9 読了 分
大規模言語モデル（LLM）の登場により、エンタープライズAIに対する企業の期待は大きく変わりました。
LLMは自然言語を理解してコンテンツを生成し、パターンを識別できるほか、高度なAIエージェントの基盤としても機能する一方、大企業の複雑な環境においては、真の価値を創出することは困難です。
o9ソリューションズのCTOを務めるアシュウィン・ラオ博士は、このギャップは明らかだと指摘します。 ラオは、弊社のイベント『aim10x Europe』の講演で次のように述べました「言語処理だけでは、完全な認知とはいえません。LLMは確かに強力ですが、企業に求められているのは、言語のAIをはるかに超えたAIです。」
企業の意思決定は、業務ルールや各種制約、数理ロジック、業界固有の専門知識、ガバナンス、そして自社ビジネスが実際にどのように機能しているかという深い理解に依存しています。 そこで重要になるのが、ニューラルAIの強みとシンボリックAIの構造化された知能を融合させるニューロシンボリックAIです。
LLMがエンタープライズエージェントの一部にすぎない理由
ラオは、AIエージェントをタスク完了に必要な手順を一つひとつ細かく指示しなくても、達成すべき目的を伝えるだけで自律的に動く仕組みとシンプルに定義します。言葉にすれば単純に聞こえますが、大企業の現場でこれを実現するのは決して容易ではありません。
大企業におけるAIエージェントには、ビジネスの文脈（コンテキスト）を正確に理解し、社内のツールやシステムと連携しながら、社内規定を遵守し、さらに意思決定モデルを活用して、自らの出力結果が正しいかどうかを検証する能力が求められます。
ラオは、LLMはその全体を構成する一要素にすぎないとし「LLMに対して、自社のビジネスコンテキストや事業の詳細を正確に伝える必要があります」と強調しました。
LLMを取り巻く周辺機能として不可欠なのが、コンテキストエンジニアリング、各種ツールへのアクセス、制御ループ、そして評価の仕組みです（ここでのツールには、データベースやガバナンス規定、需要予測モデル、最適化エンジンなど、企業が長年にわたり蓄積・構築してきた業務基盤が含まれます）。
なかでも特に重要なのが評価プロセスです。エンタープライズAIには、回答が実際のビジネス現場の制約や現実を反映しているかを検証するガードレールが求められ、一般的なAIエージェントは一見もっともらしい回答を提示できても、重要な経営・業務判断を委ねるに足る信頼性を担保できません。
2つの異なる知能の融合
ラオは、ニューラルAIとシンボリックAIを互いに補完し合う関係にあると考えています。ラオが「人間の直感的な思考」と例えるLLMをはじめとするニューラルAIは、パターン認識に優れており、膨大な情報を処理し、データ間の関連性を見いだして変化に素早く適応する力を持っています。
一方、シンボリックAIはより構造化された知能です。業務ルールや制約条件、数理ロジック、業界・業務特化型の意思決定モデルを体系的に表現し、在庫、価格設定、マーケティング、供給計画といった各領域の意思決定が本来どのように行われるべきかを精緻にモデル化します。
「シンボリックAIの最大の利点は、トレーサビリティと監査可能性を備え、なぜその意思決定を下したのかを明確なビジネス用語で説明できる点にあります」とラオは語ります。
この厳密さこそが、企業経営の現場では極めて重要になります。言語モデルは確率的な近似によって動作しており、これはスケーラビリティを高めるうえでは有効ですが、精度の高い意思決定を行うためには不十分です。
特にサプライチェーン計画業務システムでは、生産能力の制約、法規制、決裁権限、契約条件などを厳密に遵守しなければならず、近似解では業務用件を満たすことは困難です。そこでニューロシンボリックAIは、これら2つの知能の強みを統合します。
AIにビジネスの全体モデルを与える
o9ソリューションズが推進するシンボリックAIアプローチの中核にあるのが、エンタープライズナレッジグラフです。
ラオは、その中核となるレイヤーを、バリューチェーンのデジタル表現だと説明します。顧客、製品、拠点、予測、各種計画、そして様々なビジネスイベントなどあらゆる要素を単一のつながりを持ったデータ構造内に表現できます。
ラオは「これはまさに、自社ビジネスのデジタルツインです」と述べました。
第2のレイヤーでは、意思決定のコンテキストを記録・保持します。単に下された決定事項だけでなく、誰が、いつ決定したのか、どのような代替案が検討されたのか、そしてどのような事実や前提条件に基づいて判断されたのかまでをシステム上に記録します。
さらに、それらの意思決定を、その後に生じた実績・結果と紐づけることもできるため、時間の経過とともに、企業は特定の状況下でどの意思決定が有効に機能したか否かをナレッジとして蓄積・学習できます。
関連記事：「エンタープライズナレッジグラフとは？」
意思決定を組織のナレッジへと昇華させる
ラオは、この仕組みこそがエンタープライズAIにおいて最も重要な機能の一つだと捉えています。企業では日々何千もの意思決定が行われていますが、その背景にある判断根拠の多くは、しっかりと検証されることなく失われてしまいます。意思決定のプロセスと結果を結び付けて記録することで、どのような判断がどのような影響を与えるのかを明確に把握することが極めて重要です。
エンタープライズナレッジグラフにおける学習レイヤーでは、成功した意思決定と失敗した意思決定のパターンを抽出し、そこから得られた教訓を業務ルールやポリシーへと落とし込みます。
ラオは、「これは一度きりで終わる取り組みではありません。ビジネス環境が変化すれば、過去に有効だった判断が現在も有効であるとは限らないため、継続的に学習し続ける必要があります」と述べ、変化とともに進化する組織知の構築には継続的な学習が重要だと指摘します。
分断されがちな部門間の意思決定を連結する
ラオが挙げた最後のレイヤーは、部門を横断して意思決定モデルを連結する仕組みです。
例えば、在庫に関する意思決定は価格設定に影響を及ぼし、価格設定は需要を左右します。マーケティング施策は、在庫と価格の双方に変化をもたらします。しかし多くの企業では、これらの意思決定モデルが部門ごとに分断されたまま運用されています。
「多くの企業では、部門横断で連携した意思決定ができていないのが実情です」とラオは語ります。
連結されたコンピュートグラフを用いて部門間の依存関係をモデル上に表現することで、特定の施策を単一部門の視点だけで評価するのではなく、全社的な波及効果を踏まえて判断できる、より統合された意思決定の基盤が整います。
非構造化データを意思決定の枠組みに取り込む
従来のエンタープライズシステムは、主に構造化データを中心に構築されてきました。
ERPの記録やマスターデータ、計画システム、トランザクションテーブルは重要な基盤ですが、ビジネスの知見の多くはそれ以外の場所に存在しており、メールやSlack上のやり取り、ドキュメント、画像、公開情報、さらには従業員が持つ暗黙知のなかには、従来の計画モデルでは探し出すことのできない重要なシグナルが含まれています。
ラオは、こうした非構造化情報を業務に取り込むうえで、LLMが新たな可能性を切り開くと考えており「当社のニューロシンボリックエージェントを活用すれば、膨大なノイズのなかから重要なシグナルを抽出し、構造化したうえでエンタープライズナレッジグラフに格納できます」と説明します。
また、外部の市場情報などを社内データと掛け合わせることも有効です。企業がすでに保有するマスター・参照情報に対し、リアルタイムデータを組み合わせて補完することで、ラオが表現するところの『絶えず呼吸し進化し続ける生きたエンタープライズナレッジグラフ』が実現します。
コード記述からビジネスインテント中心の開発へ
企業のナレッジ基盤と生成AIの融合は、意思決定アプリケーションの構築手法そのものも変革しつつあります。
ラオは、コーディングエージェントの能力が急速に高まっている点に着目しており、企業環境においては、アプリやツールを作成するきっかけとなる課題の記述を単なる一般的な自然言語で行うのではなく、エンタープライズナレッジグラフに紐づいた形で定義することを推奨しています。
ビジネスモデル上に定義された概念や関連性をもとに、需要予測や因果分析、シナリオシミュレーション、市場シェア分析といった要件を記述するだけで、その背後にあるコードやロジック、意思決定モデルが自動的に生成されるため、計り知れない可能性が広がります。
個別プロセスごとに固定化された従来のアプリケーションの枠を超え、企業の計画業務をより広い範囲へと拡張することつながるでしょう。
あらゆる意思決定の根底にある4つの問いに答える
ラオは、企業が直面する多くの経営・業務課題を次の4つの問いに集約しています。
- 何が起きたのか？
- なぜそれが起きたのか？
- 次に何が起きそうか？
- どのようなアクションを取るべきか？
最初の2つは過去の事象を正確に把握するための問いであり、残りの2つは未来に向けた意思決定に焦点を当てた問いです。
ニューロシンボリックAIは、パターン認識能力と構造化されたビジネスナレッジ・意思決定モデルを組み合わせることで、これら4つの問いすべてに対応します。企業が、施策の提案や自律的なアクション実行を担うAIエージェントの導入を進めるなかで、この統合アプローチの重要性は一段と高まっています。
エンタープライズAI導入のさらなるスピードアップへ
ラオは、ニューラルAIとシンボリックAIの融合が即座に大きな効果を発揮する領域の一つとして、データ統合を挙げており、従来であれば半年～1年間要していたデータ統合作業が、今後は数週間単位で完了できるようになると予想しています。
さらに、長期的には「システムを開けばデータがすでに統合され、エンタープライズナレッジグラフが構築されている。そこに解決したい課題や下したい意思決定を伝えるだけで、すべてが完結する世界」になるとラオは語ります。
こうした未来を実現するには、言語モデルのさらなる高度化だけでは不十分です。ラオが指摘するように、エンタープライズAIには自社ビジネスのルールや要素の関連性、意思決定の経緯、そして散在する組織知を含む、事業全体への精緻な理解が不可欠となります。
LLMが提供するのは、知能の一側面にすぎません。エンタープライズAIに欠けていたもう半分とは、企業そのものの構造とナレッジです。
関連ホワイトペーパー：「o9 デジタルブレイン：ニューロシンボリックAIアーキテクチャ」
