Terminal X、投資判断エージェントに「GPT-6.1」を採用——シニア投資家との一致率88.6%を達成し年間数億円の削減効果も
要点
- 米金融テック企業のTerminal Xが、自社の投資判断プラットフォームにOpenAIの最新モデル「GPT-6.1 Sol」と「GPT-6 Luna」を導入した。
- 独自開発の審査エージェント「Eval Agent」により、シニア投資家との判断一致率88.6%（次点モデル比+220bps）を記録した。
- ファンドの運用方針からの逸脱（スタイルドリフト）の検知率が約25%向上したほか、クエリあたりのコストを約30%削減した。
- あるプライベートエクイティ（未公開株投資）ファンドでは、デューデリジェンスや投資メモ作成の自動化によって年間240万ドルの経費削減を達成した。
- 日・米・中・韓の4言語に対応し、今後は組織単位から投資担当者個人ごとの判断基準をデータ化する機能の拡張を進める方針を示している。
米OpenAIは2026年10月20日、金融スタートアップのTerminal Xが投資判断自動化システムの中核モデルとして「GPT-6.1 Sol」および「GPT-6 Luna」を採用した事例を公式ブログで公開した。
Terminal Xは、投資ファンドが抱える暗黙知の属人化を防ぎ、投資判断のプロセスそのものをAIエージェント群として組織内に定着させる基盤「Capital Memory」を提供している。今回の導入により、熟練投資家と同等の高精度な審査を低コストかつ高再現性で実現したという。
投資判断の暗黙知を資産化する「Capital Memory」
投資会社において投資判断の基準やノウハウは個々のシニア投資家の頭の中に蓄積されることが多く、人材が流出した際にノウハウが失われる「記憶の負債（Memory Debt）」が長年の課題となってきた。書類自体は会社に残っても、その結論に至った思考の道筋が失われてしまうためだ。
Terminal Xはこの課題を解消するため、JPMorganやBlackstone出身のエンジニアを顧客先に常駐させ、投資判断のプロセスを体系化してエージェントへ落とし込むアプローチを取っている。信用取引部門による融資先の選定基準や、投資メモ作成時に参照する情報源など、これまで明文化されてこなかった手順をリバースエンジニアリングしてエージェントの処理として実装する。
エージェント群は顧客企業のプライベートデータルーム（機密性の高い投資情報を管理する専用環境）内で動作し、オンプレミス環境または顧客固有のクラウド上に配備される。言語は英語、日本語、韓国語、中国語の4言語に対応しており、過去の分析データ、委員会での決定事項、社内見解などを「Memory」として版管理しながら蓄積する仕組みだ。
思考力と処理量を分担する2つのGPTモデル
同社は用途や計算負荷に応じて、OpenAIのモデルを用途別に組み合わせて運用している。
高度な判断力と広大なコンテキストウィンドウ（一度に処理できる文脈量）が求められるフェーズには「GPT-6.1 Sol」を割り当てている。投資テーゼ（投資の基本方針や論拠）の統合、主要な論点の整理、ファンドの投資方針（マンデート）への合致判定といった、深層の推論が必要なステップを担当する。
一方で、大量のデータ処理が求められる定型的な作業には、トークン効率の高い「GPT-6 Luna」を充てており、深さよりも処理量を優先する工程でコスト効率を最大化している。
54基準で投資メモを厳密に精査する「Eval Agent」
Terminal Xは、生成された成果物の品質を担保するため、審査専門のエージェント「Eval Agent」を構築した。これは投資会社の副社長（VP）がアナリストの提出した書類をレビューするプロセスを模した仕組みで、GPT-6.1 Solなどを基盤に動作する。
Eval Agentは、投資メモなどを54項目に及ぶ審査基準（ルーブリック）に照らして照合する。数値、競合比較の数値、コンセンサス、引用文が適切な情報源から取得されているか、論理展開に破綻がないか、社内見解と合致しているかなどを網羅的にチェックし、各項目を合否判定する。
不合格となった項目については、1行のエラー理由とともに、より適切な参照元や修正テキストが記録される。この修正履歴自体が新たな「Memory」として蓄積され、使えば使うほど組織独自の判断基準に近づく自己改善ループが形成されるという。
逸脱検知率25%向上とクエリコスト30%削減の両立
モデルの選定にあたり、Terminal Xは自社の評価基準に基づき500件の投資判断テストを実施した。その結果、GPT-6.1 Solを用いたEval Agentは、人間のシニアレビュアーとの一致率で88.6%を達成した。これは次点の候補モデルの86.4%を220ベーシスポイント（2.2%）上回る結果となった。
特に顕著な差が出たのが、運用方針からの逸脱である「スタイルドリフト」の検知精度だ。たとえばバイアウトファンドにおいて、市場環境の変化シナリオを過度に反映した結果、本来の基準から外れたディストレスト債権（破綻懸念先への債権）や救済融資を推奨してしまうケースがある。GPT-6.1 Solを用いたエージェントは、こうした方針外の推奨事項を次点モデルより約25%多く検知できたという。
さらに、GPT-6.1 Solの高いトークン効率により、同一予算内でより深い精査ワークフローが組めるようになった。まずファンドの方針と照合し、次に直近の案件実績と比較し、判定が不確実な場合は再実行して結果を擦り合わせるといった多層的な検証を行う。単一モデルの1回の検証では見逃されていた案件も、この深層レビューによって捕捉可能となった。これにより、類似の処理速度を維持したまま、クエリあたりのコストを約30%削減することに成功したとしている。
導入実績と個人単位の判断モデル化に向けた展望
この仕組みはすでに実運用で成果を上げており、あるプライベートエクイティ企業では、デューデリジェンス（投資対象の詳細調査）と投資メモ作成プロセスの自動化により、年間240万ドル相当のコスト削減効果を得たことが報告されている。
プラットフォーム全体では、これまでに1,700件の企業Memoryが構築され、100万回以上のカスタムワークフローが実行された。月間アクティブユーザーに対する週間アクティブユーザーの比率（WAU/MAU比率）は81%に達している。
同社は今後、組織やデスク単位にとどまらず、個々の投資プロフェッショナル個人の判断基準をデータ化する方向へ機能を拡張する計画だ。Terminal Xの共同創業者兼CEOのHyun Hong氏は「今後10年で勝利する企業は、自らの判断力をデータとして保有する企業になる。私たちの使命は、その判断力を測定可能にし、保持・改善・再利用できるようにすることだ」と述べている。