エンタープライズAIには、実際に機能する形があります。その形では、エージェントは単に情報を取得したりコンテンツを生成したりするだけではありません。ビジネスがどのように運用されているのかを理解します。どの例外が適用されるのか、どの承認が行われたのか、なぜ特定の顧客に異なる価格が提示されるのか、といった点まで把握します。
しかし、ほとんどのエンタープライズAIはそこに到達していません。その差はモデルや接続性ではありません。
コンテキストです。
Publicis Sapientの言葉を借りれば、「AIの有効性は与えられるコンテキストに依存する」ということです。正確で最新のビジネスコンテキストがなければ、AIは成果を改善できません。単にパターンを推測し、それを誤った方向に高速化するだけです。
本シリーズでは、エンタープライズ規模におけるコンテキストの意味、それがどこに存在するのか、なぜ多くのチームが想定するよりも取得が難しいのか、そしてそれを正しく構築することでAIがどのように変わるのかを解説します。
「コンテキストグラフ」とは何を意味するのか
「コンテキストグラフ」という言葉は、2025年後半以降、エンタープライズAIの議論の中で広く使われるようになりました。2026年2月にDiginomicaでアナリストのPhil Wainewright氏は、これをシステムオブレコードに記録されるトランザクションデータやプロセスフローを超える、極めて重要な知識レイヤーと説明しています。最も重要な知識は、ワークフローの進行中に行われる意思決定に関するデータにあると指摘しています。
Publicis Sapientはこれを次のように表現しています。エンタープライズ・コンテキストグラフとは、ビジネスの「生きた地図」です。チーム、地域、ソフトウェア、ドキュメント間の共通コンテキストを可視化し、意思決定、データポイント、ルール、ワークフロー、ソフトウェアの関係性を明示します。これらの関係性は、必ずしも正式に記録されているとは限りません。
これは単なる資産のカタログではありません。
企業が実際にどのように機能しているかを決定づける「判断の背景」を表すものです。システムの変化、意思決定、結果の発生に応じて、継続的に更新されていきます。
元GustoのCIOであるBo Kim氏はこれを簡潔に表現しています。「現在、多くのCIOが時間を費やしているのはこのコンテキストレイヤーである」と。
なぜシステムオブレコードでは捉えられないのか
エンタープライズソフトウェアはこれまで、ERP、CRM、HRISといったシステムオブレコードを中心に構築されてきました。Wainewright氏が指摘するように、これらのシステムは結果の記録には優れています。最終価格、エスカレーションされたチケット、承認された割引などが記録されます。しかし、その判断の背景は記録されません。どの例外が適用されたのか、どの前例が影響したのか、誰がなぜ承認したのか、といった情報は残りません。
そのコンテキストは、Slackのスレッド、非公式な会話、そして人の頭の中に存在しています。これまでは、それらがデータとして扱われることはほとんどありませんでした。
これは新しい問題ではありません。企業は常に、システムが捉えている以上の知識を持っていました。
違いは、今やAIエージェントがその知識を必要としているという点です。CRMにアクセスできても、収益オペレーションの承認ロジックを理解できないエージェントは、一見正しく見える判断を行いながら、誤った結果を生み出します。
Wainewright氏は、この領域を正確に定義しています。意思決定の流れは、従来のアプリケーションの隙間に存在します。スプレッドシート、メールチェーン、業務管理ツール、部門横断の連携アプリ、そして人の頭の中に蓄積される暗黙知などです。
自動化だけでは、20年分のシステムに埋もれたビジネスルールを発見したり、1,000を超えるアプリケーション間の依存関係を整理したり、重要なデータの所在と活用方法を明らかにすることはできません。
Publicis Sapientは実際の事例として、顧客定義が27箇所に存在し、36のプログラムによって更新され、真のソースオブレコードはわずか4つしかなかったケースを紹介しています。手動分析には数ヶ月を要しましたが、コンテキストグラフを用いることで、数分で全体像が可視化されました。
ルールと意思決定トレースの違い
AIエージェントが必要とする知識には、2つの種類があります。
1つは明示的なルールです。ポリシー、価格表、承認基準、プロセスドキュメントなど、組織に存在する公式な情報です。これは必要ですが不十分です。
Foundation CapitalのAshu Garg氏は、プロセスを定義するルールだけでは不十分であり、人間は各取引の状況に応じてより多くのコンテキストを持ち込んで判断していると説明しています。
もう1つは意思決定トレースです。実際にルールがどのように適用されたかの記録です。どの顧客にどの例外が適用されたのか、その条件は何だったのか、標準プロセスが適用できない場合にどの承認ルートが使われたのか、といった情報です。
Garg氏の言葉を借りれば、コンテキストグラフとは「組織の意思決定の記憶」です。ドキュメント上の理想ではなく、実際にどのように機能しているかを表します。
エージェントが実際のワークフローに組み込まれると、意思決定時のコンテキスト全体を把握できます。どの入力が使われ、どのポリシーが評価され、どの例外が適用され、誰が承認し、どの状態が記録されたのか。
これを蓄積すれば、これまでの企業には存在しなかったものが生まれます。意思決定の実態を検索可能な形で記録したデータです。
「どのように」は取得できますが、「なぜ」はより難しい課題です。Garg氏も指摘している通り、意図そのものは内部的で観測できません。しかし、適用されたポリシー、参照された情報、例外、承認者といったデータからパターンを抽出することで推測は可能です。
多くのエンタープライズユースケースではそれで十分です。エージェントは抽象的な理由を理解する必要はありません。どの条件で例外が発生し、それがどの程度の頻度で起きるのかを把握できればよいのです。
実際にはどのように機能するのか
コンテキストグラフは、企業が実際にどのように運用されているかを可視化します。理想や想定ではなく、現実の動作を示します。
これが重要なのは、コンテキストがなければ意思決定が明示的に記録された情報か、個人の記憶に依存することになるためです。従業員2万人、創業50年の企業では、重要なコンテキストの大半がどこにも記録されていない状態です。
多くのエンタープライズAIプロジェクトがパイロット段階で止まる理由はここにあります。個別タスクの効率化は可能でも、システム全体の制御はできません。
コンテキストこそが、AIを単なる高速化ツールから、意思決定をナビゲートする存在へと変える要素です。
Workatoのアプローチ
Workatoは、エンタープライズ・コンテキストグラフとして機能します。これは個別製品や画面として存在するものではなく、システム、ワークフロー、関係性を接続することで自然に形成される能力です。
Workatoは、ドキュメント、チケット、メール、Slack、Wikiといったコンテキストが存在するナレッジ資産に接続します。そして、それらの更新履歴や関係性、どの会議でどの意思決定が行われたのか、どのように情報がチーム間で流れたのかを追跡します。また、承認構造や部門間の関係性も可視化します。
これらのデータ自体はWorkato内部に保存されるわけではありません。しかし、それらの関係性を理解することで、通常は見えないつながりを可視化できます。
この知識レイヤーこそが、エージェントが推測ではなく、正確にビジネスを理解するための基盤となります。
意思決定は本質的に協働プロセスです。承認、相談、暗黙知の共有、部門連携といった要素が含まれます。実際のワークフロー上に存在するオーケストレーション基盤であるからこそ、Workatoはこの情報を構造化できます。
なぜここから始めるべきなのか
コンテキストグラフに取り組むということは、企業の実態について私たちがまだ十分に理解していないという前提を受け入れることです。そして、それを捉える新しいソフトウェア領域が必要であることを意味します。
コンテキストレイヤーの構築は、AI導入を遅らせる前提条件ではありません。
むしろ、AIが継続的に価値を生み出すか、それとも停滞するかを決定づける投資です。
シリーズの続き
- ルールと意思決定トレース：AIが本当に必要としているもの
- なぜ多くのエンタープライズAI検索は表層的にとどまるのか
- グルーファンクション問題：なぜRevOps・DevOps・SecOpsがAIの本命領域なのか
