AIプロジェクト、また失敗しましたか?
2025年時点で、エンタープライズAI障害の65%はモデルではなくコンテキストの問題に起因していますよ。より優れたLLMを使っても、RAGを丁寧にチューニングしても — 同じ問題が繰り返されるチームがあるとしたら、原因はモデルではない可能性が高いです。
RAGが常に答えとは限りません
RAG(検索拡張生成)はAI導入の事実上の標準になりました。PDFを取り込み、ベクターDBを作り、「このドキュメントから関連内容を抽出してLLMに渡す」という流れ自体は正しいです。でも詰まるケースがあります。
具体的にはこんな状況です：
- PDFレポート + Excelデータ + CCTV映像を同時に関連付ける必要があるとき
- 「この地点での安全事故 → その日の気象データ → 前週の工程スケジュール」を繋げる必要があるとき
- 文書の中ではなく、異なるデータソース間の関係を見つける必要があるとき
RAGは文書内から関連チャンクを取得することに特化しています。ある分析では「RAGは図書館員が3冊の本を素早く取り出すようなもの」と表現されていましたが、問題はRAGがその本たちの間の関係を知ることができないという点です。構造化されたエンティティコンテキストなしでは、精度は60%程度にとどまることがあります。
エンタープライズ環境はさらに複雑です。組織が保有するデータは数兆トークンに及びますが、現在のLLMのコンテキストウィンドウは最大100万〜200万トークン程度です。そしてモデルは理論値の30〜40%前から性能が低下し始めます。Gartnerは2026年までに企業の60%がAIプロジェクトを断念すると予測し、その理由を「データ基盤の欠如」と診断しています。
モデルの前にレイヤーがあるとしたら
Amazon、Meta、Google、NASA出身の研究者たちが2026年5月にステルスから姿を現しました。彼らが作ったのはより優れたモデルではありませんでした。モデルがデータを受け取る前に、まず関係構造を構築するレイヤーでした。
Graphon AIは「プレモデルインテリジェンスレイヤー」として830万ドルのシード投資を受けて公開されました。リード投資家のNovera Venturesに加え、Perplexity Fund、Samsung Next、Hitachi Venturesが参加しています。
名前の由来が興味深いんです。「Graphon」は数学的概念で、UCバークレーのコンピューティング学部長Jennifer Chayesとイラストリアスが2008年に定式化した「大規模ネットワークにおける関係構造を表す連続関数」です。どんな複雑なデータネットワークも数学的に表現できるという考え方です。
実際の動作はこうです。モデルがデータを受け取る前に、「graphon関数」が映像・音声・文書・画像・データベースを横断して自動的に関係を発見し、「永続的な関係メモリ」を構築します。この構造化されたメモリは、どのファウンデーションモデルやエージェントフレームワークとも連携できます。
| RAGアプローチ | プレモデルレイヤーアプローチ | |
|---|---|---|
| 動作タイミング | クエリ時に関連チャンクを検索 | データ取得時に関係構造化 |
| 関係の把握 | 文書内のみ | マルチソース間のクロス関係発見 |
| データタイプ | 主にテキスト文書 | 映像・音声・DB・画像対応 |
| 精度 | 構造なしで約60% | 構造化適用で90%+ |
| モデル依存 | モデルごとの最適化が必要 | 全ファウンデーションモデル対応 |
GSグループがすでに使っています
理論の話ではありません。韓国の大企業GSグループがすでにGraphonを実際の運用で使っています。
2つのユースケースが公開されています。一つ目はコンビニエンスストアでの顧客動線分析です。店舗のCCTV映像 + 購買履歴 + 店舗レイアウトをマルチモーダルに組み合わせて顧客の移動パターンを分析します。テキストのみのRAGでは映像とデータベースを同時に繋げることが難しいケースです。
二つ目は建設現場の安全モニタリングです。CCTV映像 + センサーデータ + 安全規則文書をリアルタイムで連携して安全違反を自動検知します。GSのAly Kim副社長は「GraphonはGSグループのAI変革において非常に重要なパートナーでした」と評価しています。
投資家はこの機会をどう見ているか
Novera VenturesのArvind Gupta氏はこう語っています。「Graphonはインテリジェンスが起こる場所を変える。ほとんどの企業はより大きなモデルを構築しようとしている」。モデル競争からデータレイヤー競争へと土俵を移す戦略です。
自チームのAI失敗原因を今すぐ診断しましょう
-
コンテキスト失敗のタイプを把握する
AIの応答エラーが「関連情報なし」タイプか「誤った接続」タイプかを分類してみてください。前者は検索の改善で解決できますが、後者はデータ構造の問題である可能性が高いです。 -
データソースの接続マップを描く
AIが参照すべきデータの種類を列挙してみてください。テキスト文書だけならRAGで十分です。映像・画像・DB・IoTデータが混在しているなら、クロスソースの関係構造化が必要なケースです。 -
まずGraphRAGを試してみる
MicrosoftのGraphRAGはオープンソースで提供されています。RAGと比較して精度が向上するかを確認する中間ステップとして活用できます。ただし、オントロジー設計に時間がかかることがあります。 - マルチモーダルなケースにはプレ処理レイヤーを検討する
映像・センサー・文書データを組み合わせる必要があるなら、Graphon AIのようなpre-modelレイヤーが適しています。製造・物流・小売・建設など産業マルチモーダルデータが多いチームに最も速いROIが期待できます。 - データガバナンスを先に点検する
どんなレイヤーを使っても、AIに入力するデータが分類・権限管理されていなければなりません。AIレディなデータ実践を持つ企業は37〜40%にとどまります。ツール導入前にこの基盤を確認してください。
さらに深掘りしたい方へ
Former Amazon, Meta Scientists Unveil Graphon AI 公式発表 — プレモデルレイヤーの技術概要と投資家コメント theaiinsider.tech
Graphon AI Raises $8.3M: Technical Architecture GSグループのケーススタディとRAG比較の詳細 aijourn.com
RAG vs. Knowledge Graph vs. Semantic Layer: Enterprise AI Comparison 2026 3つのアプローチの技術的な違いと精度比較 getgalaxy.io
LLM Context Window Management 2026 エンタープライズAIコンテキスト失敗の統計と対策研究 zylos.ai
Graphon AI Pre-Model Layer Explained The Next Webによる技術的な深掘り分析 thenextweb.com
