2026年5月5日、Anthropic が金融サービス業界向けの AI エージェントテンプレート集 financial-services をオープンソースとして公開しました。リリースから数日でスター12,000超を獲得し、投資銀行・PE・ウェルスマネジメントなど機関向け金融業務の AI 活用として注目を集めています。
このリポジトリはピッチ資料の作成から KYC 審査・月次決算まで、金融機関のアナリストが時間を取られる定型業務を AI エージェントで代替する参考実装です。ただし、機能の多さゆえに「何が向いていて何が向いていないか」が分かりにくいという面もあります。
本記事では financial-services の設計思想・デプロイ方式・類似 OSS との差分を整理し、「自社の金融業務 AI プロジェクトに採用すべきか」の判断材料を提供します。動作検証は行わず、公式ドキュメントおよび README に基づいて解説します。
financial-services とは — Anthropic が公開した金融業務 AI エージェント集
financial-services は、Anthropic が金融サービス業界向けに提供する AI エージェント・スキル・データコネクタの参考実装リポジトリです。
Apache-2.0 ライセンスで公開されており、以下 2 つの形式でデプロイできます。
- Cowork プラグイン: Claude の Web インターフェース「Cowork」にプラグインとして追加し、チャット上でエージェントを呼び出す
- Claude Managed Agents API: API 経由でエージェントを自律実行させる（バッチ処理・長時間ワークフロー向け）
同一のシステムプロンプトとスキルが両方式で共有されているため、Cowork での試用から API ベースの本番運用への移行が容易です。
主な数値（2026-05-08 時点）:
- スター: 12,758 / フォーク: 1,630
- 言語: Python 86.5%、Shell 7.1%、JavaScript 6.4%
- 最終更新: 2026-05-07（活発にメンテナンス中）
10種のエージェントテンプレートと対応業務
financial-services の核心は plugins/agent-plugins/ 以下に格納された10種の業務別エージェントです。各エージェントはシステムプロンプト・スキル・コマンドを一体として持つ自己完結型のプラグインとして設計されています。
フロントオフィス（リサーチ・ピッチ・ミーティング準備）
エージェント | 入力 | 出力 |
|---|---|---|
pitch-agent | 企業リスト・財務データ | ブランド付きピッチデック（コンプス・先例・LBO を統合） |
meeting-prep-agent | クライアント名・議題 | 会議前ブリーフィングパック |
market-researcher | セクター / テーマ | 業界概要・競合分析・同業他社比較 |
earnings-reviewer | 決算コール音声/テキスト・決算書類 | モデル更新・分析ノート |
model-builder | 企業名・財務データ | DCF / LBO / 3ステートメント / コンプス（Excel 形式） |
バックオフィス（GL リコン・月次決算・KYC・監査）
エージェント | 入力 | 出力 |
|---|---|---|
valuation-reviewer | GP パッケージ | 評価テンプレート実行結果・LP レポート準備 |
gl-reconciler | 総勘定元帳データ | 差異検出・根本原因追跡・承認ルーティング |
month-end-closer | 見積計上データ | ロール・フォワード・差異説明 |
statement-auditor | LP ステートメント | 配布前監査チェック結果 |
kyc-screener | オンボーディング書類 | ルールエンジン実行結果・ギャップ検出レポート |
ひとつのエージェントが完全な業務ワークフロー（インプット収集 → 分析 → アウトプット生成）を担当する設計です。
3つのデプロイ方式と選び方
financial-services は用途に応じて3つのデプロイ方法を提供しています。それぞれの特性と向いているシナリオを整理します。
Cowork プラグイン（最小コスト・即利用）
Settings → Plugins → Add plugin でリポジトリ URL を追加するだけで利用を開始できます。
# ZIP アップロードの場合
plugins/agent-plugins/<slug>/ をZIP化してアップロード
（出典: https://github.com/anthropics/financial-services の README より引用）
向いているシナリオ: PoC / 少人数チームでの試用 / アナリストが個人で活用する場合
Claude Code（開発者向け・カスタマイズ容易）
# マーケットプレイスを登録
claude plugin marketplace add anthropics/claude-for-financial-services
# コアスキル + コネクタを先にインストール
claude plugin install financial-analysis@claude-for-financial-services
# 用途に合わせてエージェントを追加
claude plugin install pitch-agent@claude-for-financial-services
claude plugin install gl-reconciler@claude-for-financial-services
（出典: https://github.com/anthropics/financial-services の README より引用）
向いているシナリオ: 開発者がスキルをカスタマイズしながら使う場合 / 既存の Claude Code ワークフローに組み込む場合
Managed Agents API（バッチ・自律実行向け）
export ANTHROPIC_API_KEY=sk-ant-...
scripts/deploy-managed-agent.sh gl-reconciler
（出典: https://github.com/anthropics/financial-services の README より引用）
各エージェント用の agent.yaml と操舵イベント例が managed-agent-cookbooks/ に格納されています。
向いているシナリオ: 月次決算・定期レポートなどのバッチ処理 / 人間の介在なく長時間実行させるワークフロー
11種の MCP データコネクタ — FactSet・S&P・Moody's と接続する仕組み
financial-services の重要な特徴のひとつが、financial-analysis コアプラグインに集約された11種の MCP（Model Context Protocol）データコネクタです。
CLAUDE.md の記述によると、各コネクタは以下の形式で .mcp.json に定義されており、自社のデータプロバイダーに差し替えることも可能です。
プロバイダー | 提供データ |
|---|---|
Daloopa | モデルアップデート・財務データ |
Morningstar | 投資調査・評価データ |
S&P Global | 信用格付け・企業財務データ（60万社超） |
FactSet | 市場データ・分析 |
Moody's | 信用格付け・リスクデータ |
MT Newswires | 金融ニュース |
Aiera | 決算コール分析 |
LSEG | 債券・FX・デリバティブ |
PitchBook | プライベートマーケットデータ |
Chronograph | PE ポートフォリオデータ |
Egnyte | 企業コンテンツ管理 |
金融機関の既存データプロバイダー契約を活かしながら、Claude エージェントにリアルタイムデータを供給する設計です。独自のデータソースがある場合は .mcp.json を編集してポイントするだけで差し替えできます。
dexter・LangAlpha との違い — 選定時の判断軸
同カテゴリの代表的 OSS と比較します。
比較テーブル
項目 | financial-services | ||
|---|---|---|---|
スター数 | 12,758 | 24,800 | 1,100 |
対象ユーザー | 金融機関・機関投資家 | 個人投資家・研究者 | 個人投資家 |
エージェント数 | 10種（業務ワークフロー別） | 1種（リサーチ特化） | 23スキル（汎用リサーチ） |
言語 | Python 主体 | TypeScript | Python / TypeScript |
LLM 依存 | Claude ネイティブ（Anthropic API 必須） | 複数 LLM 対応（Claude・GPT・Gemini） | 複数 LLM 対応 |
デプロイ | Cowork / Claude Code / Managed Agents | Bun スクリプト | FastAPI / Docker |
MCP コネクタ | 11種（FactSet・Moody's 等） | Financial Datasets API | LangGraph 経由 |
エンタープライズ対応 | ◎（KYC・監査・月次決算） | △（個人用途） | △（個人用途） |
ライセンス | Apache-2.0 | MIT | Apache 2.0 |
選定フロー（3つのシナリオ別推奨）
シナリオ A: 金融機関のフロント / バックオフィス業務を自動化したい → financial-services を推奨。KYC・月次決算・ピッチ作成など業務特化エージェントが揃っており、Cowork からすぐに試せる。既存データプロバイダー（FactSet・S&P 等）との接続も MCP コネクタで対応済み。
シナリオ B: 個人または小規模チームで銘柄リサーチを自動化したい → dexter を推奨。単一エージェントで高スター数（24,800）を持ち、TypeScript で軽量。Claude 以外の LLM も使えるためコスト調整が容易。
シナリオ C: カスタム金融分析パイプラインを LangGraph / FastAPI で構築したい → LangAlpha を参考に。LangGraph ベースで柔軟なワークフロー設計が可能。ただしスター数 1,100 とコミュニティは小規模。
スキルのカスタマイズ方法 — 自社業務への適用手順
financial-services は汎用的な参考実装として設計されているため、自社固有の業務フローやファーム独自の文脈に合わせてカスタマイズすることが想定されています。
Anthropic 公式発表 および CLAUDE.md には以下の手順が記載されています。
スキル編集の基本手順
スキルの実体は plugins/vertical-plugins/ 以下の Markdown ファイルです。ファイルを直接編集し、スクリプトで各エージェントに反映させます。
# スキルを vertical-plugins/ で編集後
python3 scripts/sync-agent-skills.py # エージェントバンドルへ反映
# コミット前の検証
python3 scripts/check.py # マニフェストリント・参照解決確認
（出典: https://github.com/anthropics/financial-services/blob/main/CLAUDE.md より引用）
主なカスタマイズポイント
- ファーム独自の文脈追加: スキルファイルに自社の用語・プロセス・フォーマット基準を追記
- コネクタ交換:
.mcp.jsonを編集し、自社データプロバイダーを指定 - テンプレート持込: PowerPoint テンプレートを
/ppt-templateで指定して自社ブランドを適用 - エージェントスコープ調整:
agents/<slug>.mdのシステムプロンプトを実際の運用フローに合わせる
金融機関の場合、コンプライアンス要件・内部データポリシーに応じてスキルファイルを調整する運用が想定されています。なお、すべての出力には人間によるレビューが必要であり、本リポジトリは投資推奨・リスク引受・台帳記帳・オンボーディング承認を行うものではありません（README 免責事項より）。
また、Claude 金融サービスページ では企業向けの詳細な活用事例も参照できます。
まとめ — 金融機関のワークフロー自動化に採用を検討すべき理由
financial-services は以下に当てはまる場合に採用を検討する価値があります。
採用を推奨するケース:
- 金融機関・FinTech 企業で Claude を使った業務自動化 PoC を始めたい
- ピッチ資料・DCF モデル・KYC 審査・月次決算など、業務特化のエージェントテンプレートが欲しい
- FactSet・S&P・Moody's などの既存データプロバイダー契約を AI に活かしたい
- Cowork / Claude Code / Managed Agents への統合を前提としたアーキテクチャで設計している
採用を推奨しないケース:
- 個人投資家の銘柄リサーチ自動化が主目的（dexter や LangAlpha の方が軽量）
- Claude 以外の LLM（GPT・Gemini 等）を主軸にしたい（financial-services は Claude ネイティブ前提）
- LangGraph / FastAPI ベースのカスタム開発基盤を既に持っている場合（LangAlpha が参考になる）
2026年5月の公開から数日でスター1万超を獲得し、みずほ銀行での導入事例も公開されているこのリポジトリは、金融業界での Claude 活用の参考実装として現在最も実績に近い OSS のひとつです。まず Cowork プラグインとして試し、業務フローへの適合度を確認してから本番導入を検討する進め方が現実的です。
