見出し画像

失敗を次の投資判断に変える：丸紅の「しくじりデータベース」を事例として

Yuuki Ota

第1節　失敗はなぜ組織に残りにくいのか？

企業の投資判断には成功だけでなく失敗もあります。海外事業への進出が期待ほど伸びなかった。買収後に組織統合が進まず想定していた相乗効果が得られなかった。市場の成長を見込みすぎて設備を増やしたものの、需要が追いつかなかった。このような経験は多くの企業に存在します。

失敗の経験は組織に十分残りません。担当者が異動すると、案件の背景を知る人がいなくなります。損失が大きかった案件ほど、関係者は振り返りを避けたくなるかもしれません。会議では今後は注意するとまとめられても、何を見落としたのか、どの時点で判断を見直すべきだったのかが記録されないまま終わることがあります。

丸紅は過去の投資失敗や大規模クレームを「しくじり」として蓄積し、AIを活用して将来の判断に役立てる取り組みをしています。失敗を責任追及の材料ではなく、次の案件を考えるための情報として扱おうとしている点が重要です。

たとえば、海外の新規案件を検討する担当者がいるとします。その担当者は収益予測や市場規模だけでなく、過去に似た地域や事業で起きた問題を確認できます。需要予測が外れた理由、現地制度への対応が遅れた経緯、提携先との認識が食い違った場面などを知ることができれば、初期段階で追加調査を行いやすくなります。

失敗を共有する目的は失敗しない会社をつくることではありません。不確実な投資に失敗はつきものです。本当に大切なのは同じ理由で同じ失敗を繰り返さないことです。失敗を個人の記憶に閉じ込めず、組織全体で利用できる知識に変えることが求められます。

丸紅の「しくじりデータベース」を出発点に、失敗の共有が投資判断やガバナンスにどのような意味を持つのかを考えてみるのが本記事の狙いです。研究の知見も参照しながら、AIを使った失敗学習が企業の意思決定をどこまで改善できるのかを整理します。

第2節「しくじりデータベース」は何を目指しているのか？

丸紅の取組は過去の失敗を単に一覧化するものではありません。投資案件でどのような判断が行われ、何が想定と異なり、どの段階で問題が大きくなったのかを将来の案件に役立つ形で残そうとする試みです。

投資の失敗はひとつの原因だけで起きることは多くありません。海外市場の成長を高く見積もったことが発端だったとしても、実際には複数の事情が重なっていることがあります。現地需要を十分に確かめていなかった。競合企業の動きを軽く見ていた。契約上のリスクを把握できていなかった。問題が見え始めた後も、追加投資によって回復できると考え、撤退を遅らせた。こうした複数の判断が連なって大きな損失につながる場合があります。

したがって、失敗から学ぶには損失額だけを記録しても十分ではありません。投資時点でどのような前提を置いていたのか、どのデータを根拠にしたのか、社内で誰が懸念を示していたのか、途中でどのような警告信号があったのかを残す必要があります。

AIはこのような記録を探しやすくするために役立ちます。数百件、数千件の過去案件があっても、人間だけで類似事例を探すには時間がかかります。AIを使えば、海外市場、需要予測、買収後統合、規制変更などの言葉から似た失敗事例を見つけやすくなります。

ただし、AIが投資判断を代わりに行うわけではありません。過去に失敗した案件と現在の案件は完全には同じではないからです。市場環境だけでなく、競争相手や制度も変わります。AIが示す過去事例は今回も危ないと断定する材料ではなく、何を確認すべきかを考える材料として使うべきかもしれません。

過去の案件で需要予測が外れた場合には、現在の案件でも需要予測が危険だと決めつけるのではなく、どのような仮定が過去に誤っていたのかを確認しすることが大切です。所得水準の見通しが甘かったのか。代替商品を見落としたのか。顧客の行動変化を捉えられなかったのか。失敗の理由まで掘り下げれば、現在の案件で何を追加検証すべきかが見えてきます。

丸紅の事例はAIを導入すること自体が目的ではないことを示しています。AIの価値は過去の経験を呼び出しやすくし、投資判断の前に見落としている論点はないかと立ち止まる機会をつくる点にあります。

第3節　情報と投資判断の関係

会計学やファイナンス研究では、企業が適切な投資を行えているかという問題が長く研究されてきました。成長の見込みがある事業に十分な資金を配分できない場合は過少投資になります。一方、収益性が低い案件に資金を使いすぎる場合は過剰投資になります。どちらも企業価値を損なう可能性があります。

Biddle, Hilary, and Verdi（2009, Journal of Accounting and Economics）は財務報告の質が高い企業ほど投資が過大にも過小にもなりにくいことを示しました。企業の内部にいる経営者だけが多くの情報を持ち、投資家や取締役が十分な情報を得られない状況では、資金の使い方が歪む可能性があります。信頼できる情報があれば資金提供者や監督者は経営者の判断をより適切に評価しやすくなります。

同研究は失敗データベースの役割を考えるうえでも重要です。財務報告は投資家や債権者に企業の状態を伝えるための仕組みです。一方、失敗データベースは社内の担当者や投資審査部門に過去の判断経験を伝える仕組みと考えられます。対象は異なりますが、どちらも判断に必要な情報を整えるという点で共通しています。

McNichols and Stubben（2008, The Accounting Review）は利益操作を行う企業では投資判断も歪む可能性があることを示しました。短期的な業績目標を達成するために、企業が過度に楽観的な前提を置く場合があります。そのような状況では、新規投資の収益性も実際より高く見積もられるかもしれません。

投資案件では、売上予測や利益予測の数字だけを見るのでは不十分です。予測がどのような前提に基づいているのかを確認する必要があります。市場規模はどの資料を使って推計したのか。競合企業の参入をどのように織り込んだのか。原材料価格が上がった場合、収益はどこまで悪化するのか。撤退する場合、どの程度の費用がかかるのか。過去の失敗事例はこうした質問を投資審査の場に持ち込む手がかりになります。

Cheng, Dhaliwal, and Zhang（2013, Journal of Accounting and Economics）は内部統制に重要な欠陥があった企業がその欠陥を是正した後に投資の効率性を改善させたことを示しました。内部統制は不正を防ぐためだけの制度ではありません。必要な情報を、必要な人に、適切な時点で届けるための仕組みでもあります。

失敗データベースも同じように考えることができます。過去の経験が適切な形で蓄積され、投資審査の段階で利用されれば、担当者の記憶や属人的な経験だけに頼るよりも判断の質を高められる可能性があります。

第4節　自信は必要だが過信は危険

新規事業や海外投資には不確実性がつきまといます。市場が本当に成長するのか。技術は普及するのか。提携先は約束を守るのか。こうした不確実性がある中で、企業が挑戦するにはある程度の自信が必要です。

しかし、自信が強すぎると危険です。Malmendier and Tate（2005, The Journal of Finance）は過信的な経営者が投資案件の収益性を高く見積もり、企業内部に資金が多い場合に過剰投資を行いやすいことを示しました。経営者が自分たちなら成功できると信じすぎると、慎重な意見や悪い情報を十分に受け止められなくなる可能性があります。

投資案件では、最初の計画どおりに進まないことが珍しくありません。市場の立ち上がりが遅れる。現地の規制が変わる。競合が値下げを始める。買収後にキーパーソンが退職する。問題が起きた時に、一時的な遅れだ、もう少し資金を入れれば回復すると考え続けると損失が大きくなることがあります。

失敗データベースはこうした場面で役立つ可能性があります。案件を推進する人が強い自信を持っている時ほど、過去の似た案件で何が起きたかを確認する意味があります。過去の案件では、どの時点で撤退を検討すべきだったのか。どのような警告信号を見逃したのか。追加投資によって状況は改善したのか。それとも損失が拡大したのか。こうした情報があれば楽観的な見通しに対して別の視点を加えることができます。

一方、失敗を恐れすぎる企業も成長できません。Manso（2011, The Journal of Finance）は、革新を促すには初期の失敗をある程度許容し、長期的な成果を評価する仕組みが重要だと論じました。新しい技術や新市場への挑戦では、短期的な成果だけを求めると、社員は安全な案件ばかり選ぶようになります。

企業に必要なのは失敗を減らすために挑戦を止めることではありません。挑戦の過程で起きた失敗を丁寧に検証し、次の案件で同じ見落としをしないようにすることです。失敗した人を責めることと失敗した案件から学ぶことは分けて考える必要があります。

第5節　判断するのは人間

AIを使えば、過去の失敗事例を短時間で検索し、類似した案件を見つけることができます。海外投資の案件であれば、過去の海外投資の事例だけでなく、需要予測の失敗、契約上の問題、統合後の混乱など、異なる分野に散らばった経験も参照できるかもしれません。

このような仕組みは特に経験の浅い担当者にとって役立ちます。以前であれば、社内に詳しい人を探し、その人の記憶に頼らなければ分からなかった情報にアクセスできるからです。異動したばかりの社員でも、過去案件の経緯を学び、投資審査で必要な論点を把握しやすくなります。

しかし、AIの回答をそのまま結論にしてはいけません。AIは過去の記録から似た事例を探すことはできますが、現在の市場環境が過去とどこまで違うのかを十分に理解しているわけではありません。AIが類似していると判断した案件でも、規制、市場構造、技術、顧客行動が変わっていれば同じ結果になるとは限りません。

AIを使う際には、過去の失敗から何を学べるかと今回の案件はどこが異なるかを同時に考える必要があります。過去の失敗事例を読んだうえで、担当者や審査部門は次のような問いを持つ必要がありそうです。

過去の案件では、どの前提が間違っていたのか。今回の案件でも同じ前提を置いていないか。過去に見逃された警告信号は現在の案件でも現れていないか。過去の失敗では、どの時点で撤退や修正を検討すべきだったのか。今回の案件では、その基準を事前に定めているか。

AIはこうした問いを増やすための道具です。AIの利用によって意思決定が速くなるだけでは不十分です。むしろ、判断の前に立ち止まり、確認すべき点を増やせることに価値があります。

取締役会もAIの出力を確認するだけで役割を果たしたことにはなりません。重要なのは過去の失敗事例を踏まえて、どのような追加調査を行ったのか、どのリスクを許容したのか、どの条件が満たされなければ撤退するのかを明確にすることです。判断の経緯を残しておけば、後から検証し、次の案件に活かすこともできます。

第6節　失敗を未来の資産に変えるために必要なこと

丸紅の「しくじりデータベース」のような取組は企業が失敗をどう扱うべきかを考えるきっかけになります。失敗は隠したくなる情報です。しかし、隠された失敗は次の案件で同じ形を変えて現れる可能性があります。

失敗を組織の資産に変えるには、まず記録の仕方を変える必要があります。失敗したとだけ残しても、次に活かすことはできません。どのような判断が行われたのか。どの情報が不足していたのか。どの時点で問題が見え始めたのか。誰がどのような懸念を持っていたのか。何をすれば被害を小さくできたのか。こうした内容を具体的に記録する必要があります。

次に、失敗を個人の責任だけにしないことが重要です。もちろん不正や重大な職務怠慢があれば責任を問う必要があります。ただし、通常の投資判断では個人だけでは変えられない要因もあります。情報共有が不十分だった。上司に異論を言いにくかった。短期的な目標達成が強く求められた。撤退を提案すると評価が下がる雰囲気があった。こうした組織の仕組みも失敗の原因になり得ます。

さらに、失敗事例は実際の投資審査で使われなければ意味がありません。新規案件を検討する時には過去の類似案件を確認する。大型投資を承認する時には悲観的なシナリオも検討する。事業が計画どおりに進まない時には事前に決めた基準に照らして追加投資や撤退を判断する。このような運用があって初めてデータベースは生きた仕組みになります。

失敗をゼロにすることがゴールではありません。失敗の可能性を理解したうえで、より良い挑戦を続けることです。AIは過去の経験を呼び出す力を高めます。しかし、失敗を認め、原因を記録し、次の判断を変えるのは人間です。

丸紅の事例はAI時代の企業に必要なのは情報をたくさん集めることだけではないと教えてくれます。過去の失敗を正面から見つめ、それを次の投資判断に活かす姿勢こそが長期的に強い企業をつくる土台になります。

参考文献・URL

いいなと思ったら応援しよう！