エンタープライズAI、業務システム、業界DXに関する技術記事・業界トレンド・専門家による考察をお届けします。
AIエージェントのガバナンスを製品から切り離し、五つの層（境界・所在、データと文脈、身元、権限とツール、実行）と三つの横断的統制で整理。調達エージェントの例で設計の順序を解説します…
自動車のデータはDMS・PLM・保証・テレマティクス・クレームDBに分散しています。VINを軸にエンティティを結ぶナレッジグラフが、横断的な品質・保証の問いにどう答えるかを技術的に…
高精度な生成AIを導入しても業務に乗らないのはなぜか。確率論的なLLMと、決定論的なオントロジー・ナレッジグラフを組み合わせる「意味の層」という考え方を、エンタープライズAIの観点…
全データを整えてから、ではない ― 一領域を、端から端まで 目次 「どう始めるか」という、最後の問い 大原則 ― 全社水平ではなく、一領域の垂直スライス ロードマップ ― 五つのフ…
「作れば完成」ではない ― 返した負債を、増やさない仕組み 目次 ローンチは、終わりではなく始まり ガバナンス ― 新鮮さ・権限・来歴を、保ち続ける 評価 ― 測らないものは、良く…
「賢いAI」より、「重要度に合った任せ方」が成果を分ける 目次 土台の上で、何をさせるか 同じ層に、三種類の消費者 自律度は、重要度に合わせる 安全に効かせる三つのダイヤル ― 根…
なぜ、AIが賢くなっても「社内の関係」は分からないのか 目次 「意味の層」とは何か ナレッジグラフ ― 関係を、機械が扱える形に オントロジー ― 自社の「言葉と関係の定義」 なぜ…
なぜ、社内検索は「当たり前の答え」を外すのか 目次 なぜ、社内検索は「当たり前の答え」を外すのか 検索の道具は、一つではない ― キーワード・ベクトル・ハイブリッド 取りこぼしを減…
社内AIの成否を分けるのは、アシスタントではなく「知識の層」 このシリーズの主張 社内でAIを動かすと、多くの企業が同じ場所でつまずきます。原因は、たいていモデルではありません。A…
