10月5日、MIT Technology Reviewが「Connecting AI agents to enterprise knowledge」と題した記事を公開した。データ・AI・技術領域の経営幹部300名を対象とした調査をもとに、エンタープライズAIエージェントが「知識不足」によって本番環境への移行に失敗している実態と、その解決策を論じている。
本番稼働できるエージェントはわずか34%——裏を返せば66%が到達できない
調査の核心は、AIエージェントの「知識層（knowledge layer）」の欠如だ。ここで言う「知識」とはデータそのものではなく、組織固有のコンテキストにおいてそのデータが何を意味するかの理解を指す。AIエージェントが状況を推論し、意思決定し、行動するためにはこの理解が不可欠だが、多くの組織ではここが欠落している。
結果として、平均でエージェントAIプロジェクトの34%しか本番環境に到達できていない——換言すれば、着手したプロジェクトの66%が本番稼働に至らずに終わっている計算だ。ハイテク企業でさえこの問題に直面しており、主な失敗要因として「レガシーデータシステム」「セキュリティ・プライバシー上の懸念」「知識・コンテキストの不足」が挙げられている。
調査対象となった300名の経営幹部は、製造・金融・ヘルスケア・テクノロジーなど複数の業種にわたり、北米・欧州・アジア太平洋地域を含む国際的な構成となっている。調査はMIT Technology ReviewのInsights部門（カスタムコンテンツ部門）が設計・分析を担当しており、Neo4jとの提携によるスポンサードコンテンツである点は末尾で補足する。
「プロダクションリーダー」との差を生む意味論的知識
調査では、平均61%のエージェントプロジェクトを本番稼働させている「プロダクションリーダー」と呼ばれる少数グループが存在する。この61%という基準は、調査回答者全体の本番稼働率の分布から上位グループを識別するために設定されたもので、全体平均34%と明確な対比をなしている。
このグループが他の組織と大きく異なるのは、意味論的知識（セマンティクス）の能力だ。意味論的知識とは、データ間の関係性や概念の意味を構造的に把握する能力を指す。たとえば「売上高」という数値が、どの部門・製品・期間・通貨に紐づいており、他の指標とどう連動するかを体系的に理解している状態がこれにあたる。プロダクションリーダーはこの能力が特に高く、それが高い本番稼働率と密接に相関している。
また、プロダクションリーダーが直面する課題の種類も一般組織とは異なる。一般組織が「データの断片化」に苦しむ段階を既に超え、セキュリティ・プライバシー（72%が主要課題として挙げる）をより重視している点が特徴的だ。本番稼働が進むほど、実データに触れるエージェントのガバナンス整備が次の焦点になるという、成熟度の高さを示す傾向でもある。
データの断片化が最大の壁
全体では、エージェントの知識アクセス拡大における最大の障壁として「データの断片化」（55%）が最多回答だった。基幹システム・CRM・データウェアハウス・非構造化ドキュメントなど、組織内のデータが複数のサイロに分散している状態では、エージェントが意思決定に必要な全体像を把握できない。個々のデータソースへのアクセス権があったとしても、それらを横断的に結びつける仕組みがなければ、エージェントは「見えているが理解できない」状態に陥る。
この断片化問題は、レガシーシステムとの統合コストや、部門ごとに異なるデータ定義・管理ポリシーの存在によってさらに複雑化する。調査では、こうした構造的な課題が単なる技術選定の問題ではなく、組織横断のデータガバナンス戦略の問題として認識されつつあることも示されている。
解決策として期待される「知識グラフ」とRAG
知識層を強化するための投資優先項目として、各組織は以下を挙げている：
- 取得技術：インジェスチョンパイプライン、AI対応API、RAG（検索拡張生成）
- AI評価エージェント
- ナレッジグラフ
RAG（Retrieval-Augmented Generation）は、LLMに外部の知識ベースを動的に参照させることで回答精度を高める手法で、近年エンタープライズAI実装の標準的なアプローチとして広く普及している。一方、ナレッジグラフはエンティティ間の関係性を図構造で表現するデータベース技術であり、意味論的な文脈の保持においてRAGを補完・強化する役割が期待されている。両者を組み合わせることで、エージェントが単に文書を参照するだけでなく、概念間の関係を辿って推論できる知識基盤を構築する方向性が示されている。
なお、本レポートはナレッジグラフプラットフォームのベンダーであるNeo4jの協賛を受けており、技術的な推奨内容を読む際にはその点を踏まえることが望ましい。ただし、調査設計と分析はMIT Technology ReviewのInsights部門が独立して担当しており、一定の客観性は担保されている。
エンタープライズAIの「次の関門」
本調査が浮き彫りにするのは、AIエージェントの実用化における課題が「モデルの性能」から「知識へのアクセスと理解」へと移行しつつあるという現実だ。強力なLLMを導入しても、組織固有のコンテキストを持った知識層がなければ本番稼働には至れない——この構造的な壁を認識し、データガバナンスとセマンティクス基盤への投資を戦略的に位置づけることが、AIエージェントを実業務に根付かせる上での次の焦点となるだろう。
詳細はConnecting AI agents to enterprise knowledgeを参照していただきたい。
