Nexus の実世界での成果：早期アクセス顧客からの実際の結果

過去1年間、エンタープライズAIの議論は主に機能性についてのものでした。しかし今ではその問いはコストと信頼性へと置き換わっています。大規模運用におけるAIの実行には多額の費用がかかり、精度やレイテンシも最も困難なデータセットにおいては依然として破綻することがあります。チームが推論支出の実際の内容を確認すると、その大部分は推論ではなく、モデルが何かを言う前に実行される検索ループに費やされています。 Pinecone Nexus はインフラストラクチャ層においてこの課題に対処します。クエリ発生時に知識を組み立てるのではなく、いかなるクエリも来る前にコーパスから構造化されたアーティファクトをコンパイルし、データ特有の形状に合わせて検索パイプラインを調整します。私たちは4週間前にリリースを開始し、実際のエンタープライズデータセットを持つ早期アクセスユーザーと連携してきました。私たちの初期エンタープライズパートナーは、Nexus 導入後に精度、レイテンシ、コストにおいて実証された結果を得ています。 ## ベンチマーク 各顧客に対して、現在のエンタープライズエージェント展開で最も一般的なパターン（コーパスのチャンク化、チャンクの埋め込み、ハイブリッド検索の活用）に対し Nexus を実行しました。エージェントは十分な文脈を取得して回答するまで、クエリの実行、再ランク付け、上位チャンクの読み取り、再度の検索というループを繰り返します。 このアプローチは正解を生み出すことができます。問題は、トークン数、時間、一貫性においてどの程度のコストがかかるか、そしてそのコストがエンタープライズ規模でも持続可能かどうかです。 3 つの主要指標: - トークンコスト。1 クエリあたりどの程度のトークンを消費するのか？企業規模での運用において、これはエージェント型展開の経済性が成立するかどうかを決定づける要因です。 - 精度。エージェントは正しい回答を返すのか、かつ実行ごとに再現性があるのか？ベンチマークの各評価セットは、人間がラベル付けした質問と、実際のコーパスから抽出された期待される回答を用いて構築されました。回答は LLM ジャッジ（claude-sonnet-4-6）によって、0～1 のスケールで期待出力に対して採点されました。 - レイテンシ。クエリが完了するまでにはどの程度の時間がかかるのか？ライブワークフローに埋め込まれたエージェントや、ユーザー向け製品、自動化パイプライン、取引サポートにおいて、回答までの時間は重要です。 これら 3 つの要素はすべて、同じダイナミクスに起因しています。エージェント型 RAG（Retrieval-Augmented Generation）では、クエリ実行時に知識を組み立てます：チャンクの検索、再ランク付け、読み込み、不足しているものの判断、そしてループの再実行です。このループは、生データソースから一度構築された汎用的なインデックス上で動作しますが、そのドメインやクエリの種類、タスクに必要な推論については一切知りません。各反復は、エージェントがインデックスが知らない部分を補い、欠如したものを回避する作業であり、基盤の上に成り立っているわけではありません。 Nexus は異なるアプローチを採用しています。クエリが届く前に、対象となる主題、クエリの種類、およびエージェントが必要とする推論に適合するように設計された構造化アーティファクトをコーパスから導出します。これにより、エージェントは正確に検索し、即座に推論を行うことができます。 ## Melange: 標準必須特許検索 **ドメイン：知的財産 / 特許訴訟** [Melange Technologies](https://www.melange.com/) は、特許無効化や訴訟において法律事務所によって利用されている、自律型の大規模先行技術検索エンジンを運営しています。同社の核心製品は、約 1.4 億件の特許文書から最も関連性の高い dozen（数件）に絞り込むエージェント型検索システムであり、訴訟担当者に事件を処理するために必要な法的分析の初稿を提供します。この作業はほぼ完全に自律的に行われ、最終段階での納品前にのみ人間の検証が行われます。 Melange の次の拡張計画には、標準必須特許（Standard Essential Patents: SEPs）が含まれています。SEP とは、業界規格への準拠に必要な技術を主張する特許のことです。例えば、5G 機能を備えた電話機を製造する企業は、5G 技術規格の一部を実装する必要があります。もしある特許がその必須部分のいずれかをカバーしている場合、その規格を実施することは必然的にその特許の実施を意味します。特許ライセンス事業は数十億ドル規模の業界へと成長しており、SEP は最も価値が高く争われている紛争の中心に位置しています。 これには業界にとって2つの重要な示唆があります。第一に、特許が実際に標準に対して必須であるかどうかを特定することが極めて重要です。この分析は費用がかかり、時間がかかることが多く、人間のドメイン専門家が特許請求項と長い技術的な標準文書を1行ずつ比較する必要があります。第二に、標準文書自体が先行技術として機能し、標準化プロセスの過程で既に開示された技術を主張する特許を無効化する可能性があります。 3GPP 技術標準のリリース1には、関連文書2.3 GBを含む約1,800文書が含まれています。パイロット評価では、5G NR標準の焦点を絞った29仕様のスライス（約31 MB、マークダウン形式に変換済み）が評価されました。これらの仕様は、埋め込まれた表と規範的な要件記述に富んだ.docx/.docファイルとして起源を持ちます。 **コーパス:** 3GPP リリース18、約1,800の.docx/.docファイル、約2.3 GB、5G NR仕様、プロトコル標準、インターフェース定義、および規範的要件を網羅。パイロット評価は、29仕様のNRスライス（約31 MB、マークダウン形式に変換済み）で行われました。 **評価セット:** 30のSEP候補質問。それぞれが特許様式の請求項であり、標準コーパスに対して、最終化された必須の3GPP要件がその請求項を必ず実施するかどうかを評価します。すべての回答は5つの判決（必須、条件付き必須、任意、禁止、または存在しない）のいずれかであり、正確な仕様、条項、および情報要素が引用されます。 メトリック | エージェント型 RAG | Nexus | Δ ---|---|---|--- 精度 | 52.7% | 66% | 25% より正確 レイテンシ（クエリあたりの平均）187 秒→44 秒、77% 高速化 トークンコスト（クエリあたりの平均）201,000 トークン→5,900 トークン、97% 削減 Agentic RAG（自律型 RAG: Agentic Retrieval-Augmented Generation）では、このコーパスにおいて質問あたり平均約 20 の検索ステップが実行されました。しかし、インデックスに標準の構造化やクエリの要件に関する知識がないため、ループは密な文節参照型の技術基準に対して収束しません。Nexus は、いかなるクエリを実行する前にも、標準をアドレス可能な要件アーティファクトとして整理しました。その結果、正しい文節が直接取得され、トークン数は 5,900 で済みました（対照的に従来は 201,000 トークン必要でした）。 **ビジネスへの影響:** トークンコストを 97% 削減したことで、以前はコスト高により実現が困難だった自律型特許検索製品が、スケール可能な経済的実現性を獲得しました。クエリあたりのレイテンシが 1 分未満であることは、このワークフローが生きた訴訟のタイムラインに適合することを意味します。精度の向上は、弁護士によるレビュー時間の直接的な削減につながります。 「これらの初期結果は本当に興奮するものです：トークンコストを 34 倍削減し、当分野で最も困難な問題の一つにおいてクエリが 1 分未満で解決されたことは、私たちが正しい方向を向いていることを示しています。Pinecone の AI インフラストラクチャに目的特化型の知識エンジン（Knowledge Engine）を追加したことで、すでに実証的なビジネスインパクトの兆候が見えています。Nexus が成熟し、スケールする特許検索の要件に完全に適合していくにつれて、共にこの技術を発展させていくことを楽しみにしています。」— Joshua Beck, CEO, Melange ## M&A デューデリジェンス **ドメイン：金融技術 / 投資管理** 顧客は、資産運用会社、ヘッジファンド、プライベート・エクイティ企業を対象とする大規模な金融技術企業です。同社のクライアントは文書が膨大な環境で事業を展開しており、大量の文書セットから正確な回答を抽出することが、取引の結果や規制リスクに直接影響を与えます。 ここで評価されているユースケースは M&A デューデリジェンスであり、これは同顧客のクライアント層における代表的なシナリオです。中規模市場での買収であっても、取引用データルームには 10 以上のカテゴリにわたる数百件の文書が含まれます：監査済み財務諸表、資本構成表、顧客契約、知的財産出願書類、人事記録、不動産賃貸借契約、税務スケジュール、法的ガバナンス文書などです。質問は単一の文書内に収まるものではありません。それらすべての文書を同時に推論する必要があります。 データセットは、$42M ARR のエンタープライズ SaaS 企業を対象とした完全な合成 M&A データルームであり、10 のカテゴリフォルダに構造化されています。ファイルには PDF、Excel ワークブック、マークダウンが含まれ、制御された評価可能な形式で、実際の取引ルームの複雑さ全体を網羅しています。 ここで重要なのは、本質的に多段階の推論を要する質問です。「Vantage の優先株式におけるどの資本構成の特徴が、普通株主へのエクイティ・バリューのウォータフォールに影響を与えるのか？」という問いには、キャップテーブル、優先株式の条項、および清算優先権に関する文書を同時に考慮した推論が必要です。また、「どのような潜在的な法的責任が Vantage の予測キャッシュフローを損ない、DCF（割引キャッシュフロー）におけるリスクディスカウントを必要とするのか？」という問いには、知的財産出願、訴訟記録、財務予測という 3 つの異なるフォルダカテゴリにわたる情報を結びつける必要があります。答えとなる単一の文書は存在しません。この質問が解決するのは、データルーム全体が統合された知識面として扱われた時だけです。 **コーパス:** 会社概要、監査済み財務諸表、ARR スケジュール、キャップテーブル、顧客契約、知的財産出願、人事記録、税務書類、不動産賃貸借契約、およびプロセス文書を網羅する 10 のカテゴリフォルダにわたる 90 ドキュメント（PDF、XLSX、マークダウン形式）。 **評価セット:** 文書間推論を要する M&A デューデリジェンスに関する 30 の多段階クエリ。 Metric | Agentic RAG | Nexus | Δ ---|---|---|--- Accuracy（精度） | 57% | 65% | 14% 向上 Latency (avg per query)（平均レイテンシ/クエリあたり） | 61s | 32s | 48% 高速化 Token cost (avg per query)（平均トークンコスト/クエリあたり） | 66k トークン | 5k トークン | 92% 削減 ※表は原文の構造を維持するため、マークダウン記法としてそのまま保持しています。 Nexus は、RAG の約 10 回の反復ステップに対して、各質問を単一の検索ステップで解決しました。この精度向上は、最も困難なマルチホップクエリにおいても維持されています。そのようなケースでは、エージェント型 RAG のループが文書間で不完全なコンテキストを繰り返し取得し、再クエリを行わない限り推論のギャップを埋めることができません。Nexus は、いかなるクエリが届く前にも、文書間の関係をマッピングするアーティファクトをデータルームから導き出しました。 **ビジネスへの影響:** 分析担当者が数時間を費やしてフォルダ間を統合する必要があったデューデリジェンスワークフローが、今では数秒で完了します。トークンコストが 92% 削減され、レイテンシが 48% 低下したことで、取引パイプライン全体に AI を展開する経済性は根本的に変化しました。マルチホップ質問に対する精度の向上は、見落としのある負債や誤解された財務構造のリスクを低減します。 ## Gong トランスクリプトからの収益インテリジェンス **ドメイン: SMS マーケティング / E コマース SaaS** E コマースブランド向けの主要な SMS マーケティングおよび販売プラットフォームの販売チームとカスタマーサポート（CS）チームは、毎週大量の顧客対応通話を行っています。これには価格交渉、オンボーディング通話、更新に関する議論、競合他社との取引サイクルなどが含まれ、すべてが Gong によって記録されています。 課題は、これらの通話記録に閉じ込められたインサイトが大規模にはアクセスしにくい点にあります。「これらの通話全体で、どの競合他社が他のどの企業よりも遥かに多く言及されているか？」や「RCS が主要な議論のトピックとなっているアカウントをいくつか挙げてください」といった質問は、数十件の通話を同時に横断してパターンを統合する必要があります。アジェンシー・ループが行うような通話記録を一つずつ検索するだけでは、リアルタイムの収益ワークフローには遅すぎてコストも高すぎます。信号は集計データの中にあります。 このデータセットは、1 週間の実際の Gong 通話エクスポートです。営業、カスタマーサポート、価格交渉に関する構造化された JSON 形式の通話記録で、メッセージレート、リスト成長率、離脱指標、競合他社の言及、拡大シグナルなどの企業固有のトラッカーデータが随所に埋め込まれています。 **コーパス:** 営業、価格設定、カスタマーサクセスに関する会話を含む 217 件の Gong 通話記録。構造化された JSON 形式の通話データは約 45 MB で、完全なトラッカーおよびトピックメタデータを備えています。 **評価セット:** 通話間の統合、トレンドの特定、パターンの認識を必要とする収益インテリジェンスに関するクエリ 40 件。 Metric | Agentic RAG | Nexus | Δ ---|---|---|--- Accuracy (精度) | 36% | 70% | 94% more accurate (94% 高精度) Latency (avg per query) (レイテンシ：クエリ平均) | 28s | 23s | 18% faster (18% 高速化) Token cost (avg per query) (トークンコスト：クエリ平均) | 27K tokens | 4K tokens | 85% fewer tokens (85% トークン削減) ※注記: 原文の表形式データは、Markdown のテーブル構文を保持しつつ、技術用語（Accuracy, Latency, Token cost）に適切な日本語訳と原語括弧書きを追加し、自然な日本語表現で翻訳しました。 ここでの精度向上は 3 つのケースの中で最も大きく、エージェント型 RAG と集約合成ワークロードの間にある根本的な不一致を反映しています。217 の通話記録に対するエージェントループは、文書を一つずつ走査して部分的な回答を検索し、それらを再構成して応答を作成します。しかし、全文コーパスを同時に把握することはできません。Nexus は、通話データから構造化された表現を導き出し、通話間パターンを直接対象化可能にしました。ほぼ 2 倍の精度向上は、実務におけるコーパスレベルでのコンパイルがどのようなものかを示しています。 **ビジネスへの影響:** 従来はアナリストによる手動レビューが必要だった収益知能クエリが自動化可能になります。競合信号、離脱指標、拡大パターン、価格感度などが、通話全体をリアルタイムで検索対象とできるようになります。トークンコストが 85% 削減されるため、新しい通話が流入するたびにこれらのクエリを継続的に実行することが経済的に実現可能です。 ## 3 つの顧客における結果 3 つの顧客、3 つの業界（金融サービス、知的財産、収益運用）、3 つの知識課題。Nexus は、精度、レイテンシ、トークンコストのすべての面でエージェント型 RAG を上回りました。 顧客 / ドメインユースケース成果 Melange / IP & 特許訴訟3GPP 標準に対する SEP クレーム検証トークン数 97% 削減、処理速度 77% 向上、精度 25% 向上 FinTech / 投資管理多カテゴリデータルームにわたる M&A デューデリジェンストークン数 92% 削減、処理速度 48% 向上、精度 14% 向上 SMS SaaS / E コマース 217 の Gong 通話記録にわたる収益インテリジェンス トークン数 85% 削減、処理速度 18% 向上、精度 94% 向上 このパターンは、コーパスの形状やクエリの種類、ドメインに関わらず一貫して見られました。あらゆる展開において、エージェント型 RAG（Retrieval-Augmented Generation）は同じ地点から始まります：生データソースから構築された汎用的なベクトルインデックスであり、ドメイン知識もクエリタイプも、タスクに必要な推論プロセスも含まれていません。その後に続く検索ループは、そのような設計に付随するものではなく、むしろインデックスがドメインやクエリタイプ、タスク構造に関する知識を欠いている場合に必然的に生じる現象です。 Nexus は根本原因に迫ります。M&A データルームから導き出されるアーティファクトは、特許標準コーパスや Gong 通話記録データベースから導き出されるものとは構造的に異なります。なぜなら、対象分野、クエリタイプ、推論要件が異なるからです。クエリが届く頃には、知識層はすでに問題に合わせて形成されています。エージェントは汎用的なチャンクを漁って文脈を組み立てようとするのではなく、必要な情報を正確に取得し、即座に推論を行います。 実務的な帰結は明白です：以前はビジネスケースを満たせなかったプロジェクトも、今なら可能になります。トークン数を 92–97% 削減することで、企業規模ではコストが高すぎて実現不可能だった推論処理が管理可能なレベルになります。レイテンシを 48–77% 低下させることで、従来のライブワークフローに組み込めなかったエージェントも、今なら実装可能です。困難なコーパスにおいても精度を維持できるため、常時人的レビューが必要だった展開も、自律型システムへと移行できます。 ## 早期アクセスの申請 Nexus は、ドキュメント、契約書、提出書類、通話記録、技術仕様書などの企業知識を基盤にエージェントを構築するチーム向けに設計されています。エージェント型 RAG がコーパスに対して頭打ちになっている場合、その原因はほとんどがモデルではなく、検索ループにあります。 深刻な知識問題を抱える企業は、[早期アクセス](https://www.pinecone.io/nexus/) に申請し、一般公開前の段階で自社のデータ上でベンチマークを実行できます。私たちが共に取り組みます。

Nexus の実世界での成果：早期アクセス顧客からの実際の結果

背景や根拠まで確認しますか？

調べる

選ぶ

サイト