AI活用型バリュエーション：比較分析からシナリオモデリングへ

はじめに

バリュエーションは証拠と判断のプロセスです。類似取引、取引マルチプル、営業予測、割引率、シナリオ前提は、明確に定義された資産、バリュエーション基準日、測定単位、目的、市場参加者の視点に結び付けて初めて有用になります。人工知能は、証拠収集、正規化、類似案件のスクリーニング、モデル実行、感応度分析、記述文の作成を加速できます。しかし、資産の法的範囲を決定したり、弱い証拠を信頼できるものにしたり、市場の不確実性を取り除いたり、責任を負う評価者の権限を引き受けたりすることはできません。

本稿は以下を扱います。 AI活用型バリュエーション：比較分析からシナリオモデリングへ Matchpoint Partnersの2つの対象読者向けです。 ファミリーオフィスのCIOおよびオルタナティブ部門責任者 これには、GCC、英国、スイス、シンガポール、欧州連合にまたがるシングルファミリーオフィス、マルチファミリーオフィス、プライベートウェルス会社、プライベートバンク、外部資産運用会社の投資専門家が含まれます。 UAE/GCC 不動産デベロッパーおよびスポンサー これには、債務、メザニンファイナンス、ジョイントベンチャー株式を調達し、資産を現金化する創業者、最高経営責任者、最高財務責任者、資本市場チームが含まれます。チームには、公開情報と非公開情報の双方にわたる一貫したポートフォリオおよび取引の意思決定が必要です。チームには、資金調達、開発判断、リファイナンス、ジョイントベンチャー、資産売却のための説明可能なバリュエーションが必要です。

中心となる問いは、次のとおりです。 組織は、証拠の品質、不確実性、専門的判断、説明責任を維持しながら、バリュエーションの生産性と意思決定のカバレッジをどのように何倍にも高められるでしょうか。 答えは、統制されたバリュエーション・システムです。これは、原証拠と変換処理、類似案件のスクリーニングと調整、点推定とシナリオ分布、モデル出力と意思決定権限、測定された生産性と帰属された商業価値を分離します。

IFRS 13は、公正価値を、測定日における市場参加者間の秩序ある取引における退出価格と定義しています。これは、状況に適したバリュエーション手法、観察可能なインプットの最大化、観察不能なインプットの最小化を求めています[1]。2025年1月31日から有効な国際評価基準には、データとインプット、バリュエーションモデル、文書化、報告に関する専用基準が含まれています[2]。2025年IPEVバリュエーションガイドラインは、この公正価値の規律をプライベートキャピタルに適用しています[3]。RICSは、自動バリュエーションモデルを、バリュエーション・プロセスを支援し、またはその一部を形成し得るスペクトラムとして説明しており、専門家の関与は目的、市場、データ、リスクに応じて異なります[4-5]。

これらの要件は、重要な変換のすべてがレビュー可能である限り、拡張を支援します。類似取引エンジンは候補を迅速に見つけられます。それでも評価者は、各取引がなぜ関連するのか、どの調整が裏付け可能なのか、結果として得られる範囲が対象資産を反映しているのかを確立する必要があります。予測エンジンは数百のケースを計算できます。意思決定者は依然として、経済状態、依存関係、経営上の行動、確率の扱いを承認する必要があります。言語モデルはメモを作成できます。それでも管理された証拠パッケージと人間による承認が必要です。

地域の証拠は拡大しています。ドバイ土地局は、取引、賃料、プロジェクト、バリュエーションを対象とするオープンな不動産データを提供しています[11]。同局は、2026年第1四半期に総額AED 252 billionの60,303件の不動産取引を報告しました[12]。これらのデータは、特定の問いに対する市場の観測可能性を高めます。しかし、すべての資産を均質にしたり、関連当事者の影響を排除したり、すべての商業条件を特定したり、調整なしで価値を確立したりするものではありません。

AIの採用は、統制範囲も変えます。UAE中央銀行のモデル管理基準は、意思決定に使用されるモデルについて、ガバナンス、追跡可能なデータ、文書化された開発、承認、独立検証、継続的モニタリングを求めています[6]。DFSAは2025年に、調査に回答した認可企業661社のうち52%がAIを積極的に使用していると報告しました。ガバナンスの成熟度はばらつきがあり、21%が明確な説明責任を欠くと報告されました[9]。NISTのAIリスク管理フレームワークは、統制をGovern、Map、Measure、Manageの各機能に沿って整理しています[7-8]。2026年4月のFRBによる改訂モデルリスクガイダンスと、2026年4月のPRA監督声明は、それぞれの銀行業務の範囲内で、リスクベースのモデル目録、ガバナンス、開発、検証、モニタリング、軽減策を強化しています[14-15]。

本稿の貢献は、以下を提供する実用的なシステムにあります。

• および意思決定のための明確に定義されたバリュエーション範囲；
• エビデンス台帳およびソースからアウトプットまでの系統；
• 比較対象の選定・調整プロトコル；
• 透明性の高い手法と機械学習を組み合わせたハイブリッド・モデリング・アーキテクチャ；
• 統制されたシナリオエンジン；
• 検証、不確実性、判断留保の各ゲート；
• 2つの仮説的な例示；
• エビデンスを条件とする生産性および収益のブリッジ、および
• 90日間の導入ロードマップ。

本分析は、2026年8月1日までに入手可能な一次学術研究、公式基準、規制当局の刊行物、および公式の市場データ・ソースをレビューする。規制上および会計上の適用可否は、事業体、法域、目的、クライアント、資産、および報告基準によって異なる。実証研究は、それぞれの研究対象サンプルの範囲内で報告されている。収益、現金コスト削減、損失削減、またはアルファについて、承認された観測済みのMatchpointまたはクライアント・エビデンスは提供されていない。これらの帰属値はUSD 0.のままである

バリュエーションの範囲

目的は手法に先行する

バリュエーション・プロセスは、モデルの選択ではなく、署名済みの指示書から開始すべきである。指示書には、対象持分、法的・経済的権利、計算単位、バリュエーション基準日、通貨、目的、価値の基礎、想定利用者、制約、重要な前提、および報告基準を明記すべきである。株式保有、不動産、開発プロジェクト、債務証券、ファンド持分、および事業会社は、ダッシュボード上で1つのポートフォリオとして表示されている場合でも、異なるエビデンスを必要とする可能性がある。

IFRS 13の公正価値の枠組みは、他のIFRS基準によって要求または許容される測定に特有のものである[1]。それは、あらゆる意思決定について公正価値を測定する一般的な要求を課すものではない。SECのRule 2a-5は、米国の登録投資会社および事業開発会社による誠実な公正価値の決定を扱っている[13]。その枠組みは、リスク評価、方法論の選択、テスト、価格設定サービス、監督および記録にとって有用な比較証拠となる。その法的適用範囲は、明示された範囲に限定される。

価格、価値および意思決定は別個のアウトプットである

観察された価格は、実際の条件に基づく取引を記録する。バリュエーションは、ある時点における定義された基準を推計する。投資判断は、推計された結果の分布を、マンデート、流動性、リスク、代替案および必要リターンと比較する。価格は有効なデータポイントであり得るが、不適切な比較対象でもあり得る。公正価値の推計は、支持可能であっても、特定のファミリーオフィスにとって魅力的でない場合がある。開発者の土地価値は、秩序ある市場参加者の前提と、スポンサー固有の戦略計画の下では異なる場合がある。

したがって、システムは3つのアウトプットを保持すべきである：

1. 証拠アウトプット： 検証済みの取引、見積もり、賃料、コスト、レートおよび営業上の観察事項。
2. バリュエーションのアウトプット： 手法固有の示唆、レンジ、ウェイト、オーバーレイ、および結論。
3. 意思決定のアウトプット: 承認されたアクション、制限、条件、タイミング、および最終責任者。

この分離により、モデルが予測を暗黙のうちに投資推奨や資金提供コミットメントへ変換することを防ぎます。

および意思決定権限

アドバイザーはエビデンス、モデル、選択肢を整理・構成できます。決定権はクライアントの権限を有する機関にあります。業務契約条件には、バリュエーションの目的、データアクセス、依拠範囲、制約、利益相反、承認ワークフローを明記すべきです。

現在の基準が求めるもの

市場エビデンスと較正された評価技法

IFRS 13はマーケット・アプローチ、インカム・アプローチ、コスト・アプローチを認め、単一または複数の技法の使用を許容しています[1]。技法は状況に適合し、十分なデータに裏付けられているべきです。インプットは関連する観察可能なエビデンスを最大限に活用すべきです。当初認識時に観察不能なインプットの評価に用いるモデルは、取引価格が公正価値を表す場合、その取引価格と整合するよう較正すべきです。技法は一貫して適用すべきですが、公正価値を同等以上に代表する測定値が得られる場合には変更が適切となり得ます。

これはAIの使用に対するテストを生み出します。変数の増加、計算の高速化、サンプル内誤差の低下は、より代表的なバリュエーションを証明するものではありません。チームには、その技法が評価対象、市場、評価日、意図された用途に適合するというエビデンスが必要です。

データ、モデル、文書化、報告

2025年1月31日から有効なIVSは、IVS 104「データとインプット」、IVS 105「バリュエーションモデル」、IVS 106「文書化と報告」を含む改訂一般基準の構造を導入しました[2]。この構造はライフサイクル視点を支えます：

• 範囲と基礎を定義する；
• データを入手・評価する；
• モデルを選択・適用する；
• 専門的判断を行使する；
• 重要な文書を保持する；および
• 前提条件と制約事項を付して結論を報告する。

IPEV 2025ガイドラインは、プライベートキャピタルの現在のグッドプラクティスを示している[3]。プライベートマーケットでは、観察不能なインプット、キャリブレーション、企業業績の考慮、市場の証拠、および判断が頻繁に求められる。AIは一貫性とカバレッジを向上させ得る。モデルの不透明性やベンダーラベルによって、結論の重要なドライバーを理解する要件がなくなるわけではない。

自動バリュエーションモデル

RICSはAVMを単一の製品ではなくスペクトラムとして扱っている[4]。一端では、モデルは案件固有の専門家介入なしで自動見積もりを提供できる。他端では、分析が専門的バリュエーションを支援する。RICSの銀行融資ガイダンスでは、不動産が十分に均質で、市場が活発で、データが十分である場合、検証と合意された指示を条件として、AVMが適切となり得ると述べられている[5]。独自性の高い物件、開発物件、特殊物件、または取引が薄い物件には、より強力な案件固有のレビューが必要である。

統制上の含意は3階層の分類体系である：

マーケティングでは実際の水準を記述すべきです。AIを活用して作成したメモランダムは、業務委託、基準、能力および承認がその記述を裏付けない限り、独立した専門的バリュエーションとして表示すべきではありません。

範囲項目	最低限の問い	未解決時の失敗
評価対象持分	どの権利、資産、負債または企業が評価対象ですか？	モデルが誤った経済的対象を扱っている
測定単位	どの集約または分解が測定対象ですか？	ポートフォリオ価値と資産価値が混同されている
評価日	その日付時点で既知または知り得た情報は何ですか？	後知恵が結論を歪める
目的	投資、取引、報告、融資、または内部意思決定のどれですか？	統制と基準が不整合である
基準	公正価値、市場価値、投資価値、またはその他の定義された基準ですか？	利用者は別の概念として解釈する
マーケット	どの主要市場または最も有利な市場、および市場参加者が適用されるのか？	比較対象が誤った買い手層を反映している
通貨	どの報告通貨および取引通貨が適用されるか？	為替およびインフレの前提が隠れている
権限	誰がアウトプットを作成し、レビューし、承認し、依拠するのか？	モデルのアウトプットが無許可の助言となる

バリュエーション根拠台帳

エビデンスオブジェクト

統制されたプロセスでは、エビデンスを構造化され日付を付したオブジェクトとして保存します。スプレッドシート内の数値は、その出所、観測日、発効日、通貨、単位、地域、資産属性、取引ステータス、関係ステータス、信頼度、変換履歴およびレビュー担当者を保持すべきです。

ドバイ土地局のオープンデータサービスは、一部の取引、賃貸、プロジェクト、バリュエーション項目に関する公式ソースです[11]。使用前にデータセットをプロファイリングする必要があります。欠損項目、重複、コーディングの変更、取引タイプ、単位規則、地理、タイムラグが結果に影響する可能性があります。項目が存在することは、それが完全であること、または経済的に比較可能であることを証明するものではありません。

ソースから出力までのデータ系譜

すべての重要アウトプットは、次の5つのリンクを通じて再現可能であるべきです：

1. ソースファイル、レコードまたはエンドポイント；
2. 不変の取り込みスナップショット；
3. 変換コードとバージョン；
4. モデルとパラメーターのバージョン；および
5. レポートのセル、チャートまたは段落。

エビデンス台帳は、手動変更をソース値とは別に記録すべきです。アナリストが取引を除外したり、キャップレートを変更したり、品質調整を適用したりする場合、システムは変更前の値、新しい値、オーナー、理由を保持すべきです。この設計はレビューを支援し、将来のレビュー担当者がバリュエーション基準日時点で利用可能だった情報セットを再現できるようにします。

AI 抽出境界

言語モデルおよび文書モデルは、リース日、賃料改定、コベナンツ、キャップテーブル、取引条件、営業指標を抽出できます。抽出結果は、ソース箇所と照合して検証されるまで、提案された構造化レコードとして扱うべきです。レコードには、文書識別子、ページまたはセル、抽出テキスト、正規化値、モデルバージョン、信頼度、レビュー担当者の判定を含めるべきです。

システムは、以下の場合には判断を保留するか、手動レビューを必須とすべきです：

• ソースがスキャン画像である、不完全である、または内部で矛盾している場合；
• 金額に通貨または単位がない場合；
• 条項が他所の定義に依存している場合；
• 表が実績期間、予算期間、予測期間を混在させている場合；
• 取引価値が債務、アーンアウト、または条件付対価に依存している場合；
• 物件属性が公式エビデンスと矛盾している場合；または
• モデルの信頼度またはルールベースの検証が承認済み閾値を下回る場合。

判断の保留は統制上の結果です。これにより、限られた専門家の時間を、自動化の信頼性が最も低い案件に振り向けます。

統制されたパイプラインとしての比較分析

比較対象に関する問い

比較対象とは、関連する差異を考慮した後に、市場参加者が評価対象をどのように価格付けするかを見積もるのに役立つ観察です。名称、セクター、郵便番号が似ているだけでは不十分です。パイプラインは、評価対象と候補の間の経済的関係を定義すべきです。

企業の場合、評価軸にはビジネスモデル、地域、収益の質、成長性、利益率、資本集約度、レバレッジ、規模、取引日が含まれ得る。不動産の場合、評価軸にはサブマーケット、許容用途、権利形態、規模、築年数、仕様、稼働率、収益の質、リース期間、開発状況、売却条件が含まれ得る。ファンド持分の場合、評価軸には戦略、ビンテージ、残存期間、未出資コミットメント、集中度、NAV基準日、譲渡制限が含まれ得る。

候補生成と適格性

第1段階では、明文化された範囲内でカバレッジを最大化する。検索では、データベース、レジストリ、セマンティック文書検索、構造化フィルターを利用できる。第2段階では、厳格な適格性ルールを適用する。第3段階では、関連性を順位付けする。第4段階では、アナリストによるレビューを必須とする。

元のユニバースは可視化されたままであるべきです。選定済みの取引のみを示す最終レポートは、選択バイアスを隠す可能性があります。レビュアーには、除外候補と、誤った金融商品、異なる市場、ディストレス、関連当事者、不完全な条件、古い日付、不適合な権利などのコード化された理由が必要です。

直接マッチングから特徴量調整へ

ヘドニック分析は価格を特性の関数としてモデル化します。Rosenの1974年の枠組みは、差別化された製品における暗黙価格の経済的根拠を確立しました[17]。現代の比較可能システムは、正則化回帰、木アンサンブル、その他の非線形手法を通じてこの考えを拡張できます。ランダムフォレストは相関を低減した決定木を組み合わせ、柔軟な予測と変数重要度のツールを提供します[18]。勾配ブースティングは、損失関数の逐次最適化を通じて加法関数を構築します[19]。

これらの手法は非線形関係と交互作用を識別できます。ただし、その使用にはなお統制が必要です：

• 目的変数はバリュエーションの問いと一致していなければなりません；
• 訓練観測値はバリュエーション基準日より前であるか、基準日時点で有効でなければなりません；
• 将来または派生した結果フィールドからのリークは除去しなければならない。
• 特徴量エンジニアリングは、経済的に利用可能な情報を反映しなければならない。
• 交差検証は、時間、エンティティ、地理を考慮すべきである。
• 誤差は集計値だけでなく、関連するセグメントごとに報告されるべきである。
• 分布外の対象にはフラグを付すべきであり、
• モデルは重要なドライバーのレビューを支援すべきである。

LundbergとLeeのSHAPフレームワークは、加法説明クラス[20]内で、個々の予測に特徴量の寄与を割り当てる。説明は、モデルがどのように出力を生成したかを示す。因果効果、データ品質、公平性、バリュエーションの適切性を証明するものではない。大きな正の特徴量寄与は、除外されるべき変数への依存を明らかにし得る。

調整とレンジ

調整は、方向、根拠、大きさ、不確実性を示すべきである。6か月前の不動産取引では、指数またはペア証拠に裏付けられた時間調整が必要となる場合がある。より小規模な企業では、規模または流動性に関する考慮が必要となる場合がある。開発用地の取引では、計画、インフラ、支払条件の調整が必要となる場合がある。非公開企業の取引では、証券上の権利と資本構成の分析が必要となる場合がある。

出力は人工的な精度ではなく、分布またはレンジであるべきです。レンジはモデルの不確実性、入力の不確実性、シナリオの不確実性を組み合わせることができます。より広いレンジは、より厳格なレビュー、依拠度の低下、または明示的に判断を控える決定を促すべきです。

ハイブリッド・バリュエーション・アーキテクチャ

透明なコア、機械による支援、承認済みオーバーレイ

アーキテクチャは経済的手法を可視化したままにすべきです。機械学習は証拠の発見、比較対象の順位付け、非線形調整、エラー検出を支援できます。透明なコアは、レビューに必要なマーケット、インカム、コストのロジックを保持します。

最小構成のアーキテクチャには以下が含まれます：

• ソースレイヤー： アクセス制御付きの公式・ベンダー・クライアント・市場エビデンス；
• エビデンスレイヤー： バージョン管理された観測値、正規化、品質フラグ；
• モデルレイヤー： 直接比較、回帰、ツリーモデル、DCF、残余地価およびコストモデル；
• シナリオレイヤー： 状態、依存関係、マネジメントアクションおよび確率の取扱い；
• コントロールレイヤー： インベントリ、承認、検証、閾値、オーバーライド、モニタリング；
• 意思決定レイヤー： レポート、委員会資料、条件、および説明責任を伴う承認；および
• 学習レイヤー： 実現結果、エラー、例外、是正措置。

モデルインベントリと想定用途

CBUAEモデル管理基準は、ガバナンス、データ、開発、バリデーション、実装、利用にわたる期待事項を定めている[6]。米国連邦準備制度理事会のSR 26-2は2026年4月にSR 11-7を置き換え、組織のモデルプロファイル、規模、複雑性に合わせたリスクベースアプローチを重視している[14]。PRAの現行SS1/23は、所定の銀行業務範囲内で、識別と分類、ガバナンス、開発と利用、独立したバリデーション、緩和策を対象とする5つの原則を定めている[15]。

バリュエーション・インベントリには、統計的、財務的、ルールベース、生成型のコンポーネントを含めるべきである。比較ランキングアルゴリズムは、最終的な数値を算出しない場合でも、価値に重大な影響を与え得る。判断を伴うマクロを含むスプレッドシートもモデルとなり得る。ベンダー API はユーザーのガバナンス範囲内に留まる。

インターフェース層としての生成AI

生成AIは、証拠台帳を照会し、比較可能な要約を作成し、シナリオの差異を説明し、委員会資料のセクションを作成できる。管理された情報源から取得し、根拠となる記録を引用すべきである。決定論的な計算は、管理されたコードまたは財務モデルで実行すべきである。言語モデルは、重要な価値、確率、コベナンツの唯一の計算手段であってはならない。

NISTの生成AIプロファイルは、作話、データプライバシー、情報の完全性、人間とAIの構成といったリスクを特定している[8]。安全な設計では、モデルのツール、データ領域、出力スキーマ、権限を制約する。法的および運用上適切な場合には、プロンプト、取得した証拠、出力を記録する。重要な記述には出典確認が必要である。

シナリオモデリング

シナリオは整合的な状態である

感応度分析は、他の入力を一定に保ちながら1つの入力のみを変化させる。シナリオは、複数のドライバーが同時に動き、経営陣の対応を促す可能性がある整合的な状態を記述する。確率分布は、定義された確率的構造の下でのより広範な結果群を記述する。これらのツールは異なる問いに答えるものである。

デベロッパーにとって、吸収速度の低下は、より大きなインセンティブ、現金回収の減少、建設資金調達期間の長期化、エグジットの遅れと同時に生じ得る。ファミリーオフィスにとって、より低いエグジット倍率は、収益の弱さ、流動性の遅延、為替または金利環境の変化と同時に生じ得る。独立した単一変数の感応度分析では、こうした依存関係を過小評価する可能性がある。

ドライバーマップ

シナリオエンジンは、経営陣が確認できる因果関係および契約上の関連性から開始すべきです。

モデルは、極端なディスロケーションを検証する目的でない限り、内部的に矛盾する組み合わせを防ぐべきです。大幅な価格引き下げを伴う急速な売却ケースは妥当となり得ます。その場合、明示的な弾力性の前提が必要です。リスクプレミアムが拡大するなら、低金利ケースでより高い割引率を用いることも妥当となり得ます。その場合、要因分解が必要です。

シナリオ構築プロトコル

1. 意思決定、期間、バリュエーション基準日を定義する。
2. 重要な経済的・契約上のドライバーを選択する。
3. 承認済みのエビデンスを用いて中心ケースを設定する。
4. 整合性のあるドライバーの動きを伴う代替状態を定義する。
5. 権限、コスト、遅延を伴う経営施策を追加する。
6. キャッシュフロー、資金調達、コベナンツ、ターミナルバリューを計算する。
7. 結果を市場およびコストのエビデンスと照合する。
8. ガバナンスとエビデンスが裏付ける場合に限り、確率を割り当てる。
9. 確率が見せかけの精度を生む場合には、未加重のケースを報告する。
10. 各状態で発動するアクション閾値を記録する。

AI支援によるシナリオ生成

AIは、公式発表、市場エビデンス、事業報告書、契約書をスキャンしてリスクドライバーを提案できる。過去の状態をクラスタリングし、見落とされた依存関係を検索できる。候補となるナラティブを生成し、前提を問い直すことができる。候補シナリオは、責任を負うオーナーが承認するまで提案にとどまる。

システムは次のものを区別する必要がある：

• 観測状態： 日付を付した証拠に裏付けられている；
• マネジメントケース： 承認済みの計画または予算；
• 市場参加者ケース： 定義された基準に整合する前提条件；
• ストレスケース： 意図的に厳しいが首尾一貫した；
• リバースストレス： 価値、流動性またはコベナンツの閾値に抵触する状態；および
• 探索的ケース： 戦略的議論のために保持される、証拠の乏しい可能性。

確率は、言語モデルの流暢さから生成すべきではない。確率には、明示された統計的、市場的またはガバナンス上の根拠が必要である。

検証、不確実性および判断留保

検証とは独立した異議提起である

検証は、概念、データ、実装、パフォーマンス、利用および報告を対象とすべきである。独立性は重要性に応じたものでなければならない。レビュー担当者には、モデルに異議を唱え、利用を制限するための十分な権限、能力およびアクセスが必要である。

誤差指標

平均絶対誤差は通貨単位で解釈できる。中央絶対パーセント誤差は、極端なパーセント誤差の影響を軽減する。二乗平均平方根誤差は、大きな誤差にペナルティを与える。順位相関はスクリーニング性能を検証できる。キャリブレーションは、提示された区間が期待される頻度で実現値を含むかどうかを検証する。単一の指標では不十分である。

Kok、Koponen、Martinez-Barbosaは、米国の集合住宅資産の定義済みサンプルにおいて、自動モデルで9パーセントの絶対誤差を報告した[22]。この結果は、AVMが特定の設定で選択された査定ベンチマークを上回る可能性があることを示す関連証拠である。新たな検証なしにGCCの開発プロジェクト、非公開企業、またはすべての不動産セグメントに転用すべきではない。

予測区間

点推定は不確実性を隠す。共形予測は、その前提の下で、選択した予測モデルに対してキャリブレーションセットを用いることで、有限標本の周辺カバレッジを備えた分布に依存しない予測区間を作成できる[21]。分布シフトの下ではカバレッジが悪化する可能性があり、周辺カバレッジは、すべてのサブグループや資産に対して同等に強いカバレッジを保証するものではない。

機関向け報告書には以下を示すべきである：

• 中心的な指標;
• 承認済みバリュエーション範囲；
• 該当する場合の統計的予測区間；
• シナリオ範囲；
• 重要な観察不能なインプット；
• 類似企業のばらつき；
• 分布外ステータス；および
• 判定閾値。

判断留保マトリックス

エンジンは次を返す必要があります 手動バリュエーションが必要 証拠またはモデル適合度が承認範囲外となる場合。

調整	証拠の階層	必要な検証
時間	反復売買、公式指数、同一市場モデル	指数は資産セグメントに適合しているか？
拡大	マッチング取引、モデルの部分依存	規模は品質や立地の代理指標になっていないか？
品質	物理的または運営上の属性	属性は一貫して測定されていますか？
権利	法的文書および担保条件	公表対価には優先権が含まれていますか？
流動性	実行済みセカンダリー証拠および制限	そのディスカウントは他で二重計上されていませんか？
支配権	議決権およびガバナンス権	観察された取引は戦略的動機に基づいていますか？
資金調達	現金同等の対価	繰延条件および負債は正常化されていますか？

導入前後のオペレーティングモデル

現状の分断されたワークフロー

多くのバリュエーション業務では、作業がメール、フォルダ、スプレッドシート、PDFレポート、市場データベースに分散している。アナリストは情報を再入力し、比較表を再構築し、日付を手作業で変更し、レビュー担当者の質問後に数値を追跡する。同じ作業がモニタリング、委員会資料、貸し手向け資料のために繰り返される。統制は個々のファイル管理規律に依存している。

統制された目標ワークフロー

対象プロセスは、専門家の時間を検索や再フォーマットから、境界領域の判断、証拠の吟味、調整、シナリオ設計、結論へと移す。この移行は、生の草案ではなく、承認された成果物を通じて測定されるべきである。

2つの仮説上の説明用事例

シナリオA：開発判断

説明用の例 あるUAE/GCCデベロッパーが複合用途プロジェクトを評価している。本サブセクションのすべての数値、日付、結果は、本フレームワークを説明するために作成された未検証の経営陣による仮定である。これらはバリュエーション、予測、取引推奨ではない。

中心ケースの総開発売上高は、インセンティブ、キャンセル、税金、手数料その他の調整前でAED 1.125 billionです。ダウンサイドケースは、価格の低下、吸収速度の鈍化、コスト上昇、資金調達期間の長期化を組み合わせます。アップサイドケースは、価格の上昇、吸収速度の加速、資金調達期間の短期化を組み合わせます。依存関係があるため、モデルは各ドライバーを独立した感応度として扱えません。

比較対象モジュールは、土地、ユニット、完成資産の取引について、公式および承認済みベンダーの証拠を検索します。候補全体を保持したうえで、立地、用途、ステータス、日付、取引タイプで絞り込みます。レビュー担当者は、支払計画、眺望、仕様、完成段階、権原、一括条件に関する調整を承認します。次にシナリオモジュールは、価格と吸収速度を、回収額、建設資金、債務利用、株式所要額に変換します。

意思決定のしきい値には、株式の最大ピーク額、最低インタレスト・カバレッジ、コベナンツ余裕、ダウンサイド状態における最低リターンを含めることができます。モデルは、どの前提が最初に違反を引き起こすかを示す必要があります。AIが差異説明の草案を作成する場合があります。財務および投資の承認権限者が、シナリオ、資金調達の取扱い、意思決定を承認します。

シナリオB：プライベート資産に関する意思決定

説明用の例 ファミリーオフィスは、非上場の事業会社への少数持分投資を評価しています。本サブセクションの数値、日付、結果はすべて、未検証の経営陣による前提です。これらはバリュエーション、配分推奨、期待リターンではありません。

コンパラブル・エンジンは、ビジネスモデル、地域、成長性、収益の質、マージン、規模、担保権、日付に基づいて、上場企業および非公開企業の取引をスクリーニングします。各除外項目および調整の影響を示します。インカム・アプローチでは、ドライバー・ベースの予測を使用します。シナリオ・エンジンは、営業パフォーマンス、資本需要、希薄化、エグジット・タイミング、市場マルチプルを組み合わせます。

ファミリーオフィスの意思決定アウトプットは、マンデート適合性、流動性準備、集中度、ガバナンス権、情報権、フォローオン能力を加えます。裏付け可能な企業価値は、ポートフォリオ適合性を確立するものではありません。投資委員会は、配分と条件を承認します。

シナリオ・エビデンスの境界

シナリオ入力には、観測された検証がありません。これらの値は、マーケティング、マーケティング上の主張、ケーススタディ、パフォーマンス・アトリビューションに記載されるべきではありません。これらのシナリオに帰属するMatchpointまたはクライアント収益、現金コスト削減、損失削減、およびアルファは、USD 0.のままです。

生産性と収益

生産性の単位

生産性の単位は、承認済みで意思決定可能なアウトプットであるべきです。下書きテキスト、取得済み文書、生成された比較可能企業、モデル実行は中間作業です。追加のレビューやエラーコストを生むより速い下書きは、生産性の向上ではありません。

外部の生産性エビデンス

Brynjolfsson、Li、Raymondは、5,172名のカスタマーサポート担当者への段階的導入を調査し、1時間あたりに解決される問題数が平均15％増加したと報告した。ただし効果は異質であった[23]。NoyとZhangによるプロフェッショナル向け執筆タスクの実験研究では、その設計下で完了時間の短縮と出力品質の向上が見られた[24]。Dell'Acquaらは758名のコンサルタントを調査し、テストされたAI能力フロンティア内のタスクでは向上が報告されたが、そのフロンティア外のタスクではパフォーマンスが弱かった[25]。

これらの研究は、生成型AIが一部のナレッジワークタスクを改善し得るという信頼できる証拠を提供している。しかし、バリュエーションの生産性率を確立するものではない。バリュエーションには、異なるエビデンス、専門基準、モデル、結果、レビューが伴う。Matchpointとクライアントの生産性は、管理されたパイロットで測定すべきである。

未検証の例示的ビジネスケース・ブリッジ

説明用の例 チームが月に20件の承認済みバリュエーションまたはモニタリング・パックを完了すると仮定する。管理されたパイロットにより、承認率、重要な修正、エラー指標が承認済み閾値内に留まりながら、人間の中央値作業時間が24時間から18時間に短縮されると仮定する。例示上の解放キャパシティは月120時間である。これは計画上の計算であり、観測されたMatchpointまたはクライアントの結果ではない。

生み出された余力は、より広範なカバレッジ、迅速な意思決定、質の高い検証、またはクライアント業務に活用できる。売上は、その余力が署名済みエンゲージメント、承認済み成果物、回収済み報酬を支える場合にのみ発生する。売上算式は次のように表せる：

回収済み売上 = 承認済みの有償アウトプット × 承認済み価格 × 回収率 − 返金およびクレジット

各項目には観察済み証拠が必要である。その証拠が承認されるまで、帰属された回収済み売上はUSD 0.のままとなる。

対象別の収益設計

デベロッパー向けには、サービスに証拠およびバリュエーションの診断、資本構成シナリオパック、貸し手または投資家向けケース、モデル是正、モニタリング付きシナリオ更新を含められる。ファミリーオフィス向けには、プライベート資産のバリュエーションレビュー、ポートフォリオ評価額の批判的検証、流動性シナリオパック、取引アンダーライティング、継続的モニタリングを含められる。商業条件には別途の承認およびエンゲージメント文書が必要である。

ウェブサイトおよび研究論文では、ケイパビリティと統制を説明すべきである。クライアント固有の成果主張には、観察済み証拠、承認、適切な開示が必要である。

失敗モードと統制対応

データ障害

陳腐化した、重複した、選択的に報告された、または誤って正規化された証拠がモデル品質を左右し得る。より高性能なモデルはデータ不備をより一貫して再現し得る。統制には、情報源の優先順位、有効日、完全性チェック、単位検証、関係性フラグ、重複検出、照合、レビュアーによるサンプリングが含まれる。

比較対象選定の失敗

類似性アルゴリズムは、統計的に有用に見えても経済的に不適切な代理変数を学習し得る。アナリストが都合のよい比較対象を選び出すこともある。統制には、文書化されたユニバース、厳格な適格性基準、除外理由の完全なログ、特徴量レビュー、代替の順位付け手法、アウトオブサンプル性能が含まれる。

予測およびシナリオの失敗

シナリオは、矛盾する依存関係を隠したり、リスクを二重計上したり、証拠なしに確率を適用したり、資金調達制約を無視したりし得る。統制には、ドライバー・グラフ、会計および現金の照合、経営対応ロジック、リバース・ストレステスト、独立した検証が含まれる。

自動化バイアス

洗練された説明と精密な数値は、利用者の信頼を高め得る。レポートは、観察済み証拠、モデル推計、経営陣の前提、オーバーレイ、未検証のシナリオを目に見える形で区別すべきである。レビュアーは結論に先立ち、モデルの不一致と欠落した証拠を確認できるべきである。

モデルドリフト

市場レジーム、データカバレッジ、インセンティブ、資産構成は変化する。モニタリングでは、入力分布、誤差、区間カバレッジ、オーバーライド率、欠損率、セグメント別パフォーマンスを検証すべきである。しきい値違反時には、制限、再キャリブレーション、再開発、廃止をトリガーすべきである。

サイバー、プライバシー、ベンダー障害

バリュエーションシステムには、機密性の高い財務、所有権、物件、取引データが含まれ得る。管理策には、最小権限アクセス、暗号化、リージョンおよび保存期間の分析、ベンダーデューデリジェンス、インシデント対応、プロンプトとツールの権限、出力フィルタリング、バックアップおよびエクスポート機能が含まれる。ベンダーサービスが唯一の証拠リポジトリになってはならない。

ガバナンスとリリースゲート

統治、マップ、測定、管理

NIST AI RMFは、AIのリスク作業を4つの機能に整理する[7]。バリュエーションに適用すると：

• 統治： 説明責任、ポリシー、インベントリ、リスク選好、エスカレーションを設定する。
• マップ： 意思決定、ユーザー、対象、コンテキスト、危害、依存関係を定義する。
• 測定： データ、モデル、不確実性、セキュリティ、説明可能性、人間による利用をテストする。
• 管理： 承認、制限、モニタリング、是正、コミュニケーション、廃止を行う。

ISO/IEC 42001は、AIマネジメントシステムの要求事項を規定し、責任ある開発と利用のためのより広範な組織的枠組みを支える[16]。採用または認証は、特定のバリュエーションが正確であることの証明として提示されるべきではない。

リリースゲート

承認により、モデルを市場、資産種類、期間、金額範囲、または用途に限定できる。成功したパイロットは、検証済みの対象範囲のみを裏付ける。

90日間導入ロードマップ

0～15日目：適用範囲と棚卸し

• 範囲を限定したユースケースを1つ選択する；
• 目的、根拠、日付、利用者、意思決定権限を文書化する；
• 既存のデータ、モデル、スプレッドシート、ベンダーを棚卸しする；
• 機密データとアクセス権をマッピングする；
• 受入基準、エラー、生産性の指標を定義する；および
• 現在のベースラインを記録する。

ゲート： 承認済みの指示、オーナー、ベースライン、およびデータアクセス計画。

16〜30日目：エビデンス台帳

• ソース階層とデータディクショナリを作成する；
• 日付付きのエビデンススナップショットを取り込む；
• 来歴、変換、除外フィールドを構築する；
• 完全性、単位、重複、リーケージをテストする；
• AI 抽出レビューを定義する；および
• 代表的なケースセットを準備する。

ゲート： エビデンスをソースから正規化フィールドまで追跡できる。

31〜45日目：コンパラブルおよびシナリオのプロトタイプ

• 適格性およびランキングのルールを実装する；
• 透明性の高いベンチマーク手法を構築する。
• 特徴量調整済みの代替手法を追加する。
• シナリオの変動要因グラフを作成する。
• 回答保留とオーバーライドのロジックを定義し、
• 出典リンク付きのドラフト出力を生成する。

ゲート： すべての結論は再現可能であり、異議を唱えられるものでなければならない。

46～60日目：独立検証

• コンセプト、データ、コード、出力をテストする。
• 時間を考慮したパフォーマンステストとセグメント別パフォーマンステストを実施する。
• 予測区間と分布外フラグをテストする。
• 説明と不利なケースをレビューする。
• セキュリティ、アクセス、ベンダーのフォールバックをテストし、
• 指摘事項を是正する。

ゲート： 重大な未解決の指摘がないこと。承認された制限事項が記録されていること。

61～75日目：シャドー運用

• 新規プロセスと現行プロセスを並行して実行する;
• 時間、承認、修正、例外に関するデータを収集する;
• モデルとレビュー担当者の判断を比較する;
• オーバーライドの理由と結果を記録する;
• 委員会報告をテストし、また
• しきい値を調整する。

ゲート： 証拠は、所定の範囲内での管理された利用を裏付ける。

76～90日目：管理されたリリース

• モデル、データ、ユーザーの権限を承認する;
• ユーザーとレビュー担当者をトレーニングする;
• モニタリングとインシデントのワークフローを有効化する;
• 変更および廃止プロセスを定義する;
• 承認されたユースケースのみをリリースし、また
• 実装後レビューを予定する。

ゲート： 責任を負う権限者がリリースと制限事項に署名する。

主張登録簿と限界

許容される主張

証拠は以下の限定的な主張を裏付ける：

• AIと機械学習は、証拠抽出、比較分析、モデリング、シナリオ生成を支援できる。
• 公的なバリュエーション基準では、明確化された範囲、適切なデータ、手法、判断、文書化、報告が求められる [1-5]。
• モデルリスク・フレームワークは、インベントリ、ガバナンス、検証、モニタリング、統制を重視する [6-8,14-16]。
• 一次研究は、選択されたカスタマーサポート、執筆、コンサルティング業務における生産性向上を示している [23-25]。
• 商業用不動産のAVM研究は、その特定の米国マルチファミリー・サンプルにおいて良好な誤差性能を報告した [22]。
• ドバイの公式データは、選択された市場観測へのアクセスを改善する [11-12]。

裏付けのない主張

証拠は以下を確立しない：

• AIの出力がバリュエーションまたは投資判断であること；
• 単一のモデルがすべてのGCC資産およびレジームにわたって正確であること；
• より多くのデータが判断の必要性をなくすこと；
• 説明が因果関係または公平性を証明すること；
• 点推定は、範囲よりも意思決定に有用である；
• 外部の生産性パーセンテージはバリュエーションに適用される；
• より迅速な生産は回収済み収益を創出する；または
• Matchpointまたはクライアント収益、現金節約、損失削減、アルファを生み出した。

実証上の限界

Matchpointまたはクライアントのパイロットデータセット、実現したバリュエーション結果、時間研究、誤差系列、受入記録、収益証拠は提供されていない。例示的な事例およびシナリオは観測されたケースではない。したがって、本論文はシステムとテストプロトコルを提案するものである。実環境に展開されたモデルのパフォーマンスを報告するものではない。

規制上および専門職上の限界

会計、バリュエーション、証券、貸付、データ、AIおよび専門職要件は、主体、資産、法域、指示および日付によって異なる。引用されたSEC、連邦準備制度およびPRAの資料は、定義された制度的範囲を有する。これらは当該範囲外では比較対照の証拠として用いられており、普遍的な法的義務の表明として用いられているのではない。

技術上の限界

モデルのパフォーマンスは、ソースの網羅性、コーディング、特徴量設計、レジーム、対象および意図された用途に依存する。予測区間はその手法と仮定に依存する。生成モデルは根拠のないコンテンツを生成し得る。ベンダーモデルは変更され得る。本番システムには、バージョン管理、検証、モニタリング、アクセス制御およびフォールバックが必要である。

商業上の限界

需要、価格設定、コンバージョンまたは回収に関する予測は承認されていない。サービスのパッケージ化および手数料には、CKの承認とクライアントとの業務契約条件が必要である。帰属収益、現金コスト削減、損失削減およびアルファはUSD 0.のままである

トリガー	例	システム応答
証拠が乏しい	最近の類似取引なし	範囲を広げてエスカレーションする
唯一無二の資産	特殊用途不動産または特殊担保	自動結論を無効化する
重大な矛盾	登記情報と顧客データが不一致	停止して情報源を解消する
分布シフト	新たな制度または地域	使用を制限し、再検証する
高レバレッジ	小さな価値変動がコベナンツ違反となる	資金調達とリバースストレステストを追加する
未検証の法的権利	担保条件が不完全	バリュエーション結論を保留する
モデルの不一致	DCFとマーケットアプローチが大きく乖離	手法と前提を突合・調整
過剰なオーバーライド	アナリストの頻繁な交代	モデルまたはプロセスを調査

結論

AIで拡張されたバリュエーションは、証拠から意思決定へつなぐシステムとして設計されるべきである。システムは目的、権利、基準、日付および権限から始まる。市場証拠と事業証拠を出所情報付きで保存する。比較可能なユニバース、適格性、ランキング、調整および除外を可視化したままにする。透明なバリュエーション手法を、範囲を限定した機械支援と組み合わせる。整合性のあるシナリオと経営アクションをモデル化する。不確実性を報告し、承認された範囲外では棄権する。最終的な権限は説明責任を負う人間に割り当てる。

ファミリーオフィスのCIOおよびオルタナティブ部門責任者にとって、本システムはマンデート、流動性および集中度のレビューを維持しつつ、プライベート資産に関する意思決定の一貫性と網羅性を高めることができる。UAE/GCCの不動産デベロッパーおよびスポンサーにとっては、市場証拠、開発前提、資本構成および意思決定閾値を単一の統制されたプロセスで結び付けることができる。いずれの場合も、生産性は承認されたアウトプットを通じて測定し、価値は承認された観察済みの商業証拠を通じて帰属させるべきである。

中心となる実装上の規律はトレーサビリティです。レビュー担当者は、結論から手法、前提、変換、日付付きの情報源へとたどれるべきです。委員会は、アクションを承認する前に、不確実性、シナリオ依存性、モデル間の不一致を確認できるべきです。将来の結果は、モデルと統制記録を更新すべきです。これによりAIは、バリュエーション判断を不明瞭にすることなく、分析カバレッジを拡大できます。

参考文献

[1] IFRS財団。 IFRS第13号 公正価値測定。 公表基準、2024年版。https://www.ifrs.org/issued-standards/list-of-standards/ifrs-13-fair-value-measurement/

[2] 国際バリュエーション基準評議会。 国際バリュエーション基準の新版を公表。 2024年1月31日、2025年1月31日発効。https://ivsc.org/new-edition-of-the-international-valuation-standards-ivs-published/

[3] 国際プライベートエクイティ・ベンチャーキャピタル・バリュエーション評議会。 国際プライベートエクイティ・ベンチャーキャピタル・バリュエーションガイドライン。 2025年。https://www.privateequityvaluation.com/Valuation-Guidelines

[4] 英国王立チャータード・サーベイヤーズ協会。 自動バリュエーションモデル。 インサイトペーパー、2022年。https://www.rics.org/profession-standards/rics-standards-and-guidance/sector-standards/valuation-standards/automated-valuation-models

[5] 英国王立チャータード・サーベイヤーズ協会。 銀行貸付バリュエーションおよびモーゲージ貸付価値、第2版。 2025年12月。https://www.rics.org/content/dam/ricsglobal/documents/standards/Bank-lending-valuations-and-MLV_2nd-edition_Dec2025.pdf

[6] UAE中央銀行。 モデル管理基準。 通知5052/2022。https://www.centralbank.ae/en/rulebook/banking/risk-management/risk-management/model-management-standards/

[7] 米国国立標準技術研究所。 人工知能リスク管理フレームワーク（AI RMF 1.0）。 NIST AI 100-1、2023年1月。https://www.nist.gov/itl/ai-risk-management-framework

[8] 米国国立標準技術研究所。 人工知能リスク管理フレームワーク：生成人工知能プロファイル。 NIST AI 600-1、2024年7月。https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf

[9] ドバイ金融サービス庁。 DFSAの新たなAI調査：DIFC内で生成AIの採用がほぼ3倍に；ガバナンスは引き続き発展している。 2025年。https://www.dfsa.ae/news/new-dfsa-ai-survey-generative-ai-adoption-has-nearly-tripled-within-difc-last-12-months-governance-continues-develop

[10] 証券監督者国際機構。 資本市場における人工知能：ユースケース、リスク、課題。 2025年。https://www.iosco.org/library/pubdocs/pdf/IOSCOPD788.pdf

[11] ドバイ土地局。 不動産データ：オープンデータ。 2026年8月1日閲覧。https://dubailand.gov.ae/en/open-data/real-estate-data/

[12] ドバイ土地局。 ドバイの不動産取引は2026年第1四半期に31％急増し、AED 252 billionに達した。 2026年。https://dubailand.gov.ae/en/news-media/dubai-s-real-estate-transactions-surge-31-to-reach-aed-252-billion-in-q1-2026/

[13] 米国証券取引委員会。 公正価値の誠実な判断：小規模事業者向けコンプライアンスガイド。 2020年。https://www.sec.gov/resources-small-businesses/small-business-compliance-guides/good-faith-determinations-fair-value-small-entity-compliance-guide

[14] 米国連邦準備制度理事会。 SR 26-2：モデルリスク管理に関する改訂ガイダンス。 2026年4月17日。https://www.federalreserve.gov/supervisionreg/srletters/SR2602.htm

[15] イングランド銀行、プルーデンス規制当局。 SS1/23：銀行のモデルリスク管理原則。 現行版、2026年4月。https://www.bankofengland.co.uk/prudential-regulation/publication/2023/may/model-risk-management-principles-for-banks-ss

[16] 国際標準化機構。 ISO/IEC 42001:2023、情報技術 - 人工知能 - マネジメントシステム。 2023年。https://www.iso.org/standard/42001

[17] Rosen, S. ヘドニック価格と暗黙的市場：純粋競争における製品差別化。 Journal of Political Economy、82(1)、34-55、1974年。https://doi.org/10.1086/260169

[18] Breiman, L. ランダムフォレスト。 Machine Learning、45、5-32、2001年。https://www.stat.berkeley.edu/~breiman/randomforest2001.pdf

[19] Friedman, J. H. 貪欲関数近似：勾配ブースティングマシン。 Annals of Statistics、29(5)、1189-1232、2001年。https://doi.org/10.1214/aos/1013203451

[20] Lundberg, S. M.、およびLee, S.-I. モデル予測を解釈するための統一的なアプローチ。 Advances in Neural Information Processing Systems 30、2017年。https://arxiv.org/abs/1705.07874

[21] Angelopoulos, A. N., および Bates, S. 共形予測と分布フリー不確実性定量化へのやさしい入門。 2021年。https://arxiv.org/abs/2107.07511

[22] Kok, N., Koponen, E.-L., および Martinez-Barbosa, C. A. 不動産におけるビッグデータ？手作業による鑑定評価から自動バリュエーションへ。 Journal of Portfolio Management、43(6)、202-211、2017年。https://doi.org/10.3905/jpm.2017.43.6.202

[23] Brynjolfsson, E., Li, D., および Raymond, L. 職場における生成AI。 Quarterly Journal of Economics、140(2)、889-942、2025年。https://doi.org/10.1093/qje/qjae044

[24] Noy, S., および Zhang, W. 生成的人工知能が生産性に及ぼす影響に関する実験的証拠。 Science、381(6654)、187-192、2023年。https://doi.org/10.1126/science.adh2586

[25] Dell'Acqua, F., McFowland, E. III, Mollick, E., Lifshitz-Assaf, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., および Lakhani, K. R. ギザギザの技術フロンティアをナビゲートする：ナレッジワーカーの生産性と品質に対するAIの影響に関するフィールド実験による証拠。 Organization Science、2026年。https://doi.org/10.1287/orsc.2025.21838

付録A. 最低限のバリュエーション・エビデンス記録

付録B. 比較対象レビューチェックリスト

• 評価対象持分と計算単位は定義されているか？
• エビデンス照会でバリュエーション基準日が適用されているか？
• 候補ユニバース全体が保持されているか？
• ランキング前に厳格な適格性ルールが明文化されているか？
• 除外された各比較対象にコード化された理由があるか？
• 取引条件と担保権は正規化されているか？
• 時期、規模、品質、権利、資金調達の各調整についてエビデンスが示されているか？
• モデルは将来情報とターゲット漏洩を回避しているか？
• 誤差は重要なセグメントおよび時期別に報告されているか？
• 対象は検証済みデータ分布内にあるか？
• 手法による示唆値は機械的に平均するのではなく整合されているか？
• レビュアーによる上書き、理由、以前の値は保持されているか？
• レポートにはばらつき、不確実性、制約が示されているか？

付録C. シナリオおよびリリースチェックリスト

• 意思決定とその時間軸は定義されていますか？
• 中心シナリオ、下振れシナリオ、上振れシナリオ、および逆ストレス状態は整合していますか？
• ドライバーの依存関係は文書化されていますか？
• 経営対応策には、権限、コスト、遅延が割り当てられていますか？
• 現金、資金調達、税務、会計の各フローは整合していますか？
• 確率には根拠が示されていますか、それとも省略されていますか？
• 意思決定の閾値と、最初に閾値を突破するドライバーは可視化されていますか？
• 独立検証は、データ、手法、コード、用途を網羅していますか？
• アクセス、機密性、ログ記録、ベンダーのフォールバックは承認されていますか？
• 棄権および制限のルールは有効化されていますか？
• 利用者は、モデルの限界と自動化バイアスについて研修を受けていますか？
• ドリフト、エラー、オーバーライド、インシデントに対するモニタリングは稼働していますか？
• 最終決定の責任は、権限を有する人間にありますか？

判定ゲート	最低限の承認証跡	停止条件
対象範囲	目的、根拠、日付、対象者、利用者	指示が不完全
データ	ソース登録簿、リネージ、品質プロファイル	重大な利益相反が未解決
手法	根拠、キャリブレーション、ベンチマーク	使用に適さない手法
検証	独立した指摘と是正措置	重大な指摘が未解決
不確実性	レンジ、インターバル、シナリオの取扱い	精度の裏付けなし
人間の権限	レビュー担当者と意思決定責任者	説明責任を負う承認者の不在
テクノロジー	アクセス、セキュリティ、ログ記録、フォールバック	重大な統制ギャップ
レポーティング	主張、出典、制約事項	誤解を招く出力
商業面	業務委託および依拠条件	範囲または権限が不明確

付録D. 用語集

判断保留: 自動的な結論を保留し、案件を手動レビューに回す、管理された結果。

自動バリュエーションモデル: 物件または市場データから、定義された自動化の程度で価値を推定する数学的または統計的システム。

価値の基礎: 価値が推定される際の基本的な測定前提。

キャリブレーション: モデルの出力が、必要に応じて取引価格を含む関連する観測証拠と整合するようにモデルを調整すること。

比較対象: 関連性と差異を分析した上で価値の判断に用いる、観測された取引、金融商品、または資産。

共形予測: キャリブレーションデータと定義された被覆特性を用いて予測集合または区間を構築する手法群。

証拠台帳: すべての重要なインプットを、その出所、日付、変換、レビュー担当者、および出力用途に結び付ける、バージョン管理された登録簿。

説明可能性: モデルの出力に投入要素がどのように影響したかを説明する情報であり、それ自体が正確性や因果関係を立証するものではない。

モデルリスク： 不正確なモデル、誤用されたモデル、または管理が不十分なモデルに基づく意思決定から生じ得る潜在的な悪影響。

分布外： モデルの開発および検証で対象とした母集団から実質的に外れる対象または入力。

予測区間： 当該手法の前提の下で、将来または未観測の結果を所定のカバレッジ水準で含むように設計された範囲。

シナリオ： 結果または意思決定を評価するために用いられる、相互に関連する経済・事業運営・財務の前提をまとまりのある形で示したもの。

感応度： 1つまたは複数の前提を変更した場合の影響であり、多くの場合、完全な状況設定を前提とするものではない。

バリュエーション・オーバーレイ： モデルまたは手法が示す値に対し、十分に捕捉されていない証拠やリスクを反映して行う、文書化された人手による調整。

出典登録簿

論文全文には、これらの情報源に適用された範囲、エビデンス設定、および限界が記録されている。

1. [1] IFRS財団。**IFRS第13号「公正価値測定」。** 発行済み基準、2024年版。 オープンソース
2. [2] 国際評価基準評議会。**国際評価基準の新版を公表。** 2024年1月31日公表、2025年1月31日発効。 オープンソース
3. [3] 国際プライベートエクイティ・ベンチャーキャピタル・バリュエーション委員会。**国際プライベートエクイティ・ベンチャーキャピタル・バリュエーションガイドライン。** 2025年。 オープンソース
4. [4] 英国王立チャータード・サーベイヤーズ協会。**自動バリュエーションモデル。** インサイトペーパー、2022年。 オープンソース
5. [5] 英国王立チャータード・サーベイヤーズ協会。**銀行融資バリュエーションとモーゲージ融資価値、第2版。** 2025年12月。 オープンソース
6. [6] UAE中央銀行。**モデル管理基準。** 通達5052/2022。 オープンソース
7. [7] 米国国立標準技術研究所。**人工知能リスク管理フレームワーク（AI RMF 1.0）。** NIST AI 100-1、2023年1月。 オープンソース
8. [8] 米国国立標準技術研究所。**人工知能リスク管理フレームワーク：生成人工知能プロファイル。** NIST AI 600-1、2024年7月。 オープンソース
9. [9] ドバイ金融サービス庁。**DFSAの新たなAI調査：DIFC内で生成AIの導入がほぼ3倍に；ガバナンスは発展を続ける。** 2025年。 オープンソース
10. [10] 証券監督者国際機構。**資本市場における人工知能：ユースケース、リスク、課題。** 2025年。 オープンソース
11. [11] ドバイ土地局。**不動産データ：オープンデータ。** 2026年8月1日閲覧。 オープンソース
12. [12] ドバイ土地局。**ドバイの不動産取引は2026年第1四半期に31%急増し、AED 252 billionに到達。** 2026年。 オープンソース
13. [13] 米国証券取引委員会。**公正価値の誠実な決定：小規模事業者向けコンプライアンスガイド。** 2020年。 オープンソース
14. [14] 連邦準備制度理事会。**SR 26-2：モデルリスク管理に関する改訂ガイダンス。** 2026年4月17日。 オープンソース
15. [15] イングランド銀行、プルーデンシャル規制庁。**SS1/23：銀行向けモデルリスク管理原則。** 現行版、2026年4月。 オープンソース
16. [16] 国際標準化機構。**ISO/IEC 42001:2023、情報技術 ― 人工知能 ― 管理システム。** 2023年。 オープンソース
17. [17] Rosen, S. **ヘドニック価格と暗黙市場：純粋競争における製品差別化。** Journal of Political Economy、82(1)、34-55、1974年。 オープンソース
18. [18] Breiman, L. **ランダムフォレスト.** Machine Learning, 45, 5-32, 2001. オープンソース
19. [19] Friedman, J. H. **貪欲関数近似：勾配ブースティングマシン.** Annals of Statistics, 29(5), 1189-1232, 2001. オープンソース
20. [20] Lundberg, S. M., and Lee, S.-I. **モデル予測を解釈するための統一アプローチ.** Advances in Neural Information Processing Systems 30, 2017. オープンソース
21. [21] Angelopoulos, A. N., and Bates, S. **共形予測と分布フリー不確実性定量化へのやさしい入門.** 2021. オープンソース
22. [22] Kok, N., Koponen, E.-L., and Martinez-Barbosa, C. A. **不動産におけるビッグデータ？手作業の査定から自動バリュエーションへ.** Journal of Portfolio Management, 43(6), 202-211, 2017. オープンソース
23. [23] Brynjolfsson, E., Li, D., and Raymond, L. **職場における生成AI.** Quarterly Journal of Economics, 140(2), 889-942, 2025. オープンソース
24. [24] Noy, S., and Zhang, W. **生成的人工知能の生産性効果に関する実験的証拠.** Science, 381(6654), 187-192, 2023. オープンソース
25. [25] Dell'Acqua, F., McFowland, E. III, Mollick, E., Lifshitz-Assaf, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., and Lakhani, K. R. **ギザギザな技術フロンティアを乗りこなす：ナレッジワーカーの生産性と品質に対するAIの影響に関するフィールド実験的証拠.** Organization Science, 2026. オープンソース