エンタープライズエージェントに構造的課題 - イシタ・ダガ氏（テスラ）

エンタープライズ AI エージェントの失敗は「モデルが小さいから」ではない：テスラ技術者が語る構造的課題と解決策

テスラでエンタープライズ AI エージェントの開発に携わるイシタ・ダガ氏は、AI エージェントが実務で失敗する根本原因を「モデルの規模拡大」や「知識ベースの追加」といった表面的な対策ではなく、情報の信頼性を管理する構造的欠陥にあると指摘します。単にデータを蓄積するだけでは解決できない「曖昧さ」「鮮度の欠如（Staleness）」「嗜好」の 3 つの課題に対し、階層的な情報源定義やフィードバックループによる文脈更新という具体的なフレームワークを提唱しています。

モデルの大型化では解決しない 3 つの構造的壁

AI エージェントが誤った回答を返した際、多くの組織は「モデルが大きすぎる」「最新モデルが必要だ」「ドキュメントやプラグインをもっと追加すべきだ」と考えがちです。しかしダガ氏は、これらの対策は本質的な解決にはならないと断言します。

「エージェント自体の根本問題として、『曖昧さ』『鮮度の欠如』そして『嗜好』の 3 つが挙げられます」

1. 曖昧さ（Ambiguity）: エージェントが「どのテーブルが正解か」「どのデータソースを優先すべきか」「真の情報源（Source of Truth）はどこか」を判断できない状態です。知識ベースが多岐にわたる中で、どれが最もクリーンで信頼性が高いのか定義されていないため、エージェントは迷走します。
2. 鮮度の欠如（Staleness）: 企業の KPI やプロセス、定義は頻繁に変更されます。しかし、ドキュメントやスキルセットの更新が追いつかず、古い文脈に基づいて回答を生成してしまいます。
3. 嗜好（Preference）: 同じ質問でも、チームや個人によって「どの指標を使うか」「どのようなフィルタをかけるか」の計算ロジックに主観的な差が生じます。これは技術的な整合性ではなく、組織文化や個人の判断に依存する問題です。

解決策①：真の情報源を「階層化」して曖昧さを排除する

曖昧さを解消するには、情報源を一律に扱うのではなく、「最もクリーンだが柔軟性に欠けるもの」から「最も messy（複雑）だが動的な情報源」へ至るまでの 3 段階の階層構造で定義する必要があります。エージェントは常に最上位の信頼性を持つ情報源から検索を開始します。

• 1 段目：セマンティックレイヤー（Semantic Layer）
• 特徴: 最もクリーンで、最も信頼性の高い情報源です。
• 内容: 既存のクエリ、KPI の定義、メトリクの計算式、ビジネス用語の定義などが統合された、厳選されたリストです。
• 役割: エージェントはこのレイヤーを参照し、最も近い KPI を特定して回答を生成します。まずはここから始めるべきです。
• 2 段目：カノニカルテーブル（Canonical Tables）
• 特徴: 中程度の信頼性と柔軟性を兼ね備えます。
• 内容: パラメトリックなクエリやテーブルのリストです。
• 役割: エージェントが複数の選択肢から適切なクエリを選んだり、独自のフィルタを適用したりして回答を広げます。セマンティックレイヤーで答えられない場合に利用します。
• 3 段目：データベースグラフ（Database Graph）
• 特徴: 最も柔軟ですが、構築と維持が最も困難です。
• 内容: テーブルと列、そして回答可能なメトリクスをすべて紐付けた大規模なグラフ構造です。
• 役割: 複雑で動的な質問にも対応可能ですが、メンテナンスコストが高いため、上位 2 つのレイヤーで解決できない 20% のケースに限定して導入すべきです。

このアプローチにより、エンタープライズはまず 1 段目と 2 段目を整備することで 80% の課題を解決し、残りをグラフ技術で補完する現実的なロードマップを描けます。

解決策②：文脈の「ライフサイクル」で鮮度を保つ

「鮮度の欠如」を防ぐには、静的なドキュメントに頼るのではなく、常に変化するデータソースとフィードバックループを組み合わせた「文脈ライフサイクル」を構築する必要があります。

• ライブデータソースの統合
• 常に最新の状態が保たれ、レビュー・キュレーションされたデータを必須のソースとして組み込みます。GitHub、CRM ツール、Tableau、DBT、セマンティックレイヤーなどが該当します。これらは「生きている」情報源であり、エージェントが参照する際の優先度が高いです。
• フィードバックループの構築
• エージェントの失敗や改善点を記録し、自動的に文脈を更新する仕組みが必要です。
• ログ化: ユーザーが「この定義は間違っている」「新しい計算式がある」と指摘した際、そのイベントをすべてログに記録します。
• 評価と更新: 記録されたイベントに基づき、エージェントの性能を評価します。これは人間による注釈付きのテストスイートでも、過去の数日間の質問と回答を比較する自動評価でも可能です。多くのチームが「評価」を軽視しているため、エージェントの進捗やパフォーマンスが見えなくなりますが、このループを回すことで文脈は常に最新の状態に保たれます。

解決策③：未解決の課題「嗜好」と今後の方向性

最後に残る「嗜好（Preference）」の問題は、業界全体でまだ完全な解決策が見つかっていないオープンエンドな課題です。同じ指標でも、チーム A は「前回の完了から今回の完了まで」を計算し、チーム B は「今回の開始から次の開始まで」を計算するなど、正解が複数存在する状況があります。

現在の技術では、以下のいずれかのアプローチしか取れていませんが、どちらも完全ではありません。

• セマンティックレイヤーの活用: 複数の計算方法を定義として保存し、ユーザーに選択させる方法。ただし、ユーザーの「嗜好」そのものを記憶・推論することはできません。
• エージェントメモリ（Mem0 など）: ユーザーの過去の行動や好みを記憶するファイル形式。しかし、異なるメトリクスの違いを理解したり、状況に応じて適切な方を選択したりする能力は不足しています。

「私たちが本当に目指すべきは、誰がエージェントを使っているか（個人かチームか）に基づいて、自動的に正しいメトリックへルーティングできる仕組みです」

これは単なる技術的な最適化ではなく、組織の「集合知（Hive Mind）」を AI に埋め込むような研究課題であり、今後の業界全体での取り組みが待たれる領域です。

まとめ

エンタープライズ AI エージェントの実用化において、モデルの性能向上やデータ量の増加だけでは不十分です。情報の信頼性を管理する「構造的アプローチ」こそが鍵となります。真の情報源を階層化して曖昧さを排除し、フィードバックループで文脈の鮮度を保つことで、AI エージェントは初めて組織内で信頼されるパートナーとなり得ます。嗜好の問題はまだ未解決ですが、このフレームワークに基づいた継続的な改善と研究が、次世代のエージェント開発を導くはずです。