統一されたコンテキスト：エンタープライズAIに欠けている基盤

本記事はArangoのスポンサー提供であり、エンタープライズAIの大規模展開が失敗する根本原因を探るものです。ランド研究所は、AIプロジェクトの80%以上が本番環境に到達せず、その失敗率は従来のITプロジェクトの2倍であると指摘し、不十分なデータインフラとリーダーシップの不一致を主な原因として挙げています。カーネギー国際平和基金は2026年1月の実務報告書で、多くのAIイニシアチブが「パイロットの煉獄」に閉じ込められると指摘しています。本番環境には堅牢なデータフロー、ガバナンスフレームワーク、組織的な準備が必要であり、パイロットではこれらをほとんど検証できないからです。

AIエージェントが従業員を支援する立場から企業を代表して行動する立場へと移行するにつれ、ガバナンスはモデル能力と同様に重要になります。米国国立標準技術研究所（NIST）のAIリスク管理フレームワークは、信頼できるAIには展開全体を通じて透明性、説明責任、監視、トレーサビリティが必要であると強調しています。これらの基盤がなければ、組織はAIが生成した決定を一貫して説明、監査、または信頼することができません。

最近のAIインビジネスポッドキャストシリーズで、Arangoの最高執行責任者兼最高技術製品責任者であるRavi MarwahaとIBMの米国業界市場担当CTOであるSumedh Chaudharyが、断片化されたデータ、欠落したコンテキスト、脆弱なワークフローが企業をAI失敗ゾーンに追い込む理由と、実際のリスクの高い運用内で正確かつ説明可能に動作するエージェントシステムを構築するために必要なことについて掘り下げました。

統一されたコンテキストがエージェントの正確な判断に不可欠

Marwaha氏は、本番環境での失敗はモデル自体ではなく、モデルを取り巻く環境に起因すると主張します。パイロットはデータが事前に選択され、ワークフローが簡素化され、不一致がエージェントから隠蔽された厳選された条件下で動作します。本番環境では、CRM、ERP、チケットツール、データレイク、ドキュメントリポジトリなど、人間の操作向けに構築されたエンタープライズシステムの完全な複雑さが導入され、それぞれが異なる真実の断片を保持しています。

「データは決して一箇所にありません。成熟したデータレイクやMDMシステムを持つ組織でさえ、構造化データ、非構造化データ、マルチモデルデータが、人間向けではなくエージェント向けに構築された環境に分散しています。エージェントに無関係な情報や継ぎ接ぎされた断片が与えられると、エージェントはよりインテリジェントになるどころか、信頼できる決定を下すために必要なグラウンディングを失います。モデルが幻覚を起こすのは、モデルが弱いからではなく、コンテキストがないからです。」—Ravi Marwaha

Chaudhary氏は規制対象のワークフローでも同じダイナミクスを認識しています。ドキュメント集約型の環境では、コンテキストの欠如はすぐに測定可能なエラーとして現れます。エージェントがページやシステム間で連続性を維持できないからです。リーダーはこれをデータ品質の問題と誤診することが多いですが、両ゲストは根本的な失敗がアーキテクチャにあると強調しています。エージェントが依存する運用情報が不完全または矛盾している場合、エージェントは弁護可能な決定を下せません。

断片化されたデータがAI失敗ゾーンの根源

両方の会話にわたって、断片化が大規模な信頼できるエージェント行動に対する主要な障壁として浮上しています。Marwaha氏は、企業を数十年にわたるアーキテクチャ上の決定が蓄積された環境として説明しています。便利さのためにコピーされたデータ、システムの上に積み重ねられたシステム、そしてそれらの上に構築されたレポートツール。これらは自律的な意思決定のために設計されたものではなく、エージェントがシステム間で行動しようとした瞬間にすべてが明らかになります。

「人々は統合していると言っていましたが、実際にはさらに断片化していました。データを1つの場所から3つの場所、次に10の場所にコピーし、最終的にそれらのコピーを11番目の場所に統合していました。時間が経つにつれて、BIツールはさらに別のデータレイヤーを作成し、各バージョンは前のバージョンとわずかに異なっていました。このパターンは非常に長い間蓄積されており、エージェントがシステム間で行動しようとすると、これらすべての不整合を継承します。」—Ravi Marwaha

Chaudhary氏は、ドキュメント集約型のワークフローで断片化が異なる形で現れるのを目の当たりにしています。モデルは1ページを解釈できますが、抽出または処理中にページ間の意味が失われると、特に正確性のしきい値が明確な規制業界では、エラー率が急速に上昇します。エージェントはコンテンツを理解できないのではなく、断片間の関係を理解できないのです。

リーダーにとっての要点は、断片化はすべてを集中化することで解決されるわけではないということです。集中化はしばしば新しいコピーと新しい不整合を生み出します。本当の課題は、意思決定の一貫性を確保すること、つまりシステム、バージョン、またはドキュメント間で意味が壊れる箇所を追跡し、それらのブレークポイントをデータ品質の問題ではなくアーキテクチャ上の問題として扱うことです。

規制対象のワークフロー：信頼できるAIの試験場

規制対象のドキュメント集約型ワークフローは、他のどの環境よりも早くエンタープライズの準備態勢を明らかにします。Chaudhary氏によれば、これらのワークフローが失敗するのはモデルが不十分だからではなく、企業がエージェントがページ、ドキュメント、システムをまたいで推論するために必要な連続性を維持できないからです。エージェントがワークフローを接続するセマンティックスレッドを失った瞬間、エラー率が急上昇します。

「ドキュメント集約型のワークフローは第三のレベルの課題を提示します。非構造化テキストだけでなく、画像、テーブル、ページ区切りがセマンティックスレッドを中断させるからです。システムが1ページから次のページに移るとき、情報を接続するコンテキストレイヤーを失うことが多く、エージェントはワークフローが要求するものを再構築できません。規制業界では、エラー率は明示的に測定され、しきい値が満たされないとツールはすぐに放棄されます。」—Sumedh Chaudhary

これらのワークフローは、時間認識、トレーサビリティ、証拠をアーキテクチャに強制します。エージェントは何が変わったか、いつ変わったか、その変化が現在の決定にどのように影響するかを理解する必要があります。連続性が途切れると、モデル能力が制限要因になるずっと前にコンプライアンスのしきい値が失敗します。

マルチエージェントオーケストレーション：エンドツーエンドの自動化

両方の会話にわたる最後の洞察は、エージェントAIは複数のエージェントが同じ接続された運用状況に基づいて行動できる場合にのみ運用可能になるということです。Marwaha氏は、企業はエージェントを追加することで規模を拡大しようとすることが多いが、共有の運用情報がなければ、それらのエージェントはさらに多くのサイロを作り出すだけだと指摘しています。

経営陣にとっての含意は明確です。AIの準備態勢は、エージェントが何が変わったか、情報がどこにあるか、システムがどのように関連しているかを理解するために必要な運用情報にアクセスできるかどうかに依存します。その基盤がなければ、強力なモデルでさえ、制御されたパイロット条件を離れると予測不能に動作します。