最新の記事

RAGだけでは足りない? AIエージェントに「社内の記憶」を持たせる方法

社内文書を検索させるだけで、AIエージェントは会社の文脈を理解できるのか。V7 GoのContext Graphを手がかりに、出典付きの「記憶」をつくり、不足時はRAGで補う設計を読み解きます。

どの報告書が最新版なのか。同じ会社が三つのシステムで別の名前になっていないか。AIエージェントはこうした文脈を知らないまま動きます。2018年設立の欧州スタートアップV7が提供するV7 Goの「Context Graph」は、文書から企業・人物・関係と引用証拠を抜き出して記録に整える仕組みで、散在文書を使わせる設計の有力な型の一つです。

結論:出典リンク付きの構造化記録を作り、不足は原文検索で補う

  • エージェントに渡すのは文書量ではなく、出典付きで関係づけられた記録です。
  • V7 GoのContext Graphは、文書から抽出した企業・人物などのエンティティと関係を、引用証拠とともに結ぶ構造化記録です。グラフに情報が足りないときは、基の文書をRAG(外部文書を検索して回答に使う手法)で検索できるとV7は説明しています。
  • 精度・コスト・高速化の数字はV7側の報告値で、独立した検証は確認できていません。企業データの検索が難しいことを示す独立研究はありますが、V7そのものは検証対象になっていません。
  • 方式を選ぶ軸は、出典追跡・名寄せ・更新・不足時の補完・独立評価の5項目です。

なぜ散在文書はエージェントに使えないのか

契約書はファイル共有に、見積もりはメールに、議事録はチャットに。社内の情報はたいてい複数の場所に分かれています。人間なら「この版が最新だ」「この略称は同じ会社だ」と経験で補えますが、エージェントは補えません。

OpenAIが掲載したV7の事例記事は、この状況を次のように描いています。現在のモデルは複雑なタスクを推論できても、背景にある業務の文脈を自動では理解しません。ファンドレポートのどれが最新か、同じエンティティが3つのシステムでどう呼ばれているか。そうした文脈は文書、データルーム、スプレッドシート、メール、社内ツールに散らばり、整理されないままエージェントから見えない、というのがV7側の説明です。

その結果、エージェントは依頼のたびに文脈を探し直します。V7によれば、何十回もの検索で時間とトークンを使い、関係性の中に埋もれた重要情報を見落とすこともあります。

「文書を増やして検索や長いコンテキストに詰め込めば、いずれ理解するだろう」という見方は自然です。しかし独立研究はそれほど楽観的ではありません。Salesforce AI Researchが公開した企業データ検索のベンチマークHERBは、文書、会議の書き起こし、Slack、GitHub、URLなど39,190件の企業内成果物を検索対象にしています。合成データ(人工的に作ったデータ)による評価ですが、最も良かったエージェント型RAGでも平均スコアは32.96でした。著者らは、必要な証拠を集めきれない検索が主な障壁で、モデルが部分的な文脈で推論してしまうと指摘しています。

足りないのは量ではなく、探し当てて結び付ける力だと読めます。

V7 GoのContext Graphは何をしているのか

文書を構造化して持ち、足りない分だけRAGで補う形です。
構造化とRAGは対立ではなく併用の関係です(V7の説明)。

V7は、企業が自社の業務の仕組みをAIに学ばせられるよう2018年に設立された欧州のスタートアップです。V7 Goは、重要な業務のワークフローを組み立て、埋もれた文脈をエージェントが照会して使える記憶に整理するエージェント型プラットフォームです。その記憶の中核がContext Graphで、文書から抽出した企業・人物・関係と、その根拠となる引用証拠を結ぶ構造化記録にあたります。

OpenAI掲載の事例記事によれば、流れは次のとおりです。

  1. SharePointやGoogle Driveなどのリポジトリに接続し、エンティティ、関係、事実、属性、指標をスキャンしてグラフに取り込みます。
  2. 新しいファイルが届くと、オントロジー(扱う対象の種類の定義)に沿って企業・ファンド・人物などを特定します。
  3. 各事実を新規または既存のレコードに関連付け、元の情報源を示す引用証拠を保持します。
  4. エージェントは、この構造化された記録を直接照会します。
  5. グラフに十分な情報がなければ、基になる文書をRAGで検索します。

長期間動くエージェントでは、直近のやり取りをモデルのアクティブコンテキストに置き、古い情報はグラフに保存して必要なときに取り出す、とも説明されています。

要は、文書そのものではなく「この事実はこの対象に属し、根拠はここにある」という記録を先に作っておく設計です。原文検索は捨てずに、不足を補う後ろ盾として残します。

なお、グラフ化の発想はV7だけのものではありません。Microsoft ResearchのGraphRAGは、文書からエンティティの知識グラフを作り、関連の強い集まりごとに要約を事前生成して回答に使う手法です。100万トークン規模のデータセットでの「全体の主題は何か」といった全体把握型の質問では、従来型RAGより回答の網羅性と多様性が大きく向上したと報告されています。ただしこの研究はV7を検証したものではなく、結果は研究で使われたデータセットと評価条件に限られます。

グラフ型・長文脈・通常RAGをどう比べるか

問うべきは「どれが最強か」ではなく、自社の文書量、更新頻度、精度要件にどの方式が合うかです。三方式を、出典で言えることだけで並べます。

観点グラフ型コンテキスト長いコンテキスト通常のRAG
関係把握エンティティ間の関係を記録として保持(V7、GraphRAG研究)文書をそのまま渡すため、関係の整理はモデルに委ねられる関連しそうな断片を検索で取得。複数の根拠をたどる検索は難しいとHERBが示す
出典追跡各事実に引用証拠を結ぶ設計(V7の説明)入力した原文が根拠。入力量には上限がある(V7は最大級のモデルでも約100万トークンと説明)取得した原文断片が根拠になる
更新対応新ファイルを既存レコードに関連付ける設計(V7の説明)入力し直しが必要。セッションが終わると忘れるとV7は説明頻繁に更新される社内文書庫での利用を想定した研究がある(EKRAG)
コスト傾向探索は長文脈より桁違いに低コスト・高速とV7は主張。独立検証なしV7はグラフより高コストと位置づける本稿の出典に三方式の比較数値はなし
向く場面(判断の目安)複数文書・複数システムにまたがる関係を問う場面文脈に収まる小規模な文書群の試行個別事実の検索が中心で、文書が頻繁に更新される場面

表の「向く場面」は、上の根拠から導いた判断の目安で、特定の研究が直接示した結論ではありません。コスト行の数字はV7が自社の立場から述べたもので、自社の文書で同じ差が出るかは試さないと分かりません。

成果の数字はどこまで信頼できるか

V7の事例記事には目を引く数字が並びます。出典ごとに分けて読みます。

V7が報告している数字(OpenAI掲載の事例記事、V7由来)

  • 最も難しいグラフクエリでGPT-6 Astraが正解率89%
  • GPT-5.6 Lunaで文書あたりのコストが78%低下、精度は11.6ポイント向上
  • 50〜100ステップのワークフローを数分で完了し、99.9%の精度(V7の説明)
  • HERBで、V7の検索専用システムが公式ベースラインを69%上回り、回答不能なクエリでのハルシネーションを38%削減
  • 顧客事例として、案件スクリーニングが21倍高速(1日から15分)、レビュー時間が100時間超から10時間未満、保険金請求処理のエラーが13.5%減

これらはV7自身のベンチマークや顧客報告に基づき、独立した第三者の検証は確認できていません。データ、モデル構成、評価条件にも依存します。記事はOpenAIの掲載で、OpenAIモデルの採用を訴える内容も含みます。V7の公式ページはベンダー自身による製品説明で、独立した検証を受けたものではありません。

独立研究が示していること

  • HERB:企業内に分散した情報の探索は難しく、検索が主な障壁(合成ベンチマーク)
  • EKRAG:企業向け知識QAでRAGの検索手法を評価するデータセット
  • GraphRAG:エンティティグラフ型が、全体把握型の質問で従来型RAGより優位だった研究

どれもV7や顧客導入の成果を確かめたものではありません。HERBがV7の数字の裏づけになるわけでもありません。V7が公開ベンチマークで自社システムを測った結果は、V7の報告として扱います。

つまり、課題の存在は独立研究が支え、V7の解決効果はV7の報告にとどまる、という二層で読むのが妥当です。

社内で整備するときの設計チェックポイント

V7を使う場合も自前で作る場合も、確認する項目は共通です。

  • [ ] 対象文書:どのシステムの、どの種類の文書を対象にするか。公式に確認できていない対応形式と連携範囲は、ベンダーに直接確かめます
  • [ ] エンティティ定義:取引先、案件、契約、人物など、記録として持つ対象の種類を決める
  • [ ] 名寄せ:同じ対象が複数システムで別名の場合に、どの規則でひとつの記録に統合するか。誤統合への対処も含める
  • [ ] 引用証拠:各事実から原文のどの箇所まで戻れるか
  • [ ] 更新頻度:新しい版が届いたとき、既存の記録をどう更新し、古い版をどう扱うか。保持できる情報量と更新頻度の上限は公式情報で確認できていません
  • [ ] 権限:文書の閲覧権限が記録とその検索結果にどう反映されるか。公開資料からは読み取れないため、確認項目にします
  • [ ] 不足時の原文検索:グラフに情報がないとき、原文検索へ切り替わるか。その結果にも出典が付くか
  • [ ] 評価方法:自社の文書で答えの分かっている問いを用意し、回答不能な問いも混ぜて測れるか

方式を横並びで比べるなら、この中から5項目に絞れます。出典追跡、名寄せ、更新、不足時補完、独立評価です。ベンダーの数字を見る前に、この5項目に自社データで答えが出るかを尋ねると、報告値の読み違いを減らせます。

自社はどこから始めるべきか

文書の規模と問いの種類で、最初に試す方式が変わります。以下は判断の目安です。

  • 個別の事実を探す問いが中心で、文書の更新が多い:通常のRAGを整え、検索の取りこぼしを測ることから始めます。
  • 文書が少なく、一度に渡せる規模:長いコンテキストで試し、答えの質と出典の示し方を見ます。
  • 複数システムにまたがる関係を問い、名称ゆれがあり、出典の監査が必要:グラフ型を小さく試す価値があります。V7はその一例です。

次の一歩は、全社導入ではなく一つの業務、一つの文書群での検証です。

  1. 実際の業務で出る問いを、答えの分かる形で用意する。回答不能な問いも混ぜる。
  2. 通常のRAGとグラフ型の両方で同じ問いを解かせ、正答だけでなく出典の正しさを確認する。
  3. 文書を更新・追加し、記録が正しく更新されるかを見る。
  4. 名称ゆれのある対象で名寄せの誤りを数える。
  5. ベンダーに、対応形式、連携範囲、保持量と更新頻度の上限、権限の扱いを書面で確認する。

V7の数字が自社で再現するかは、この小さな検証で初めて見えてきます。エージェントに渡すのは文書量ではなく、出典付きで関係づけられた記録である。この考え方を、自社データで確かめる範囲から始めてください。

出典

  1. How V7 gives AI agents institutional memory — 2026-10-07
  2. How V7 gives AI agents institutional memory — 2026-10-06
  3. Context Graph for Enterprise AI — 2026-10-04
  4. Benchmarking Deep Search over Heterogeneous Enterprise Data — 2026-10-04
  5. How V7 gives AI agents institutional memory — 2026-10-05
  6. EKRAG: Benchmark RAG for Enterprise Knowledge Question Answering — 2026-10-05
  7. From Local to Global: A Graph RAG Approach to Query-Focused Summarization — 2026-10-05

更新履歴

  • 承認mail が承認
  • 無効新しい承認で置き換え
  • rev.5公開日

表示言語

関連記事