過去数年間にわたり、調達、法務、財務のチームと協力して仕事をする中で、筆者は同じパターンが繰り返されるのを目にしてきた。企業がAIに巨額の投資を行い、自社のデータに適用する。しかし、出力された結果が浅薄であるか、さらに悪い場合には誤っていることに不満を抱く、というパターンだ。
いま、その数字も筆者が見てきたことを裏付けている。エージェント型AIに関するマッキンゼー（McKinsey）の2026年4月の調査によれば、「世界の企業の3分の2近くがエージェントを試験的に導入しているが、具体的な価値を生む規模にまで拡大できた企業は10%未満」だった。10社中8社が、データの制約を理由に挙げている。
ここでの筆者の大きな学びは、どのベンダーやモデルを使うかよりも、AIが自社ビジネスについて本当に何を知っているかの方がはるかに重要だということだ。その知識が欠けていれば、AIが実質的な価値を提供するにも限界がある。契約管理における筆者の経験から例を挙げよう。
ある中堅金融サービス企業が、サプライヤー契約の更新を管理するエージェントを導入した。このエージェントは、3つのシステムから、それぞれ異なる基準のデータを取得する。契約システムは、契約が存在すればサプライヤーをアクティブ（有効）とみなす。支出システムは、過去12カ月に支払いが行われていればアクティブとみなす。そしてサプライヤーシステムは、オンボーディング（新規登録手続き）が完了していればアクティブとみなす。
大半のサプライヤーについては、3つのシステムの判断は一致する。しかし、少数ながら重要な一群については一致しない。例えば、期限切れの契約があるにもかかわらず一度限りの支払いを受けたサプライヤーや、オンボーディングは完了しているが実際には契約に至っていないサプライヤーは、システム間に不一致を生む。
AIエージェントがこの矛盾に直面すると、取り得る唯一の方法で解決しようとする。つまり、一見もっともらしいが実際には誤った推論を行うのだ。その結果、事業側が意図的に失効させた契約を更新する一方で、現在も利用中のサプライヤーを解約対象としてフラグ付けする。
3つのシステムのどのレコードも、単独では間違っていない。問題はコンテキストの欠如である。異なるシステムのデータが矛盾したとき、AIエージェントには頼るべき共有された知見がない。
これは、企業が一貫して過小評価している失敗パターンだと筆者は見ている。粗悪なデータが粗悪な出力を生むのではない。十分に妥当なデータが、それを利用可能にするコンテキストを剥ぎ取られた結果、欠陥のある意思決定を生むのである。
コンテキストの問題は、しばしば表面化しにくく、そのため特定も解決も難しい。アラートは鳴らない。ダッシュボードは緑のままだ。サプライヤーが買掛金担当に「更新はどうなったのか」と問い合わせてきて初めて、誰かが糸口をたぐり始める。
筆者の経験では、企業がコンテキストの問題に気づくのは、AIエージェントが本来起こり得ないことを実行したときである。従来のソフトウェアは、データを人に提示し、人が解釈していた。いまやAIエージェントはデータに直接作用するため、長年にわたりシステム間のコンテキストの隙間を吸収してきた「人間のひと呼吸」が取り除かれている。
コンテキスト主導のエージェント型AIを支える3つの層
では、こうした仕組みを機能させるために、企業はAIエージェントの下に実際に何を備える必要があるのか。2026年4月、マッキンゼーとベイン（Bain）は、異なる角度から似た答えを示した。
マッキンゼーの調査は、データソース層からデータプラットフォーム層、そしてビジネス用語の意味やレコード同士の関係を定義するセマンティック層へと至るデータアーキテクチャを描いた。マッキンゼーは、その中間層を省略するコストについて率直だ。中間層がなければ、「エージェントは同じデータに対する不完全または矛盾した解釈に基づいて行動しかねない」。ベインもまた、オーケストレーション、可観測性（オブザーバビリティ）、ガバナンスの効いたデータアクセスを中心とする独自の3層プラットフォームを説明している。
筆者は調達と契約の領域で、データエンジニアリング側ではなくビジネス成果の側から、同じ3つの層を適用してきた。
第1層はデータそのもの、つまり企業運営の基盤となるレコードである。サプライヤー、契約、義務、支払いなどだ。ほぼすべての企業がこれを持っている。上の例でも、3つのシステムはいずれも、それぞれの基準では正確なデータを保持していた。
第2層は、実際の作業が行われる場所であり、筆者が多くの導入失敗を目にする場所でもある。関係性とコンテキストがこれらのレコードをつなぐ。共有された定義をつくることで、AIエージェントはサプライヤー、支払い履歴、契約を3つの別々のものではなく、1つの全体像として検討できるようになる。これが、マッキンゼーのいうセマンティック層を平易に解釈したものだ。これを省けば、場所によって意味が異なるデータに基づいて、高速で自信満々に行動するエージェントが生まれる。誰かが確認するまでは、その判断は正しく見える。
第3層はAIエージェントそのものであり、接続された基盤全体を横断して動作し、それに基づいて行動する。その下の層が正しければ、エージェントには推論のための堅固な土台がある。そこを誤れば、優れたモデルであっても扱えるのは断片にすぎない。
コンテキストには見落とされがちな後半部分がある。それは、データがいまなお真実かどうかだ。ビジネスデータの多くは、記録された瞬間から古びていく。6カ月前の契約金額は、もはや存在しない価格設定を反映しているかもしれない。前四半期のリスク評価は、サプライヤーの財務状況の変化より前のものかもしれない。
エージェント型AIに投資する前に、自社システムについて問う価値のある質問が3つある。
1. エージェントは1つの主体の全体像を見ているのか、それとも断片だけを見ているのか。サプライヤーレコードがその契約、義務、支払いとつながっていなければ、エージェントは一部分から推論しているにもかかわらず、それを全体として提示する。そうして、組織図上で誰も位置づけられないサプライヤーへの5桁額の更新を承認してしまうのだ。
2. 2つのシステムが食い違ったとき、何が起きるのか。異なるシステムが同じ用語を異なる意味で定義し、それを突き合わせる仕組みがなければ、エージェントは自力で対立を解消する。そして、その結果が表面化するまで、あなたはそれが起きたことに気づかない。
3. エージェントは自分が扱うデータの古さを知っているのか。現在のデータと古いデータを見分けられなければ、エージェントは両方を同じものとして扱い、それぞれに同じ自信を持って行動する。
率直に答えた結果、自社のデータコンテキストに隙間が見つかったなら、筆者の助言は、上に乗せるAIへさらに投資する前に、まず基盤を直すことだ。
接続され、最新の情報が実際の意思決定を変える事業領域を1つ選ぶ。多くの場合、それは契約、サプライヤー、支出である。そして、それらを1つの全体像として保持できる単一の場所にまとめる。そのうえで、エージェントに仕事をさせればよい。
筆者の立場は明確だ。エージェント型AIにおいて誰が「最高のモデル」を持っているかは重要ではない。エージェント型AIから最大の成果を得る企業は、AI戦略より先にデータアーキテクチャの修正を優先する企業である。
