Kate Liapun, データエンジニア, Dwelly Kate Liapun データエンジニア, Dwelly

AIエージェントの性能は、ファイリングシステムの質に依存する

2025年12月30日、デンマークの郵便サービスは401年の歴史の最後の手紙を配達しました。その年に残っていた1,500の郵便ポストは街から撤去されました。一方、2026年7月、ドイツ連邦閣僚会議はGeDIG、医療データ・デジタルイノベーション法を承認し、2029年秋までに診療所からファックスを段階的に廃止し、電子紹介状を義務化します。では、なぜある国はこのような変化を実現できるのに、別の国はまだ今世紀にファックス機への依存を段階的に廃止し続けているのでしょうか？ 各国のビジネスにおけるAI活用状況を考慮すると、デンマーク企業の42％が2025年に少なくとも1つのAI技術を使用しており、ヨーロッパで最も高いシェアです。ドイツは26％でEU平均を上回りますが、デンマークとの差は16ポイントです。私にとって、この対照はAI導入に関する信念を再考させます。特に、モデル選択がAI導入の出発点であるという考え方は、モデルを取り巻くシステムの状態を無視しています。両国は同じモデルとクラウドプロバイダーにアクセスできますが、違いはビジネスや公共プロセスがすでに信頼できるデジタル記録を生成しているかどうかです。AIエージェントは現実と直接やり取りするのではなく、システム内にある現実のバージョンとやり取りするため、自然にいくつかの制約が生じます。第一の制約: 情報がデジタル化されていなかったエージェントはシステムに登録されていない文書を取得できません。組織の情報フローの形態が、エージェントがタスクとして認識できる範囲を決定します。国レベルでは、Eurostatのデータは、ビジネスにおけるAI導入が行政プロセスのデジタル化と相関していることを示しています。しかし重要なメカニズムは、すでに市民が公式文書をデジタルで受け取っている国では、企業が調整すべきシステム外のやり取りが少なくなり、AIを安全に業務で使用する前に必要な解釈作業が減少する点です。企業レベルでは、2026年のIZA調査（1,907社のデンマーク企業）で、デジタル化が1標準偏差上がると、コアAIシステムの導入確率が8〜10ポイント上昇することが分かりました。これは、AI導入は企業の内部業務がすでにデジタル構造で機械可読な形で整理されているかどうかに依存することを示唆しています。プロセスが分散していると、AIシステムやエージェントが利用できる安定した情報はほとんどありません。このことは、政策主導のデジタル化が必ずしもAI導入準備につながらない理由を説明するのにも役立ちます。イタリアの義務付けられたB2B電子請求書は完全なデジタルチャネルを構築しましたが、全体的なAI導入率はEU平均を下回っています。単一のステップをデジタル化しただけでは、周囲のアナログシステムを排除できません。第二の制約: 情報が誰かの頭の中にしか存在しない人間が業務を遂行するため、ほとんどの場合、AIが知らない詳細情報を把握しています。財務管理者はテナントが現金で支払ったことを知っていますが、その支払いは会計システムに入力されていません。その結果、銀行記録とシステムが合致しません。管理者は理由を理解していますが、AIは不整合なデータしか見ていません。プロパティマネージャーは、家主が2週間連絡しないように依頼したことを覚えています。チームはある建物やクライアントの回避策を知っていますが、誰も文書化していません。ClarEvalは、目標欠如、前提欠如、曖昧な用語を伴うタスクをテストしました。モデルの性能は、明確化後の約89％から、曖昧さが解決されない場合は約9％に低下しました。一方、Ambig-SWEは、欠如した情報を持つユーザーに質問させることで、失われた性能の最大74％を回復できることを発見しました。これは、エンジニアは最初から明確化を求めることができるシステムを構築すべきであることを示唆しています。第三の制約: 情報は存在するが渡せない一部のデータは社内に存在しますが、プライバシー規則、セキュリティ管理、契約、または内部ポリシーによりモデルに届きません。7年間のクラウドデータに基づく研究によると、GDPR（EUの主要なデータプライバシー法）は、EU企業のデータ保管量を26％、処理量を15％削減し、米国の同等企業と比較して低くなっています。言い換えれば、プライバシー規制により、分析やAIに利用できる情報量が制限され、企業はデータ集約度が低くなります。生成AIの導入率はほぼ同等で、EU企業の37％、米国企業の36％でした。しかし、AI導入の深さには大きな差があり、米国企業の81％が少なくとも2つの内部プロセスでAIを使用しているのに対し、EUは55％です。考えられる理由の一つは、組織内に既に存在する情報がヨーロッパではAIに再利用しにくいことです。たとえば、顧客サポートの会話には、顧客問題解決のために収集された個人データが含まれることが多いです。GDPRの目的制限原則(第5条(1)(b)項)の下では、正当な法的根拠がない限り、このデータをAIトレーニングに再利用することはできません。米国企業は、同様の連邦規制が少ないため、データ再利用の制約が緩やかです。正しいシステムの構築方法検索は、回答がシステム内に存在する場合にのみ機能します。情報が欠如しているときはエージェントは質問すべきで、推測せず、電話や非公式な判断を構造化された記録に変換すべきです。企業は、タスクがシステム外で行われる可能性がある場合、文脈の一部が見えなくなるため、並行する紙ベースのワークフローも排除すべきです。各企業は自社のギャップと向き合う必要があります。正しく行動するために必要な事実がシステム内にあったかどうかを測定してください。除外されたプライバシーレビュー項目の有無でワークフローをテストします。最後に、紙で完了できるワークフローは、最後に構築すべきエージェントです。エージェントは人間の成果を向上させる可能性がありますが、欠けている部分を修復することはできません。