組織はAIエージェントの試験運用から業務プロセスへの組み込みへと移行しつつあるが、MIT Technology Review Insightsの新しいレポートは、多くの企業がそれらのエージェントに必要なデータシステムを整備できていないと指摘している。8月12日に公開され、300人のデータ・テクノロジー幹部への調査に基づくこのレポートは、企業情報への限定的なアクセスとレガシーインフラが、信頼できる迅速な意思決定の大きな障壁だと特定している。

この結果は、エージェント型AIにとって次の障害はモデル性能そのものよりも、エージェントが適切なデータに到達し、そのビジネス上の文脈を理解し、実際に仕事が行われるシステムと安全に連携できるかどうかにある可能性を示している。これは、質問に答えるだけでなく業務上のアクションを実行する導入を計画するプロダクトチームや企業購入者にとって重要である。

調査でわかったこと

レポートによると、調査対象組織におけるAIシステムは、平均して企業データの45%にアクセスできる。アクセスは「データ遅れ組」と分類されたグループでは30%以下に落ち込み、一方で「データ先進組」はデータの70%以上へのアクセスを提供している。

レポートはこの違いをAIエージェントへの信頼と結び付けている。回答者全体の約半数だけが、エージェントの判断が正確で関連性があると信頼していると答えた。しかしデータ先進組では、レポートによれば100%がその信頼を示した。

レポートはまた、規模拡大と速度のギャップも示している。データ遅れ組の66%が、レガシーデータシステムがAIエージェントをスケールさせる能力を制限していると答え、68%がそれらのシステムがエージェントの迅速な意思決定を妨げていると答えた。データ先進組では、これらの制約を報告したのはわずか8%だった。

これらの数字は、データアクセスを背景のインフラ問題ではなく、運用上の要件として描き出している。最新のサプライチェーン記録、POS情報、人事データを取得できないエージェントは、もっともらしい回答を生成できても、ワークフローを確実に完了できない可能性がある。

レガシーシステムが重要な理由

従来の企業データ環境は一般に、定義されたアクセス経路を持つアプリケーション、レポート、人間ユーザー向けに設計されていた。AIエージェントは別の要求を生む。構造化データと非構造化文書を組み合わせ、文脈の中で情報を解釈し、ライブの業務システムにつながった状態で判断を下す必要があるかもしれない。

レポートは、比較的新しいレガシーシステムであっても、エージェントがこの種のアクセスを必要とするときには摩擦を生む可能性があると論じている。データが互換性のないプラットフォームに分散していたり、一貫性のない権限管理下にあったり、権威ある記録と古いあるいは不完全な記録を区別するために必要な業務定義がないまま保存されていたりすることがある。

この区別はエンタープライズAIにとって重要だ。データ品質、権限、系譜、文脈を改善せずにエージェントへ広いアクセスを与えても、実行できるアクションの数は増えるかもしれないが、そのアクションがより確実になるわけではない。したがって開発者にとっての問題は、単にモデルをより多くのソースに接続することではない。現在で、解釈可能で、特定のタスクに適した情報への制御されたアクセスを作ることだ。

レポートは、構造化データと非構造化データへのアクセス改善を、エージェントを拡大するための最優先施策として挙げている。また、業務コンテキストを含むより強固なデータガバナンスと、データ管理のさらなる自動化も強調している。

主張の証拠と限界

中心となる証拠は、MIT Technology Review Insightsレポートで説明されている300人のデータ・テクノロジー幹部への調査から来ている。したがって、データ先進組とデータ遅れ組の分類、ならびにアクセス、信頼、システム制約に関する割合は、独立監査された企業導入の測定値ではなく、調査結果である。

レポートはまた、Gartnerの予測として、AIエージェントが2027年までにビジネス上の意思決定の50%を補完または自動化する可能性があると述べている。これは予測であって確立された結果ではなく、提供された資料にはその方法論や前提条件は示されていない。

この公開物には重要な開示がある。内容はMIT Technology Reviewの編集部ではなく、同誌のカスタムコンテンツ部門であるInsightsによって制作されたものだ。レポートによれば、調査と執筆は人間の研究者、ライター、編集者、アナリスト、イラストレーターによって行われ、AIツールが使われたとしても、それは人間のレビューを受ける二次的な制作プロセスに限定されていた。

この開示は調査を無効にするものではないが、読者は最も強い比較や結論を、カスタムレポートに付随する研究ベースのコンテンツとして扱うべきだということを意味する。ソースには、データ先進組が特定のワークフローで報告された結果を達成したことを検証する独立した事例研究、技術監査、または名前付きの企業導入は含まれていない。

開発者と企業購入者への示唆

AI開発者にとって、今回の結果はモデルを取り巻くシステムへ注意を向けさせる。調達、顧客対応、財務、労務管理に使うエージェントには、検索取得だけでは不十分だ。アクセス方針、最新の記録、明確なソース優先順位、エラー処理、そしてどのデータが判断を形作ったかを説明する仕組みが必要になる。

プロダクトチームは、情報が不足していたり矛盾していたりする場合にエージェントが何をしてよいかも定義すべきだ。人間のレビューのために停止するシステムは遅くなるかもしれないが、根拠のない推測で穴埋めするシステムより信頼できることがある。監視はモデルの応答だけでなく、ツール呼び出し、データの鮮度、権限エラー、下流への影響も対象にすべきだ。

企業購入者にとって、このレポートはエージェントの試験導入を拡大する前にデータ準備状況を評価する必要があることを思い出させる。提案されたシステムが機密データの無制御なコピーを作らずに業務システムと接続できるか、アクセスを役割とタスクで制限できるか、ビジネスユーザーがエージェントの判断を監査できるか、といった点を確認すべきである。

これはインフラベンダーにとって競争上の機会にもなる。データアクセスを統合し、メタデータ管理を自動化し、ガバナンスを徹底し、エージェントを業務システムにつなぐツールは、モデル選定と同じくらい導入経済性にとって重要になるかもしれない。しかし、接続性が広がるだけでは良い結果は保証されない。信頼性は、公開される情報の質と意味に依存する。

次に注目すべきこと

最初のシグナルは、企業が孤立した試験導入から、複数システムにまたがって動くエージェントへ移行するかどうかだ。より広い展開によって、実際にデータアクセスが改善するのか、あるいは組織が引き続きエージェントを狭く低リスクなタスクに制限し続けるのかが明らかになるはずだ。

2つ目のシグナルは、エージェントのデータ準備状況に関する独立ベンチマークの登場である。有用な指標には、エージェントがアクセスできる関連データの割合、データの鮮度、権限の正確さ、情報欠落からの復旧、そして人間の修正を要するアクションの比率が含まれるだろう。

購入者は、ベンダーがガバナンスと監査可能性にどう対応するかも注視すべきだ。信頼できるエージェントに関する主張は、ベンダーが失敗率、エスカレーションの挙動、実際のワークフロー全体での性能を開示したときに、モデルのベンチマークや導入調査だけに頼る場合よりも意味を持つ。

最後に、レポートが引用したGartnerの予測は、実際のビジネス意思決定の自動化と照らして検証される必要がある。信頼と制御の改善が伴わないまま導入だけが広がれば、企業はエージェントを広く使いながら、その価値が最も高い判断からは遠ざけることになるかもしれない。

Creati.ai の視点

レポートの核心メッセージは、導入上の警告として十分に説得力がある。エージェントは、到達も解釈もできない情報に対して信頼性高く行動することはできない。ただし、その数値は、データ先進組がエンタープライズAIを解決した証拠ではなく、調査シグナルとして読むべきだ。開発者にとってより有用なのは、データアクセス、ガバナンス、システム統合をエージェント製品の一部として扱うことだ。

市場は、おそらく単にエージェントを立ち上げやすくするベンダーと、その行動を測定可能で、巻き戻し可能で、説明責任を持たせるベンダーに分かれていくだろう。企業チームにとって実務的なテストはシンプルだ。エージェントが十分に賢いかを問う前に、行動に必要な信頼できるデータと制御された権限を持っているかを見極めることだ。