10年前、私はあるグローバルバンクの調査官たちとともに、あらゆるコンプライアンスチェックをパスした記録をレビューしていた。各口座は適切に開設され、各取引に不審な点はなく、各顧客ファイルはクリーンだった。
しかし、これらの記録を総合すると、数十のシェルカンパニー（ペーパーカンパニー）や個人口座を経由して資金を動かす犯罪ネットワークの姿が浮かび上がった。それらは住所、電話番号、実質的支配者を共有していた。表面的にはコンプライアンスに準拠したデータであったが、根底にあったのは、単一のシステムでは結び付けられなかった不正シンジケートだったのだ。
データが示すものと、それが現実世界で意味するものとの間にあるこのギャップこそが、今日のエンタープライズAIを定義する課題である。業界ではこれを「コンテキスト（文脈）レイヤー」と呼ぶ。私は、多くのAI戦略がこのレイヤーの構築を不十分なままにしているのを目にしている。
3つのコンテキスト（ほとんどの戦略は2つしかカバーしていない）
今日のリーダーたちは、セマンティックレイヤー、オントロジー、ナレッジグラフ、ベクトルデータベース、エージェントプラットフォームといった、増え続ける専門用語を吸収している。しかし、これらの用語はすべて同じ課題を説明しているわけではない。これらを混同すると、組織は間違ったレイヤーに投資してしまうことになりかねない。
コンテキストには、大きく分けて以下の3つのタイプがある。
1. Semantic Context（意味的コンテキスト）：これは、データが何を意味するかを指す。列がどのように定義され、メトリクスがどのように計算され、ビジネスルールが生のフィールドをAIが解釈できるものにどのように変換するかということだ。これがなければ、同一のデータを読み取る2つのアプリケーションが、異なる答えを返すことになる。
2. Documentary Context（文書的コンテキスト）：これは、文書に何が書かれているかを指す。検索システムは、クエリに応じて関連する一節、ポリシー、または記録を表示する。大半のRAG（検索拡張生成）ツールはこの領域で機能する。
3. Relational Context（関係的コンテキスト）：これは、データが何を明らかにするかを指す。記録が現実世界で実際に「誰」と「何」を表しているのか、それらがどのように接続し、その接続全体でどのようなパターンが浮かび上がるのかを示す。
ほとんどのAI導入において、最初の2つには多額の投資がなされる一方で、3つ目のリレーショナル・コンテキストは後回しにされている。この作業は完全にモデルの下層に位置するものであるにもかかわらず、モデル自体に向けられる関心のほんの一部しか集めていない。
コンテキストレイヤーの構築は骨の折れる作業だ。エンティティ・レゾリューション（実体識別）、データ辞書、システム間マッピング、不整合のある何百万もの記録をまたぐ同一性マッチング。これらの多くは、過去20年間にわたり地味なエンジニアリング作業とされてきた。しかしAIの登場により、このプロセスをスキップすることの代償は高くなっている。
データが示すもの vs. データが意味するもの
銀行が支払いをレビューする場面を考えてみよう。セマンティックレイヤーは、口座の種類、取引金額、顧客名を教えてくれる。その情報は、それ単体としては正確だ。
しかし、実際の意思決定には、全く異なるレイヤーの知識が必要となる。その口座を誰が管理しているのか、無関係なはずの当事者同士がデバイスや住所を共有していないか、これが顧客の実際の履歴と合致しているか、銀行の他の部署がすでに懸念を表明していないか、などだ。記録が正確であっても、こうしたことは一切見えてこない場合がある。
実体識別とナレッジグラフは、まさにそのギャップを埋めるために構築された。それらはデータが「誰」と「何」を表しているかを特定し、それらの間のつながりをマッピングし、記録を単体で見ているだけでは隠れたままのパターンを浮き上がらせる。
現実世界のデータは、不完全で、不整合があり、時には意図的に曖昧にされている。同じ顧客が、少しずつ異なる名前、住所、識別子の下で、企業の複数のシステム内に何十回も存在していることがあり、それらをリンクするものは何もない。
訓練された調査官なら、直感的にこれを見抜くことができる。しかし、何億もの記録にわたって、それを確実に行うシステムを構築することは、全く異なる次元の課題である。ほとんどの組織は、実際にその作業に足を踏み入れるまで、それがどれほど困難であるかを理解していない。
AIの取り組みが頓挫する場所
私が目にする最も一般的な失敗は、識別（レゾリューション）が未解決のデータに基づいてモデルが構築されていることだ。実体（アイデンティティ）の曖昧さは、開発段階で優れたパフォーマンスを発揮したモデルが、本番環境で期待外れの結果に終わる主な理由の1つである。モデルが現実の不完全な全体像から学習してしまっているのだ。
未解決でコンテキスト化されていないデータに直接接続されたモデルは、単なる概念実証（PoC）にとどまる。本番環境に移行したときに初めて、そのギャップが露呈する。
同様の問題は、AIエージェントの足枷にもなる。関係性が欠落していたり、同一の実体が複数のIDで表示されたり、意思決定の根拠を人間が監査できる証拠まで遡ることができなかったりすると、自律型システムは機能しなくなる。これらはコンテキストの失敗である。より高性能なモデルを採用したとしても、この問題は解決しない。
ガバナンスは、このリスクをさらに複雑にする要素だ。AIが質問に答える段階から行動を起こす段階へと移行するにつれ、誰がどのデータに基づいて何を承認したのかを把握する必要が生じる。規制の厳しい業界では、単なる推奨事項の提示だけでは不十分だ。エビデンス、ポリシー、そして説明責任へと遡ることができる追跡可能な経路が必要となる。その経路は、まさにコンテキストレイヤーを通っている。
なぜ、今これが重要なのか
AIの導入ペースは、組織がそれを成果へと変換できるスピードを上回っている。マッキンゼーの調査は、パイロット（実証実験）段階では高い生産性の向上が見られるものの、最終的に本番環境での大規模な展開に至らないケースが一貫して多いことを示している。管理された環境下でAIが提供するものと、実際の企業全体で提供するものとの差は、最終的にコンテキストに行き着く。
高性能なモデルを未解決のデータに接続すれば、そのモデルはビジネスの歪んだ像に基づいて動作する。データベースのスキーマには正確に一致しているものの、組織の実際の働きとは矛盾する回答が出力される可能性がある。
したがって、現在AIで成果を上げているチームは、モデルを展開する前にコンテキストレイヤーを構築している。苦戦しがちなチームは、後から、より大きなコストと手戻りを伴ってこれを構築している。
問いかけるべき質問
この領域を独占している単一のベンダーは存在しない。コンテキストレイヤーとは、実体識別、セマンティクス、オントロジー、ナレッジグラフなどの機能の集合体である。購入するものもあれば、自社で構築するものもある。これらすべてが、ただでさえ複雑なスタック全体で連携して機能しなければならない。
自分自身に次の問いを投げかけてみてほしい。自社のデータが「誰」と「何」を表しており、それが何に接続しているのかを、証拠を示して明確に言えるだろうか？
組織が行う重要な意思決定を1つ選んでみてほしい。不審な支払い、異議申し立てのある請求、あるいは顧客に対する「次なる最善のアクション（Next Best Action）」などだ。人間やエージェントがその判断を自信を持って下すために、真に知る必要がある情報をマッピングする。そのコンテキストが現在どこに存在しているか、アイデンティティや関係性をどこで解決する必要があるか、どのようなガバナンスが適用されるか、そしてその結果が次の意思決定に引き継がれるかを追跡する。
現在AIで先頭を走っている組織は、まずデータに対する信頼性の高い、接続されたビューを構築した。コンテキストは、最後に追加するような機能ではない。最初に構築するか、あるいは後でその周囲のすべてを再構築することになるのを覚悟するかのどちらかだ。
