CRMは割引ポリシーを知っています。しかし、なぜトップ営業担当者が前四半期にそれを無視し、それでも契約を成立させたのかはわかりません。
すべてのエンタープライズAIエージェントは、同じ基盤から始まります。それがルールです。割引閾値、エスカレーションポリシー、承認階層、SLAといったものです。これらはビジネスがどのように運用されるべきかを定義するガードレールです。そして現在の多くのAI導入において、知識はこのルールで止まっています。
問題は、ルールがポリシーを記述するものであり、現実とポリシーが衝突したときに何が起こるかを記述していない点にあります。
Foundation CapitalのAshu Garg氏とJaya Gupta氏は、2025年12月の論考「AI’s Trillion-Dollar Opportunity: Context Graphs」でこのギャップを定義しました。エンタープライズソフトウェアは結果を記録することには優れています。最終価格、エスカレーションされたチケット、承認された割引です。しかし、その結果に至るまでの判断は記録されません。どの例外が適用されたのか、どの前例が影響したのか、誰が何を承認し、なぜそうしたのかといった情報です。そのコンテキストは依然としてSlackのスレッドや非公式な会話、人の記憶に存在しています。これまで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。
彼らはこの欠けているレイヤーを「意思決定トレース」と呼びました。その1か月後の論考で、さらに明確に定義しています。「コンテキストグラフとは、組織がどのように意思決定を行うかの制度的記憶である。プロセス文書に書かれている内容ではなく、実際にどのように機能しているかを表すものである」。このルールと意思決定トレースの違いは、現在のエンタープライズAIにおける最も重要なギャップかもしれません。
ルールでできること
ルールは不可欠です。ルールなしで動作すべきエンタープライズAIエージェントは存在しません。ルールは境界、ポリシー、ロジックを定義し、業務プロセスを再現可能かつ監査可能にします。
契約更新エージェントは、標準的な割引上限が15%であること、50万ドルを超える契約にはVPの承認が必要であること、価格例外にはドキュメントが必要であることを理解しています。これらのルールは明示的で、バージョン管理され、システムオブレコードに存在します。
単純な取引においては、ルールで十分です。請求書が発注書と一致し、割引がポリシー内に収まり、承認フローが明確であれば、エージェントは正しく処理できます。
しかし、ほとんどのエンタープライズの意思決定は単純ではありません。
ルールが機能しない場面
中堅顧客の契約更新を担当するエージェントを考えてみてください。顧客のサポートチケットは前四半期で40%増加し、NPSスコアも低下しています。
アカウントマネージャーは3週間前にSlackで解約リスクを指摘し、標準上限を5ポイント上回る20%の割引を提案しました。顧客は競合を検討しており、失注すれば利益率の低下より大きな損失になります。
VPは定例ミーティングで口頭承認を行いました。割引は適用され、契約は更新されました。CRMには結果が記録されます。20%割引、更新完了です。
しかしCRMに記録されていないものがあります。Zendeskのサポートトレンド、PagerDutyの利用データからの解約リスク、Slackでの議論、口頭承認といったコンテキストです。ルールは15%でした。実際の判断は20%でした。その差を埋めた理由は、契約成立と同時に消えました。
12か月後、この顧客をAIエージェントに引き継ぐとどうなるでしょうか。エージェントは契約、割引履歴、ポリシーは理解していますが、意思決定トレースは見えません。そのため、15%を厳格に適用して失注するか、20%を無条件で適用するかのどちらかになります。
どちらも誤りです。一方は硬直的すぎ、もう一方は過剰に緩い判断です。どちらも組織の実際の意思決定を反映していません。
意思決定トレースとは何か
Garg氏とGupta氏は明確に区別しています。エンタープライズソフトウェアは「何が起きたか」を記録します。意思決定トレースは「どのように、なぜ起きたか」を記録します。それは組織の記憶の基盤です。
人間が例外を処理し、複数のシグナルを比較し、ポリシーから逸脱した判断を行うたびに、意思決定トレースが生成されます。
しかしその多くは消失します。それらはアプリケーション間の余白、メール、チャット、部門間のやり取り、そして人の記憶の中に存在します。
オーケストレーションプラットフォームは、実行経路上に存在するため、これらを捉えることができます。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、どの結果が書き込まれたかを把握できます。エージェントが単一システム内ではなく、このレイヤーで動作することで、意思決定トレースは自然に生成されます。
意思決定トレースは蓄積される
ここが本質的な違いです。ルールは誰かが更新しない限り変わりません。一方で意思決定トレースは利用されるほど増えます。
すべての意思決定が記録されることで、組織は実際の判断の履歴を蓄積します。それはポリシーではなく、実際の運用を反映した知識です。
これによりAIエージェントは、単なるポリシー実行ツールではなく、組織の意思決定を反映する存在になります。次回の契約更新では、過去のパターン、例外条件、承認経路、結果を踏まえて判断できます。
Workatoはこれを実現するために設計されています。システム間で業務をオーケストレーションすることで、意思決定トレースが生成される場所に存在します。CRM、サポート、コミュニケーションツールからの入力、評価されたポリシー、適用された例外、承認の流れをすべて捉えます。それらはスレッドや記憶に埋もれることなく、構造化された知識として保存されます。
Enterprise MCPはこれをエンタープライズ規模で実現します。エージェントは権限、監査、アクセス制御を継承し、意思決定トレースは信頼できる記録として利用可能になります。
このプロセスは蓄積されます。すべての意思決定が組織の知識となり、次の判断を改善します。
最も重要なギャップ
エンタープライズAIの議論は、モデル性能、接続性、ガバナンスに集中しがちです。しかし、実際に差を生むのはその下にあるレイヤーです。意思決定の蓄積です。
ルールは「何をするか」を定義します。意思決定トレースは「どのように考えるか」を示します。両方を持つ企業は、AIが継続的に賢くなります。ルールだけに依存する企業は、ポリシー変更のたびにAIを作り直すことになります。
