AI LAB

Insights and Innovations

ISMのAIツール

無料で文字起こしをはじめる
点線の用語から説明を表示できます AIキーワード辞書 ↗
Sus8システム
2026/11/16
AIニュース
AIエージェントに「共通の業務知識」を持たせる――GraphSummit 2026で見えた企業導入の条件

この記事の要点

GraphSummit 2026では、AIエージェントに共通の業務文脈を与える知識グラフの活用が議論されました。実行時のガバナンス、コード変更の影響把握、金融業務での基準データとの照合から、企業導入で必要になる知識管理と検証の条件を整理します。

目次
エージェントごとに業務の前提を教え直す限界


同じ顧客について尋ねているのに、営業支援のAIと問い合わせ対応のAIで答えが食い違います。企業が複数のAIエージェントを導入すると、こうした状況が課題になり得ます。参照できるデータがそろっていても、顧客と契約の関係、社内用語の定義、業務上の制約まで共有できているとは限りません。必要なのは情報の量だけではなく、その情報をどう理解し、使うべきかという業務の文脈です。

GraphSummit 2026での議論は、この文脈を各エージェントの指示文に個別に埋め込む方法から、共通の知識基盤として管理する方法への転換を示しています。グラフデータベースを提供するNeo4jで生成AI分野のフィールドCTOを務めるヘスス・バラサ氏は、開発者が新しいエージェントを作るたびに業務の前提を与え直している点を指摘しています。共有できる信頼の基盤がなければ、同じ知識を繰り返し記述することになります。



その受け皿として取り上げられたのが、知識グラフです。バラサ氏は、企業の知識を集約し、エージェントへ文脈を渡す仕組みにすることで、回答の一貫性に加えて説明可能性も得られると説明しています。どの情報や要素を使って回答を組み立てたのかを示せるためです。

企業にとっての論点は、個々のAIの回答を改善することにとどまりません。業務ルールが変わった際に、どのエージェントへ何を反映すべきかを管理できるかが問われます。共通知識層を整える意義は、AIの数が増えても、業務の前提を組織として維持できる構造を目指すことにあるでしょう。
知識グラフは「情報同士の関係」を扱う基盤


知識グラフは、人、組織、製品、文書などの対象と、それらの関係を表す仕組みです。たとえば一般的な業務を例にすると、顧客がどの契約を結び、その契約にどのサービスや担当部署が関わるかを、つながりとして整理できます。個々の文書を見つけるだけでは分かりにくい関係を、たどれる形で保持する点に特徴があります。

AIが業務上の質問に答える際には、単語が似ている資料を探すだけでは足りない場合があります。「この変更は誰に影響するか」という問いでは、変更対象と顧客、システム、担当者の関係を確認する必要があるためです。検索で関連資料を集める仕組みと知識グラフは、こうした文脈の整理を通じて組み合わせることができます。ただし、今回の各社の取り組みで、検索方式や構成がすべて同じだと示されているわけではありません。



共有する知識を作れば、それだけで正しい回答が保証されるわけでもありません。関係の登録が誤っていれば、その誤りが複数のエージェントへ広がる可能性があります。更新されていない契約情報や、意味の異なる用語を同一視した定義が残っていれば、つながりをたどれること自体が正確性につながるとは限らないでしょう。

導入時には、何を登録するかと同時に、誰がその内容を確かめ、変更を反映するかを決める必要があります。説明可能性も同様です。参照先を示せることと、判断の妥当性を説明できることには違いがあります。知識グラフは検証に使える手掛かりを整理する基盤であり、その情報を正しいと認める業務上の手続きまで自動的に置き換えるものではありません。
自律的な行動には実行中のガバナンスが必要


AIエージェントが情報を提示するだけでなく、処理を進める役割を担うと、管理の対象も変わります。回答の文章が適切かどうかに加え、その情報を使って操作してよいか、実行する権限があるかを確認しなければなりません。人が都度判断していた場面をエージェントへ移すほど、処理が動いている最中にルールを適用する必要が出てきます。

データの管理やガバナンスを手がけるCollibraの共同創業者兼CEO、フェリックス・ヴァン・デ・メーレ氏は、この課題を実行時のガバナンスへの移行として説明しています。同社はNeo4jのグラフデータベースを基盤に、Live Map、Maestro、Guardian Agents、Agent Contractsという機能を導入しています。エージェントが適切な情報を使い、定められたルールに従うための制御を構成するものです。



ヴァン・デ・メーレ氏によると、Maestroではガバナンス業務を担うエージェントを構築でき、関連作業の最大80%を自動化できるとしています。この数値は同社の説明であり、あらゆる企業や作業で同じ効果が得られることを示すものではありません。Agent Contractsについては、エージェントの行動を監視し、事前に定義したルールへ違反する操作を止める役割が説明されています。

日本企業が検討する際も、「AIを監視する」という大きなくくりだけでは、必要な制御を決めにくいでしょう。閲覧してよい情報、変更してよい対象、人の承認が必要な操作を、業務に沿って分けることが出発点になります。ここで共通知識層が役立つのは、対象とルールの関係を整理できる点です。ただし、何を許可するかという方針そのものは、企業が明示する必要があります。
大規模なコード変更を支える依存関係の把握


小さなコード修正が、離れた場所の機能を壊すことがあります。企業のシステムでは、変更した箇所だけを読んでも影響範囲を判断できないことがあり、AIによる開発でもこの問題は残ります。多数のエージェントを同時に動かす場合には、各エージェントが自分の担当範囲を理解することに加え、他の部分とのつながりを把握する必要があります。

企業の大規模なシステム変更を支援するBlitzyは、数千のAIコーディングエージェントを同時に稼働させています。同社のエンジニアリングディレクター、ニーラジ・デシュムク氏は、知識グラフによってシステム内の依存関係や変更のリスクを整理できると説明しています。膨大なコード全体をそのまま扱わせるのではなく、変更に必要な文脈を与えるための使い方です。



Blitzyの取り組みで注目したいのは、知識グラフだけに安全性を委ねていない点です。同社は人が承認した実行計画と自動テストを使い、開発の進行を管理しています。ほかのエージェントが仕様や承認済みの計画に従っているかを確認するエージェントも配置しているとのことです。デシュムク氏は、これらによって計画からの逸脱や誤った生成を防ぐと説明していますが、誤りが一切起きないと独立に検証された結果が示されているわけではありません。

この事例から読み取れるのは、文脈の共有、実行計画の承認、結果の検証がそれぞれ異なる役割を持つということです。依存関係を理解できても、変更が仕様を満たすかは確かめなければなりません。企業が開発工程へAIを組み込む際には、生成速度だけでなく、影響範囲を確認する工程と、変更後の状態を検証する工程まで設計する必要があるでしょう。
金融業務では信頼できる基準データとの照合が焦点


AIの出力がもっともらしく見えても、それだけでは業務に使う根拠になりません。米金融サービス企業のRaymond James Financialが示したのは、既存の信頼できる情報源を基準に、AIを使った仕組みを照合する考え方です。ここでは、複数の情報源をつなぐことと、その内容を検証することが一続きの課題になっています。

同社の技術担当バイスプレジデント、ナヴィーン・マハンカリ氏は、社内で基準とする「ゴールデンソース」があると説明しています。これは、正しさを確かめる際のよりどころとして扱う情報源を指します。同氏によると、複数の情報源から取り込んだデータをNeo4jで扱い、基準となる情報源と比較する評価を実施しています。公開前に100%の正確性を確かめるという説明もありますが、その発言だけから評価対象や条件の全体を把握することはできません。



この点は、数値の受け止め方を左右します。特定のデータや評価項目で一致を確認することと、実際の業務で生じるすべての質問に正しく答えられることは、検証する範囲が異なります。導入を判断する企業には、何を正確と定義し、どの条件で確かめたかを確認する姿勢が求められるでしょう。

Raymond Jamesは、独自のAIアシスタント「Raimond」もすでに提供しています。同社のAIエンジニアリング・データサイエンス担当バイスプレジデント、ジェフ・グリフィス氏は、利用が広がっていると説明しています。また、人が定型作業を行う働き方から、それを実行するエージェントを管理する働き方への変化を語っています。企業にとっては、支援機能の使いやすさと、裏側で結果を確かめる仕組みを併せて考える事例になります。
日本企業の第一歩は「共有する知識と判定基準」の具体化


今回の事例をつなぐ論点は、AIエージェントへ渡す業務知識を、組織で共有し、確かめられる形にすることです。Neo4jは共通の文脈を、Collibraは実行時の制御を、Blitzyは変更の影響把握と検証を、Raymond Jamesは信頼できる情報源との照合を取り上げています。用途は異なりますが、エージェントへ任せる処理を増やすほど、何を根拠に行動したかを確認する仕組みが必要になると考えられます。

日本企業が着手するなら、全社の知識を最初から網羅しようとするより、関係やルールを明確にできる業務を一つ選ぶ方法が考えられます。たとえば一般的な検討例として、社内問い合わせへの回答支援なら、対象文書、適用条件、更新責任者を整理できます。これは各社の導入実績を示すものではなく、知識の共有を具体的な作業へ落とし込むための考え方です。



選んだ業務では、同じ用語を部署間で同じ意味に使っているか、情報が食い違ったときにどちらを優先するかを確認します。そのうえで、回答を支援する範囲と、実際の操作を任せる範囲を決めれば、必要な評価や承認も具体化しやすくなるでしょう。知識グラフの採用自体を到達点にすると、共有する情報の品質や運用責任が後回しになりかねません。

なお、今回のインタビューを配信したtheCUBEは、SiliconANGLE Mediaが運営する映像メディアです。GraphSummitでは有償のメディアパートナーを務めており、同メディアはスポンサーに編集権はないと開示しています。各社の説明を導入判断につなげる際には、自社の条件で確かめることが必要です。最初の一歩として、候補業務を一つ選び、「正しさを照合できる情報源」と「人の承認が必要な操作」を書き出すと、知識基盤に求める役割が見えてきます。

ISM AI CONSULTING

AIを、自社の業務で
使える仕組みに。

ISM株式会社は、システム開発で培った技術と現場理解をもとに、AIの業務活用を支援します。課題の整理から導入・運用まで、貴社に合う進め方を一緒に考えます。

  • 活用テーマの整理
  • 業務への組み込み
  • 導入後の定着
AI活用について相談する

「何から始めるか」のご相談から承ります。

AI LAB 一覧へ戻る