2026年8月27日、fileAIはSMBC Asia Rising FundおよびSingtel Innov8からの資金調達と、非構造化データマッピング・活用ソリューション「fileScout」を発表しました。fileScoutは、契約書や明細書などの非構造化データを精緻に抽出し、基幹システムやLLMへ安全に接続するエンタープライズAIミドルウェアです。
プレスリリース要点
- 発表日: 2026年8月27日
- 出資企業: SMBC Asia Rising Fund（SMBC Group × インキュベイトファンド）、Singtel Innov8
- 新技術: 非構造化データマッピングソリューション「fileScout」をリリース
- 主要指標: 累計10億件以上のファイルを処理。東芝、PwC、KPMG、MS&AD、日本ペイント、ケッペル等で導入済
- 狙い: 日本市場（営業・エンジニアリング・カスタマーサクセス）の体制強化、金融・規制業界向けAIエージェントの適用拡大
非構造化データ処理アプローチの比較（RPA vs IDP vs LLM vs fileScout）
| 評価軸 | 従来型RPA | 従来型IDP（OCR） | 直送りLLM / RAG | fileScout (fileForge/fileScout) |
| データ入力 | 構造化画面操作 | テンプレート文字抽出 | 未整理の非構造化データ | 非構造化・半構造化データ |
| トークン効率 | 該当なし | 該当なし | 悪（トークンコスト肥大） | 高（事前マッピングでコスト削減） |
| 精度・ハルシネーション | 決定論的（100%固定） | ルール依存（誤読のみ） | 高リスク（偽抽出・文脈欠落） | 低リスク（SOPベースの検証統合） |
| ガバナンス/監査性 | 高い | 高い | 低い（出力プロセスのブラックボックス化） | 高い（パイプライン全体のログ保存） |
システムアーキテクチャの3大特徴
1. 「fileScout」によるトークン削減パイプライン
非構造化データを事前に抽出・集約・マッピングし、不要なテキストノイズを排除した上でLLMおよび基幹システムへ渡すため、API呼び出し時のトークンコストと応答レイテンシを最小化します。
2. SOP（標準作業手順書）準拠のマルチエージェント型ワークフロー
データの「収集」「前処理・検証」「照合・調整」を分離し、監査可能なルールエンジンとLLM抽出を組み合わせることで、完全な決定論（ルール）と非決定論（生成AI）の双方の強みを融合させています。
3. 金融グレードのガバナンスとデータ連携
KYC（本人確認）や契約検証などの規制業務に対応するため、データ抽出の追跡可能性（トレーサビリティ）を担保し、検証済みデータをERPやデータベースへ直接連携します。
まとめ
バックエンドエンジニアやデータエンジニアが、エンタープライズ向けAIシステムを設計・構築する際に押さえておくべき重要ポイントです。
- 「LLMの直叩き」から「ETL/インテリジェンス層の挿入」へ:
非構造化データをそのままLLMのコンテキストに投入するナイーブな実装は、コスト・速度・精度の全観点において破綻します。LLMの前段に「構造化・軽量化」を行うETLパイプラインを配置する設計パターンが標準化しつつあります。 - 決定論的ロジック（ルールエンジン）とLLM（確率的モデル）のハイブリッド化:
金融や法務などの規制業界では、全出力をAI任せにするのではなく、SOP（標準作業手順書）に基づく「検証・照合ルール」と「LLMによる柔軟な抽出」を組み合わせるマルチエージェント構成が必須です。
- トレーサビリティ（監査可能性）を意識したパイプライン設計:
「どのRAWデータ（PDF/画像）のどの箇所から、どのようなロジックで抽出・変換されたか」をログとして記録・追跡できるデータパイプラインを組むことが、エンタープライズ導入における最大の差別化要素になります。
RAGとの違いは？気になるポイントを解説
Q1:fileScoutと通常のRAGの違いは何ですか？
A1: 通常のRAGは非構造化データをベクトル化してそのまま検索モデルに投入しますが、fileAIはLLMに渡す前の「データ前処理・検証・マッピング（fileScout）」を担い、トークン削減とハルシネーション防止を実現する点に差異があります。
Q2: 日本市場での展開状況はどうなっていますか？
A2: JRE Ventures（JR東日本グループ）との提携に加え、SMBC Asia Rising Fundからの出資を通じて、日本国内でのエンジニアリングおよび営業チームの構築を急速に進めています。
