ナレッジエンジン: 信頼できるエージェント型分析をいかにして確立するか

世間一般のビジネスインテリジェンス (BI) に対する考え方は、今まさに大きく変わりつつあります。AI エージェントは BI のインターフェイスに変化をもたらしましたが、より重要なのは、AI エージェントによって知識の提示方法における乖離が明らかになったことです。既存のスタックは、推論の必要なシステム向けに構築されていないのです。

頭角を現しつつあるのは、新種のナレッジエンジンです。これは静的なセマンティックレイヤーでも、スタンドアロンのナレッジグラフでもなく、複数のシステムをまたいで存在し、実際に AI エージェントが実行時に使用できるものです。

それがなければ、AI は正確に業務を分析できず、推測するしかありません。企業環境において、収益指標を推測したりハルシネーションを起こしたりする AI エージェントのコストは、ちょっとしたミスで済むものではなく、戦略的な意思決定を破綻させることになります。

さらにほとんどの場合、現在ある知識がばらばらに散らばっていることが課題となっています。こうした知識はビジュアライゼーション、ワークブック、データソースでエンコードされていたり、構造化データソースと非構造化データソースに断片化されていたり、古い Wiki に記録されていたりします。個人の頭の中にしまい込まれているというのも、よくあることです。こうして何年にもわたって蓄積されてきた知識は、AI エージェントにはまったく見えません。

最新のエージェント型エンタープライズの例として、Salesforce を見てみましょう。Salesforce の業務の大部分はすでにクラウドに集約され、モデル化されています。Sales Cloud がパイプライン、商談、アカウント構造を追跡し、Service Cloud はケース、SLA、サポートワークフローを取り込みます。Marketing Cloud と Data 360 は、行動のシグナルと顧客プロファイルを幅広いソースから取り込みます。

さらに、セマンティックモデルの構築、指標の定義、実務を反映したダッシュボードの整備において、長年にわたり Tableau が使用されています。

これらは未加工データではなく、加工、解釈されたもので、業務との整合がとれています。ただし、Tableau のセマンティクス、CRM のオペレーションロジック、Wiki による業務運営などに階層化されていました。各システムはそれ自体の中では論理に基づいていますが、AI エージェントが横断探索したり、推論の際に参照したりできる一貫した構造にはなっていません。

実行時の利点: セマンティクス、オントロジー、ナレッジグラフの連携でハルシネーションを防ぐ仕組み

多くの組織が、LLM に生データを直接入力して最良の結果が出ることを期待していますが、それは誤りです。エージェント型 AI が真価を発揮するにはメタデータだけでは不十分であり、データベースの用語だけでなく、ビジネス用語も理解できるようにする必要があるはずです。

企業のシステムを基に作成されるナレッジグラフは、単に関係を表すのみならず、企業の AI エージェントが稼動時に依拠する仕組みとなります。

セマンティクス、オントロジー、ナレッジグラフの違いは多くの場合、抽象的な言葉で説明されますが、実際のところは、AI エージェントがタスクを実行する方法にあります。これらは 3 つの独立したシステムではなく、基礎となる同じ知識をそれぞれ別の形で表しているのです。

AI エージェントはただ質問に答えているだけではありません。顧客とのミーティングの準備、パイプラインでの数値低下の調査、リスクを抱えたアカウントの特定など、目的を与えられています。これらは複数のステップ、意思決定、改善と繰り返しを必要とします。

セマンティクスは、言葉を業務上の概念にマッピングします。Tableau においては、チームが業務をどのように理解しているかを反映したセマンティックモデル、指標、命名規則が基準となります。AI エージェントはタスクが与えられると、このセマンティクスに基づいて「パイプライン」、「アクティブな顧客」、「リスクを抱えた」などの言葉を一貫した形で解釈できるようになります。

オントロジーは、関係と制約を定義します。各エンティティがどのように関係し、どの結合が有効で、どの定義が維持されるべきかを捉えます。スキーマとモデルでエンコードされている場合もあれば、必ずしも明示的にモデル化されていないものの、依然として実際に適用されている業務のルールや期待が反映されている場合もあります。

ナレッジグラフは、これらの概念、エンティティ、データアセット、プロセスを関係で結び付け、業務の仕組みが反映された横断可能な構造を作り出します。タスクを与えられた AI エージェントは、想定されるパスを検討し、一連のステップを選択して実行し、結果に基づいて調整します。

ここでの変化は、システムが回答を検索しなくなる点です。システムは計画を策定して実行するようになります。具体的には、インテントを概念にマッピングして、関係を通じて展開し、データとツールに対して実行し、必要に応じて反復し改善していきます。

こうした構造がないと、AI エージェントは表面的なパターンを捉えることしかできません。つまり、AI エージェントが実際の業務の運営と構造について推論できるのは、この構造があるからなのです。

実際に活用されているナレッジの例: 予測的な毎日の売上の概況

AI エージェントが、各種ナレッジ (売上実績に関する未読の Slack スレッド、近日中に予定されているパイプラインレビュー、CRM アクティビティなど) をトリガーとして、一夜のうちに営業リーダー向けの概況を生成します。

AI エージェントがたどるステップ:

営業リーダーに提示される内容:

• パイプラインが EMEA において前日比で 12% 低下。
• 3 件の商談が当四半期からずれ込んだことが原因。
• カバレッジは引き続き安定。成約率は変化せず。
• 影響を受けた商談におけるアクティビティは基準未満。
• フォローアップのために、関連する Slack スレッドをリンク済み。

ナレッジグラビティ: ナレッジグラフはいかにして個々のクエリに対し精度を上げていくのか

作成されたナレッジグラフは、実行時に使用されるようになった後、どのように進化していくのでしょうか。モデルとナレッジグラフは推移していき、業務の定義も変化して、新しいデータソースも登場します。システムをモデル化する方法と業務の実際の運営方法の間にある乖離は、時が経つにつれて大きくなります。

ここでは、ナレッジグラフは静的ではなく、実際の使用状況と直接のインプットの両方によって絶えず形が変化していきます。

AI エージェントが実行するすべてのタスクから、さまざまなシグナルが生成されます。たとえば、選択されたパス、成功または失敗したクエリ、AI エージェントによる再試行か調整が必要だった箇所などです。これらの痕跡により、現在の構造に存在する乖離、欠けている関係、曖昧なマッピングなどが明らかになります。

一方、ユーザーによる貢献も明確です。たとえば、ユーザーによるTableau セマンティックモデルの整備、指標の定義と改良、クエリの検証による解釈の修正などが挙げられます。また、システムが誤解釈した場合の出力を修正したり、組織の運営方法を業務上の文書やワークフローに継続的に記録したりするのも、ユーザーが行うことです。

この 2 つのインプットの提供元は、互いを補強します。実際に使用されることでモデルの不完全な箇所が明らかになる一方、人間によるインプットでモデルが修正され、安定するのです。

これはやがて、「ナレッジグラビティ」とでも呼ぶべき状態を生み出します。つまり、必要とされるパスがすでに存在し検証されているためシステムはより稼動しやすくなり、新しいタスクでは、ゼロからの検索ではなく横断検索が多くなっていきます。

理論からツールへ: 知識の運用を可能にする Tableau Knowledge

企業はすでにスキーマ、パブリッシュされたデータソース、ワークフロー、ドキュメントをまたいだ運営方法をエンコードしています。Tableau Knowledge は、これらすべてをセマンティクス (意味)、オントロジー (構造)、コンテキスト (専門用語、プロセス)、つながり (関係) としてナレッジグラフに統合します。ナレッジグラフは実際の使用状況と人間によるインプットを通じて形成され、AI エージェントによる知識の運用を可能にします。

実際の状況が反映されていない地図を思い浮かべてみましょう。それは、名前のない道路と灰色の建物の外形で構成される空白のグリッドにすぎません。何の知識もない場合、特定の答えを探す AI エージェントは、最初からすべてのドアをノックしてすべての部屋を調べなければなりません。これでは、貴重なコンピューティングを浪費するうえに、ハルシネーションを起こすリスクもあります。

オントロジーは、道路ネットワーク、区域割りの規則、誰がどこに行けるのかを示す構造的な境界 (エンティティ、結合、制約) などの基盤となる空間的枠組みを提供します。データセマンティクスは、建物のディレクトリとして機能し、内部に何があるのか (指標、表、定義) を定義します。業務におけるコンテキストはオペレーション階層を補強し、チームがその場所を使用する理由や、そこで実行されるプロセスについて説明します。ナレッジグラフはこれらすべてを、企業データがリアルタイムに反映されるインタラクティブな GIS マップとして集約します。

エージェント型システムでは、このマップのあらゆる歩道の縁石、レンガ、ドアの取っ手などを機械で厳密に計算して徹底的にコード化するといった大幅な編集を、人間が行う必要はありません。変更不可能な道路の配置と構造的な住所に関する最小限の基礎的情報をシステムが保持し、それを人間が読める柔軟な説明とビジネス用語で表現します。AI エージェントはすでに常識推論を実装しているため、こうしたコンテキストからマップを読み取り、求めている正確な「部屋」に 1 回目の試行ですぐにたどり着きます。このようにナレッジエンジンは、名前のないいくつもの建物に対しランダム検索を行う代わりに最短ルートで直接目的地を見つけられるようにして、AI エージェントの正確性と効率性の向上を促します。

ナレッジエンジンの実用例をご覧ください

Dreamforce 2026 での Tableau キーノートが、現在 Salesforce+ で公開されています。信頼できるエージェント型分析のために、信頼できる知識を Tableau がどのように提供しているかをご覧ください。

ウェビナーにご登録いただくと、Tableau Knowledge でデータとセマンティクスを AI エージェントのための信頼できる知識に変換する方法をご確認いただけます。