- Boxが開発者会議で新機能「Box Content Retrieval」を発表
- NvidiaのNemotron埋め込みを中核に採用し、エージェントの検索精度を狙う
- Enterprise Advance顧客向けに来年初頭から提供、料金は非公表
発表された内容
米Boxは開発者会議で、NvidiaのNemotron埋め込みシステムを製品の中核に組み込む新機能「Box Content Retrieval」を公開した。エージェントは、Nemotronが生成した埋め込みメタデータを頼りに、問い合わせに対してより効果的に答えられるようになるという。Boxはユーザーにとっての利点を、検索の高速化・高精度化・低コスト化だと説明している。
提供対象はBoxの「Enterprise Advance」契約の顧客すべてで、提供開始は来年初頭とされている。原文の公開日は2026年11月5日であるため、この「来年」は2027年を指すとみられる。料金体系については原文に記載がない。
何が新しいのか
これまでエージェントは、回答に必要な情報を探すために文書を1つずつ読み通す必要があった。BoxのCEO、アーロン・レヴィ氏は、Nemotronの埋め込みによって、ユーザーの問い合わせやタスクに最も関連するチャンクを返せるようになると説明している。チャンクとは文書を分割した断片のことで、モデルが扱いやすい単位に切り出したものを指す。
埋め込みは単純なキーワードの一致ではなく、背後にある概念を対応付ける。そのため、表現や言語が異なっていても関連するテーマを提示できる。Boxは活用例として法律業務を挙げ、弁護士が関連する条項や判例をより容易に見つけられるようになるとしている。
Nvidia側が見込む効果
Nvidiaの生成AIソフトウェア担当バイスプレジデント、カリ・ブリスキ氏はTechCrunchに対し、問い合わせへの回答が4倍速くなり、誤りが20%減り、使用トークンが90%減るとの見込みを語った。トークンはモデルが処理するテキストの単位で、その削減はAPI利用コストの低減につながりやすい。
ただしこれらは現時点でNvidia側が示した見込みの数値であり、実際の顧客環境で測定した結果ではない点には注意が必要だ。比較の基準となる従来構成が何かについても、原文は具体的に示していない。
Nemotronの位置づけ
今回の機能は、Nvidiaのオープンウェイトの埋め込みモデル群「Nemotron Embed」を実装したものと位置づけられている。原文によれば、主要な研究機関はこうした埋め込みモデルをあまり重視してこなかったという。Nvidiaは7月に公開したNemotronで、検索品質を測るRTEBベンチマークの首位になったとされる。
Nemotronのモデル自体は自由に利用できるが、同じ仕組みを一から作るのは難しいとみられる。Boxは自社が蓄積してきたメタデータと権限管理に強く依存しており、レヴィ氏は5種類の技術を1つのシンプルなAPIにまとめていると説明している。
未公表の点と注意点
料金、提供地域ごとの開始時期、既存契約からの移行条件は原文に記載がない。効果を示す数値もNvidia側の見込みであり、第三者による検証は示されていない。
導入を検討する企業にとっては、自社の文書群でどれだけ検索精度が変わるか、トークン削減が実際の費用にどう反映されるかが判断材料になる。これらは提供開始後の検証を待つ必要がある。
| 項目 | 従来（キーワード中心） | Box Content Retrieval |
|---|---|---|
| 関連文書の探し方 | 単純なキーワードの一致 | Nemotronの埋め込みで背後にある概念を対応付け |
| エージェントの動作 | 文書を1つずつ読み通す必要がある | 問い合わせに最も関連するチャンクを返せる |
| 言い換え・別言語 | 原文に優位性の記述なし | 異なる表現や言語でも関連テーマを提示できる |
Instead of an agent having to kind of read through each document, we can send back chunks from the documents that are most relevant to the user's query
エージェントが文書を1つずつ読み通す代わりに、私たちはユーザーの問い合わせに最も関連するチャンクを文書から返せる。
今後の見通し
エージェントが社内文書を扱う場面では、検索の精度とトークン消費が実用性を左右する。今回の発表は、埋め込みモデルを製品の中核に据える動きが本格化していることを示すとみられる。今後は、来年初頭の提供開始後に、4倍という速度や20%の誤り削減が実際の顧客環境で再現されるかが焦点になる。加えて、Nemotron以外のオープンウェイト埋め込みモデルとの比較や、日本語文書での検索品質が公開されれば、日本企業が導入を判断する材料になるとみられる。
日本の開発者・IT企業にとっての意味
企業が社内文書に対してエージェントを動かす場合、ボトルネックになりやすいのが検索の精度とトークンコストだ。文書を丸ごと読ませる方式は精度が安定しにくく、費用もかさむ。今回のように埋め込みモデルを検索の中核に置き、必要なチャンクだけを返す設計は、RAG（外部データを検索して回答に使う手法）を組む開発者にとって参考になる。ただし、効果の源泉はモデル単体ではなく、Boxが持つメタデータと権限管理との組み合わせにあるとされる。自社システムに同じ発想を取り入れるなら、モデル選定よりも文書の前処理とアクセス制御の設計に工数を割く必要がある。日本企業にとっては、権限管理や日本語文書への対応が実運用の分かれ目になるとみられる。
気になる点
- 日本の企業でも使えますか
- 原文には提供地域の記載がなく、日本での提供時期は現時点で公表されていない。明らかにされているのは、BoxのEnterprise Advance契約の顧客すべてが対象で、来年初頭から提供されるという点のみだ。
- 導入するとコストは上がりますか
- 料金は原文に記載がない。一方でNvidia側は使用トークンが90%減るとの見込みを示しており、モデル呼び出しに伴うコストは下がる可能性がある。実際の課金体系は提供開始時に確認する必要がある。
- 自社で同じ仕組みを構築できますか
- Nemotronのモデルは自由に利用できるが、Boxは自社のメタデータと権限管理を組み合わせているため、同じ効果を一から再現するのは難しいとみられる。アクセス権の反映や文書の前処理まで含めた設計が鍵になる。
用語解説
- 埋め込みモデル
- テキストを数値のベクトルに変換するモデル。意味の近さを計算でき、検索や分類の基盤になる。
- チャンク
- 文書をモデルが扱いやすい大きさに分割した断片。検索では関連するチャンクだけを抜き出して渡す。
- トークン
- モデルが処理するテキストの最小単位。API利用料はトークン数に応じて課金されることが多い。
- オープンウェイト
- 学習済みの重みが公開されているモデル。ライセンス条件の範囲で自由に利用・改変できる。
- RTEBベンチマーク
- 検索品質を測る評価指標。原文ではNemotronが7月時点で首位になったとされる。
出典
Box taps Nvidia’s Nemotron for new agent-first content retrieval system
AI導入も顧問も、お任せください
何から手をつけるか、どこまでAIに任せるか。自社の業務に合わせて整理し、導入から運用まで伴走します。相談だけでも構いません。
AI導入について相談する