図表等を含む全文は以下のURLをご参照ください。
https://www.nri.com/jp/news/newsrelease/20260327_1.html
株式会社野村総合研究所（本社：東京都千代田区、代表取締役 社長：柳澤 花芽、以下「NRI」）は、経済産業省とNEDOが実施する国内の生成AIの開発力強化を目的としたプロジェクト「GENIAC（Generative AI Accelerator Challenge）」第3期（2025年8月〜2026年3月）の支援を受け、特定の業界や業務に特化した大規模言語モデル（LLM）の構築手法を高精度化・効率化させました。
このLLMをAIエージェントの仕組みに組み込み金融業界の複数の業務で検証した結果、いずれもOpenAI社が開発したChatGPT搭載の商用大規模モデル「GPT-5.2」を上回る精度を示しました。NRIはこの成果を活用し、多様な業界の企業に対し、AIエージェントを活用した専門業務支援に取り組んでいきます。
https://www.nri.com/jp/news/newsrelease/20260327_1.html
株式会社野村総合研究所（本社：東京都千代田区、代表取締役 社長：柳澤 花芽、以下「NRI」）は、経済産業省とNEDOが実施する国内の生成AIの開発力強化を目的としたプロジェクト「GENIAC（Generative AI Accelerator Challenge）」第3期（2025年8月〜2026年3月）の支援を受け、特定の業界や業務に特化した大規模言語モデル（LLM）の構築手法を高精度化・効率化させました。
このLLMをAIエージェントの仕組みに組み込み金融業界の複数の業務で検証した結果、いずれもOpenAI社が開発したChatGPT搭載の商用大規模モデル「GPT-5.2」を上回る精度を示しました。NRIはこの成果を活用し、多様な業界の企業に対し、AIエージェントを活用した専門業務支援に取り組んでいきます。
■GENIAC第3期の研究開発背景と成果
汎用的な生成AIモデルは幅広い業務で利用できる一方、特定の業界で求められる専門知識や独自の用語・規制への対応が難しいという課題があります。企業の実務では、法律やガイドライン等を踏まえた専門的な判断が求められる場面が多く、こうした業務をAIで支援するには、業界や業務ごとに最適化されたモデルやAIエージェントが必要です。NRIでは、これらの課題を解決するため、低コストかつ高精度で実務に対応できる「業界・タスク特化型LLM」の構築手法を独自に研究開発してきました。今回のGENIAC第3期では、これまでの研究成果をさらに発展させ、以下の特徴をもつ構築手法を開発しました。
①ベースモデルの選定 〜基礎性能が高いベースモデルを選定・検証〜
本手法では、一般に公開されているLLMを学習の土台（ベースモデル）として採用しています。これにより、特定のモデルに固定されず、目的や業務に応じて最適なモデルを選択でき、将来のモデル更新にも柔軟に対応できます。今回は基礎性能が高い中規模の公開モデルを複数選定し、追加学習によってより専門的な知識を持ちながら、業務プロセスを高精度に処理できるかを検証しました。さらに、モデルの圧縮によって少ない計算資源でも稼働でき、圧縮後も精度が大きくは低下しないことを確認しました。
②業界特化型モデルの構築 〜学習データ収集および作成を自動化〜
特定業界の専門知識をベースモデルに学ばせるため、二段階の仕組みを構築しました。第一に、業界知識を含む大量のテキストデータを自動的に収集・選別し、モデルに専門知識を習得させる仕組みです。第二に、業務に即した問答データを高性能なLLMを用いて自動生成し、モデルの応答精度を高める仕組みです。これにより、対象とする業界を問わず、専門知識を備え、かつ質問に対して的確に回答できる業界特化型モデルを容易に構築できるようになりました。今回は金融業界を題材としてモデルを構築し、金融知識の理解度を測る標準テストでベースモデルを上回る精度を確認しました。
③タスク特化型モデルの構築 〜学習データ作成を自動化〜
特定の業務に特化させるための学習用データについても、LLMを用いて自動生成する仕組みを構築しました。少数の業務サンプルと業務の定義があれば、対象とする業務を問わず学習用データを容易に生成できます。今回は証券・保険の複数の実務を題材として検証した結果、いずれの業務においてもNRIが構築した特化型モデルが商用大規模モデルGPT-5.2を上回りました。
④AIが自律的に業務を遂行する環境でも有効性を確認
モデルの検証にあたっては、AIが複数の手順を自律的に実行する「AIエージェント」の仕組みの中に特化型モデルを組み込み、実際の業務手順を模した環境で試験を行いました。その結果、業務プロセスの一部としてAIが担当者の判断を支援する使い方にも対応できることを確認しました。
■研究開発成果の公開と今後の展望
NRIでは、本研究成果の一部を、2026年3月に開催された言語処理学会第32回年次大会（NLP2026）にて発表しました 。また、構築した業界特化型モデルと学習用データをHugging Faceで公開しています。NRIは今後、企業の専門的な業務プロセスをAIで支援するため、業界・タスク特化型モデルを組み込んだAIエージェントの導入・展開を進めていきます。本手法は金融以外の業界にも適用可能であり、多様な業界や業務への拡大を図ることで、汎用モデルでは対応が難しい専門領域のAI活用を推進していきます。
汎用的な生成AIモデルは幅広い業務で利用できる一方、特定の業界で求められる専門知識や独自の用語・規制への対応が難しいという課題があります。企業の実務では、法律やガイドライン等を踏まえた専門的な判断が求められる場面が多く、こうした業務をAIで支援するには、業界や業務ごとに最適化されたモデルやAIエージェントが必要です。NRIでは、これらの課題を解決するため、低コストかつ高精度で実務に対応できる「業界・タスク特化型LLM」の構築手法を独自に研究開発してきました。今回のGENIAC第3期では、これまでの研究成果をさらに発展させ、以下の特徴をもつ構築手法を開発しました。
①ベースモデルの選定 〜基礎性能が高いベースモデルを選定・検証〜
本手法では、一般に公開されているLLMを学習の土台（ベースモデル）として採用しています。これにより、特定のモデルに固定されず、目的や業務に応じて最適なモデルを選択でき、将来のモデル更新にも柔軟に対応できます。今回は基礎性能が高い中規模の公開モデルを複数選定し、追加学習によってより専門的な知識を持ちながら、業務プロセスを高精度に処理できるかを検証しました。さらに、モデルの圧縮によって少ない計算資源でも稼働でき、圧縮後も精度が大きくは低下しないことを確認しました。
②業界特化型モデルの構築 〜学習データ収集および作成を自動化〜
特定業界の専門知識をベースモデルに学ばせるため、二段階の仕組みを構築しました。第一に、業界知識を含む大量のテキストデータを自動的に収集・選別し、モデルに専門知識を習得させる仕組みです。第二に、業務に即した問答データを高性能なLLMを用いて自動生成し、モデルの応答精度を高める仕組みです。これにより、対象とする業界を問わず、専門知識を備え、かつ質問に対して的確に回答できる業界特化型モデルを容易に構築できるようになりました。今回は金融業界を題材としてモデルを構築し、金融知識の理解度を測る標準テストでベースモデルを上回る精度を確認しました。
③タスク特化型モデルの構築 〜学習データ作成を自動化〜
特定の業務に特化させるための学習用データについても、LLMを用いて自動生成する仕組みを構築しました。少数の業務サンプルと業務の定義があれば、対象とする業務を問わず学習用データを容易に生成できます。今回は証券・保険の複数の実務を題材として検証した結果、いずれの業務においてもNRIが構築した特化型モデルが商用大規模モデルGPT-5.2を上回りました。
④AIが自律的に業務を遂行する環境でも有効性を確認
モデルの検証にあたっては、AIが複数の手順を自律的に実行する「AIエージェント」の仕組みの中に特化型モデルを組み込み、実際の業務手順を模した環境で試験を行いました。その結果、業務プロセスの一部としてAIが担当者の判断を支援する使い方にも対応できることを確認しました。
■研究開発成果の公開と今後の展望
NRIでは、本研究成果の一部を、2026年3月に開催された言語処理学会第32回年次大会（NLP2026）にて発表しました 。また、構築した業界特化型モデルと学習用データをHugging Faceで公開しています。NRIは今後、企業の専門的な業務プロセスをAIで支援するため、業界・タスク特化型モデルを組み込んだAIエージェントの導入・展開を進めていきます。本手法は金融以外の業界にも適用可能であり、多様な業界や業務への拡大を図ることで、汎用モデルでは対応が難しい専門領域のAI活用を推進していきます。
