四半期売上をAIに聞きました。$12Mと答えました。
正解は$8.4Mでした。
モデルが悪かったわけじゃないんです。データも全部つながっていました。ただ、この会社で「revenue」がrevenue_recognizedなのかrevenue_net_of_returnsなのか、AIには知る方法がなかっただけなんです。
データが全部あるのに、なぜAIは間違えるの?
エンタープライズAIの導入が失敗するとき、多くの人はモデルのせいにします。でも実際は違うんです。Clouderaとハーバード・ビジネス・レビューの2026年3月の調査によると、「AIの本番導入準備ができている」と答えた企業はわずか7%。88%は「コンテキストはある」と言いながら、61%は実際にそれが活用できないためAI導入を先送りしています。
なぜこんなことが起きるかというと、会社にはAIが知らないことが多すぎるからです。「revenue」が何を意味するのか。「customer」がCRMと請求システムでそれぞれ何を指すのか。誰がどのファイルにアクセスできるのか — こういった情報はSlackのスレッドに埋まっていたり、担当者の頭の中にあったり、社内の27か所で異なる定義がされていたりします。
Jedifyの共同創業者Assaf Henkinはこう言っています。「ビジネスコンテキストがなければ、エージェントはハルシネーションを起こすか、無関係な情報を処理するためにトークンを無駄に消費する」
核心
AIエージェントの失敗は、モデルの性能の問題じゃないんです。データはあるけど「意味」がない — AIがその会社の仕組みを知らないということです。
RAGやナレッジグラフでは解決できない理由
よくある対処法はRAGです。でも、RAGはテキスト文書を取得して注入できますが、「このコンテキストで今まさにrevenueが正確に何を意味するか」をエージェントに構造化された形で伝えることはできません。
ナレッジグラフはより構造化されていますが、設計時点で関係を固定してしまいます。「今このファイルに誰がアクセスできるか」「この例外処理に先例があるか」をランタイムで動的に判断するのは難しいんです。
| RAG | ナレッジグラフ | コンテキストグラフ | |
|---|---|---|---|
| 役割 | 文書検索・注入 | エンティティ関係の構造化 | ビジネスの意味 + ランタイム判断 |
| 更新 | 再エンベッディングが必要 | 設計時点で固定 | 継続的に自動更新 |
| 権限認識 | なし | 限定的 | 権限ノードを内蔵 |
| 意思決定の追跡 | なし | なし | 決定履歴を保存 |
| エージェントの自律性 | 補助的役割 | 部分的 | 完全な自律化が可能 |
Atlan AI Labsのベンチマークでは、コンテキストにセマンティックメタデータを追加したところ、AIが生成したSQLクエリの精度が38%向上しました。Gartnerは2028年までに、エンタープライズAIエージェントシステムの50%がコンテキストグラフに依存するようになると予測しています。
コンテキストグラフ: エージェントの「会社の脳」
このギャップを埋めるために登場したのが、コンテキストグラフです。2026年6月、ニューヨークのスタートアップJedifyがシリーズAで$24Mを調達し、このカテゴリーが一躍注目を集めました。Norwestがリードし、Snowflake Venturesが戦略的投資家として参加。累積調達額は$33Mを超えています。
コンテキストグラフがやることは、こういうことです。データウェアハウス、CRM、財務システムといった構造化データと、文書、Slackのスレッド、会議の書き起こしといった非構造化知識をひとつに接続します。そして単なる接続で終わりません。この会社で「revenue」が正確に何を意味するか。この従業員がどのデータにアクセスできるか。過去の例外がどんな先例として処理されたか — こういった情報を、ランタイムにエージェントがクエリできる形で保存します。
JedifyはこのプロセスにSemantic Fusion™技術を使います。構造化データと非構造化知識を自動的に融合させ、エージェントが使えるセマンティックモデルを生成するんです。Kore.aiの分析によれば、エージェントが意思決定するたびにグラフが精度を増すという利点があります。使えば使うほど賢くなる仕組みです。
Foundation Capitalの分析も同様の視点です。コンテキストグラフは「ドキュメントに書かれたあるべき姿」ではなく、「実際にどう動いているか」を捉えます。Slackのスレッド、廊下での会話、担当者の頭の中にある知識を取り出して、AIが使える構造に変換するんです。
自分のチームにコンテキストグラフを適用する方法
成功している企業は、全社一斉には始めません。ひとつのワークフロー、ひとつの明確な課題地点から出発します。
- コンテキストギャップを見つける
エージェントが繰り返し失敗する、または人間にエスカレーションするケースをリストアップします。ここがコンテキストグラフで最初に埋めるべき箇所です。 - ひとつの指標から始める
「revenue」のような指標をひとつ選び、会社でどう定義されるかをひとつの定義に収束させます。これがコンテキストグラフの種です。 - データソースを接続する
Jedifyのようなプラットフォームを使うか、自前でオントロジーを構築します。構造化データ（DW、CRM）と非構造化知識（Slack、文書）の両方を接続するのがポイントです。 - 権限レイヤーを追加する
誰がどの情報にアクセスできるかをコンテキストグラフにエンコードします。エージェントが自律的に判断する際にこの権限を守ることで、本番環境での安全性が確保されます。 - 小規模で検証してから拡張する
ひとつのワークフローでエージェントのエラー率が下がったかを測定します。効果が確認できたら他のワークフローに広げます。Jedifyはモデル非依存なので、後でAIモデルを変えてもコンテキストグラフはそのまま使えます。
注意
コンテキストグラフのプラットフォームを選ぶ際は、ベンダーロックインの有無を必ず確認してください。特定のAIモデルに縛られると、後での移行コストが膨らみます。Jedifyのようにモデル非依存で動くプラットフォームが、長期的に安全な選択です。
さらに深く掘り下げたい方へ
Jedify: Context is King in the Era of AI Agents エージェント時代においてコンテキストが決定的な変数になる理由 jedify.com
Atlan: AIエージェントのコンテキストレイヤーガイド 5つのコンポーネント構成とRAGとコンテキストレイヤーの違いを整理したエンタープライズガイド atlan.com
Kore.ai: コンテキストグラフがAIエージェントをどう賢くするか 意思決定履歴と先例パターンでAIを強化する方法 kore.ai
Atlan: コンテキストグラフ vs ナレッジグラフ 2026 5つの主要な違いと使い分けのガイド atlan.com
Diginomica: コンテキストグラフがエンタープライズ知識の新鉱脈を解放する SlackやメールなどのコミュニケーションツールV埋もれた意思決定知識を発掘する方法 diginomica.com
Jedify $24M シリーズA公式発表 Semantic Fusion™技術の詳細と投資家情報を含む公式プレスリリース globenewswire.com
