エンタープライズAIの信頼性は共通知識基盤が左右、文脈構築の限界

文脈構築の行き詰まり

エンタープライズAIの開発では現在、アプリケーションごとにコンテキストエンジニアリングを行うのが一般的だ。企業システムを接続し、文書をチャンク(断片)に分割してエンベディングでベクトル化し、検索パイプラインを構築して、AIエージェントが実行時に必要とする文脈を組み立てる。この方法は単独のアシスタントやコパイロットには機能するが、企業知識をアプリ固有の文脈としてしか扱わない。

組織内で複数のAIアプリケーションやエージェントを運用するようになると、この進め方は破綻し始める。同じ文書を異なるチームが別々に処理し、別々のエンベディングやインデックスを維持することで、同じ業務知識に対して一貫しない表現が作られてしまう。課題は「AIに文脈を与えること」から「企業知識そのものを管理すること」へと移っている。

3つの限界

1つ目は知識の不整合だ。企業知識は複数の独立したシステムに分散しており、スキーマや業務定義、更新サイクルはそれぞれ異なる。同じ製品や顧客、業務プロセスが、文書、Jiraチケット、ソースコード、CRMシステム、メタデータの間で違う記述をされていることもある。文脈として抽出しても不整合は解決されず、そのままAIアプリケーションに引き継がれ、エージェントごとに異なる業務理解が生まれる。

2つ目は変更の伝搬が難しいことだ。企業知識は常に変化するが、アプリケーションごとに文脈パイプラインを維持しているため、文書やコード、業務定義が更新されても、チャンクやエンベディング、インデックス、エージェントの文脈はそれぞれ別々に更新される。その結果、同じ知識の異なるバージョンでAIアプリケーションが動作してしまう。

3つ目は同じ知識パイプラインを毎回作り直すことだ。各チームが同じ企業知識を処理し、似たエンベディングを生成して、別々のインデックスを運用する。これにより開発工数の重複、不要なインフラコスト、知識の断片化が生じる。

共有知識基盤の4層

記事は、これらの問題は根本的にはコンテキストエンジニアリングの問題ではなく、知識管理の問題だと指摘する。構造化データの世界では、エンタープライズデータプラットフォームがデータを一度管理して複数のアプリケーションで共有することで、同じ課題を解決してきた。エンタープライズAIにも同じ発想が必要で、知識を一度だけ管理し、再利用可能な表現をすべてのAIアプリケーションに公開する「共有知識基盤」が求められる。

共有知識基盤は、知識管理を4つの層に分離する。まず知識を元の形式のまま保持し、次に管理された知識オブジェクトへ正規化する。さらに共通の企業知識モデルへ接続し、最後にAIアプリケーション向けに最適化された表現で公開する。基盤は知識を取り込み、整理し、統合し、ガバナンスを効かせた上で公開する役割を担うという。