LoanPro、AgentCoreのマルチエージェントで融資サービシングを刷新——通話時間を最大15%短縮


ADVERTISEMENT

画面横断の情報収集を、専門エージェントによる即時の状況把握へ

LoanProはAWS Generative AI Innovation Center、AWS Premier Consulting PartnerのAllCloudと協力し、融資サービシング担当者向けのマルチエージェントAIアシスタントを構築した。目的は、借り手からの電話に応対する担当者が、支払い履歴、ローン条件、残高、過去の問い合わせ、利用可能な業務アクションを複数の画面やタブから手作業で集めていた状況を変えることにある。情報の確認に時間がかかると通話が長引くだけでなく、担当者の経験によって対応の一貫性も変わりうる。

アシスタントはLoanProの既存Webポータルに組み込まれ、口座を開くと、口座の状態、最近の動き、未解決事項をまとめた文章形式の要約を生成する。担当者は会話型インターフェースで自然言語の追加質問もできる。生データを人が読み解く負担を減らし、状況に応じた次のアクション候補を提示する構成だ。

構成の中心は、単一の大規模エージェントではなく、役割を分けたエージェント群と、それらを取りまとめるcomposer agentである。Strands Agents SDKを使い、データ取得・口座要約を担うエージェントと、アクション選択・ワークフロー提案を担うエージェントを分離。composerがリクエストを適切な専門エージェントに振り分け、応答を統合する。責務を限定することで、各エージェントを個別に評価・調整しやすくし、機能追加時の変更範囲も抑える設計となっている。

モデルにはAmazon Bedrock上のAnthropic Claude Sonnet 5.5、Claude Haiku 5.5、Claude Opus 5.5を使用し、実行基盤とエージェント接続にはAmazon Bedrock AgentCoreを採用した。記事によれば、モデルの利用可否はAWSリージョンによって異なる。モデルへのアクセスを単一APIに集約するBedrockと、エージェントの実行・運用負荷を担うAgentCoreを利用することで、LoanProは個別のモデルエンドポイントやエージェント実行環境を自前で構築・管理する負担を避けながら、モデルを選択できる構成を目指した。

API、MCP、監査をつないだ本番アーキテクチャと評価

リクエストはLoanPro API v2からAmazon API Gatewayに入り、AWS LambdaのハンドラーがAmazon SQSキューに送る。Agent Interceptor Lambdaがキューのリクエストを受けてLoan Summary Agentを起動し、エージェントはAgentCore runtime上で動作する。ツール呼び出しには、AgentCore Gateway上のModel Context Protocol(MCP)サーバーを介する。GatewayはAWS Systems Manager Parameter StoreにLoan Summary Serviceが登録したカタログから適切なツールを解決する。

Loan Summary Tool Lambdaは、LoanProのシングルサインオン(SSO)サービスで呼び出し元の署名を検証したうえで、Amazon EC2上でNetwork Load Balancerの背後にあるLoanProのローン管理システムからデータを取得する。記事では、LoanPro側のロールベースアクセス制御(RBAC)も同じ署名を検証し、各リクエストについて利用者の権限とコンプライアンス制御を確認したうえで、操作を監査証跡に記録すると説明している。AIによる提案や問い合わせを業務システムから切り離さず、既存の認証・認可・記録の仕組みに結びつけた点が、本番利用を支える重要な設計要素だ。

エージェントが利用する主なツールは二つある。Data Retrieval Toolは、ローン条件、支払い履歴、借り手のメタデータなどを8つのAPIエンドポイントから取得し、1口座あたり約1,400フィールドを統合する。Invoke API Toolは、担当者向けの情報パネル表示や、定義済みの自動化シーケンス開始など、LoanProのワークフロー操作を実行する。既存APIを通じて本番データに接続するため、別個のデータパイプラインやデータウェアハウスを用意せずに導入できたという。

AgentCore GatewayとLambdaの組み合わせは、エージェントから業務APIへの接続を管理境界の内側に置き、認証を集約し、新しいツールをエージェントの再デプロイなしで追加しやすくする狙いがある。さらに、Bedrock Guardrailsによるコンテンツフィルタリングとグラウンディング検証を、LoanProのコンプライアンス制御やRBACと併用する。チャットでのやり取りやAIの操作はログに残り、担当者との会話に関する監査可能性を確保する設計である。

精度評価では、LoanProの業務専門家(SME)がラベル付けした150口座をベンチマークとして作成し、情報取得、要約、適切なアクション選択を評価した。目標精度は99%で、記事によればエージェントはこの目標を達成した。評価方法を本番後も継続して性能改善に使う方針も示されている。

通話時間の短縮と、サービシングを越える拡張計画

導入効果として、AllCloudの公開事例では顧客対応の通話時間が最大15%短縮した。早期導入先の貸し手に所属する800人超のサービシング担当者は、従来、口座状況を把握するために通話時間の18~20%を費やし、5~7回のクリックで1~2.5分を要していた。アシスタントは情報を一度のクリックで集約し、1通話あたり約1分から約2分弱を節約する。記事はこれを、担当者1人あたり稼働1時間につき最大9分、全体で稼働1時間あたり約120時間の担当者能力の再配分に相当するとしている。

LoanProによる社内ベンチマークでは、口座を開いてから15秒未満で要約が生成される。従来、手作業の画面遷移に3~5分かかっていた確認作業を短縮する結果だ。また、LoanProによれば、プラットフォームを利用する貸し手ではサポートへのエスカレーションが減り、社内チケット件数は約8%減少した。担当者の経験差に左右されにくい状況要約とアクション提案を提供することで、初回の電話で解決できるケースを増やすことが期待される。

開発経緯では、本番稼働したサービシング支援とは別に、自然言語からClojureルールエンジン用の自動化コードを生成する既存の概念実証(POC)も検討対象となった。このPOCには頻繁なタイムアウト、監視の欠如、デプロイ戦略の未整備という課題があり、AllCloudが本番化に向けたアーキテクチャレビュー、推奨事項、リスク評価を行った。これは現在稼働中のサービシングアシスタントとは別の作業ストリームとして位置づけられている。

LoanProとAllCloudは、今後、回収業務や融資組成支援など、サービシング以外の領域にもAIエージェントを広げる開発を進めている。既存のマルチエージェント構成では、新しいエージェントを同じAgentCore基盤上で独立して開発・展開できるため、コアシステムを作り直さずに対象業務を拡張できるとしている。

開発者・エンジニア視点での考察

  1. ツール境界を業務システムの権限境界と一致させる。 MCPやGatewayを導入するだけでは、金融業務に必要な認可や監査は完結しない。LoanProの例では、署名検証、LoanPro側RBAC、利用者ごとの権限・コンプライアンス確認、監査証跡をツール呼び出しの経路に組み込んでいる。エージェントが選んだ操作を実行する最終地点で、呼び出し主体と許可範囲を再検証する設計が重要だ。

  2. マルチエージェント化は、評価単位を明確にできる場合に有効。 要約・情報取得とアクション選択を分け、composerで連携する構成は、専門タスクごとの評価や改善を可能にする。一方で、エージェント間の受け渡しや最終応答にも誤りが入りうるため、個々のエージェントだけでなく、データ取得からアクション選択までのエンドツーエンド評価も必要になる。150口座のSMEラベル付きベンチマークと99%の目標は、その評価を反復可能にする一例である。

  3. 時間短縮をモデル性能ではなく業務フローの指標で測る。 応答精度に加え、要約生成時間、確認クリック数、通話中の情報収集時間、エスカレーション件数を測ると、導入効果とボトルネックを業務単位で把握できる。LoanProの事例では、要約15秒未満、従来3~5分の手作業、チケット約8%減など複数の指標が示されている。これらを精度・権限逸脱・監査可能性と並行して追跡することが、本番AIの継続的な改善につながる。

Source / 元記事

この記事について

著者
AIBloom AI編集部
初回公開
最終更新

この記事は、公開されているニュース、論文、公式発表、RSSフィードなどをもとに、AIが要約・補足調査・考察を行って作成しています。

元記事の完全な翻訳・逐語的な要約ではなく、AIによる背景説明や開発者向けの考察を含みます。

重要な技術仕様・価格・提供状況などは、必ず元記事または公式情報をご確認ください。

About AIBloom

ADVERTISEMENT