なぜ、AIが賢くなっても「社内の関係」は分からないのか
「意味の層」とは何か
ここまでの5回で、私たちは土台を一段ずつ積んできました。汚いファイルを使えるテキストにし（第3回）、メタデータを付け（第3回）、意味で探せるようにし（第4回）、効く検索を組んだ（第5回）。しかし、まだ一つ、最も深いものが残っています。「関係」そのものです。
第4回で見たように、埋め込みは「表現の近さ」を測るのであって、関係を理解しているわけではありません。「この部品は、あの製品に使われている」「この規格は、これらの部品に適用される」——こうした関係は、文書の中に文章として埋もれているか、そもそもベテランの頭の中にしかありません。機械にとっては、見えないのです。
この関係を、機械が扱える形で明示したものが「意味の層」です。文書やデータの上に載る、意味と関係のネットワーク。これこそが、本シリーズが最初から指し示してきた「知識層」であり、全体像マップの中心です。今回は、その正体に降りていきます。
ナレッジグラフ ― 関係を、機械が扱える形に
意味の層を表現する、最も中心的な形がナレッジグラフ（知識グラフ）です。
考え方はシンプルです。「製品」「部品」「規格」「不具合」「文書」といった意味のある要素（エンティティ）を点（ノード）とし、それらの関係を線（リレーション）で結ぶ。「この部品」——〔使用〕→「あの製品」。「この規格」——〔準拠〕→「これらの部品」。関係に名前がつき、機械がたどれる形になります。
こうしておくと、第2回で「検索では届かない」とした問いが、届くようになります。「この規格を変えると、どの部品・製品に影響するか」は、線をたどる操作になる。「なぜこの仕様か」は、決定に連なる要素をたどる操作になる。文書の中に埋もれていた関係が、第一級の情報として扱えるのです。埋め込みが「似ている」を測るのに対し、グラフは「どうつながっているか」を持ちます。ここが決定的に違います。
オントロジー ― 自社の「言葉と関係の定義」
グラフを正しく組むには、その前に定義が要ります。どんな種類のエンティティがあり（製品・部品・規格・部門…）、どんな関係が許されるか（使用・準拠・影響・承認…）、そのルールは何か。この「自社の言葉と関係の設計図」が、オントロジーです。
オントロジーは、いわば知識の文法です。これがないと、同じ「ライン」でも人によって製造ラインか製品ラインか揺れ、グラフは一貫性を失います。逆に、ここを定義しておけば、部門をまたいでも同じ意味で知識がつながる。オントロジーは重厚な学術概念に聞こえますが、実務では「自社にとって意味のある要素と関係を、数個ずつ決めること」から始まります。全部を一度に定義する必要はありません。
なぜ、これが”効く検索”の土台なのか
第5回で「関係・多段の参照が要る問いには GraphRAG」と述べました。その GraphRAG がたどる先のグラフこそ、この意味の層です。土台にグラフがあるから、検索は関係をたどれる。メタデータ（第3回）があるから、最新版・権限で絞れる。
つまり、意味の層はその上にあるすべて——検索、アシスタント、エージェント、分析——が共有する土台です。層が豊かなら、どのAIも賢く振る舞う。層が貧しければ、どんな最新モデルも関係を答えられない。ここに、次の誤解の核心があります。
よくある誤解：「モデルが賢くなれば、構造化は要らない」
神話: 「LLMがこれだけ賢くなったのだから、わざわざ知識を構造化（グラフ化）しなくても、いずれモデルが分かってくれる」
現実: どれほど賢いモデルでも、「この部品が、あの製品に使われている」という“御社固有の関係”は、御社が捉えていない限り、知りようがありません。 モデルは一般的な言語や世界知識には強くても、社内の系列・工程・規格の関係までは持っていない。モデルは入れ替わり、賢くなり続けます——だからこそ、入れ替わらない資産が要る。それが意味の層です。むしろモデルが賢くなるほど、良い意味の層の価値は上がります。
意味の層が、持続する資産になる
ここに、本シリーズが最初から述べてきた主張——「EKI, not RAG」——が回収されます。
AIアシスタントやエージェントは、消費者です。半年後には、より賢い別のモデルに入れ替わっているかもしれない。それは悪いことではなく、むしろ健全です。入れ替えても、その下の意味の層は残り、価値を出し続けるからです。企業の持続的で、模倣されにくい資産は、流行のモデルではなく、自社の知識をつないだ層にあります。
第1回の知識成熟度モデルでいえば、これが最上段の L5「知識インテリジェンス」——知識が連結され、多くの用途に知能を供給する状態です。土台から始めた一本の線が、ここで到達点を迎えます。
どこから作るか ― 小さく始める
意味の層は、全社を一度にグラフ化する話ではありません。順序があります。
まず、最も価値が高く、関係が絡む一領域を選ぶ（ある製品ラインと、その部品・規格・不具合など）。次に、最小のオントロジーを描く——エンティティ5〜6種、関係を数本。多くの場合、その素材はすでにあるマスターデータや部品表、規格台帳の中に眠っています。ゼロから作るのではなく、あるものをつなぐ。そして、その領域のグラフを検索（GraphRAG）につなぎ、効果を確かめてから広げる。問いが要求する分だけ、層を育てる——これが現実的な道です。
「理解の負債」で見ると ― 意味負債の返済
第1回の言葉でいえば、本記事が返すのは、最も深い意味の負債です。「似た文章は出るが、関係がつながらない」——この根っこを、意味の層が返済します。アクセス（第3回）、発見（第3回）、検索（第4・5回）を経て、ここで意味の負債に手が届く。土台づくりの、最後にして最大の一区間です。
全体像マップでいえば、本記事は中心の「知識層」に光を当てました。次回・第7回は、この層を“使う”側——「知識を使う ― アシスタント・エージェント・分析」へ。整えた土台の上で、AIに何をさせるか、という活用の話に進みます。
明日から始める、三つのこと
- “関係の問い”を5つ書き出す。 第2回で挙げた「検索では届かない問い」——「なぜ」「影響するのは」「関係は」。その5つが、作るべきグラフの地図です。
- 既存のマスターデータ・分類を棚卸しする。 製品マスター、部品表、規格台帳、フォルダ分類。意味の層の“種”は、たいてい既にあります。
- 一領域で、最小のオントロジーをホワイトボードに描く。 エンティティ5〜6種と、関係を数本。大がかりなプロジェクトではなく、一枚の図から始めます。
次回・第7回では、この意味の層を土台に、AIアシスタントとエージェントに何をさせるか——「活用」に入ります。
`[著者バイライン：全記事共通ブロック。]`
Cubastionは、オントロジーとナレッジグラフの設計——「持っている文書」を「使える知識の層」に変える土台づくりを、日本のエンタープライズの実情に合わせてお手伝いしています。
関連ソリューション：GenAIナレッジ検索プラットフォーム（Engineering.IA）／データインテリジェンス＆AI
日本市場のプリセールスを担当。エンタープライズのデジタル変革を、構想から実装まで支援。
用語集（本記事で導入した言葉）
- 意味の層（セマンティックレイヤー） — 文書やデータの上に載る、意味と関係のネットワーク。本シリーズのいう「知識層」。多くの用途（検索・アシスタント・分析）が共有する土台。
- ナレッジグラフ（知識グラフ） — 意味のある要素（エンティティ）を点、関係を線で結んだ表現。関係を機械がたどれる「第一級の情報」にする。
- オントロジー — 自社にとって意味のあるエンティティの種類・許される関係・ルールを定めた「言葉と関係の設計図」。知識の文法。
- エンティティ — 製品・部品・規格・不具合・文書など、意味のある要素。グラフの点。
- リレーション（関係） — 使用・準拠・影響・承認など、エンティティ間のつながり。グラフの線。名前を持ち、たどれる。