ダン・アンド・ブラッドストリート、アンソロピックのClaudeにリスク＆コンプライアンスワークフローを導入

なぜ重要なのか： 独自の本人確認済みデータと先進的な大規模言語モデルの融合は、RegTechにとって重要な転換点となります。これは単なるAIチャットボットではなく、文脈に即した監査可能な意思決定をコアビジネスプロセスに組み込む構造的な取り組みです。業界は、説明可能なアウトプットと検証可能なソースが必要なため、Know Your Business（KYB）のようなハイリスクなコンプライアンス機能の自動化に苦労してきました。独自のビジネス識別子に基づく大規模なコマーシャルグラフをLLMのコンテキストレイヤーに直接組み込むことで、このパートナーシップは規制を受ける金融におけるAIの「ブラックボックス」問題に効果的に対処します。ここでの真の価値は、数日かかっていた手動操作のケース管理プロセスを、規制ガバナンス要件を満たしながら、ほぼ瞬時のエージェント型ワークフローに圧縮できる可能性にあります。これは、グローバルな金融機関全体の業務効率における新たな基準を打ち立てるものです。

Dun & Bradstreetは、Anthropicと協力してD&BのリスクデータをClaudeに直接組み込み、企業のオンボーディングおよびコンプライアンス業務を加速させると発表しました。D&B Commercial Graph™をModel Context Protocol（MCP）サーバー経由でClaudeに統合することで、クライアントはカスタマイズされたKYC/KYBワークフローを数分で作成し、Claudeを通じてオンボーディングプロセスを加速させることができます。 D&Bが持つ専門知識を活用することで、自動化への信頼性と規制業界が求めるガバナンスを提供するオンボーディングワークフローが実現します。

「この統合が強力な理由は、Claudeが単に多くのデータを与えられているのではなく、行動に必要な検証済みのコンテキストと意思決定ロジックを与えられているからです」とDun & BradstreetのリスクゼネラルマネージャーであるAlex Zuck氏は述べています。「つまり、アウトプットはユーザーや状況に合わせてパーソナライズされるだけでなく、説明可能で、監査可能で、一貫性があります。これらはすべて、ハイリスクな規制環境において組織が自信を持って行動するための不可欠な要素です。」

これはオンボーディングの在り方における根本的な変革を意味し、エージェント型システムが手動ステップ、サイロ化されたツール、ケース管理を一つの自動化されたワークフローに置き換えることを可能にします。 例えば、金融機関はClaudeのD&Bデータを使って、新規の法人顧客を数秒でオンボーディングし、その企業の身元、所有構造、リスクプロファイルを自動的に確認し、監査対応可能なドキュメントを生成することができます。

ClaudeとD&Bを組み合わせることで、ユーザーはグローバルスタンダードのD-U-N-S®番号のビジネス識別子に基づく検証済みデータと、長年の実際のクライアント利用を通じて磨かれた意思決定対応のリスクロジックを組み合わせた自然言語指示によるオンボーディングエージェントを作成できます。

「オンボーディングワークフローのエージェントは、相手が誰であるかを理解しなければなりません」とZuck氏は述べています。「D&BはD‑U‑N‑S番号を通じて、ビジネスアイデンティティの永続的かつ検証済みのビューをClaudeに提供するとともに、所有権、支配権、リスクについて推論するために必要なコンテキストも提供します。このビジネス検証レイヤーをClaudeに組み込むことで、安全性、説明責任、信頼性を損なうことなく、オンボーディングを迅速化する組織の支援を行います。」

MCPベースの統合を通じて、ユーザーはD&BのCommercial Graphに安全にアクセスし、以下のことが可能になります：

• 複雑な所有・支配構造を持つ取引先企業の身元確認。

• グローバルなサードパーティおよびサプライヤーネットワーク全体のエクスポージャーを評価。

• リアルタイムリスクインテリジェンスを意思決定プロセスに組み込んだオンボーディングエージェントの自動化。

• リスク意思決定ドキュメントの作成を自動化。

このアプローチは、企業における知識労働の未来を体現しています：単に情報を要約するだけでなく、検証済みのエンタープライズコンテキスト、リスクロジック、ガバナンスを持って動作するAIシステムです。

FF NEWS TAKE: このコラボレーションは、規制を受ける金融分野におけるエージェント型AI採用の最高水準を定義し、大きく前進させるものです。真の発展はModel Context Protocolにあり、強力なLLMと厳格なコンプライアンス要件の間に、検証済みで監査可能なデータの架け橋を確立します。今後は、この構造——検証済み独自データが自律的なリスクワークフローを駆動する——が、マネーロンダリング対策（AML）や継続的な不正監視などの他のミッションクリティカルな領域における事実上の標準になるかどうかを注視すべきでしょう。