支えている。

金融機関のAI戦略: RBC vs. JPMorgan vs. Goldman Sachs

RBCの動きは、金融業界全体のAI統合トレンドの一部だ。

金融機関	AI投資規模（年間）	主なAI活用領域	LLM基盤
RBC	約$500M	リスク管理、顧客サービス	Azure OpenAI
JPMorgan	約$2B	トレーディング、不正検知、リサーチ	独自LLM + GPT-4
Goldman Sachs	約$1.5B	投資銀行業務、コード生成	GS AI Platform
Morgan Stanley	約$800M	ウェルスマネジメント、アドバイザリー	GPT-4（OpenAI直接契約）
HSBC	約$600M	AML（マネーロンダリング対策）、貿易金融	Google Cloud AI
三菱UFJ	約$300M	融資審査、文書処理	Azure OpenAI + 国産LLM

RBCは投資規模ではJPMorganやGoldman Sachsに劣るが、クラウドネイティブなアーキテクチャでの先行者利益がある。カナダの規制環境はAI導入に比較的寛容であり、RBCはこの地の利を活かしてAI統合を加速している。

なぜ法務・金融がAI統合の最前線なのか

高い専門性 × 定型的な作業 = AIの最適領域

法務と金融は、一見すると「人間の判断が不可欠な領域」に見える。しかし実際には、両分野の業務の多くは**「高い専門知識が必要だが、プロセス自体は定型的」**という特徴を持っている。

契約書のレビューを例に取ろう。弁護士が契約書をレビューする際の作業は、大まかに以下のステップに分解できる。

1. 契約書の全文を読み、主要条項を特定する
2. 各条項をテンプレート（ベストプラクティス）と比較する
3. リスクの高い条項にフラグを立てる
4. 修正案をドラフトする
5. クライアントに報告する

ステップ1〜4は、大量のデータ（過去の契約書、判例、規制文書）を参照しながら行うパターンマッチング作業だ。ここにLLMの力が最も効果的に発揮される。ステップ5の「最終判断」のみが、人間の弁護士の専門性が真に必要な領域だ。

データの価値

法務・金融分野のデータは、他の業界と比較して極めて高い経済的価値を持つ。1件の契約書レビューのミスが数百万ドルの損失につながり得るため、AIの精度への要求水準も高い。逆に言えば、高精度のAIが提供できれば、顧客は高い対価を支払う用意がある。

Thomson Reutersが保有するWestlawの判例データベース（数百万件の判例・法令）と、RBCが保有する数十年分の金融取引データは、それぞれの分野でAIを訓練するための圧倒的な競争優位資源だ。

日本の大企業のAI導入状況

遅れを取る日本のエンタープライズAI

日本の大企業におけるAI導入は、欧米に比べて2〜3年の遅れがあると言われている。経済産業省の2025年度調査によれば、日本の大企業（従業員1,000人以上）のうち、**業務ワークフローにAIを本格統合しているのはわずか12%だ。一方、米国では同規模の企業の約45%**がすでにAIを業務ワークフローに組み込んでいる。

指標	日本	米国	欧州
AI本格統合率	12%	45%	30%
AI投資額（大企業平均）	約5億円/年	約$50M/年	約€30M/年
主な課題	人材不足、データ整備	スケーリング、ROI証明	規制対応、データ主権
法務AI導入率	3%	25%	15%
金融AI導入率	8%	40%	28%

日本の法務AI市場

日本の法律事務所や企業法務部門でのAI導入は、まだ初期段階にある。2026年3月時点で、日本の法務AI市場の主要プレイヤーは以下の通りだ。

• LegalOn Technologies: 契約書レビューAI「LegalForce」を提供。約2,000社が導入
• MNTSQ: 契約管理プラットフォーム。M&AデューデリジェンスのAI支援機能を提供
• AI-CON: 契約書の自動チェックサービス

しかし、これらのサービスはThomson ReutersのCoCounselと比較すると、**エージェンティックワークフロー（自律的なタスク連鎖）**には対応していない。日本の法務AIは依然として「ツール」段階にあり、「エージェント」段階への移行はこれからだ。

日本の金融機関のAI動向

日本の3メガバンク（三菱UFJ、三井住友、みずほ）はいずれもAI投資を拡大しているが、RBCのようなワークフロー全体へのAI統合には至っていない。

三菱UFJは2025年にAzure OpenAI Serviceを導入し、社内文書の検索・要約AIを全行員に展開した。三井住友はGoogle Cloud AIを活用した不正検知システムを稼働させている。みずほはAWSを基盤としたAI分析プラットフォームを構築中だ。

いずれも個別業務へのAI適用は進んでいるが、Thomson ReutersやRBCのような**「AIエージェントがワークフロー全体をオーケストレーションする」**レベルには達していない。日本の金融規制（金融庁のガイドライン、個人情報保護法の厳格な解釈）が、AIの自律的な意思決定への制約となっている面もある。

日本企業が学ぶべき3つのポイント

Thomson ReutersとRBCの事例から、日本企業が学ぶべきポイントは明確だ。

1. 「ツール」から「エージェント」への移行

日本のAI導入は、チャットボットや文書検索など「ツール」レベルにとどまっているケースが多い。次のステップは、複数のタスクを自律的に連鎖実行する「エージェント」への移行だ。そのためには、業務プロセスの標準化とデータの構造化が前提条件となる。

2. エージェンティック課金への備え

従来のSaaSベンダーとの契約がシート課金からタスク課金に移行する場合、IT予算の組み方自体を見直す必要がある。タスク課金は使い方によっては従来よりも高コストになり得るため、ROIの事前検証が重要だ。

3. Human-in-the-Loopの制度設計

AIエージェントが自律的に業務を実行する場合でも、最終判断は人間が行う「Human-in-the-Loop」の仕組みが不可欠だ。特に法務・金融のような高リスク領域では、AIの出力を誰が、どのタイミングで、どの基準でレビューするかの制度設計が、AI導入の成否を分ける。

今後の展望: 2026年後半の注目ポイント

Thomson Reutersの次の一手

Thomson Reutersは2026年後半に、CoCounselのマルチエージェント機能を発表する予定だ。複数のAIエージェントが協調して1つの案件（例: 大型M&Aのデューデリジェンス全体）を処理する機能で、対象文書数が数万件に及ぶ大型案件でも数日で完了することを目指している。

また、日本市場への本格参入も示唆されている。Westlawの日本版データベースの拡充と、日本語対応CoCounselのベータ版リリースが2026年第4四半期に予定されていると報じられている。

RBCのグローバル展開

RBCはカナダ国内で成功したAIワークフローを、米国、英国、アジア太平洋の各拠点に展開する計画だ。特にアジア太平洋市場では、日本・オーストラリア・シンガポールの規制環境に適合したローカライズ版の開発が進んでいる。

エンタープライズAI市場の規模

Gartnerの予測によれば、エンタープライズAI市場は**2026年に$650B（約97.5兆円）に達し、そのうちエージェンティックAIが占める比率は約15%（$97.5B）**に成長する見通しだ。2028年までにはエージェンティックAIの比率が30%を超えると予想されており、Thomson ReutersとRBCの取り組みはこのメガトレンドの先頭を走っている。

まとめ: 具体的なアクションステップ

Thomson ReutersとRBCのエンタープライズAI統合は、法務・金融という高専門性分野で「AIエージェントが業務ワークフロー全体をオーケストレーションする」時代の到来を告げている。エージェンティックライセンス契約という新課金モデルは、SaaS市場のビジネスモデル自体を変革する可能性がある。

1. 自社の業務ワークフローをAIエージェント視点で再評価する: 現在の業務プロセスの中で「高い専門性が必要だがプロセスは定型的」な領域を特定し、AIエージェント化の優先順位をつける。法務（契約レビュー）、経理（請求書処理）、人事（採用スクリーニング）が典型的な候補だ
2. SaaSベンダーとの契約条件を見直す: 現在利用しているSaaSがエージェンティック課金に移行する場合のコストシミュレーションを実施する。特にSalesforce Agentforce、Microsoft Copilotなど、主要ベンダーの課金体系変更のロードマップを確認し、IT予算計画に反映する
3. Human-in-the-Loopの制度設計を先行して整備する: AIエージェントの出力を誰が、いつ、どの基準でレビューするかのガイドラインを、AI導入前に策定する。特に法務・金融領域では、AIの判断ミスが重大な損害につながるため、レビュープロセスの制度化が導入の前提条件となる