AI時代の大規模なエンタープライズナレッジ管理

よくあるいら立ちがあります。新しいAIアシスタントが、データ保持に関する顧客からの質問をどう処理するかを確認してみる。回答は洗練されて見える——しかし実際には古いポリシー草案を参照しており、法務部門が広範なアクセス向けに承認したことのないソースを引用しているのです。

これをあらゆるエージェント、あらゆるチーム、あらゆるクエリに掛け合わせてみてください。アシスタントは「間違えた」わけではありません——ナレッジレイヤーから渡されたものを忠実に提供しただけです。これこそが本当の問題です。AI時代のエンタープライズナレッジ管理とは、適切なドキュメントを見つけることではありません。エージェントが信頼し、使用し、行動してよいナレッジを——回答する前の段階で——制御することなのです。

そのレイヤーを誤れば、その結果として、誤った返金、露出した契約、監査不能な意思決定が——マシンの速度で、部門を横断して——生じます。

要約

• 従来のナレッジ管理（KM）システムは、保存と検索を行います。
• AI時代のKMシステムは、すべての回答とアクションを統制し、追跡し、時間をかけて改善します。
• そのアーキテクチャ上の違いが、パイロットから部門横断の本番運用へと移行する際に、AIの取り組みが安全かつ効率的であり続けられるかどうかを決定づけます。

従来のエンタープライズKMは、なぜAIにおいて破綻するのか？

1. 従来のエンタープライズKMシステムは、エージェントではなくドキュメントのために構築された

• SharePoint時代のナレッジ管理は、人間が検索結果を読み、適切なファイルを開き、次に何をするかを判断することを前提としています。このモデルは、ナレッジ管理がおおむね保存と検索で成り立っているうちは機能します。ファイルはフォルダに格納され、キーワードがそれらを浮かび上がらせ、権限はサイトやドキュメントのレベルで管理されます。
• これが破綻するのは、AIナレッジ管理がワークフローに入ってきた瞬間です。AIのCo-pilot、サポートエージェント、自動化レイヤーは、コンテンツを取得して解釈し、他のシグナルと組み合わせ、しばしばビジネスシステムの内部でそれに基づいて行動します。
• KMシステムがPDFの所在しか把握していない場合、関係性、ポリシーロジック、顧客コンテキスト、あるいはリアルタイムのアクセスルールに依存する質問に、確実に答えることはできません。
• 「この顧客に返金できるか？」という問いに答えるLLMは、顧客、契約、適格性ルール、地域の規制を、数十のファイルに埋もれた段落としてではなく、第一級のオブジェクトとして理解する必要があります。
• また、実行のたびにきめ細かな権限を尊重する必要があります。というのも、それが個々のサポート担当者、財務アナリスト、あるいは製品内の顧客に直接応対している可能性があるからです。

2. ドキュメントファーストのKMシステムは運用上の摩擦を生む

• クエリのたびに、AIは複数のドキュメントを引き出し、それらをチャンクに分割し、モデルが正しい回答を推論してくれることを期待しながらコンテキストを再構築せざるを得ません。これはコストがかかり、監査が難しく、同じ質問がチーム、チャネル、権限セットをまたいで一貫した回答を生み出さなければならないときには脆弱です。
• 数百のチームとエージェントがKMシステムに依存するようになると、ドキュメントファーストのフォルダツリー型アーキテクチャは、パフォーマンス、ガバナンス、信頼のボトルネックになります。

要するに：

• AI時代のエンタープライズナレッジ管理は、ナレッジを、統制されたクエリ可能なグラフとして扱います。ファイルの雑然とした山としてではなく。
• 記録システムは、ナレッジグラフそのものです。エンティティがマッピングされ、関係性が定義され、ポリシーがデータレイヤーにエンコードされることで、すべてのAI呼び出しが、同一の統制された信頼できる情報源に対して実行されます。
• 検索は、このメモリレイヤーの多数の利用者のうちの1つにすぎなくなります。厳格な権限と監査証跡のもとでコンテンツを作成し、ワークフローをトリガーし、システムを更新するエージェントと並んで存在するのです。

統制されたナレッジグラフのアーキテクチャとはどのようなものか？

AI時代のナレッジアーキテクチャは、権限を意識したナレッジグラフを、エンタープライズメモリレイヤーとして扱います。これは、すべてのエージェントとアプリケーションが、安全で文脈に即した回答を大規模に得るためにクエリを実行する対象です。もう1つのコンテンツサイロになるのではなく、システム、ポリシー、アイデンティティを結びつける統制されたレイヤーとなり、AIが自信を持って行動できるようにします。これにより、システム、チーム、規制の変化に応じて進化しうる、組織のナレッジの動的なマップが生まれます。

ガバナンスはどのようにグラフに付随するのか

• 所有権と更新フロー。 各エンティティを誰が所有するか、そしてソースシステム（CRM、チケット管理、プロダクトアナリティクス）からどのように更新が流れ込むかを定義します。
• 権限を意識したクエリ。 どのアイデンティティ（人間かマシンか）が、グラフのどの部分をクエリ時に閲覧・操作できるかをエンコードします。
• アイデンティティとアクセスの統合。 アイデンティティプロバイダー、SSO、ロールベースまたは属性ベースのアクセス制御を、ナレッジレイヤーに直接組み込むことで、すべてのAI呼び出しが同一の権限モデルを適用するようにします。IBMの「Cost of a Data Breach（データ侵害のコスト）」の調査結果によれば、AI関連の侵害を被った組織の97%が適切なAIアクセス制御を欠いており、その影響は甚大なものとなっています。

ソースはサイロではなくフィードになる

• ドキュメントリポジトリ、チケット、CRMレコード、ログ、アナリティクスがグラフにデータを供給します。
• これらのシステムは、それぞれ限定的な検索体験を持つ独立したサイロではなく、単一の統制されたメモリレイヤーへの入力となります。

全社的なナレッジ管理には、どのような種類のシステムが用いられますか？

全社的なAIナレッジ管理は、通常、収集・ガバナンス・検索を大規模に実現するために連携する複数のシステムの組み合わせに依存します。

• ナレッジ管理システムまたはプラットフォーム（近代的でAI対応のKMプラットフォームなど）。組織全体のナレッジに対するガバナンス、ワークフロー、アクセス制御を一元化します。
• 権限を意識したナレッジグラフ複数の記録システムからのエンティティと関係性を結びつけ、人間とAIエージェントの双方にとっての共有メモリレイヤーとして機能します。
• ソースシステムドキュメントリポジトリ、CRM、チケット管理、HRIS、アナリティクスツールなど。これらは記録システムであり続けますが、構造化・非構造化データをKMレイヤーへとストリーミングします。
• AIエンジンとエージェントプラットフォームナレッジグラフの上に位置し、エンタープライズ検索、サポートの自動化、コンテンツの作成、ワークフローのオーケストレーションといったユースケースを、すべて同一のガバナンスモデルのもとで提供します。

AI時代のエンタープライズKMのガバナンスの柱とは何か？

最も重要な4つの柱は、権限とアクセス制御、コンプライアンスと監査可能性、レガシーおよびマルチソースの統合、そして測定可能な効率性を伴うマルチチームでのスケールです。

1. 権限とアクセス制御

AI時代のエンタープライズナレッジ管理は、権限を意識したものでなければなりません。それはクエリ時においてです。つまり、アクセス制御はコンテンツが作成・公開されるときだけでなく、システムが回答するときに適用されるということです。

• ロールベースアクセス制御（RBAC）は、特定のロールを持つユーザーだけが特定のエンティティを閲覧できるようにします。一方、属性ベースアクセス制御（ABAC）は、「サポートのTier 2エージェントは、自分の地域のエスカレーション済みケースをすべて閲覧できるが、財務の詳細は閲覧できない」といったポリシーを可能にします。
• 実際には、これこそが、AIアシスタントが誤った契約、ポリシー、ケース履歴を誤ったユーザーに露出させることを防ぐものです。
• これには、アイデンティティプロバイダーやディレクトリ（SSO、SCIM、人事システム）との深い統合が必要です。それにより、ナレッジグラフは、ユーザーが誰であるか、どのチームに所属しているか、どのポリシーが適用されるかを把握できます。
• 権限はほぼリアルタイムで同期される必要があります。誰かがロールを変更したり、退職したり、勤務地を移動したりしたとき、それらの変更は手作業の介入なしにKMレイヤーへと反映されます。
• AIエージェントについても同じルールが当てはまります。エージェントは共有のスーパーユーザーアカウントから動作するのではなく、ユーザーの権限を継承すべきです。それによって、企業はスピードと統制の両方を手にします。

要するに： この柱は、ナレッジがサポート、セールス、サクセス、オペレーションをまたいで再利用される場合にとりわけ重要です。より多くのチームが1つのシステムを共有するほど、システムが結果を返す前に「これを誰が閲覧してよいのか？」という問いに答えることが、いっそう重要になります。

2. コンプライアンスと監査可能性

KMレイヤーは、すべてのデータセットがデフォルトで安全だと仮定することなく、コンプライアンス要件と社内のレビュープロセスを支えるように設計されるべきです。

• AI時代のナレッジ管理システムは、たとえ個別の認証を別途取得するとしても、GDPR、HIPAA、SOC 2の要件に準拠する環境などの規制された環境を支えるように設計されるべきです。
• それは、ナレッジグラフへのあらゆる重要な変更を記録する改ざん耐性のある監査ログから始まります。何が追加・更新されたか、誰によって、どのソースシステムから、いつ行われたか、を記録します。また、エージェントとユーザーがどのようにナレッジを消費しているかを追跡できるクエリログも含まれます。どのデータが取得され、どのように組み合わされ、そのときどのポリシーが適用されたか、を記録します。
• こうしたトレーサビリティは、法務、セキュリティ、あるいは顧客対応のチームが、ある回答を調査したり、リスクのあるナレッジ経路を是正したりする必要があるときに重要です。また、広範なドキュメント単位の制御に頼るのではなく、エンティティや関係性のレベルで保持ルール、機密性ラベル、目的ベースのアクセスを適用することで、露出を絞り込む助けにもなります。

要するに： あるナレッジがなぜ表示されたのか、あるいは隠されたのかをシステムが説明できないなら、それはエンタープライズAIにとって十分に統制されているとは言えません。

3. レガシーおよびマルチソースの統合

エンタープライズのナレッジが1か所にまとまっていることはめったにありません。それはCRM、チケット管理、ERP、メール、ウィキ、ファイル共有、ログ、独自の社内ツールにわたって散在しています。AI時代のナレッジ管理プラットフォームは、これらのシステムを総入れ替えする移行を必要としません。

• 必要なのは、それらから取り込み、同期し、構造化・非構造化データの双方を、一貫した統制されたグラフへと変換することです。
• 差分更新がグラフを新鮮に保つため、変更は脆いバッチ式の再インデックスに頼るのではなく、継続的に反映されます。
• 時間の経過とともに、このマルチソースのビューは、アナリティクスと最適化の基盤となります。孤立したダッシュレットを眺めるのではなく、システムをまたいで成果を追跡できるからです。
• サポートエージェントがAIアシスタントに最適な次のアクションを尋ねるとき、その回答は、ERPからの請求ステータス、アナリティクスからの利用状況コンテキスト、チケット管理システムからの最近の課題を組み合わせることができます——そのすべてが現行の権限とポリシーによって統制されます。

要するに： 実用上の利点は、運用上の抵抗が小さくなることです。チームはすでに頼りにしているシステムを使い続け、その一方でKMレイヤーがその背後にあるナレッジを統合します。

4. マルチチームでのスケールと効率性

エンタープライズKMの真の試金石は、1つのチームで機能するかどうかではなく、数十のチームがそれに依存するようになっても機能し続けるかどうかです。

• 検索コンテキストをクエリのたびに再構築すること——複数のシステムから多数のドキュメントを取得し、チャンクに分割し、LLMのプロンプトに詰め込むこと——は、コストの高い道です。

• それはトークンを消費し、レイテンシを増やし、そして、モデルがハルシネーションを起こす、あるいは重要な制約を見落とす可能性を高めます。モデルが場当たり的で不完全なコンテキストの断片から作業しているためです。
• 統制されたナレッジグラフは、正反対のアプローチをとります。エンティティ、関係性、ポリシーを一度だけ事前にマッピングし、その構造を数百万件のクエリにわたって再利用するのです。
• 毎回コンテキストを構築するコストを支払う代わりに、データが取り込まれる、あるいは更新されるときに一度だけ支払います。その後は、各やり取りに必要な正確な事実とポリシーだけを取得するためにグラフにクエリを実行します。 この転換こそが、AI時代のKMが、支出の暴走を招くことなくチーム横断で安全にスケールできるようにするものですです。

この違いは、データが増えるにつれて最も明確に現れます。DevRevのEnterprise-Bench評価では、統制されたナレッジグラフを通じて動作するエージェントは、データセットが256倍に拡大しても——ほとんどのエンタープライズ環境が静かに劣化する地点——92〜97%の精度を横ばいで維持しました。

従来型のAPIと検索の呼び出しを通じて同じデータに到達するエージェントは、最小規模から最大規模にかけて+37%という積み重なるトークン税を支払い、精度の向上はありませんでした。これは16倍規模で2.8倍の効率性の差であり、最大のデータセットでは3.4倍にまで広がります——そしてその差は、あなたのデータが増えるにつれて拡大していきます。

効率性は物語の一面にすぎず、信頼性がもう一面です。同じ評価は、驚くべきことを明らかにしました。エージェントがデータに到達する方法は、どのAIモデルで動作するかよりも重要だということです。より優れたモデルに切り替えると、精度は約1ポイント向上しました。統制された検索に切り替えると、18ポイント向上したのです。

4つの連携システムにまたがるある難しい質問では、同じモデルが、APIを1つずつ呼び出す代わりに統制されたグラフにクエリを実行したとき、最大8倍正確でした——APIのアプローチがつながりを失う箇所でも、グラフはつながりを正確に保つからです。ナレッジがこのように事前マッピングされていれば、誤った回答は、プロンプトごとに追いかけるものではなく、ソースで一度だけ修正するものになります。

これらの数値は、データが増えても維持されます。DevRevのEnterprise-Benchは、企業のデータが256倍に拡大するとき——ほとんどのエンタープライズナレッジ管理環境が静かに壊れる地点——にAIエージェントが正確で、効率的で、安全であり続けるかどうかを負荷テストします。

権限やコンプライアンスを維持したまま、全社にナレッジ管理を展開するにはどうすればよいか？

価値と可視性が最も高いところから始め、ガバナンスのパターンが成熟するにつれて拡大していきます。典型的な順序は、顧客対応チーム（サポート、サクセス、セールス）から始まり、その後、社内オペレーション、プロダクト、経営陣のワークフローへと広がっていきます。

フェーズ1：サポートとサクセス

チケット管理、CRM、ドキュメントを接続し、その後、エージェントがより速く回答し、初回対応でより多くのクエリを解決できるよう支援する、権限を意識した検索とAIアシスタントを展開します。

例： 請求に関する紛争を扱うカスタマーサポートエージェントは、顧客のプラン、最近のチケット、承認済みの返金ポリシーを1つの回答にまとめて引き出せる一方で、社内の財務メモの閲覧は依然としてブロックされます。カスタマーサクセスマネージャーもまた、高リスクアカウントのオンボーディングの抜け漏れを浮かび上がらせ、5つのツールを探し回ることなく適切なフォローアップをトリガーできます。

フェーズ2：プロダクトとエンジニアリング

課題トラッカー、リリースノート、インシデントレポートを取り込むことで、チームはシステムをまたいで「何が」「なぜ」を問い合わせられるようになり、同じナレッジグラフに基づいて変更履歴、ランブック、振り返りをAIで作成できるようになります。

例： 繰り返し寄せられるユーザーからの苦情を調査するプロダクトマネージャーは、バグレポート、リリースノート、インシデントのポストモーテムを結びつけて、その問題が最近の機能リリースに起因するのか、既知の依存関係に起因するのかを見極められます。エンジニアは、繰り返し発生するインシデントの履歴をシステムに尋ね、タイムライン、根本原因、関連するランブックを、関係するチームに限定されたアクセスのもとで1か所にまとめて得られます。

フェーズ3：GTMとオペレーション

キャンペーンシステム、マーケティングアセット、イネーブルメントコンテンツ、セールスデータを結びつけることで、AIが、共有されたガバナンスのもとで、各セグメントや商談に適したプレイブックやアセットを浮かび上がらせられるようにします。

例： 更新の準備をするセールス担当者は、古くなった資料を誤って使うことなく、承認済みの顧客事例、最新のプロダクトメッセージング、アカウントのサポート履歴を得られます。マーケティングオペレーションのマネージャーもまた、キャンペーンアセットをセグメントと地域ごとにルーティングし、適切なオーディエンスに対して承認済みのコンテンツだけが浮かび上がるようにできます。

フェーズ4：経営陣

顧客、プロダクト、収益のシグナルを1つのビューに統合する、権限的に安全なダッシュボードを経営陣に提供します。

例： 四半期のリスクをレビューする収益責任者は、異なるチームのダッシュボードを手作業でつなぎ合わせることなく、解約、サポートの件数、製品利用状況にわたるパターンを見ることができます。機能部門の責任者もまた、今月何が変わったかについての部門横断のサマリーを求めることができ、システムは、その責任者が閲覧を許可されているものだけを含む、権限的に安全なビューを生成できます。

大規模なKMのROIをどのように測定するのか？

通常、4つの観点がその根拠となります。回答までの時間、ディフレクションと解決、ライセンスとツールの統合、そしてトークンの経済性です。

1. 回答までの時間

回答までの時間は、従業員や顧客が、正確で権限的に安全な回答にどれだけ速く到達できるかを測定します。統合されたナレッジレイヤーがあれば、人々はコンテキストを再構築するためにチケット、ドキュメント、Slackのスレッド、社内ツールの間を行き来する必要がなくなります。

そうした検索の摩擦の低減は、測定可能なビジネス価値へと転化します。より短い処理時間、より高い顧客満足度、より生産的な社内チームです。重要なのは、それをロール別に測定することです。というのも、サポートエージェント、セールス担当者、オペレーションマネージャーが、同じシステムから同種の時間短縮を実感するとは限らないからです。

2. ディフレクションと解決

チケットのディフレクションと解決の指標は、AI支援のワークフローが人間へのエスカレーションなしにどれだけ頻繁に問題を解決するか、あるいは、かつては専門家を必要とした課題を最前線のチームが解決できるようにどれだけ助けるかを示します。ここが、KMが直接的な運用上のインパクトを示し始める場所です。とりわけサポート、サクセス、サービスの環境においてです。

BILLは、200,000件の実際の顧客クエリに対して70%の解決率を達成し、成功の基準である30%のしきい値を上回りました。この種の結果は、統制されたナレッジが検索においてより速く、実際の顧客の量を処理する点においてより優れていることを、チームが示す助けになります。

3. ライセンスとツールの統合

ROIは、システム間の重複を取り除くことからも得られます。より多くのチームが同じ統制されたナレッジプラットフォームに依存するようになると、組織は、重複する検索ツール、別々に存在するナレッジベース、そしてたいした価値を加えずにメンテナンスの負担を生む単発の自動化を削減できます。

これはしばしば目立たない節約の源ですが、スケールにおいては重要です。ツールが少なければ、ライセンスコストが下がり、管理のオーバーヘッドが減り、ナレッジが同期からずれてしまう場所も少なくなります。

4. トークンの経済性

トークンの経済性は、KMのアーキテクチャを、解決したクエリあたりのAIコストに結びつける最も明確な方法の1つです。

なぜ統制されたナレッジグラフがエンタープライズナレッジ管理のメモリレイヤーなのか

Computer, by DevRevは、ドキュメントインデックスではなく、統制されたナレッジグラフの上に構築された、権限を意識したエンタープライズメモリレイヤーとして作られています。

• Computer Memoryは、すでに使用しているシステム——サポートプラットフォーム、CRM、コードや課題のトラッカー、ドキュメントリポジトリ——から構造化・非構造化データを取り込み、ビジネスが実際にどのように運営されているかを反映したエンティティと関係性へとマッピングします。

• AirSyncによる取り込みがこのグラフを最新の状態に保つため、チームやエージェントが目にするコンテキストは、常に現行のデータとポリシーに基づいたものになります。
• このグラフの上で、DevRevは、設計上、権限を意識した統合的な検索とアシスタントの体験を提供します。
• エージェントは、共有のサービスアカウントではなく、個々のユーザーの権限のもとで動作し、各アクション——質問に答える、回答を作成する、あるいはワークフローをトリガーする——は、連携システムをまたいで追跡され、監査可能です。
• 同一の統制されたメモリレイヤーが、人間のワークフローとAIエージェントの両方を支えることで、断片化を最小限に抑え、ITとセキュリティにとってのガバナンスを簡素化します。

PhenomというグローバルなHRテック企業での展開において、DevRevは、ServiceNow、Jira、Salesforce、Slack、Looker、Snowflakeにまたがってサポートとエンジニアリングのワークフローを統合しました。その結果、平均解決時間が30%短縮され、チケットクローズまでの平均日数が29%減少し、統制されたメモリレイヤーが、スピード、連携、顧客コンテキストを同時に改善できることを示しました。

デモを予約するして、Computer Memoryがどのようにあなたのシステムを接続し、解決時間を短縮し、チームがより速く働くために必要な完全なコンテキストを提供できるかをご覧ください。