金融・銀行・保険業界のAIエージェント開発は、審査・コンプライアンス・顧客対応から活用を始め、人が最終判断する工程を設けることが重要です。
日本銀行の調査では、預金取扱金融機関等の従来型AIの導入率は既に約6割です。生成AIも、試行段階を含めると約6割が利用を開始しています。
テーマごとの詳しい解説は、次の記事にまとめています。
・金融・銀行・保険業界AIエージェントの開発・構築の進め方｜導入プロセスと成功のポイントを参照できます。
・金融・銀行・保険業界AIエージェント開発に強い開発会社・ベンダー6選｜選び方も解説を参照できます。
・金融・銀行・保険業界AIエージェント開発の費用相場｜見積もり内訳とコストを抑えるコツを参照できます。
・金融・銀行・保険業界AIエージェントの発注・外注ガイド｜依頼方法と委託先の選び方を参照できます。
・金融・銀行・保険業界のAIエージェント活用事例｜審査・コンプラ・顧客対応の実例を参照できます。
・金融・銀行・保険業界AIエージェントによる業務自動化・効率化｜成果を出す進め方を参照できます。
・金融・銀行・保険業界AIエージェントの種類・用途｜タイプ別の使い方と選び方を参照できます。
AIシステム開発の種類・工程・費用・会社選定までの全体像については、無料ホワイトペーパー「AIシステム開発の完全ガイドブック」で詳しく解説しています。
金融・銀行・保険業界でAIエージェントが求められる背景
フィンテックやネット銀行の台頭により、金融業界の競争環境は大きく変わりました。さらに、従来の大手金融機関が強みとしてきた店舗網や人員体制も、デジタルネイティブな新興サービスと比べると、必ずしも優位性にならない時代になっています。
こうした環境変化に対応するため、既存の金融機関も業務プロセスのデジタル化と高度化を急いでいます。AIエージェントは、そのデジタル化の中核を担う技術として位置づけられています。
規制対応とリスク管理の高度化
金融機関は、マネーローンダリング防止（AML）、本人確認（KYC）、各種報告義務など、他業界と比べて極めて厳しい規制の中で業務を行っています。これらの法令遵守業務は人手がかかりやすく、ベテラン担当者の経験に頼った手作業も多く残っています。
AIエージェントは、これらの規制対応業務を自律的に処理し、人的ミスを減らしながら対応速度を高める手段として期待されています。
規制対応を進めるうえでは、AIを使わないことのリスクも同時に見ておく必要があります。金融庁が2025年3月に公表した「AIディスカッションペーパー」では、「チャレンジしないリスク」という表現が使われています。
- チャレンジしないリスク：個人情報漏洩やハルシネーションへの懸念からAI活用を躊躇し続けることを指します。
- イノベーション力の喪失：中長期的には、金融機関としてのイノベーション力を失わせる最大のリスクになり得ます。
- 業界の機運：金融庁の指摘は、金融業界全体でAI活用に向けた機運を後押ししています。
業界全体のDX加速と人材不足への対応
少子高齢化による労働力人口の減少は、金融機関にも深刻な人材不足をもたらしています。特に審査・事務系業務を担うベテラン人材の定年退職が相次ぐ中、業務知識の継承と生産性の維持の双方を担う仕組みとして、AIエージェントへの期待が高まっています。
AIエージェントは、熟練担当者が行ってきた複雑な判断の流れを部分的にデジタル化します。その結果、若手・中堅職員の生産性向上にも貢献します。
また、顧客の行動変容も見逃せません。スマートフォンを通じた24時間対応サービスへのニーズが高まる中、人員を増やすことなく24時間365日の高品質な顧客対応を実現するためにも、AIエージェントの活用が現実的な選択肢となっています。
金融機関では、AIエージェントを次の3領域で活用できます。
- 審査・与信判定：申込情報の整理と、確認点の提示
- コンプライアンス・不正検知：取引情報からのリスク検知
- 顧客対応・契約保全：回答案と必要書類の整理
金融・銀行・保険業界における主要な活用事例
金融機関でのAIエージェント活用は、「審査・与信判定」「コンプライアンス・不正検知」「顧客対応・保全・請求管理」の3領域を中心に実装が進んでいます。
いずれの領域でも、AIエージェントは最終的な意思決定を人間が行う「Human-in-the-Loop」モデルを前提に設計されています。情報の整理・スクリーニング・下書き作成を担うことで、担当者の負担を大きく軽減します。
審査・与信判定の自律的情報整理
住宅ローンの事前審査や法人融資審査では、AIエージェントが申込書・本人確認書類・勤務先情報を読み取ります。加えて、年収・決算書・通帳履歴なども横断的に読み取り、担当者が判断すべき論点を一覧にします。
- 法人の新規取引：登記情報・実質的支配者・事業内容をスクリーニングし、必要書類の不足や要確認項目を自動で抽出します。
- 保険引受：申込書・告知書・既契約情報をもとに、未記入項目や既存契約との保障重複などを突合し、引受上の注意点を提示します。
- 事務工数の削減：AI-OCRとRPAで書類処理の工数を大幅に削減できるとされ、審査前処理の負担を50%以上減らした事例も報告されています。
特に、スピードが求められる与信審査では、AIエージェントによる前処理の自動化が競争優位性の向上にも直結します。
コンプライアンス・不正検知の高度化
AMLやKYCの領域では、攻撃側の技術が急速に進化しています。ディープフェイクを使った本人確認の偽装や、AML検知ロジックを回避する高度なマネロン手法なども現れています。
AIエージェントはこれに対応するため、1回あたりのトランザクションが報告義務基準値を下回るよう意図的に細分化された送金パターンでも、リスクフラグを付与します。その判断では、高リスク地域からの送金履歴や不利益情報データベースとの照合を総合的に行います。
社内指針を作る際は、一般社団法人金融データ活用推進協会（FDUA）が2024年4月に策定した「金融生成AIガイドライン」が、リファレンスとして活用されています。
- 社内の不正検知：経理取引データの異常傾向をリアルタイムで分析し、内部不正の予兆を捉えてリスクアラートを出す、自律的な監視役として機能します。
- 社内指針の参照先：社内ルールを作る際の基準として使えます。
顧客対応・契約保全・事故請求管理
フロントオフィスの顧客対応では、AIエージェントが約款・FAQデータベース・商品ルールを検索し、最適な回答案を作成してオペレーターに提示します。
オペレーターは文面を確認・調整してから送信するため、対応スピードと回答品質の両方を高められます。実際に、問い合わせ件数の削減や顧客対応時間の標準化を実現した事例もあります。
- 保険金請求・事故受付：AIエージェントが事故の日時・場所・相手方の有無に加え、警察届出や修理見積、通院情報なども整理します。
- 補償の判定：契約情報や免責事由と自動で突合し、補償可否と必要書類を特定します。
- 契約保全：住所・名義変更に伴う追加書類を洗い出せます。
- 営業支援：満期・更新が近づく契約について、営業担当者向けのタスクリストの作成から、顧客フォロー文面の下書きまで自動化できます。
活用事例は次の記事で詳しく扱っています。
・金融・銀行・保険業界のAIエージェント活用事例｜審査・コンプラ・顧客対応の実例を参照できます。
AIエージェント開発・構築の進め方
金融・銀行・保険業界でのAIエージェント開発には、業界固有の規制やセキュリティ要件を考慮した進め方が欠かせません。
金融庁が示す「チャレンジしないリスク」への警告を踏まえると、完璧な準備を待ってから一気に全社展開するより、リスクが限定的な領域から小さく始めて段階的に拡大する「スモールスタート・クイックウィン」の進め方が推奨されます。
PoCから始めるスモールスタートの重要性
まず「2週間」を目安に、PoC（概念実証）に着手することが推奨されます。対象には、社内規定や商品説明マニュアルの検索、定型メールの下書き作成など、リスクが最も限定的な領域が適しています。
PoCの契約には「準委任契約」を選ぶと、要件定義の変更を柔軟に吸収できます。そのうえで、開始前に「評価すべきモデル精度と本番化の合格判定基準（例：正答率85%以上）」をベンダーと書面で合意しておくことが重要です。
- 結果の判定：PoCの結果は評価基準に照らして判断します。
- 適用範囲の拡大：合格した場合は、顧客サポートや融資審査などの核心業務へ、段階的に適用範囲を広げていきます。
段階的に広げるこのアプローチは、コスト効率を最大化しつつ、ガバナンスとイノベーションを両立させる最善の進め方です。
Human-in-the-Loopモデルの設計
金融業界のAIエージェント設計で最も重要な原則は、「意思決定責任は100%人間が担う」体制を、システムの流れに組み込むことです。対象は、融資判断、顧客向けの回答、法令適合性の判断などです。
AIエージェントの役割は、情報のスクリーニング、下書き作成、異常値のフラグ付与に限ります。最終的な可否は、人間が決めます。
Human-in-the-Loopを徹底していれば、ハルシネーションによる顧客トラブルや適合性原則違反、コンプライアンス違反が起きた際にも、説明責任を担保できます。
- リスク時の備え：問題が起きたときの説明責任を支えます。
- 機密データの扱い：RAGアーキテクチャを採用し、顧客の機密データをパブリッククラウドに送信しない設計にすることも、金融機関には必須の要件です。
開発の進め方は次の記事で詳しく解説しています。
・金融・銀行・保険業界AIエージェントの開発・構築の進め方｜導入プロセスと成功のポイントを参照できます。
AIエージェント開発に強い開発会社・ベンダーの選び方
金融機関が外部ベンダーにAIエージェントの開発を委託する際は、技術力に加えて、業務知識、規制対応の経験、セキュリティ体制を備えているかを多角的に評価する必要があります。
開発には不確実な部分が多く、業務理解も欠かせません。そのため、選定プロセスは特に慎重に進める必要があります。
ベンダー選定で重視すべき評価基準
委託ベンダーの選定では、過去の導入実績の総量を見るだけでは足りません。重視したいのは、「自社と同規模・同業界で、類似データを扱った経験があるか」という「再現性のある成功パターン」の有無です。
モデル開発の能力に加えて、本番移行後の安定稼働を見据えたMLOpsや、出力精度を評価・維持するための評価設計の知見も、実績で示してもらう必要があります。
- 提案の質：優れたベンダーは、提案書の段階で技術的な仮説に加え、モデル精度のリスクとフォールバック案もあらかじめ提示します。
- 合意と記録：週次の合意プロセスの有無、議事録の粒度、仕様変更時のコスト算定ルールの透明性も、判断の指標になります。
- 価格評価：初期費用だけでなく、3年間のライフサイクル総額（初期費用・従量課金・保守・教育サポート）で、投資対効果を算定することをお勧めします。
セキュリティ・ガバナンス対応力の確認ポイント
金融機関では、金融庁「金融分野におけるサイバーセキュリティに関するガイドライン」（2024年10月改定）への対応が求められています。
このガイドラインでは評価項目が175項目へ拡充されており、AIエージェントを含むデジタル技術導入に伴うサイバーサプライチェーンのセキュリティ体制確保が義務付けられています。委託ベンダーがこれらの規制要件に精通しているかを確かめることが欠かせません。
- オフショア開発・大手SIer経由：言語・時差・業務仕様の解釈の違いから、コミュニケーションコストが増えやすく、深刻なリスクになります。
- BSEの常駐：発注企業と開発チームの間に、日本語・金融ドメイン知識・AIスタックを理解するブリッジシステムエンジニア（BSE）を常駐させる体制が有効です。
開発会社の比較は次の記事で詳しく解説しています。
・金融・銀行・保険業界AIエージェント開発に強い開発会社・ベンダー6選｜選び方も解説を参照できます。
AIエージェント開発の費用相場
金融・銀行・保険業界のAIエージェント開発費用は、システムの規模、機能要件、セキュリティ水準によって大きく変わります。
初期構築費用だけでなく、学習データの準備、長期的な保守運用、ライセンス費用まで含めた総所有コスト（TCO）で、総合的に評価することが重要です。
規模別の開発費用目安
開発プロジェクトの規模は、概ね4段階に分けられます。
- 最小規模：汎用APIを活用した開発で、初期費用の目安は500万〜1,000万円程度です。
- 小規模：特定ドメインのFAQ検索や議事録の自動生成ツールなどが該当し、1,000万〜5,000万円程度となります。
- 中規模：複雑な対話型AIや融資判断向けの予測分析AIなどが該当し、1億〜3億円程度です。
- 大規模：金融取引全体のリアルタイム分析や全社規模の自律型システムの構築が対象で、5億円以上の投資が必要になります。
各フェーズの費用の目安は、構想・要件定義のコンサルティングが月額60万〜200万円、PoCの作成が100万〜500万円とされています。AIモデルの本開発は、月額80万〜250万円に人月を掛けた額で、高度な専門人材はさらに高単価になります。
ランニングコストと費用を抑えるポイント
初期開発費用に加えて、継続的にかかるランニングコストも見ておく必要があります。
- インフラ：サーバー・クラウドインフラの使用料は、月額5万〜100万円が目安です。
- 再学習：AIモデルの再学習費用は、年額50万〜500万円が目安です。
- 改修・保守：システムの保守・改修費は、月額50万〜500万円が目安です。
- 金融機関特有の費用：セキュリティ対策（ストレージ・暗号化・監査等）には、月額50万〜1,000万円の幅があります。
費用を抑える手段として、公的支援制度の活用も選択肢になります。たとえば、IT導入補助金（5万〜450万円、導入経費の1/2以内）や小規模事業者持続化補助金（50万〜200万円、2/3以内）などがあります。
中長期では、内製化で固定費を見直すことも検討できます。ただし、人材の採用・育成コスト（初期500〜1,000万円、継続費用として年間800〜1,200万円/人程度）と比べて判断する必要があります。
費用の内訳は次の記事で詳しく解説しています。
・金融・銀行・保険業界AIエージェント開発の費用相場｜見積もり内訳とコストを抑えるコツを参照できます。
発注・外注の進め方と契約形態の選び方
AIエージェント開発の外部委託において、契約形態の選び方はプロジェクトの成否を左右する重要な判断です。
AIエージェント開発は、確率的な挙動を伴う大規模言語モデルを扱います。そのため、ウォーターフォール型システム開発の完成責任をそのまま当てはめると、ベンダーがリスクを過剰に警戒して見積りが高騰するか、訴訟リスクを抱えかねません。
準委任契約と請負契約の戦略的使い分け
準委任契約は、受託者による業務の遂行そのものを目的とします。成果物の完成責任は負わない代わりに、専門家として通常期待される水準の「善管注意義務」を負う形態です。
- 準委任契約：要件が固まらず、AIモデルの精度向上を繰り返すPoCや初期モデリングのフェーズに適しています。
- 請負契約：成果物の完成と納品を目的とし、UIの開発やセキュリティフィルタの設定、既存インフラへの接続など、仕様が100%固まった量産フェーズに適しています。
準委任契約では、開発費用の対価が不透明になるという懸念が生じやすいです。そのため、契約書に「定期的な業務報告書の提出義務」と、「作業成果（設計書・精度計測ログ・テスト結果）のマイルストーンごとの提示」を明記し、透明性を確保することが重要です。
発注者がベンダーの常駐労働者に直接指示を出すと、偽装請負と判断されるリスクがあります。このため、指揮命令系統の分離も徹底する必要があります。
発注・委託の流れと失敗を防ぐポイント
発注は、次の順で進めます。
- 要件整理：自社の業務課題と適用領域を明確にします。
- RFPの発行：複数のベンダーにRFP（提案依頼）を出します。
- 提案の評価：技術力と業界知識に加えて、セキュリティ体制やコスト構造も総合的に比べます。優先度の高いベンダーとはPoCに進みます。
- 本契約と本番移行：評価基準を満たしたベンダーと本契約を結び、段階的に本番へ移行します。
失敗を防ぐうえで最も大切なのは、契約前に3点を書面で明確にしておくことです。その3点は、「モデル精度の合格判定基準」「仕様変更時のコスト算定ルール」「データセキュリティの責任分界点」です。
金融機関ならではの注意点もあります。顧客データを使った学習やPoCを行う場合は、データのマスク処理と、情報セキュリティ担当部門との事前合意が必要です。
発注の手順は次の記事で詳しく解説しています。
・金融・銀行・保険業界AIエージェントの発注・外注ガイド｜依頼方法と委託先の選び方を参照できます。
業務自動化・効率化の進め方と期待できる成果
金融・銀行・保険業界の業務自動化では、AIエージェントが特に効果を発揮しやすい領域が3つあります。「情報収集・整理」「書類確認・突合」「定型コミュニケーション」です。
これらの業務には、高い専門知識と細心の注意が求められます。その一方で、AIエージェントの情報処理能力と組み合わせれば、担当者が付加価値の高い業務に集中できる環境をつくれます。
自動化・効率化の対象業務と実施ステップ
自動化の対象として優先度が高いのは、審査関連書類の確認・突合作業や、問い合わせ対応の回答案作成です。ほかにも、コンプライアンス報告書の下書き作成、契約更新・満期案内の顧客フォロー文面作成、AML・KYCのスクリーニング支援などが挙げられます。
いずれも業務量が多く、ルールや手順が比較的明確なため、AIエージェントの得意な情報処理と相性が良い業務です。
実施は、まず現状の業務フローを書き出し、「ボトルネックとなっている手作業」を特定するところから始めます。効果が確認できた業務から順次本番環境への適用を広げ、その際は、運用を定着させるための担当者教育と効果測定の仕組みも整備します。
- 業務フローの書き出し：現状の流れを一覧にします。
- 対象の絞り込み：優先度の高い業務を選んでPoCの対象を絞り込み、小規模な検証で効果を確かめます。
- 本番環境への展開：適用範囲を段階的に広げます。
- 定着の仕組み：現場で使い続けられる体制を用意します。
ガバナンスと社内ガイドライン整備の要点
金融機関で業務自動化を定着させるには、技術の実装と並行して、ガバナンス体制を整えることが欠かせません。
社内ガイドラインには、最低限次の3点を明記することが推奨されます。
- 利用できるAIサービス：情報システム部門とコンプライアンス部門が承認した指定サービスに限ります。
- 入力禁止情報：顧客個人情報、未公表財務情報、システムアクセス権限情報などが該当します。
- 出力の確認：AIエージェントの出力に対して、人間によるレビューを義務付けます。
万が一、役職員がパブリックな生成AIサービスに機密情報を誤って入力した場合に備え、緊急初動フローも事前にマニュアル化しておくことが重要です。まず情報セキュリティ担当部門へ即時に報告し、漏洩データを特定します。次に、AI事業者へ削除を申請します。そのうえで、セキュリティフィルタを更新し、全従業員に再教育を行います。
業務自動化の進め方は次の記事で詳しく解説しています。
・金融・銀行・保険業界AIエージェントによる業務自動化・効率化｜成果を出す進め方を参照できます。
金融・銀行・保険業界向けAIエージェントの種類と用途
金融・銀行・保険業界で活用されるAIエージェントは、機能や役割によっていくつかのタイプに分類できます。
自社の課題や目指す業務改革の方向性に合わせて、適切なタイプを選ぶことが導入成功のカギです。
各タイプには得意な業務領域があります。そのため、複数のタイプを組み合わせたマルチエージェント構成を採用するケースも増えています。
RAG型エージェント：知識検索・回答生成への特化
RAG（検索拡張生成）型エージェントは、社内の約款・規程・商品説明などのデータベースと、APIを通じてリアルタイムに接続します。FAQや過去の審査事例とも接続し、最新かつ正確な情報をもとに回答を生成します。
顧客からの問い合わせ対応や、担当者への社内情報の提供に特に適しています。金融機関にとっての最大の利点は、AIモデルにデータを直接学習させないため、機密情報をパブリッククラウドに送信せずに済むことです。
- 既存データの活用：既存の社内データベースを活用できるうえ、導入コストも比較的低めです。そのため、スモールスタートに適したタイプです。
- 導入の始め方：まず社内規程のQ&A対応や商品説明の補助ツールとして導入し、効果を確かめながら対応領域を広げていく進め方をお勧めします。
マルチエージェント型：複数エージェントの協調処理
マルチエージェント型は、専門特化した複数のAIエージェントが役割を分けて協調しながら、複雑なタスクを処理する構成です。
たとえば、書類確認、リスク評価、顧客情報の照合を担うエージェントが連携すれば、融資審査の前処理を一連の流れで完結させられます。
- 適した理由：金融機関のコア業務は、複数のデータソースや判断基準を統合して扱う複雑さを持つため、マルチエージェント型が高い効果を発揮します。
- 開発の難しさ：マルチエージェント型の開発は単一エージェントより複雑で、エージェント間の連携設計や整合性の確保に高い技術力が必要です。
- 拡張性の確保：段階的に拡張できる設計を最初から組み込んでおくと、将来の機能追加にも柔軟に対応できます。
種類と用途の詳細は次の記事で解説しています。
・金融・銀行・保険業界AIエージェントの種類・用途｜タイプ別の使い方と選び方を参照できます。
セキュリティ・ガバナンス体制の整備
金融機関がAIエージェントを本番運用に移すには、監督官庁や業界団体が示すガイドラインに沿った「AIガバナンスポリシー」を整備することが求められます。加えて、インシデント発生時の緊急初動プロセスも構築しておく必要があります。
技術的な実装の完成度と並んで、組織的なガバナンス体制の構築も、AIエージェント導入の成否を左右する要素です。
準拠すべき業界ガイドラインの体系
金融実務で準拠すべき主要なガイドラインは、次の3つです。
- AIディスカッションペーパー（金融庁、2025年3月公表）：AIエージェントや顧客向けの展開も視野に、リスク定義と法的義務の方向性を整理した基盤文書です。
- 金融生成AIガイドライン（FDUA、2024年4月策定）：主要銀行や保険会社などが参画して策定し、社内指針を構築する際のリファレンスとなります。
- サイバーセキュリティに関するガイドライン（金融庁、2024年10月改定）：サイバーサプライチェーンの体制確保を求めています。
AIエージェントを含むデジタル技術を導入する際には、この体制確保が求められます。
データ保護とRAGアーキテクチャ採用の重要性
顧客の預金情報や個人の信用情報など、パブリッククラウドに送信できない機密データをAIエージェントで処理する場合、RAG構成を前提としたシステム設計が金融機関には必須です。
AIモデルそのものにデータを学習させるファインチューニングは避けます。代わりに、社内データベースとAPI経由で一時的に接続し、マスク処理を施したうえで処理する設計にすると、機密情報の漏洩リスクを抑えられます。
特に機密性が高いトランザクション監視では、インターネットから遮断された自社サーバー内で大規模言語モデルを動かす、オンプレミス環境が挙げられます。
- 機密データの処理場所：機密性の高い領域は、自社サーバー内での処理が推奨されます。
- 規制対応：データの物理的な境界を厳守することは、規制当局への説明責任を果たすうえでも役立ちます。
まとめ
ここまで、金融・銀行・保険業界のAIエージェントについて、全体像を見てきました。
審査・コンプライアンス・顧客対応の3つのコア業務を中心に、AIエージェントが生産性向上と規制対応の両立に役立つ場面を取り上げました。あわせて、導入を成功させるための重要な原則も整理しました。
金融庁の「チャレンジしないリスク」という指摘のとおり、AI活用をためらい続けることは、中長期的なリスクです。
重要なのは、Human-in-the-Loopモデルを前提とした設計、RAGアーキテクチャによる機密データ保護、そして「2週間」のPoCから始める段階的な拡大アプローチです。
ガバナンスと革新を両立させながら、自社の課題解決に直結するAIエージェント活用を進めることが、今後の金融機関の競争力の源泉となります。
テーマごとの詳細は、本文中の各記事で解説しています。導入検討の参考にお役立てください。
▼開発を相談する前に読みたい無料ホワイトペーパー
・AIシステム開発の完全ガイドブック
・【2026年最新版】AI駆動開発の完全ガイドブック
会社紹介
株式会社riplaでは、お客様の事業・ユーザー・業務に最適化したオーダーメイド型システムを、構想策定・要件定義から開発・改善まで一気通貫で支援。事業会社でIT・DXを経験したプロフェッショナルによる高い要件定義力・システム設計力を活かし、事業成果の最大化に伴走します。
また、当社独自の開発テンプレート「Boxシリーズ」による標準機能の高速開発と、AI駆動開発の独自フレームワーク「GoDD」による独自機能のAI実装を組み合わせることで、低コスト・短期間で開発を実現いたします。
もし、システム開発やプロダクト開発に関するご要望がございましたら、お気軽にお問い合わせください。
・サービス概要資料のURLはこちら >>>
・お問合せページのURLはこちら >>>
・お役立ち資料のURLはこちら >>>
株式会社ripla 代表取締役CEOとして、システムパッケージ活用、システム開発、データ分析、生成AI活用、SaaS開発、アプリ開発、EC構築など、幅広い領域で企業のDX推進と事業成長を支援している。事業会社でIT・DXを経験したプロフェッショナルが集う株式会社riplaにおいて、お客様の事業・ユーザー・業務に最適化したオーダーメイド型システムを構想策定・要件定義から開発・改善まで一気通貫で支援し、単なるシステム納品にとどまらず、クライアントと同じ目線で事業成果の最大化に向けた伴走支援を行う。早稲田大学卒業後、ラクスル株式会社、LINEヤフー株式会社にて事業開発やDX推進などに従事した後、株式会社riplaを創業。