ハッサン・イスマイル氏は数理物理学の卒業生であり、Yellowcakeの創業者である。
歴史を通じて、情報と知識は特定の場所に集約されており、多くの人々にとってアクセスが困難であることが多かった。アレクサンドリアの大図書館、バグダッドの知恵の館、プラトンのアカデミーといった伝説的な場所は、無学な者でも学者になれる場所として語り継がれてきたが、同時に、生活を捨てて旅立つ余裕のない一般人にとっては、教育と知識が特権階級のものであることを痛感させる存在でもあった。
歴史の大半において、これは変わらぬ事実だった。グーテンベルクの印刷機のような技術の登場が潮目を変える助けとなったものの、世界の識字率に真の変化が訪れたのは19世紀初頭になってからだった。それでも、世界人口の半数以上が読み書きできるようになったのは20世紀後半になってからだったのだ。
しかし、情報が真にアクセス可能になったのは、21世紀にある特定の技術が世界に導入されてからだった。その技術とはインターネットであり、世界初のグローバルな知識のリポジトリと言えるものだった。
図書館が抱える課題
さて、世界規模の巨大図書館という比喩を続けるなら、図書館には誰もが経験したことのある問題がある。情報はアクセス可能だが、必要な情報を正確に見つけるのは困難で時間がかかるということだ。残念ながら、インターネットもそれほど変わらない。おそらく私たちの多くは、インターネットで何かを探そうとして、正しい答えが見つからずに諦めた経験を（おそらく最近でも）思い出せるだろう。
人類学者たちは、私たちの歴史の現在の時代を表す新しい用語を作り出した。それが「情報時代」であり、伝統的な産業から情報技術を中心とした産業への急速な移行を特徴としている。データは私たちの時代の新たな黒い金であり、それをナビゲートすることが課題なのだ。
ワイルドカードの登場──AIエージェント
ここで、最新の技術進歩の1つが変化をもたらし始めている。ある情報源によると、AIエージェントは「ユーザーが定義した目的を達成するために、AIモデルを活用して環境と相互作用するシステム」と定義できる。これは、推論、計画、（多くの場合は外部ツールを介した）アクションの実行を組み合わせて、タスクを遂行するものだ。
なぜこれが重要なのか。それは、エージェントがLLM（大規模言語モデル）上に構築されており、LLM自体がTransformer（トランスフォーマー）アーキテクチャ上に構築されているからだ。これは、トークンを使用して大量の情報を一度に処理し出力するアーキテクチャであり、時には人間よりも優れた処理を行うこともある。ある研究では、LLMが構造化されたテストにおいて社会的に有能なアドバイスのように見える出力を生成でき、場合によっては人間の回答を上回ることが判明した。例えば、Anthropic（アンソロピック）のClaudeモデルがこの研究内のさまざまなタスクでベンチマークされた際、平均スコアは19.4で、人間の平均スコアより約10ポイント高かった。
実際、エージェントはすでにゲームチェンジャーとなり、巨大図書館をより使いやすいものにしつつある。例えば、マッキンゼーは「2028年までに、米国で7500億ドルの収益がAI搭載検索を通じて流入する」と報告しており、ベインは「検索ユーザーの約80%が、少なくとも40%の頻度でAI要約を利用している」と発見している。
ビジネスにとっての重要性を理解する
AIエージェントが情報のナビゲートと処理方法における新たな進化を表すのであれば、企業にとっての意味合いは、目新しさよりも、古くからある問題に対する新しいツールをどう活用するかということになる。検索はリンクの検索からタスクの完了へとシフトしており、密度の高い情報や断片化された情報に依存する組織は、このシフトを最初に感じる可能性が高い。その理由は非常にシンプルだ。社内情報の検索には依然としてコストがかかるからだ。
これは信じがたいことではない。あの1通のメールやSlackメッセージを探すのに、どれだけの時間を費やしたか考えてみてほしい。実際、マッキンゼーのMGIによるソーシャルエコノミーに関する報告書は、平均的なインタラクションワーカーが勤務時間の約20%を社内情報の検索に費やし、28%をメール管理に費やしていると推定している。また、より優れた社内ナレッジ共有ツールによって、企業情報の検索に費やす時間を最大35%削減できると指摘している。
私の経験では、AIエージェントは「検索→解釈→行動」という流れに従う業務領域で早期に価値を示す傾向がある。コンタクトセンターだけでも、ガートナーは2026年までに、会話型AIの導入によって人間のエージェントの労働コストが800億ドル削減されると予測している。
しかし同時に、限界も残っている。私たち全員が単一の簡単な解決策を望んでいるとしても、AIは期待していたような万能薬にはならないだろう。エージェントは幻覚を起こし、曖昧な入力を誤解釈し、自信に満ちた響きのエラーを生成する可能性がある。そのため、多くの本格的な導入では、エージェントを既存の重要なプロセスの直接的な代替としてではなく、より重要度の高い出力に対する管理とレビューを伴う補助的なものとして扱っている。
情報検索のためのAIツールの導入
より優れた情報検索のためにAIツールを導入する際、どこから始めるべきかを決める場合、有用な実装と高価なデモを区別するのに役立つ実践的なステップをいくつか紹介する。
1. ツールを探す前に情報の摩擦をマッピングする。チームが「探索」に時間を失っている場所（例：ポリシー、社内ナレッジ、チケット履歴、契約条項、指標の定義）を特定する。私の観察では、これらの領域は、AI実装が定着し継続するための最大のレバレッジ、つまり「摩擦」を提供する傾向がある。
2. 狭い範囲から始めて、その後拡大する。明確な入力/出力を持つ1つのワークフローを選ぶ（例：「引用付きでポリシーに関する質問に回答する」「チケットを要約して返信の下書きを作成する」「関連する条項セットを抽出して改訂を比較する」）。ベインは、ほとんどの生成AI（GenAI）パイロットがROIを提供できていない一方で、目標を達成した実装は、適切なコンテキストを持つ反復可能なプロセスに組み込まれたものである傾向があると指摘している。
3. 重要な事項については情報源と検証を要求する。信頼性の高いコンテキストでエージェントに事実を「フリーハンド」で扱わせてはならない。NISTの生成AIプロファイルは、継続的なリスク測定とモニタリングの一環として、チームが生成AI出力における情報源と引用をレビューし検証することを明示的に求めている。
4. チームを非公式ではなく明示的にトレーニングする。導入は自動的には進まない。マッキンゼーの調査に参加した従業員のほぼ半数が「より正式なトレーニングを望んでおり、それがAI導入を促進する最良の方法だと考えている」と述べている。私自身の経験では、わずか数時間のトレーニングと奨励でも、チームメンバー間での定期的なAI使用を増やすことができる。
全体として、エージェントは私たちがデータやウェブ全体とどのように相互作用するかを変える態勢にある。この技術を実装するために思慮深く積極的なステップを踏むことで、企業は情報時代と対等な立場で向き合うことができる。
