AIエージェントはコードを書ける。だが、あなたのビジネスを理解できるのか
最も高くつくAIの失敗は、ごくありふれた単語から始まるのかもしれない。「available（利用可能）」である。
営業エージェントはそれを出荷可能と読む。製造エージェントは生産予定に入っていると読む。サプライヤーのエージェントは確認が必要だと読む。3者はいずれも流暢な説明を生成できる。だが一緒になると、企業が守れない約束をしてしまう可能性がある。
企業がAIエージェントに業務を委任するにつれ、こうした相違は運用上の問題になる。ソフトウェアは、部門、システム、取引先をまたいで行動できるほど正確に、ビジネスを解釈しなければならない。
Graphifyの台頭は、この課題を考える有用な入口となる。同スタートアップは、ソフトウェアに関するつながりのある知識をAIアシスタントに保持させたい開発者を引きつけている。筆者の見方では、そのより大きな意義は、この需要がエージェント型企業の未来について示している点にある。すなわち、インテリジェンスには、自らが働く世界についての信頼できるモデルが必要だということだ。
Graphifyとは何か、なぜ重要なのか
サフィ・シャムシ（Safi Shamsi）は、Yコンビネーター（Y Combinator）の2026年サマーバッチに採択されたGraphify Labsの創業者兼CEOだ。Graphifyのウェブサイトによると、同社は12万3000件を超えるGitHubスターと790万件のPyPIダウンロードを記録している。シャムシによれば、Graphifyはローンチ以降、プラットフォームユーザー数も1万9000人を突破しており、オープンソースのダウンロードを超えた需要を示している。これらの数字は、企業導入の全体像を示す完全な指標ではなく、開発者の関心と採用の勢いを示すシグナルとして読むべきである。
Graphifyはソフトウェアの永続的なナレッジグラフを構築し、コーディングアシスタントが照会できる関係性をマッピングする。同社は、リポジトリ、コード、ドキュメントを横断するつながりを、モデル・コンテキスト・プロトコル（MCP）を通じて利用可能にしていると説明している。
これが重要なのは、コードを生成することと、その結果を理解することでは、必要な情報が異なるためだ。関数を変更するアシスタントには、依存関係、影響を受けるサービス、周辺のアーキテクチャに関する文脈が必要になる。
より広い企業全体にも同じ問題がある。そこにある依存関係は、顧客、契約、製品、サプライヤー、コミットメントに関わるものだ。その文脈の多くは、アプリケーションの間に散在しているか、人々の頭の中にある。
エンタープライズオントロジーとは何か
エンタープライズオントロジーは、ソフトウェアが情報を一貫して解釈するために必要なビジネス概念、属性、関係性を定義する。顧客、製品、契約、資産が特定の領域内で何を意味するのかを規定するものだ。
ナレッジグラフは、具体的なエンティティとそのつながりを表現する。オントロジーは「サプライヤー」と「部品」を定義する。グラフは、特定のサプライヤーが特定の製品向けに特定の部品を提供していることを記録する。
実用に耐える企業モデルには、変化する状態、有効日、制約も必要だ。たとえば、あるサプライヤーはデータベース上に存在していても、特定の購買については承認を得ていない場合がある。
したがって、オントロジーは用語集よりもはるかに高度なものだ。結果に影響する重要な区別を明示する。
営業部門は顧客をアカウント中心に整理するかもしれない。財務部門には、支払い責任を負う法人が必要だ。サポート部門は、サブスクリプションと承認済み管理者を見る。これらの見方は、その関係性が表現されていれば共存できる。
人間は経験を通じてこうした相違を調整する。エージェントには、同じ作業を行うための信頼できる構造が必要だ。
なぜAI導入の速度が企業業績の成果を上回っているのか
経済的な利害はすでに明らかになっている。マッキンゼー（McKinsey）の2026年版「State of AI」調査では、回答者の80%がAIによって個人の生産性が向上したと答えた。一方、企業の利払い前・税引き前利益にプラスの寄与があったと報告したのは37%にとどまった。
同じ調査では、年間売上高が10億ドル（約1580億円）を超える組織の回答者の40%が、少なくとも1つの機能でAIエージェントを拡張展開していると回答した。より小規模な組織では、その割合は22%だった。
導入は、企業がそれに起因すると示せる財務的利益よりも速いペースで広がっている。
これらの結果は、オントロジーの欠如がそのギャップを説明することを証明するものではない。しかし、個人の能力向上と企業業績は別々に注視する必要があることを示唆している。
従業員が分析の準備にかかる時間を節約できても、企業全体では定義のすり合わせ、例外処理、引き継ぎの修復に時間を失い続ける可能性がある。そうしたワークフローに入るエージェントは、その調整問題を引き継ぐことになる。
ナレッジグラフがAIエージェントの協働をどう支えるか
「この顧客を同じ条件で更新せよ」という指示を考えてみよう。
エージェントは、正しい顧客エンティティを特定し、有効な契約を見つけ、修正条項を認識し、どの条件が引き継がれるのかを決定し、承認が必要かどうかを判断しなければならない。
関連する段落を検索することは役に立つ。つながりのあるモデルは、それを解釈するために必要な関係性を明らかにできる。
複数のエージェントが協力する場合にも、同じ原理が当てはまる。営業エージェント、財務エージェント、フルフィルメントエージェントは、互換性のある顧客ID、契約状態、在庫定義を参照すべきである。
そのために、会社全体を収めた単一のデータベースが必要なわけではない。情報は既存システムに分散したままでよい。重要な作業は、IDと意味をマッピングし、アクセス制限を維持し、それぞれの事実についてどの情報源が権威を持つのかを明示することだ。
グラフは、リレーショナルシステム、セマンティックモデル、その他のアプローチと並ぶ有用な表現手法の1つである。その価値は、タスクと基礎となる記録の品質に左右される。
時間も曖昧さの源になる。前四半期についての質問に答えるエージェントには、その時点で適用されていた顧客階層と契約バージョンが必要だ。現在の記録は正確であっても、過去に関する誤った答えを生み出すことがある。有用なモデルは、関係がいつ有効になり、いつ適用されなくなったのかを含め、変化を保持しなければならない。
共有された文脈の経済性
共有された文脈は、チーム間で重複した事実確認や高コストな解釈作業を減らし得る。
今日、従業員は日常的に、サプライヤー記録が契約主体と一致しているか、発注書が交渉済みの条件を反映しているか、業務上のコミットメントが実行可能かを確認している。
こうした活動は、ビジネスを行う実際のコストの一部である。文書作成のスピードが上がっても、それらを取り除く効果はほとんどない。
永続的なモデルがあれば、エージェントはタスクをまたいで確立済みの関係性を再利用できるかもしれない。経済的な検証ポイントは、統合、保守、レビュー、修正を考慮したうえで、完了した業務を改善するかどうかである。
マッキンゼーは、回答者の約5人に1人が、AIの運用コストが利用を制約していると報告したことを明らかにした。トークン消費は1つの費用であり、実行の失敗や人間による修復もまた費用である。
経営幹部は、正常に完了したワークフローあたりのコスト、例外率、解決までの時間を測定すべきだ。こうした指標は、自動化がプロセスを改善しているのか、それとも誰か別の人に作業を押しつけているだけなのかを明らかにする。
安価な回答であっても、高くつく取引を生み出すことはある。
エージェント型企業からエージェント型経済へ
エージェント型企業とは、AIエージェントを使ってビジネスワークフローを実行し、調整する企業である。エージェント型経済は、その相互作用を組織の枠を超えて広げ、エージェントが購買、サービス提供、その他の取引に参加する状態を指す。
買い手のエージェントがサプライヤーのエージェントから部品を注文する場面を想像してみよう。両者は、仕様、単位、数量、価格、許容される代替品、配送条件をすり合わせなければならない。
さらに、見積もりと法的拘束力のあるコミットメントを区別する必要もある。
通信プロトコルはメッセージを運ぶ。決済インフラは資金を移動させる。共有された定義と明示的なマッピングは、当事者が実際に何に合意しているのかを明らかにするのに役立つ。
「来週利用可能」は、倉庫からの出発を意味することもあれば、買い手の施設への到着を意味することもある。その違いが、生産を継続できるかどうかを左右し得る。
あらゆるビジネスを網羅する普遍的なオントロジーは存在しないだろう。業界には専門的な概念が必要であり、企業は正当な相違を維持する。ドメイン標準とモデル間のマッピングの方が、より現実的な道筋を提供する。
機会は、エージェントがリソースをコミットする前に、そうした相違を発見可能かつ解決可能にすることにある。
持続的な優位性はどこから生まれるのか
深いドメイン専門知識を持つ企業には、専門家が意思決定時に用いる区別を捉えたモデルを構築する機会がある。
保険モデルには、補償範囲、免責事項、事象を表現する必要がある。製造モデルには、部品、仕様、生産上の依存関係が必要だ。コーポレートガバナンスモデルには、取締役、委員会、責任、証拠資料が必要になる。
優位性は、正確な関係性を維持し、IDを解決し、実際のワークフローから学習できるかにかかっている。運用に到達しないオントロジーの商業的価値は限られる。
また、構造が真実を保証するわけでもない。推論された関係にはラベルが必要だ。記録には情報源と最新性が必要である。アクセスは機密性を尊重しなければならない。
最も強力なモデルは、不完全な情報を見かけ上の確実性に変えるのではなく、不確実性を可視化する。
これは厳しいプロダクト規律を生む。チームは、モデルが正しいエンティティを取得できるか、修正済みの契約を扱えるか、欠けている依存関係を認識できるかをテストすべきだ。また、2つの情報源が食い違う場合に何が起きるのかもテストすべきである。最善の結果は、レビューを必要とする例外かもしれない。信頼性は、こうした状況を忠実に表現し、その周辺のワークフローを改善することから生まれる。グラフの視覚的な複雑さや回答の自信度から推測できるものではない。
モデルは、それが改善する意思決定と、人々が避けられるようになるエラーによって評価されるべきだ。
ビジネスリーダーが今すべきこと
まずは、意味の不一致がコストを生む1つのワークフローから始めることだ。顧客更新、調達、受注履行は有力な候補である。
関与するエンティティ、衝突する定義、判断を要する意思決定を特定する。権威ある情報源を確立する。そのうえで、既存プロセスと結果を比較する。
マイクロソフト（Microsoft）の2026年版「Work Trend Index」は、10カ国でAIを使う2万人の労働者を調査した。回答者の66%が、AIによって高付加価値の仕事により多くの時間を使えるようになったと答えた。
これは心強い結果だが、企業リーダーは、そうした効果が機能間の引き継ぎを経ても維持される場所を見極める必要がある。
「available」を解釈していた3つのエージェントに戻ろう。その失敗は、より高速なモデル、より優れたプロンプト、より洗練されたインターフェースがあっても残る。企業はその意味を解決しなければならない。
Graphifyの訴求力は、不可欠な投資の方向を指し示している。ソフトウェアが検査し、再利用できる、つながりのある文脈である。次の検証は、その文脈が信頼できる行動を支えられるかどうかだ。
エージェント型経済は、取引を通じて築かれる。すべての取引には約束が伴う。その約束が何を意味するのかを機械に正確に教える企業は、それを守る態勢をより整えられるだろう。
