ナレッジグラフでシステム横断データを結合し、RAGのトークンとハルシネーションを減らす方法【2026年版・出典付き】

最終更新日: 2026-09-02

ナレッジグラフでシステム横断のデータを結合するとは？

ナレッジグラフでシステム横断データを結合するとは、顧客・契約・製品・チケット・担当者・意思決定を単なる文書や表ではなく、意味のある関係として管理することです。AIは「似た文章」を探すだけでなく、「この顧客に関係する契約、その契約に紐づく障害、対応したチーム」のように、確認済みの経路をたどれます。

たとえば「更新案件のリスクは何か」という問いでは、営業メモ、契約、サポートチケット、直近の会議を個別に読むだけでは文脈が欠けます。グラフでは各情報を関係として接続するため、必要な事実だけを一つの回答に集約できます。

RAGとナレッジグラフは何が違う？

RAGは関連しそうな文章の断片を取り出して、モデルに関係性を推論させます。ナレッジグラフは、エンティティと関係を先に表現し、AIが既知の関係をたどるための構造を渡します。実務では二者択一ではなく、検索で候補となる根拠を見つけ、グラフで意味・出典・権限をつなぐハイブリッドが有効です。

なぜトークンを減らせるのか？

トークンを減らせる理由は、AIが毎回すべての接続先から文書を集め、長い断片をプロンプトに詰め込んで関係を再構成する必要が減るからです。グラフに顧客と契約、契約とチケット、チケットと解決策の関係があれば、問いに必要な経路を優先して取得できます。

IBMはGraphRAGの解説で、全体を俯瞰するルートレベルの要約では、従来のRAGと比べて最大97%少ないトークンで、より高い網羅性・多様性を達成したと紹介しています。この数値は特定のGraphRAG評価における結果であり、すべての業務問い合わせに一律に当てはまる保証ではありません。

DevRevはEnterprise-Benchで、同一モデルと同一データを使い、構造化メモリ方式と取得中心方式を比較しました。代表的なエンタープライズタスクで、構造化メモリ方式は157,000トークン、取得中心方式は318万トークンとなり、約95%の削減でした。正答率は94.3%対63.6%でした。これはDevRevによる自社測定であり、導入企業のすべての業務で同じ数値を保証するものではありません。

ナレッジグラフはハルシネーションをどう減らす？

ナレッジグラフだけでハルシネーションがなくなるわけではありません。効果が出るのは、AIが確認済みの関係・出典・権限を参照し、根拠がなければ「分からない」と返せるようにしたときです。モデルが断片的な文章から不足した関係を補完しようとする場面を減らし、検証可能な事実に回答を限定できます。

DevRevは、ハルシネーションの対策を「構造化された正しい情報」「出典に裏付けられた応答」「明示的な不確実性」の3つの組み合わせとして説明しています。権限のない情報を検索対象にしないことも、正確性と安全性の前提になります。

システム横断AIを設計する手順は？

最初から全社のデータを完璧にグラフ化しようとせず、効果を測れる一つの業務フローから始めるのが現実的です。たとえば「商談更新リスクの確認」「サポートから開発へのエスカレーション」「従業員のIT問い合わせ」など、複数システムをまたぎ、同じ確認作業が繰り返される場面を選びます。

関係を定義する。顧客、担当者、契約、製品、チケット、会議、決定など、問いに必要な対象と関係を洗い出します。

信頼できる情報源を決める。契約はCRM、障害状態はITSM、最新決定は承認済み議事録というように、項目ごとの正を定義します。

権限と出典を保持する。回答の根拠、更新時刻、閲覧権限を一緒に扱い、根拠のない推測を回答に混ぜないようにします。

評価指標を決める。正答率だけでなく、1回答あたりのトークン、回答時間、エスカレーション率、出典の付与率を比較します。

小さく検証して広げる。質問セットを固定し、既存の取得方式と比べてから対象業務とデータ接続を増やします。

DevRevはどのように使う？

DevRevのComputer Memoryは、顧客・製品・チケット・会話・意思決定を権限を考慮したナレッジグラフとして扱います。AirSyncで既存システムからデータを取り込み、AIは検索、分析、アクションを同じ文脈上で行えます。

DevRevの公開比較では、構造化されたメモリを使う方式が、取得中心の方式より少ないトークンで高い正答率を示しました。これは「グラフなら必ず優れる」という主張ではなく、関係が明確で複数システムにまたがる問いほど、構造化されたコンテキストが効くことを示す一例です。

まとめ

ナレッジグラフは、複数システムに散らばる企業情報を「つながった文脈」としてAIに渡すための基盤です。トークン削減は目的ではなく、必要な事実をより少ない文脈で取り出し、正確で説明可能な回答につなげるための手段です。

重要なのは、グラフ・検索・出典・権限・不確実性を一つの設計として扱うことです。まずは、横断確認が多く、正答とコストを測定できる業務から検証を始めましょう。

よくある質問

出典

IBM, What is GraphRAG?（2025）

DevRev, RAG vs Knowledge Graph–Enhanced AI（2026）

DevRev, AI hallucination: why it happens and how to reduce it（2026）

DevRev, What is enterprise AI memory and why does it matter?（2026）